基于PCA的乳腺肿块辅助诊断方法研究

发布时间：2017-05-06 06:18

  本文关键词：基于PCA的乳腺肿块辅助诊断方法研究，由笔耕文化传播整理发布。

【摘要】：近年来乳腺疾病的发病率呈逐年上升趋势，并逐渐年轻化，已严重危害女性健康，乳腺疾病若不能及早发现很容易恶化为乳腺癌。临床上应用乳腺钼靶X线辅助诊断系统，可以帮助医生发现微小肿块及潜在肿块，有效提高了乳腺疾病的早期诊断精度，对乳腺癌的防治具有重要意义。 乳腺肿块是判定乳腺癌的重要依据，如何准确检测和识别肿块对乳腺癌的诊断具有重要意义。本文主要研究基于主成分分析（PCA）提取肿块特征，，并结合独立成分分析（ICA）得到改进方法，再利用分类器将特征分类，从而完成对肿块的判别。文章首先引用CT图像的窗口技术，设计乳腺钼靶X线图的最佳显示灰度范围，利用动态规划法结合肿块诊断标准选取ROI区域作为样本图像；其次设计了PCA计算肿块特征的计算方法，计算测试样本的协方差矩阵，根据累计贡献率选取特征向量构成特征空间，得到训练图像的投影系数即主成分特征；第三，结合ICA改进肿块特征，利用PCA对图像作空间维度降低处理，ICA计算实现选取特征的相互独立性；最后利用特征分类器对计算的特征进行分类，实现对肿块的检测。 本文共选取ROI区域图像174幅，选取其中70幅作为训练图像，其余104幅作为测试图像。利用上述方法进行检测，将结果与检测标准对比，利用PCA方法得到的肿块检出率为93.3%，ROC测试曲线结果AUC=0.88，该结果表明，利用PCA可以有效提高肿块检测效果；结合ICA后，检出率达到96.2%，进一步改进了检测效果，对提高CAD系统的性能具有重要作用。
【关键词】：乳腺肿块检测 窗口技术 主成分分析 独立成分分析
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：R737.9;R816.4
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-18
• 1.1 乳腺辅助诊断研究的背景及意义10-12
• 1.2 乳腺CAD系统的发展与现状12-13
• 1.2.1 乳腺CAD系统的产生及发展12-13
• 1.2.2 乳腺CAD系统的研究现状13
• 1.3 早期乳腺肿块影像检测方法13-16
• 1.3.1 乳腺肿块影像检测方法13-14
• 1.3.2 乳腺肿块的X线显影特征14-15
• 1.3.3 X线成像诊断乳腺疾病存在的问题15-16
• 1.4 本文主要内容及结构安排16-18
• 第二章 ROI区域提取和乳腺图像灰度调节18-28
• 2.1 肿块ROI区域选择18-21
• 2.1.1 肿块分割的原理和传统方法18-19
• 2.1.2 基于动态规划的肿块分割19-21
• 2.2 基于灰度可调的乳腺肿块显示21-23
• 2.2.1 CT图像窗口技术21-23
• 2.2.2 X线图像窗口技术23
• 2.3 灰度范围选取23-27
• 2.3.1 窗宽、窗位的取值24-25
• 2.3.2 WL值的选择25-26
• 2.3.3 WW值的选择26-27
• 2.4 本章小结27-28
• 第三章 基于PCA的肿块特征计算28-42
• 3.1 PCA原理及应用28-30
• 3.1.1 PCA算法原理28-29
• 3.1.2 PCA的应用29-30
• 3.2 肿块特征计算30-32
• 3.3 特征分类32-33
• 3.4 参数优化设计33-35
• 3.5 PCA特征分析35
• 3.6 基于PCA的图像重构35-41
• 3.6.1 PCA重构方法35-36
• 3.6.2 实验设计及重构结果36-41
• 3.7 本章小结41-42
• 第四章 PCA算法优化42-50
• 4.1 ICA算法原理及计算42-46
• 4.1.1 ICA原理42-44
• 4.1.2 独立特征计算44-45
• 4.1.3 分离矩阵计算45-46
• 4.2 结合ICA优化肿块特征46-49
• 4.2.1 优化特征计算46-47
• 4.2.2 特征分类47
• 4.2.3 参数优化设计47-49
• 4.3 本章小结49-50
• 第五章 检测结果分析50-55
• 5.1 肿块检测结果50-53
• 5.1.1 PCA肿块检测结果分析50-51
• 5.1.2 PCA结合ICA方法的肿块检测结果分析51-53
• 5.2 误检及漏检53
• 5.3 算法性能评估53-54
• 5.4 本章小结54-55
• 第六章 总结与展望55-58
• 6.1 工作总结55-56
• 6.2 前景展望56-58
• 参考文献58-61
• 在学研究成果61-62
• 致谢62

【参考文献】

中国期刊全文数据库 前10条

1 孙存杰,张虹;CT图像增强方法的研究[J];CT理论与应用研究;2005年04期

2 万剑,程宪平;肿瘤细胞计算机辅助诊断系统的研究[J];电脑开发与应用;2004年05期

3 王合,庄天戈,蒋大宗;基于动态规划的序列图像自动分割[J];电子学报;1998年11期

4 马社祥;张振宇;温显斌;;灰度图像的多分辨特征信息度量[J];光电子.激光;2009年08期

5 赵庆苓;;主成分分析在人脸识别研究中的应用[J];贵州大学学报(自然科学版);2010年05期

6 董火明,高隽,胡良梅,董文雯;基于主分量分析的形状特征提取及识别研究[J];合肥工业大学学报(自然科学版);2003年02期

7 刘直芳,游志胜,王运琼;基于PCA和ICA的人脸识别[J];激光技术;2004年01期

8 李晓峰;沈毅;王强;;超声乳腺肿瘤图像计算机辅助诊断系统[J];吉林大学学报(工学版);2009年03期

9 翟俊海;王熙照;张素芳;;基于小波变换和多类支持向量机的图像分类[J];计算机工程与应用;2007年16期

10 杨万扣;王建国;任明武;杨静宇;;基于分块独立成分分析的人脸识别[J];计算机工程与应用;2008年01期

中国硕士学位论文全文数据库 前4条

1 苟茹君;支持向量机方法在乳腺肿块分类中的应用研究[D];西安理工大学;2008年

2 熊健;基于x线图像的乳腺肿块自动检测技术研究[D];华中科技大学;2007年

3 王明;乳腺X线计算机辅助诊断关键技术研究[D];上海交通大学;2009年

4 杜万亮;基于独立成分分析的多元回归方法研究[D];东北大学;2009年

  本文关键词：基于PCA的乳腺肿块辅助诊断方法研究，由笔耕文化传播整理发布。

本文编号：347897