导读:本文包含了乳腺肿块分割论文开题报告文献综述及选题提纲参考文献，主要关键词:乳腺肿块,分割,全卷积神经网络,迁移学习
乳腺肿块分割论文文献综述
徐胜舟,程时宇[1]（2019）在《基于全卷积神经网络迁移学习的乳腺肿块图像分割》一文中研究指出针对乳腺X线摄片中肿块通常会被周围致密组织所掩盖,对比度低,且其形状不规则,肿块图像分割困难的问题,设计了一种基于全卷积神经网络迁移学习的乳腺肿块图像分割方法.该方法首先对乳腺肿块图像进行数据增强,然后利用迁移学习,对设计的全卷积神经网络模型载入参数并训练分割模型,最后在训练好的模型上对待分割图像进行处理.分割结果采用区域面积重迭率、Dice相似系数、Hausdorff距离等指标进行评价分析,在公开数据集的483幅图像上的实验结果表明:提出的方法的分割效果明显优于传统分割算法.(本文来源于《中南民族大学学报(自然科学版)》期刊2019年02期）
王红玉,冯筠,刘飞鸿,陈宝莹[2]（2018）在《基于格式塔认知框架的乳腺肿块分割算法》一文中研究指出针对X线图像乳腺肿块分割易受边缘及周围腺体组织干扰,分割精度不高的问题,该文提出了一种基于格式塔认知框架的乳腺肿块分割算法。该算法利用格式塔心理学理论,对人类视觉自下而上的感知和自上而下的认知过程建模,并将其在肿块分割问题中实例化表示。首先,抽取视觉块,并将其作为基本认知单元;然后,利用图像局部自相似性及格式塔规则进一步简化图像;最后,从全局特征出发,融入专家诊断知识,通过最优化实现肿块的自动化分割。在公开数据集INbreast上进行实验,对比其他流行算法,分割准确率提高了10%。该算法实现了无监督的自动化病灶分割,无需人工干预,对图像噪声具有强抗干扰性。(本文来源于《西北大学学报(自然科学版)》期刊2018年01期）
沈鹍霄[3]（2015）在《乳腺肿块分割算法设计与实现》一文中研究指出乳腺癌是全球女性最常见的恶性肿瘤之一,及早发现及早治疗才是其防治的关键。乳腺钼靶X线摄影检查技术具有操作简洁、病患负担的痛苦和风险相对较小,费用低廉等特点,目前已经成为全世界公认的预防普查乳腺癌和常规检查乳腺疾病最有效的方法之一,对早期发现乳腺癌,提高乳腺病变诊断效率和患者的生存率具有十分重要的意义。由于乳腺X线摄片数量巨大,医生的工作繁重,存在漏诊和误诊的现象。在美国,因医生漏诊或误诊而耽误治疗的乳腺癌约占6%~16%,为了提高放射科医师对乳腺癌早期诊断的准确率,计算机辅助诊断技术(CAD)逐渐被引入。但类似于“黑盒”方式的传统CAD,只提示病变区域并不解释这些区域为什么会被标记出来,且具有检测灵敏度低而假阳性率高的缺点,降低了放射科医师借助CAD系统辅助诊断的信心。而基于图像内容检索的计算机辅助诊断(CBIR CAD)乳腺肿块系统不单提示乳腺癌的病变区域还返回与待检测的感兴趣区域(ROI)最相似的前K幅参考图像和相关的决策分数,该系统所提示的参考结果逐渐被医师所信赖。本文围绕基于CBIR CAD中针对乳腺肿块检测的关键技术可疑肿块分割展开研究,其目的是对乳腺癌重要特征的可疑肿块实现有效的分割,进而为后续的特征提取、优化选择、检测以及分类打下基础,最终辅助放射科医师提高对早期乳腺癌的发现率和诊断的正确率。论文对目前出现的一些较好的乳腺可疑肿块分割方法进行了综述,并深入研究了这些算法,对比和分析了它们的优点和性能,同时提出了一种新的肿块分割方法CV-RE,该方法将粗圈定可疑肿块区域的方法(RE-ROI)和C-V模型相结合,在经过预处理后的图像上进行模板匹配、二值化相似度图像、形态学膨胀等方法得到乳腺肿块大概的矩形区域,在此区域上使用C-V模型进行可疑肿块的分割,有效解决了传统C-V模型在处理背景趋势不均匀图像时的局限性,显着地提高了肿块的分割精度。(本文来源于《南阳师范学院》期刊2015-11-03）
李东红,宋立新,牛滨[4]（2015）在《一种改进分水岭乳腺肿块图像分割方法》一文中研究指出针对分水岭算法对噪声敏感、易产生过分割现象的问题,在图像的滤波和区域合并方法上做了改进.该算法首先对肿块图像做初步预处理,设计高斯差分滤波器,实现平滑滤波,增强图像的信噪比,并计算图像的梯度幅值;然后,依据传统分水岭变换算法进行粗分割,计算各个子区域的灰度均值并排序,依次合并灰度均值相似的区域,直到将整个肿块区域完整分割出来;最后,保留合并后灰度均值最大的肿块区域,去除灰度值较小的区域,得到最后的分割结果.实验结果表明:该算法相较于叁层地形分割方法、自适应区域生长算法和二次分水岭算法,能够得到更准确的肿块边缘轮廓,误分率减少到23.07%,运行速度高.(本文来源于《哈尔滨理工大学学报》期刊2015年05期）
赵歆卓[5]（2015）在《基于ELM的乳腺肿块分割算法的研究与实现》一文中研究指出乳腺癌在中国恶性肿瘤的发病率中在位居第二,并且国家卫生部逐步推行乳腺癌早期筛查项目,以期降低乳腺癌的发病率和死亡率。乳腺钼靶X线因其低辐射率和低成本,正逐渐成为早期检查乳腺癌的主要途径。但是每个X线片要求至少2位放射科医师单独阅片,这增加了医生的工作量,容易造成其疲劳、耗时、误诊和漏诊的后果。因此,对乳腺肿块的计算机辅助诊断系统的发展提出了应用需求。图像分割是计算机辅助诊断系统关键技术之一,实现快速而又准确的肿瘤区域分割有至关重要的意义。本课题提出基于ELM进行乳腺肿块分割的算法。首先,乳腺钼靶图像因其高噪声和低对比度成为医学图像中的识别难点。本课题在预处理阶段采用中值滤波和小波去噪的方式去除原始图片上的噪声点和图像增强处理过程中产生的新噪声点;将分段线性直方图变换、限制自适应直方图均衡、形态学增强算法应用到肿瘤区域的增强,将非下采样轮廓波域变换作为对比增强算法;经对比发现,第一种方法可以有效的增强肿瘤区域,非肿瘤区域透明化的同时还能够保证血管腺体等组织纹理的清晰;第二种方法肿瘤区域和非肿瘤区域未有明显区别,但是微钙化点更加清晰,因此其更适用于微钙化点的增强;经对比分析后决定采用第一种增强算法进行图像增强。然后依据金标准,用填充方法提取肿瘤区域,并进行标记,获得机器学习样本。在图像分割阶段,用SVM和ELM两种算法实现肿瘤区域的自动分割,得到分割结果。在评价验证阶段,提取分割结果的特征向量,如灰度共生矩阵等,对分割结果进行定量评价。经实验发现,两种算法都有较高的分割准确率,但是ELM的各项指标都略好于SVM。其中在算法效率和参数的设置上ELM算法要远远优于SVM。因此认为,在不提取特征向量的情况下,用在乳腺肿瘤分割方向上,ELM算法要好于SVM算法。(本文来源于《东北大学》期刊2015-05-01）
吕泽华,赵盛荣,梁虎,唐赫[6]（2014）在《基于Gmac模型的乳腺肿块分割算法》一文中研究指出在乳腺CAD系统中,乳腺肿块分割是一个重要的先前步骤,分割结果的好坏直接影响到肿块的分类和检测.本文将Gmac模型应用到乳腺肿块分割上,并提出了求解Gmac模型的两种改进方法:改进的变分水平集法、改进的splitbregman方法.实验选取了483幅医学乳腺肿块图片进行分割,得到了两种改进方法的CM均值分别为64%和76%;AMED均值分别为4.4750和1.4602.结果表明:改进的split bregman方法对乳腺肿块进行了更有效的分割.实验也利用经典的ACWE模型和GAC模型对上述乳腺肿块图片进行了分割实验,与基于改进split bregman方法的Gmac模型相比,结果表明:Gmac模型具有更好的分割性能.(本文来源于《电子学报》期刊2014年02期）
杨斌,宋立新[7]（2014）在《基于自适应区域生长的乳腺肿块分割方法》一文中研究指出乳腺X图像中肿块特征的复杂多变,给肿块的分割带来了很大困难,区域生长为肿块分割提供了一种比较可靠的方法。传统的区域生长由于生长次数和准则比较单一,就会出现较多的过生长和欠生长,从而影响其分割精度和可靠性,针对这一问题,提出了一种利用自适应区域生长对乳腺肿块进行分割的方法。对肿块感兴趣区域进行背景去除和领域抑制得到预处理后的图像,利用预处理后图像各像素个数确定区域生长的种子点,再利用肿块图像的梯度分布及变化趋势确定自适应区域生长是否过边缘,从而确定最佳生长准则。实验结果表明,相对于叁层地形分割算法及模型分割算法,自适应区域生长算法分割得更准确、可靠。(本文来源于《计算机工程与应用》期刊2014年20期）
赵盛荣[8]（2012）在《基于Gmac模型的乳腺肿块分割》一文中研究指出乳腺癌是严重危害女性身心健康甚至危及生命的常见恶性肿瘤之一，因此，乳腺癌的早期发现和早期诊断对于降低死亡率﹑提高生存率起着至关重要的作用。在乳腺CAD系统中，肿块检测的重要先前步骤是乳腺肿块分割，分割结果的好坏直接影响到肿块的分类和检测。本文首次将全局最优活动轮廓(Global minimum active contour,Gmac)模型应用到乳腺肿块分割上，并提出了基于Gmac模型的叁种改进算法：改进的变分水平集法﹑改进的对偶方法、改进的splitbregman方法。改进的策略为：通过以图像信息（如各目标区域的平均灰度﹑面积，距离等）为变量设置函数f1，在灰度值大于低阈值的区域中选择f1值最大的可疑目标区域，得到了一个可疑目标区域，称此区域为“粗选择”区域；进一步，设置粗选择区域的图片信息函数f2，在灰度值大于高阈值的区域（位于粗选择区域的内部）中选择f2值最大的可疑目标区域，得到一个更精细的可疑目标区域，这一区域称为“细选择”区域；建立了两个实验参考标准：面积比值、区域边缘点距中心最远﹑最近距离差，得到了最佳目标选择区域。选取483幅医学乳腺肿块图片进行了分割实验，得到了叁种改进算法（变分水平集法﹑对偶方法和split bregman方法）的CM均值分别为64%﹑74%和76%；AMED均值分别为4.4750﹑1.6961和1.4602。结果表明：splitbregman方法对乳腺肿块进行了更有效的分割。本文也利用经典的ACWE模型和GAC模型对上述乳腺肿块图片进行了分割实验，与基于Gmac模型的改进splitbregman方法相比，结果表明：提出的splitbregman方法具有全局最优解，实现了更好的分割性能。(本文来源于《华中科技大学》期刊2012-05-01）
Xin,Hao,Xiaoen,Zhu,Shunren,Xia[9]（2011）在《基于随机游走的乳腺肿块自动分割(英文)》一文中研究指出Segmentation of masses in mammograms represents a significant step in the computer-aided diagnosis(CAD) system.In this study,a robust method by using random walks for automatic segmentation of masses is proposed.In this method,an initial rough region of mass is firstly estimated. Then,depending on this rough region,the isocontour map is employed as the seed points.Finally,the segmentation results are derived by the random walks algorithm.The proposed method has been tested and compared with other three methods on 548 mass regions of interest(ROIs).The segmentation results are evaluated using area-based and boundary distance-based similarity metrics.The experimental results show that the proposed segmentation method can improve the accuracy of mass segmentation compared with other three methods.The proposed method shows better robustness and has greater potential in improving the performance of the mammogram CAD system.(本文来源于《浙江生物医学工程学会第九届年会论文汇编》期刊2011-10-21）
曹颖,郝欣,朱晓恩,夏顺仁[10]（2011）在《基于自动随机游走的乳腺肿块分割算法》一文中研究指出针对乳腺X线影像肿块分割易受弱边缘和周围组织干扰的问题,提出一种基于自动随机游走的乳腺肿块分割算法.利用二维最大熵阈值法、区域生长及形态学方法自动确定一系列标记点,采用平均边缘梯度评价法选择有效标记点进行随机游走分割以获得初步分割结果,并在此分割基础上进行星芒状结构检测,获得完整的肿块分割边缘.随机选取227例肿块图像进行分割,对分割结果进行特征提取和分类.实验结果表明,该算法克服了半自动随机游走的应用局限性,提高了乳腺肿块的分割精度;与其他分割算法相比,该算法在后续的分类中具有更高的分类精度.(本文来源于《浙江大学学报(工学版)》期刊2011年10期）
乳腺肿块分割论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对X线图像乳腺肿块分割易受边缘及周围腺体组织干扰,分割精度不高的问题,该文提出了一种基于格式塔认知框架的乳腺肿块分割算法。该算法利用格式塔心理学理论,对人类视觉自下而上的感知和自上而下的认知过程建模,并将其在肿块分割问题中实例化表示。首先,抽取视觉块,并将其作为基本认知单元;然后,利用图像局部自相似性及格式塔规则进一步简化图像;最后,从全局特征出发,融入专家诊断知识,通过最优化实现肿块的自动化分割。在公开数据集INbreast上进行实验,对比其他流行算法,分割准确率提高了10%。该算法实现了无监督的自动化病灶分割,无需人工干预,对图像噪声具有强抗干扰性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
乳腺肿块分割论文参考文献
[1].徐胜舟,程时宇.基于全卷积神经网络迁移学习的乳腺肿块图像分割[J].中南民族大学学报(自然科学版).2019
[2].王红玉,冯筠,刘飞鸿,陈宝莹.基于格式塔认知框架的乳腺肿块分割算法[J].西北大学学报(自然科学版).2018
[3].沈鹍霄.乳腺肿块分割算法设计与实现[D].南阳师范学院.2015
[4].李东红,宋立新,牛滨.一种改进分水岭乳腺肿块图像分割方法[J].哈尔滨理工大学学报.2015
[5].赵歆卓.基于ELM的乳腺肿块分割算法的研究与实现[D].东北大学.2015
[6].吕泽华,赵盛荣,梁虎,唐赫.基于Gmac模型的乳腺肿块分割算法[J].电子学报.2014
[7].杨斌,宋立新.基于自适应区域生长的乳腺肿块分割方法[J].计算机工程与应用.2014
[8].赵盛荣.基于Gmac模型的乳腺肿块分割[D].华中科技大学.2012
[9].Xin,Hao,Xiaoen,Zhu,Shunren,Xia.基于随机游走的乳腺肿块自动分割(英文)[C].浙江生物医学工程学会第九届年会论文汇编.2011
[10].曹颖,郝欣,朱晓恩,夏顺仁.基于自动随机游走的乳腺肿块分割算法[J].浙江大学学报(工学版).2011