乳腺癌诊断中乳腺钼靶X线影像处理与分析关键技术研究

乳腺钼靶X线图像分析是乳腺癌早期检测与诊断的重要手段。但由于乳腺钼靶X线图像中钙化点与肿块区域不规则且对比度低，使得误诊率较高。这也使得计算机辅助图像检测系统设计陷入困境。现有图像处理方法难以有效地处理乳腺钼靶X线图像。而该图像的除噪、增强、准确分割和特征提取一直是个难点问题。本项目拟结合视皮层神经网络模型与其他新兴智能信息处理方法，针对乳腺X线钼靶图像处理与分析中的重点与难点问题开展研究。主要涉及：以提升图像质量为目的的图像除噪与增强算法研究；以准确提取病灶区域和检测钙化点与肿块为目的的图像分割算法的探索研究；以提高乳腺癌早期诊断正确识别率为目的的钙化点与肿块特征选择与分类研究。通过本项目实施可望解决乳腺疾病诊断图像处理与分析中若干关键技术，为乳腺钼靶X线图像计算机辅助检测系统提供关键算法支持与理论基础。同时也为有关诊断医生提供一个可靠的"第二意见"。

乳腺癌已成为严重威胁妇女健康的首要疾病，研究发现：早期发现并及时诊治可有效降低乳腺癌死亡率。乳腺钼靶X线摄影检查是敏感而特异的早期发现乳腺病灶的有效方法，但由于乳腺钼靶X线图像存在噪声及对比度低等问题，使得误诊率较高；同时乳腺癌中最常见的病理征象如钙化点及肿块形状不规则也降低了计算机辅助诊断的准确率。而该图像的除噪、增强、病灶区域定位及正确分割、特征提取以及准确分类一直是难点问题。本项目将视皮层神经网络模型和其它新兴智能信息处理方法相结合，针对乳腺钼靶X线图像处理与分析中的重点和难点问题展开研究，完成了从乳腺图像的预处理到分类的全过程。其中包括：结合形态学操作和多分辨率分析等方法对乳腺钼靶X线图像进行除噪与增强；结合粗集理论、水平集和最大熵原理等方法对肿块进行粗定位及精细分割；结合脉冲耦合神经网络(PCNN)改进模型和SRDM(surrounding region dependence method)等概念对多种钙化点簇进行检测与识别；针对分割的肿块区域、检测到的含有钙化点的区域和背景区域，进行形状、纹理和灰度等的特征提取，并建立相应的特征数据库；采用随机森林和极限学习机等机器学习方法进行良恶性分类。通过课题组共同努力，完成对乳腺疾病诊断图像处理与分析重点关键技术的研究，为乳腺钼靶X线图像中计算机辅助检测系统提供关键算法支持，为相关医生的诊断提供可靠的“第二意见”奠定了基础。此外，PCNN等新型神经网络模型的改进研究也进一步推动了其在图像处理和生物医学工程等领域的应用，对生物信息工程和信息学科的交叉研究具有重要的应用价值和现实意义。