發(fā)布時(shí)間：2020-12-02 18:42

　　目前乳腺癌疾病已經(jīng)逐漸發(fā)展成為發(fā)病率最高的危害女性健康的疾病之一,通過積極檢查并獲得初期治療,能夠有效降低乳腺癌死亡率。在以往人工閱片診斷乳腺腫塊良惡性過程中,診斷結(jié)果很大程度上依賴于醫(yī)師的經(jīng)驗(yàn),同時(shí)由于視覺疲勞等原因?qū)е箩t(yī)師診斷過程中的診斷錯(cuò)誤、遺漏的現(xiàn)象時(shí)有發(fā)生。隨著計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展,醫(yī)學(xué)計(jì)算機(jī)輔助診斷系統(tǒng)出現(xiàn),并在很大程度上降低診斷結(jié)果對(duì)醫(yī)師經(jīng)驗(yàn)的依賴,可以對(duì)醫(yī)學(xué)圖像做出客觀的分析,極大提高了醫(yī)師診斷的效率及準(zhǔn)確率,對(duì)提高乳腺癌檢出率使患者獲得及時(shí)有效的治療具有重要的意義。提取圖像中的腫塊部分是乳腺癌計(jì)算機(jī)輔助診斷系統(tǒng)實(shí)現(xiàn)良惡性分類的基礎(chǔ)。針對(duì)常用點(diǎn)對(duì)馬爾科夫隨機(jī)場(chǎng)（Markov RandoField,MRF）分割算法中采用簡(jiǎn)單先驗(yàn)?zāi)Ｐ?在對(duì)乳腺鉬靶X圖像中的乳腺腫塊分割時(shí)產(chǎn)生的過分割問題,提出一種基于簡(jiǎn)單線性迭代聚類（SimpleLinear Iterative Cluster,SLIC）算法改進(jìn)的MRF分割算法。該算法第一步采用SLIC算法將圖像預(yù)分割為局部區(qū)域一致性較高的超像素塊,根據(jù)超像素區(qū)域的特征構(gòu)建對(duì)應(yīng)的鄰域系統(tǒng)并構(gòu)建MRF,以超像素區(qū)域代替像素點(diǎn)作為分割單位實(shí)現(xiàn)... 

【文章來源】：太原理工大學(xué)山西省 211工程院校

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 圖像分割算法研究現(xiàn)狀
        1.2.2 特征提取算法研究現(xiàn)狀
        1.2.3 腫塊良惡性檢測(cè)研究現(xiàn)狀
    1.3 課題來源及主要研究?jī)?nèi)容
        1.3.1 本文主要研究?jī)?nèi)容
        1.3.2 本文章節(jié)安排
第二章 醫(yī)學(xué)圖像處理相關(guān)理論
    2.1 乳腺鉬靶X圖像處理基本流程
    2.2 醫(yī)學(xué)圖像分割算法
        2.2.1 基于閾值的分割方法
        2.2.2 基于區(qū)域的分割方法
        2.2.3 基于邊緣信息的分割方法
        2.2.4 基于圖的分割方法
    2.3 醫(yī)學(xué)圖像的特征提取
        2.3.1 灰度特征
        2.3.2 形狀特征
        2.3.3 紋理特征
    2.4 分類器介紹
        2.4.1 Fisher線性判別分類器
        2.4.2 隨機(jī)森林分類器
        2.4.3 K-近鄰分類器
    2.5 本章小結(jié)
第三章 基于改進(jìn)的MRF乳腺鉬靶腫塊分割算法
    3.1 乳腺鉬靶圖像的預(yù)處理
        3.1.1 去除背景干擾區(qū)域
        3.1.2 乳腺鉬靶圖像去噪處理
    3.2 乳腺鉬靶圖像SLIC預(yù)分割
        3.2.1 SLIC預(yù)分割算法
        3.2.2 預(yù)分割算法步驟
    3.3 基于SLIC的MRF分割算法
        3.3.1 構(gòu)建基于正六邊形超像素的鄰域系統(tǒng)
x的MRF模型">        3.3.2 構(gòu)建基于鄰域系統(tǒng)N_x的MRF模型
        3.3.3 Gibbs分布與MRF等價(jià)性
        3.3.4 乳腺鉬靶X圖像分割算法
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 分割效果
        3.4.2 定量分析
    3.5 本章小結(jié)
第四章 乳腺腫塊特征提取及分類
    4.1 乳腺腫塊特征提取
        4.1.1 灰度特征的提取
        4.1.2 形狀及邊緣特征的提取
        4.1.3 基于改進(jìn)的LBP算法提取紋理特征
    4.2 支持向量機(jī)
    4.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文



本文編號(hào)：2895578