Directionlets及其在乳腺X线图像增强中的应用

摘要

乳腺癌是一种女性中较为常见高发的恶性肿瘤病,是导致女性死亡的第二大主因。乳腺图像增强是乳腺癌计算机辅助诊断技术中的关键步骤,通过对乳腺图像进行增强,突出图像中的有用信息,能够有效改善乳腺图像的视觉效果,为医生提供更为可靠的诊断依据。
　　 本论文以多尺度几何分析(Multiscale Geometric Analysis,MGA)及其在图像处理中的应用为研究背景,较为深入的研究了Directionlet变换(Directionlet Transform,DT)、非下采样Directionlet变换(Nonsubsampled Directionlet Transform,NSDT)以及压缩感知(Compressed sensing,CS)技术在图像增强中的应用,针对自然图像和乳腺图像的增强提出了新的算法。主要工作概括如下:首先,研究了Directionlet变换,并在此基础上提出了一种基于Directionlet变换和广义高斯混合模型(GeneralizedGaussian Mixture Model,GGMM)的乳腺图像增强方法,能够有效增强乳腺图像中的微弱病变区域；其次,为了保留更多原图像的信息,实现了非下采样Directionlet变换,并提出了基于非下采样Directionlet变换和非线性函数的增强方法,为了克服非线性增强不能有效增强乳腺图像病变区域的缺陷,又设计了基于非下采样Directionlet变换与GGMM的增强方法,进一步提高了微弱边缘的增强效果；最后,研究了压缩感知技术在数字图像增强处理中的应用,并研究了基于Directionlet变换的图像压缩感知方法,提出了一种基于非下采样Directionlet变换和压缩感知技术相结合的图像增强算法,能够显著增强图像中的病变区域,同时有效抑制图像背景和噪声干扰,取得了较好的增强效果。
　　 实验结果表明,本文所提出的一系列增强方法,都能够有效地对乳腺X线图像和自然图像进行增强,具有广阔的应用前景。

目录

文摘

英文文摘

第一章 绪论

1.1 研究背景及意义

1.1.1 乳腺癌概述

1.1.2 乳腺癌计算机辅助诊断技术

1.2 国内外研究进展及现状

1.2.1 多尺度几何分析方法的研究现状

1.2.2 乳腺X线图像增强技术的研究现状

1.3 研究内容及章节安排

第二章 图像表示与Directionlet变换

2.1 引言

2.2 典型的二维图像表示方法

2.2.1 Fourier

2.2.2 Wavelet变换

2.2.3 Ridgelet变换

2.2.4 Curvelet变换

2.2.5 Contourlet变换

2.3 Directionlet变换

2.3.1 各向异性小波变换

2.3.2 基于栅格的斜小波变换

2.4 本章小结

第三章 基于Directionlet变换与GGMM的乳腺图像增强

3.1 引言

3.2 Directionlet变换系数分析

3.3 基于GGMM的Bayes分类模型

3.3.1 广义高斯混合模型

3.3.2 EM算法

3.3.3 Bayes分类

3.4 基于Directionlet变换和GGMM的乳腺图像增强算法

3.4.1 模型的选择

3.4.2 非线性映射函数的设计

3.4.3 基于Directionlet变换的乳腺图像增强算法实现步骤

3.5 实验结果与分析

3.5.1 增强方法的评价标准

3.5.2 实验结果及分析

3.6 本章小结

第四章 基于非下采样Directionlet变换的乳腺图像增强

4.1 引言

4.2 非下采样Directionlet变换的构造

4.3 基于非线性函数的图像增强算法

4.3.1 增强算法分析

4.3.2 实验结果与分析

4.4 基于非下采样Directionlet变换和GGMM的图像增强算法

4.4.1 增强算法分析

4.4.2 实验结果与分析

4.5 本章小结

第五章 基于NSDT和压缩感知的乳腺图像增强

5.1 引言

5.2 压缩感知基础

5.3 基于Directionlet变换的图像压缩感知算法

5.3.1 压缩感知算法分析

5.3.2 实验结果与分析

5.4 基于NSDT和压缩感知的乳腺图像增强算法

5.4.1 增强算法分析

5.4.2 实验结果与分析

5.5 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

攻读硕士学位期间获得的科研成果及参与的科研项目