基于B超图像的乳腺肿瘤的计算机辅助诊断

摘要

乳腺癌是妇女常见的恶性肿瘤之一，近年来发病率呈明显上升趋势。超声被广泛用于乳腺癌的诊断，因为超声成像具有对人体无放射、价格相对较低廉等优势。临床上，医生主要是通过肉眼观察B型超声图像的特征，凭经验和感性的认识来对乳腺肿瘤进行诊断，缺乏客观指标，有时会造成误诊，特别是对良性肿瘤的误检率较高导致了活检结果为良性的病例增加，给病人带来了不必要的痛苦和经济负担。 计算机辅助诊断能进行定量分析，减轻医生诊断工作量，降低活检数，提高诊断效率和客观性。本研究的目的是为B超诊断乳腺肿瘤提供计算机辅助诊断手段，在保证恶性识别率达到100％的同时，尽量提高对良性肿瘤的识别率，从而降低不必要的活检数量，为医生的临床诊断提供相对客观的参考。 本论文研究一种基于B型和Doppler血流超声图像分析技术和BP人工神经网络的计算机辅助乳腺肿瘤诊断方法。首先通过对乳腺B超图像进行分析，提取了基于肿瘤形态和边界的七个特征以及基于灰度的两个特征；然后根据类间距对各个特征的分类能力进行评价，选出类间距较大的特征：灰度比、付里叶描述子、粗糙度和似圆度；再对这四个特征进行组合，用K均值聚类的方法，筛选出由灰度比、付里叶描述子和似圆度组成的最优特征矢量；最后，在特征选择的基础上，先采用灰度比、似圆度和付里叶描述子作为BP人工神经网络的输入，进行良、恶性肿瘤的识别。根据恶性肿瘤血管和血供都比较丰富的特点，本文进一步引入Doppler血流图像特征，并通过大量临床确诊病理的统计分析，确定了超声Doppler血流图像特征的阈值，作为进一步判断良、恶性肿瘤的依据。通过500例临床样本的实验结果表明，本文所建立的方法在只采用B超图像特征矢量的情况下，良、恶性识别率分别达到64.8％和91.2％，而引入Doppler血流图像特征后，良、恶性肿瘤的识别率可分别达到80.8％和100％。 本论文首次引入了血流特征，利用付立叶描述子从频率域的角度描述肿瘤边界的粗糙度。并用双阈值的方法把BP网络的识别结果分为三类，对中间型样本加入血流特征。本论文的研究表明，血流特征作为一个辅助特征，有较强的判别良性和恶性样本的能力。本研究所建立的辅助诊断系统能够不遗漏恶性样本，与此同时，系统也达到较高的对良性肿瘤的识别率，从而降低不必要的活检数。

目录

文摘

英文文摘

1文献综述及研究设想

2特征提取和选择

3基于BP人工神经网络的计算机识别

4实验结果及讨论

5论文工作总结

参考文献

攻读硕士学位期间的成果列表

声明

致谢