联合弹性特征的多特征乳腺肿瘤超声图像识别

计算机辅助诊断技术是提高诊断效率的有效手段,目前常使用肿瘤的形态和灰度纹理特征进行综合分析.而临床研究表明,肿瘤弹性也是判别其良恶性的重要指标.本文使用非刚性配准的方法,分析加压前后两幅灰阶超声肿瘤图像之间的差异,从而提取了形变总量和缩小放大比这两个反映肿瘤弹性的特征参数.随后的分类判决实验证明,这两个弹性参数对肿瘤良恶性具有较好的区分能力,联合使用形态特征后性能更优.     

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。     

基于直方图的纹理度量在超声乳腺肿瘤识别中的应用

探讨纹理特征在超声乳腺肿瘤诊断中的价值。提取超声图像中乳腺肿瘤的纹理度量,得到由均值、标准差、平滑度、三阶矩、一致性和熵组成的特征矢量,最后用反向传播人工神经网络（BP）对96幅乳腺肿瘤的良恶性进行分类识别。BP 神经网络对良、恶性肿瘤的正确识别率分别为88．4％和78．6％。基于乳腺肿瘤超声图像的纹理特征建立的神经网络系统对肿瘤的良恶性具有较好的识别能力。     

基于局部调整动态轮廓模型提取超声图像乳腺肿瘤边缘

提出一种基于局部调整动态轮廓模型提取超声图像乳腺肿瘤边缘的算法.该算法在Chan-Vese (CV)模型基础上,定义了一个局部调整项,采用基于水平集的动态轮廓模型提取超声图像乳腺肿瘤边缘.将该算法应用于89例临床超声图像乳腺肿瘤的边缘提取实验,结果表明:该算法比CV模型更适用于具有区域非同质性的超声图像的分割,可有效实现超声图像乳腺肿瘤边缘的提取.     

乳腺肿瘤超声图像中感兴趣区域的自动检测

由于斑点噪声、伪影以及病灶形状多变的影响,乳腺肿瘤超声图像中肿瘤区域的自动检测以及病灶的边缘提取比较困难,已有的方法主要是由医生先手工提取感兴趣区域(ROI)。本研究提出一种乳腺肿瘤超声图像中感兴趣区域自动检测的方法,选用超声图像的局部纹理、局部灰度共生矩阵以及位置信息作为特征,采用自组织映射神经网络进行分类,自动识别乳腺肿瘤区域。对包含168幅乳腺肿瘤超声图像的数据库进行识别的结果表明:该方法自动识别ROI的准确率达到86.9%,可辅助医生提取肿瘤的实际边缘以及进一步诊断。     

基于改进型组织特异纹理滤波器的乳腺肿瘤超声图像处理

基于乳腺超声图像的多参数纹理分类实验,改进了Gjenna Stippel等的自适应纹理滤波器,通过引入模糊函数、增加重叠区域和迭代次数的措施,在减少图像噪声的同时,增强肿瘤与周围正常组织的视觉差别.量化比较乳腺超声图像经该滤波算法和几种常用滤波算法处理前后的的统计特征参量和肿瘤边缘检测的精确率,验证了该算法的有效性和优越性.     

基于影像学机器视觉的乳腺肿瘤病理图像识别

本研究利用影像学机器视觉技术实现对乳腺肿瘤病理图像识别方法的优化设计。首先,从影像学的角度分析乳腺肿瘤的病理特征,并以此作为病理图像识别的参考标准。安装机器视觉的硬件设备,通过机器视觉采集乳腺肿瘤病理初始图像,保证初始图像的清晰度。通过图像预处理、分割等步骤,提取病理图像中的特征。与影像学分析结果比对,得出乳腺肿瘤病理图像的识别结果。通过与传统图像识别方法的对比实验发现,影像学机器视觉技术使乳腺肿瘤病理图像识别优化方法的错误率降低了2.6%。     

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.     

用于乳腺肿瘤分级诊断超声图像增强的算法

为提高乳腺肿瘤分级诊断的能力,提出一种基于超声信号用于乳腺肿瘤分级诊断的图像增强算法。通过分析良性和不同恶性程度肿瘤的超声图像的特征差异,提出了一种将灰度的动态变换方法和利用局部标准差及熵特征相结合的办法,对图像对比度进行增强处理,增强了乳腺超声图像的细节,提高了图像质量。该算法可对良性、恶性肿瘤等不同超声图像进行增强处理,使得图像之间差异更加明显,为临床医生分级诊断提供更加清晰的图像,具有一定的实际应用价值。     

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。     

颈部淋巴结超声图像特征提取的评价研究

对颈部淋巴结超声图像特征的计算机提取进行研究,将所提取的外形特征、边界特征、皮髓质比例、皮髓质分布、长/短径比率、血流密度和血流分布等7类超声特征参数与医生的分级判断结果相比较,以评价各特征参数的有效性.对106个颈部淋巴结的分析结果显示,所提取的参数中归一化径向长度的过零率、凸包深度、长/短比率、血流密度和血流信号的轮廓投影分布熵等参数,具有较好的相关性.     

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B P神经网络的脑肿瘤MRI图像分割

利用BP神经网络技术对MR脑肿瘤图像中的肿瘤区域与正常组织区域进行分割,以辅助医疗诊断与治疗。首先,人工分割出部分影像中的肿瘤组织与正常组织作为已知样本;其次,在BP神经网络模型中输入已知样本中进行训练;最后,用训练好的BP神经网络处理其他脑肿瘤图像。BP神经网络能够有效分割MR脑肿瘤图像,辨别出肿瘤与周围正常组织的差异,但模糊区域也常被误判为肿瘤。因此,本研究提出进一步对模糊区域样本进行针对性训练与特殊的滤波处理,所得结果有较大改进。BP神经网络能有效地进行脑肿瘤MRI图像分割,但在使用时仍需正确选择输入样本的区域和范围并结合特殊的滤波处理。     

基于BP神经网络的全身骨SPECT图像分割

我们尝试用BP神经网络分割全身骨SPECT图像,实现病变区域的自动识别。由于SPECT图像病变区域的判断要考虑图像的整体信息,其特征具有不确定性,单靠神经网络识别很难达到理想的效果。我们把分割过程分预处理、神经网络分割和后处理三部分,先用最佳阈值法进行预处理,然后用神经网络进行粗分类,最后用模板匹配和去对称程序排除误识别的区域。     

基于图像块匹配和测地线活动轮廓模型的肿瘤自动检测算法

提出一种基于图像块匹配和测地线活动轮廓模型的肿瘤自动检测算法。给定肿瘤区域的术前图像和术后(或术中)图像,首先通过刚性配准得到全局配准参数,然后将术前图像分割成大小适合的正方形区域,在术后(或术中)图像中寻找与之匹配最好的区域,并得到各个分块对应的配准参数。根据分块配准和全局配准之间关系的判决比较,得到肿瘤所在的区域,最后在此区域内利用测地线活动轮廓模型,获得较为准确的肿瘤初始轮廓。     

基于融合多网络深层卷积特征和稀疏双关系正则化方法的乳腺癌图像分类研究

乳腺癌是全球女性癌症死亡的主要原因之一。现有诊断方法主要是医生通过乳腺癌观察组织病理学图像进行判断,不仅费时费力,而且依赖医生的专业知识和经验,使得诊断效率无法令人满意。针对以上问题,设计基于组织学图像的深度学习框架,以提高乳腺癌诊断准确性,同时减少医生的工作量。开发一个基于多网络特征融合和稀疏双关系正则化学习的分类模型:首先,通过子图像裁剪和颜色增强进行乳腺癌图像预处理;其次,使用深度学习模型中典型的3种深度卷积神经网络(InceptionV3、ResNet-50和VGG-16),提取乳腺癌病理图像的多网络深层卷积特征并进行特征融合;最后,通过利用两种关系(“样本-样本”和“特征-特征”关系)和l_F正则化,提出一种有监督的双关系正则化学习方法进行特征降维,并使用支持向量机将乳腺癌病理图像区分为4类—正常、良性、原位癌和浸润性癌。实验中,通过使用ICIAR2018公共数据集中的400张乳腺癌病理图像进行验证,获得93%的分类准确性。融合多网络深层卷积特征可以有效地捕捉丰富的图像信息,而稀疏双关系正则化学习可以有效降低特征冗余并减少噪声干扰,有效地提高模型的分类性能。