多源数据融合的乳腺肿瘤良恶性诊断研究
发布时间：2021-04-06 19:32
在女性人群中乳腺癌的新发病例占比越来越大,且在临床检测中具有一定的病发隐匿性,不易被察觉,因此很多患者在被医生确诊时已成为晚期。为了有效减少乳腺癌死亡率,防止患者错失最佳治疗时机,我们亟需加大对早期检测治疗的宣传力度。恶性肿块是乳腺癌变的重要表现形式,计算机辅助诊断对乳腺肿瘤的良恶性自动识别具有重要研究意义。本文不同以往的研究思路,在分析乳腺肿瘤数据特性的基础上,提出一种新的融合影像学特征和医学临床特征的方法;针对这些融合产生的新特征,又提出了特有的分类方法和进一步的良恶性分类改进算法。本文具体研究工作如下:一、分析多源乳腺肿瘤数据的样本特点,提出一种融合影像学特征和临床特征的方法,即基于典型相关分析的语义特征组融合算法。该算法先对乳腺肿瘤感兴趣区进行分析计算,产生定性的语义特征;然后把高级语义特征进行分组,设定语义特征间融合规则;最后利用基于典型相关思想的特征向量组融合算法对影像学特征及患者的临床特征进行融合,从而生成新的乳腺肿瘤特征,即融合特征。实验结果表明,该算法生成的融合特征更有利于乳腺肿瘤的良恶性分类。二、围绕融合特征本身固有的特性,研究讨论对融合特征进行分类存在的问题与难点...
【文章来源】：西北大学陕西省 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
医学影像学特征和临床特征的融合
第二章 基于多源影像的乳腺肿瘤特征融合算法研究佳。边界检测方法是在梯度算子的基础上找较一个像素和其相邻像素，直接确定图像中。这可以通过区域生长、像素聚类或拆分和of[37]提出的区域增长图像分割算法不仅稳健，始，每个点对应于一个单独的区域。然后根较。要想确保分割的精确性，区域生长准则是基于区域灰度差的，采用 8-邻域法（8 个，如图 2 所示，在 8-邻域法中邻接像素是水子像素点和此 8-邻域像素点的灰度差小于指进行合并和标记。
像低层像素级特征、图像高层语义特征、图像三者的像中获得的低级特征映射为医生可以理解的语识，对乳腺肿瘤的感兴趣区进行分析计算，把的语义特征。以下为通过分析计算从底层图像，良性肿块是圆形或椭圆形的，而一个典型的。圆度定义为：24PAe 是肿块的面积和周长。圆度越小，它是一个良恶性肿瘤。是一种重要的乳腺肿瘤形态学特征。如果边缘之如果边缘呈锯齿状或毛刺状，肿瘤往往是恶
【参考文献】：
期刊论文
[1]差异性随机子空间集成[J]. 丁毅,王明亮,张道强. 计算机科学与探索. 2018(09)
[2]基于区域生长的图像分割研究进展[J]. 徐蔚波,刘颖,章浩伟. 北京生物医学工程. 2017(03)
[3]基于遗传算法—BP神经网络的乳腺肿瘤辅助诊断模型[J]. 马满芳,陆惠玲,王媛媛,吴华锋,季明,周涛. 软件导刊. 2016(11)
[4]机器学习在乳腺肿瘤分类检测中的应用研究[J]. 李喆,吕卫,闵行,褚晶辉. 计算机工程与科学. 2016(11)
[5]Fatigue driving detection based on Haar feature and extreme learning machine[J]. Chang Zheng,Ban Xiaojuan,Wang Yu. The Journal of China Universities of Posts and Telecommunications. 2016(04)
[6]噪声数据下基于模型权重与随机子空间的集成学习[J]. 林培榕,林耀进. 合肥工业大学学报(自然科学版). 2015(02)
[7]Lasso极限最小学习机[J]. 冉杨鋆,孙晓光. 计算机应用与软件. 2013(02)
[8]基于极限学习机的配电网重构[J]. 吴登国,李晓明. 电力自动化设备. 2013(02)
[9]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳. 自动化学报. 2013(06)
[10]乳腺良恶性病变的3.0T磁共振扩散加权成像鉴别诊断及b值优化[J]. 张雪梅,林江,叶芳,姚秀忠,曾蒙苏. 中国医学计算机成像杂志. 2012(03)
博士论文
[1]基于极限学习机的乳腺肿块检测技术研究[D]. 王之琼.东北大学 2014
硕士论文
[1]基于高级语义特征映射的乳腺超声图像分类研究[D]. 任姣姣.哈尔滨工业大学 2012
[2]基于多特征动态融合的图像分割研究[D]. 艾国红.中国科学技术大学 2011
[3]基于内容的彩色图像检索研究[D]. 余云鹏.南京航空航天大学 2009
[4]基于典型相关分析的鉴别特征抽取方法研究[D]. 彭倩倩.扬州大学 2008
本文编号：3122004
【文章来源】：西北大学陕西省 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
医学影像学特征和临床特征的融合
第二章 基于多源影像的乳腺肿瘤特征融合算法研究佳。边界检测方法是在梯度算子的基础上找较一个像素和其相邻像素，直接确定图像中。这可以通过区域生长、像素聚类或拆分和of[37]提出的区域增长图像分割算法不仅稳健，始，每个点对应于一个单独的区域。然后根较。要想确保分割的精确性，区域生长准则是基于区域灰度差的，采用 8-邻域法（8 个，如图 2 所示，在 8-邻域法中邻接像素是水子像素点和此 8-邻域像素点的灰度差小于指进行合并和标记。
像低层像素级特征、图像高层语义特征、图像三者的像中获得的低级特征映射为医生可以理解的语识，对乳腺肿瘤的感兴趣区进行分析计算，把的语义特征。以下为通过分析计算从底层图像，良性肿块是圆形或椭圆形的，而一个典型的。圆度定义为：24PAe 是肿块的面积和周长。圆度越小，它是一个良恶性肿瘤。是一种重要的乳腺肿瘤形态学特征。如果边缘之如果边缘呈锯齿状或毛刺状，肿瘤往往是恶
【参考文献】：
期刊论文
[1]差异性随机子空间集成[J]. 丁毅,王明亮,张道强. 计算机科学与探索. 2018(09)
[2]基于区域生长的图像分割研究进展[J]. 徐蔚波,刘颖,章浩伟. 北京生物医学工程. 2017(03)
[3]基于遗传算法—BP神经网络的乳腺肿瘤辅助诊断模型[J]. 马满芳,陆惠玲,王媛媛,吴华锋,季明,周涛. 软件导刊. 2016(11)
[4]机器学习在乳腺肿瘤分类检测中的应用研究[J]. 李喆,吕卫,闵行,褚晶辉. 计算机工程与科学. 2016(11)
[5]Fatigue driving detection based on Haar feature and extreme learning machine[J]. Chang Zheng,Ban Xiaojuan,Wang Yu. The Journal of China Universities of Posts and Telecommunications. 2016(04)
[6]噪声数据下基于模型权重与随机子空间的集成学习[J]. 林培榕,林耀进. 合肥工业大学学报(自然科学版). 2015(02)
[7]Lasso极限最小学习机[J]. 冉杨鋆,孙晓光. 计算机应用与软件. 2013(02)
[8]基于极限学习机的配电网重构[J]. 吴登国,李晓明. 电力自动化设备. 2013(02)
[9]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳. 自动化学报. 2013(06)
[10]乳腺良恶性病变的3.0T磁共振扩散加权成像鉴别诊断及b值优化[J]. 张雪梅,林江,叶芳,姚秀忠,曾蒙苏. 中国医学计算机成像杂志. 2012(03)
博士论文
[1]基于极限学习机的乳腺肿块检测技术研究[D]. 王之琼.东北大学 2014
硕士论文
[1]基于高级语义特征映射的乳腺超声图像分类研究[D]. 任姣姣.哈尔滨工业大学 2012
[2]基于多特征动态融合的图像分割研究[D]. 艾国红.中国科学技术大学 2011
[3]基于内容的彩色图像检索研究[D]. 余云鹏.南京航空航天大学 2009
[4]基于典型相关分析的鉴别特征抽取方法研究[D]. 彭倩倩.扬州大学 2008
本文编号：3122004
本文链接：https://www.wllwen.com/yixuelunwen/zlx/3122004.html
