基于超聲圖像的乳腺癌計算機輔助診斷關鍵技術研究.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射線成像會導致較大數(shù)量的假陽性，從而導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致嚴重的漏診現(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驗，而且診斷結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處理、腫瘤輪廓提取、腫瘤特征提取與腫瘤分類以及醫(yī)學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、簡化圖像結構的同時，很好地保持腫瘤邊緣。
　　圖像去噪是圖像處理領域重要課題，也是感興趣區(qū)域提取和目標識別必要環(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，而遠離邊緣區(qū)域平滑程度較大。數(shù)學分析和實驗證明，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、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，并輸入到已訓練好的經改進的支持向量機中，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，來表征該點屬于正常組織的可能性；最后結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，并在此基礎上構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、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、錯誤負比率以及ROC曲線等指標對構建的計算機輔助診斷系統(tǒng)做出評價。
　　為滿足遠程輔助診斷圖像傳輸?shù)男枰槍︶t(yī)學超聲圖像邊緣微弱的缺點，提出了基于最小二乘預測和最大可能數(shù)值Huffman編碼（LS-MLMH）的

7、醫(yī)學超聲圖像無損壓縮算法。該算法在對某一像素進行預測時，先用預存的系數(shù)對該像素進行預測，當預測值大于預先設定的閾值時，認為該點在邊緣附近，將采用最小二乘對該像素重新預測，并更新預存的系數(shù)；當預測值小于閾值時，就認為該像素遠離邊緣，預存的系數(shù)適用于該像素。這種預測機制既利用最小二乘預測的邊緣導向特性克服超聲圖像邊緣微弱不利于預測的缺點，又在保證預測效果的前提下減少了計算量。為了進一步提高壓縮性能，LS-MLMH采用最大可能數(shù)值的Huffm