基于滑动块的深度卷积神经网络乳腺X线摄影图像肿块分割算法

目的:提出一种基于滑动块的深度卷积神经网络局部分类、整图乳腺肿块分割的算法,为临床诊断提供有效的肿块形态特征。方法:首先通过区域生长算法和膨胀算法提取患者乳腺区域,并进行数据归一化操作。为了得到每一个像素位置上的诊断信息,在图像的对应位置中滑动提取肿块类及非肿块类图像块,根据卷积神经网络提取其中的纹理信息并对图像块进行分类。通过整合图像块的预测分类结果,进行由粗到细的肿块分割,获得乳腺整图中像素级别的肿块分割。结果:通过比较先进的深度卷积神经网络模型,本文算法滑动块分类结果DenseNet模型下准确率达到96.71%,乳腺X线摄影图像全图肿块分割结果F1-score最优为83.49%。结论:本算法可以分割出乳腺X线摄影图像中的肿块,为后续的乳腺病灶诊断提供可靠的基础。     

数字乳房X射线图像的肿块分割算法研究

为了使临床医生从数字乳房X射线图像中得到更多有用的肿块信息,通过研究增强后的数字乳房X射线图像,结合图像特点,提出利用区域生长方法对图像进行肿块分割的算法.此算法可以有效地分割出图像中的肿块区域,并很好地保持了肿块的边缘信息.     

一种基于小波变换的乳腺X线图肿块分割方法

目的：乳腺癌的早期诊断和治疗是能够降低乳腺癌患者死亡率的有效途径。通过乳腺X线图像观察乳腺状况是目前乳腺癌普查的首选影像方法。随着图像处理技术的高速发展,计算机辅助检测技术在乳腺癌的检测方面起到越来越重要的作用。方法：本文首先利用图像处理领域的形态学处理、区域增长等相关知识,对乳腺X线图像进行预处理操作,去除图像中所包含的干扰信息。之后提出一种对图像的灰度直方图进行小波变换,并根据其小波变换的模极大值点确定图像分割阈值的方法对乳腺X线图像中的疑似肿块区域进行粗分割。在通过粗分割过程获得乳腺肿块的大致位置信息之后,再利用区域增长的方法获得肿块的边缘信息。结果：本文选取MIAS乳腺图像数据库中的65幅图像作为测试图像,保证每幅图像至少包含一个乳腺肿块。利用本文所提方法对这65幅图像进行实验,并将实验结果与该数据库中的专家标注信息作对比,实验结果为当采用db40的小波系数时的检出率为95．5％。结论：本文所述方法能够有效地分割出乳腺X线图中的肿块区域,并且有较高的检出率,具有进一步研究和应用的价值。     

乳腺钼色X线图像的计算机辅助早期诊断技术

乳腺癌是盛行于广大妇女中的癌症，其发病率近年来呈增高趋势，早期发现、早期诊断、早期治疗是降低乳腺癌死亡的关键。本文就临床上首选的影像学诊断方法-钼靶X线摄影的计算机辅助诊断技术进行了较为详细的综述，并就该技术的发展趋势进行了展望。     

乳腺X线图像的计算机辅助诊断技术研究进展

乳腺癌是妇女中多发的癌症 ,其发病率近年来有增高趋势。早期发现、早期诊断、早期治疗是降低乳腺癌患者死亡的关键。本文就临床上首选的影像学诊断方法——钼靶 X线乳腺摄影的计算机辅助诊断技术进行了较为详细的综述 ,并就该技术的发展趋势进行了展望     

基于医学图像内容检索的计算机辅助乳腺X线影像诊断技术

乳腺癌是女性中高发的恶性肿瘤疾病.近年来,其发病率呈增高趋势.早期发现、早期诊断和早期治疗是降低乳腺癌患者死亡率的关键.计算机辅助诊断(CAD)技术能够有效提高早期诊断的准确性,而基于内容医学图像检索(CBMIR)技术的引入,为乳腺癌的诊断提供了有效的决策支持.文中就近年来基于医学图像内容检索的计算机辅助乳腺X线影像诊断关键技术进行了较为详尽的综述,包括微钙化和肿块检测、特征提取、相似性测度和相关反馈技术等,同时对该领域的发展趋势进行了展望.     

乳腺肿块的快速检测

目的:乳腺肿块的计算机检测可以帮助医师定位肿瘤,提高乳腺癌诊断的速度和准确率.方法:作者利用AFUM(average fraction under the minimum)[1]算子和一阶梯度向心率估计检测肿块异常区域.作者对一阶梯度向心率估计做了详细阐述,包括原理和相关参数的选择.结果:作者对40张来自Digital of Screening Mammography(DDSM)乳腺X光图像进行了检测,并将检测结果与图像库的金标准进行比较,画出FROC(false positive receiver operating characteristic)[1]曲线.平均每幅图像的假阳率约为1.792,肿瘤检出率约为90.63%,每个病例的检测时间约为2min.结论:算法可以检测出大部分的肿瘤,并且每幅图像的假阳率比较低,检测速度非常快.     

基于自适应能量偏移场无边缘主动轮廓模型的乳腺肿块分割与分类方法研究

目的:为提高乳腺癌检测的精准度和效率,提出了一种基于自适应能量偏移场无边缘主动轮廓模型（AEOF-CV）的乳腺肿块分割与分类方法。方法:首先采用中值滤波、阈值分割及区域连通进行图像预处理,去除图像噪声;然后使用伽马变换及形态学运算相结合的方法进行图像增强;其次,采用AEOF-CV对弱对比度图像提高分割精度,用于乳腺肿块分割,得到感兴趣区域;最后使用不同提取特征方法,结合支持向量机识别感兴趣区域是否有肿块,并对存在肿块的图像判别肿块的良、恶性。结果:实验利用DDSM数据库中350个图像进行测试,实验结果证明,基于AEOF-CV乳腺肿块分割方法可以得到肿块清晰外部轮廓,具有较好的鲁棒性,误分率可达到0.212 0。无肿块样本识别率达到94.57%,恶性肿块识别率为97.91%,良性肿块识别率为96.96%,总识别率达94.00%。结论:基于AEOF-CV的乳腺肿块分割效果较好,误分率相对CV方法降低19.17%,查准率和查全率达到了0.851 9和0.836 5,全局分析性能较好,是乳腺肿块分割的有效方法,可为后续模式识别提供可靠依据。     

乳腺肿块的高频彩超诊断分析

目的 探讨高频彩超对乳腺良、恶性肿块和彩色多普勒血流显像的诊断意义.方法 选择2008年9月～2009年9月期间我院收治的乳腺肿块患者132例,并应用高频彩超对其进行检查,观察肿块的形态、边界、内部回声、病灶后方回声及有无微小钙化灶.彩色多普勒血流图观察乳腺良、恶性肿块的血流特征.结果 乳腺良、恶性肿块的超声检出率分别为95.05%和93.55%;乳腺良性肿块彩色多普勒血流分级主要为0~Ⅰ级,而恶性肿块主要为Ⅱ～Ⅲ级;乳腺良、恶性肿块在PI和RI方面均有统计学意义(P＜0.05).结论 对乳腺肿块高频彩超的各种征象进行综合分析评价,可以有效提高女性乳腺疾病诊断的准确度.     

基于对称区域生长算法的超声医学图像分割方法

提出了一种基于对称区域生长算法的超声医学图像的分割方法。该方法分为三步。首先,通过采用自适应加权中值滤波抑制超声医学图像本身固有的Speckle噪声,然后从图像的第一行开始扫描整个图像,并应用生长准则进行区域的生长与合并,生长完成之后应用种子准则标定感兴趣区域,从而得到最后的分割结果。通过图像的分割实验确定了一套对于超声医学图像适用的生长和合并准则。对心脏B型超声医学图像分割的实验结果显示,该方法具有良好的性能。     

基于对称区域生长和边缘梯度的视神经纤维的分割

在视神经横切面图像中,将每个神经纤维的内外边界进行精确分割是视神经形态分析的重要环节,提出一种基于对称区域生长和髓鞘边缘梯度的有效分割算法.该算法分两步进行,首先根据交互方式下选取的种子点,由对称区域生长算法实现轴突分割,然后在轴突轮廓模型基础上,髓鞘外轮廓在髓鞘平均边缘梯度引导下进行演化,实现自动分割.与K-均值聚类,局部阈值和水平集等其他算法的实验结果相对照显示,该算法分割获得的轴突和髓鞘轮廓与实际轮廓相吻合,其分割结果可以作为后续神经纤维形态分析的基础.     

Computerized detection of breast masses in digitized mammograms

We propose a system to detect malignant masses on mammograms. We investigated the behavior of an iris filter at different scales. After iris filter was applied, suspicious regions were segmented by means of an adaptive threshold. Suspected regions were characterized with features based on the iris filter output and, gray level, texture, contour-related, and morphological features extracted from the image. A backpropagation neural network classifier was trained to reduce the number of false positives. The system was developed and evaluated with two completely independent data sets. Results for a test set of 66 malignant and 49 normal cases, evaluated with free-response receiver operating characteristic analysis, yielded a sensitivity of 88% and 94% at 1.02 false positives per image for lesion-based and case-based evaluation, respectively. Results suggest that the proposed method could help radiologists as a second reader in mammographic screening.     

一种基于参数自适应的CT图像肺气道树分割方法

肺CT图像气道树分割对于肺呼吸功能测定和疾病诊断具有重要意义,但图像噪声和部分容积效应的影响会造成气管分割的泄漏,难于分割出微小的气管。本文利用肺气道树的解剖结构信息,对肺气道树进行分段处理,并提出一种分割参数自适应的方法,动态调整各气管段的分割参数。实验表明,该方法能提高分割的速度和精度,并有效防止泄漏。     

基于改进区域生长算法的肝脏分割方法研究

目的：把肝脏从医学图像中提取出来,为肝脏三维定位以及放疗计划制定提供准确的数据。肝脏与其周围器官组织灰度差别小、边界不明显,而传统区域生长算法生长准则单一,不能满足分割精确度需求,并且未经处理的轮廓比较粗糙。针对这些问题,本文提出一种改进的区域生长算法。方法：本文算法主要从三个方面改进：基于先验经验和肝脏特性的种子区域选择;基于Canny算子边缘检测结果的区域生长准则动态优化;基于漫水填充法和曲线拟合的轮廓后处理。结果：本文使用多套临床实际腹部CT序列测试算法,以医生手动勾画结果为标准进行评价。在大多数CT切片上的肝脏自动分割都能取得较好的结果,并且分割用时很短,保证了效率。结论：测试结果表明,本文算法在动态控制区域生长和平滑轮廓方面有很好的作用,在保证速度的同时有效提高了肝脏自动分割精度。     

基于肺部CT序列图像的肺实质三维分割

目的:肺实质分割是基于CT图像的肺结节计算机辅助检测技术必不可少的步骤。结合阈值技术、连通区域标记以及形态学技术,提出了一种简单有效的从CT图像中分割三维肺实质的方法,以期能为后续肺结节计算机辅助检测技术的研究奠定基础。方法:首先,将原图像二值化,并应用三维连通域标记去除背景及细小空洞;然后,经三维区域生长法去除气管;最后,经形态学滤波平滑肺边界得到肺部精确的三维模板,并采用该模板从CT序列图像中分割出肺实质。结果:根据对20组层厚2.0mm、每组约250个切片的肺部CT临床数据实验验证,其肺实质分割的平均正确度为91.55%,处理单组数据平均耗时167.4563s。结论:实验结果表明,本文方法能自动快速地从CT序列图像中分割出肺实质。     

改进的区域生长算法在医学图像分割中的应用

通过对颅脑CT图像的特征分析，引入阈值法和边缘检测以改进区域生长算法，用此法自动剔除CT图像的头架与头垫。实验结果表明，此算法能得到令人满意的结果，不仅剔除了头架与头垫，而且保留了皮肤信息。此方法能克服传统区域生长法的不足，能自动、快速、有效地分割颅脑CT图像。     

基于边界逼近的肺实质分割方法

肺部CT图像的分割是计算机辅助诊断系统处理的一个重要环节,其分割的结果影响到医生的诊断与进一步的分析。由于胸膜结节的灰度与肺实质外围的灰度相近,运用传统的分割方法无法正确分割出此类病灶。将胸膜结节包含肺实质一起分割出来,使计算机辅助诊断系统能够对此类病灶做进一步的分析。提出一种结合Graham算法以及边界逼近的方法,对肺实质的轮廓进行修正,进而得到修正的二值模板;将该模板与原图像做乘运算,得到包含胸膜结节的肺实质。运用所提出的方法,对公开数据库LIDC中68张含病灶的CT样本图像做处理,通过与传统方法的对比以及对算法的过分割比例、欠分割比例以及准确性的分析,得到准确率为98.5%,平均过分割比例为1.35%,平均欠分割比例为0.51%,证明了该方法的有效性。     

图像分割技术在中医舌诊客观化研究中的应用

舌诊是中医四诊的主要内容,是辨证论治的主要依据。客观化研究对中医辨证规范化及中医临床、教学和科研手段的现代化具有重要意义。对舌诊客观化研究中涉及的图像预处理的重要内容——舌体分割提取和舌苔舌质同类区域划分——进行了深入研究,提出了相应算法,通过实验充分证明了算法具有很好的鲁棒性。这给进一步的自动特征提取提供了保障和重要信息。     

Classification of breast masses in mammograms using genetic programming and feature selection

Mammography is a widely used screening tool and is the gold standard for the early detection of breast cancer. The classification of breast masses into the benign and malignant categories is an important problem in the area of computer-aided diagnosis of breast cancer. A small dataset of 57 breast mass images, each with 22 features computed, was used in this investigation; the same dataset has been previously used in other studies. The extracted features relate to edge-sharpness, shape, and texture. The novelty of this paper is the adaptation and application of the classification technique called genetic programming (GP), which possesses feature selection implicitly. To refine the pool of features available to the GP classifier, we used feature-selection methods, including the introduction of three statistical measures—Student’s t test, Kolmogorov–Smirnov test, and Kullback–Leibler divergence. Both the training and test accuracies obtained were high: above 99.5% for training and typically above 98% for test experiments. A leave-one-out experiment showed 97.3% success in the classification of benign masses and 95.0% success in the classification of malignant tumors. A shape feature known as fractional concavity was found to be the most important among those tested, since it was automatically selected by the GP classifier in almost every experiment.