基于形态特征判别超声图像中乳腺肿瘤的良恶性

乳腺肿瘤超声图像的形态特征对判别肿瘤的良恶性具有重要的价值。为提高乳腺肿瘤超声诊断的准确率,提出一种基于其形态特征进行分类判别的计算机辅助诊断系统。该系统首先采用灰度阈值分割和动态规划相结合的方法提取超声图像中乳腺肿瘤的边缘,然后对所得边缘计算相应的三种形态参数,最后分别采用Fisher线性判据、误差反向传播神经网络和径向基函数神经网络对形态参数进行分类。该系统在157幅乳腺肿瘤(包括良性81例、恶性76例)超声图像上训练和测试,三种分类器均能取得较高的判别精度,其中误差反向传播神经网络和径向基函数神经网络的判别准确率、敏感性和特异性分别高达94.95%、95.74%和94.23%。结果表明,基于乳腺肿瘤超声图像的形态特征建立的神经网络系统对肿瘤的良恶性具有较好的判别能力。

基于直方图的纹理度量在超声乳腺肿瘤识别中的应用

探讨纹理特征在超声乳腺肿瘤诊断中的价值。提取超声图像中乳腺肿瘤的纹理度量,得到由均值、标准差、平滑度、三阶矩、一致性和熵组成的特征矢量,最后用反向传播人工神经网络(BP)对96幅乳腺肿瘤的良恶性进行分类识别。BP神经网络对良、恶性肿瘤的正确识别率分别为88.4%和78.6%。基于乳腺肿瘤超声图像的纹理特征建立的神经网络系统对肿瘤的良恶性具有较好的识别能力。

基于边界特征的乳腺肿瘤超声图像识别

通过对乳腺肿瘤边界特征的分析,得到边界的特征量似圆度,面积比率,长宽比组成的特征矢量,最后用反向传播人工神经网络(BP)的算法对经病理证实的119幅乳腺良、恶性肿块超声图像进行分类识别。BP神经网络对良、恶性肿瘤正确识别率分别为89.7%、73.5%。量化后的乳腺超声图像肿瘤轮廓特征结合BP神经网络可以比较有效的用于肿瘤的良、恶性识别。