基于相关向量机的致密型乳腺X线图像微钙化点簇检测方法研究

摘要

乳腺癌是当今女性健康的第一杀手，及时发现和早期治疗能有效降低其发病和死亡率。目前，乳腺钼靶X线检查被认为是乳腺癌早期诊断最可靠且最有效的方法，放射科医师通过观察乳腺X线图像中是否存在微钙化点簇来进行判断。利用计算机技术自动检测乳腺X线图像中的微钙化点簇能够有效地辅助放射科医师提高早期乳腺癌检测的精准度及效率。当前微钙化点簇检测方法大多基于国外非致密型乳腺X线图像，致密型乳腺X线图像中复杂的腺体组织使得图像对比度变低，当前检测方法检测其微钙化点簇的精度还有待提高。相关向量机(Relevance Vector Machine，简称RVM)是结合马尔科夫性质、贝叶斯原理、自动相关决定先验和最大似然等理论的基于概率预测的稀疏贝叶斯学习模型，其具有能够提供概率性预测和任意使用核函数等优点。基于此，本论文对相关向量机模型进行改进，提出了一种基于旋转方法的改进相关向量机模型，并将其应用于致密型乳腺X线图像中微钙化点簇的检测以期提高致密型乳腺X线图像中微钙化点簇的检测精度。论文完成的主要工作和创新点有:
　　(1)针对相关向量机模型训练过程中微钙化点个数有限、易出现学习不充分等问题，本文提出了一种基于旋转方法的改进相关向量机模型。该模型首先通过交叉验证法优化核函数的参数，然后通过分析训练样本中样本特点，将旋转方法应用于相关向量，并将旋转后相关向量加入到原有训练样本中，以此增加训练样本特征差异性和训练样本个数。
　　(2)针对致密型乳腺X线图像中微钙化点簇检测精度不高的问题，本文将改进相关向量机模型应用于致密型乳腺X线图像微钙化点簇的检测中。首先手动选取图像库中致密型乳腺X线图像，对高通滤波等预处理增强后的致密型乳腺X线图像提取特征向量并训练得到相关向量，然后将相关向量进行特定旋转变化后加入原有训练样本构成新的训练样本集，接着用新训练样本集训练的改进相关向量机模型对致密型乳腺X线图像进行检测，将检测出的微钙化点进行分簇，最后用自由响应受试者工作特征(FROC)曲线对算法检测性能进行评价。实验结果表明改进后的相关向量机模型能够有效提高致密型乳腺X线图像中微钙化点簇的检测精度。

目录

声明

致谢

摘要

1 引言

1．1 乳腺X线图像微钙化点簇检测研究背景及意义

1．2 乳腺X线图像微钙化点簇检测国内外研究现状

1．2．1 乳腺X线图像微钙化点检测研究现状

1．2．2 致密型乳腺X线图像研究现状

1．3 致密型乳腺X线图像微钙化点簇检测存在的难题

1．4 论文内容及结构

1．4．1 主要研究内容

1．4．2 论文结构

2 相关向量机(RVM)模型

2．1 监督学习

2．2 相关向量机回归模型

2．3 相关向量机分类

3 基于RVM的乳腺X线图像微钙化点簇检测方法

3．1 引言

3．2 图像预处理及特征提取

3．2．1 图像增强

3．2．2 校正手工标定微钙化点

3．2．3 特征提取

3．3 RVM核函数

3．3．1 核函数类型

3．3．2 核函数选择

3．4 微钙化点簇检测

3．5 实验结果及分析

3．5．1 实验仿真

3．5．2 检测结果分析

3．6 本章小节

4 基于改进RVM致密型乳腺X线图像微钙化点簇检测方法

4．1 引言

4．2 旋转方法

4．3 基于旋转相关向量的RVM模型方案设计

4．3．1 旋转相关向量选取

4．3．2 算法实现流程

4．4 实验及结果分析

4．4．1 乳腺X线图像库的检测结果

4．4．2 致密型乳腺X线图像库的检测结果

4．5 本章小结

5．1 工作总结

5．2 展望

参考文献

作者简历及攻读硕士／博士学位期间取得的研究成果

学位论文数据集