论文部分内容阅读
全数字乳腺成像(Full-filed Digital Mammography,FFDM)是一种具有高空间分辨率双视图的乳腺肿瘤筛查工具。然而，临床上医生通过人眼识别FFDM图像的病灶仍然存在困难，其诊断结果受主观性和人为因素影响，存在假阳性高的问题。随着技术的发展，计算机辅助诊断技术(Computer-aided diagnosis technology,CADx)在医学图像的诊断任务上显示出巨大的潜力。CADx可从医学图像中提取出定量的图像特征，客观地进行分析和诊断，减少误诊和漏诊。深度学习方法能自动地学习特征，拓展了特征提取的研究方向。受此启发，本文分别研究了传统的手工设计特征（Handcrafted features，HCFs）提取方法和深度特征(Deep features，DFs)提取方法，发现具有诊断能效的乳腺肿瘤图像特征的量化方法;利用不同类型的定量图像特征，构建乳腺肿瘤良恶性鉴别模型，挖掘图像特征与肿瘤良恶性之间的关系，并使得模型在保持较高水平性能的同时降低假阳性。本文的主要研究内容有:
(1)FFDM图像的预处理。实验对比和分析了一些常用的滤波器在FFDM图像上的去噪效果，并且选择了同时能够滤除噪声，保持图像纹理、边缘信息的高斯滤波用于滤除FFDM图像的噪声;研究和对比了不同离散化程度对图像分类精度的影响，选择出最佳图像离散化等级，为后面的图像特征分析奠定基础。
(2)FFDM乳腺肿瘤图像特征的提取。依据临床医生的诊断行为和信息，提取了面积、长度、直径、离心率、固牢程度和扩展范围程度等11个形态特征，以及引入了间隙长度的不均匀性度量、低灰度间隙优势、高灰度间隙优势、长间隙优势、短间隙优势和间隙总数百分比等13个灰度间隙矩阵(Gray Level Gap Length Matrix，GLGLM)纹理特征这两类HCFs进行肿瘤特性量化。
(3)基于HCFs的乳腺良恶性肿瘤分类方法。研究了形态特征和GLGLM纹理特征的分类识别能力，解释重要性图像特征与肿瘤良恶性的内在联系;还研究和比较离散化程度、特征选择方法和分类器对图像分类的影响，以此采用集成学习策略构建多分类器集成的分类模型，并对比其他方法以及在MIAS数据集上验证，证明了该方法的有效性。
(4)基于HCFs和DFs的乳腺良恶性肿瘤分类方法。为了更加全面地描述肿瘤信息，本文采用深度学习的方法建立自动式的图像特征提取器，引入更高层次的DFs进行乳腺肿瘤特性表达，提出了一种结合HCFs和DFs的乳腺肿瘤良恶性分类方法，并比较和分析不同特征集的分类准确性，实验训练多分类器集成的分类模型。结果证明，该方法能够提升乳腺肿瘤分类模型的性能。
(1)FFDM图像的预处理。实验对比和分析了一些常用的滤波器在FFDM图像上的去噪效果，并且选择了同时能够滤除噪声，保持图像纹理、边缘信息的高斯滤波用于滤除FFDM图像的噪声;研究和对比了不同离散化程度对图像分类精度的影响，选择出最佳图像离散化等级，为后面的图像特征分析奠定基础。
(2)FFDM乳腺肿瘤图像特征的提取。依据临床医生的诊断行为和信息，提取了面积、长度、直径、离心率、固牢程度和扩展范围程度等11个形态特征，以及引入了间隙长度的不均匀性度量、低灰度间隙优势、高灰度间隙优势、长间隙优势、短间隙优势和间隙总数百分比等13个灰度间隙矩阵(Gray Level Gap Length Matrix，GLGLM)纹理特征这两类HCFs进行肿瘤特性量化。
(3)基于HCFs的乳腺良恶性肿瘤分类方法。研究了形态特征和GLGLM纹理特征的分类识别能力，解释重要性图像特征与肿瘤良恶性的内在联系;还研究和比较离散化程度、特征选择方法和分类器对图像分类的影响，以此采用集成学习策略构建多分类器集成的分类模型，并对比其他方法以及在MIAS数据集上验证，证明了该方法的有效性。
(4)基于HCFs和DFs的乳腺良恶性肿瘤分类方法。为了更加全面地描述肿瘤信息，本文采用深度学习的方法建立自动式的图像特征提取器，引入更高层次的DFs进行乳腺肿瘤特性表达，提出了一种结合HCFs和DFs的乳腺肿瘤良恶性分类方法，并比较和分析不同特征集的分类准确性，实验训练多分类器集成的分类模型。结果证明，该方法能够提升乳腺肿瘤分类模型的性能。