乳腺钼靶X线病灶检测研究
发布时间：2021-01-15 21:55
世界卫生组织相关数据显示,乳腺癌已成为威胁女性健康的首要疾病,在世界范围内新增病例逐年增长,严重危害女性身心健康。临床研究表明,早期诊断能有效降低乳腺疾病的死亡率。乳腺钼靶X线摄影术作为乳腺疾病筛查和检测的首选方法,有很好的敏感性和特异性,且操作简洁,成像直观,安全无创伤,所以,被业界视为乳腺疾病早期预防和诊断最可靠的工具。在乳腺X线图像中,肿块和微钙化点簇是乳腺癌的主要征兆,但肿块和钙化点对比度低、形态多样且极不规则,易受胸肌及腺体等高致密组织的影响。因此,在临床诊断中,放射医师面临很大的困境。实现乳腺肿块和钙化点簇的精确分割和检测,为医师提供参考性意见,能有效提高临床诊断的准确率。本文主要以乳腺钼靶X线图像为研究对象,旨在探索、分析和研究乳腺病灶检测方面的难点和困境,提高乳腺癌早期诊断的准确率。通过调研和分析国内外学者在病灶检测领域的现状,搜集并整理乳腺X线数据库,并从病灶内在属性出发,有针对性地探究乳腺X线钙化点和肿块检测方法。论文主要工作归纳如下:1.提出基于Contourlet变换和无耦合链接SPCNN（Simplified Pulse CoupledNeural Netwo...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：149 页
【学位级别】：博士
【部分图文】：
MIAS数据库图像展示
10（a）正常（b）肿块 （c）钙化点 图 1-5 DDSM 数据库图像展示库中的图像来源于东方女性，库中包含病例 4图像 15 幅，正常图像 33 幅，肿块图像 17 m，数字化后的图像大小为 2510×2000，图像灰
（a）正常 （b）钙化点（c）肿块图 1-6 JSMIT 数据库图像展示1.4.4 INbreast 数据库INbreast[58]数字乳腺摄影图像是于 2008 年 4 月~2010 年 7 月在葡萄牙波尔图乳房中心获得。图像大小为 3328×4084 或 2560×3328 像素，总共 115 例（410 张图像），其中 90 例患乳腺癌（每例 4 幅图像），25 例乳房切除患者（每例 2 幅）。病变类型主要有肿块，钙化，不对称以及结构扭曲。对于病变图像，专家提供了精确的病灶轮廓，以 XML 格式保存。在 56 例肿块病变图像中，11 例良性病例，45 例恶性，总共包含 107 幅肿块图像，总计包括 116 个肿块。其中有 301 幅图像存在钙化点，被专家标记为含有钙化点簇的图像为 21 幅，总计 27 个钙化点簇集。图 1-7 展示了 INbreast 数据库中常见的钙化点和肿块病变图像。
【参考文献】：
期刊论文
[1]活动轮廓模型在医学图像分割的综述[J]. 兰红,韩纪东,方毅. 科学技术与工程. 2018(16)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[4]高频超声、1.5T磁共振（MRI）诊断乳腺癌的临床价值[J]. 刘伟. 中国CT和MRI杂志. 2015(12)
[5]乳腺钼靶X线肿块检测及分割方法[J]. 董敏,郭淼,马义德. 计算机应用. 2015(S1)
[6]视觉注意与显著性计算综述[J]. 孙晓帅,姚鸿勋. 智能计算机与应用. 2014(05)
[7]乳腺脂肪瘤钼靶X线及B超诊断的研究分析[J]. 刘克礼,周永利,刘斐,李渊博,颉小侠. 内蒙古中医药. 2014(15)
[8]超像素分割算法研究综述[J]. 王春瑶,陈俊周,李炜. 计算机应用研究. 2014(01)
[9]基于PCNN的图像边缘检测方法[J]. 邓翔宇. 自动化与仪器仪表. 2012(03)
[10]Automatic pectoral muscle boundary detection in mammograms based on Markov chain and active contour model[J]. Lei WANG,Miao-liang ZHU,Li-ping DENG,Xin YUAN (School of Computer Science and Technology,Zhejiang University,Hangzhou 310027,China). Journal of Zhejiang University-Science C（Computer & Electronics）. 2010(02)
博士论文
[1]基于乳腺X线图像的乳腺癌检测方法研究[D]. 张胜君.北京交通大学 2013
[2]视觉显著性应用研究[D]. 敖欢欢.中国科学技术大学 2013
[3]基于PCNN的图像去噪和图像增强方法研究[D]. 张红娟.兰州大学 2011
[4]乳腺钼靶X光片上微钙化点的计算机辅助检测技术的研究[D]. 王磊.浙江大学 2010
[5]方向性多分辨率图像分析研究：理论和应用[D]. 张久文.兰州大学 2009
硕士论文
[1]基于双视图的乳腺肿块辅助检测[D]. 胡阳.西安电子科技大学 2017
[2]基于视觉注意机制的图像显著性检测[D]. 范青.江南大学 2015
[3]轮廓波变换及其在图像处理中的应用[D]. 肖玉梅.苏州大学 2011
[4]乳腺肿块计算机辅助检测算法研究[D]. 张桥新.西安电子科技大学 2009
[5]计算机辅助检测在乳腺X线摄影中应用价值的研究[D]. 张小梅.天津医科大学 2008
本文编号：2979579
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：149 页
【学位级别】：博士
【部分图文】：
MIAS数据库图像展示
10（a）正常（b）肿块 （c）钙化点 图 1-5 DDSM 数据库图像展示库中的图像来源于东方女性，库中包含病例 4图像 15 幅，正常图像 33 幅，肿块图像 17 m，数字化后的图像大小为 2510×2000，图像灰
（a）正常 （b）钙化点（c）肿块图 1-6 JSMIT 数据库图像展示1.4.4 INbreast 数据库INbreast[58]数字乳腺摄影图像是于 2008 年 4 月~2010 年 7 月在葡萄牙波尔图乳房中心获得。图像大小为 3328×4084 或 2560×3328 像素，总共 115 例（410 张图像），其中 90 例患乳腺癌（每例 4 幅图像），25 例乳房切除患者（每例 2 幅）。病变类型主要有肿块，钙化，不对称以及结构扭曲。对于病变图像，专家提供了精确的病灶轮廓，以 XML 格式保存。在 56 例肿块病变图像中，11 例良性病例，45 例恶性，总共包含 107 幅肿块图像，总计包括 116 个肿块。其中有 301 幅图像存在钙化点，被专家标记为含有钙化点簇的图像为 21 幅，总计 27 个钙化点簇集。图 1-7 展示了 INbreast 数据库中常见的钙化点和肿块病变图像。
【参考文献】：
期刊论文
[1]活动轮廓模型在医学图像分割的综述[J]. 兰红,韩纪东,方毅. 科学技术与工程. 2018(16)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[4]高频超声、1.5T磁共振（MRI）诊断乳腺癌的临床价值[J]. 刘伟. 中国CT和MRI杂志. 2015(12)
[5]乳腺钼靶X线肿块检测及分割方法[J]. 董敏,郭淼,马义德. 计算机应用. 2015(S1)
[6]视觉注意与显著性计算综述[J]. 孙晓帅,姚鸿勋. 智能计算机与应用. 2014(05)
[7]乳腺脂肪瘤钼靶X线及B超诊断的研究分析[J]. 刘克礼,周永利,刘斐,李渊博,颉小侠. 内蒙古中医药. 2014(15)
[8]超像素分割算法研究综述[J]. 王春瑶,陈俊周,李炜. 计算机应用研究. 2014(01)
[9]基于PCNN的图像边缘检测方法[J]. 邓翔宇. 自动化与仪器仪表. 2012(03)
[10]Automatic pectoral muscle boundary detection in mammograms based on Markov chain and active contour model[J]. Lei WANG,Miao-liang ZHU,Li-ping DENG,Xin YUAN (School of Computer Science and Technology,Zhejiang University,Hangzhou 310027,China). Journal of Zhejiang University-Science C（Computer & Electronics）. 2010(02)
博士论文
[1]基于乳腺X线图像的乳腺癌检测方法研究[D]. 张胜君.北京交通大学 2013
[2]视觉显著性应用研究[D]. 敖欢欢.中国科学技术大学 2013
[3]基于PCNN的图像去噪和图像增强方法研究[D]. 张红娟.兰州大学 2011
[4]乳腺钼靶X光片上微钙化点的计算机辅助检测技术的研究[D]. 王磊.浙江大学 2010
[5]方向性多分辨率图像分析研究：理论和应用[D]. 张久文.兰州大学 2009
硕士论文
[1]基于双视图的乳腺肿块辅助检测[D]. 胡阳.西安电子科技大学 2017
[2]基于视觉注意机制的图像显著性检测[D]. 范青.江南大学 2015
[3]轮廓波变换及其在图像处理中的应用[D]. 肖玉梅.苏州大学 2011
[4]乳腺肿块计算机辅助检测算法研究[D]. 张桥新.西安电子科技大学 2009
[5]计算机辅助检测在乳腺X线摄影中应用价值的研究[D]. 张小梅.天津医科大学 2008
本文编号：2979579
本文链接：https://www.wllwen.com/kejilunwen/wulilw/2979579.html
