本文關(guān)鍵詞：基于PCA的乳腺腫塊輔助診斷方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來乳腺疾病的發(fā)病率呈逐年上升趨勢，并逐漸年輕化，已嚴(yán)重危害女性健康，乳腺疾病若不能及早發(fā)現(xiàn)很容易惡化為乳腺癌。臨床上應(yīng)用乳腺鉬靶X線輔助診斷系統(tǒng)，可以幫助醫(yī)生發(fā)現(xiàn)微小腫塊及潛在腫塊，有效提高了乳腺疾病的早期診斷精度，對乳腺癌的防治具有重要意義。 乳腺腫塊是判定乳腺癌的重要依據(jù)，如何準(zhǔn)確檢測和識別腫塊對乳腺癌的診斷具有重要意義。本文主要研究基于主成分分析（PCA）提取腫塊特征，，并結(jié)合獨(dú)立成分分析（ICA）得到改進(jìn)方法，再利用分類器將特征分類，從而完成對腫塊的判別。文章首先引用CT圖像的窗口技術(shù)，設(shè)計乳腺鉬靶X線圖的最佳顯示灰度范圍，利用動態(tài)規(guī)劃法結(jié)合腫塊診斷標(biāo)準(zhǔn)選取ROI區(qū)域作為樣本圖像；其次設(shè)計了PCA計算腫塊特征的計算方法，計算測試樣本的協(xié)方差矩陣，根據(jù)累計貢獻(xiàn)率選取特征向量構(gòu)成特征空間，得到訓(xùn)練圖像的投影系數(shù)即主成分特征；第三，結(jié)合ICA改進(jìn)腫塊特征，利用PCA對圖像作空間維度降低處理，ICA計算實(shí)現(xiàn)選取特征的相互獨(dú)立性；最后利用特征分類器對計算的特征進(jìn)行分類，實(shí)現(xiàn)對腫塊的檢測。 本文共選取ROI區(qū)域圖像174幅，選取其中70幅作為訓(xùn)練圖像，其余104幅作為測試圖像。利用上述方法進(jìn)行檢測，將結(jié)果與檢測標(biāo)準(zhǔn)對比，利用PCA方法得到的腫塊檢出率為93.3%，ROC測試曲線結(jié)果AUC=0.88，該結(jié)果表明，利用PCA可以有效提高腫塊檢測效果；結(jié)合ICA后，檢出率達(dá)到96.2%，進(jìn)一步改進(jìn)了檢測效果，對提高CAD系統(tǒng)的性能具有重要作用。
【關(guān)鍵詞】：乳腺腫塊檢測 窗口技術(shù) 主成分分析 獨(dú)立成分分析
【學(xué)位授予單位】：沈陽工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：R737.9;R816.4
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-18
• 1.1 乳腺輔助診斷研究的背景及意義10-12
• 1.2 乳腺CAD系統(tǒng)的發(fā)展與現(xiàn)狀12-13
• 1.2.1 乳腺CAD系統(tǒng)的產(chǎn)生及發(fā)展12-13
• 1.2.2 乳腺CAD系統(tǒng)的研究現(xiàn)狀13
• 1.3 早期乳腺腫塊影像檢測方法13-16
• 1.3.1 乳腺腫塊影像檢測方法13-14
• 1.3.2 乳腺腫塊的X線顯影特征14-15
• 1.3.3 X線成像診斷乳腺疾病存在的問題15-16
• 1.4 本文主要內(nèi)容及結(jié)構(gòu)安排16-18
• 第二章 ROI區(qū)域提取和乳腺圖像灰度調(diào)節(jié)18-28
• 2.1 腫塊ROI區(qū)域選擇18-21
• 2.1.1 腫塊分割的原理和傳統(tǒng)方法18-19
• 2.1.2 基于動態(tài)規(guī)劃的腫塊分割19-21
• 2.2 基于灰度可調(diào)的乳腺腫塊顯示21-23
• 2.2.1 CT圖像窗口技術(shù)21-23
• 2.2.2 X線圖像窗口技術(shù)23
• 2.3 灰度范圍選取23-27
• 2.3.1 窗寬、窗位的取值24-25
• 2.3.2 WL值的選擇25-26
• 2.3.3 WW值的選擇26-27
• 2.4 本章小結(jié)27-28
• 第三章 基于PCA的腫塊特征計算28-42
• 3.1 PCA原理及應(yīng)用28-30
• 3.1.1 PCA算法原理28-29
• 3.1.2 PCA的應(yīng)用29-30
• 3.2 腫塊特征計算30-32
• 3.3 特征分類32-33
• 3.4 參數(shù)優(yōu)化設(shè)計33-35
• 3.5 PCA特征分析35
• 3.6 基于PCA的圖像重構(gòu)35-41
• 3.6.1 PCA重構(gòu)方法35-36
• 3.6.2 實(shí)驗(yàn)設(shè)計及重構(gòu)結(jié)果36-41
• 3.7 本章小結(jié)41-42
• 第四章 PCA算法優(yōu)化42-50
• 4.1 ICA算法原理及計算42-46
• 4.1.1 ICA原理42-44
• 4.1.2 獨(dú)立特征計算44-45
• 4.1.3 分離矩陣計算45-46
• 4.2 結(jié)合ICA優(yōu)化腫塊特征46-49
• 4.2.1 優(yōu)化特征計算46-47
• 4.2.2 特征分類47
• 4.2.3 參數(shù)優(yōu)化設(shè)計47-49
• 4.3 本章小結(jié)49-50
• 第五章 檢測結(jié)果分析50-55
• 5.1 腫塊檢測結(jié)果50-53
• 5.1.1 PCA腫塊檢測結(jié)果分析50-51
• 5.1.2 PCA結(jié)合ICA方法的腫塊檢測結(jié)果分析51-53
• 5.2 誤檢及漏檢53
• 5.3 算法性能評估53-54
• 5.4 本章小結(jié)54-55
• 第六章 總結(jié)與展望55-58
• 6.1 工作總結(jié)55-56
• 6.2 前景展望56-58
• 參考文獻(xiàn)58-61
• 在學(xué)研究成果61-62
• 致謝62

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 孫存杰,張虹;CT圖像增強(qiáng)方法的研究[J];CT理論與應(yīng)用研究;2005年04期

2 萬劍,程憲平;腫瘤細(xì)胞計算機(jī)輔助診斷系統(tǒng)的研究[J];電腦開發(fā)與應(yīng)用;2004年05期

3 王合,莊天戈,蔣大宗;基于動態(tài)規(guī)劃的序列圖像自動分割[J];電子學(xué)報;1998年11期

4 馬社祥;張振宇;溫顯斌;;灰度圖像的多分辨特征信息度量[J];光電子.激光;2009年08期

5 趙慶苓;;主成分分析在人臉識別研究中的應(yīng)用[J];貴州大學(xué)學(xué)報(自然科學(xué)版);2010年05期

6 董火明,高雋,胡良梅,董文雯;基于主分量分析的形狀特征提取及識別研究[J];合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2003年02期

7 劉直芳,游志勝,王運(yùn)瓊;基于PCA和ICA的人臉識別[J];激光技術(shù);2004年01期

8 李曉峰;沈毅;王強(qiáng);;超聲乳腺腫瘤圖像計算機(jī)輔助診斷系統(tǒng)[J];吉林大學(xué)學(xué)報(工學(xué)版);2009年03期

9 翟俊海;王熙照;張素芳;;基于小波變換和多類支持向量機(jī)的圖像分類[J];計算機(jī)工程與應(yīng)用;2007年16期

10 楊萬扣;王建國;任明武;楊靜宇;;基于分塊獨(dú)立成分分析的人臉識別[J];計算機(jī)工程與應(yīng)用;2008年01期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 茍茹君;支持向量機(jī)方法在乳腺腫塊分類中的應(yīng)用研究[D];西安理工大學(xué);2008年

2 熊健;基于x線圖像的乳腺腫塊自動檢測技術(shù)研究[D];華中科技大學(xué);2007年

3 王明;乳腺X線計算機(jī)輔助診斷關(guān)鍵技術(shù)研究[D];上海交通大學(xué);2009年

4 杜萬亮;基于獨(dú)立成分分析的多元回歸方法研究[D];東北大學(xué);2009年

  本文關(guān)鍵詞：基于PCA的乳腺腫塊輔助診斷方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：347897