基于神经网络和SVM的微钙化簇分类方法

乳腺X光片中的微钙化簇检测和分类是乳腺癌诊断过程中非常重要的步骤。文章提出了一种用于数字化乳腺X光片中微钙化簇的良恶性判断的计算机自动检测方法。检测通过三个步骤实现:团簇检测、特征提取、分类。在分类阶段,使用基于规则的系统对原始的特征集增强,利用人工神经网络和支持向量机分类技术,分类结果使用ROC曲线来评价。试验结果表明,SVM算法的分类性能高于神经网络分类方法,其中增强后的特征集只对神经网络分类方法起作用。     

基于K-L变换和神经网络分类的微钙化点检测新方法

目前一般的乳腺X光片微钙化点检测系统大致都包括:图像预处理和分割;病理图像的特征提取和分类;辅助诊断和分析等几个步骤,其中神经网络经常用于特征提取和分类阶段。为了提高神经网络的分类能力,需要采用最具代表性的特征作为分类系统的输入部分,而且采用的特征数目要有利于最有效的特征提取,否则会使分类的效率大打折扣。所以分类系统一个重要的任务是对神经网络的输入样本集进行训练和特征值的优化,本文采用K-L变换用于降低输入特征向量的维数,从而达到参数优化的目的。试验表明,该方法可以有效地提高系统的灵敏度,降低诊断的假阳性。     

乳腺X线图像计算机辅助诊断技术综述

近年来,乳腺癌严重威胁全球女性的身体健康,乳腺X线摄影是乳腺癌筛查的有效影像检查手段.乳腺X线图像计算机辅助诊断(computer aided diagnosis,CAD)运用计算机视觉、图像处理、机器学习等人工智能先进技术,自动分析处理乳腺X线图像,可为医生在临床中提供重要的诊断参考.主要面向肿块和微钙化病变检测、分...     

结合深度学习与特征多尺度融合的微钙化簇检测

为了准确识别X线图像中的微钙化簇以进行乳腺癌的辅助诊断与早期预防,结合细粒度级联增强网络(FCE-Net)与多尺度特征融合算法(MFF),提出微钙化簇目标检测方法.首先构建FCE-Net累加卷积模块层级权重,并增强多分支结构,得到细粒度卷积特征图.然后构建MFF候选检测网络,通过二倍上采样融合多尺度特征,得到目标置信度和区域坐标.最后在感兴趣区域池化层分类目标并调整边界框.在MIAS数据集上实验表明,结合FCE-Net与MFF可以提升微小目标的深层特征提取能力,同时增强目标分类与定位的准确度.     

基于支持向量机的乳腺钙化点检测算法

针对乳腺X线图像微钙化点检测假阳性高的问题,提出一种微钙化点检测算法.算法首先以小波与Top-hat算子相结合的方法进行钙化点粗检测,然后以支持向量机(SVM:Support Vector Machine)为工具对粗检测结果进行真钙化点与假钙化点分类.对开放乳腺图像数据库MIAS的仿真实验表明,算法的检出率超过98%,错检率不足4%,达到理想的检测效果.     

致密组织图像的图像增强算法

近年来乳腺癌有年轻化的趋势,年轻妇女的乳腺组织结构以致密组织为主,由于致密组织在乳腺X光片中也呈现出高亮度,所以致密组织很容易被误解为微钙化。文章主要针对这些图像,提出一种新的图像增强算法。试验证明,该算法可以改进CAD系统性能,并能更好地在致密乳腺组织图像中检测微钙化点。     

乳腺X线影像钙化病灶检索技术研究

为帮助医生进行乳腺X影像辅助诊断。针对乳腺X影像微钙化簇相似病灶检索问题,在分别研究单一特征和利用单距离相似性度量的特征融合的检索算法的基础上,提出一种 基于多距离特征融合和相关反馈的乳腺X线影像钙化病灶检索方法,该方法针对不同特征采用多距离度量方法计算相似性,并结合用户的反馈信息动态调整各个特征分量的权值来完 成查询。实验建立在由250幅包含微钙化簇的乳腺X线影像构成的数据库基础上,通过单一特征,特征融合及相关反馈图像检索的查准率-查全率（PVR）曲线验证该方法的检索性能 。实验结果表明,该方法比传统的基于单一特征检索方法以及运用单一距离度量的基于特征融合的检索方法有更好的检索效果。     

基于深度学习乳腺X线摄影钙化识别分类模型的临床应用价值

【目的】引入基于深度学习乳腺X线摄影钙化识别及分类模型,探讨深度学习技术对钙化灶的准确识别、分类和临床应用价值。【方法】采用多中心乳腺X线检查数据,分别由高-初级诊断医生及两名初级诊断医生采用不结合及结合深度学习模型进行病灶评估,评价其诊断效能。【结果】引入深度学习模型识别钙化灶能力与高-初级诊断医生及两名初级诊断医生识别钙化灶能力相仿（漏检率分别为0.81%vs.0.65%,1.14%vs.1.63%,P>0.05）,深度学习模型能够有效帮助高-初级诊断医生(灵敏度0.926,AUC0.81,P=0.014)及两名初级诊断医生（灵敏度0.896,AUC0.79,P=0.049）检出可疑恶性钙化灶,特别是在良性病变中的准确率提升作用明显。【局限】仍需更多前瞻性多中心数据验证模型稳健性,也需引入不同深度学习模型比较其临床应用价值。【结论】深度学习模型有助于乳腺X线摄影钙化识别及分类评估,有助于乳腺癌大规模筛查背景下提供辅助诊断及临床策略支持。     

基于先验模型和区域生长的乳腺图像钙化点检测

早期乳腺癌的一个重要特征就是钙化点,快速准确地找出乳腺图像中的钙化点是成功诊断的第一步。提出了一种先验模板和区域生长的钙化点快速检测方法。根据钙化点检测的临床经验,选用一直径为0.5mm的模板找出乳腺图像中的局部峰值点。以这些峰值点为初始种子点,进行区域生长;计算每个区域的面积、平均灰度、对比度,保留满足钙化点特征的区域。根据先验知识,对生长获得的钙化点是否成簇进行判别,保留成簇的微钙化点。实验表明,该算法实现了乳腺图像中钙化点的快速自动检测,提高了医生诊断的正确性。     

乳腺X线影像预处理新方法

基于传统乳腺X线影像的计算机辅助检测微小钙化点已经成为乳癌早期诊断的研究热点。但由于乳腺钙化点自身特点,准确地检测出钙化点在时间和精确度上还是一个挑战。本文中,我们提出一种寻找钙化ROI的新方法。在南京中大医院乳腺癌数据集上的所得的实验结果为,可以去除92.1761%的没病变区域,一张图的处理时间为15.32秒。     

基于LVQ神经网络的微钙化分类方法

提出了一个基于自适应的学习矢量量化神经网络（LVQ）的乳腺肿瘤良恶性分类方法,在提取特征向量的基础上,对CC和MLO两种视图的良性和恶性数字化乳腺X光片图像进行训练和测试,并使用最佳分类率和平均分类率来分析分类结果。实验结果表明该方法对CC视图的图像的平均测试分类率为92.6%,而对MLO视图是93.18%。在微钙化分类系统中采用逻辑＂或＂的方式合并两种不同视图下的网络,可以获得的最佳分类性能是94.8%。     

一种新颖的乳腺X线影像中钙化点检测方法

乳腺癌是妇女常见恶性肿瘤之一,早期诊断和早期治疗是降低乳腺癌患者死亡率的关键。微钙化是乳腺癌早期的一个重要标志,因此,快速准确地找出乳腺X光片中的钙化点成为成功诊断的第一步。现有多种方法能用于检测钙化点并各有优缺点,其中典型的高斯-拉普拉斯算子（LOG）是有效方法之一,尽管其能较精确地检出钙化点的位置但检测效率低。级联形态学滤波算子的LOG改进了LOG的效率,但仍无法满足大规模普查的高效率要求。通过提出一维和二维LOG相级联的方法来实现高效实时的钙化点的检测,并通过实验证实了所提检测方法的有效性。     

Top-hat与SVM在乳腺微钙化点检测中的应用

乳腺X线图像中微钙化点的检测对于乳腺癌的早期诊断非常有意义,然而目前常用的钙化点检测方法普遍存在假阳性高的缺点。采用小波与Top-hat算子相结合的方法对乳腺图像进行钙化点粗检测,并在此基础上,用SVM对钙化点粗检结果进一步甄别,去假存真。这样做可以在基本不降低真阳性率的情况下,大大降低假阳性率。仿真实验证明,该方法的钙化点检出率达到98.46%,错检率仅为3.597%,说明该方法能够有效地从复杂背景中提取出微钙化点。     

基于主动支持向量机的乳腺癌微钙化簇检测

乳腺微钙化簇是早期乳腺癌的重要征象,计算机辅助的微钙化簇检测是医学影像领域的难题。为了提高检测系统的准确率,往往需要大量病灶标记,除了搜集样本本身的难度外,还需花费专家的大量时间。目前的研究工作很少涉及这个问题的解决方法。首次将基于主动学习的支持向量机技术应用到该领域,针对钙化簇感兴趣区域的特点,提出了选择训练集合的样本应该满足的基本条件。标准数据库上的实验证明,提出的方法能够大量地减轻样本标记的工作,并使乳腺癌微钙化簇检测系统的分类性能基本不变。     

一种基于二维粒子的自动检测乳腺钼靶片上微钙化点簇的方法

乳腺钼靶片上的微钙化点簇是早期乳腺癌的重要信号,目前,无论是采用人工阅片或是计算机辅助诊断系统都很难对微钙化点簇进行可靠的检测.提出了一种基于二维粒子的自动检测乳腺钼靶片上微钙化点簇的方法,以二维粒子为单位进行可疑区域的提取和微钙化点的判别,很好地克服了传统的基于像素级别的检测方法容易受到干扰和基于数学形态学的检测方法很难确定合适结构元素的问题.提出的快速多元分割算法克服了基于经典Fast Marching的多元分割算法在乳腺钼靶片上进行二维粒子分割时运算时间过长的问题,显著提高了二维粒子的分割速度.在DDSM数据库上的实验结果表明,新的检测方法具有比较满意的检测精度和处理速度.     

基于可拒识-双层支持向量分类器的微钙化点检测

为克服医学图像微钙化点检测中假阳性高的缺点,构造了一种带拒识能力的双层支持向量模型分类器,用于钙化点检测.检测时,首先利用基于最大间隔超平面的支持向量分类器（SVC）对输入模式进行分类判决;然后通过求取真实钙化点样本特征空间最小的包含球形边界来得到钙化点样本的球形支持向量域表示（SVDD）;接着利用钙化点的支持向量域表示对输入模式进行拒识或接受处理;最后利用SVC与SVDD两个分类器的结果来进行综合判决.仿真实验结果表明,该算法在不影响微钙化点的检出率的情况下,可部分解决假阳性高的问题.     

基于乳腺X线摄影的肿块检测综述

早期筛查和及时治疗是控制乳腺癌死亡率最为有效的方法.乳腺X线摄影检查作为医学界公认的最有效的早期乳腺癌筛检工具, 可以很好地反映出乳腺存在的异常情况.在临床应用中, 乳腺癌的X线摄影直接征象为钙化和肿块, 对乳腺X线摄影中钙化点的检测技术已经相当的成熟, 但对肿块区域的检测和分类依旧是一项具有挑战性的任务. 因此, 本文对近几年提出的基于全乳腺X线摄影的肿块检测方法进行简要综述, 分别从基于传统的乳腺肿块检测与分割方法和基于深度学习的乳腺肿块检测方法进行介绍, 并讨论了乳腺X线摄影中肿块检测未来研究的发展趋势.     

基于迁移学习的多视角乳腺肿块和钙化簇分类方法

针对乳腺肿块和钙化簇分类任务中可用训练数据量较少的问题,结合乳腺钼靶图成像特点提出了一种基于二次迁移学习的多视角模型。首先,使用CBIS-DDSM制作乳腺局部组织切片数据集来预训练主干网络,完成主干网络的领域适应性学习,使之具备基本的病理特征捕捉能力;随后,把主干网络二次迁移到多视角网络中,在绵阳市中心医院数据集上进行微调,同时利用CBIS-DDSM增加训练的正样本数量以提升网络的泛化能力。实验结果表明,领域适应性学习和数据扩充策略平均提升了17%性能指标,取得了94%和90%的肿块和钙化簇曲线下面积(AUC)值。     

乳腺X射线数字影像中钙化点感兴趣区域提取方法

为乳腺X射线影像计算机辅助诊断做前期预处理,研究了乳腺图像处理中钙化点感兴趣区域提取的问题。在对乳腺X射线图像进行基本的背景分割后,首先运用改进的区域扩张法实现了对乳腺图像中乳腺区域的提取,然后对乳腺区域部分采用改进的反锐化掩模法进行图像增强,突出钙化点区域,再根据含钙化点的特征选取合适的阈值提取出可能含有钙化点的感兴趣区域（ROI）。试验表明,该方法可完成对乳腺影像的ROI提取处理,有助于提高乳腺疾病诊断的准确率。     

新型冠状病毒肺炎(COVID-19)医学影像AI诊断研究进展

2020年3月,世界卫生组织（World Health Organization,WHO）宣布新型冠状病毒肺炎（corona virus disease 2019,COVID-19）为世界大流行病,疫情的爆发给世界各地医疗系统带来巨大压力。现有的COVID-19诊断标准是核酸检测阳性,然而核酸检测假阴性率高达17%~25.5%,为避免漏诊,需要采用基于影像学的AI诊断方法筛查大量疑似病例,扼制疾病传播。本综述将回顾疫情爆发数月以来,基于医学影像的新冠肺炎AI辅助诊断的研究成果。首先介绍CT（computed tomography）和X光片的优缺点,以及COVID-19的放射学特征,然后对数据准备、图像分割和分类识别等AI诊断的关键步骤分别进行阐述,最后介绍COVID-19的跟踪和预后（预先对疾病后续发展过程及结果的判断和估计）。本文还整理了部分公开的COVID-19相关数据集,并对数据标注不足的问题提供了弱监督学习和迁移学习等解决方案。实验验证,AI系统诊断COVID-19的敏感性达到97.4%,特异性达到92.2%,优于放射科医生的诊断结果。其中表现尤为突出的是基于语义分割网络检测COVID-19感染区域,由此可以定量分析感染率。AI系统可以辅助医生诊断和治疗COVID-19,提高放射科医生阅读X光片和CT的效率。