数字乳腺图像中肿块图像检测识别

上海大学硕士学位论文
堕鱼！型塑坐！型！羔！！皇墅！堕ｊ生墅———————一
摘要
肿块阴影是数字乳腺图像上表征乳腺疾病的主要症状之一。

本研究设计了一套计算机辅助诊断系统，用于识别数字乳腺图像上的团块状肿块和星状肿块，并且判断－ｇ们的良恶性。

健个工作包括几个方面。

首先，设计了一种基Ｙ－４＇波的近似加权细节对比度增强（Ａｐｐｒｏｘｉｍａｔｉｏｎ—ＷｅｉｇｈｔｅｄＤｅｔａｉｌＣｏｎｔｒａｓｔＥｎｈａｎｃｅｍｅｎｔ，ＡＷＤＣＥ）滤波器，用来增强数字乳腺图像上可疑肿块区域（ＲｅｇｉｏｎｓｏｆＩｎｔｅｒｅｓｔ，ＲＯＩ）和周围背景组织之间的对比度。

并且以对比度增强率（ＣｏｎｔｒａｓｔＩｍｐｒｏｖｅｍｅｎｔＲａｔｉｏ，Ｃ１Ｒ）为评价标准，在模拟肿块图像和真实肿块图像上比较和讨论了ＡＷＤＣＥ方法和灰度变换法、直方图均衡法的对比度增强效果。

其次，利用人机交互确定一个包含了ＲＯＩ的矩形窗。

在这个矩形窗内使用新设计的自适应阈值法进行图像分割，获取了ＲＯＩ的边缘图像。

随后选择肿块边缘分数维、肿块边缘突变点的李氏指数和、肿块圆形度和肿块面积比这四个特征来描述肿块。

测试模拟肿块样本后发现：利用肿块边缘突变点的李氏指数和与肿块圆形度这组特征可识别团块状肿块和星状肿块；利用肿块边缘分数维和肿块面积比可判断肿块的良恶性。

但４８例真实数字乳腺图像的实验结果显示，单独或综合使用这两组四个特征对肿块的形状识别和性质判断能力都有限。

因此从中提取出了两个新特征：侧重识别肿块形状的特征ｓ和侧重判断肿块性质的特征Ｐ。

２９例验证图像的结果说明了这两个新的特征能够比较有效地识别不同形状和性质的肿块。

使用了６０幅图像进行了分类器的训练；使用５０幅图像进行了测试。

通过接受者操作特性（ＲｅｃｅｉｖｅｒＯｐｅｒａｔｉｎｇＣｈａｒａｃｔｅｒｉｓｔｉｃ，ＲＯＣ）曲线分析评价了本系统的性能。

结果显示：利用两个新特征而设计的分类器在识别可疑肿块时，当假阳性分数（Ｆａｌｓｅ．ＰｏｓｉｔｉｖｅＦｒａｃｔｉｏｎ，ＦＰＦ）为０．２时，真阳性分数（Ｔｕｅ－ＰｏｓｉｔｉｖｅＦｒａｃｔｉｏｎ，ＴＰＦ）达到了８５％。

？。

）
，每：
￡。

－－‘
关键词：数字乳腺图像，小波交换，肿块检测，识别
！婪型鱼旦垒！型坚！坠！！塑熊！；坠』堕旦———————～
上海大学硕士学位论文
Ａｂｓｔｒａｃｔ
Ｔｕｍｏｒｓｉｎｍａｍｍｏｇｒａｍｓａｒｅｔｈｅｓｉｇｎｏｆｂｒｅａｓｔｃａｎｃｅｒ．Ｔｈｉｓｐａｌ：）ｅｒｐｒｅｓｅｎｔｓａｃｏｍｐｕｔｅｒ．ａｉｄｅｄｄｉａｇｎｏｓｉｓ（ＣＡＤ）ｓｙｓｔｅｍｔｏｄｅｔｅｃｔｍａｓｓｅｓａｓｄｕｍｐｌｉｎｇｏｒｓｔｅｌｌａｔｅ，ａｎｄｃｌａｓｓｉｆｙｍａｓｓｅｓａｓｂｅｎｉｇｎｏｒｍａｌｉｇｎａｎｔｉｎｄｉｇｉｔａｌｍａｍｍｏｇｒａｒｎｓ．ＴｈｅｐｒｏｃｅｓｓｉｎｇｓｃｈｅｍｅａｄｏｐｔｅｄｉｎｔｈｅｐｒｏｐｏｓｅｄｓｙｓｔｅｍｆｏＣＵＢＥＳｏｎｔｈｅｓｏｌｕｔｉｏｎｏｆｓｅｖｅｒａｌｐｒｏｂｌｅｍｓ．Ｆｉｒｓｔ，ｔｈｅｃｏｎｔｒａｓｔｂｅｔｗｅｅｎｐｏｔｅｎｔｉａｌｍａｓｓｅｓａｎｄｔｈｅｉｒｂａｃｋｇｒｏｕｎｄｉｎｍａｍｍｏｇｒｍｎｓａｒｅｅｎｈａｎｃｅｄｕｓｉｎｇａｎｅｗａｐｐｒｏｘｉｍａｔｉｏｎ．ｗｅｉｇｈｔｅｄｄｅｔａｉｌｃｏｎｔｒａｓｔｅｎｈａｎｃｅｍｅｎｔ（ＡＷＤＣＥ）ｆｉｌｔｅｒｖｉａｗａｖｅｌｅｔｔｒａｎｓｆｏＩＴｎ．ＷｅｅｖａｌｕａｔｅｔｈｅＡＷＤＣＥｍｅｔｈｏｄａｇａｉｎｓｔｇｒａｙ１ｅｖｅｌｔｒａｎｓｆｏｒｍｍｅｔｈｏｄａｎｄｈｉｓｔｏｇｒａｍｅｑｕａｌｉｚａｔｉｏｎｍｅｔｈｏｄｕｓｉｎｇａｓｉｍｕｌａｔｅｄｍａｓｓｉｍａｇｅｆｏｒｉｎｃｒｅａｓｅｏｆｃｏｎｔｒａｓｔｉｍｐｒｏｖｅｍｅｎｔｒａｔｉｏ（ＣＩＲ）．Ｓｅｃｏｎｄ．ａｎｉｎｔｅｒａｃｔｉｖｅｓｅｇｍｅｎｔａｔｉｏｎｐｒｏｃｅｄｕｒｅｉｄｅｎｔｉｆｉｅｓｔｈｅｒｅｇｉｏｎｓｏｆｉｎｔｅｒｅｓｔ（ＲＯＩ）ｗｈｉｃｈｃｏｎｔａｉｎｓｔｈｅｓｕｓｐｉｃｉｏｕｓｍａｓｓｅｓｂｙｃｏｎｆｉｒｍｉｎｇａｒｅｃｔａｎｇｌｅｗｉｎｄｏｗＡｎｏｖｅｌａｐｐｒｏａｃｈｓｅｇｍｅｎｔｓｔｈｅｔｕｍｏｒｂｏｕｎｄａｒｙｕｓｉｎｇａｎｅｗａｄａｐｔｉｖｅｔｈｒｅｓｈｏｌｄｉｎｇｔｅｃｈｎｉｑｕｅ．ＣｌｕｅｆｏｒｄｉｆｆｅｒｅｎｔｉａｔｉｏｎｂｅｔｗｅｅｎｄｕｍｐｌｉｎｇｔｕｍｏｒｓａｎｄｓｔｅｌｌａｔｅｔｕｍｏｒｓｏｒｍａｌｉｇｎａｎｔｔｕｍｏｒｓａｎｄｂｅｎｉｇｎｔｕｍｏｒｓａｒｅｂｅｌｉｅｖｅｄｔＯｂｅｍｏｓｔｌｙｉｎｔｈｅｉｒｂｏｒｄｅｒａｒｅａｓ．０ｎｃｅｔｈｅｍａｓｓｂｏｕｎｄａｒｉｅｓａｒｅｋｎｏｗｎ，ｔｈｉｓＰａｐｅｒｐｒｏｐｏｓｅｄｔｙｐｉｃａｌｓｈａｐｅｐａｒａｍｅｔｅｒｓ，ｗｈｉｃｈｒｅｆｌｅｃｔｂｏｕｎｄａｒｙｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．ＴｈｅｙａｒｅＬｉｐｓｃｈｉｔｚｅｘｐｏｎｅｎｔｓｕｍ，Ｈａｕｓｄｏｒｆｆｄｉｍｅｎｓｉｏｎ，ｔｕｍｏｒｃｉｒｃｕｌａｒｉｔｙａｎｄａｒｅａｒａｔｉｏ．Ｔｈｅｓｅｆｅａｔｕｒｅｓａｒｅｕｓｅｄｉｎ４８ｒｅａＩｄｉｇｉｔａｌｍａｍｍｏｇｒａｍｓｔｏｃｏｎｆｉｒｍｍａｓｓｅｓａｓｄｕｍｐｌｉｎｇｏｒｓｔｅｌｌａｔｅ，ａｎｄｔｏｅｓｔｉｍａｔｅｔｈｅｙａｒｅｂｅｎｉｇｎｏｒｍａｌｉｇｎａｎｔ．Ｗｅｆｉｎｄｔｈｅｙｃａｎｔｅｌｌｔｈｅｓｈａｐｅａｎｄｐｒｏｐｅｒｔｙｏｆｍａｓｓｅｓ，ｂｕｔｎｏｔｅｆｆｅｃｔｉｖｅ．ＴｈｕｓｔｈｅｆｅａｔｕｒｅＳａｎｄｆｅａｔｕｒｅＰａｒｅｅｘｔｒａｃｔｅｄ，ｗｈｉｃｈｓｈｏｗｍｏｒｅｅｆｆｅｃｔｉｖｅｎｅｓｓｉｎｃｌａｓｓｉｆｙｉｎｇｍａｓｓｅｓＴｈｅｎ，ｔｈｅｃｌａｓｓｉｆｉｅｒｉｓａｃｃｏｍｐｌｉｓｈｅｄｕｓｉｎｇｌｉｎｅａｒｄｉｓｃｒｉｍｉｎａｎｔａｎａｌｙｓｉｓ
ａｎｄａｔｈｒｅｓｈｏｌｄｄｉｓｔａｎｃｅｍｅｔｒｉｃｄｅｔｅｒｍｉｎｅｄｔｕｍｏｒｍｅｍｂｅｒｓｈｉｐ
ｏｎａｓｅｔｏｆ６０ｂｉｏＤｓｖ。

ｐｒｏｖｅｎｔｒａｉｎｉｎｇｃａｓｅｓ（４８ｍａｓｓｅｓ）．Ｔｈｅｄｉｓｃｒｉｍｉｎａｔｏｒｙｐｏｗｅｒｏｆｔｈｉｓｃｌａｓｓｉｆｉｅｒｉｓａｎａｌｙｓｉｓｅｄｕｓｉｎｇａｄａｔａｂａｓｅｏｆ５０ｍａｍｍｏｇｒａｍｓｃｏｎｔａｉｎｉｎｇ２９ｔｕｍｏｒｓ．Ａｒｅｃｅｉｖｅｒｏｐｅｒａｔｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃ（ＲＯＣ）ｃｕｒｖｅｉｓｕｓｅｄｔｏｅｖａｌｕａｔｅｔｈｅｐｅｒｆｏｒｍａｎｃｅ．Ｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ８５％ｔｒｕｅｐｏｓｉｔｉｖｅｆｒａｃｔｉｏｎ（ＴＰＦ）ｉｓａｃｈｉｅｖｅｄａｔｔｈｅＣＯＳｔｏｆ０．２ｆａｌｓｅｐｏｓｉｔｉｖｅｆｒａｃｔｉｏｎｆＦＰＦ）ｗｈｅｎｔｈｅｔＷＯｎｅｗｆｅａｔｕｒｅｓａｒｅｕｓｅｄ
ＫｅｙＷｏｒｄｓ：ｄｉｇｉｔａｌｍａｍｍｏｇｒａｐｈｙ，ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ｍａｓｓｄｅｔｅｃｔｉｏｎ，ｃｌａｓｓｉｆｉｃａｔｉｏｎ
上海大学硕士学位论文
ＳＨＡＮＧＨＡＩＵＮＩＶＥＲＳＩＴＹＭＡＳＴＥＲ’ＳＴＨＥＳＩＳ
第一章前言
１．１计算机辅助诊断数字乳腺图像的课题提出及临床意义
乳腺癌是威胁妇女生命的最常见的恶性肿瘤之一。

几十年来，对乳腺癌的治疗方法虽然时有改进，但提高乳腺癌治愈率的关键还在于早期诊断。

影象学检查是乳腺癌诊断的主要手段…。

目前比较成熟的影象诊断方法有ｘ射线摄影、Ｂ超和彩色多普勒超声、远（近）红外热像仪等。

在现阶段所有的能有效检测出乳腺癌的诊断方法中，ｘ射线影象学的方法是早期诊断乳腺癌的最常用且有效的手段。

ｘ射线检查主要包括钼靶Ｘ线、ｘ线静电摄影、ｘ线导管造影、ＣＴ等。

过去的二十年里，乳腺ｘ射线成像设备和胶片处理系统已经在技术上有了长足的进步，使得乳腺ｘ光片的分辨率和对比度有了显著提高。

但对于致密乳腺组织的ｘ光片而言，乳腺组织和肿块之间仅有微小的密度差异；而且很多情况下肿块大小相差悬殊；加上放射科专家通过目测对乳腺ｘ光片进行检查，工作量巨大时将导致疲劳，容易产生失误。

为了提高乳腺ｘ光片检查的准确率，世界上许多研究者为此付出了大量心血。

自１９７１年，Ａｃｋｅｒｍａｎ第一次采用计算机图像处理技术在乳腺ｘ光片上分祈病变区域以来，计算机辅助诊断（Ｃｏｍｐｕｔｅｒ—ＡｉｄｅｄＤｉａｇｎｏｓｉｓ，ＣＡＤ）技术不断应用于研究和临床，帮助放射科专家在乳腺ｘ光片上定位可疑区域并能够提供一致性和重复性均好的诊断结论，大大提高了肿块识别的真阳性率；同时ＣＡＤ技术还可以区分良恶性病变，从而减少了不必要的良性活检病例数。

虽然已有大量实验或研究数据表明ＣＡＤ能够有效提高诊断的准确性【’ｊ，但要在临床上实际使用，差距仍然很大。

各国的研究者们正孜孜不倦地致力于准确性和重复性俱佳的ＣＡＤ程序的开发工作。

１，２国内外相关工作的情况
乳腺癌在ｘ光片上的影象特征主要都为肿块阴影和（或）钙化斑点。

当前很多
上海大学硕士学位论文
！坚垒型鱼垡型型堕堕垒型堕卫｛旦坠——————一研究涉及到对它们的形状、尺寸和纹理的分析。

包括乳腺数字图像的去噪声和对比度增强、肿块或钙化区域的分割、特征选择和提取、分类和系统评估等。

１）图像去噪声、对比度增强处理
由于摄影条件和个体差异的影响，乳腺图像往往会包含一定的变形以及噪声。

点状、高频的噪声容易和钙化区域混淆，通常呆用的是图像平滑””】或者用建立噪声模型Ⅲ的方法加以消除。

图像去噪声一般用于处理钙化点区域，有时图像上钙化点或者肿块和正常组织之间的灰度级差别很小。

为增强它们的对比度，平庆瑞【４ｌ在乳腺图像预处理的过程中，使用了锐化增强的方法，随后利用小波分解后产生的子图进行叠加，以突出钙化点；Ｊ．Ｋ．Ｋｉｍ【６】在一阶导数和局部统计的基础上提出了自适应增强的方法：把原始图像和压缩算子或Ｓｏｂｅ［算子的一阶导数的核卷积后获得的斜率图像与图像局部标准差产生的增益相乘，将结果和原始图像叠加，增强了图像上钙化点区域的对比度。

对于肿块而言，目前研究者大多在目标与周围背景有着相似的灰度级的情况下，根据肿块区域的形态学特征或者统计特性，从半径、距离，梯度、
导数等方面着眼，寻求增强其对比度的有效方法。

Ｎ．Ｐｅｔｒｉｃｋ［７１使用高通和低通滤波器获取数字乳腺图像的密度和对比度信息，经过两次非线性调整，增强乳腺图像上高密度区域（潜在的肿块区域）
的对比度；Ｈ．Ｋｏｂａｔａｋｅｔ８１在可疑位置与乳腺背景对比度相差微弱的情况下，
在原始乳腺梯度图像上应用Ｉｒｉｓ滤波器，梯度图像上任一点的滤波输出结果为以该点为中心的梯度向量的最大平均收敛系数。

该方法可增强乳腺图像上近似圆形的可疑肿块；除此之外，Ａ．ＰＤｈａｗａｎ［９１使用了“最优化自适应邻域图像处理方法”、ｗＭ．Ｍｏｒｒｏｗ［１０ｌ使用了“基于区域的对比度增强法”。

这些对比度增强方法有的涉及到闽值，但闽值一般是经验性数值，往往只在小范围的样本集合内适用。

而且图像作为一种信号，也有其频域特性，
将图像转化到其频域内进行适＇－３调整，也可以进行对比度增强。

目前的对比度增强方法较少利用到图像频域信息。

另外，各种对比度增强方法之间缺乏比较，只作为各自研究工作中的一部分。

２）肿块或钙化点分割
上海大学硕士学位论文
ＳＨＡＮＧＨＡＩＵＮＩＶＥＲＳＩＴＹＭＡＳＴＥＲ＇Ｓ１旦旦！堡
为进一步分析判断乳腺图像是否含有病变信息，需要将可能为肿块或钙化点的ＲＯＩ区域从乳腺图像中提取出来，即需要将乳腺图像分割为ＲＯＩ和背景。

平庆瑞㈣和Ｊ．Ｋｉｌａｄｙ［“１使用了闽值分割法，设置灰度１９值，将灰度图像中的肿块与背景用明显不同的灰度级加以区别；Ｍ．Ａ．Ｋｕｐｉｎｓｋｉ¨２】在传统的区域增长法的基础上设计了两种分割方法，一种基于放射梯度索引（ＲａｄｉａｌＧｒａｄｉｅｎｔＩｎｄｅｘ，ＲＧＩ），另一种基于单一的概率模型。

以使ＲＧＩ或者概率评价函数值达到最大时的ＲＯＩ区域为最终结果；Ｊ．Ｋ．Ｋｉｍ［Ｉ３１应用统计纹理分析的方法分割数字乳腺图像上的成簇钙化点；ＪＤｅｎｇｌｅｒ［３１使用Ｏａｕｓｓｉａｎ滤波器，从原始图像中减去低通滤波后的图像，实现宽带高通滤波，使检测区域独立于背景的灰度级，随后重构钙化点信息；ｗＱｉａｎ１１４１使用树状小波分割了数字乳腺图像上的微小钙化点；Ｓ．ＹｕⅢ１利用调整了小波分解系数后重构的第二、第三层ＲＯＩ图像以及中值对比度和归一化灰度值两个统计特征参数分割出了可疑的钙化点象素。

在分割过程中所使用到的方法有的以整幅图像为分割对象ｍ】，计算量庞大且冗余；有的虽然将分割的对象缩小到一定的矩形区域内，但区域大小固定ｌ”】。

即使在同一幅图像内，如果改变了矩形区域的大小，也要重新计算，缺乏可重复性。

３）特征选择和提取
在数字乳腺图像处理的过程中，可以表示肿块或钙化区域情况的特征分为两类：一类用来描述肿块或钙化区域的形状，一类用来描述肿块或钙化区域内的密度分布。

Ｈ．Ｋｏｂａｔａｋｅ［ｓｌ根据肿块面积和共生矩阵提取了恶性肿块的特征；Ｊ．Ｋｉｌａｄｙ”１１提取了纤维腺瘤、囊肿和癌的八种形态特征；Ｎ．Ｐｅｔｒｉｃｋ｛７１计算了肿块的面积比、整体和局部的交叉宽度比；ＪＫ．Ｋｉｍ［吲根据分布于周围区域相关矩阵内的象素的特性，以垂直加权和、水平加权和、对角线加权和及栅格加权和作为特征；Ｈ．Ｐ．Ｃｈａｆｆ２１在他们的研究中总共筛选了４１个特征：Ｓ．ｙｕＵｊｌ确定了／［；ｈ－图特征、时域特征和频域特征等３１个特征；－Ｔ－ＮＮ［ａ１采用离散正交小波变换计算数字乳腺图像上肿块表面的复杂度，发现它们之间存在着分
上海大学硕士学位论文
！！垒堕！！垒！！型！∑∑坐垒坚！曼羔—ｊ！堕！堡———————————————～形维数上的统计差异，以分形维数作为特征；屠轶清ｍ１利用小波变换取得乳腺ｘ光片在多种分辨率上的表示，然后对于多分辨率分析得到的象素集提取四种特征值：邻域内象素灰度均值、邻域内象素灰度标准方差，梯度直方图的标准方差和折叠梯度方向的标准方差；
选取特征的目的是为以后的分类提供帮助。

以上各位研究者所选取的特征涉及ＲＯＩ中肿块或钙化区域的各个方面，在一定程度上有所重复。

平庆瑞”】在她的论文中总结了到９６年为止常用的１３种特征。

在特征选择的过程中，有些很有效的特征仅仅针对钙化点；有些特征过于简单，只是作为专家系统中的一个辅助部分；有些特征是从肿块模型中提取出来的，缺乏统计意义；还有的肿块特征不具有特殊性，各种类型肿块的特征值相差无几∽】。

另外特征向量维数庞大，在设计分类器时，选用很多特征参与设计，无论从计算的复杂程度还是分类器的性能来看都是不适宜的。

迫切需要一个筛选的过程，首先分析各种特征的有效性并选出最有代表性的特征，然后再进行分类器的设计。

另外，对于肿块的特征选择和提取基本上针对了所有类型．由于肿块类型复杂，某些类型肿块的典型特征就难以体现，使得分割和分类效率不高。

如果能够针对某些特定类型的肿块进行特征选择和提取，将获得比较精确的分割和分类结果．
４）分类
分类是根据提取出的特征，对分割产生的ＲＯＩ区域，确定其病交程度和形状。

所用到的特征可以结合病人的实际情况，如年龄、病史等综合考虑。

相当多的分类工作通过建立神经网络实现对特征向量空间的划分。

Ｊ．Ｋ．Ｋｉｍｌｌ３１利用二层逆向传播（ＢａｃｋｆｌｏｗＰｒｏｍｕｌｇａｔｅ，ＢＰ）神经元网络对他们所提取到的含有钙化点的Ｒ０１区域进行分类；Ｎ．Ｐｅｔｒｉｃｋ【７】于巴单一阈值分类法、线性判别分祈法（ＬｉｎｅａｒＤｉｓｃｒｉｍｉｎａｔｉｏｎＡｎａｌｙｓｉｓ，ＬＤＡ）和逆向传播神经元网络这三种分类方法的效果作了比较；Ｓ．ｙｕｆⅧ选择了前馈神经元网络，利用其非参量统计特性分类钙化点。

Ｊ．Ｋｉｌｄａｙ…１、ＬＭ．Ｂｒｕｃｅｍｌ都利用线性判别分析法和欧氏距离综合判别群体种类；ＨＰ．Ｃｈａｎ‘Ｚｌ将其选取的特征参数作为预测变量输入Ｆｉｓｃｈｅｒ线性识别
！！型塑垒！型型羔笪！坠旦卫坚堡———一——分类器，用ｃ馏一法（ＬｅａｖｅＯｎｅＣａｓｅＯｕｔ）”重呆样模板进行分类器的训练和测试。

５）系统评估
目前应用比＊ｉｆ－泛的评估方法为ＲＯＣ分析‘２１‘６１Ⅲ８１㈣‘”７。

ＲＯＣ分析基于统计决策理论并且广泛应用于图像诊断效果评估１２”。

ＲＯＣ曲线代表了不同阈值的真阳性分数（Ｔｒｕｅ．ＰｏｓｉｔｉｖｅＦｒａｃｔｉｏｎ，ＴＰＦ）和假阳性分数（Ｆａｌｓｅ—ＰｏｓｉｔｉｖｅＦｒａｃｔｉｏｎ，ＦＰＦ）之间的关系。

ＴＰＦ代表了确实有病而诊断为阳性的部分；ＦＰＦ代表了没有病，然而诊断为阳性的部分。

分类效果好的分类器将在较小的ＦＰＦ的情况下，取得较大的ＴＰＦ。

理想的分类器将使得ＦＰＦ为０时，ＴＰＦ达到ｌ。

以上五个部分构成了一个完整的ＣＡＤ系统，它们之间相辅相成。

上一阶段工作的结果作为下一阶段工作的基础，而下一阶段工作的结果往往又能修正上一阶段工作。

肿块分割的正确与否就会影响到特征的提取，而特征的提取又可帮助更确切地分割肿块；而且这五部分也不是相互独立的，彼此之间关系紧密，可以根据提取出的ＲＯＩ区域的特征进行分割，也可以在分割后进行ＲＯＩ区域对比度增强和去噪声。

由于研究者的研究目的不尽相同，所采用的设备、图像数据库也不同，加上迄今为止尚未有一致公认的数字乳腺图像处理评估标准，所以目前对一个数字乳腺图像ＣＡＤ系统的评价主要依赖人们的主观感受。

但在某些方面还可以有所改进。

乳腺疾病的计算机辅助诊断是一个值得倡导和探索的研究课题。

目前的研究焦点几乎都集中于肿块和钙化点的自动检测及其检测性能的提高上。

只要在识别的对象、识别的方法、识别的效率上取得新的进展，势必对提高乳腺癌的诊断水平和诊断准确率（提高ＴＰＦ，降低ＦＰＦ）起到积极的作用。

１，３本研究的主要工作和意义
国内放射科专家在我国乳腺疾病患者的ｘ光片普查中发现，有将近８０％ｑ０乳腺疾病ｘ光片表现为团块状影和星状影…１。

团块状影最常见，占到４５％，代表的病变情况有乳腺良性肿瘤（纤维腺瘤及巨纤维腺瘤等）和乳腺癌（原位癌、导管内癌、单纯癌等）。

前者肿块阴影呈圆或卵圆形，边缘光滑整齐；后者肿块阴影里结节、分叶或不规则形，边缘粗糙模糊。

星状影占３５％，多数为恶性病变，如侵润性导管癌
上海大学硕士学位论文
！！垒型鱼堕垒！！型！∑坚！！坚！堡！：二—————————————————一等，其肿块阴影边缘锐利，有毛刺外伸：长的如同星芒；短的呈角锥样或触须状；乳腺导管增生形成的良性肿块阴影也可能为星状，但为多根条索状物向同一方向聚集而形成放射状。

对肿块阴影的特征，许多研究者从多角度对它们进行了描述。

除了肿块的大小、外形、密度以外，肿块的边缘特征也是描述其形态和性质的重要组成部分。

在查阅了国内外数十篇、特别是９７年以来的近２０篇有关数字乳腺图像处理的相关文献的基础上，结合大量乳腺ｘ光片，本研究选择数字乳腺图像上团块状、星状肿块作为研究对象。

在数字乳腺图像上，识别团块状和星状肿块，并且判断它们的良恶性。

主要工作包括数字乳腺图像中对比度增强；肿块分割和肿块边缘特征提取；通过线性判别分析法设计阈值分类器；使用ＲＯＣ分析对系统进行评估。

众所周知，ｘ光片曝光量为入射辐射能通量与持续时间的乘积，不同区域成像时入射辐射能的不同使得曝光量不同。

在一个相当宽的曝光范围内，ｘ光片上密度与曝光量对数的关系是近似线形的，一般摄影都在该区域内。

由于Ｘ光片所成的是负像，密度较高的肿块组织在ｘ光片上显示为低密度区域，表现得较明亮；密度较低的正常组织在ｘ光片上显示为高密度区域，表现得较暗淡，但是它们的边界十分模糊。

ｘ光片上密度的不同，数字化后即形成了灰度级上的差异。

如果肿块组织和周围组织的原始致密程度相似，特别是在边缘附近，那么在ｘ光片上产生的灰度级差异也就很小了。

本研究所要增强的便是这种灰度级上的差异，灰度级差异反映了对比度。

在图像对比度增强的过程中引／＼／１，波分析，通过改变原始数字乳腺图像的高频和低频信号，达到改变肿块对比度的目的。

新设计了“ＡＷＤＣＥ滤波器”。

并和传统的直接对比度增强法、自适应直方图均一化法的对比度增强的效果作了比较。

在肿块已经比较清楚的情况下，通过人机交互将含有肿块的区域从数字乳腺图像中分割出来，进而利用所设计的自适应阂值法确定肿块，得到肿块边缘图像。

随后选择了四个肿块形状特征，即表示边缘复杂度的特征：分数维（ＦｒａｃｔａｌＤｉｍｅｎｓｉｏｎ）；表示边缘突变点性质的特征：李氏指数和（ＬｉｐｓｃｈｉｔｚＥｘｐｏｎｅｎｔＳｕｍ），以及描述肿块整体形状的特征：圆形度（ＴｕｍｏｒＣｉｒｃｕｌａｒｉｔｙ）和描述肿块边缘光滑程厦的特征：面积比（ＡｒｅａＲａｔｉｏ）。

经过４８例样本图像的实验，发现李氏指数和与肿块圆形度这组特征可帮助识别团块状与星状肿块；而分数维与肿块面积比这组特征可比较有效地判断肿块的良恶性。

但由于肿块各异，其特征值差异不明显，导致识
！堡垒型鱼旦垒！！型！∑坠！！羔坚垒！！！：；：！：堕坚Ｌ一一——一
上海大学硕士学位论文
别和判断的效果不佳。

为加大不同肿块之问的特征值差异，本研究从这两组共四个特征中提取出两类新的特征：一类从李氏指数和与肿块圆形度这组特征中提取，偏重描述肿块形状，称为特征Ｓ；另一类从分数维与肿块面积比这组特征中提取，偏重描述肿块性质，称为特征Ｐ。

计算了２９例验证样本图像上的真实肿块特征值，结果特征Ｓ和特征Ｐ明显地表征了团块状、星状肿块以及不同良恶性质的肿块之问的差异。

利用最近邻决策规则设计了分类器，用６０幅训练样本优化了分类器的参数；并且测试了５０幅既包含正常乳腺组织又包含病灶的数字乳腺图像。

ＲＯＣ评估的结果显示：利用本研究提取的两个特征对数字乳腺图像上的ＲＯＩ区域进行识别时，在假阳性分数ＦＰＦ为０．２的情况下，真阳性分数ＴＰＦ达到了８５％以上。

开展本项研究的主要工作步骤如图１所示：载入原始数字乳腺图像后，进行ＡＷＤＣＥ运算。

经过ＡＷＤＣＥ运算的图像一方面与直接对比度增强法、自适应直方图均一化法进行效果比较，一方面通过人机交互分割Ｒ０１区域，并利用自适应闽值法将ＲＯＩ灰度图像转化为二值图像；获取了肿块边缘后，计算特征值，进行分类与测试：最后给出ＲＯＣ分析的评估结果。

本研究的贡献在于：利用小波分析设计了一种新的对比度增强方法；用一种新的自适应闽值法分割了肿块；并且从传统的肿块形状特征中提取了新的肿块特征。

ＲＯＣ分析的结果显示了这些特征在识别团块状肿块和星状肿块以及判断它们的良恶性方面的有效性。

可为乳腺疾病的计算机辅助诊断提供新的思路
１．４图像数据来源和研究开发平台
本研究图像数据库中的图像有两类来源。

一类为从英国ＭＩＡＳ（ＭａｍｍｏｇｒａｐｈｉｃＩｍａｇｅＡｎａｌｙｓｉｓＳｏｃｉｅｔｙ）乳腺图像数据库中下载的图像ｍ１。

下载图像的同时，还获取了每一例病例的病理诊断情况，主要包括病变类别、病变性质和病变位置等。

另一类为上海东方乳腺疾病医院放射科提供的乳腺钼靶Ｘ光片。

利用ＣＣＤ摄像头将它们数字化为４００９ｍ／象素，５１２象素ｘ５１２象素大小的图像．并且同样得到了每一幅图像的病理诊断情况．．
上海大学硕士学位论文
ＳＨＡＮＧＨＡＩＵＮＩＶＥＲＳＩＴＹＭＡＳＴＥＲ’ＳＴＨＥＳＩＳ
在选择训练样本图像和测试样本图像时，参考了每一病例的诊断结果，挑选出的图像上的病灶阴影都为团块状和星状。

本研究使用的软硬件平台为ＷｉｎｄｏｗｓＮＴ４．０、Ｍａｔｌａｂ５．１，ＰｅｎｔｉｕｍＩＩ２３３、６４ＭＲＡＭ。

１．５本论文结构
本论文共分六部分。

前言部分主要是对国内外已有相关工作的评述；介绍本项研究的主要工作和取得的结果。

第二章详细论述ＡＷＤＣＥ滤波器的原理、设计思想和计算框图，以及它和其它图像对比度增强法的比较。

第三章为肿块分割和肿块边缘获取。

介绍了所设计的自适应闽值法；用其获得的阈值进行了ＲＯＩ区域内肿块的分割操作。

并且将该方法和直接闯值法作了比较。

第四章阐述了所选择的四个肿块形状特征及其意义。

在此基础上，说明如何提取出两个新的特征：偏重于描述肿块形状的特征Ｓ和偏重于描述肿块性质的特征Ｐ。

并且给出验证结果。

第五章为分类器设计及系统评估。

最后一章为总结，在概括全部研究工作的同时，指出了不足之处以及今后改进的方向。

！旦垒塑鱼坚垒！！型坚垒！！！！：！！旦！！！里．——一——上海大学硕士学位论文
原始数字乳腺图像
ＯｒｉｇｉｎａｌＤｉｇｉｔａｌＭａｍｍｏｇｒａｍｓ
ｌ利用ＡＷＤＣＥ滤波器进行对比度增强
ＩＣｏｎｔｒａｓｔＥｎｈａｎｃｅｍｅｎｔｂｙｔｈｅＡＷＤＣＥＦｉｌｔｅｒ
ＩＡＷＤＣＥ图像
１ｌＡＷＤＣＥｍａｇｅ
确定ＲＯＩ
ＳｅｌｅｃｔｉｏｎｏｆＲＯＩ
上∞ＲＯ。

Ｉ。

鉴
自适应阂值法分割肿块
Ｍａｓｓｂｙｔｈｅ
Ｓｅｇｍｅｎｔａｔｉｏｎｏｆ
ＡｄａｐｔｉｖｅＴｈｒｅｓｈｏｌｄｉｎｇ
上Ｂｉ碓ｎｋｙ醮Ｉｍａｇ。

特征选择和提取
ＦｅａｔｕｒｅＳｅｌｅｃｔｉｏｎａｎｄ
Ｅｘｔｒａｃｔｉｏｎ
上Ｆ。

就篙甚。

分类与测试
Ｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄ
Ｔｅｓｔｉｎｇ
结果与ＲＯＣ分析
ＲｅｓｕｌｔｓａｎｄＲＯＣｃｕｒｖｅｓ
图１本研究主要步骤图
９
上海大学硕士学位论文
ＳＨＡＮＧＨＡＩＵＮＩＶＥＲＳＩＴＹＭＡＳＴＥＲ’ＳＴＨＥＳＩＳ
第二章增强图像对比度的ＡＷＤＣＥ滤波器
２．１ＡＷＤＣＥ滤波器
原始乳腺图像上的肿块边缘信噪比一般很低，而且还交织着复杂的乳腺结构背景，背景中包括致密腺体、脂肪组织等。

在数字乳腺图像上，致密腺体的灰度值常常与肿块灰度值相近，因此直接在数字乳腺图像上检测肿块是相当困难的。

图２（ａ）为用于本研究的数字乳腺图像数据库中的一幅原始图像，箭头所指处为一经过确诊的、典型的肿块。

在该乳腺图像的背景中便包含了较多的致密纤维腺体组织，因此虽然肿块相对清楚，但由于它的灰度值和周围组织的灰度值十分相近，导致难以直接检测肿块。

本研究利用小波分析设计了一种新的对比度增强滤波器：ＡＷＤＣＥ滤波器。

这种滤波器在降低背景结构灰度值的同时，突出了肿块区域，使得肿块区域的对比度得到增强。

原始数字乳腺图像经过ＡＷＤＣＥ滤波器滤波后，可疑肿块区域相对明显。

图２（ｂ）显示了经过ＡＷＤＣＥ滤波器处理的图２（ａ）。

可以看到原始乳腺图像中的背景被充分衰减，使肿块区域相对突出。

图２（ａ）原始数字乳腺图像；（ｂ）ＡＷＤＣＥ滤波器的输出图像ＡＷＤＣＥ滤波器是在肿块和周围背景存在着灰度差异的基础上，通过调整数字乳腺图像的频域信息，扩大了这种灰度差异从而进行对比度增强工作的。

乳腺Ｘ光片在进行处理之前被数字化为５１２×５１２象素、４００“ｍ／象素、灰度范围在０～２５５之间的原始数字乳腺图像，记为Ｆｏ（ｘ，Ｊ，）。

图像格式上的统一使得ＡＷＤＣＥ滤波器可以应用于图像数据库中所有的对象。

图３为ＡＷＤＣＥ滤波器的计算框图，
！坚型鱼坠！型坚堕型』垡翌堕ｊ堡坐———————～
上海大学硕士学，ｔｉ论文
Ｋ，用该权值修正细节图像吒（ｘ，ｙ）中对应位置处的象素，即：
｝《＝ＫｔＦ｜㈦ｙ∞Ｘ｝ｈＵ，ｙ）
Ｋ的调整函数是一个形状如图４所示的分段函数。

因为这样的函数曲线可以使低灰
度级的象素权值较小；高灰度级的象素其权值较大；介于这两类灰度级之间的象素的权值缓慢递增。

由于乳腺背景组织通常处于低灰度区，经过调整后其权值就小；
肿块区域的灰度较高，调整后其权值就大。

因此肿块区域的对比度最多可增强为原
先的５倍，背景部分的对比度将减弱
为原先的一半。

而肿块周围致密结缔
组织的对比度也会随着其原始灰度缓
慢增强。

分段函数的分段点在横轴上
取值为近似图像的归一化灰度值，它
们随着每一幅近似图像灰度级范围的
不同而变化。

一般有大约２５％的低灰
度值象素的权值为Ｏ．５；另有大约１５％
的高灰度值象素的权值较大。

图４权值调整函数经过对比度调整以后，大多数乳
腺的背景结构得到有效抑制，肿块区域的灰度和背景区域的灰度之间的差得以扩大；但肿块边缘并不清晰，这不利于ＲＯＩ区域的划分。

ＡＷＤＣＥ滤波器的第二阶段将解决这一问题。

由于第一阶段的调整结果会使得Ｒ的象素灰度值范围超出最大值２５５，因此对比度调整后的图像昧首先进行归一化，将足的象素灰度值限制在０～２５５以内。

数字乳腺图像转化到频域后，肿块信号一般表现在图像的低频范围内ｌａｌ。

因此对Ｒ进行ＤＷＴ，取得足的低频小波分解系数ｃ。

，和高频小波分解系数ｃ。

然后对ｃ。

，进行增强，对ｃ。

进行衰减，这样便在频域内调整了疋的小波分解系数ｃ。

，保留了肿块信息，形成新的小波分解系数Ｃ。

；与此同时考虑到肿块边缘梯度较大，如果将对比度调整后的图像气和Ｒ的梯度图像尼同时表现在一幅图像中，可以使最终的ＡＷＤＣＥ滤波图像中肿块区域轮廓清晰，较原来的昧和ＦＧ更易。