基于小波变换的乳腺X线影像微钙化点感兴趣区域提取新技术

为乳腺癌早期诊断和乳腺X线影像微钙化点计算机辅助检测作前期预处理,提出了一种基于小波变换的微钙化点感兴趣区提取新技术。其具体思路是:(1)将乳腺区域图像提取成等大的子图像;(2 )对每一幅子图像进行小波变换,根据特征参数ρ讨论最优小波变化参数和阈值T;(3)根据阈值T判别子图像是否属于感兴趣区。对临床实际病例(2 0幅乳腺X线影像)的试验结果表明,该方法具有较高的检出率(89.7% ) ,和较为满意的假阳性率(2 .1% )。

SVM算法及其在乳腺X片微钙化点自动检测中的应用

支持矢量机(SVM)是一种新的统计学习方法,其学习原则是使结构风险最小,而非经典学习方法所遵循经验风险最小原则.这使得SVM具有更强的泛化能力.并且,由于SVM求解的是凸二次优化问题,使之能保证所找到的极值解就是全局最优解.本文首次将SVM算法用于乳腺X影像微钙化点自动检测中,对临床实际病例的试用结果表明,同目前常用的基于经验风险最小的人工神经网络(ANN)分类方法相比,SVM具有更高的识别率,值得应用推广.

微钙化点增强成像检出乳腺肿瘤内微钙化

目的评价超声微钙化点增强成像技术显示乳腺肿瘤内微钙化的能力。方法分别应用高频超声及微钙化点增强技术检查57个乳腺肿瘤内微钙化灶,评价两种技术显示乳腺肿瘤内微钙化的能力。结果微钙化点增强技术对57个乳腺肿瘤内微钙化的检出率(47/57,82.45%)明显高于高频超声(35/57,61.40%),差异有统计学意义(P<0.01)。微钙化点增强技术对乳腺良性、恶性肿瘤内微钙化灶的检出率分别为85.71%(18/21)、80.56%(29/36),均高于高频超声(12/21,57.14%;23/36,63.89%),差异均有统计学意义(P均<0.05)。微钙化点增强技术对低回声肿瘤内微钙化灶的检出率(26/33,78.78%)高于高频超声(21/33,63.63%),但差异无统计学意义(P>0.05);对非低回声肿瘤内微钙化的检出率(21/24,87.50%)高于高频超声(14/24,58.33%),差异有统计学意义(P<0.05)。结论微钙化点增强技术较高频超声能够更好地显示乳腺肿瘤内的微钙化。

基于小波变换的数字乳腺图象增强和微细钙化点提取

本文通过对一维和二维乳腺图象信号的实验分析 ,提出了利用小波变换实现微细钙化点图象增强与提取的方法 ,即通过选择适当尺度的细节子图组合进行合成 ,得到对比度增强的钙化点图象 ;再经过阈值处理 ,提取出钙化点。根据本文方法对实际的乳腺X光片进行了实验 。

一种基于Top-hat的乳腺图像中钙化点的检测方法

钙化点是乳腺癌早期的一个主要放射学征象。为了实现数字乳腺图像中钙化点的自动检测,提出了一种基于Top-hat算子的钙化点检测方法。该方法采用形态学中的Top-hat算子对图像的背景进行抑制,然后结合孤立钙化点的灰度、纹理和对比度等特征对乳腺图像中的钙化点进行检测。与一般的检测方法相比,这种方法能够有效地检测到强背景中的弱小钙化点目标,而且检测结果贴近于钙化点病灶的真实形状。

基于乳腺X线图像的微钙化点区域自动检测算法研究

目的:乳腺癌是女性最常见和多发的恶性肿瘤之一。恶性乳腺肿瘤早期重要表征是伴有微钙化现象。人工识别乳腺X射线图像微钙化点和微小肿块等病变遗漏率较高。探讨乳腺X线影像中微钙化点区域的自动提取算法,以提高诊断速度和准确率。方法:在综合运用各种算法的基础上,基于乳腺X线图像微钙化点特征提出应用小波变换等研究乳腺X影像中微钙化点感兴趣区域的自动提取方法,并仿真验证算法的有效性。结果:应用ROC模型对医院临床80个病例的150副图像对提出的小波改进算法和相关算法进行了测试和比较。基于小波的微钙化点区域自动提取算法,可以获得高达98.8%的检出率和5%的误检率,实现了乳腺图像中含钙化点感兴趣区域的自动提取,验证了算法对提高检出率的可行性。结论:应用小波改进算法对乳腺X线图像中含钙化点感兴趣区域的自动提取是可行的,具有较高的微钙化点检出率,有利于实现乳腺影像可疑病灶区域的自动定位和早期发现,有利于加强对导致乳腺癌危险因素的研究和积极干预。

基于迭代顺序滤波子空间约束的可拒识-支持向量机微钙化点检测

为提高钙化点检测速度,克服微钙化点检测中假阳性高的缺点,本文构造了一种迭代顺序滤波子空间约束的可拒识-支持向量机分类器用于钙化点检测.训练时利用迭代顺序滤波检测作为钙化点的粗检测算子,然后在其约束的子空间内收集非钙化点训练样本.对于输入模式,首先利用基于最大软间隔超平面的支持向量分类器(SVC)进行分类判决;然后对真实的钙化点样本特征空间求取最小的包含球形边界,得到钙化点样本的球形支持向量域表示(SVDD).对于输入模式即可利用钙化点的支持向量域表示进行拒识或接受处理.仿真实验结果表明,本文提出的算法在不影响微钙化点的检出率的情况下,大大提高了检测速度,部分解决了假阳性高的问题.

Top-hat与SVM在乳腺微钙化点检测中的应用

乳腺X线图像中微钙化点的检测对于乳腺癌的早期诊断非常有意义,然而目前常用的钙化点检测方法普遍存在假阳性高的缺点。采用小波与Top-hat算子相结合的方法对乳腺图像进行钙化点粗检测,并在此基础上,用SVM对钙化点粗检结果进一步甄别,去假存真。这样做可以在基本不降低真阳性率的情况下,大大降低假阳性率。仿真实验证明,该方法的钙化点检出率达到98.46%,错检率仅为3.597%,说明该方法能够有效地从复杂背景中提取出微钙化点。

基于先验模型和区域生长的乳腺图像钙化点检测

早期乳腺癌的一个重要特征就是钙化点,快速准确地找出乳腺图像中的钙化点是成功诊断的第一步。提出了一种先验模板和区域生长的钙化点快速检测方法。根据钙化点检测的临床经验,选用一直径为0.5mm的模板找出乳腺图像中的局部峰值点。以这些峰值点为初始种子点,进行区域生长;计算每个区域的面积、平均灰度、对比度,保留满足钙化点特征的区域。根据先验知识,对生长获得的钙化点是否成簇进行判别,保留成簇的微钙化点。实验表明,该算法实现了乳腺图像中钙化点的快速自动检测,提高了医生诊断的正确性。

X线摄影与二维超声对乳腺癌微小钙化点的对比观察

目的：探讨微小钙化点在乳腺癌诊断中X线摄影与二维超声诊断价值的比较。材料与方法：为我所行X线摄影与二维超声检查，并经手术病理证实的78例乳腺癌患者。结果：单纯癌38例，髓样癌5例，硬癌4例，腺癌2例，粘液腺癌1例，粉刺癌1例，浸润性导管癌27例。X线摄影发现肿块内钙化17例（21．8％），二维超声仅显示5例（6％）。结论：微小钙化点在乳腺癌诊断中为X线摄影与二维超声的一个新的表现，但二者发现率的高低有待进一步探讨。

使用遗传算法的乳腺微钙化点特征优化

乳腺微钙化点包含众多属性,由于其中存在的冗余和不相关属性降低了微钙化点病变类型判别的性能。因此,特征子集选择问题成为微钙化点病变类型识别中的重要问题。该文针对传统优化方法用于特征选择的种种缺陷,提出了基于遗传算法的特征子集选择测算法。经乳腺微钙化点特征选择实例分析,证明该方法拥有较强的并行性和寻优能力,在特征选择领域有广阔的应用前景。

基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取

目的乳腺癌的早期发现对患者意义重大。为帮助医生进行乳腺癌的早期检查和诊断,本文提出利用小波分析与图像纹理特征提取相结合的方法来提取乳腺X线图像微钙化点区域,在提高检查准确性的同时避免漏检误检。方法首先利用灰度共生矩阵所提取的能量、熵、对比度、相关性以及小波分解后得到的各层高频系数的方差、能量作为图像的特征向量,然后利用支持向量机进行训练建立最优分类模型。最后利用建立的最优分类模型实现乳腺X线图像微钙化点区域的提取并利用检出率和误检率对结果进行评估。结果使用临床数据进行验证,结果表明利用小波分析与图像纹理特征提取相结合的方法能有效提取乳腺图像中的微钙化点区域。结论基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取方法比单一的图像纹理特征提取或小波分析等方法,提取的效果更好。另外,该方法设计简单,更易于实现乳腺癌的自动化诊断。

模糊遗传人工神经网络算法提取乳腺微钙化点的效果

【目的】微钙化点是早期乳腺癌的重要征象之一,本研究联合运用遗传算法、模糊数学和人工神经网络,建议一种乳腺微钙化点提取的新方法,为乳腺病变的自动识别提供前期处理,为早期乳腺癌的临床诊断提供帮助。【方法】首先利用随机方法产生大量的样本,然后,利用模糊遗传算法对产生的随机样本进行分类,将分类后的样本输入人工神经网络进行训练,将310幅乳腺图像的感兴趣区域输入训练后的人工神经网络分类器进行分类。【结果】与微钙化点提取方面的同类文献相比较,结果表明该算法在相同误检率下得到较高的阳性检出率。【结论】研究表明综合运用遗传算法、模糊数学和人工神经网络进行乳腺微钙化点提取比单纯运用人工神经网络提取效果好。

数字乳腺X射线影像中微钙化点的检测方法的探讨与研究

乳腺癌是女性最常见的恶性肿瘤之一,防治的关键在于早期诊断。实现乳腺癌早期诊断的关键技术之一是及时发现乳腺X线影像中的微小钙化点。随着计算机技术的飞速发展,采用计算机辅助诊断技术检测微钙化点已成为乳腺癌早期诊断的研究热点。对一些传统的微钙化点检测方法和近年来广泛收到关注的微钙化点检测方法进行了介绍。文中只涉及到检测方法,而没有讨论检测方法的效果评价。

基于综合处理方法的乳腺X影像中微钙化点检测新技术

针对目前乳腺X线影像中微钙化点的计算机辅助检测普遍假阳性较高的难点 ,提出一种能发挥差值、小波及神经网络等多种技术优势的综合处理检测方法。对临床实际病例 (10名患者 ,2 44个微钙化点 )的试用结果表明 ,与单纯使用上述检测技术比较 ,该方法不仅操作简单 ,且具有较高的检出率 (TP达 93 % ) ,同时还明显地降低了假阳性 ,值得深入研究。

基于形态学灰度重构的乳腺微钙化点提取

针对乳腺X线摄片,提出了一种计算机辅助检测乳腺微钙化点的方法:首先利用灰度形态重构完成穹顶提取,除去乳腺背景结构同时又能很好地保留微钙化点;其次运用拉普拉斯算子在空间域内对图像进行锐化以增强微钙化点;然后在频率域内利用巴特沃思高通滤波器对图像进行高通滤波;最后利用二维最大熵阈值分割对图像二值化,从而检测出微钙化点并在图像上标识出来。计算机辅助诊断的方法不仅避免了医生因大量阅片引起疲劳而造成误诊,起到了协助医生诊断的作用,而且提高了诊断的效率和准确率。

基于二维最大熵阈值分割的钙化点检测算法

在数字乳腺X线图像中,钙化是早期乳腺癌的重要征象之一。为了提高钙化点检测的准确度及降低检测的假阳性率,提出了一种结合数学形态学滤波和二维最大熵阈值分割的钙化点检测算法。算法首先采用top-hat算子对图像的背景进行抑制,然后利用二维最大熵阈值分割算法得到可疑钙化点区域,最后采用SVM分类的方法去除假阳性区域,得到最终的钙化点检测结果,并采用MIAS乳腺影像库进行仿真实验,钙化点检测的敏感性为94.6%,假阳性率为10.5%。实验结果表明,方法对钙化点的定位精确,具有较高的检出率及较低的假阳性率。

乳腺X射线数字影像中钙化点感兴趣区域提取方法

为乳腺X射线影像计算机辅助诊断做前期预处理,研究了乳腺图像处理中钙化点感兴趣区域提取的问题。在对乳腺X射线图像进行基本的背景分割后,首先运用改进的区域扩张法实现了对乳腺图像中乳腺区域的提取,然后对乳腺区域部分采用改进的反锐化掩模法进行图像增强,突出钙化点区域,再根据含钙化点的特征选取合适的阈值提取出可能含有钙化点的感兴趣区域(ROI)。试验表明,该方法可完成对乳腺影像的ROI提取处理,有助于提高乳腺疾病诊断的准确率。

乳腺钼钯X射线影像中微钙化点的检测方法

乳腺癌是一种常见的妇科恶性肿瘤。早期发现、早期诊断、早期治疗对医治乳腺癌、降低死亡率至关重要。实现乳癌早期诊断的关键技术之一是及时发现乳腺 X线影像中的微小钙化点并判断其是否有恶化倾向。本文就目前为止乳腺 X片微钙化点的检测方法进行了综述 ,并展望其近期发展趋势。

基于快速可拒识-双层支持向量分类器的微钙化点的检测算法

为克服微钙化点检测中假阳性高的缺点,本文构造了一种带拒识能力的双层支持向量模型分类器用于钙化点检测。对于输入模式,首先利用基于最大间隔超平面的支持向量分类器(SVM)进行分类判决;然后对真实的钙化点样本特征空间求取最小包含球形的边界,得到钙化点样本的球形支持向量域表示(SVDD),对于输入模式即可利用钙化点的支持向量域表示进行拒识或接受处理;最后利用SVM与SVDD两个分类器的结果进行综合判决。无论是第一层的求取最优分类超平面,还是第二层的边界优化训练,都根据各个训练数据的类间最近邻距离进行排序操作,选择合适的训练样本子空间进行SVM和SVDD训练。仿真实验结果表明,本文提出的算法在不影响微钙化点检出率的情况下,可以部分解决钙化点检测中假阳性高的问题。