一、基于小波的数字乳腺图像上肿块的处理（论文文献综述）
陈智丽,高皓,潘以轩,邢风[1]（2022）在《乳腺X线图像计算机辅助诊断技术综述》文中指出近年来,乳腺癌严重威胁全球女性的身体健康,乳腺X线摄影是乳腺癌筛查的有效影像检查手段。乳腺X线图像计算机辅助诊断（computer aided diagnosis,CAD）运用计算机视觉、图像处理、机器学习等人工智能先进技术,自动分析处理乳腺X线图像,可为医生在临床中提供重要的诊断参考。主要面向肿块和微钙化病变检测、分割和分类等问题,从传统方法和深度学习方法两个角度,综述乳腺X线图像计算机辅助诊断技术的发展现状。鉴于近年来深度学习方法取得的突破性成果,回顾了经典的深度学习网络模型,着重介绍了深度学习方法在乳腺X线图像分析中的最新应用,对比分析了传统方法的弊端和深度学习方法的优势。对现有技术存在的问题进行分析,并对未来发展方向进行展望。
陈吉新[2]（2021）在《基于区域卷积神经网络的乳腺MRI肿块检测与诊断研究》文中认为乳腺癌是全球发病率第二高的癌症,也是女性发病率最高的恶性肿瘤。影像学检查在乳腺癌早期检测和诊断中扮演着重要角色,凭借其精准无创的诊断性能,检出初期乳腺疾病,从而抑制病情恶化、提升治愈率。磁共振成像（Magnetic Resonance Imaging,MRI）作为癌症检测的重要无创手段,能够发现乳腺早期病灶,精准地反映病变的形态特征和血流动力学信息,是乳腺癌早期检测的重要工具。同时,随着深度学习在图像领域的不断拓展,如何结合深度学习与医学成像技术来构建计算机辅助诊断算法,缓解医生的阅片压力,提升诊断的准确性和稳定性,成为了当前医学影像处理领域亟待解决的问题。为了解决上述问题,本文的主要研究工作是基于区域卷积神经网络来构建计算机辅助检测与诊断算法,对乳腺MRI图像进行乳腺癌肿块的早期检测与诊断。由于乳腺MRI公开数据集的缺乏,本文首先对合作医院的乳腺MRI数据进行处理和标注,制作了乳腺MRI肿块检测标准数据集;然后对经典的区域卷积神经网络算法Faster RCNN进行改进,实现了在标准数据集上对乳腺肿块的高敏感度检测;最后,针对乳腺肿块检测过程中的小尺寸肿块检测困难、良性肿块检测精度不高的问题进行分析,将特征金字塔网络和级联网络策略融入到Faster RCNN算法中,构建出级联特征金字塔网络,进一步提高了对乳腺良恶肿块的检测和分类性能。具体地,本文的主要研究工作如下:（1）制作乳腺MRI肿块检测标准数据集。对于纳入数据集的191例患者,首先使用小波去噪对其乳腺MRI图像进行去噪处理,然后根据诊断病历在医生的指导下对所有样本进行了肿块标注,并在数据扩增步骤中,提出了一种3通道RGB图像融合的数据扩增方法,得到了表征能力更强的乳腺RGB融合图像,并提高了数据集的样本空间。最后,对病人最大肿瘤横截面前后连续5张切片进行采样,用于后续实验。（2）对经典的区域卷积神经网络算法Faster RCNN进行改进,实现了乳腺肿块的高灵敏度检测。本文使用Res Net101作为Faster RCNN的主干网络,并根据肿块的尺寸设计了定制化的锚尺寸,提高了算法对乳腺图像的特征提取能力和检测性能。在损失函数方面,采用Focal Loss替代了原始的交叉熵损失,使得算法提高了对难分样本的关注权重和良恶肿块的类间平衡性。在模型训练上,提出了两步迁移学习方法,使得网络分别从自然图像数据集Image Net和PASCAL VOC上学习到先验知识,最后在乳腺肿块标准数据集上达到了0.837的m AP值,0.979（0.401 FPs/Volume）的灵敏度。（3）将特征金字塔网络和级联网络策略融入到Faster RCNN算法中,构建出级联特征金字塔网络,进一步提高了算法对乳腺良恶肿块的检测和分类性能。针对在实验过程中出现的小尺寸肿块易漏检、良性肿块检出率远低于恶性肿块的问题,本文引入多尺度特征金字塔结构对Res Net101主干网络进行改进,以提高网络对小肿块识别能力;并采用级联策略,将单阈值网络级联成多阈值网络,提高网络对各种目标对象的学习能力。最后,将乳腺肿块的检测m AP值提高到了0.860,并大大提升了对小肿块的检测性能。综上所述,本文所有的工作都围绕乳腺MRI图像中的肿块检测与诊断任务展开,为后续的乳腺癌计算机辅助诊断算法在乳腺癌早期检查中的应用提供了方法参考,推动了乳腺癌的临床研究和乳腺癌早期检查的普及。
秦耿耿[3]（2021）在《乳腺X射线图像智能辅助诊断方法及临床应用研究》文中进行了进一步梳理国际癌症研究机构（international agency for research on cancer,IARC）2020 年发布的最新数据表明,乳腺癌首次正式取代肺癌成为全球第一大癌症。乳腺癌发病率持续上升,但值得庆幸的是,从1989年到2014年,乳腺癌的总体死亡率下降了 38%,这可能部分归因于乳腺癌筛查的持续开展。早期发现、早期诊断、早期治疗可以显着提高乳腺癌患者的生存率。乳腺影像学检查是乳腺癌筛查最重要的检查手段,并且高度依赖放射科医生的经验。以深度学习为基础的计算机辅助诊断（computer aided diagnosis,CAD）可以降低乳腺癌诊断过程中对放射科医生经验水平的依赖程度,提高其对恶性病灶的诊断率,减少漏诊,缩减诊断时间。目前基于人工智能的乳腺影像辅助诊断应用研究集中在乳腺病灶检出及病灶分类,总体来说,检出率及准确率在不断提高,但应用面仍不够广泛。本研究旨在紧贴临床实际需求,寻找乳腺影像筛查与人工智能的结合点,进一步拓展人工智能在乳腺影像辅助诊断中的应用范围。在乳腺癌影像筛查方面,目前有多种检查方法,如全视野数字化乳腺X射线摄影（full-field digital mammography,FFDM）、数字化乳腺断层摄影（digital breast tomosynthesis,DBT）、乳腺超声（ultrasound,US）、电子计算机断层扫描（computed tomography,CT）、磁共振（magnetic resonance,MR）及核医学检查。影像组学（radiomics）和深度学习（deep learning,DL）的兴起为CAD提供了新的思路和机会,让不同模态图像的CAD均获得性能的提升,但在临床应用层面,仍有一系列问题尚未解决。首先,乳腺X射线密度分类存在一定主观性且耗时耗力,由于诊断经验与水平的差异,不同放射科医生之间对乳腺X射线密度的判读存在一定的差异性,尤其是第5版BI-RADS分类中,b类散在纤维腺体类（乳腺内散在纤维腺体密度区域）与c类不均匀致密类（乳腺组织密度不均,可能使小的肿块被遮挡）的分类改为医生主观分类,不再是腺体百分比分类,导致分类的准确率及一致性较差,目前的算法大多针对百分比分类,难以满足临床需求。其次,在乳腺X射线摄影过程中,通常要获得一个乳腺的两个投照体位影像:头尾位（craniocaudal,CC）和内外侧斜位（mediolateral oblique,MLO）图像,因为它们能提供比单一投照图像更全面的诊断信息。在临床上,放射科医生通过观察对应的空间位置和特征相似性来匹配CC位和MLO位图像上的同一感兴趣区（region of interest,ROI）,在腺体遮蔽和乳腺压缩变形的情况下,这一任务的难度通常不低,需要有经验的放射科医生才能准确判断。因此,若能帮助放射科医生识别CC位和MLO位图像上对应的ROI位置信息,对于辅助医生发现和诊断乳腺病灶而言是非常有价值的。此外,微钙化和囊性或实性肿块是诊断乳腺肿瘤的重要特征。在FFDM和DBT上更容易发现钙化,肿块的囊性或实性则通过超声检查来判断更佳。然而FFDM和DBT检查都会给患者带来一定的辐射风险。如果能从超声图像上生成FFDM和DBT图像,可以在一定程度上给放射科医生提供更多的附加诊断信息,从而辅助医生提高诊断的准确率。最后,放射科医生通过观察乳腺X射线图像上肿块的密度、边缘、大小、形态及其伴随征象（如皮肤改变、周围小梁结构改变、淋巴结形态与密度等）对所发现的乳腺肿块做出定性诊断。乳腺肿块的形状一直被认为是预测恶性病灶的最重要的指标之一。另外,肿瘤区域内的密度和质地及邻近肿瘤的正常组织（normal tissue adjacent to the tumor,NAT）也在恶性病变预测中起到重要作用。乳腺肿块的诊断准确率受放射科医生的经验、年限影响,有可能会因为医生的个人经验与诊断水平不足而导致误诊。而利用深度学习对肿瘤及NAT进行联合建模,可以融合有效信息,提高分类性能。本文针对以上问题,运用机器学习及深度学习的方法,开展散在纤维腺体类与不规则致密类乳腺X射线密度分类、乳腺X射线图像双体位ROI匹配、超声图像-DBT图像虚拟生成、联合病灶和边缘区域病灶分类四个方面的研究。一、基于深度学习的散在纤维腺体类与不规则致密类乳腺X射线密度自动分类研究。从第5版BI-RADS对乳腺X射线密度的定义中,我们将4个分类中最难分辨的散在纤维腺体类（b类）、不均匀致密类（c类）单独提出来,基于CNN的方法实现对乳腺密度分类难度较大的b类及c类进行自动分类,并采用迁移学习、集成学习及结果可视化等方法改进模型性能。基于CNN的集成模型敏感度为0.82,特异度为0.96,准确率为0.89,AUC为0.95;使用迁移学习的集成模型敏感度为0.88,特异度为0.98,准确率为0.93,AUC为0.99。CNN集成模型分类的性能和一致性均较高。二、基于BP神经网络（back propagation neural network,BPNN）和 Faster R-CNN的乳腺X射线CC位和MLO位图像ROI对应匹配方法。我们提出一种基于BPNN和Faster R-CNN对乳腺X射线双体位图像ROI进行匹配的方法。与传统的采用直线型或弧线型模型对不同体位图像进行区域刚性匹配的ROI匹配方法不同,本部分研究采用BPNN对弧线型和直线型匹配区域进行组合构建匹配模型,以减小配准面积,配准面积越小,匹配敏感度越高,假阳性（falsepositive,FP）率越低。此外,使用Faster R-CNN定位匹配区域图像上ROI的对应位置,结果显示Faster R-CNN+VGG16在50%和75%重叠时的平均距离误差为4.58 mm,准确率分别为0.87和0.85。与其他方法相比,基于Faster R-CNN+VGG-16的ROI对应定位方法准确率更高、耗时更短。三、基于Dual Attention CycleGAN的超声图像与DBT图像虚拟生成。该章节中,我们提出了一种基于Dual Attention CycleGAN的超声图像至DBT图像生成的办法。该方法构造了一个由全卷积网络作为判别器的体系结构,它预测patch标签而不是传统的数字标签来区分真伪图像。对于生成网络,我们验证了不同的类U-net结构,并在实验性能上采用了 Dual Attention U-net（DA-Unet）,DA-Unet适合于CycleGAN的生成器结构,它可以获得较低的FID（Frechlet Inception Distance）得分:208.7。在放射科医生评价中,DA-Unet与真实DBT的效果相近,准确率为0.83,敏感度为0.71,特异度为0.90。通过客观指标和放射科医生的评价,证明我们提出的方法所合成的DBT图像与真实DBT图像具有一定的可比性。四、基于联合病灶和边缘区域的乳腺病灶分类研究。该章节中,以乳腺DBT病灶为例,采用深度学习和机器学习模型融合的方法,结合病灶和边缘区域信息模拟医生的决策过程。在信息融合后,分类性能获得提高。病灶及边缘区域融合后的AUC高达0.91。通过与医生对比,发现融合模型的性能与中年资放射科医生相当,优于低年资放射科医生,稍逊于高年资放射科医生。而在模型的辅助下,大多数放射科医生的对乳腺肿块的鉴别诊断能力得以提高。本研究对UNet、VGG-16、VGG-19、ResNet-50、DenseNet、SVM 等相关人工智能方法进行应用探索,并应用于解决散在纤维腺体类与不规则致密类乳腺密度分类、双体位乳腺X射线图像ROI匹配、乳腺超声图像-DBT图像虚拟生成及联合病灶和边缘区域乳腺X射线病灶分类等问题。研究结果表明人工智能的强大能力及无限潜力,将在乳腺影像辅助诊断领域继续发挥重要作用。
龚勋,杨菲,杜章锦,师恩,赵绪,杨子奇,邹海鹏,罗俊[4]（2020）在《甲状腺、乳腺超声影像自动分析技术综述》文中研究指明超声诊断是甲状腺、乳腺癌首选影像学检查和术前评估方法.但良/恶性结节的超声表现存在重叠,仍欠缺定量、稳定的分析手段,严重依赖操作者的经验.近年来,基于计算机技术的医疗影像分析水平快速发展,超声影像分析取得了一系列里程碑式的突破,为医疗提供有效的诊断决策支持.以甲状腺、乳腺两类超声影像为对象,梳理了计算机视觉、图像识别技术在医学超声图像上的学术进展,以超声影像自动诊断涉及的一系列关键技术为主线,从图像预处理、病灶区定位及分割、特征提取和分类这4个方面对近年来主流算法进行了详尽的综述分析,从算法分析、数据和评估方法等方面进行多维度梳理.最后讨论了具体面向这两种腺体的超声图像计算机分析存在的问题,并对此领域的研究趋势和发展方向进行了展望.
蔡盛[5]（2020）在《针对乳腺X线图像的乳腺癌症检测方法》文中研究指明乳腺癌具有发病率高、死亡率高的特点,已成为威胁妇女健康和生命的主要疾病。乳腺癌的早期筛查和早期诊断是挽救患者生命最有效的方法。乳房X线检测是乳腺癌筛查中最重要的影像学检查方法。早期乳腺癌的影像学特征尚不明确。其密度分类、微钙化检测和肿块良恶性分类是早期乳腺癌筛查的主要难点。它很容易受到医生的主观影响,易发生误诊和漏诊。随着计算机技术的不断发展,计算机辅助检测乳腺癌已成为医学影像学研究的一个热点领域。有效的计算机辅助检测方法可以帮助医生更好地分析乳房X线照片,提高乳腺癌诊断的准确性。本研究将计算机视觉与机器学习相结合,构建了一种乳腺癌检测算法。研究工作概括如下:（1）提出了一种基于小波变换的乳腺X线图像乳腺密度分类算法。乳腺密度高的女性患乳腺癌的风险是低密度的45倍。本研究在专业医师指导下,乳腺密度的分析研究分为三个阶段:首先,将乳腺图像分别进行去噪处理和自适应直方图均衡化处理,再进行小波技术融合前者,增强不同密度乳腺的灰度直方图特征。然后,通过多次迭代来确定乳腺区域的阈值,并得到标准二值化乳腺X线图像,计算图像黑白像素的比值得乳腺密度。我们根据乳腺影像报告和数据系统（Breast imaging reporting and data system,BI-RADS）的规则,评估乳房密度算法的性能。我们的分割结果准确率达到85%,实验结果优于放射科医生与同类算法准确率,为临床医生提供更高效的分类乳腺密度算法。（2）提出了一种基于自适应支持向量机的乳腺X线图像乳腺钙化病灶检测算法。微钙化是早期乳腺癌病变最重要的标志信息。目前,人工形态学观察是临床诊断此类疾病的主要方法,但容易引起误诊和漏诊。我们根据钙化病灶的特点设计了检测算法:首先,利用轮廓波变换和数学形态学（Contourlet transformation and morphology,CTM）增强乳房X线图像的对比度特征。再采用K均值聚类算法（K-means clustering algorithm,K-means）分割感兴趣区域（Region of interest,ROI）,然后计算ROI的灰度特征、形状特征和区域直方图梯度。通过自适应支持向量机对感兴趣区域的粗钙化点和假钙化点进行分类。结果表明,该乳腺钙化病灶检测算法的准确率达到94%,实验结果优于放射科医生与同类算法,具有较大的临床应用价值。（3）提出了一种基于迁移学习微调网络的乳腺X线图像肿块检测算法。乳腺肿块是中晚期乳腺癌病变最主要的标志信息。随着深度学习在医疗领域应用场景出现,迁移学习受到越来越多的关注。我们根据乳腺肿块病灶的特点设计了良恶性分类算法:首先,将已学训练好的ImageNet模型参数进行迁移,将原有网络的输出层去掉,剩下的整个网络作为一个固定的特征提取机,从而应用到我们的乳腺肿块数据集,然后在微调的过程中,根据乳腺肿块病灶的特点,冻结网络中所有层的参数,添加最后几层及输出层,最终只需要微调训练最后几层网络,不断改进模型,提高算法准确率。结果表明,微调的VGG算法的分类准确率达到94%,实验结果优于从零开始训练的卷积神经网络算法和传统的机器学习算法,该算法效率更高,为放射科医生提供第二参考点。
史庆楠[6]（2020）在《基于蚁群算法的图像边缘检测及分割》文中研究表明图像是人类认识和了解世界的重要途径之一,以前人们在接收图像传递给我们的信息后,需要自己去判断和识别,现在利用图像处理技术,能够直接获取图像中隐藏的、有价值的信息。边缘信息是图像的重要特征,图像边缘检测是图像分析的基本步骤,为后续的特征提取和分类决策提供了重要帮助,利用合适的方法找到图像的完整边缘信息非常重要。蚁群算法作为一种近年来兴起的群智能算法,是通过模拟蚂蚁群体觅食行为发展而来的算法,具有并行性、正反馈性、强鲁棒性等特点。许多学者将蚁群算法应用于图像边缘检测,并取得较好的效果。但算法存在参数众多、人工设置的参数值不准确、迭代过程中容易受到局部最优解干扰等问题。近年来,又提出融合蚁群算法与其它技术进行边缘检测的方法,可获得较精准的物体边缘。基于上述研究背景,本文就蚁群算法及其应用于图像边缘检测进行了研究。本文主要研究内容:（1）基于蚁群算法自身的优化。针对算法中蚂蚁初始位置远离边缘,迭代次数过多,边缘定位不准确的问题,本文通过初始位置优化,参数的动态调整,以及阈值的自适应选择等对算法进行改进,使蚂蚁能够沿着真实边缘搜索前进。实验表明,改进的算法用于图像边缘检测可以获得更完整的边缘,检测效果较好。（2）基于蚁群算法与Canny算子的融合优化。由于在乳腺钼靶X线图像中,肿块与周围组织的对比度较低,肿块边缘不易被发现,血管等组织对结果影响较大,本文首先采用各向异性扩散和伽马校正对医学图像进行预处理,然后引入模糊隶属度函数对蚁群算法进行优化,并将蚁群算法与Canny算子融合,实现对肿块边缘的检测,并进行分割。实验表明,该算法对肿块的分割精度更高,效果更好。
张桢[7]（2020）在《基于深度迁移的钼靶图像乳腺肿块检测技术研究》文中研究指明乳腺癌是一种常见的恶性肿瘤疾病,在妇女人群中发病率居高不下,早发现早治疗是乳腺癌治疗的关键,当前钼靶影像技术是早期诊断乳腺癌有效方法之一。根据研究显示,医师能够运用计算机辅助检测（Computer-Assisted Detection,CAD）技术在早期阶段的钼靶影像中发现肿块,帮助医师提升工作效率。由于不同肿块之间仍然存在很大差异,例如大小、形状、密度等方面,肿块检出并进行分类仍然是一项艰巨的挑战。传统方法中对于肿块检测和分类过程比较繁琐,大多依赖于特征描述和阈值分析,这些方法泛化能力和鲁棒性较差。伴随者深度学习的崛起,其算法显示出在模式识别任务（例如目标检测和语音识别）中的强大功能,并且在图像领域得到了广泛的应用。与需要手动提取特征的典型机器学习方法相比,深度学习算法具有更强大的特征学习能力。本文通过结合当下发展迅猛的深度学习、迁移学习和目标检测技术,基于钼靶图像对乳腺肿块检测分类的特征提取器进行研究分析,主要如下:1.针对深度学习目标检测框架种类众多,应用于钼靶肿块检测尚未有一个统一的评测标准,因此比较方法之间的性能优劣相对困难的问题。本文提出基于深度迁移的乳腺肿块检测分类的特征提取器模型进行研究,将不同特征提取器迁移到不同方法上,以详尽公平的实验环境和设置,研究目标检测框架在医学领域乳腺肿块检测分类的应用,使用不同方法在速度和准确度上进行权衡和对比,同时运用深度迁移的思想探究不同特征提取器和不同框架之间的相关性,及其对框架性能的影响,意为医师在框架选择方面提供帮助和指南。2.针对R-FCN目标检测框架在运行时使得图像丢失了较多的细节信息和空间位置信息,以及在乳腺背景及组织复杂度较高的钼靶图像上检测分类有误检和漏检现象,提出基于参数优化的R-FCN的乳腺肿块检测分类方法。通过在R-FCN的Res Net101的特征提取器的one-stage中,加入激活函数RELU-6对初始化参数权重截断正态分布进行参数优化,实现优化后的模型能够更好地挖掘相关特征,拟合训练数据,加速收敛进而提高准确率。在参数初始化阶段采用正则化,运用生成截断正态分布随机数的初始化方法设定均值标准差,以确保数据在网络中稳定传输,成功降低了误检率和漏检率提升了准确率。
柳似霖[8]（2019）在《基于多特征的钼靶医学图像肿瘤识别》文中研究说明乳腺恶性肿瘤的防治是目前重要的卫生问题,利用乳腺钼靶图像对早期乳腺肿瘤进行筛查具有重要的研究意义和实用价值。肿块与钙化点是乳腺肿瘤的重要诊断依据,本文对乳腺钼靶图像中肿块和钙化点进行特征提取,并基于提取的特征进行肿瘤良恶性识别,用于辅助筛查乳腺恶性肿瘤。基于谱聚类算法实现乳腺钼靶图像中乳腺组织的分割,去除图像中的胸肌部分,避免了与肿块特征相似的高亮胸肌导致的肿块误分割问题。针对胸肌分层和胸肌与乳腺组织边界不明显的情况,提出了最大类间灰度差和形状约束方法实现准确的胸肌分割。对去除胸肌的图像,基于肿块的灰度较高、面积较小等特点实现肿块的准确分割。利用双窗口滤波方法对钙化点进行增强,基于窗口贡献矩阵方法提取微小钙化点。针对肿块,分别提取了纹理边缘方向自相关向量、灰度共生矩阵和灰度游程矩阵的肿块纹理特征;灰度标准差、局部极大点平均灰度差和邻域组织灰度对比度的肿块灰度特征;边缘复杂度、径向长度比和形状参数比等肿块形状特征。针对提取的钙化点,利用钙化点数目、局部钙化点数以及与邻域灰度的对比度描述其特征。针对MIAS数据库图像和医院获取的病人乳腺钼靶图像,基于肿块和钙化点的特征,利用支持向量机方法对钼靶图像进行良恶性肿瘤的识别。实验结果表明,本文提出的乳腺钼靶图像分割方法,能够准确地分割胸肌和肿块。本文提出的钙化点提取算法能够在减少噪声点的同时保证钙化点提取的准确率。基于钙化点和肿块的恶性肿瘤识别准确率分别为98.00%和84.37%,总识别准确率达到90.00%。
陈莹[9]（2019）在《基于NSCT全变差的乳腺断层图像去噪研究》文中研究表明数字乳腺X射线断层合成成像术（Digital Breast Tomosynthesis,DBT）是一种能够实现乳腺三维断层重建的技术,可以消除重叠组织的干扰。然而,DBT图像的对比度低且含有噪声,这降低了图像的质量。因此,如何有效地对DBT图像去噪,同时保留DBT图像中组织和病变结构的边缘轮廓,对于提高DBT图像的质量起着关键作用。本文研究了全变差去噪模型和非降采样轮廓波（Nonsubsampled Contourlet,NSCT）变换方法,提出改进的全变差正则项去噪模型、改进的全变差正则项去噪模型与NSCT变换相结合的图像去噪方法,并将其应用到DBT图像的去噪中。具体包括:首先提出一种改进的各项异性全变差加权正则项（Anisotropic Total Variation Weighted Regularization,ATVWR）去噪模型。该模型根据图像中平坦和纹理等区域的特点,自适应调节全变差正则项的水平和垂直方向的权重,进而调节模型的滤波强度。改进后的模型一定程度上抑制了“阶梯效应”,能够有效地去除图像中的噪声,同时可以较好地保留图像中的纹理信息和边缘轮廓。对体模图像仿真方法进行参数改进,仿真出能够较好表示乳腺组织特征的体模。针对体模图像和实际DBT图像进行去噪实验,实验结果表明本文所提模型能够将去噪后图像的PSNR值提高1.8dB,同时可以较好地保持DBT图像中的病灶结构和纹理信息。其次提出一种NSCT变换与ATVWR模型结合的去噪算法。该算法将图像的不同方向和不同尺度上的NSCT系数作为全变差正则项,对NSCT系数使用加权正则项运算来进行最小化处理,能够有效地优化不同频率子带的信息;此外,NSCT系数可以将图像中信息成分和噪声成分分离开,从而消除全变差正则项在迭代过程中产生的“阶梯效应”,进一步保留乳腺组织的边缘,从而提高图像清晰度。实验结果证明该模型能够对DBT图像有效地去噪,同时可以很好地保留DBT图像中微小的钙化点、肿块边缘等病灶信息,相比于现有的全变差相关去噪方法,所提出的方法的PSNR值能够提高2.4dB。
柳哲[10]（2019）在《数字乳腺断层影像钙化簇自动检测算法研究》文中进行了进一步梳理乳腺癌是危害女性生命健康最主要的癌症之一,其发病率在全世界大部分国家均呈上升趋势。乳腺癌患者的生存率与病灶的检出时期有关,越早期的乳腺癌预后效果越好。临床诊断中钙化簇是早期恶性乳腺肿瘤的一个重要表征,因此钙化簇的精准检出对乳腺癌诊断以及合理治疗至关重要,能够降低乳腺癌患者的死亡率。在目前常用的影像学检查技术中,传统乳腺X线摄影因其简便有效被公认为乳腺癌的常用检查方式。但传统乳腺X摄影往往会因乳腺组织重叠而可能导致病灶被隐藏,从而影响钙化簇的准确检出。新的影像技术数字乳腺断层摄影（digital breast tomosynthesis,DBT）的出现,有效的克服了乳房X线摄影中因组织结构重叠影响病灶检出的问题,尤其是它能显着提高钙化簇检出率。但由于DBT影像具有大量的断层影像数据,这无疑大大增加了放射科医生的阅片工作量。根据以上原因,目前急需研究DBT影像钙化簇自动检测算法以辅助医生对乳腺癌进行诊断和治疗。近年来,大多数研究者的钙化簇自动检测算法仅针对于DBT断层影像或者投影视图,忽视了 DBT影像所带来的三维结构信息。本研究利用DBT影像的三维特点,提出主要基于三维Hessian矩阵钙化增强算法进行钙化点的预筛选,并结合临床先验知识通过对候选钙化点的三维空间聚类分割钙化簇区域,然后提取钙化簇的纹理特征训练随机森林分类器以减少钙化簇的假阳性。具体工作内容包括:（1）影像数据的预处理:通过自动调整窗宽窗位对初始图像质量进行增强,有效提高钙化点的对比度。并且基于霍夫变换对斜侧位（mediolateral oblique,MLO）视图中胸肌区域的分割,以减少钙化簇的假阳性及后续的计算量。影像数据预处理为后续钙化簇的准确检测奠定了良好的基础。（2）钙化点的预筛选:提出一种基于拉普拉斯金字塔的多尺度双边滤波去噪算法,其在保持钙化点边缘特征情况下减少噪声干扰,能够有效提高钙化点的预筛选质量。考虑到DBT影像中钙化点具有三维空间形态特征和高亮度高对比度的特点,本文将通过两个并行的滤波器对预处理后的影像进行钙化点增强。其中一个是基于多尺度海森矩阵的球状结构判别增强,另一个是在切片图像上利用线性滤波器组合抑制组织结构背景并增强钙化点信息的信噪比增强。然后将两个滤波器增强结果融合使得低频背景被去除,潜在的钙化点信息更加突出。最后通过基于阈值的26邻域区域生长算法在滤波器增强后的加权体中得到潜在钙化点位置。为得到钙化点信息以便后续钙化簇区域的分割,利用以潜在钙化点中心为起点的区域生长算法在信噪比增强结果中预筛选出最终的候选钙化点。（3）钙化簇的检测:基于钙化点预筛选取得的结果,本研究通过聚类对钙化点区域进行分割。然后根据每个钙化簇三维区域的最大密度投影图像中的纹理特征和统计特征,训练随机森林分类器减少假阳性。最后通过FROC曲线以及非参数方法对模型的性能进行评估。结果表明,对于基于病人的检测中,在每个DBT影像平均假阳性个数为0.76时,其灵敏度为85%。本研究表明,利用DBT影像三维信息检测钙化簇能得到准确的检测效果,并且通过简单有效的分类器算法显着减少了钙化簇的假阳性,充分肯定了该算法的可行性,有利于推动今后数字断层摄影技术在临床上的应用。
二、基于小波的数字乳腺图像上肿块的处理（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小波的数字乳腺图像上肿块的处理（论文提纲范文）
（1）乳腺X线图像计算机辅助诊断技术综述（论文提纲范文）
| 1 乳腺X线图像数据集及评价标准 |
| 1.1 乳腺X线图像数据集 |
| 1.2 评价指标 |
| 2 应用传统方法的乳腺X线图像计算机辅助诊断 |
| 2.1 乳腺X线图像预处理 |
| 2.2 乳腺X线图像病变检测 |
| 2.2.1 肿块病变检测 |
| 2.2.2 微钙化病变检测 |
| 2.3 乳腺病变区域分割 |
| 2.4 乳腺病变的特征提取、选择与分类 |
| 2.4.1 肿块的特征提取、选择与分类 |
| 2.4.2 微钙化的特征提取、选择与分类 |
| 2.5 总结 |
| 3 应用深度学习方法的乳腺X线图像病变检测与分类诊断 |
| 3.1 深度学习 |
| 3.1.1 自编码器 |
| 3.1.2 受限玻尔兹曼机与深度置信网络 |
| 3.1.3 卷积神经网络 |
| 3.2 应用卷积神经网络的乳腺X线图像病变检测 |
| 3.2.1 应用卷积神经网络的肿块检测 |
| 3.2.2 应用卷积神经网络的微钙化检测 |
| 3.3 应用深度神经网络的乳腺X线图像分割 |
| 3.4 应用卷积神经网络的乳腺X线图像分类 |
| 3.5 总结 |
| 4 总结与前景展望 |
（2）基于区域卷积神经网络的乳腺MRI肿块检测与诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 研究现状及面临的挑战 |
| 1.2.1 乳腺癌计算机辅助检测与诊断系统概况 |
| 1.2.2 乳腺核磁共振成像技术概况 |
| 1.2.3 乳腺癌肿块检测研究现状 |
| 1.2.4 乳腺癌肿块诊断研究现状 |
| 1.2.5 研究面临的挑战 |
| 1.3 论文的研究内容 |
| 1.4 论文的结构安排 |
| 第二章 相关方法研究概述 |
| 2.1 引言 |
| 2.2 卷积神经网络概述 |
| 2.2.1 卷积 |
| 2.2.2 池化 |
| 2.2.3 全连接 |
| 2.3 目标检测算法概述 |
| 2.3.1 YOLO算法 |
| 2.3.2 区域卷积神经网络 |
| 2.3.3 快速区域卷积神经网络 |
| 2.4 本章小结 |
| 第三章 乳腺MRI肿块检测标准数据集的制作 |
| 3.1 数据介绍 |
| 3.2 数据预处理 |
| 3.2.1 数据格式处理和转码 |
| 3.2.2 肿块切片数据分布统计 |
| 3.3 图像去噪 |
| 3.4 数据标注 |
| 3.5 数据扩增 |
| 3.5.1 几何变换 |
| 3.5.2 图像融合 |
| 3.6 本章小结 |
| 第四章 基于改进Faster RCNN的乳腺肿块检测与诊断研究 |
| 4.1 整体框架概述 |
| 4.2 网络模型设计 |
| 4.2.1 主干网络设计 |
| 4.2.2 损失函数设计 |
| 4.2.3 区域建议网络与锚设计 |
| 4.2.4 非极大值抑制 |
| 4.3 训练策略和参数优化 |
| 4.3.1 迁移学习策略 |
| 4.3.2 五折交叉验证 |
| 4.3.3 联合训练策略 |
| 4.3.4 实验环境与超参数 |
| 4.4 实验结果及分析 |
| 4.4.1 均值平均精度 |
| 4.4.2 受试者工作特征曲线 |
| 4.4.3 检测结果可视化 |
| 4.5 本章小结 |
| 第五章 基于级联特征金字塔的乳腺肿块检测与诊断研究 |
| 5.1 特征金字塔网络 |
| 5.1.1 特征金字塔结构 |
| 5.1.2 特征金字塔的锚设计 |
| 5.2 级联区域神经网络 |
| 5.2.1 级联样本分布和阈值选取 |
| 5.2.2 级联网络的结构设计 |
| 5.3 网络模型设计 |
| 5.3.1 损失函数设计 |
| 5.3.2 ROI Align |
| 5.4 训练策略和参数优化 |
| 5.4.1 迁移学习策略 |
| 5.4.2 五折交叉验证 |
| 5.4.3 实验环境与超参数 |
| 5.5 实验结果及分析 |
| 5.5.1 均值平均精度 |
| 5.5.2 受试者工作特性曲线 |
| 5.5.3 检测结果可视化 |
| 5.6 本章小结 |
| 总结与展望 |
| 本文总结 |
| 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的科研成果 |
（3）乳腺X射线图像智能辅助诊断方法及临床应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 中国乳腺癌筛查面临的挑战 |
| 1.2.1 中国乳腺癌流行病学现状 |
| 1.2.2 乳腺癌影像诊断与筛查现状 |
| 1.3 影像组学与深度学习应用现状 |
| 1.3.1 影像组学技术基础 |
| 1.3.2 深度学习技术原理 |
| 1.4 人工智能技术在乳腺影像辅助诊断中的应用 |
| 1.4.1 乳腺X射线密度评估中的应用 |
| 1.4.2 乳腺X射线双体位图像ROI匹配中的应用 |
| 1.4.3 图像虚拟生成中的应用 |
| 1.4.4 病灶分类中的应用 |
| 1.5 课题的主要研究内容和组织结构 |
| 第二章 散在纤维腺体类与不规则致密类乳腺X射线图像自动分类研究 |
| 2.1 引言 |
| 2.2 方法和材料 |
| 2.2.1 深度学习模型构建 |
| 2.2.2 轮廓提取和分割 |
| 2.2.3 训练策略 |
| 2.2.4 CAM特征可视化 |
| 2.2.5 实验指标 |
| 2.2.6 放射科医生评估 |
| 2.2.7 数据收集 |
| 2.3 实验结果 |
| 2.3.1 CNN模型结果 |
| 2.3.2 使用迁移学习的CNN模型结果 |
| 2.3.3 CAM结果 |
| 2.3.4 CNN分类模型与临床评估对比分析 |
| 2.4 讨论 |
| 2.5 小结 |
| 第三章 基于BPNN和Faster R-CNN的双体位乳腺X射线图像ROI匹配方法 |
| 3.1 引言 |
| 3.2 方法和材料 |
| 3.2.1 基于BPNN的弧型或直型条带匹配 |
| 3.2.2 用Faster R-CNN进行ROI匹配 |
| 3.2.3 临床资料采集 |
| 3.3 实验结果 |
| 3.3.1 基于BPNN的条带匹配结果 |
| 3.3.2 Faster R-CNN的ROI匹配结果 |
| 3.4 计论 |
| 3.5 小结 |
| 第四章 基于Dual Attention CycleGAN的乳腺超声图像到DBT图像虚拟生成研究 |
| 4.1 引言 |
| 4.2 方法和材料 |
| 4.2.1 基于CycleGAN框架的技术方案 |
| 4.2.2 判别器网络体系结构 |
| 4.2.3 超声图像和DBT图像的范围选择 |
| 4.2.4 实施细节 |
| 4.3 结果 |
| 4.3.1 定量评价指标 |
| 4.3.2 放射科医生评估 |
| 4.3.3 定性评价结果 |
| 4.4 讨论 |
| 4.5 小结 |
| 第五章 联合病灶和边缘区域的DBT图像病灶分类研究 |
| 5.1 引言 |
| 5.2 方法和材料 |
| 5.2.1 联合深度学习框架 |
| 5.2.2 病灶及边缘区域定义 |
| 5.2.3 VGG-16网络简介 |
| 5.2.4 预测模型构建 |
| 5.2.5 训练过程及评价指标 |
| 5.2.6 数据收集 |
| 5.2.7 病灶勾画 |
| 5.3 实验结果 |
| 5.3.1 模型评估结果 |
| 5.3.2 模型与医生对比结果 |
| 5.4 讨论 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 研究成果与总结 |
| 6.2 未来工作展望 |
| 附录 各模型分类评价指标 |
| 参考文献 |
| 攻读博士期间的研究成果 |
| 发表期刊或会议论文 |
| 申请及获得专利 |
| 主持课题 |
| 致谢 |
（4）甲状腺、乳腺超声影像自动分析技术综述（论文提纲范文）
| 1 概述 |
| 2 超声图像预处理 |
| 2.1 超声图像增强 |
| 2.1.1 直方图均衡化 |
| 2.1.2 模糊增强 |
| 2.1.3 其他代表性方法 |
| 2.1.4 量化评价指标 |
| 2.1.5 小结 |
| 2.2 超声图像去噪 |
| 2.2.1 空间域滤波法 |
| 2.2.2 偏微分方程 |
| 2.2.3 变换域 |
| 2.2.4 深度学习 |
| 2.2.5 量化评价标准 |
| 2.2.6 小结 |
| 3 超声图像的病灶区定位及分割 |
| 3.1 阈值法及边缘法 |
| 3.2 区域法 |
| 3.3 图论法及聚类 |
| 3.4 活动轮廓模型 |
| 3.5 神经网络 |
| 3.6 定位及分割评价标准 |
| 3.7 小结 |
| 4 特征提取及诊断判别 |
| 4.1 二维超声 |
| 4.1.1 甲状腺 |
| 4.1.2 乳腺 |
| 4.2 三维超声 |
| 4.3 弹性成像 |
| 4.4 多模态数据 |
| 4.5 量化评价标准 |
| 4.6 小结 |
| 5 总结及展望 |
（5）针对乳腺X线图像的乳腺癌症检测方法（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景及课题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 乳腺密度分类算法的研究现状 |
| 1.2.2 乳腺钙化检测算法的研究现状 |
| 1.2.3 乳腺肿块良恶性分类算法的研究现状 |
| 1.3 数据集 |
| 1.4 性能评价指标 |
| 1.5 本文主要研究内容与结构安排 |
| 1.6 本文结构安排 |
| 第2章 相关理论介绍 |
| 2.1 小波变换基本理论 |
| 2.2 SVM算法基本理论 |
| 2.3 深度学习基本理论 |
| 2.3.1 VGG网络模型 |
| 2.3.2 ResNet网络模型 |
| 2.3.3 Inception网络模型 |
| 2.3.4 Xception网络模型 |
| 2.3.5 DenseNet网络模型 |
| 2.4 小结 |
| 第3章 基于小波变换的乳腺密度分类算法 |
| 3.1 引言 |
| 3.2 图像预处理 |
| 3.2.1 灰度归一化 |
| 3.2.2 直方图均衡化 |
| 3.2.3 中值滤波 |
| 3.2.4 小波变换图像融合 |
| 3.3 图像阈值分割 |
| 3.4 密度分类 |
| 3.5 实验结果及讨论 |
| 3.6 本章小结 |
| 第4章 基于ASVM的乳腺钙化检测算法 |
| 4.1 引言 |
| 4.2 图像预处理 |
| 4.3 K均值聚类分割 |
| 4.4 特征提取 |
| 4.5 自适应支持向量机 |
| 4.6 实验结果及讨论 |
| 4.7 本章小结 |
| 第5章 基于微调网络的乳腺肿块良恶性分类算法 |
| 5.1 引言 |
| 5.2 迁移学习算法 |
| 5.3 乳腺肿块良恶性分类算法流程 |
| 5.4 实验参数设置 |
| 5.5 实验结果及讨论 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来的工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（6）基于蚁群算法的图像边缘检测及分割（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 边缘检测技术研究现状 |
| 1.2.2 基于蚁群蚁群算法的图像边缘检测研究现状 |
| 1.2.3 乳腺肿块分割研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文结构安排 |
| 第二章 图像边缘检测及分割相关技术 |
| 2.1 基于微分的边缘检测算子 |
| 2.1.1 一阶微分边缘检测算子 |
| 2.1.2 二阶微分边缘检测算子 |
| 2.1.3 Canny算子 |
| 2.2 其他边缘检测方法 |
| 2.3 图像分割相关方法 |
| 2.4 本章小结 |
| 第三章 蚁群算法的基本原理及分析 |
| 3.1 蚁群算法的基本原理 |
| 3.2 蚁群算法解决TSP问题的基本原理 |
| 3.3 蚁群算法解决TSP问题的实验及分析 |
| 3.3.1 蚁群算法求解TSP问题的仿真实验 |
| 3.3.2 基本蚁群算法求解TSP问题的参数分析实验 |
| 3.4 本章小结 |
| 第四章 基于蚁群算法的图像边缘检测 |
| 4.1 蚁群算法图像边缘检测基本原理 |
| 4.2 改进蚁群算法的图像边缘检测 |
| 4.2.1 初始位置优化 |
| 4.2.2 转移过程的参数优化 |
| 4.2.3 信息素更新优化 |
| 4.2.4 自适应阈值优化 |
| 4.3 实验对比与结果分析 |
| 4.3.1 图像预处理 |
| 4.3.2 边缘检测的评价标准 |
| 4.3.3 实验结果对比与分析 |
| 4.4 本章小结 |
| 第五章 融合Canny算子和蚁群算法的图像边缘检测 |
| 5.1 医学图像及其预处理 |
| 5.1.1 各向异性扩散 |
| 5.1.2 伽马校正 |
| 5.2 传统Canny边缘检测算子 |
| 5.3 模糊隶属三角函数 |
| 5.3.1 模糊隶属度函数 |
| 5.3.2 优化搜索方向的选择方法 |
| 5.4 融合Canny算子的优化蚁群算法 |
| 5.5 实验结果与分析 |
| 5.5.1 乳腺钼靶X线图像数据库 |
| 5.5.2 实验结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（7）基于深度迁移的钼靶图像乳腺肿块检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于特征描述的方法 |
| 1.2.2 基于深度学习的检测方法 |
| 1.3 论文主要研究内容 |
| 1.4 论文章节安排 |
| 2 钼靶肿块检测相关技术 |
| 2.1 概述 |
| 2.2 基于特征描述的方法 |
| 2.2.1 基于纹理信息的描述方法 |
| 2.2.2 基于几何特征的描述方法 |
| 2.3 基于深度学习的检测方法 |
| 2.3.1 基于卷积神经网络(CNN)的检测方法 |
| 2.3.2 基于目标检测的方法 |
| 2.4 本章小结 |
| 3 基于深度迁移的乳腺肿块检测分类特征提取器模型 |
| 3.1 概述 |
| 3.2 基于深度迁移的乳腺肿块模型 |
| 3.2.1 目标检测方法种类 |
| 3.2.2 网络模型 |
| 3.2.3 深度迁移 |
| 3.2.4 特征提取器 |
| 3.2.5 区域举荐网络 |
| 3.2.6 分类与回归网络及非最大抑制 |
| 3.3 实验结果分析 |
| 3.3.1 数据集介绍 |
| 3.3.2 数据预处理及实验平台介绍 |
| 3.3.3 参数设置 |
| 3.3.4 实验设计及评价指标 |
| 3.3.5 实验结果与分析 |
| 3.4 本章小结 |
| 4 基于参数优化R-FCN乳腺肿块检测分类方法 |
| 4.1 概述 |
| 4.2 基于参数优化R-FCN模型介绍 |
| 4.2.1 基于区域全卷积网络(R-FCN) |
| 4.2.2 残差网络(Res Net) |
| 4.2.3 激活函数 |
| 4.2.4 截断正态分布初始化参数优化 |
| 4.2.5 参数优化设置 |
| 4.3 优化方案乳腺肿块检测实验结果与分析 |
| 4.4 本章小结 |
| 5 工作总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 个人简介、在校期间发表学术成果 |
| 致谢 |
（8）基于多特征的钼靶医学图像肿瘤识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 乳腺钼靶图像肿瘤识别 |
| 1.2 乳腺钼靶图像肿块分割方法综述 |
| 1.3 乳腺肿瘤特征提取方法综述 |
| 1.3.1 肿块特征提取研究现状 |
| 1.3.2 钙化点特征提取研究现状 |
| 1.4 肿瘤良恶性识别方法研究现状 |
| 1.5 课题意义和研究内容 |
| 1.5.1 课题的研究意义 |
| 1.5.2 课题主要研究内容 |
| 第二章 基于乳腺钼靶图像的肿块分割 |
| 2.1 图像预处理 |
| 2.2 基于谱聚类的乳腺钼靶图像初始分割 |
| 2.2.1 基于像素点的相似度度量矩阵 |
| 2.2.2 拉普拉斯矩阵的构造 |
| 2.2.3 基于谱聚类的乳腺钼靶图像分割步骤 |
| 2.3 基于约束的胸肌分割 |
| 2.3.1 基于最大类间灰度差的胸肌分割方法 |
| 2.3.2 基于形状约束的胸肌分割 |
| 2.4 肿块分割 |
| 2.5 本章小结 |
| 第三章 乳腺钼靶图像微小钙化点提取 |
| 3.1 基于双窗口滤波的钙化点特征增强 |
| 3.1.1 乳腺钼靶图像的细节增强 |
| 3.1.2 亮、暗细节增强的双窗口选取 |
| 3.2 基于小波变换的增强乳腺钼靶图像去噪 |
| 3.3 基于贡献矩阵的钙化点提取 |
| 3.3.1 局部特征增强 |
| 3.3.2 基于双窗口贡献矩阵的钙化点增强 |
| 3.3.3 增强后乳腺钼靶图像的钙化点提取 |
| 3.4 本章小结 |
| 第四章 用于肿瘤识别的特征描述及识别 |
| 4.1 乳腺钼靶图像肿块特征描述 |
| 4.1.1 肿块纹理特征描述 |
| 4.1.2 肿块灰度特征描述 |
| 4.1.3 形状特征描述 |
| 4.2 微小钙化点特征描述 |
| 4.3 基于乳腺钼靶图像的肿瘤良恶性识别 |
| 4.3.1 肿块、钙化点特征向量归一化及权值确定 |
| 4.3.2 乳腺肿瘤的良恶性识别 |
| 4.4 本章小结 |
| 第五章 基于乳腺钼靶图像的肿瘤良恶性识别结果 |
| 5.1 肿瘤良恶性识别总体设计 |
| 5.2 肿块分割结果 |
| 5.2.1 肿块分割软件设计 |
| 5.2.2 基于谱聚类的乳腺钼靶图像初始分割结果 |
| 5.2.3 胸肌分割结果 |
| 5.2.4 肿块分割结果 |
| 5.2.5 肿块分割结果评价 |
| 5.3 肿块特征描述结果 |
| 5.3.1 肿块特征描述流程 |
| 5.3.2 肿块特征描述结果 |
| 5.4 微小钙化点提取结果及描述结果 |
| 5.4.1 微小钙化点提取的算法流程 |
| 5.4.2 微小钙化点提取流程 |
| 5.4.3 微小钙化点提取结果 |
| 5.4.4 微小钙化点特征描述结果 |
| 5.5 乳腺肿瘤良恶性识别结果 |
| 5.5.1 肿块、钙化点特征向量归一化及权值确定 |
| 5.5.2 乳腺肿瘤良恶性识别结果及评价 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者与导师简介 |
| 硕士研究生学位论文答辩委员会决议书 |
（9）基于NSCT全变差的乳腺断层图像去噪研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 DBT图像去噪方法研究现状 |
| 1.2.2 多尺度几何分析国内外发展现状 |
| 1.3 论文的结构与创新点 |
| 1.3.1 论文结构 |
| 1.3.2 论文创新成果 |
| 2 DBT图像去噪相关理论 |
| 2.1 DBT图像成像原理 |
| 2.1.1 DBT成像设备 |
| 2.1.2 DBT成像原理 |
| 2.2 DBT图像中噪声的来源 |
| 2.3 DBT图像数学模型建模及体模图像仿真 |
| 2.3.1 DBT图像数学模型建模 |
| 2.3.2 乳腺断层体模图像仿真 |
| 2.3.3 X射线剂量与噪声的关系 |
| 2.3.4 Anscombe变换 |
| 2.4 DBT图像去噪算法的性能评价标准 |
| 2.5 本章小结 |
| 3 基于改进的全变差方法的图像去噪 |
| 3.1 图像去噪相关的算法 |
| 3.1.1 空间域去噪相关算法 |
| 3.1.2 变换域去噪相关算法 |
| 3.2 改进的全变差正则项去噪模型 |
| 3.2.1 标准的全变差正则项去噪模型 |
| 3.2.2 改进的全变差加权正则项去噪模型 |
| 3.2.3 基于Split Bregman算法的模型求解 |
| 3.3 实验仿真及结果 |
| 3.3.1 参数对模型的影响 |
| 3.3.2 与其他去噪算法的结果比较 |
| 3.4 本章小结 |
| 4 NSCT变换与改进的全变差联合的图像去噪 |
| 4.1 NSCT变换 |
| 4.1.1 NSCT变换原理 |
| 4.1.2 非降采样金字塔滤波器组 |
| 4.1.3 非降采样方向滤波器组 |
| 4.1.4 NSCT变换实例 |
| 4.2 NSCT与各向异性全变差加权正则项模型联合的去噪算法 |
| 4.2.1 建模的前提条件 |
| 4.2.2 NSCT变换与ATVWR联合的去噪模型 |
| 4.3 实验及结果 |
| 4.3.1 不同NSCT滤波器下的去噪结果 |
| 4.3.2 与其他去噪算法的结果比较 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）数字乳腺断层影像钙化簇自动检测算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 乳腺癌及其早期筛查 |
| 1.1.2 乳腺癌的影像学检查方法 |
| 1.2 乳腺癌的计算机辅助检测系统概述 |
| 1.2.1 计算机辅助检测系统的组成 |
| 1.2.2 乳腺影像计算机辅助检测研究现状 |
| 1.3 本文主要研究内容与创新点 |
| 1.4 论文的组织架构 |
| 第2章 数字乳腺断层摄影(DBT)技术介绍 |
| 2.1 引言 |
| 2.2 DBT的成像原理 |
| 2.2.1 DBT影像的扫描方式 |
| 2.2.2 DBT影像的重建技术 |
| 2.3 DBT成像技术的优点 |
| 2.4 DBT在钙化簇诊断中的应用 |
| 2.5 本章小结 |
| 第3章 DBT影像数据及其预处理 |
| 3.1 引言 |
| 3.2 实验数据概述 |
| 3.3 窗宽窗位增强DBT影像 |
| 3.4 基于霍夫变换的胸肌区域分割 |
| 3.5 本章小结 |
| 第4章 基于Hessian矩阵和信噪比增强滤波器的钙化点预筛选 |
| 4.1 引言 |
| 4.2 基于拉普拉斯金字塔的多尺度双边滤波 |
| 4.2.1 拉普拉斯金字塔的基本原理 |
| 4.2.2 双边滤波及其在拉普拉斯金字塔中的应用 |
| 4.3 Hessian矩阵及其在钙化点增强中的应用 |
| 4.3.1 Hessian矩阵的基本原理 |
| 4.3.2 球状结构增强算子 |
| 4.3.3 高斯函数多尺度融合 |
| 4.4 基于带通滤波器的信噪比增强 |
| 4.5 海森矩阵增强和信噪比增强的融合 |
| 4.6 候选钙化点的筛选与分割 |
| 4.7 实验结果评价 |
| 4.7.1 主观评价 |
| 4.7.2 客观评价 |
| 4.8 本章小结 |
| 第5章 钙化簇的检测 |
| 5.1 引言 |
| 5.2 基于聚类思想的钙化簇区域提取 |
| 5.2.1 经典聚类算法 |
| 5.2.2 聚类算法在钙化区域提取的应用 |
| 5.3 随机森林分类器减少钙化簇的假阳性 |
| 5.3.1 最大密度投影 |
| 5.3.2 特征提取 |
| 5.3.3 随机森林分类器设计 |
| 5.3.4 分类器评价指标 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、基于小波的数字乳腺图像上肿块的处理（论文参考文献）
- [1]乳腺X线图像计算机辅助诊断技术综述[J]. 陈智丽,高皓,潘以轩,邢风. 计算机工程与应用, 2022
- [2]基于区域卷积神经网络的乳腺MRI肿块检测与诊断研究[D]. 陈吉新. 西北大学, 2021(12)
- [3]乳腺X射线图像智能辅助诊断方法及临床应用研究[D]. 秦耿耿. 南方医科大学, 2021
- [4]甲状腺、乳腺超声影像自动分析技术综述[J]. 龚勋,杨菲,杜章锦,师恩,赵绪,杨子奇,邹海鹏,罗俊. 软件学报, 2020(07)
- [5]针对乳腺X线图像的乳腺癌症检测方法[D]. 蔡盛. 华侨大学, 2020(01)
- [6]基于蚁群算法的图像边缘检测及分割[D]. 史庆楠. 太原理工大学, 2020(07)
- [7]基于深度迁移的钼靶图像乳腺肿块检测技术研究[D]. 张桢. 郑州大学, 2020(02)
- [8]基于多特征的钼靶医学图像肿瘤识别[D]. 柳似霖. 北京化工大学, 2019(06)
- [9]基于NSCT全变差的乳腺断层图像去噪研究[D]. 陈莹. 北京交通大学, 2019(01)
- [10]数字乳腺断层影像钙化簇自动检测算法研究[D]. 柳哲. 杭州电子科技大学, 2019(01)