论文部分内容阅读
乳腺癌是一种常见的恶性肿瘤之一,是导致妇女死亡率上升的重要原因,早发现、早治疗是降低乳腺癌死亡率的关键。目前,钼靶X射线检测被公认为最主要、最有效的检测手段,乳腺图像中的微钙化簇是乳腺癌的一个主要征象,在乳腺癌的早期诊断中占有特别重要的地位。然而,图像中的信息只有3%能为人眼所见,即使经验丰富的医生也很难及时发现图像中早期乳腺癌的微钙化簇,以致延误病人的最佳治疗时机。随着计算机技术的飞速发展,乳腺X线图像的计算机辅助检测成为乳腺癌早期诊断的研究热点。为了有效的检测出乳腺图像中的微钙化簇,更好地辅助医生发现早期乳腺癌,本文针对微钙化簇检测问题进行了深入的研究。首先,为了有效的提取乳腺图像中的感兴趣区域(Region of Interest,ROI),本文提出了一种基于独立分量分析(Independent Component Analysis,ICA)和支持向量机(Support Vector Machine,SVM)的感兴趣区域自动提取新方法,首先提取微钙化簇的特征,在此基础上训练SVM分类器对待识别图像进行模式分类。该方法不仅简单有效,而且具有较高的智能性,为感兴趣区域的自动提取提供了新的研究思路;其次,为了进一步提高检测的速度和精度,本文提出了基于子空间学习和SVM的微钙化簇检测算法,采用子空间学习提取图像的判别特征,然后利用特征矢量训练SVM分类器进行模式分类。最后,由于子空间学习容易受到数据噪声的影响,使检测性能具有不稳定性,为了克服单个子空间的局限性,本文提出了基于选择性支持向量机集成的微钙化簇检测算法,该方法与传统集成方法相比,选择性集成的检测方法能有效降低分类器的规模,提高集成分类器的泛化能力。综上所述,本文利用子空间学习、支持向量机以及集成学习等机器学习领域的方法,实验结果表明,所提出的方法具有良好的实用性和鲁棒性,能够有效地检测出乳腺图像中的感兴趣区域以及其中的微钙化簇,并降低了假阳性率,为乳腺癌计算机辅助检测的研究提供了新方法。