乳腺肿瘤超声图像特征参数量化研究进展

乳腺肿瘤超声图像的特征量化分析对判别肿瘤的良、恶性具有重要价值。本文总结了良性和恶性乳腺肿瘤在超声图像上的特点,将乳腺良性肿瘤和恶性肿瘤鉴别特征在形状、边缘、边界、朝向、回声特点几个方面的量化方法和量化参数进行了较为全面的梳理,并对量化特征与肿瘤良、恶性之间的关系进行了分析。     

基于边界特征的乳腺肿瘤超声图像识别

通过对乳腺肿瘤边界特征的分析，得到边界的特征量似圆度，面积比率，长宽比组成的特征矢量，最后用反向传播人工神经网络（BP）的算法对经病理证实的119幅乳腺良、恶性肿块超声图像进行分类识别。BP神经网络对良、恶性肿瘤正确识别率分别为89．7％、73．5N。量化后的乳腺超声图像肿瘤轮廓特征结合BP神经网络可以比较有效的用于肿瘤的良、恶性识别。     

乳腺肿瘤超声图像形态特征参数分析

乳腺肿瘤超声图像的形态特征对判别肿瘤的良恶性具有重要的价值.在前人工作的基础上本文对形状因子,纵横比,成角分叶等几个形态特征参数进行详细的分析与比较,在一定程度上提高了相应参数的特异性和敏感度,将这些性能较好的参数与其他一些检测手段相结合,对于建立性能较好的乳腺癌计算机辅助识别系统有积极的意义.     

基于坐标匹配和子图切分定位乳腺钼靶图像的感兴趣区域

乳腺X线摄影技术是早期发现和诊断乳腺肿瘤的首选方法。提取乳腺钼靶图像的感兴趣区域(region of interest,ROI)并利用人工智能算法对其进行模式识别,可有效提高乳腺肿瘤筛查工作的效率。试验图像均来自DDSM乳腺X线钼靶图像公开数据库,以其中BI-RADS分类为第4类(BI-RADS4)的簇状分布多形性钙化钼靶图像为研究对象,探求在设计乳腺钼靶图像分类器过程中提取ROI的新方法。结果显示,设计出优化的分类器后,可高效地识别试验对象,其测试集上的分类准确率最高可达99.3%。因此,本研究可为医生的临床研判提供辅助信息,并为细分BI-RADS4、进一步精准诊断奠定技术基础。     

用神经网络进行超声医学图像分割

分割问题是超声心脏图像多维重建中的一大难题，本文研究超声心脏图像分割的自组织神经网络方法，这是一种无监督的分割方法，通过自组织神经网络的自动聚类分割，实验证明，本文方法优于传统的Ｋ－ｍｅａｎｓ方法。     

基于超声图像的乳腺钙化点自动检测技术

当前乳腺钙化点检测方法多基于X光片,难以应用于超声图像,本研究提出基于超声图像的乳腺钙化点自动检测技术,首先将乳腺超声图像中的肿瘤区域通过勾画模板提取出来,基于简单线性迭代聚类算法进行超像素分割;然后提取表征各超像素的特征量来计算显著性图,基于钙化区域显著性进行粗钙化点分割;最终对分割后的粗钙化点进行形态学检测,达到对超声图像中的细钙化点自动检测。该方法取得了较好的分割效果,具有较强的鲁棒性,为形成具有普适性的肿瘤自动诊断方案奠定了研究基础。     

基于模糊数的乳腺肿瘤超声图像边缘快速提取方法

乳腺肿瘤边缘的准确提取在临床上对肿瘤良恶性的判别有重要的意义。本文利用三角模糊数的概念，采用重叠式窗口从图像中得到与不同隶属度对应的模糊数，从而建立以步进方格（marching square）为基本单元的模糊数平面；通过区间阈值得到步进方格上的映射区间，根据步进方格算法将对应映射区间着色绘制出肿瘤的边界。分别对恶性和良性肿瘤超声图像进行边缘提取。结果显示，本文方法相比一般提取边缘的算法具有快速准确提取乳腺肿瘤边缘的特点。实验证明本方法可以有效用于乳腺肿瘤超声图像边缘提取。     

乳腺超声图像本体构建研究

目的乳腺超声图像本体有助于乳腺超声图像语义标注、智能检索等。本文以乳腺超声图像为例,论述了乳腺超声图像的本体模型构建方法。方法首先通过主题词与语料高频词结合的方法确定乳腺超声图像本体的概念,然后借鉴UMLS提炼乳腺超声图像本体的语义关系。结果本研究构建的乳腺超声图像本体具有1274个概念,56种语义关系,通过PROGTéGé构建了乳腺超声图像本体。结论以主题词与语料高频词结合的方法确定的本体概念具有较好的乳腺超声图像语义刻画效果,本文所述的乳腺超声图像本体构建方法也适用于其他领域本体的构建。     

基于小波变换的乳腺X线影像微钙化点感兴趣区域提取新技术

为乳腺癌早期诊断和乳腺X线影像微钙化点计算机辅助检测作前期预处理,提出了一种基于小波变换的微钙化点感兴趣区提取新技术。其具体思路是:(1)将乳腺区域图像提取成等大的子图像;(2 )对每一幅子图像进行小波变换,根据特征参数ρ讨论最优小波变化参数和阈值T;(3)根据阈值T判别子图像是否属于感兴趣区。对临床实际病例(2 0幅乳腺X线影像)的试验结果表明,该方法具有较高的检出率(89.7% ) ,和较为满意的假阳性率(2 .1% )。     

基于MRI图像纹理特征的膀胱肿瘤浸润深度检测

对膀胱肿瘤浸润深度进行无创检测,为膀胱肿瘤的检测及分期判断提供参考。基于膀胱MRI图像,利用尿液和膀胱壁的天然密度对比,结合统计分析,得到在肿瘤及膀胱壁组织有统计差异的纹理特征。通过提取肿瘤及周围膀胱壁组织的均值、均匀度、标准差、粗糙度、自协方差系数和对比度等特征,再经分类器判断,得到感兴趣区域肿瘤浸润情况的伪彩图。就16位患者MRI扫描数据及术后病理分析结果,用于测试的56幅图像中,判断准确率为82.1%;15位患者的标记结果与病理分期相符,正确率为93.8%,与病理分析吻合较好。利用分类器和纹理特征判别肿瘤区域的属性,实现了膀胱肿瘤浸润深度标记和边界的初步划分,为膀胱肿瘤的无创检测提供了新的可能手段。     

一种快速的全自动超声子宫图像分割算法

使用超声成像进行子宫节育环检查工作已在我国广泛地开展,利用图像识别技术进行计算机辅助诊断对于减轻检查人员工作负担意义十分明显,其中图像分割部分的主要目标则是快速地全自动分割开图中的几个主要器官及节育环。本研究提出了一种快速的全自动子宫图像分割算法。该算法包括以下三个主要步骤:首先运用BP神经网络处理图像整体灰度分布获取基准分割阈值;其后使用超声图像斑点噪声统计特征进行同质区域判别,并根据局部灰度分布自适应调整分割阈值;最后使用数学形态学算子对分割效果做进一步的改善。基于由1200幅超声子宫图像组成的图像库,对所提算法与最大类别方差法、SNAKE活动轮廓模型等数种常用分割算法进行了性能比较,实验结果表明所提算法在速度与准确程度两方面均表现良好,平均耗时为0.93s/幅,准确程度达到了94%。本算法无需人工干预,分割速度快,分割准确程度能够被临床医生所接受,可以用作超声子宫图像辅助诊断系统的图像分割部分,具有很好的应用前景。     

基于活动轮廓模型和边缘对比度特征量的血管内超声图像边缘提取

血管内超声（IVUS）图像冠状动脉血管壁的边缘提取对冠状动脉疾病的诊断和治疗有着重要意义。本研究提出了一种用于自动提取IVUS序列图像冠状动脉血管壁内、外膜边缘的方法。该方法基于活动轮廓模型以及本研究所定义的边缘对比度特征量，利用Hopfield神经网络并结合模拟退火算法自动提取IVUS序列图像冠状动脉血管壁的内、外膜边缘。实验结果表明，本研究方法易于实现，而且准确性和可靠性较高，对IVUS序列图像处理的可重复性和鲁棒性较好，是一种较好的全局最优化算法。     

无线胶囊内窥镜图像小肠息肉的自动识别

息肉是小肠常见疾病之一。无线胶囊内窥镜(WCE)是检查小肠疾病的常规手段,但每次检查都会产生大量图像,却仅可能包含少数病变图像。目前WCE病变的筛查高度依赖于医生的临床经验,耗时费力,且可能发生漏检或误检,因此实现WCE图像小肠息肉的自动识别意义重大。基于深度学习框架,结合数据增强技术和迁移学习策略,提出实现小肠息肉识别的新方法。基于原始数据集(包含4 300张正常图像和429张息肉图像)和拓展数据集(包含6 920张正常图像和6 864张息肉图像),对比分析不同的深度卷积神经网络模型(AlexNet、VGGNet和GoogLeNet)对息肉的识别效果。实验结果表明,在随机初始化的卷积神经网络中,GoogLeNet模型对息肉的识别效果最好,其敏感性、特异性和准确性分别达到97.18%、98.78%和97.99%,说明增加网络深度可以有效提高识别率。但网络深度增加需要更高的硬件配置和训练时间,因此结合迁移学习策略,AlexNet模型的敏感性、特异性和准确性分别达到了96.57%、98.89%和97.74%,AUC为0.996,表明该方法能有效提高模型整体性能,同时降低对训练时间和实验配置的要求。与传统手工提取图像特征或仅基于深层卷积神经网络进行分类的方法相比,所提出的方法可以在有限的训练数据和实验环境下为小肠息肉的自动识别提供有效的解决方案,有望帮助医生高效完成基于WCE检查的消化道疾病的精准诊断。     

基于简化的PCNN在超声乳腺癌图像去噪方面的应用

针对乳腺癌超声图像中斑点对诊断的影响,提出一种基于简化的脉冲耦合神经网络(simplified pulse-coupled neuralNetwork,SPCNN)的去噪新方法,并将此方法应用于乳腺癌超声图像滤波。首先利用简化的PCNN定位极端脉冲噪声点并利用中值滤波滤除椒盐噪声,然后利用PCNN赋时矩阵采用分类滤波自适应调节灰度值滤除高斯噪声。用实验图像验证了方法的有效性,然后将此方法应用于乳腺癌的超声图像中进行滤波,实验结果证实该方法对混合噪声在滤波效果和保护细节方面具有优势,对乳腺癌的超声图像能较好地滤除噪声,同时保证了细节,结合医学诊断证实了该方法的有效性。     

基于深度级联网络的乳腺淋巴结全景图像的癌转移区域自动识别

淋巴结癌转移区域的自动识别是乳腺癌病理分期的重要前提。但由于全景图像尺寸巨大, 组织形态复杂多样, 在乳腺淋巴结全景图像中自动检测和定位癌转移区域具有很大的难度。设计一种基于深度级联网络的方法, 实现对乳腺淋巴结全景图像癌转移区域的自动定位与识别。采用由粗定位到精定位的两个深度网络模型级联的方式, 首先基于医生标记的癌转移区域, 提取阳性与阴性图像块训练粗定位网络VGG16得到粗定位结果, 然后对比粗定位结果与医生标记提取阳性和假阳性区域的图像块, 再训练精定位的ResNet50网络用于识别阳性和假阳性区域。为了验证所提出深度级联网络的有效性, 选用Camelyon16公开的共400张乳腺淋巴结全景图像数据集用作训练和测试。结果表明, 所提出的VGG16+ResNet50级联网络模型的定位指标FROC得分达到0.891 2, 分别比单个深度网络模型VGG16和ResNet50的FROC得分高0.153 1和0.147 0, 比AlexNet+VGG16级联的网络模型FROC得分高0.028 8, 显示深度级联网络模型对淋巴结癌转移区域可以实现更加精准的识别。     

基于深度学习的肺炎图像目标检测

肺炎是一种严重危害身体健康的疾病,通常使用肺部X光片进行检查。肺炎诊断是肺炎治疗前非常重要的环节,但是由于肺部其他疾病的干扰、医疗数据的爆发式增长以及专业病理医生的缺乏等,导致肺炎的准确诊断较为困难。深度学习能够模仿人脑的机制准确高效地解释医学图像数据,在肺炎图像检测方面获得了广泛应用。构建了3种基于深度学习的图像目标检测模型,单发多框探测器(SSD)、faster-RCNN和faster-RCNN优化模型,对来自Kaggle数据集的26 684张带标签的肺部X光图像进行研究。原始X光图像经预处理后输入3种深度学习模型,分别对单处和两处病灶区域进行目标检测。随机选取500张测试图像,利用损失函数、分类准确率、回归精度和误检病灶数等指标对各模型的性能进行评估。结果表明,faster-RCNN的性能指标优于SSD;Faster-RCNN优化模型的性能指标均优于其他两种模型,其损失函数值小且可快速达到稳定,平均分类准确率为93.7%,平均回归精度为79.8%,且误检病灶数为0。该方法有助于肺炎的准确识别和诊断。     

血清CA15-3和超声、CT、MRI检查对乳腺癌诊断价值的比较

目的：探讨了三种非创伤性影像检查方法,超声（US）、X线计算机断层摄影技术（CT）和磁共振成像（MRI）及血清CA15-3水平在乳腺癌诊断中的敏感性和准确性,以提高对乳腺癌早期诊断的方法。方法：回顾分析,比较38例乳腺癌患者的US、CT和MRI及CA15-3的优缺点。结果：乳腺癌的确诊率US为76.3%,CT为84.2%,MRI为93.8%,CA15-3为68.4%。US对乳腺癌的早期检出率较高,但确诊率较低。CT和MRI对乳腺癌的确诊率较高,血清CA15-3的确诊率较低。结论：US、CT、MRI和血清CA15-3各有其优点,合理的综合应用可提高对乳腺癌的早期诊断。