乳腺癌作为世界上发病率最高的癌症之一,严重威胁着人们的身体健康,提前预防非常重要。虽然目前乳腺癌可以通过X放射,热成像,超声成像等方法进行检测,但是这些检测方法可能会对患者的身体产生不适影响,且使医师工作量增大。计算机断层扫描激光乳腺方法(CTLM)是一种新型乳腺癌检测手段,目前基于该方法的辅助诊断的研究甚少。本文项目来源于某医疗器械公司的产品开发项目,研究了一种基于CTLM图像的乳腺癌辅助诊断系统,其低成本,对患者伤害小,可辅助医师作出判断,提升早期确诊率,具有非常好的应用价值。具体研究内容如下:一、对原始图像集通过自适应阈值划分进行三维建模,并划分子块,生成本文实验的基础数据单元。在单独使用形状特征和纹理特征的前提下,提出基于形状和纹理的组合特征集,所生成的多种特征集作为后续的模型输入变量。二、选取Logistic、SVM、决策树、BP四种机器学习模型对不同特征集分别进行对比实验,根据实验结果确定组合特征的优势,通过对四种机器学习模型的结果进行了基本评估,得出C4.5决策树具有较好的模型分类效果。三、通过进行特征拆分实验确定了完整组合特征的优势,并使用集成学习法对单独的机器学习方法进行改进;以上述四种机器学习模型分别作为基分类器,使用Ada Boost作为集成学习方法,通过测试不同迭代次数下模型的实验结果,并与其他方法对比,确定了BP+boost模型在某特定迭代数下具有最好的分类效果。四、以BP+boost模型作为核心分类器,设计了一套完整的乳腺癌辅助诊断系统,该系统采用了分层架构的软件架构模式,将本系统功能分为若干个各自独立的水平层,并通过对病例的实际诊断展示了系统软件的功能。实践表明,所开发的系统应用效果良好。