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。     

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。     

基于解剖学特征的乳腺X线图像胸肌分割

提出了基于解剖学特征(纹理特征和形状特征)的乳腺X线图像胸肌区域分割方法. 融合边缘信息到谱聚类算法得到过分割图像. 根据区域的亮度分布和胸肌的三角形状特征,提出区域聚合算法, 从过分割图像中识别出胸肌边缘.该方法在322幅mini-MIAS (Mammographic image analysis society)乳腺图像和50幅北京大学人民医院乳腺中心乳腺图像上进行验证, 实验结果表明,该方法对不同大小、形状和亮度的胸肌分割具有较强的鲁棒性.     

基于注意力机制的乳腺X线摄影分类方法

环境的日益恶化导致癌症的发病率不断升高,2018年全球乳腺癌的发病率在所有癌症中已经位居首位。乳腺X线摄影价格实惠且易于操作,目前被认作是最好的乳腺癌筛查方法,也是早期发现乳腺癌最有效的方法。针对乳腺X线摄影不容易分辨、特征不明显等特点,提出了基于RNN+CNN的注意力记忆网络对其进行分类。注意力记忆网络包含注意力记忆模块和卷积残差模块。注意力记忆模块中,注意力模块提取乳腺X线摄影的特征,记忆模块在RNN网络加入注意力权重来模拟人对所提取关键信息的重点突出;卷积残差模块使用CNN对图像进行分类。该方法创新之处在于：提出注意力记忆网络用于乳腺X线摄影图像分类;所设计网络在RNN+CNN结构上引入注意力权重,提取图像关键信息以增强特征描述。在乳腺X线摄影INbreast数据集上的实验结果显示,注意力记忆网络的运行时间比预训练的Inceptionv2、ResNet50、VGG16网络少50%以上,同时达到更高的分类准确率。     

乳腺X线图像结构扭曲检测的研究

针对乳腺X线图像结构扭曲 （Architectural distortion,AD）检测假阳性率偏高的问题,提出了一种新的乳腺X线图像结构扭曲 检测方法相似度收敛指数（Similarity convergence index,SCI）方法.首先利用马氏距离比计算出毛刺的相似度,然后通过计算相似度加权的收敛指数增强放射状毛 刺,最后提取出收敛指数的局部最大值作为候选点,并对这些候选点进行分类,检测出结构扭曲. 该方法在Mini-MIAS （Mammographic Image Analysis Society）乳腺图像和北京大学人民医院乳腺中心乳腺图像上进行验证,实验结果表明,本文提出的方法有效降低了假阳 性率,同时适用于脂肪型乳腺X线图像和致密型乳腺X线图像.     

基于粗糙神经网络的医学图像分类新方法

由于乳腺X光图像的复杂性,直接从图像中看出肿瘤及其良、恶性质是比较困难的,因此建立高效的肿瘤自动诊断系统是非常必要的。文章将粗糙集理论中基于信息增益的约简方法和神经网络相结合,提出了粗糙神经网络算法RNN,将其应用于乳腺X光图像分类。实验结果表明,该方法的分类精确度可达到92.37%比单独使用神经网络方法的分类精确度(81.25%)要高,同时所花费的时间也明显减少。     

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。     

基于小波神经网络的医学图像分类方法

为了提高乳腺癌早期诊断的准确率,将小波理论与神经网络理论相结合提出改进的小波神经网络算法。将经过预处理的医学图像提取特征值,然后利用基于改进的小波神经网络算法的分类器对医学图像进行分类。通过实验表明此分类器具有较高的分类精度,是有效和可行的;与单独使用后向传播神经网络算法相比分类效果也得到了改善。     

结合视觉语义的乳腺X线图像检索

针对乳腺X线图像检索过程中底层特征不能有效表达高层语义,提出一种结合视觉语义的图像检索算法.引入图半监督学习框架提取查询图像的类别归属度,作为视觉语义;考虑类别分布的不平衡性,在语义提取过程中加入类标签正则化;设计结合视觉语义和底层特征的相似度度量准则.在乳腺X线分块图像数据库上的实验结果表明,该算法能够有效提取图像的视觉语义,性能优于基于单一底层特征的检索算法.     

多视角乳腺X线图像匹配方法综述

乳腺X线摄影术是目前乳腺疾病的主要检查方式之一,采用图像处理与模式识别的方法对乳腺X线图像进行分析,可以辅助医生发现漏检的病变,识别出假阳性组织,有效降低漏诊率和误诊率。基于图像处理的方法应模拟医生阅片机制,因而基于多视角的乳腺癌检测与分类方法更加适合临床的要求。多视角乳腺癌检测的基础是确定不同视角图像间的匹配关系,本文较为全面地讨论了乳腺X线图像多视角匹配方法。首先对现有乳头检测和胸肌分割方法进行回顾,并对比分析了不同方法之间的优缺点;然后讨论了现有双视角匹配以及双边匹配方法;最后对现有匹配方法存在的问题进行分析,并提出了改善措施。      

基于数据挖掘的运动员体能测试数据分析

数据挖掘就是利用机器学习的方法从大量数据中提取有价值知识的过程。该文以运动员体能测试数据为分析对象,采用关联规则技术分析测试项之间的关联,并进一步优化体能测试指标。把基于体能数据对运动员的综合评价问题转化为分类问题,设计基于BP学习算法的分层网络,有效地解决运动员体能状态评价。     

基于分色的色彩检索方法应用研究

图像是视觉系统的基础,色彩是人眼视觉中的重要图像内容,同时也是人的视觉系统在图像识别、图像理解中用于区分图像的基本特征。在分析了常规检索方式的基础上,提供了基于图元色彩特征的图元检索方法。     

基于云仿真环境数据挖掘的服务分类方法

服务分类已成为影响服务发现和服务组合优化性能与效率的重要因素,为了有效实现Web服务分类,提出了一种云仿真环境的服务分类方法,采用三种服务特征向量提取方式,获取服务语法和语义的服务特征向量集,并在五种经典分类算法上训练特征向量集,生成最优的服务分类模型.仿真云模型环境服务的随机分布,由最优服务分类模型判定云平台中的服务类别.改进方法在1007个标准OWL-S描述的语义Web服务中进行了实验.实验结果表明,以综合服务特征提取方式,利用SVM分类算法训练的服务分类模型优于其它服务分类器.     

一种新兴的数据挖掘方法:神经规则法

该文详细阐述了一种新兴的数据挖掘方法——神经规则法。文中先后介绍了神经网络的训练、神经网络的剪枝以及神经规则的提取。最后用一个实例具体解释了使用该方法来挖掘分类规则的过程。     

基于神经网络的丙酮产品质量分类挖掘

针对丙酮精制过程的特点,提出一种基于神经网络的丙酮产品质最分类挖掘方法。首先,讨论了数据挖掘中自变量筛选的方法,包括相关性分析、Fisher指数分析、主成分回归分析以及偏最小二乘回归分析等,综合各种疗法分析的结果,对丙酮精制过程中众多的工艺影响因素进行了重要性排序并据此筛选出重要的自变量;以选入的变量作为输入变量,构造基于神经网络的产品质量分类器。实验结果表明,训练后的神经网络分类器在丙酮产品质量分类挖掘中取得了良好的效果。     

人型网络乳腺钼靶影像分类方法研究

乳腺癌是女性最常见的恶性肿瘤之一,严重威胁患者健康,因此乳腺钼靶图像多分类对临床诊断乳腺癌具有十分重要的作用。传统卷积神经网络直接采用高级特征对乳腺钼靶图像进行多分类研究,此方法准确率不高。为了进一步提高分类准确率,构建人型网络模型进行分类。此结构通过堆叠的卷积层以及最大池化层来进行图片的低级特征进行提取,通过堆叠的卷积层以及上池化层将特征逐步返回到图片形式的特征图,通过堆叠的卷积层以及最大池化层再次提取到更高级的特征并与之前的低级特征进行级联,将级联的特征经过全局最大池化层进行池化并得到最终分类。在中山大学肿瘤防治中心的1 824幅乳腺钼靶图像做仿真实验,实验结果表明,该方法的准确率达到了74.54%,优于现有相关网络模型。     

基于卷积神经网络的fMRI数据分类方法*

功能性磁共振成像(fMRI)数据分类方法无法有效提取fMRI数据的局部特征,影响分类准确性.因此文中提出基于卷积神经网络的fMRI数据分类方法.首先设计卷积神经网络结构,并根据卷积神经网络的卷积核尺寸构建受限玻尔兹曼机模型.然后使用fMRI数据感兴趣区域体素构造数据,对受限玻尔兹曼机进行预训练,并将训练得到的权重矩阵进行相对变换,用于初始化卷积神经网络的卷积核参数.最后训练初始化好的整个模型,得到最终的分类模型.在Haxby和LPD数据集上的实验表明,文中方法可以有效提升fMRI数据的分类准确率     

一种基于嵌入式注意力机制的文本分类方法

大数据时代海量的文本数据蕴含着极大的科研价值,文本分类技术得到广泛的关注。文本分类在信息检索、自动问答等应用领域占据重要地位,是自然语言处理研究的关键技术之一。本文针对神经网络分类方法训练时间长性能仍可提高,提出一种嵌入式注意力机制模块(Eam),用来增强已有的文本分类神经网络模型。该模块将重点关注数据中什么是最有意义及哪里含有的信息量更为丰富,从而高效提取文本中有价值的信息区域加速模型收敛。本文以增强TextCNN、ImdbCNN为例,在公开数据集IMDB上证明Eam的有效性,同等参数配置情况下能够提升模型的准确率、召回率及F1值,较原模型能够更快收敛减少训练时间。     

数据挖掘技术的分类算法分析研究

数据挖掘技术是一个崭新研究领域,随着信息技术日新月异的发展,数据库技术在不同行业领域的大规模应用,数据库的规模急剧膨胀。在诸多商业需求的驱动下,数据挖掘已成为当今研究的热点,每年都有新的数据挖掘方法和模型问世,特别是其中的分类问题,引起了越来越多的关注,本文对数据挖掘中的分类算法就行了归纳研究。