基于Gmac模型的乳腺肿块分割-计算数学专业论文.docxVIP

独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在 文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密□ ，在_ __年解密后适用本授权书。 本论文属于 不保密□。 (请在以上方框内打“√”) 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 摘 要 乳腺癌是严重危害女性身心健康甚至危及生命的常见恶性肿瘤之一，因此，乳 腺癌的早期发现和早期诊断对于降低死亡率﹑提高生存率起着至关重要的作用。在 乳腺 CAD 系统中，肿块检测的重要先前步骤是乳腺肿块分割，分割结果的好坏直接 影响到肿块的分类和检测。 本文首次将全局最优活动轮廓(Global minimum active contour, Gmac) 模型应用 到乳腺肿块分割上，并提出了基于 Gmac 模型的三种改进算法：改进的变分水平集 法﹑改进的对偶方法、改进的 split bregman 方法。改进的策略为：通过以图像信息 （如各目标区域的平均灰度﹑面积，距离等）为变量设置函数 f 1，在灰度值大于低 阈值的区域中选择 f 1值最大的可疑目标区域，得到了一个可疑目标区域，称此区域 为“粗选择”区域；进一步，设置粗选择区域的图片信息函数 f 2 ，在灰度值大于高 阈值的区域（位于粗选择区域的内部）中选择 f 2 值最大的可疑目标区域，得到一个 更精细的可疑目标区域，这一区域称为“细选择”区域；建立了两个实验参考标准： 面积比值、区域边缘点距中心最远﹑最近距离差，得到了最佳目标选择区域。 选取 483 幅医学乳腺肿块图片进行了分割实验，得到了三种改进算法（变分水 平集法﹑对偶方法和 split bregman 方法）的 CM 均值分别为 64%﹑74%和 76%；AMED 均值分别为 4.4750﹑1.6961 和 1.4602。结果表明：split bregman 方法对乳腺肿块进行 了更有效的分割。本文也利用经典的 ACWE 模型和 GAC 模型对上述乳腺肿块图片 进行了分割实验，与基于 Gmac 模型的改进 split bregman 方法相比，结果表明：提出 的 split bregman 方法具有全局最优解，实现了更好的分割性能。 关键词：乳腺肿块分割；全局最优活动轮廓模型；变分水平集法；对偶方法； Split bregman 方法 Abstract Breast cancer is a kind of common malignancies which seriously endangers females’ health of mind and body. Early detection is a key to breast cancer that could reduce mortality and raise recovery rate. Breast tumors segmentation in the Computer-Aided Diagnosis (CAD) is the preparation step, which influences the following classification and detection directly. In this paper, the Gmac model is applied for the breast mass segmentation for the first time, meanwhile 3 improved algorithms based on Gmac model are proposed, including the improved variational level set method, the improved dual method and the improved split bregman method. The modified strategy contains rough selection and fine selection. The function f1 is settled by t