基于Otsu多阈值和分水岭算法的乳腺肿块分割

在乳腺X线图像中,肿块大多埋没在复杂的、高密度的腺体背景中难以检出和识别.针对这一问题,提出了一种应用快速多阈值Otsu算法和改进的分水岭算法相结合的乳腺X图像肿块分割方法.首先对乳腺X图像进行形态学预处理,然后应用多阈值Otsu算法对图像进行处理,并对图像运用分水岭算法进行分割.为了避免过分割现象,对分割后的图像进行了相似区域合并.实验表明该方法对于乳腺X图像中各种类型的可疑肿块的分割都是有效的.     

乳腺X线图像肿块分割研究

乳腺癌是女性最常见的恶性肿瘤疾病。肿块是乳腺癌一个很重要的征象。首先描述乳腺癌的研究现状,接着介绍了乳腺X线图像库,然后从以下四类对乳腺钼靶X线图像中的肿块分割技术进行综述:基于阈值的分割技术、基于区域的分割技术、基于特定理论的分割技术和基于模型的分割技术,最后对乳腺X线图像中肿块分割的发展前景进行讨论。     

乳腺钼靶X线肿块检测及分割方法

乳腺癌临床中最常见的病理征象是可疑的钙化点及肿块,钙化点的检测技术已经相对成熟,而对肿块进行检测及分割仍是众多学者研究的热点。首先简要介绍了乳腺癌的研究意义、现状及常用的乳腺X线图像库;其次针对目前乳腺肿块的热点研究,重点综述了最新的常用于乳腺肿块检测及分割的方法,对这些方法进行归类,并给出不同方法的优缺点;最后总结并讨论了乳腺X线图像中肿块检测及分割的发展趋势。     

TransAS-UNet：融合Swin Transformer和UNet的乳腺癌区域分割

目的 乳腺癌在女性中是致病严重且发病率较高的疾病,早期乳腺癌症检测是全世界需要解决的重要难题。如今乳腺癌的诊断方法有临床检查、影像学检查和组织病理学检查。在影像学检查中常用的方式是X光、CT （computed tomography）、磁共振等,其中乳房X光片已用于检测早期癌症,然而从本地乳房X线照片中手动分割肿块是一项非常耗时且容易出错的任务。因此,需要一个集成的计算机辅助诊断（computer aided diagnosis,CAD）系统来帮助放射科医生进行自动和精确的乳房肿块识别。方法 基于深度学习图像分割框架,对比了不同图像分割模型,同时在UNet结构上采用了Swin架构来代替分割任务中的下采样和上采样过程,实现局部和全局特征的交互。利用Transformer来获取更多的全局信息和不同层次特征来取代短连接,实现多尺度特征融合,从而精准分割。在分割模型阶段也采用了Multi-Attention ResNet分类网络对癌症区域的等级识别,更好地对乳腺癌进行诊断医疗。结果 本文模型在乳腺癌X光数据集INbreast上实现肿块的准确分割,IoU （intersection over union）值达到95.58%,Dice系数为93.45%,与其他的分割模型相比提高了4%~6%,将得到的二值化分割图像进行四分类,Accuracy值达到95.24%。结论 本文提出的TransAS-UNet图像分割方法具有良好的性能和临床意义,该方法优于对比的二维图像医学分割方法。     

改进Xception模型的乳腺钼靶图像识别研究

乳腺X线摄影技术是早期发现乳腺癌的主要方法,但其结果很大程度上受放射科医师临床诊断经验的限制;基于卷积神经网络对乳腺钼靶图像自动分类的研究可以为放射科医师临床诊断提供意见,然而乳腺癌肿块边缘模糊且良恶性肿块特征差异较小,分类任务面临重重挑战;为了提高乳腺钼靶图像分类的准确率,提出一种基于Xception模型的改进优化算法,改进模型中的残差连接模块,并嵌入Squeeze-and-excitation（SE）注意力机制对模型进行优化;采用优化后的Xception模型并结合迁移学习算法进行乳腺钼靶图像特征提取,并优化全连接层网络进行图像分类,使用公开的乳腺癌图像数据库CBIS-DDSM进行实验,将乳腺钼靶图像自动分为良性和恶性;实验结果表明该方法可以有效提高模型的分类效果,准确率和AUC分别达到了97.46%和99.12%。     

基于边缘邻域的乳腺肿块特征提取算法

乳腺癌是一种严重威胁人类生命健康的疾病。只有早发现和早治疗才不会错过治疗的最佳时机。乳腺肿块是乳腺癌最主要、最常见的病灶特征,研究乳腺图像中肿块的特征提取,有利于辅助医生诊断,提高医生阅片的效率和正确率。本文针对以往的特征提取方法没有考虑图像的空间信息,造成分类准确率不高的问题,提出一种基于边缘邻域的特征提取算法,使图像特征包含肿块边缘邻域空间信息,其基本思想结合了主动轮廓模型和词袋模型,利用参数控制并确定边缘邻域,对邻域内的特征进行组合或者加权。在保证分类器模型不变的情况下,通过与以往的特征提取算法相比,验证了本算法在分类准确率上优于其他特征提取算法。     

基于免疫算法和水平集的乳腺肿块分割方法

给出了一种乳腺肿块的自动分割方法。首先,使用肿块局部高亮、灰度均匀等区域信息的免疫算法检测器快速检测出包含肿块的感兴趣区域(ROI),显著减少了ROI的非目标信息;检测器可自动设置C-V水平集的初始位置,对ROI进行精确分割,不仅减少了计算量和提高了肿块分割的自动化程度,还增强了目标和背景是同质的命题的真实性,提高了水平集分割算法的性能。实验结果表明,方法能自动、快速、准确的分割肿块(包括毛刺征等),使测得结果与诊断结果相符。     

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.     

乳腺肿块的自动检测研究

乳腺X线图像中肿块的检测对医生诊断乳腺癌有很好的辅助作用,可极大降低漏诊率和误诊率.目前已提出的支持向量机肿块检测方法可获得较高的准确率,但检测速度慢、效率低,不适于临床应用.为解决上述问题,提出自核相关向量机的肿块检测方法,可在训练时能自动学习核参数,并且使用了更加稀疏的模型,可极大提高肿块检测效率.上述方法在Mini-MIAS(Mammographic Image Analysis Society)乳腺图像库和北京大学人民医院乳腺中心乳腺图像集上进行验证,实验结果表明相比支持向量机的肿块检测方法,具有更高的准确率,同时极大提高了检测速度,而且对不同结构特性的乳腺具有更强的鲁棒性,更具有临床应用价值.     

超声乳腺肿瘤的全自动SVM检测与水平集分割算法

超声图像检测是当前乳腺癌诊断的主要辅助手段之一.为实现超声乳腺肿瘤的计算机自动辅助诊断,提出一种基于支持向量机(SVM)目标检测与水平集图像分割相结合的全自动肿瘤提取算法.首先提取超声图像训练集的分块特征来训练SVM分类器,对测试集图像进行检测得到可疑病灶区域;然后提取可疑区域边缘作为水平集的初始轮廓,使用加入Bhattacharyya距离项的Chan-Vese主动轮廓改进模型进行可疑病灶区域的轮廓演化,得到准确的轮廓;最后综合面积、位置、灰度、纹理等因素设计区域评价筛选准则,去除可疑病灶中的干扰区域,得到最终的肿瘤分割结果.在真实病例数据集上的测试结果表明,利用该算法在良恶性肿瘤检测分割中均有较好表现.     

Performance Analysis of Breast Cancer Detection Method Using ANFIS Classification Approach

Breast cancer is one of the deadly diseases prevailing in women. Earlier detection and diagnosis might prevent the death rate. Effective diagnosis of breast cancer remains a significant challenge, and early diagnosis is essential to avoid the most severe manifestations of the disease. The existing systems have computational complexity and classification accuracy problems over various breast cancer databases. In order to overcome the above-mentioned issues, this work introduces an efficient classification and segmentation process. Hence, there is a requirement for developing a fully automatic methodology for screening the cancer regions. This paper develops a fully automated method for breast cancer detection and segmentation utilizing Adaptive Neuro Fuzzy Inference System (ANFIS) classification technique. This proposed technique comprises preprocessing, feature extraction, classifications, and segmentation stages. Here, the wavelet-based enhancement method has been employed as the preprocessing method. The texture and statistical features have been extracted from the enhanced image. Then, the ANFIS classification algorithm is used to classify the mammogram image into normal, benign, and malignant cases. Then, morphological processing is performed on malignant mammogram images to segment cancer regions. Performance analysis and comparisons are made with conventional methods. The experimental result proves that the proposed ANFIS algorithm provides better classification performance in terms of higher accuracy than the existing algorithms.     

基于乳腺钼靶X线图像等值面特征的乳腺区域阈值分割算法

乳腺钼靶X线图像中乳腺区域的分割可以帮助对图像进行深入分析和处理,从而提高乳腺疾病的诊断准确率。提出一种能有效提取乳腺区域的算法。算法分析了乳腺钼靶X线图像等值面面积变化不连续的特征并将其用于分割阈值的精确计算。该算法使用基于扫描线的方法来获得含乳腺区域的连通区域,比种子填充法效率更高。为了获得更纯粹的乳腺区域,通过一些精细地处理对乳腺区域相连的未曝光图像边框作了剥离。实验结果表明算法在乳腺区域分割的精度和执行效率上都有更好的表现。     

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。     

Automated breast cancer detection and classification using ultrasound images: A survey

Breast cancer is the second leading cause of death for women all over the world. Since the cause of the disease remains unknown, early detection and diagnosis is the key for breast cancer control, and it can increase the success of treatment, save lives and reduce cost. Ultrasound imaging is one of the most frequently used diagnosis tools to detect and classify abnormalities of the breast. In order to eliminate the operator dependency and improve the diagnostic accuracy, computer-aided diagnosis (CAD) system is a valuable and beneficial means for breast cancer detection and classification. Generally, a CAD system consists of four stages: preprocessing, segmentation, feature extraction and selection, and classification. In this paper, the approaches used in these stages are summarized and their advantages and disadvantages are discussed. The performance evaluation of CAD system is investigated as well.     

基于多分类算法混合比较的乳腺癌预测

乳腺癌具备易于复发性和高死亡率等特点, 已成为女性癌症患者死亡的重要原因. 乳腺癌的早期诊断可增加癌 症治愈的可能性, 因此, 提高早期诊断的准确性尤为重要. 传统的早期诊断主要依靠人类经验, 通过分析临床或检查数 据来判断乳腺癌, 无法保证足够的准确性. 许多研究人员提出了各种机器学习方法, 以提高预测的准确性和效率. 但现 有的算法计算复杂性很高, 并且难以从多种算法中直接确定最适合的算法. 本文尝试了10种流行的分类算法, 比较了它 们之间的差异, 并应用了量子支持向量机来加速计算过程. 数值实验显示支持向量机和人工神经网络的预测效果最佳, 表明了多种分类算法混合比较的有效性     

乳腺超声肿瘤动态噪声指数及分割算法

目的 深度学习在各种语义分割任务中取得了优异的性能,但需要大量带有准确标注的训练样本。乳腺超声由于其成像特点,导致图像对比度和分辨率低、斑点噪声较高、组织间边界模糊等,这些问题导致精确标注十分困难。超声分割数据集中存在较多非准确的标注,这些数据即标注噪声。若训练集中包含一定量的噪声,将会极大地影响网络的分割准确度。为了解决该问题,提出了一种针对超声图像的动态噪声指数及分割算法,实现在乳腺超声数据包含噪声的情况下肿瘤区域的准确分割。方法 针对超声图像的噪声特点提出动态噪声指数（dynamic noise index,DNI）;在网络训练过程中实时更新DNI,并在每次迭代结束后计算整个训练集的DNI分布,进而实现对噪声数据的可检测;提出一个改进的损失函数以增强网络噪声检测性能,同时结合DNI降低噪声对训练反向传播的影响。最后本文将动态噪声指数和改进的损失函数联合形成一个噪声容忍框架,该框架可以应用于其他分割网络。结果 本文将噪声容忍框架和多种分割网络进行结合,并在两个数据集上进行实验。公开数据集的实验结果显示,增加噪声容忍框架的网络相比于原网络各指标提高了8%~12%。本文构建了一个包含1 805幅图像的乳腺超声肿瘤分割数据集,结合噪声容忍框架之后的网络各指标也取得了4%~7%的提升。结论 本文提出的动态噪声指数及分割算法针对不同噪声比例的训练数据集,对噪声均能有效地抑制,并取得稳定的分割性能。     

基于注意力机制的多尺度残差UNet实现乳腺癌灶分割

针对乳腺癌灶在磁共振成像(MRI)中呈现大小形状不一、边界模糊等特点,为避免误分割并提高分割精度,提出一种基于注意力机制的多尺度残差UNet分割算法.首先,利用多尺度残差单元替换UNet在下采样过程中的相邻两个卷积块以加强对形态大小差异的关注;接着,在上采样阶段使用跨层的注意力引导网络对重点区域的关注,避免造成对健康组...     

Computer aided detection system for micro calcifications in digital mammograms

Breast cancer continues to be a significant public health problem in the world. Early detection is the key for improving breast cancer prognosis. Mammogram breast X-ray is considered the most reliable method in early detection of breast cancer. However, it is difficult for radiologists to provide both accurate and uniform evaluation for the enormous mammograms generated in widespread screening. Micro calcification clusters (MCCs) and masses are the two most important signs for the breast cancer, and their automated detection is very valuable for early breast cancer diagnosis. The main objective is to discuss the computer-aided detection system that has been proposed to assist the radiologists in detecting the specific abnormalities and improving the diagnostic accuracy in making the diagnostic decisions by applying techniques splits into three-steps procedure beginning with enhancement by using Histogram equalization (HE) and Morphological Enhancement, followed by segmentation based on Otsu's threshold the region of interest for the identification of micro calcifications and mass lesions, and at last classification stage, which classify between normal and micro calcifications ‘patterns and then classify between benign and malignant micro calcifications. In classification stage; three methods were used, the voting K-Nearest Neighbor classifier (K-NN) with prediction accuracy of 73%, Support Vector Machine classifier (SVM) with prediction accuracy of 83%, and Artificial Neural Network classifier (ANN) with prediction accuracy of 77%.     

面向乳腺超声图像分割的混合监督双通道反馈U-Net

目的 基于超声图像的乳腺病灶分割是实现乳腺癌计算机辅助诊断和定量分析的基本预处理步骤。由于乳腺超声图像病灶边缘通常较为模糊,而且缺乏大量已标注的分割图像,增加了基于深度学习的乳腺超声图像分割难度。本文提出一种混合监督双通道反馈U-Net（hybrid supervised dual-channel feedback U-Net,HSDF-U-Net）算法,提升乳腺超声图像分割的准确性。方法 HSDF-U-Net通过融合自监督学习和有监督分割实现混合监督学习,并且进一步通过设计双通道反馈U-Net网络提升图像分割准确性。为了改善标记数据有限的问题,首先在自监督学习框架基础上结合标注分割图像中的标签信息,设计一种边缘恢复的辅助任务,以实现对病灶边缘表征能力更强的预训练模型,然后迁移至下游图像分割任务。为了提升模型在辅助边缘恢复任务和下游分割任务的表现,将循环机制引入经典的U-Net网络,通过将反馈的输出结果重新送入另一个通道,构成双通道编码器,然后解码输出更精确的分割结果。结果 在两个公开的乳腺超声图像分割数据集上评估HSDF-U-Net算法性能。HSDF-U-Net对Dataset B数据集中的图像进行分割获得敏感度为0.848 0、Dice为0.826 1、平均对称表面距离为5.81的结果,在Dataset BUSI（breast ultrasound images）数据集上获得敏感度为0.803 9、Dice为0.803 1、平均对称表面距离为6.44的结果。与多种典型的U-Net分割算法相比,上述结果均有提升。结论 本文所提HSDF-U-Net算法提升了乳腺超声图像中的病灶分割的精度,具备潜在的应用价值。     

并行多尺度特征融合的热层析图像分割算法

热层析技术应用于医学乳腺肿瘤检测具有重要的应用前景,但是医生在临床应用过程中,通过热层析图像诊断容易出现主观差异性误诊现象,为此,提出了一种智能化分割算法用于辅助诊断。然而,医学热层析图像由于目前数据量匮乏,且病灶区域占比小,依靠经典的分割模型,如FCN、U-Net容易出现分割不连续,边界细节分割不精细等问题。设计了一种基于并行多尺度特征融合的语义分割模型,模型通过并行的多分辨率特征子网之间反复的信息交换,在保证分割结果语义信息准确之外,还能有效地抓取病灶区域的细节特征。该方法在热层析医学图像数据集上取得了0.635?7的均交并比,相较于经典的U-Net分割网络,取得了5.14个百分点的提升,在肿块和血管等小目标区域的细节分割上有着更出色的表现。实验结果表明,该算法对热层析临床用于乳腺癌的辅助诊断具有现实意义。