乳腺癌是目前世界上发病率和死亡率较高的疾病,严重威胁人类的健康。早期诊断,早期治疗是提高乳腺癌患者生存率的主要手段。目前,乳腺癌诊断的主要方法是通过X光图像、CT、核磁共振图像等技术,依靠专家通过肉眼对图像进行识别。在这种方式下,由于缺乏有效的辅助技术手段提高诊断率,使得误诊、漏诊率较高,尤其对于乳腺癌早期患者,使她们错失了最佳治疗期。随着计算机辅助医学技术的发展,计算机被广泛的应用于辅助医疗诊断中。本文从数据挖掘的角度,着重研究了小波理论、粗糙集理论、人工神经网络理论等,以及在医学图像领域应用的关键技术和主要算法。提出改进的小波神经网络分类算法,并将其应用于医学图像的乳腺癌诊断中。主要研究工作如下:1.提出了改进的小波神经网络算法本文提出了改进的小波神经网络(Improved Wavelet Neural Network, IWNN),充分利用小波变换的特性,通过尺度伸缩和平移对图像信号进行多尺度分析,能有效提取信号的局部信息;而神经网络具有自学习、自适应和容错性等特点,是一类通用函数逼近器。因此改进的小波神经网络具有更强的逼近、容错能力。通用新的数学方法研究精确度高;分辨错误率低的数据挖掘新算法,以期在提高算法效率的基础上提高图像挖掘效果。2.将改进的小波神经网络分类器在医学图像挖掘中的应用为了提高医学图像分类器的分类性能,本文将改进的小波神经网络分类算法,应用于医学图像数据挖掘中,此分类器具有逼近能力强、收敛速度快等特点。通过在乳腺X光图像MIAS数据集上的实验结果表明,提高了人工神经网络分类器的收敛速度和分类精度,同时平均错误的分辨率接近90%。3.提出了基于粗糙集的小波神经网络算法为了降低神经网络分类器的训练时间,同时进一步提高其分类性能,本文提出基于粗糙集的小波神经网络分类器的算法设计。旨在探索如何利用粗糙集理论中的信息增益约简原理,优化特征属性,从而降低训练神经网络所需要的时间,同时可以避免单独使用粗糙集分类的过度约简问题。该分类器在乳腺X光图像MIAS数据集上,与后向传播神经网络分类器和小波神经网络分类器比较,基于粗糙集的小波神经网络分类器具有更好的分类性能,同时也大大降低了训练时间,提高了诊断的正确率。