基于模糊粗糙集的乳腺X光摄影图像处理方法

发布时间：2021-11-12 11:48

　　计算机辅助诊断（CAD）系统是一种基于计算机的医学图像自动分析工具,如分析乳腺X光摄影和前列腺MRI,它的使用有助于在早期发现癌变情况并及时诊断。在乳腺X光摄影CAD过程中,图像处理任务可以从乳腺X光摄影图像中提取高质量特征,其对诊断结果起着至关重要的作用。通常,乳腺摄影的图像处理过程主要包括三个步骤:感兴趣区域（ROI）提取、图像增强（IE）和特征提取（FE）。但是,由于ROI中不相关或无用信息的增强,IE的不当使用可能导致特征的组成较差。为了克服这一问题,本文提出了一种模糊粗糙精细化图像处理（FRIP）方法,分层次的提高了乳腺图像特征的质量。具体来说,该方法对每幅乳腺图像的ROI进行局部分割,然后选择模糊正域（FPR）值最大的块区域对其进行局部增强。FPR指标表明,对于给定的特征集,分割块与决策标签之间存在正相关关系。FPR值越高的分割块与图像类别的相关性越强。同时为了保证图像增强过程的质量,将通过多轮策略进一步改进优胜块,并创建一个IE结果池。对于乳腺摄影图像,将候选增强块嵌入原始ROI后,根据局部增强ROI的FPR值,将各自提取的特征进行对比。最终这幅图像将由一组FPR值最大的... 

【文章来源】：大连海事大学辽宁省 211工程院校

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

图３．１像素在距离ｄ和角度０之间的关系??Ｆｉｇ．?３．１?Ｔｈｅ?ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ｔｈｅ?ｄｉｓｔａｎｃｅ?ｄ?ａｎｄ?ｔｈｅ?ａｎｇｌｅ?６?ｏｆ?ｐｉｘｅｌｓ??

４??，－＾???／?２?２?１?４：８??２?４?１１５??ｉ?ＪＴＺＴ１?ｆｌｍａｌＴ］??＼?７?５＇乂?２＇?１??＼?ａ?＼＿＼＂―??１＾＂?１?０?２?１＼?ｂｏｏ??２２１１〇?ｒｉ〇０??１?０?０?０?０?丨?０丨丨?０?０??１０１００００１?＼＼??０?１?０?１?０?；〇｜?０?０?｜?ＧＬＣｌＶｈ??０?０?０?０?０?ｌＪ￣Ｙ￣?１?〇?ｄ￣－－９：０??０?０?０?０?２（?０?０?０??００００００００??ｂ??图３．２计算距离和角度Ｍ的８灰度图像的ＧＬＣＭ示例??Ｆｉｇ．?３．２?Ｅｘａｍｐｌｅ?ｏｆ?ＧＬＣＭ?ｆｏｒ?ｃａｌｃｕｌａｔｉｎｇ?８?ｇｒａｙｓｃａｌｅ?ｉｍａｇｅｓ?ｗｉｔｈ?ｄｉｓｔａｎｃｅ?ｄ＝＼?ａｎｄ?ａｎｇｌｅ?０°??３．２脉冲耦合神经网络（ＰＣＮＮ）??脉冲耦合神经网络（ＰＣＮＮ）是一种迭代图像增强模型，ＰＣＮＮ方法可以突出显示图像??的纹理细节『３４］，使得图像的亮度得到提升，更容易得到辨认。因此，本文采用脉冲耦合??神经网络方法对乳腺Ｘ光摄影图像进行处理，这样经过后期操作得到的图像特征，更容??易被提龋ＰＣＮＮ的方法可以看作是一个单层的二维神经网络，其中每个神经元对应于??输入图像的每个像素［３５］。图３．３显示了一个ＰＣＮＮ神经元模型，其中包括一个接受域、??一个非线性调制域和一个脉冲发生器，各部分的功能介绍如下。??！?ｐｉ?ｍ??ｓ?Ｆｉｊ?；?ｆｅｅｔ！?＼??＇??、?ｆｉｅｌｄ?Ｆ?｜?＼／＼＾｜?ｌｉｙ?Ｉ?１??Ｉ?Ｉ??接收域?１?调制域?脉冲发生器??图３．３?ＰＣＮＮ神经元模型?

?大连海事大学硕士学位论文???Ｉ??３．３模糊粗糙精细化图像处理（ＦＲＩＰ）方法??针对传统方法出现的ＩＥ不当使用可能导致ＲＯＩ中无用信息增强，提取特征组成较??差等问题，本文提出了一种模糊粗糙精细化图像处理（ＦＲＩＰ）方法用于乳腺Ｘ光摄影图像??风险评估。图３．４展示了提议方案的流程图。该方法策略包括三个步骤。??（１）图像预处理和Ｒ０丨提龋??（２）?ＲＯＩ分割和局部评估。??（３）?ＲＯＩ局部增强和特征融合。??广?＾?＾??１?分割ＲＯＩ?特征融合??＇乳屏癌图像、＇?’?Ｕ?］?．?Ｌ＇ｘｘ?ｒ?－?－?■＾??数淮?／?＆?①提取?Ｒ〇ｉ??】｜Ｊ＂?＾５」＾?ｊ?＾——，??ｉｗｕ?－——Ｓｈ?Ｊ?＾?ｉ：＇?：?ｆ：?＇?一??…?Ｈ?局部评估＂＿?Ｍ?Ｒ〇ｉＳＳ５１Ｓ？Ｓ??ｌ．?）?Ｋ??——７＾－?＾?大?ｎ＞？??????／ｉｉ部ｗｓｅｂ代＾?—块的＼?ｆ＾ｓ种ｋｎｎ方法１?增迓之后的块?１??Ｖ－?ｍｍ?ｙ?Ｖ?ｐ入厣始》〇丨ｙ??：图３．４提出方法的体系结构??Ｆｉｇ．?３．４?Ｔｈｅ?ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?ｔｈｅ?ｐｒｏｐｏｓｅｄ?ｍｅｔｈｏｄ??３．３．１图像预处理和ＲＯＩ提取??本节对乳腺Ｘ光摄影图像进行预处理，提取乳腺组织区域以供进一步分析。首先去??除胸肌和其他伪影，如定位标签和胶带。由于大多数致密组织和实质形态位于乳腺纤维??腺盘区，因此本文将从这些区域提取特征。根据组织密度的乳腺癌诊断标准，无论组织??的密度级别如何，纤维腺盘区以外的区域都含有脂肪组织，因此在纤维腺体区域之外提??取的

【参考文献】：
期刊论文
[1]基于AlexNet模型和自适应对比度增强的乳腺结节超声图像分类[J]. 陈思文,刘玉江,刘冬,苏晨,赵地,钱林学,张佩珩.  计算机科学. 2019(S1)
[2]基于AlexNet和集成分类器的乳腺癌计算机辅助诊断方法[J]. 侯霄雄,许新征,朱炯,郭燕燕.  山东大学学报(工学版). 2019(02)
[3]基于卷积神经网络和迁移学习的乳腺癌病理图像分类[J]. 郑群花,段慧芳,沈尧,刘娟,袁静萍.  计算机应用与软件. 2018(07)
[4]超声BI-RADS分级诊断在乳腺癌筛查中的应用[J]. 于玮慧.  影像研究与医学应用. 2017(13)
[5]基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断[J]. 吕鸿蒙,赵地,迟学斌.  计算机科学. 2017(S1)
[6]基于邻域关系模糊粗糙集的医学图像分类研究[J]. 胡学伟,蒋芸,邹丽,李志磊,沈健.  计算机工程与科学. 2016(04)
[7]A comprehensive review of medical image enhancement technologies[J]. ZHANG Yongxia 1),GUO Fenghua 1),ZHAO Guoling 2),LIU Qian 1),and ZHANG Xin 1) 1) School of Computer Science and Technology,Shandong University,Jinan 250101,China 2) Shandong College of Electronic Technology,Jinan 250200,China.  Computer Aided Drafting,Design and Manufacturing. 2012(03)
[8]基于PCNN图像因子分解的X线医学图像增强[J]. 何胜宗,刘映杰,马义德,宋文强,邓海波.  中国图象图形学报. 2011(01)

硕士论文
[1]基于决策关联性的多标签分类和特征选择算法[D]. 荣誉.大连海事大学 2018



本文编号：3490852