红外热成像在乳腺疾病检测的应用研究

乳腺疾病已严重危害女性身心健康,其中乳腺癌更位居全球范围内女性癌症发病率和死亡率首位,因此乳腺癌的早期发现意义重大。传统结构影像学早期检测疾病具有一定局限性,而红外热成像作为功能成像技术可为乳腺癌的早期筛查提供有效线索。因此本文主要就红外热成像在乳腺疾病的早期检测及预后评估的应用价值进行综述。     

乳腺浸润性导管癌p53表达与腋窝淋巴结转移的相关性分析

为研究乳腺浸润性导管癌组织p53表达及腋窝淋巴结转移的相关性,作者利用免疫组化染色检测72例浸润性导管癌标本中p53的表达水平,分析p53表达及腋窝淋巴结转移的关系。得出结果:腋淋巴结转移组共37例(52%),p53阳性表达21例(57%);未转移组共35例(48%),p53阳性表达11例(31%),转移组p53阳性表达较未转移组明显增高(P0.05);淋巴结转移数1~3个25例(68%)、≥4个12例(32%),p53表达阳性分别是12例(48%)和8例(67%),p53表达阳性率与淋巴结转移数呈正相关(P0.05)。结果表明,通过检测乳腺浸润性导管癌组织中p53蛋白的表达水平可以判断腋窝淋巴结转移状况和愈后。     

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。     

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。     

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。     

基于PSO-SVM的乳腺肿瘤辅助诊断研究

在乳腺肿瘤识别优化的研究中,传统的识别方法容易漏诊.为提高乳腺肿瘤识别准确率,提出基于粒子群优化(Particle Swarm Optimization,PSO)参数的支持向量机(Support Vector Machine,SVM)辅助诊断方法.首先采用PSO选择最佳的SVM惩罚系数c,核函数参数γ;然后,利用最佳参数c和γy训练SVM;再利用PSO-SVM实现乳腺肿瘤分类识别,进而实现辅助诊断.将PSO-SVM乳腺肿瘤识别方法的仿真结果与LVQ神经网络识别方法、BP神经网络识别方法的结果做比对分析,表明PSO-SVM具有较高的识别准确率和较低的假阴性率.PSO-SVM乳腺肿瘤辅助诊断,可以提供决策支持,辅助医生尽可能地减少和避免采用传统的细针穿刺细胞病理学检查方法诊断乳腺肿瘤时的漏诊、误诊情况,具有非常重要的价值和意义.     

基于特征融合的边缘引导乳腺超声图像分割方法

针对乳腺超声图像边缘模糊、斑点噪声多、对比度低等问题,提出了一种融合多特征的边缘引导多尺度选择性核U-Net(Edge-guided Multi-scale Selective Kernel U-Net, EMSK U-Net)方法。EMSK U-Net采用基于U-Net的对称编解码结构可以适应小数据集医学图像分割的特点,将扩张卷积与传统卷积构成选择性核模块作用于编码路径,并提取下采样过程中的选择性核特征进行边缘检测任务,在丰富图像空间信息的同时细化边缘信息,有效缓解斑点噪声和边缘模糊的问题,在一定程度上可以提升小目标的检测精度。然后在解码路径通过多尺度特征加权聚合获取丰富的深层语义信息,多种信息之间相互补充,从而提升网络的分割性能。在3个公开的乳腺超声图像数据集上的实验结果表明,与其他分割方法相比,EMSK U-Net算法各项指标表现良好,分割性能有显著提升。     

基于多尺度残差双域注意力网络的乳腺动态对比度增强磁共振成像肿瘤分割方法

针对乳腺肿瘤大小形态多变、边界模糊以及前景与背景间严重类不平衡的问题,该文提出一种多尺度残差双域注意力融合网络。该网络以多尺度卷积构成的多尺度残差块作为基本搭建模块,通过提取多尺度特征和优化梯度传播通道提高其识别不同尺寸目标的能力,同时融入双域注意力单元,提高网络的边缘识别和边界保持能力。另外该文提出一种混合自适应权重损失函数改善网络优化方向,缓解正负样本极度不均衡的影响。实验结果表明,该文所提方法的平均骰子相似系数(Dice)值达到0.806 3,较U形网络(UNet)提高5.3%,参数量下降73.36%,具有更优的分割性能。