基于混合智能分类方法的微钙化簇检测系统

乳腺癌的早期症状检测,可在患病妇女的乳腺X光片中找到微钙化簇,但那些小尺寸低对比度的微钙化簇容易被忽略或被医生误诊.对此,提出一种用于混合智能分类方法判断乳腺X光片中微钙化点的计算机辅助诊断系统,以帮助放射科医生分析乳腺X光片并作出诊断决定,帮助增加真阳性的检出率和减少假阳性的诊断.该系统主要包括三个模块:预处理和分割;感兴趣区(ROI)的说明;特征提取和分类.诊断结果通过ROC曲线的性能来体现,并且根据ROC曲线下方的面积(即AZ)来量化.     

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。     

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%。     

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...     

不同类型特征对神经网络分类结果的影响

目前一般的乳腺X光片计算机辅助诊断系统经常采用神经网络来进行分类。分类过程中特征的提取极为重要,因为这关系到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。文章采用神经网络对14个基本的灰度特征、4个BI-RADS特征、病人年龄特征进行训练和测试,研究这些特征对分类结果的影响。试验结果显示,联合使用14个灰度特征和4个BI-RADS特征可以改进肿块异常的分类率。     

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。     

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。     

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。     

基于加权变异免疫算法的微钙化点特征选择*

给出了一种乳腺X线照片微钙化点的特征选择方法,该方法运用基于加权变异算子的免疫算法进行特征优选。加权变异算子能够动态调整抗体各部位的变异率,在高亲和力抗体的邻近小范围搜索,在低亲和力抗体的周围跳跃式搜索;为了与支持向量机的分类准则保持一致性,该免疫算法在特征空间中通过核函数计算亲和力。实验使用该方法对微钙化点的20种常用特征进行选择,其结果与经验特征集基本相符但更精简,提高了计算效率,是一种可行的特征选择方法。     

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.     

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。     

基于小波与统计学的乳腺微钙化点检测方法

提出了一种基于小波与统计学检测乳腺X线片中微钙化点的新方法。首先对数字化X片进行小波分解。为了提高图像的对比度，采用了多尺度自适应增益的图像增强方法。然后对增强后的图像细节分量运用统计学中的偏度和峰度来选取感兴趣区。最后利用箱线图极端值检测法确定微钙化点的位置。采用本文的方法对实际的数字化乳腺X片进行实验，结果表明该方法具有图像增强效果明显和钙化点定位准确等特点。     

融合空间相关性特征的乳腺组织病理全切片分类

目的 病理学检查是明确乳腺癌诊断及肿瘤类型的金标准。深度神经网络广泛应用于乳腺病理全切片的诊断工作并取得了明显进展,但是现有大多数工作只是将全切片切割成小图像块,对每个图像块进行单独处理,没有考虑它们之间的空间信息。为此,提出了一种融合空间相关性特征的乳腺组织病理全切片分类方法。方法 首先基于卷积神经网络对病理图像块进行预测,并提取每个图像块有代表性的深层特征,然后利用特征融合将图像块及其周围图像的特征进行聚合,以形成具有空间相关性的块描述符,最后将全切片图像中最可疑的块描述符传递给循环神经网络,以预测最终的全切片级别的分类。结果 本文构建了一个经过详细标注的乳腺病理全切片数据集,并在此数据集上进行良性/恶性二分类实验。在自建的数据集中与3种全切片分类方法进行了比较。结果表明,本文方法的分类精度达到96.3%,比未考虑空间相关性的方法高出了1.9%,与基于热力图特征和基于空间性和随机森林的方法相比,分类精度分别高出8.8%和1.3%。结论 本文提出的乳腺组织病理全切片识别方法将空间相关性特征融合和RNN分类集成到一个统一模型,有助于提高图像识别准确率,为病理图像诊断工作提供了高效的辅助...     

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NSCT的乳腺图像分类方法

乳腺癌是女性最为常见的一种癌症。虽然随着医疗的发展,乳腺癌的诊断和治疗技术都有所提高,但是由于不能在乳腺癌早期及时做出诊断,导致乳腺癌的死亡率依然很高。针对此现象,对基于非下采样轮廓变换法(nonsubsampled contourlet transform,NSCT)的乳腺X线图像的分类方法进行了研究。该方法首先对乳腺X线图像的感兴趣区域(region of interest,ROI)进行多分辨的NSCT分解,然后用泽尼克矩(Z-Moments)对NSCT分解后的图像进行特征提取;其次对每一个感兴趣区域所提取的特征形成的矩阵进行奇异值分解(singular value decomposition,SVD),以提取重要的可以概括全局的特征。该方法组合了纹理和形状特征,使用支持向量机(support vector machines,SVM)分类算法将乳腺X线图像分类为正常、良性和恶性,实现了乳腺病变的检测和分类。通过实验可以看出,该方法的准确率达到了96.76%,并且训练时间大大减少,与其他目前最先进的方法相比,在准确率和时间效率上都取得了显著的成效。     

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。