毕业设计（论文）-基于ICA与机器学习的微钙化点簇检测汇.docVIP

毕 业 设 计（论 文） 题 目：基于机器学习的微钙化点簇检测 学 院：学院 专 业：信息对抗技术 班 级：02学生姓名：导师姓名： 副教授 起止时间：200.1.22 至 200.6.18 XXXXXX 大 学  摘 要 乳腺癌是妇女常见高发的恶性肿瘤之一，早期的发现、诊断和治疗是其防治的关键微钙化点是早期乳腺癌的重要特征。 为了能够有效地检测出乳腺X线图像中的微钙化点，本文提出了一种包含三个模块的钙化点自动检测模型。首先根据钙化点在X线图像中的影像学特征，应用一种基于双正交小波和Hessian矩阵的方向差分滤波器组进行增强，从而得到相应的特征子图；将其与独立分量分析Independent Component Analysis，ICA）的方法相结合对钙化点进行描述，提取出有效的分类特征。然后，使用BP神经网络对进行判别，获得94%的真阳性率和14%的假阳性率。最后，利用方向差分滤波器组对进行增强。 实验结果表明，这种检测方法具有良好的实用性和鲁棒性，能够有效地检测出乳腺图像中的感兴趣区域以及其中的微钙化点。 关键词：计算机辅助检测 微钙化点检测 多分辨分析 独立分量分析 人工神经网络 目 录 绪论 1 1.1 课题背景及意义 1 1.2 国内外研究进展及现状 2 1.2.1 计算机辅助检测系统现状 2 1.2.2 乳腺X线图像中微钙化点自动检测的研究现状 3 1.3 论文的研究成果和章节安排 3 第二章 乳腺感兴趣区域特征提取及分类 5 2.1 基于双正交小波和HESSIAN矩阵的方向差分滤波器基本概念 5 2.1.1 基于HESSIAN矩阵的二次差分值 5 2.1.2 二次差分滤波器组的构建 6 2.2 ICA的基本原理 9 2.3 特征提取 10 2.3.1 灰度特征的提取 10 2.3.2 ICA特征的提取 12 2.4 BP神经网络的介绍 13 2.5 实验结果及分析 14 2.5.1特征提取的实验结果 14 2.5.2感兴趣区域ROI分类的实验结果 18 2.6 小结 20 第三章 钙化点增强 21 3.1基于多分辨分析和阈值自动选择的钙化点增强 21 3.2基于局部统计特征的图像增强方法 23 3.3实验结果及分析 25 3.3.1基于多分辨分析与阈值自动选择算法的增强效果 25 3.3.2基于局部统计特征图像增强方法的增强效果 27 3.4小结 27 第四章 结束语 29 4.1总结 29 4.2对未来发展的展望 29 致 谢 31 参考文献 33 绪论 课题背景及意义 乳腺癌(mammary carcinoma)是一种近年来发病率上升速度最快的恶性肿瘤之一，严重危害妇女的身心健康。此外，据相关资料表明[]，乳腺癌是除了良性皮肤癌之外在女性中最常见的癌症，也是女性中引起癌症死亡的第二大主因，仅次于肺癌。在西方发达国家，乳腺癌已经成为妇女恶性肿瘤病的元凶。根据资料表明[56]，美国每年有12万乳腺癌新发病例，发病率为72.2/10万。我国虽然是乳腺癌的低发地区，然而近年来乳腺癌的发病率也在急剧增长。目前，乳腺癌已跃居我国女性恶性肿瘤病的第二位，其中在部分发达城市更是已上升为第一位。过去十年中，中国妇女乳腺癌发病率上升近三成，每年约有四万妇女死于乳腺癌，同时乳腺癌发病人群也在呈年轻化趋势。因此，攻克乳腺癌已成为一项迫在眉睫的重大课题。 尽管专家学者已经对乳腺癌进行了近40年的研究，但是由于医疗技术和设备的发展等种种原因，目前还未发现能够乳腺癌的确切病因和根治乳腺癌的治疗方法。在目前对乳腺癌预防尚无良策的情况下，早期诊断显得尤为重要。据美国癌症协会资料显示，在癌细胞扩散前早期确诊的乳腺癌病人，经过治疗的幸存率能达到97%。乳腺癌的早期发现和诊断对于挽救患者的生命来说至关重要，它是提高肿瘤局控率和延长存活期的最有效途径。因此，寻找有效的乳腺癌普查和早期诊断方法已成为众多学者孜孜以求的目标。 但是由于乳腺X线影像结构复杂，早期乳腺癌的X线影像很难辨认，并且普查时放射医生的工作量十分大，因而容易造成漏诊和误诊。除此之外，医生由于双眼过度疲劳，主观情绪的影响或者经验不足等原因，也会导致误诊率的存在，或者表现为假阳性率，或者表现为假阴性率。随着计算机及其相关技术的发展，使借助于计算机及人工智能技术辅助医生进行诊断成为可能。计算机辅助检测(Computer-aided DetectionCAD)和诊断(Diagnosis，CADx)利用专业的计算机算法分析医学影像，结合图像分割、模式识别及人工智能等方法发现并检出病变部位，帮助放射科医生进行图像的理解和诊断，提高病灶检出率，被称为放射医生的“第二双眼睛”。 微钙化点是早期乳腺癌的重要特征，而乳腺钼靶X线片对钙化组织十分敏感，