题目：基于蚁群算法的计算机辅助乳腺癌诊断研究

蚁群算法作为仿生优化算法已成为人工智能研究领域的一个热点。算法的离散性和并行性特点使其适用于数字图像处理。利用基本蚁群算法或将其与模糊聚类算法结合可在数字图像处理中提取目标的边缘。钼靶乳腺摄影是乳腺癌诊断的主要手段，其中微钙化点是早期乳腺癌的重要征象之一。计算机辅助诊断可协助医生提高诊断的效率和准确率。乳腺数字图像处理中自动识别钙化点是进行计算机辅助诊断的关键。由于钙化点形状复杂、大小不一、与周围背景的对比度也各异，所以计算机提取钙化点是一个极具有挑战性的工作。论文将蚁群算法与模糊聚类、区域生长、模板匹配等方法相结合，在有效提取乳腺钙化点并且进行钙化点形状分析方面进行了尝试并在乳腺片研究方面取得了一定的成果 。论文主要工作如下：选取适当的参数，利用基本蚁群算法提取乳腺数字图像中钙化点边缘。分析信息素浓度、挥发因子、期望启发式因子等各种参数的选取对于算法的效果、效率的影响，并尝试改变信息素的更新机制对基本蚁群算法进行改进，以提高算法效率。模仿蚁群构造墓地行为对乳腺X光图像中各像素点按梯度值进行聚类，输出聚类中心；以这些聚类中心作为模糊C均值法（FCM）的初始聚类中心，经迭代得到新的聚类；再经过适当的类间合并，从而将钙化点的边缘提取出来。并对蚂蚁聚类及FCM的参数进行了讨论。采用模仿蚂蚁进行食物分类行为的模糊聚类方法进行像素点动态聚类以得到初始聚类中心，以模糊C均值法(FCM)对聚类进行进一步优化，以提取钙化点边缘及一些高梯度像素点，并进行相关参数讨论。在蚁群聚类提取边缘像素点的基础上，采用区域生长法提取出钙化点。参考国外相关研究成果，确定识别钙化点的特征参数；在对于大量乳腺钙化点进行统计的基础上，总结出钙化点各种特征参数的取值范围；并据此确定区域生长的相似性准则，通过区域生长得到钙化点；利用钙化点的特征参数判断舍弃区域生长得到的不是钙化点的区域；对于被确定是钙化点的区域，采用相关系数方法进行模板匹配以分析其形状。