（电路与系统专业论文）乳腺x线图像微钙化点检测方法研究.pdf

中文摘要 摘要：乳腺癌已成为城市女性的“头号杀手”，严重危害了当代女性身心健康。 目前已知生活方式、环境问题等因素对乳腺癌的发病有一定的影响，但仍无法获 知其确切的发病原因。为了降低乳腺癌死亡率，关键在于早发现、早诊断、早治 疗。由于医师受到工作经验、疲劳度等方面的影响，计算机辅助技术在乳腺x 线 早期诊断中起着非常重要的作用。微钙化点是乳腺癌的早期特征之一，由于其与 周围组织的对比度较低等因素，如何快速有效地利用计算机辅助技术检测出乳腺x 线图像中的微钙化点是当今乳腺癌研究的一个重要课题。 本文针对微钙化点的检测难点，并基于对生物医学图像以及乳腺x 线图像的 特征分析，分三个模块对微钙化点自动检测中的图像处理与分析算法进行了深入 的研究。工作内容及创新点如下： 1 预处理模块。针对乳腺区域提取方法复杂度较高的现状，本文提出了一种基 于形态学的乳腺区域提取算法，实验结果表明该方法在确保完整有效的提取乳腺 区域的基础之上，获得了提取速度的改善，具有较强的通用性。 2 感兴趣区域( r 0 0 提取模块。基于生物医学图像通常由若干独立成分加权迭加 而成的特征，以及独立分量分析对数据高阶统计相关性分析的优势，提出了一种 基于独立分量分析的提取感兴趣区域的算法。通过基于负熵最大化的f a s t l c a 保证 了i c a 算法的收敛速度。结合人工神经网络和支持向量机分别对提取的特征向量进 行分类以提取感兴趣区域。对两种分类方法的实验结果表明，支持向量机在分类 精确性和算法简便性上均优于人工神经网络，最高准确率可达9 1 6 7 ，真阳性率 9 3 3 3 。通过与其他文献提出的算法提取r o i 的真阳性率的比较，进一步验证了独 立分量分析在提取乳腺x 线图像特征高完整性的优势。 3 微钙化点检测模块。在微钙化点检测技术中，提高微钙化点与背景区域的对 比度是提高检测效果的关键问题。基于乳腺x 线图像在频域的特征表现以及小波 的时频特性，提出了一种结合了小波分析和小波去噪的算法。与形态学t o p h a t 算法，部分小波系数加权算法的检测结果比较表明，本文的算法保持了对背景区 域的高去除度，有效地克服了噪声较大的缺陷，获得了高对比度的微钙化点，实 现了微钙化点的有效检测。 关键词：乳腺x 线图像；微钙化点检测；独立分量分析；支持向量机；小波分析 分类号：t p 3 9 1 7 a bs t r a c t a b s t r a c t ：b r e a s tc a n c e rh a sb e c o m et h el e a d i n gc a u s eo fd e a t ha m o n gw o m e n i nt h ec i t y , w h i c hi sas e r i o u st h r e a tt ot h ep h y s i c a la n dm e n t a lh e a l t ho fm o d e r nw o m e n 。 i ti sk n o w nt h a t t h el i v i n gp a t t e r na n de n v i r o n m e n tc o n t r i b u t e dt ot h eb r e a s tc a n c e r i ns o m ew a y , b u ti ti si m p o s s i b l et of i n do u tt h ee x a c tc a u s e t h ek e y sf o r d e c r e a s i n gt h e m o r t a l i t ya r ee a r l yd i s c o v e r y , e a r l yd i a g n o s i sa n de a r l yt r e a t m e n t b e c a u s eo ft h e l i m i t a t i o no f r a d i o l o g i s t s w o r k e x p e r i e n c ea n dc o n s i s t e n tw o r k ，c o m p u t e r - a i d e d t e c h n o l o g yp l a y sav e r yi m p o r t a n tr o l e i nt h ee a r l y d i a g n o s i so fm a m m o g r a m s m i c r o - c a l c i f i c a t i o n sp r e s e n ta ne a r l ys i g no fb r e a s tc a n c e r b e c a u s eo ft h el o wc o n t r a s t w i t hi s s u e sa n do t h e rf a c t o r s ，f i n d i n ga ne f f e c t i v ew a yt od e t e c tt h em i c r o c a l c i f i c a t i o n s i nm a m m o g r a m su s i n gc o m p u t e ra i d e dt e c h n o l o g i e si so n eo ft h em o s ts i g n i f i c a n t o b j e c t so nt h er e s e a r c ho fb r e a s tc a n c e r t h i s p a p e r i sf o c u s e do nt h e i m a g ep r o c e s s i n g a n d a n a l y s i s o ft h e m i c r o c a l c i f i c a t i o n sa u t od e t e c t i o nb a s e do nt h ed i f f i c u l t i e so fm i c r o c a l c i f i c a t i o n d e t e c t i o na n dt h ec h a r a c t e r i s t i c sa n a l y s i so fb i o m e d i c a li m a g e sa n dm a m m o g r a r n si n t h r e em o d u l e s t h em a i nr e s e a r c hw o r ka n di n n o v a t i o n sa r ea sf o l l o w s ： 1 t h em a m m o g r a mp r e p r o c e s s i n gm o d u l e b a s e do nt h e p r e s e n ts i t u a t i o nt h a t m o s te x t r a c t i o nm e t h o d so fb r e a s tr e g i o na r e h i g h l yc o m p l e x ，t h i sp a p e rp r e s e n t sa n e x t r a c t i o nm e t h o do fb r e a s tr e g i o nb a s e do nm o r p h o l o g y t h ee x p e r i m e n t a lr e s u l t ss h o w t h ep r o p o s e dm e t h o dh a so b t a i n e dt h eh i 曲l yp e r f o r m a n c eo nt h es p e e do fe x t r a c t i o n a n dt h eu n i v e r s a l i t yb a s e do nt h ec o m p l e t ea n de f f e c t i v ee x t r a c t i o no fb r e a s tr e g i o n 2 t h er e g i o no fi n t e r e s te x t r a c t i o nm o d u l e b a s e do nt h ef a c tt h a tm e d i c a l i m a g e su s u a l l yc o n s i s to fw e i g h t e di n d e p e n d e n tc o m p o n e n t sa n dt h es t r e n g t ho f i n d e p e n d e n tc o m p o n e n ta n a l y s i so nh i g hd a t as t a t i s t i c a lc o r r e l a t i o n ，t h i sp a p e rp r o p o s e d am e t h o dt oe x t r a c tt h er e g i o no fi n t e r e s tb a s e do ni n d e p e n d e n tc o m p o n e n ta n a l y s i s u s i n gf a s t l c ab a s e do nm a x i m i z a t i o no fn e g a t i v ee n t r o p yt oe n s u r et h es p e e do fi c a c o n v e r g e n c e w es e p a r a t e dt h ef a l s es i g n a l sb ym e a n so fa r t i f i c i a ln e u r a ln e t w o r k sa n d s u p p o r tv e c t o rm a c h i n ec l a s s i f i e r si no r d e rt oe x t r a c to ft h er e g i o no fi n t e r e s t t h e e x p e r i m e n t a l r e s u l t ss h o wt h a t s u p p o r tv e c t o rm a c h i n e c l a s s i f i e rd o e sab e t t e r p e r f o r m a n c et h a na r t i f i c i a ln e u r a ln e t w o r k si nb o t ha c c u r a c ya n ds i m p l i c i t y , a n dt h e h i g h e s ta c c u r a t er a t ea n dt r u ep o s i t i v er a t ea r e9 1 6 7 a n d9 3 3 3 t h ec o m p a r e d r e s u l t st ot h em e t h o d sp r o p o s e db yo t h e rp a p e r ss h o w e dt h eh i g hp e r f o r m a n c eo n c h a r a c t e r se x t r a c t i o no ft h em a m m o g r a m sb a s e do ni n d e p e n d e n tc o m p o n e n ta n a l y s i s 3 t h em i c r o c a l c i f i c a t i o n sd e t e c t i o nm o d u l e i nt h et e c h n o l o g i e so fd e t e c t i o no f m i c r o c a l c i f i c a t i o n ，t h ek e yi s s u ei si m p r o v i n gt h ec o n t r a s tb e t w e e n m i c r o - c a l c i f i c a t i o n s a n db a c k g r o u n d b a s e do nt h ec h a r a c t e rp e r f o r m a n c ei nt h ef r e q u e n c yd o m a i no f m a m m o g r a m sa n dt h et i m e - f r e q u e n c y o fw a v e l e t s ，t h i sp a p e rp r o p o s e dam e t h o d c o m b i n gt h ew a v e l e t sa n a l y s i sa n dw a v e l e t sd o m a i nd e n o i s i n g c o m p a r e dr e s u l t s t o t o p h a ta n dp a r t l yw e i g h t e dw a v e l e tc o e f f i c i e n t s s h o wt h a tt h ep r o p o s e dm e t h o dh a s o b t a i n e dt h eh i g hr e m o v a lo fb a c k g r o u n da n dh i g hc o n t r a s to fm i c r o - c a l c i f i c a t i o nb y o v e r c o m i n gt h ew e a k n e s so fh i g hn o i s e ，w h i c ha c h i e v e dt h e e f f e c t i v ed e t e c t i o no f m i c r o c a l c i f i c a t i o n k e y w o r d s ：m a m m o g r a m ；m i c r o c a l c i f i c a t i o n sd e t e c t i o n ；i n d e p e n d e n tc o m p o n e n t a n a l y s i s ；w a v e l e t sa n a l y s i s c i 。a s s n 0 ：t p 3 9 】7 v 致谢 本论文的工作是在我的导师薛健教授的悉心指导下完成的，薛健教授严谨的 治学态度和科学的工作方法给了我极大的帮助和影响。在此衷心感谢三年来薛健 老师对我的关心和指导。他渊博的学识、一丝不苟的治学态度使我受益终生。 在研究生学习期间，陈后金教授、李居朋老师悉心指导我们完成了实验室的 科研工作，并且在学习和生活上都给予了无微不至的教导和关怀，在此向陈后金 教授、李居朋老师表示衷心的感谢。 在实验室工作及撰写论文期间，刘林、王靖等同学对我论文中的研究工作给 予了热情帮助，并且提出了许多的宝贵意见，在此向他们表达我的感激之情。 感谢北京交通大学0 9 级电路班的所有同学，他们陪伴我度过了三年的美好同 窗时光，感谢他们在科研及生活上对我真诚的帮助和鼓励。特别感谢我的舍友在 学习以及生活上给予我的关怀。 另外也感谢家人，他们的理解和支持使我能够在学校专心完成我的学业 1引言 1 1课题背景 乳腺癌已成为威胁当代女性生命健康的致命杀手之一。1 9 9 1 年1 月1 4 闩出版 的时代杂志发表了一个封面故事：十分之一的美国妇女将要患上乳腺癌，那么原 因是什么，我们又能做些什么? 世界卫生组织统计得出，全球范围内每年乳腺癌 新发病例达到1 2 0 万，死亡人数为5 0 万人。虽然与欧美等乳腺癌病例的高发区相 比，我国的乳腺癌发病率较低，但其增长速度已逐渐引起人们的重视。国际癌症 研究中心最新估计表明【2 】，中国女性乳腺癌每年的新发病例为1 2 6 万，死亡病例 为3 7 万；而标化发病率和死亡病率分别为1 8 7 1 0 万和5 5 1 0 万，明显低于全球 平均水平，但增长速度却不容小视，过去3 0 年中国女性的乳腺癌死亡率上升了 9 6 【3 1 。 目前已知生活方式、环境问题以及基因等因素对乳腺癌的发病有一定的贡献， 可仍不可获知乳腺癌的确切病因。并且超过一半以上的乳腺癌病例不存在明显的 影响因素。因此，在对乳腺癌病因尚无良策的情况之下，如何降低其死亡率是乳 腺癌研究的重要目标。降低乳腺癌死亡率的关键在于早期诊断。研究表明，乳腺 癌的早期治愈率高达9 7 ，进展期后的治愈率只有4 0 。 1 2 乳腺影像学诊断方法 ( 1 ) 乳腺x 线钼靶摄影检查( m a m m o g r a p h y , m g ) 1 9 1 3 年，来自德国的医师第一次应用乳腺x 线摄影检查乳腺癌病变区圳6 l 。 发展到今日，其分辨率高，动态范围广，能及时地发现乳腺病变区域等多项优势， 使得乳腺数字化x 线钼靶摄影正在取代传统钼靶片的地位。乳腺x 线摄影检查对 早期乳腺癌的敏感性大于8 5 ，并且不能被超声波检测，温度检测，m r i 等其他 诊断形式所代替【引，是影像学普查乳腺癌的首选。我国于0 6 年开展的“中国百万 妇女乳腺普查工程”，使用的就是这种影像技术。 乳腺x 线钼靶摄影是利用软x 线投照乳腺组织，经过胶片感光，显影以及定 影等步骤之后，达到成像目的。拍摄时一般采用轴位( c c ) 以及斜侧位( m l o ) 。 轴位也称头、足位或者上、下位，自上向下进行x 线束的投照。斜侧位分为外内 斜位以及内外斜位，通常采用内外斜位。在内外斜位摄像中，x 线自乳腺的内上 办4 5 。外下方进 轴位以及斜侧位摄 望迨塞 一二j l 蜜光胶h 一放j ：孑l 腺夕 、一f 力。隆i1 i 为孚l h 泉x 线【冬l 像f 1 的 ( a ) l e f t - c c ( 吲1 1 乳腺x 线图像中的轴何( c c ) 以及斜侧何( m l o ) 擞影 f i g i ib r e a s tx r a yp h o t o g r a p h yo rb o t h c ca n dm l o ( 2 ) 乳腺超声检螽( u l t r a s o n o g r a p h ，u s g ) 超声检查对一t l 期乳腺癌敏感度较低。并且对检测乳腺癌病灶i 1 的微小钙化点和 过小的删，瘤存桕i 斟难。但其操作简便，价格低廉，没有电离辐射并m 叮以反复使 用，方便掌握病灶的全貌等优点使其成为较常用的辅助检测手段。 ( 3 ) 乳腺磁共振检测( m a g n e t i cr e s o n a n c ei m a g i n g ，m r i ) m r i 没有x 射线辐射，软组织分辨力较好，特别适川二j i 乳腺癌 。五危忠前。倒 山j ：设备复杂，赞j 3 昂贵，其应用受到一定限制。通常为乳h 泉x 线钭 靶摄影以及 超声成像的有主荒补充。 ( 4 ) j 0 他方法 乳腺癌影像检夼诊断方法还包括放射性核素检贪、乳腺煽多删药琏表达、 热劁像检f t y i 6 ，其应用前景将随着临床应片】的加强| f i j 进礼：进步的们阿i = 。 1 3乳腺x 线图像中微钙化点检测 1 3 i微钙化点的表现特征 通常足乳腺癌的f 独可见| ：l ( 1 1 。病理i 呐t , i ：o e 。 6 0 一8 5 7 过去的影 j 的乳腺非 的点成化形钙积微沉癌 的管怂导 钙位 中原 纵的 组r 是叫化表 钙究 像 会出现钙化，在p e t e r s 报告中可达8 0 。钙化点是微小簇状的颗粒，很可能是乳 腺x 线图像中可识别的最小结构，并且通过运用高分辨率图像技术和直接辐射放 大技术达到最好的可视效果。 恶性钙化颗粒多呈细微状，形态各样，大小不一。有曲线状，点状及泥沙状 等，直径在1 0 5 0 0 p m 范围内分布。多数专家认为，单位面积( c m 2 ) 内存在5 枚及以 上钙化点可诊断为乳腺癌】，少数专家认为3 枚以上则可判定为乳腺癌1 2 引。 与恶性钙化颗粒不同，良性钙化点的大小相似，多为圆形，直径相对较大， 且数量较少。因此可以通过钙化颗粒的形状特征来区分乳腺癌的恶性程度。 1 3 2计算机辅助技术用于微钙化点检测 美国癌症协会已经建议4 0 至4 9 岁之间的所有妇女每两年做一次乳腺x 光检 查，5 0 岁之后每年一次。如果这个建议被采纳，放射科每年将需要检查1 7 0 0 万的 新拍摄的乳腺x 线图像，每年的工作量将不堪重负【ij 。在这种情况下，放射科医 生必须在几分钟内做出他们的诊断决定。来自a r i z o n a 大学图森市乳腺癌中心的 l a u r i ef a j a r d o ，在文献【5 】中指出，每个中心的放射科医师，每天必须仔细检查约 7 5 幅乳腺x 线图像，其中只有少量的乳腺图存在异常情况。 如果仅由医师直接读片检测乳腺癌病灶，极易形成视觉疲劳，影响检测结果 的准确性。并且由于客观定量尺度并不完善，经验丰富的病理专家的检测结果也 难免会出现假阳性和假阴性【1 2 1 。因此随着计算机技术和数字成像技术的发展，利 用计算机辅助诊断技术( c o m p u t e ra i d e dd e t e c t i o n ，c a d ) 检测乳腺x 线图像中的微 钙化点已经成为乳腺癌诊断的研究热点。它作为医师的“第二双眼睛”，利用特 定的数字图像处理算法分析处理医学影像，提取病灶特征，显著提高了病灶的检 出率i3 1 。 1 3 3 微钙化点检测的研究现状 在过去的十几年里，许多c a d 算法都被提出来用以检测和分割微钙化点：全 局、局部阈值法，人工神经网络，小波分析等，每种方法都有它的优势和弱点。 为了使一个c a d 系统能得到有效的诊断结果，关键在于设计和改进有效的预处理 技术以平滑不同的背景以及去除乳腺组织和质地变化引起的结构性噪声。 文献 1 4 q b 提出了一种计算机辅助数字化乳腺x 线片的自动筛选算法。在判决 树中，通过亮度、紧缩性以及统计测度来表征候选者，如果相关系数大于阈值o 6 5 ， 该点则推断为微钙化点。反之，则为正常乳腺区域。w a n g t l5 等提出的钙化点检测 方法基于小波分解。首先通过小波对分解乳腺图像，由于钙化点信息主要包含在 分解后的第二层和第三层细节图中，因此只选择第二、三层的细节图进行重构， 最后进行阈值分割。s o n g 1 6 】等则利用小波分解以及两个统计特征参数：中值对比 度，归一化灰度值分割出了微钙化点。a m e n d o l i a i l 7 j 等人提出了基于高通滤波去噪、 统计特征提取、神经网络分类、统计方法分类等算法的综合检测手段。 文献f 1 8 】提出了基于区域增长的钙化点检测方法。对一定强度内的像素进行区 域增长，找出满足均值和误差标准范围内的强度梯度。但此方法需要依靠用户手 动输入变量范围，不能由系统直接确定。d e n g l e r 1 9 1 等提出了一种分割微钙化点的 方法。首先将乳腺x 线图像通过高通滤波器之后，算出检测点与周围点的像素差 值。设标准差的3 倍为阈值，当该差值比阈值小时，得出该点不属于乳腺癌病灶 微钙化点。而该标准差由经高斯操作后的图像导出。最后利用8 结构元素对微钙 化点进行重建。 浙江大学的袁听博士等【2 0 1 ，采用了基于局部纹理比较的方法检测成簇微钙化 点。天津大学的万柏坤教授等，将支持矢量机( s v m ) 理论应用于微钙化点自动检测 中【2 1 1 ，并对使用综合方法检测微钙化点【2 2 1 进行了深入的研究。 目前最清晰的乳腺x 线摄像也只能发现直径大于1 0 0 1 a m 左右的微钙化点，数 量不够多的微钙化点，很难被肉眼发现，常常被放射科医师漏掉。 并且微钙化点平均直径为0 3 m m ，有时和周围组织灰度相差不大，很难从噪 声和乳腺组织中分离出来。再加上放射科医师大量阅片过程中，很容易造成视觉 疲劳，影响微钙化点的检出率。因此，提高算法的针对性，找出更适合于临床医 学的图像处理算法，实现微钙化点的自动检测系统，是当前比较热门的研究课题。 目前的任何一种单独检测技术都有其缺陷，因此人们将更多的研究方向放在 如何将两种或两种以上的检测技术有效结合，取得更好的处理效果。而正确的评 价检测效果是衡量检测技术的关键问题，普遍采用的做法是将检测结果与专家标 出的结果予以比较。目前，国际上建立了三个标准的高分辨率乳腺图像库【2 3 j ：m i a s ( m a m m o g r a p h i ci m a g ea n a l y s i ss o c i e t y ) 、u c s f l l n l ( u n i v e r s i t yo fc a l i f o r n i a ，s a n f r a n c i s c oa n dl a w r e n c el i v e m o r en m i o n a ll a b o r a t o r y ) 以及d d s m ( d i g i t a ld a t a b a s e f o rs c r e e n i n gm a m m o g r a p h y ) 。标准库的建立对有效客观的评价检测技术提供了客 观便利的条件。但是中国妇女的乳腺图像相比西方妇女存在一定的差异。因此， 早日建立适合中国妇女的标准乳腺图像数据库一定会成为我国乳腺图像临床研究 的强力加速器。 1 4论文组织和研究方法 4 本文借助计算机数字图像处理技术，分三个模块实现对乳腺x 线图像中微钙化 点的有效检测。第一模块是对d d s m 数据库中的乳腺x 线图像进行前期处理，提取 出完整的乳腺区域；第二模块中，引入了独立分量分析( i c a ) ，将提取后的乳腺 区域在独立基空间的投影坐标作为特征向量，分别通过人工神经网络和支持向量 机分类实现感兴趣区域的识别，并对比两种方法的分类效果；第三模块中，结合 小波分析和小波去噪方法抑制乳腺图像的背景区域以及噪声，实现对感兴趣区域 中微钙化点的检测。 本文在现有技术的基础上，结合独立分量分析，人工神经网络，主动机器学 习以及小波分析和去噪等理论和算法，取得了如下研究成果： ( 1 ) 针对现有的乳腺区域提取方法复杂度较高的情况，提出了一种基于形态学 的提取算法，实验结果表明该算法具有易实现、通用性好、完整度高等优点。 ( 2 ) 根据生物医学图像的特征和独立分量分析( i c a ) 的优势，提出了一种基 于i c a 的感兴趣区域的提取方法。为保证算法的收敛速度，将基于负熵最大化的 f a s t l c a 算法用于乳腺图像中特征向量的提取。 ( 3 ) 成功地建立了支持向量机的判别模型，并通过支持向量机与神经网络模型 的实验结果对比，表明前者对乳腺x 线图像i c a 提取的特征向量实现了更好的分类 效果。 ( 4 ) 根据乳腺x 线图像在频域的特征，提出了一种结合小波分析和小波去噪的 检测算法，通过与形态学t o p h a t 算法，部分小波系数加权算法的实验结果比较表 明，本文的算法保持了对背景区域的高去除度，克服了乳腺图像噪声较大的缺陷， 实现了微钙化点的有效检测。 本文的组织结构： 第一章主要介绍了本课题的研究背景，研究现状以及主要的研究内容，并简 要说明了论文的组织结构；第二章主要是关于乳腺图像的数据来源以及前期的预 处理工作；第三章研究了感兴趣区域的提取方法；第四章使用小波技术对提取的 感兴趣区域进行微钙化点的检测；第五章为全文的总结和展望，对本文的主要贡 献进行了总结说明，对下一步工作进行了展望。 e 五! 窒迪厶：羔亟! ：堂! 互途塞 至l 膛茎垡幽堡【逍塑丝堡 2 乳腺x 线图像前期处理 2 i图像预处理 本文的乳腺x 线h 像均束| ，| j i d d s m 数抓胯，并使j 】m a t l a b 进行算法的验 订i i 。 ( 1 ) 格j 转换 d d s m 数扔；：j i ! = 常川的乳腺x 线i 冬l 像r i 杉j 辨牢标准数4 l c 库之，为 吐像素1 2 何 和1 6 位的灰度图像，空i u j 分辨率为每像素4 2 、4 3 ，5 、5 0 u m ，存储格j 为尤损压缩 格x l = l j p e g ，f l j p e g 格式的劁像不能n j w i n d o w s 操作系统卜进行操作，【稠此需要 先对其进行格工转换。女体操作过f ￥足41 s o l a r i s 、卜台 将l j p e g 格式转换为t i f f 格式。t i f f 格式足常用的劁像格j i ，【叮以被m a l l a b 软件谚 i j | j ，并儿仃储在u i n t l 6 类型的矩阵中，较完整的保留了l j p e g 劁像的信息。图2 1 为转换格i = 之后，红 m a t l a b 中读取的1 6 位t i f f 格_ 工乳腺x 线图像。 幽2 一1 1 6 何t i f f 格j j l = 乳腺x 线幽像 f i g 2 - i u i n ti6t if fm a m m o g r a m ( 2 ) 边缘戡剪和对比度 a d q , 图像在扫描过程q ，前j ；入了。定的边缘广 边，1 i 仪对i 纠像的狄度范，托7 t - r 影 响，也增加了后续处理的工作鞋。为了保证乳腺区域的有效性，可以埘图像l ：卜 边缘各裁剪掉图像矩阵行数的5 ，劁像的j 彳i 边缘各裁剪掉图像钳i 阵列数的5 。 由图2 1 可以看，图像的对比发较低，i n 此i 叮通过将图像的对比度线。v t - ：b i l t i ， 而实现灰度值的调整。 ( 3 ) 狄度归一化 为了能够对不司条件和j = 1 ：境l - h l 摄的乳腺x 线钭j 靶图像进行后续处理t ，薪“p k - 。4 如d 6 二止! 窒适厶堂亟l ! 羔 望途堑雯l 避 茎垡幽丝匝! 型丝型 纠像狄度值根扔：式2 1 ，9j 化剑舣精皮类型( d o u b l e 耍 j ) 。 g ，ky 、) = 坠：兰! 二鱼! ( 2 - 1 ) 。 g 叭、一g m 1 1 g ( x ，y ) 为从度吵i 化后的数j t 乳5 | 冬| 像 ：( x ，y ) 的灰度值，g ( x ，y ) 为原始 刘像在( x ，y ) f l , js 火度值。g m 抓，g m m 分 j l j 为狄度最大以及最小值。 | 冬1 2 2 为边缘裁翦以及狄度渊祭之后的乳腺x 线图像。 图2 2 凋整之后的乳腺x 线【纠像 2 2乳腺区域提取 提取乳腺区域的理d 1 1 1 ：( 1 ) 大约大j 二二- 三分之一的乳腺x 线图像足黑色的乳 房背景，提供了非常少的诊断信息。( 2 ) 提高计算、存储以及高速检索的效率。 乳腺x 线图像的大小是c t 和m r 图像的1 6 倍。l 搁此去除黑色的乳腺背景i x i 域， 只留f 乳腺【x 域做数抓处f q ! 足苦必要的。 常用的乳腺域提h 义算法有模糊神经【叫络提h 义技术1 4 9 1 ，簋值h 像提墩技术i 5 1 ， 最人类问方差法引i 等。文献【1 】i ，l e e 等人提 了种肇j 二【x - 域增长分割乳腺轮 廓的算法，从 j 匕- q 二且t1 1 最小的ix j 域块j l ：始，通过闽值为乃以及p 【 邻域导通规则进行区 域增长。稿j 文献25 1 【 一捉的聚类模式下的k m e a n s 闽值技术被j 蟛川j i 进+ 步的、i ? 滑乳腺区域。m i n ( 凡) 利m a x ( 瓦) 分刖为墩i1 小和最人的块【x 域的狄度、匀值。 m i d ( t f ) = ( m i n ( t 。- ) + m a x ( t 。- ) ) 2 足m i n ( 凡) 和im a x ( 凡) 的l f ，f f i j 值。使川这i 个值 作为聚类的种r ，c 0 ，c l ，( 2t tjm i n ( 瓦) ，m i d ( 瓦) 和m a x ( 瓦) 分别得剑。这 i 假设( 2 ，( 1 ，c o 分别代表乳腺x 线蚓像的乳腺i 又：域，乳腺边界以及背景【) b - ，返回( 2 ) 步。 若提取多个独立分量，重复使用上述步骤对混合信号进行多次分离，直到所 有的独立分量都被提取出来为止。每次分离出一个独立分量之后，需要从混合信 号中将其去除，以保证每次提取的分量不相同。式3 1 4 和3 1 5 可以去除提取的独 立分量： k + l = 哌+ l 一：1 ( 3 - 1 4 ) _ ，= l 厂= 一 + l = 哌+ l j + 1 畈+ 1 ( 3 - 1 5 ) 3 2 6 独立分量空间的投影系数 图像的特征向量可以通过图像在独立分量空间的投影系数表征。在获得投影 系数之前，需要对图像进行重新排列。 将每一幅图像( k 行，三列) 按列方向重新排列，构成_ k 誊l 维的列向量x f ， x i r ，如下图： j ； j 一 像素 7 t 图3 1 按列方向重新排列图像 f i g 3 - 1r e a r r a n g ei m a g eb yc o l u m n m 幅子图像排列成x = x l ，x 2 ，x m 7 1 ，x r m + 1 v 的矩阵，混合矩阵为方阵， 因此，这m 幅子图像可由m 个独立的基图像 s - - - - i s is 2 ，s m ，s r m 圳，线性 混合组成，设爿为混合矩阵： x = a s ( 3 1 6 ) ：止宝窒塑厶堂亟：堂位迨塞 一些送堕_ 蔓盟( _ q j j l 照些 5 基图像 a 混合矩i 镰 分离矩晒 估计的基图像 蚓3 - 2i c a 实现丛图像分呙过十￥ f i g 3 2e x t r a c t i o np r o c e s so fi n d e p e n d e n tc o m p o n e n ta n a l y s i s x 每行代表一幅一f - l 鬈- l t g ，s 每行代表剐独曲：的綦图像，a 为混合矩阵，町通 过i c a 算法求出分离矩阵w ，得到独江綦l 割像估计y = w x = w a s 。】7 的每一行代表 了一个估计的独立基图像 当得到估计的琏图像之后，将每幅乳腺子图像向基图像构成的特征子空洲投 影，即可得到对应的投影系数a 1 ，a 2 ，a | i ，。 。厂= a 1 y l + a 2 y 2 + a ，y ， 。j 17 辛| j 蛀f 内投影系数l ，j 。j 艮嵌t ：式3 17 求禾 【口1 ，a 2 ，a 】1 = y f 。 鬻 黧蹲峻鹦 i 斟3 - 3 独- ：丛构成的乳腺幽像 f i g 3 3m a n l n o g r a m sc o m p o s e d o fi n d e p e n d e n tb a s e s 经过l ：述处理之后，使得坞i 末的n 维h 像降到了m 维。并且可以将提取f t j 来 投影系数作为图像的特征向量，作为b pi t t i 绛i 叫络分类和支持向量机( s v m ) 分类的 输入。卜碡i 介绍神经悯络的结构以及学爿算法。 3 3人工神经网络 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，简称a n n s ) 是人脑神经网络的理论 数学模型，是基于模仿大脑神经网络结构和功能实现的一种能够进行复杂的逻辑 操作的信息系统。人工神经网络对于内部规律不甚了解，无法用精确地数学式或 者逻辑式描述的系统，体现出了简易以及自适应等优越性。正是由于这些优越性， 使它在函数逼近及图形识别，联想记忆，数据压缩，自适应控制等多个领域得到 了非常广泛的应用。 3 3 1神经元 神经元是人工神经网络的基本处理单元，有三个基本元素：1 突触或连接链集， 由权值作为特征。f 的第一个下标指的是神经元，而第二个下标指输入端。 2 加法器，用于求输入信号被相应加权后的累加和。3 激活函数，也称压制函数， 用来对神经元输出值进行限制。通常一个神经元的正常输出范围为【0 ，l 】或 一1 ，1 】。 其非线性模型如下图所示： x 1 一1 7 l j 偏置玩 z 2 一弋，卜一 ，土、 一 o 竺l 一一，输出y ( 丘)一叫- lj 一，输出y 【庀j 。 j ：，l 。 x m w k m 一。 图3 4 神经兀的非线性模型 f i g 3 - 4n o n l i n e a rm o d e lo fn e u r o n s 图3 4 的神经元模型可以用以下方程加以描述： i l k ：y w k j x j ( 3 一1 8 一) 2 己 l 。l - ，= l y k = q ) ( u k + b k ) ( 3 - 1 9 ) 其中x ，x 2 ，x m 是输入信号，1 ，2 ，呢m 是对应的权值， 经过加法器的线性输出是v ( k ) ，b k 为偏置，作用是对v ( k ) 作仿射变换( a f f i n e t r a n s f o r m a t i o n ) u ( k ) = v ( k ) + 坟，u ( k ) 为神经元k 的激活电位，缈( ) 为激活函 数，神经元的输出信号是y ( 尼) 。 u ( k ) 和y ( 尼) 的关系如图3 - 5 所示。 诱导局i ；| f 域 偏置阢 0 u ( k ) 钆= 0 0 0 一、二 线性组合器输 ( 七) 图3 - 5 偏执产生的仿射变换，坎幼= 0 时u ( k ) = b k f i g 3 5p a r a n o i ag e n e r a t e db ya f f i n et r a n s f o r m a t i o n ，w h e n 坎幻= 0 ，职j i = ) = 饥 激活函数可以取不同的函数，如阈值函数，s i g m o i d 函数等，如下图所示。并 且通过式3 1 9 可以定义神经元的输出。 伊( ) 缈( )厂 00 ( a )( b ) 图3 - 6 不同的激活函数：( a ) 阈值函数( b ) s i g m o i d 函数 f i g 3 - 6v a r i o u sa c t i v a t i o nf u n c t i o n s ：( a ) t h r e s h o l df u n c t i o n ( b ) s i g m o i df u n c t i o n 3 3 2 神经网络分类及学习过程 之前介绍了神经元的基本模型，而大量的神经元联接可以构成神经网络。一 般来说，神经网络可分为三种不同的网络结构：单层前馈网络，多层前馈网络以 及递归网络。其中反向传播网络( b a c kp r o p a g a t i o nn e t w o r k 简称b p 神经网络) 是目 前应用较广泛的一种单向传播的多层前向神经网络，在实际应用中，8 0 9 0 的 人工神经网络模型采用b p 神经网络及其变化形式。 b p 神经网络由以r u m e l h a r t 和m c c e l l a n d 为首的科学小组于1 9 8 6 年提出，由 输入层，一个或多个隐含层及输出层构成，信息均为单方向传播，隔层之间也无 任何网络节点连接p 。如图3 7 所示。 1 9 ，、 ， j j、，! 一 鑫 j 卜o p 输入层第一层隐含层 、。 l ， 等 冬 第二i 层隐含层 输j l j 层 图3 7 两个隐含层的b p 神经网络 f i g 3 - 7t w oh i d d e nl a y e rb p n e u r a ln e t w o r k 通过神经网络的功能可以将其学习过程分为有教师学习和无教师学习两个类 别。有教师学习也称监督学习，指已知待判别的模式样本属性，对于每次输入的 模式样本，输出端都有对应的指导信号。通过对网络连权值的不断调整，实现期 望相应与实际响应的误差减小到指定限度。图3 8 是这种学习方式的方框图。 描述环境 状杰的向量 望 应 图3 8 有教师学习 f i g 3 8l e a r n i n gu n d e rt e a c h e r 由图可知，监督学习系统可以构成一个闭环反馈系统，通过采用训练样本的 均方i , 吴差( m e a n s q u a r ee r r o r ) 和平；8 脚( s u mo f s q u a r e de r r o r s ) 来描述系统的性 能。 b p 神经网络的学习过程可归纳为1 3 5 】： ( 1 ) 初始化，选取合适的网络结构 ( 2 ) 设置权值，阈值等初始参数为较小的数值。 ( 3 ) 计算第k 层，单元的网络输出： 7 1 v ( 聆) = z w ；( n ) y k - l ( ”) ( 3 - 2 0 ) i = 0 其中y k - i ( 即) 为k - 1 层f 单元的输出信号。令i