论文部分内容阅读
随着社会的进步和发展,人们的生活水平显著提高,生活方式也产生了日新月异的变化,与此同时所带来的弊端也不容忽视。各类疾病的发病率日趋增加,在女性群体中,乳腺癌早已成为威胁女性健康的首要恶性疾病。计算机辅助的乳腺检测系统结合了机器学习和计算机视觉领域的前沿算法,通过设计能够自动检测图像中肿块等病变的方法,辅助医生对病人做出诊断,对提高乳腺癌的检测准确率和病人的存活率具有重要意义。正常的人体乳腺组织具有双侧对称生长的生理特性,而肿块等病变组织却是非对称存在的,在临床中,医生也采用同时参考左右两侧乳腺图像对病人进行诊断。因此,本文提出了一种基于双侧乳腺X线图像的协同不对称分析算法,深入研究了联合双侧乳腺图像进行不对称分析和肿块判别的方法。主要工作概括如下:首先,提出了一种双侧乳腺X线图像协同不对称分析的框架,结合双侧乳腺图像的信息,对图像中的不对称区域进行检测,并对提取的不对称区域进行肿块的精确分类判别。框架中主要包含双侧乳腺图像的匹配,基于稀疏自编码网络的不对称分析和基于线性支持向量机的肿块分类判别。其次,为了实现双侧乳腺图像中对应结构的对齐,结合乳腺区域的结构特征,提出了基于自适应匹配点选择的形状上下文匹配方法。首先提取乳腺的轮廓点,以双侧乳腺的乳头位置为基准,等间隔选取一定数量的匹配点,然后将其转换到对数极坐标下,计算两侧乳腺匹配点之间的匹配代价,并返回最优匹配对应的变换关系,再以此估计双侧乳腺图像之间的变换关系,提高了匹配的准确性和效率。最后,针对乳腺肿块的形态各异性,提出基于多尺度滑动窗和稀疏自编码网络的双侧乳腺图像不对称分析方法。通过采用多尺度滑动窗提取图像对,使图像块更好地包含不同尺度的肿块信息,并提取相应的深度特征。同时引入稀疏自编码网络,利用其输入和输出近似相等的特征,学习肿块-正常组织与正常组织-正常组织两两之间的映射关系,通过学习到的网络对任意的输入图像对进行对称性与非对称性的分析,并结合线性SVM对不对称区域对进行精确分类。实验结果表明,本文中提出的协同不对称分析框架,对双侧肿块的不对称分析具有较好的效果,并且具有较高的检测敏感度。