基于超聲圖像的乳腺癌計算機輔助診斷關(guān)鍵技術(shù)研究.pdf

1、目前最常用的乳腺早期檢查工具是乳腺X射線成像，但是X射線成像會導(dǎo)致較大數(shù)量的假陽性，從而導(dǎo)致不必要的活組織切片檢查，同時運用X射線成像對高致密度乳腺檢查會導(dǎo)致嚴(yán)重的漏診現(xiàn)象。乳腺超聲成像是乳腺X射線成像檢查的必要補充，在諸如區(qū)分囊腫和實質(zhì)腫瘤及檢查致密性乳腺有著X射線成像無法比擬的作用。然而，閱讀超聲圖像比較繁瑣，需要豐富的臨床實踐經(jīng)驗，而且診斷結(jié)果往往會帶有一定的主觀性。因此，研制可靠的計算機輔助診斷系統(tǒng)對降低診斷的主觀性、減少醫(yī)療浪

2、費以及降低漏診比率具有重要的意義。為了研究一個有效的乳腺超聲圖像計算機輔助診斷系統(tǒng)，論文在乳腺超聲圖像預(yù)處理、腫瘤輪廓提取、腫瘤特征提取與腫瘤分類以及醫(yī)學(xué)超聲圖像無損壓縮等方面開展了以下研究：
　　為了減少散斑噪聲、組織紋理對提取腫瘤輪廓的干擾，提出了一種基于最頻值濾波的各向異性超聲圖像擴散算法。在該算法用于控制均值曲率運動演變速度（即用來控制圖像平滑程度）的函數(shù)中內(nèi)嵌一個最頻值濾波器來消除計算圖像梯度時散斑噪聲的影響。因最頻值濾

3、波對去除散斑噪聲比較有效、且具有增強邊緣等特性，本文提出的擴散算法能在去除散斑噪聲、簡化圖像結(jié)構(gòu)的同時，很好地保持腫瘤邊緣。
　　圖像去噪是圖像處理領(lǐng)域重要課題，也是感興趣區(qū)域提取和目標(biāo)識別必要環(huán)節(jié)。本文提出了一種基于邊緣置信度的自適應(yīng)總體變分圖像去噪模型。該模型根據(jù)圖像中每點邊緣置信度的大小自適應(yīng)地確定該點所在區(qū)域平滑程度，使接近邊緣的區(qū)域平滑程度較小，而遠(yuǎn)離邊緣區(qū)域平滑程度較大。數(shù)學(xué)分析和實驗證明，論文提出的變分去噪模型克服了

4、傳統(tǒng)的總體變分模型的歐拉－拉格朗日方程非適定問題，改善了傳統(tǒng)總體變分模型去噪速度慢、有階梯效應(yīng)、噪聲遺漏等缺陷。
　　腫瘤的幾何形狀是重要的診斷信息，而其特征計算依賴于腫瘤的輪廓。本文提出了一種基于邊緣和區(qū)域統(tǒng)計特征的幾何變形模型輪廓自動提取方法。該方法首先根據(jù)腫瘤在超聲圖像中的特點，提取腫瘤的粗輪廓，作為后續(xù)輪廓提取算法的初始值；然后計算出輪廓上每點所在區(qū)域的紋理特征，并輸入到已訓(xùn)練好的經(jīng)改進(jìn)的支持向量機中，得到這些紋理特征與最

5、優(yōu)分類超平面間的符號距離；同時我們引入一個映射函數(shù)，把這一符號距離映射到[0,1]內(nèi)，來表征該點屬于正常組織的可能性；最后結(jié)合該點的邊緣置信度和曲率確定出該點的曲線演變速度，實現(xiàn)腫瘤輪廓的自動精確提取。該方法的曲線演變速度由邊緣置信度和區(qū)域統(tǒng)計特征共同確定，有效地克服乳腺腫瘤圖像邊緣模糊的缺點，從而準(zhǔn)確提取出乳腺腫瘤的輪廓。
　　開展了乳腺超聲圖像腫瘤特征提取和分類的研究，并在此基礎(chǔ)上構(gòu)建了基于支持向量機的乳腺超聲圖像計算機輔助診

6、斷系統(tǒng)。該診斷系統(tǒng)提取了分別屬于紋理、腫瘤形態(tài)學(xué)、聲波回聲性以及腫瘤邊緣銳度等34個典型特征作為腫瘤分類依據(jù)，采用基于交叉驗證的柵格搜索方法確定了高斯核函數(shù)支持向量機分類器的參數(shù)，并利用精確度、靈敏性、特殊性、錯誤正比率、錯誤負(fù)比率以及ROC曲線等指標(biāo)對構(gòu)建的計算機輔助診斷系統(tǒng)做出評價。
　　為滿足遠(yuǎn)程輔助診斷圖像傳輸?shù)男枰?，針對醫(yī)學(xué)超聲圖像邊緣微弱的缺點，提出了基于最小二乘預(yù)測和最大可能數(shù)值Huffman編碼（LS-MLMH）的

7、醫(yī)學(xué)超聲圖像無損壓縮算法。該算法在對某一像素進(jìn)行預(yù)測時，先用預(yù)存的系數(shù)對該像素進(jìn)行預(yù)測，當(dāng)預(yù)測值大于預(yù)先設(shè)定的閾值時，認(rèn)為該點在邊緣附近，將采用最小二乘對該像素重新預(yù)測，并更新預(yù)存的系數(shù)；當(dāng)預(yù)測值小于閾值時，就認(rèn)為該像素遠(yuǎn)離邊緣，預(yù)存的系數(shù)適用于該像素。這種預(yù)測機制既利用最小二乘預(yù)測的邊緣導(dǎo)向特性克服超聲圖像邊緣微弱不利于預(yù)測的缺點，又在保證預(yù)測效果的前提下減少了計算量。為了進(jìn)一步提高壓縮性能，LS-MLMH采用最大可能數(shù)值的Huffm