● 摘要
目前，乳腺癌已成为妇女常见的高发性恶性疾病之一。早发现、早诊断及早治疗是降低乳腺癌死亡率的最有效手段。乳腺X光片由于其非侵入式检查、成本低廉等因素成为乳腺癌普查中应用最广泛的方法。微钙化点是乳腺癌早期主要表现之一，在乳腺X光片中钙化点主要表现为一系列比之周围正常组织亮度高的小区域点，大小约在0.1到0.7mm之间。由于微钙化点的尺寸微小、分布分散，因此非常难以识别。而在普查中大量X光片的阅读造成了医生的视觉疲劳，从而使微钙化点的漏检误检率很高。因此，计算机微钙化点自动检测研究具有广阔的应用前景和重要的社会意义，成为近年来医学图像领域的研究热点及难点之一。论文以此为背景，选取了乳腺X光片中微钙化点的检测算法作为课题的研究内容。论文的工作主要包括以下几个方面：为提高钙化点的检测速度和精度，本文提出的检测算法主要包括感兴趣区域提取、微钙化点簇分割以及钙化点簇特征提取与分类三部分。在乳腺X光片图像的感兴趣区提取步骤中，首先对乳腺X光片图像进行预处理，分割乳房区域并对图像灰度分布进行归一化。将预处理后的图像进行滤波处理并用差影法结合形态学算法进行图像增强，提高图像的对比度,突出微钙化点，减弱背景，从而找出感兴趣区。该算法具有简单，效果佳的优点。在乳腺X光片中微钙化点分割步骤中，提出了一种具有自适应性的动态阈值分割算法，进一步改善感兴趣区提取，并分割出候补微钙化点。提出了改进的leader-follow聚类算法，改进了动态聚类中过分依赖数据顺序的缺点。特征提取和分类是钙化点检测的关键问题。本文提取了基于形态学、直方图与纹理的三类特征，并采用基于神经网络的方法进行分类，从而进一步降低假阳性，最终检测出微钙化点簇。实验结果表明：论文所提出的乳腺X光片中微钙化点算法可以自动地检测乳腺X光片图像中的微钙化点簇，并有良好的检测结果，为乳腺癌计算机辅助检测提供了技术依据。