基于注意力机制与迁移学习的乳腺钼靶肿块分类

针对乳腺钼靶图像中良恶性肿块难以诊断的问题,提出一种基于注意力机制与迁移学习的乳腺钼靶肿块分类方法,并用于医学影像中乳腺钼靶肿块的良恶性分类.首先,构建一种新的网络模型,该模型将注意力机制CBAM(Convolutional Block Attention Module)与残差网络ResNet50相结合,用于提高网络对...     

SVM算法及其在乳腺X片微钙化点 自动检测中的应用

支持矢量机(SVM)是一种新的统计学习方法,其学习原则是使结构风险最小,而非经典学习方法所遵循经验风险最小原则.这使得SVM具有更强的泛化能力.并且,由于SVM求解的是凸二次优化问题,使之能保证所找到的极值解就是全局最优解.本文首次将SVM算法用于乳腺X影像微钙化点自动检测中,对临床实际病例的试用结果表明,同目前常用的基于经验风险最小的人工神经网络(ANN)分类方法相比,SVM具有更高的识别率,值得应用推广.     

改进标记分水岭的乳腺X线图像肿块检测方法

乳腺X线图像肿块大小不一,固定参数的传统标记分水岭算法无法实现乳腺X线图像肿块的有效检测。针对此问题,文中提出了一种结合形状特征和改进型标记分水岭的乳腺X线图像肿块检测方法。在计算前景标记时,结合标记的形状特征判定前景标记,通过对前景标记进行形态学膨胀并提取边缘以获得背景标记,利用改进型自适应参数标记分水岭算法实现肿块检测。实验结果表明,文中算法通过结合形状特征,自适应地选择合适的形态学参数,使得肿块检测准确率高于传统标记分水岭算法。     

Mammogram Enhancement Using Lifting Dyadic Wavelet Transform and Normalized Tsallis Entropy

In this paper, we present a new technique for mammogram enhancement using fast dyadic wavelet transform （FDyWT） based on lifted spline dyadic wavelets and normalized Tsallis entropy. First, a mammogram image is decom- posed into a multiscale hierarchy of low-subband and high-subband images using FDyWT. Then noise is suppressed using normalized Tsallis entropy of the local variance of the modulus of oriented high-subband images. After that, the wavelet coefficients of high-subbands are modified using a non-linear operator and finally the low-subband image at the first scale is modified with power law transformation to suppress background. Though FDyWT is shift-invariant and has better poten- tial for detecting singularities like edges, its performance depends on the choice of dyadic wavclcts. On the other hand, the nulnber of vanishing moments is an important characteristic of dyadic wavelets for singularity analysis because it provides an upper bound measurement for singularity characterization. Using lifting dyadic schemes, we construct lifted spline dyadic wavelets of different degrees with increased number of vanishing moments. We also examine the effect of these wavelets on mammogram enhancement. The method is tested on mammogram images, taken from MIAS （Mammographic Image Analysis Society） database, having various background tissue types and containing different abnormalities. The comparison with tile state-of-the-art contrast enhancement methods reveals that the proposed method performs better and the difference is statistically significant.     

基于深度语义模型的乳腺X线图像检索

图像特征是基于内容的图像检索（Content-based image retrieval,CBIR）的关键,大部分使用的手工特征难以有效地表示乳腺肿块的特征,底层特征与高层语义之间存在语义鸿沟。为了提高CBIR的检索性能,本文采用深度学习来提取图像的高层语义特征。由于乳腺X线图像的深度卷积特征在空间和特征维度上存在一定的冗余和噪声,本文在词汇树和倒排文件的基础上,对深度特征的空间和语义进行优化,构建了两种不同的深度语义树。为了充分发挥深度卷积特征的识别能力,根据乳腺图像深度特征的局部特性对树节点的权重进行细化,提出了两种节点加权方法,得到了更好的检索结果。本文从乳腺X线图像数据库（Digital database for screening mammography, DDSM）中提取了2 200个感兴趣区域（Region of interest,ROIs）作为数据集,实验结果表明,该方法能够有效提高感兴趣肿块区域的检索精度和分类准确率,并且具有良好的可扩展性。     

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。     

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。     

基于Multi-Agent的乳腺钼靶图像肿块分类方法

钼靶摄影是目前使用最广泛的乳腺癌早期诊断技术,恶性肿块是钼靶图像中乳腺癌变的一种重要表现。本文提出了一种基于Multi-Agent(多智能体)的多分类器融合乳腺肿块分类方法。首先将单分类器的结果作为初状态输入到各Agent(智能体),接着通过引入决策共现矩阵,利用分类器之间的决策相关信息,在Agent之间进行信息交流,指导各个Agent向不同类别溯源,从而通过Agent之间的信息交互改变溯源概率,最终达到群体决策,得到决策类别。良性恶性肿块在形状和边缘上的差异较大,本文主要使用肿块的边缘特征和形状特征,并提出了两个新的边缘特征。实验采用了美国南佛罗里达大学的DDSM数据库作为实验数据,从中随机挑选了64个恶性肿块和64个良性肿块。实验结果表明,Multi-Agent融合算法的分类精度达94.87%优于传统的融合算法和经典的单分类器算法,其稳定性能也较融合算法及大多数单分类器的效果要好(略低于BP算法)。同时,实验结果也表明所提出的特征在表征肿块的良性恶性时起到了较好的作用。     

一种基于二叉树决策分类的乳腺肿块自动检测方法

乳腺癌是严重威胁女性健康的重要疾病,乳腺癌计算机辅助诊断能够提高乳腺普查的效率和精度。乳腺肿块的自动检测是实现乳腺癌计算机辅助诊断的重要一步。由于肿块和背景之间的对比度低,肿块大小、位置、灰度不确定等,肿块的准确检测非常困难。预处理、疑似区域分割、特征提取以及分类器设计是乳腺肿块分割的关键。本文对经过增强的乳腺X光图像采用一种自适应阈值方法分割出疑似区域,提取疑似区域表征乳腺肿块的面积、紧凑度、圆形度、灰度方差、灰度均值以及偏离度六种特征,最后利用二叉决策树把疑似区域分为两类:肿块和正常乳腺组织。利用50幅图像测试系统的性能,肿块的检测率(TP)为86.18%,且每幅图像的平均误检(FP)为1.18个。实验结果证明了本文提出方法的有效性。