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...     

基于纹理特征的超声图像乳腺肿块识别

针对乳腺超声图像，提出一种基于图像纹理特征提取的乳腺肿块识别方法，从而有助于使用计算机辅助鉴别的方法判断乳腺肿块是否发生癌变，辅助放射科医生对影像的性质作出预判。首先对乳腺超声图像进行最大响应滤波处理，在保证一定边缘组织结构完整的同时去除主要的噪声干扰。在此基础上，提取乳腺图像的一阶和二阶纹理特征，然后用人工神经网络对特征进行识别分类。在从医院拿到的真实数据集上验证本文方法的准确性，并分别从预处理、特征提取和分类方法3个方面与其他方法进行对比分析，结果表明，本文方法在降低算法复杂度的基础上提升了乳腺肿块的识别率。     

甲状腺、乳腺超声影像自动分析技术综述

超声诊断是甲状腺、乳腺癌首选影像学检查和术前评估方法.但良恶性结节的超声表现存在重叠,仍欠缺定量、稳定的分析手段,严重依赖操作者经验.近年基于计算机技术的医疗影像分析水平快速发展,超声影像分析取得了一系列里程碑性的突破,为医学提供有效的诊断决策支持.本文以甲状腺、乳腺两类超声影像为对象,梳理计算机视觉、图像识别技术在医学超声图像上的学术进展,以超声影像自动诊断涉及的一系列关键技术为主线,从图像预处理、病灶区定位及分割、特征提取和分类4方面对近年主流算法进行详尽的综述分析,从算法分析、数据和评估方法等方面做多维度梳理.最后讨论了具体面向这两种腺体的超声图像计算机分析存在的问题,并对此领域的研究趋势和发展方向进行展望.     

乳腺辅助诊断系统中可疑肿块分割方法研究

乳腺癌是女性最常见的恶性肿瘤之一,早发现早治疗是防治的关键。而计算机辅助诊断技术能够有效地对具有乳腺癌重要特征的可疑肿块进行分割、检测和分类,从而提高影像医生的诊断效率和准确率。综述了目前出现的一些较好的乳腺可疑肿块分割方法,对这些算法进行了深入的研究,对它们的优点和性能进行了对比和分析。最后展望了基于肿块分割方法可能提高精准度的一些途径。     

乳腺X线图像中致密区域肿块的检测算法

提出一种在乳腺X线图像中致密区域肿块的检测算法.该算法根据乳腺致密区域肿块内核灰度一致性的特点,利用小波多尺度分析特性,在小波域的高频子带进行疑似肿块区域的搜索和定位;再借由分形维数对图像灰度表面粗糙度刻画能力对可疑病灶区判别筛选:最终针对致密区域肿块与正常腺体界限模糊的特性采用结合模糊理论的区域生长算法提取出保持关键诊断信息的肿块病灶区域.实验表明,提出的算法在乳腺致密区域肿块自动定位、肿块病灶区域边缘形态刻画等方面较传统算法有较大改进,能为后续的计算机辅助诊断决策判决提供有效全面的分析数据.     

基于深度学习的乳腺X射线影像分类方法研究

X射线乳腺影像与自然图像相比,色彩较为单调,且乳腺肿块边缘模糊,良性肿块与恶性肿块纹理相似,区分度较小。基于卷积深度学习网络提出一种适用于X射线乳腺肿块影像分类的方法,主要贡献如下：（1）提出一种提取乳腺影像多个卷积粒度的特征图的方案,分别使用不同尺寸的卷积核来提取不同粒度的卷积特征图,获得更为丰富的乳腺影像特征;（2）将判别方法嵌入到优化模型中,即设计新的目标函数,对分类误差进行差异化放大,从而加大分类错误的惩罚力度,指导模型向着分类错误最小的方向演进。在公开的乳腺X射线影像数据集上进行训练,通过交叉验证,AUC达到0.712?9,优于最好的乳腺影像分类方法,具有较强的鲁棒性。     

血管内超声图像后处理综述

血管内超声显像是目前临床常用的诊断血管病变的介入影像手段,可在活体中观 察血管壁和管腔的形态,以及斑块的形态和成分。采用数字图像处理技术,对血管内超声图像 序列进行自动或半自动地处理和分析,对于血管病变的计算机辅助诊断和制定最佳诊疗方案具 有重要意义。本文就近年来血管内超声图像计算机后处理的研究现状进行综述,包括图像分割 和组织标定、运动伪影的抑制、血管的三维重建、血管形态和血流动力学参数的测量、组织定 征显像及与其他影像的融合等,评价了目前的研究情况,并对未来的研究提出了展望。     

乳腺病灶的多显著性检测方法

乳腺病灶自动检测对于后续计算机辅助诊断具有重要意义。融合背景先验、自适应中心先验以及频率先验等三种先验知识,提出一种多显著性检测方案实现超声影像中的乳腺病灶检测。该方案包含图像预处理、显著性检测和显著性优化等三个步骤。为了提高检测准确率,提出了一种基于经验累积分布函数的自适应阈值分割方法和一种改进的自适应中心先验检测方法。实验结果证明,提出的多显著性检测方案精确率达92.50%,召回率达87.05%,F-measure值达91.18%,能够更好地检测乳腺超声病灶。     

基于TI-RADS的甲状腺结节超声图像特征提取技术研究

超声是甲状腺检查的首选影像学方法。甲状腺超声影像的临床分析主要通过医生参考甲状腺影像报告和数据系统(TI-RADS)对超声图像进行特征评价量化, 但特征量化结果与医生的经验、状态等主观因素相关。通过计算机辅助分析方法,可客观定量地分析超声影像特征,减少主观因素对诊断结果的影响。但已有系统多是使用经典的图像纹理特征,这类特征抽象且缺乏明确意义,难以在临床运用。通过对TI-RADS中涉及到的超声征象进行提取并量化, 利用医生在临床诊断中依据经验所使用的视觉特征,设计对应的量化方法,可为甲状腺超声的标准化描述提供基础。根据这些特征,通过统计学习方法建立甲状腺结节良恶性鉴别模型,为临床诊断提供参考建议,该模型的识别正确率达到了100%。     

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。     

乳腺MRI图像肿块分割的分段比较与方法研究

计算机辅助诊断通过对乳腺磁共振成像( MRI)中肿块区域的自动分割和测量为医生提供定量的诊断依据。对分割过程中不同阶段的多种算法进行实验对比,以此探索更具稳定性和准确性的分割方案：空间模糊C均值( sFCM)聚类算法在肿块的初始定位中具有抗噪声能力和稳定性强的优点,而GVF snake模型在精细分割中对局部轮廓具有较好的收敛性;结合两种算法,并运用MRI序列帧间灰度分布相似、肿块位置/形状相近的原理,最终提高整个序列的分割精度与稳定性。     

融合局部与全局特征的DCE-MRI乳腺肿瘤良恶分类

目的 基于计算机辅助诊断的乳腺肿瘤动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI）检测和分类存在着准确度低、缺乏可用数据集等问题。方法 针对这些问题,建立一个乳腺DCE-MRI影像数据集,并提出一种将面向局部特征学习的卷积神经网络（convolutional neural network, CNN）和全局特征学习的视觉Transformer(vision Transformer,ViT)方法相融合的局部—全局跨注意力融合网络（local global cross attention fusion network,LG-CAFN）,用于实现乳腺肿瘤DCE-MRI影像自动诊断,以提高乳腺癌的诊断准确率和效率。该网络采用跨注意力机制方法,将CNN分支提取出的图像局部特征和ViT分支提取出的图像全局特征进行有效融合,从而获得更具判别性的图像特征用于乳腺肿瘤DCE-MRI影像良恶性分类。结果 在乳腺癌DCE-MRI影像数据集上设置了两组包含不同种类的乳腺DCE-MRI序列实验,并与VGG16(Vis...     

基于对比度受限自适应直方图均衡的乳腺图像增强

采用对比度受限自适应直方图均衡对乳腺图像进行增强,有效地增强了乳腺图像中的细节,如钙化点、乳导管等组织;并通过对算法中相关参数研究,得到应用于乳腺图像增强的参数优选值,以求获得较好的增强效果,为医师分析影像提供方便。通过与灰度直方图均衡的结果进行比较得出：对比度受限自适应直方图均衡为乳腺数字图像增强的有效方法,在计算机辅助乳腺诊断方面有较高应用价值。     

3E—990智能医学图象诊断仪

3E-990智能医学图象诊断仪是红外光学与计算机图象处理分析技术和临床医学结合的高技术结晶。 3E-990通过红外透视获得高清晰度的人体软组织的热图象,可分析诊断人体软组织多种疾病的早期病变。特别是对妇女乳房的早期癌病变、乳腺增生、乳腺结核、乳腺囊肿等疾病有极高的鉴别率。可以查出人手触摸不到的微小肿块。     

基于MATLAB＿GUI的超声乳腺肿瘤图像分割平台设计

利用种子区域增长对超声乳腺肿瘤图像进行分割是一种常用的计算机辅助诊断方法。要实现快速分割,满足实时在线分割图像的需求,需要解决两个关键的步骤:种子点的自动快速定位和分割阈值的选择。本文在Matlab环境下开发了一个图形用户界面软件平台,为超声乳腺图像中病灶的分割提供一种客观、可重复、易使用的方法。对65幅超声乳腺肿瘤图像进行了实验验证,结果表明:该平台的分割图像效果和所用时间都比手动分割效率高,分割所用平均时间5.55秒。使用者通过滑块选择阈值来分割图像,而不必熟悉MATLAB程序来调整参数。     

双侧特征融合的乳腺肿块检测

乳腺癌是妇女最常见的恶性肿瘤之一,面向乳腺钼靶X线图像的计算机辅助肿块检测技术可以帮助影像科医师早期发现乳腺病变.针对于单侧的乳腺肿块检测中准确率有待提升的问题,提出双侧特征融合的乳腺肿块检测算法.首先,进行图像预处理,并利用相干点漂移完成乳腺轮廓配准;然后,利用配准得到的变换矩阵获得双侧乳腺感兴趣区域,再在其中提取左右侧乳腺的单侧特征向量和双侧对比特征向量,从而建立融合的特征模型,并采用遗传选择算法对特征向量进行特征选择;最后利用极限学习机基于选择后的特征进行乳腺肿块检测.实验结果表明,与传统的基于单侧的乳腺肿块检测算法相比,文中算法能有效地提高检测准确率.     

基于可变形模型提取肿瘤区域的方法研究

为了减少计算机分析乳腺肿瘤影像的数据量，提高肿瘤病灶计算机辅助探测和辅助诊断的精确度，降低假阳性和假阴性，乳腺肿瘤区域的提取是至关重要的。基于乳腺恶性肿瘤和有些良性乳腺瘤(如纤维性瘤)的边缘模糊不清和凹凸多变的特性，传统的边缘提取算子和阈值法分割乳腺肿瘤区域很困难，该文提出应用基于可变形模型的梯度矢量流的方法提取乳腺X光片肿瘤区域，用基于亥姆霍兹最小能量损耗原理的一种新的外部能量代替传统方法的外部能量，从而解决了传统方法的可变形轮廓线不能收敛于目标边缘凹陷处的问题，并取得了良好的效果，为进行乳腺X光片肿瘤区域的形状特征提取提供了前提。     

经典YOLO系列目标检测算法及其在乳腺癌检测中的应用

目前乳腺癌已取代肺癌成为年发病率最高的癌症, 基于深度学习的目标检测技术可对乳腺X线、乳腺超声和乳腺核磁共振等非侵入式成像进行自动病变检测, 已成为乳腺癌辅助诊断的首选途径. YOLO (you only look once)系列算法是基于深度学习的目标检测算法, 经典YOLO算法在速度和精准度具有优势, 被广泛应用于计算机视觉各领域, 最新YOLO算法是计算机视觉领域的SOTA (state of the art)模型, 如何利用YOLO系列算法提高乳腺癌检测速度和准确率, 已经成为研究者关注的焦点之一. 基于此, 本文介绍经典YOLO系列算法的原理, 梳理经典YOLO系列算法在乳腺癌图像检测中的应用现状, 并归纳总结现存问题, 同时对YOLO系列算法在乳腺癌检测的进一步应用进行展望.     

基于遗传算法和支持向量机的乳腺肿块识别

乳腺癌是中老年妇女的主要死因之一。为提高乳腺肿块识别性能,在对可疑肿块提取包括灰度、形态、纹理在内的多种特征的基础上,提出一种基于改进遗传算法和支持向量机的肿块识别方法。首先,将待选特征编码成二进制染色体,以支持向量机分类结果和被选特征的个数来构造个体适应度,然后通过遗传算法找到最优特征子集作为支持向量机的输入。在2267个病例数据上采用10折交叉验证法进行仿真对比实验。结果表明,所提出的方法对肿块识别具有较高的正确率,可为乳腺肿块的计算机辅助检测提供参考。     

基于语义贝叶斯网络的乳腺X线影像分级研究

针对乳腺X线诊断的不确定性和BI-RADS分级的广泛应用,提出将基于语义的贝叶斯网络应用于乳腺X线影像的BI-RADS分级.系统利用专家知识建立网络结构,机器学习确定网络参数.实验结果表明,针对包含缺失数据的100个病例样本,分级结果与资深乳腺放射医生相比较达到了87%的准确率.该模型直观地表达了乳腺X线图像的主要征象知识,为医生尤其是年轻医生提供了一个乳腺X线影像分级的客观参考.