計(jì)算機(jī)輔助診斷（CAD）系統(tǒng)是一種基于計(jì)算機(jī)的醫(yī)學(xué)圖像自動(dòng)分析工具,如分析乳腺X光攝影和前列腺M(fèi)RI,它的使用有助于在早期發(fā)現(xiàn)癌變情況并及時(shí)診斷。在乳腺X光攝影CAD過(guò)程中,圖像處理任務(wù)可以從乳腺X光攝影圖像中提取高質(zhì)量特征,其對(duì)診斷結(jié)果起著至關(guān)重要的作用。通常,乳腺攝影的圖像處理過(guò)程主要包括三個(gè)步驟:感興趣區(qū)域（ROI）提取、圖像增強(qiáng)（IE）和特征提�。‵E）。但是,由于ROI中不相關(guān)或無(wú)用信息的增強(qiáng),IE的不當(dāng)使用可能導(dǎo)致特征的組成較差。為了克服這一問(wèn)題,本文提出了一種模糊粗糙精細(xì)化圖像處理（FRIP）方法,分層次的提高了乳腺圖像特征的質(zhì)量。具體來(lái)說(shuō),該方法對(duì)每幅乳腺圖像的ROI進(jìn)行局部分割,然后選擇模糊正域（FPR）值最大的塊區(qū)域?qū)ζ溥M(jìn)行局部增強(qiáng)。FPR指標(biāo)表明,對(duì)于給定的特征集,分割塊與決策標(biāo)簽之間存在正相關(guān)關(guān)系。FPR值越高的分割塊與圖像類(lèi)別的相關(guān)性越強(qiáng)。同時(shí)為了保證圖像增強(qiáng)過(guò)程的質(zhì)量,將通過(guò)多輪策略進(jìn)一步改進(jìn)優(yōu)勝塊,并創(chuàng)建一個(gè)IE結(jié)果池。對(duì)于乳腺攝影圖像,將候選增強(qiáng)塊嵌入原始ROI后,根據(jù)局部增強(qiáng)ROI的FPR值,將各自提取的特征進(jìn)行對(duì)比。最終這幅圖像將由一組FPR值最大的... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３．１像素在距離ｄ和角度０之間的關(guān)系??Ｆｉｇ．?３．１?Ｔｈｅ?ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ｔｈｅ?ｄｉｓｔａｎｃｅ?ｄ?ａｎｄ?ｔｈｅ?ａｎｇｌｅ?６?ｏｆ?ｐｉｘｅｌｓ??

４??，－＾???／?２?２?１?４：８??２?４?１１５??ｉ?ＪＴＺＴ１?ｆｌｍａｌＴ］??＼?７?５＇乂?２＇?１??＼?ａ?＼＿＼＂―??１＾＂?１?０?２?１＼?ｂｏｏ??２２１１〇?ｒｉ〇０??１?０?０?０?０?丨?０丨丨?０?０??１０１００００１?＼＼??０?１?０?１?０?；〇｜?０?０?｜?ＧＬＣｌＶｈ??０?０?０?０?０?ｌＪ￣Ｙ￣?１?〇?ｄ￣－－９：０??０?０?０?０?２（?０?０?０??００００００００??ｂ??圖３．２計(jì)算距離和角度Ｍ的８灰度圖像的ＧＬＣＭ示例??Ｆｉｇ．?３．２?Ｅｘａｍｐｌｅ?ｏｆ?ＧＬＣＭ?ｆｏｒ?ｃａｌｃｕｌａｔｉｎｇ?８?ｇｒａｙｓｃａｌｅ?ｉｍａｇｅｓ?ｗｉｔｈ?ｄｉｓｔａｎｃｅ?ｄ＝＼?ａｎｄ?ａｎｇｌｅ?０°??３．２脈沖耦合神經(jīng)網(wǎng)絡(luò)（ＰＣＮＮ）??脈沖耦合神經(jīng)網(wǎng)絡(luò)（ＰＣＮＮ）是一種迭代圖像增強(qiáng)模型，ＰＣＮＮ方法可以突出顯示圖像??的紋理細(xì)節(jié)『３４］，使得圖像的亮度得到提升，更容易得到辨認(rèn)。因此，本文采用脈沖耦合??神經(jīng)網(wǎng)絡(luò)方法對(duì)乳腺Ｘ光攝影圖像進(jìn)行處理，這樣經(jīng)過(guò)后期操作得到的圖像特征，更容??易被提齲ＰＣＮＮ的方法可以看作是一個(gè)單層的二維神經(jīng)網(wǎng)絡(luò)，其中每個(gè)神經(jīng)元對(duì)應(yīng)于??輸入圖像的每個(gè)像素［３５］。圖３．３顯示了一個(gè)ＰＣＮＮ神經(jīng)元模型，其中包括一個(gè)接受域、??一個(gè)非線性調(diào)制域和一個(gè)脈沖發(fā)生器，各部分的功能介紹如下。??！?ｐｉ?ｍ??ｓ?Ｆｉｊ?；?ｆｅｅｔ！?＼??＇??、?ｆｉｅｌｄ?Ｆ?｜?＼／＼＾｜?ｌｉｙ?Ｉ?１??Ｉ?Ｉ??接收域?１?調(diào)制域?脈沖發(fā)生器??圖３．３?ＰＣＮＮ神經(jīng)元模型?

?大連海事大學(xué)碩士學(xué)位論文???Ｉ??３．３模糊粗糙精細(xì)化圖像處理（ＦＲＩＰ）方法??針對(duì)傳統(tǒng)方法出現(xiàn)的ＩＥ不當(dāng)使用可能導(dǎo)致ＲＯＩ中無(wú)用信息增強(qiáng)，提取特征組成較??差等問(wèn)題，本文提出了一種模糊粗糙精細(xì)化圖像處理（ＦＲＩＰ）方法用于乳腺Ｘ光攝影圖像??風(fēng)險(xiǎn)評(píng)估。圖３．４展示了提議方案的流程圖。該方法策略包括三個(gè)步驟。??（１）圖像預(yù)處理和Ｒ０丨提齲??（２）?ＲＯＩ分割和局部評(píng)估。??（３）?ＲＯＩ局部增強(qiáng)和特征融合。??廣?＾?＾??１?分割ＲＯＩ?特征融合??＇乳屏癌圖像、＇?’?Ｕ?］?．?Ｌ＇ｘｘ?ｒ?－?－?■＾??數(shù)淮?／?＆?①提取?Ｒ〇ｉ??】｜Ｊ＂?＾５」＾?ｊ?＾——，??ｉｗｕ?－——Ｓｈ?Ｊ?＾?ｉ：＇?：?ｆ：?＇?一??…?Ｈ?局部評(píng)估＂＿?Ｍ?Ｒ〇ｉＳＳ５１Ｓ？Ｓ??ｌ．?）?Ｋ??——７＾－?＾?大?ｎ＞？??????／ｉｉ部ｗｓｅｂ代＾?—塊的＼?ｆ＾ｓ種ｋｎｎ方法１?增迓之后的塊?１??Ｖ－?ｍｍ?ｙ?Ｖ?ｐ入?yún)樖肌珐栘??：圖３．４提出方法的體系結(jié)構(gòu)??Ｆｉｇ．?３．４?Ｔｈｅ?ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?ｔｈｅ?ｐｒｏｐｏｓｅｄ?ｍｅｔｈｏｄ??３．３．１圖像預(yù)處理和ＲＯＩ提取??本節(jié)對(duì)乳腺Ｘ光攝影圖像進(jìn)行預(yù)處理，提取乳腺組織區(qū)域以供進(jìn)一步分析。首先去??除胸肌和其他偽影，如定位標(biāo)簽和膠帶。由于大多數(shù)致密組織和實(shí)質(zhì)形態(tài)位于乳腺纖維??腺盤(pán)區(qū)，因此本文將從這些區(qū)域提取特征。根據(jù)組織密度的乳腺癌診斷標(biāo)準(zhǔn)，無(wú)論組織??的密度級(jí)別如何，纖維腺盤(pán)區(qū)以外的區(qū)域都含有脂肪組織，因此在纖維腺體區(qū)域之外提??取的

【參考文獻(xiàn)】：
期刊論文
[1]基于AlexNet模型和自適應(yīng)對(duì)比度增強(qiáng)的乳腺結(jié)節(jié)超聲圖像分類(lèi)[J]. 陳思文,劉玉江,劉冬,蘇晨,趙地,錢(qián)林學(xué),張佩珩.  計(jì)算機(jī)科學(xué). 2019(S1)
[2]基于AlexNet和集成分類(lèi)器的乳腺癌計(jì)算機(jī)輔助診斷方法[J]. 侯霄雄,許新征,朱炯,郭燕燕.  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2019(02)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的乳腺癌病理圖像分類(lèi)[J]. 鄭群花,段慧芳,沈堯,劉娟,袁靜萍.  計(jì)算機(jī)應(yīng)用與軟件. 2018(07)
[4]超聲BI-RADS分級(jí)診斷在乳腺癌篩查中的應(yīng)用[J]. 于瑋慧.  影像研究與醫(yī)學(xué)應(yīng)用. 2017(13)
[5]基于增強(qiáng)AlexNet的深度學(xué)習(xí)的阿爾茨海默病的早期診斷[J]. 呂鴻蒙,趙地,遲學(xué)斌.  計(jì)算機(jī)科學(xué). 2017(S1)
[6]基于鄰域關(guān)系模糊粗糙集的醫(yī)學(xué)圖像分類(lèi)研究[J]. 胡學(xué)偉,蔣蕓,鄒麗,李志磊,沈健.  計(jì)算機(jī)工程與科學(xué). 2016(04)
[7]A comprehensive review of medical image enhancement technologies[J]. ZHANG Yongxia 1),GUO Fenghua 1),ZHAO Guoling 2),LIU Qian 1),and ZHANG Xin 1) 1) School of Computer Science and Technology,Shandong University,Jinan 250101,China 2) Shandong College of Electronic Technology,Jinan 250200,China.  Computer Aided Drafting,Design and Manufacturing. 2012(03)
[8]基于PCNN圖像因子分解的X線醫(yī)學(xué)圖像增強(qiáng)[J]. 何勝宗,劉映杰,馬義德,宋文強(qiáng),鄧海波.  中國(guó)圖象圖形學(xué)報(bào). 2011(01)

碩士論文
[1]基于決策關(guān)聯(lián)性的多標(biāo)簽分類(lèi)和特征選擇算法[D]. 榮譽(yù).大連海事大學(xué) 2018



本文編號(hào)：3490852