基于粒子群优化与多层感知机的乳腺肿瘤分类技术研究

发布时间：2021-09-22 18:28

　　乳腺癌作为全球女性最常患的恶性肿瘤之一,是由乳腺组织发展而成的癌症。由于其较高的死亡率,乳腺癌的早期筛查和诊断显得尤为重要。超声成像技术凭借其实时便捷、价格低廉、无辐射创伤等优势,成为乳腺肿瘤早期筛查的重要手段,可以极大程度地避免不必要的活检。由于超声图像的读取严重依赖于超声科医师自身的经验水平,培养经验丰富的超声科医师需要耗费极大的心力物力,因此计算机辅助诊断系统应运而生。然而,传统的辅助诊断系统都是基于低级图像特征,当超声图像来自不同设备源时,诊断系统的性能急剧下降。此外,其诊断结果常常难以被医师理解和接受。据此,本文提出了人机协同CAD机制以克服上述传统方法中存在的缺陷,但此方法严重依赖于人工评分的效果。对于同一张乳腺肿瘤超声影像,经验水平有所差异的医师可能会给出不同的评分分数,最终对分类结果造成不利影响;同时,医生打分具有主观判断性。上述问题在一定程度上,限制了超声乳腺肿瘤分类技术在乳腺癌早期筛查与诊断中的临床应用和推广。针对传统辅助诊断系统中使用的低级图像特征与医师理解的高级语义特征中的巨大语义鸿沟,本文结合专家经验,提出了一种基于BI-RADS超声特征打分方案的诊断系统。通... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

超声乳腺肿瘤CAD系统流程图

LDA图示

华南理工大学硕士学位论文6图1-3决策树分类乳腺肿瘤良恶性示意图4.支持向量机SVM属于监督学习技术的一种，对于图1-4所示的二分类问题，通过寻求一个最佳分离超平面来分割数据集中的样本。对于非线性可分问题，核函数的使用可以将输入数据映射到更高维空间，以求得到更好的数据分布，使得高维空间中的分离超平面性能更优。凭借优秀的性能表现，SVM被广泛应用在肿瘤的诊断系统中[16],[22]。2010年，Huang等人提出了基于模糊SVM的超声图像质量检测与分类CAD系统，取得了94.25%的准确度[24]。SVM算法性能出色，适用范围广泛，但是对于非线性问题，核函数的选择至关重要，并且随着输入数据的维数增加，训练时间指数级增长。在超声乳腺肿瘤的临床诊断中，SVM需要训练样本具有标记。图1-4二分类问题5.集成学习集成学习算法通过构建并整合多个弱分类器来完成训练样本的分类任务。图1-5展

【参考文献】：
期刊论文
[1]2018全球癌症统计报告解读[J]. 王宁,刘硕,杨雷,张希,袁延楠,李慧超,季加孚.  肿瘤综合治疗电子杂志. 2019(01)
[2]乳腺癌在中国的流行状况和疾病特征[J]. 柏尚柱.  世界最新医学信息文摘. 2017(41)
[3]基于粒子群优化算法的非线性控制系统参数优化[J]. 王功明,袁德成.  沈阳化工大学学报. 2016(04)
[4]超声造影与增强磁共振成像在乳腺良恶性肿瘤鉴别诊断中的应用[J]. 杨勇,吕秀花,崔光彬,杨一林,王瑧,袁丽君,段云友.  中国超声医学杂志. 2015(07)
[5]彩色超声和X线钼靶摄影对乳腺积乳囊肿的诊断价值[J]. 罗巧云,王涛,许晨.  临床合理用药杂志. 2015(06)
[6]乳腺癌超声诊断进展[J]. 吴松松,陈亚青.  中国医学影像技术. 2006(04)

博士论文
[1]MRI图像的脑肿瘤分割方法研究[D]. 邓万凯.华中科技大学 2011



本文编号：3404189