论文摘要
乳腺癌是一种常见高发的恶性肿瘤,防治的关键在于早期的诊断和治疗。目前,乳腺钼靶X线摄影是诊断乳腺癌的首选方法,簇化的钙化点是乳腺恶性肿瘤在X线图像上的主要表现之一。由于钙化点非常小而且形态各异,即使在分辨率很高的X线图像中,也很难用肉眼有效地识别出来。因此,随着医学影像设备的进步和计算机技术的飞速发展,计算机辅助检测微小钙化点成为乳腺癌早期诊断课题中的研究热点之一。为了能够有效地检测出乳腺X线图像中的微钙化点,本文在前人研究的基础上提出了一种包含三个模块的钙化点自动检测算法。首先,利用一种基于双正交小波的方向差分滤波器组对乳腺X线图像进行增强,抑制极易造成干扰的高亮线型结构,增强节点型的钙化点;然后,根据钙化点在X线图像中的影像学特征,综合差分滤波器组增强得到的特征子图和独立分量分析(ICA: Independent Component Analysis)的方法对钙化点进行描述,提取出有效的分类特征;最后,提出了一种基于Bootstrap主动学习的Bayes分类模型对分类特征进行分类识别,该方法利用基于Bootstrap主动学习的样本选择方法完成分类样本的选择和Bayes分类器的训练,保证了负样本(非微钙化簇样本)的多样性以降低检测的假阳性率。实验结果表明,所提出的微钙化点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,为乳腺癌计算机辅助检测提供了技术保障。