数字X光乳腺图像多尺度去噪和肿块分割方法研究

摘要

因为X 光乳腺图像是低噪声和低对比度图像，所以对于数字X 光乳腺图像中乳腺癌的早期检测是一个具有挑战性的工作。因此需要有效的抑制图像噪声去获得可靠的结果。再者，由于损伤部分嵌入和隐藏在各种不同密度的乳房软组织结构里，故对损伤部分的分割是一件困难的工作。为了给放射科医生对X 光乳腺图像的精确诊断提供帮助，详细研究了对比度增强的多尺度去噪方法和健壮性肿块分割的方法。
　　 为了减少X 光乳腺图像的噪声、增强对比度和边缘，我们提出了基于数学形态学和高斯差分的小波去噪的尺度去噪方法，然后把各种尺度的去噪进行融合。然而，不同增强方法的融合可以发现给定图像的清楚特征，有时也会出现互补的特征（如：边缘增强和去噪）。此外，对100张测试X 光乳腺图像用提出的三种去噪方法进行去噪，然后用一种定量的测试方法，对比度改进指标（CII）来确认的去噪的质量。实验结果表明，提出的第二种方法平均CII值为1.68，高于第一种方法的平均CII值1.62，第三种方法的平均CII值1.61，VisuShrink 方法的平均CII值0.90,BayesShrink 方法的平均CII值0.99, PenalizedShrink 方法的平均CII值0.92,和非局部平均（NLM）去噪方法的平均CII值0.69。模拟结果表明提出的多尺度去噪方法可以改进对比度和增强X 光乳腺图像的特征。
　　 鉴于X 光乳腺图像实际上是多噪声和非双峰的图像，传统的肿块分割方法是不健壮的。所以提出了两种基于可变形几何动态轮廓的肿块分割方法。此外，可变形模型提供了一种有效的方法解决精确的对象的分割问题，特别是当对象没有明显的边界。我们用面积重叠率（AOR）来对160张X 光乳腺图像肿块分割的效果进行验证。在重叠部分为0.4时，第一种提出的方法的正确分割率为89％，第二种为91％，Chan-Vese (C-V）算法为81％。
　　 研究的对比度改进和去噪的多尺度去噪方法提高了去噪的质量和对比度。同样，提出的基于C-V几何可变模型的X 光乳腺图像的肿块分割方法也增加了对肿块分割的效率。所以，本论文对数字X 光乳腺图像的理解和诊断至关重要的图像质量和肿块分割效率都进行了改善。

目录

文摘

英文文摘

论文说明：List of Figures、List of Tables

声明

1 Introduction

2 Contrast Enhancement and Mass Segmentation of Mammograms Background

3 Wavelet Analysis for Contrast Enhancement of Mammograms

4 Multiscale Denoising for Enhancing Lesion Detection in Mammograms

5 Breast Mass Segmentation via Geometric Active Contour Model

6 Conclusions and Future Work

References

Publications

Curriculum Vitae

Acknowledgement