乳腺肿瘤图像的识别方法研究

发布时间：2021-08-05 10:38

　　乳腺疾病的初期检查是拯救病患性命最可靠的办法。当前,乳腺X线图像是诊断乳腺肿瘤最常用的图像,但是初期乳腺肿瘤图像特征的特异性不强,受医生主观因素影响,易出现误诊和漏诊。目前,计算机发展迅速,用先进的计算机技术来帮助医师对乳腺肿瘤进行诊断已经发展为一个研究热点。本文在经典乳腺肿瘤图像的模式识别方法的基础上,提出了新的识别算法,实现了对乳腺肿瘤的有效识别,具体工作如下:（1）介绍了乳腺图像处理的相关技术。使用对比度增强方法对图像进行加强,提高了图像质量。通过模糊c均值算法,将潜在的肿块区域有效地分割出来。分别提取乳腺肿块特征和乳腺密度特征作为有效特征,其中在乳腺肿块区域,利用灰度共生矩阵纹理分析方法,提取48个纹理特征和5个形状特征;在乳腺密度区域,提取2个灰度特征,并将提取的特征作为以下算法的实验数据集。（2）提出了基于支持向量机的参数优化算法。对面向乳腺肿瘤识别的支持向量机分类算法中惩罚系数和核函数参数展开优化,提出将改进的果蝇优化算法作为支持向量机参数的优化算法,提高分类性能。通过建立实验,分类结果表明算法可以提高识别准确率。（3）提出了面向乳腺肿瘤图像识别的联合增强耦合特征表示方法... 

【文章来源】：鲁东大学山东省

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文的主要工作
    1.4 论文的组织结构
第2章 乳腺超声图像处理技术
    2.1 图像预处理
        2.1.1 图像去噪
        2.1.2 图像增强
    2.2 肿块区域分割
    2.3 图像识别
        2.3.1 特征提取
        2.3.2 图像分类
    2.4 本章小结
第3章 基于改进的FOA算法优化SVM的乳腺肿瘤识别
    3.1 引言
    3.2 支持向量机
        3.2.1 线性支持向量机
        3.2.2 非线性支持向量机
    3.3 改进的FOA算法优化SVM参数
        3.3.1 FOA算法概述
        3.3.2 改进的FOA算法优化SVM参数算法
    3.4 基于改进的FOA算法优化SVM的乳腺肿瘤识别
    3.5 实验结果与分析
        3.5.1 实验数据集来源
        3.5.2 实验设计及运行环境
        3.5.3 实验结果及分析
    3.6 本章小结
第4章 基于联合增强耦合特征表示的乳腺肿瘤识别算法
    4.1 引言
    4.2 模型描述
        4.2.1 耦合属性分析理论
        4.2.2 Adaboost算法
    4.3 算法实现
        4.3.1 耦合特征表示算法
        4.3.2 联合增强算法
    4.4 实验结果与分析
    4.5 本章小结
第5章 结论
    5.1 本文工作
    5.2 工作展望
参考文献
作者简历


【参考文献】：
期刊论文
[1]基于PSO-SVM的乳腺肿瘤辅助诊断研究[J]. 谷宇,吕晓琪,赵瑛,喻大华.  计算机仿真. 2015(05)
[2]统计模式识别概论及应用[J]. 万爽.  科技视界. 2014(09)
[3]基于概率神经网络的乳腺癌诊断系统[J]. 彭勇,陈俞强.  合肥工业大学学报(自然科学版). 2013(06)
[4]LVQ神经网络在乳腺肿瘤诊断中的应用[J]. 王波,杜晓昕,金梅.  计算机仿真. 2012(08)
[5]乳腺癌早期筛查方法及其应用[J]. 曾繁余.  华夏医学. 2012(04)
[6]基于改进的网格搜索法的SVM参数优化[J]. 王健峰,张磊,陈国兴,何学文.  应用科技. 2012(03)
[7]医学影像数据分类方法研究综述[J]. 李莉,木拉提·哈米提.  中国医学物理学杂志. 2011(06)
[8]支持向量机理论与算法研究综述[J]. 丁世飞,齐丙娟,谭红艳.  电子科技大学学报. 2011(01)
[9]模糊模式识别的几种基本模型研究[J]. 陈振华,余永权,张瑞.  计算机技术与发展. 2010(09)
[10]基于分组特征多核支持向量机的微钙化簇检测[J]. 常甜甜,刘红卫,王宇,冯筠.  系统仿真学报. 2010(05)

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]基于小波变换和二代曲波变换的乳腺钼靶X片图像增强[D]. 邱菊.吉林大学 2009

硕士论文
[1]基于多示例学习的图像分类研究[D]. 陈彤彤.鲁东大学 2016
[2]基于医学图像的肺结节特征提取与辅助检测[D]. 李秋萍.山东财经大学 2015
[3]基于改进的FCM算法在图像分割中的研究与应用[D]. 朱然.兰州交通大学 2015
[4]乳腺医学图像处理方法研究[D]. 王梦珍.天津大学 2014



本文编号：3323605