目前乳腺癌疾病已经逐渐发展成为发病率最高的危害女性健康的疾病之一,通过积极检查并获得初期治疗,能够有效降低乳腺癌死亡率。在以往人工阅片诊断乳腺肿块良恶性过程中,诊断结果很大程度上依赖于医师的经验,同时由于视觉疲劳等原因导致医师诊断过程中的诊断错误、遗漏的现象时有发生。随着计算机科学技术的发展,医学计算机辅助诊断系统出现,并在很大程度上降低诊断结果对医师经验的依赖,可以对医学图像做出客观的分析,极大提高了医师诊断的效率及准确率,对提高乳腺癌检出率使患者获得及时有效的治疗具有重要的意义。提取图像中的肿块部分是乳腺癌计算机辅助诊断系统实现良恶性分类的基础。针对常用点对马尔科夫随机场(Markov RandoField,MRF)分割算法中采用简单先验模型,在对乳腺钼靶X图像中的乳腺肿块分割时产生的过分割问题,提出一种基于简单线性迭代聚类(SimpleLinear Iterative Cluster,SLIC)算法改进的MRF分割算法。该算法第一步采用SLIC算法将图像预分割为局部区域一致性较高的超像素块,根据超像素区域的特征构建对应的邻域系统并构建MRF,以超像素区域代替像素点作为分割单位实现乳腺肿块分割。实验结果表明,采用基于SLIC改进的MRF分割算法对乳腺肿块进行分割可以高效地获得较为准确的分割效果。在实现肿块诊断之前,需要确定图像特征向量。由于特征向量为最终分类器分类的依据,因此,提取适当的特征成为关键。为此,本文提出一种改进的稀疏表示的局部二值模式(Local Binary Pattern,LBP)算法用于有效提取肿块的纹理特征。首先分块提取肿块区域每个各点的LBP值,提取每小块区域的LBP直方图完成归一化,将这些直方图组合得到维度较大的纹理特征。接着,对该LBP特征向量进行字典学习,实现特征向量稀疏化,本文通过使用K-SVD算法不断更新字典矩阵直至结果达到稀疏要求,使得最终纹理特征向量实现稀疏化,降低分类器的复杂度。实验结果表明,本文方法有效不仅降低诊断结果的假阳性,同时能够提高乳腺癌CAD系统的整体性能。