基于Directionlets与半监督学习的乳腺图像奇异性检测

乳腺癌是女性中引起癌症死亡的第二主因，严重威胁着妇女的健康。随着影像处理技术和人工智能的大力发展，基于乳腺X线图像的计算机辅助检测（CAD）已逐步应用于临床诊断，大大降低了医生的工作强度。然而，目前的CAD系统对早期隐匿性病征检测灵敏度较低、假阳性率较高，而且由于面向欧美女性设计所以不太适合我国女性乳腺疾病的检测。为了能够为我国女性设计可以早期诊断的乳腺CAD系统，就需要针对我国自己的数据库研究早期隐匿性症状的增强和检测算法。为此，本项目拟在已构建的中国女性乳腺X线影像数据库的基础上，研究基于混合多尺度几何分析的图像微弱病变区域增强算法，然后对增强后的图像采用由粗到细的检测策略，对感兴趣区域进行GMM建模，设计基于TWSVM的精检测算法，最后引入主动相关反馈技术，建立医生能参与交互的半监督学习系统，以提高检测精度、降低假阳性率。该研究成果将为早期乳腺癌CAD提供坚实的理论基础和技术保障。