导读:本文包含了乳腺光片论文开题报告文献综述及选题提纲参考文献，主要关键词:乳腺癌X光片,辅助诊断,SVM算法,特征提取
乳腺光片论文文献综述
牛琳,张雨薇,张露馨[1]（2018）在《基于SVM算法的乳腺X光片辅助诊断系统的设计与实现》一文中研究指出运用MATLAB软件对乳腺癌X光片做预处理、特征提取、基于SVM算法的分类器识别及辅助诊断。经反复实验完成纹理特征提取、核函数选取、参数优化、样本优化等步骤,为影像学医师的诊断预测提供一种便捷有效的辅助方式,减轻了医生的工作量,提高了医生的工作效率,降低漏诊误诊的机率。(本文来源于《软件工程》期刊2018年08期）
王磊[2]（2010）在《乳腺钼靶X光片上微钙化点的计算机辅助检测技术的研究》一文中研究指出乳腺癌是严重威胁妇女健康的恶性肿瘤,全世界每年约有120万妇女发生乳腺癌,有超过50万妇女死于乳腺癌,且发病率以每年2%-3%的速度递增。提高乳腺癌患者生存率的关键在于早期发现、早期诊断和早期治疗,而乳腺钼靶X线摄影(mammography)则是早期发现和早期诊断乳腺癌的首选影像学方法。乳腺钼靶X光片上的微钙化点是早期乳腺癌最重要的标志性信息,有时甚至是早期乳腺癌惟一的恶性征象,因此在早期乳腺癌的筛查和诊断中具有举足轻重的地位。然而,由于乳腺X光片的成像对比度低,影像结构复杂,微钙化点常常隐藏在正常的组织之间,肉眼较难识别,再加上观察者的视觉疲劳或疏忽等因素,即便是有经验的放射科专家也容易造成误诊和漏诊的情况。为了帮助医生减少漏诊,提高诊断精度,乳腺X光片上微钙化点的计算机辅助检测和诊断技术应运而生,希望通过计算机对图像数据进行分析和处理,自动标注出可能包含有微钙化点的区域,并给出微钙化点的诊断结果。然而,目前乳腺X光片上微钙化点的计算机辅助检测和诊断的敏感性和特异性还远没有达到理想的要求,因此本文针对乳腺X光片上微钙化点的计算机辅助检测技术进行了深入的研究,希望通过深入分析各个步骤中已有算法的优势和不足,为每个步骤开发出相对更加完善的算法,以提高乳腺X光片上微钙化点的计算机辅助检测的敏感性和特异性。本文的研究内容主要包括乳房区域的分割,胸肌区域的分割,图像灰度值归一化技术,以及微钙化点检测算法。主要的创新点有(1)提出了一种基于脉冲耦合神经网络的乳房区域分割算法,可以在背景噪声较多的乳腺X光片上分割出相对完整的乳房区域。(2)提出了一种基于离散时间Markov链和活动轮廓模型的胸肌边缘检测算法,可以在借助较少先验知识的情况下,获得比较精确的胸肌边缘。(3)提出了一种不需要借助任何成像参数,仅仅依靠乳腺X光片图像自身的灰度值统计信息,就可以估计出乳腺X光片图像的灰度值归一化函数的方法。(4)对基于fast marching的多元分割算法进行了改进,使得算法的最小时间复杂度由原先的O(N log2 N)减少到了O(N)。(5)提出了一种基于blob的微钙化点检测算法,在提高微钙化点检测敏感性和特异性的同时,为乳腺X光片上微钙化点的检测提供了一种新的思路。此外,本文研究出的一些算法,如基于离散时间Markov链的边缘检测算法,基于fast marching的快速多元分割算法等,还可以被应用到其它更为通用的图像处理领域中。(本文来源于《浙江大学》期刊2010-04-01）
史盛君,宋立新,赵阳[3]（2008）在《基于神经网络的乳腺X光片中肿块检测法》一文中研究指出针对乳腺X光片中肿块与背景的对比度较低,边界不清晰等问题,提出了利用小波变换与直方图均衡化结合的方法来增强图像,使肿块部分更加突出.再对每个像素点进行特征提取,依据神经网络可以通过训练来进行分类的特点,利用BP神经网络,将每个点分类为肿块区域像素点和非肿块区域像素点,从而实现肿块部分的检测.经过M IAS资料库中的30幅乳腺X光片的测试,其有效性达到80.6%,且方法简单易行.(本文来源于《哈尔滨理工大学学报》期刊2008年06期）
史盛君[4]（2008）在《基于多分辨率图像锥的乳腺X光片肿块检测方法研究》一文中研究指出乳腺癌是危害妇女健康的最常见的恶性疾病,而乳腺肿块是乳腺图像中表征乳腺病变的主要症状之一。钼靶X线摄影是目前临床上乳腺疾病检测的主要手段,但是,放射科医师需要分析大量的X光片,且肿块大多被埋没在复杂的,高密度的腺体背景中难以检出和识别,这使得仅用肉眼在复杂的钼靶X光片中查找不到千分之一的异常区域,是一件枯燥、费时而又极其困难的事。因此,利用数字图像处理技术来实现乳腺X光片的计算机辅助诊断,已成为近年来医学图像处理研究的热点。作为在这一领域的探索,本文实现了利用多分辨率图像锥检测肿块种子区域并通过生长算法,最终实现在原始乳腺X光片中肿块的定位和描述。主要研究内容如下:1.多分辨率图像锥是由多幅分辨率不同的图像组成的层次式的数据结构,这些分辨率不同的图像是通过某些数学运算得到的,各层图像的分辨率以2为因子递减,其生成方法主要有加权和分解两类。在对这两类生成图像锥的方法进行比对之后,最终选择基于小波理论的多分辨率分析法。2.人工神经网络是现代模式识别中一种比较实用的技术之一,其应用领域越来越广泛,本文在介绍了反向传播(Backward Propagation,简称:BP)神经网络的概念、特点的基础上,详述了在低分辨率图像中实现肿块种子区域检测的具体步骤。3.在低分辨率图像中检测到肿块种子区域后,根据像素的有关属性,由种子区域所在层的下一层图像开始,跟踪与种子区域属性一致的像素区域。在这个过程中,采用交迭式的连接规则和一种新的权值判别规则,使得生长算法不再严格受限于肿块种子的面积和形状,并最终完成原始图像上可疑区域(代替肿块区域)的最终定位和描述。4.为了降低假阳性率,我们提取图像的纹理特征以实现正常乳腺组织和肿块区域的分类。在基于灰度共生矩阵的统计特征中,我们考察角二阶矩、熵、对比度、逆差矩以及他们的统计量,并最终选取十二个特征和统计量作为神经网络分类器的输入。使用该方法对之前检测到的可疑区域进行分类,得到了假阳性分数为0.212时,真阳性分数达到了0.767的最终检测结果。(本文来源于《哈尔滨理工大学》期刊2008-03-01）
于红绯[5]（2008）在《基于乳腺数字X光片的病变检测算法研究》一文中研究指出现代社会,由于环境、生存压力、饮食结构等诸多因素影响,乳腺癌发病率呈逐年上升趋势,严重威胁妇女健康。能否早期发现、早期治疗是降低乳腺癌死亡率的关键。钼靶X线摄影是诊断乳腺癌的首选影像学方法。然而,低劣的图像质量、恶性病变的良性表现和观察者的视觉疲劳或疏忽都容易造成误诊和漏诊。为此,许多研究组织和机构纷纷研究和开发计算机辅助诊断系统,即CAD(Computer Aided Diagnosis)系统,来帮助医生做诊断。本文以实际项目为背景,介绍了乳腺CAD系统,并针对乳腺CAD系统中关键问题,即肿块和钙化检测算法进行深入研究。在肿块检测方面,通过对图像进行多阈值分层来检测肿块,使较低亮度肿块也能被很好地检测到,提高了原有肿块检测算法敏感性。在钙化检测方面,提出两种改进算法并对其进行了对比。第一种算法把二进小波奇异点检测理论应用到钙化检测中,得到钙化点边缘图,再对边缘图设定阈值检测钙化点。第二种算法把Hessian矩阵理论和小波理论应用在钙化检测中,先用Hessian矩阵对图像进行多尺度增强,再计算增强图像局部方差检测钙化点。第二种算法把钙化点局部高亮信息和其呈圆形的形状特征结合起来,同时考虑钙化点大小变化范围,得到了较好的检测结果,和第一种钙化检测算法相比,它更适合实际应用。本论文所研究的算法已经应用于实际项目中,效果良好。(本文来源于《东北大学》期刊2008-01-20）
高洁,宋立新[6]（2006）在《基于微钙化点检测的乳腺X光片计算机辅助诊断系统》一文中研究指出针对早期乳腺癌X光片中微钙化点非常微小、不规则、形状和分布各异,且对比度较差,乳腺中的致密组织与病变组织十分相似的问题,依据微钙化点是淹没在极高频噪声和低频背景中的高频信号,提出了利用数学形态学和小波变换来进行微钙化点的定位,依据神经网络可以通过训练来进行分类,提出利用概率神经网络对微钙化病变类型进行融合识别.实验证明,该方法操作简单,具有较高的检出率,同时明显降低了假阳性.(本文来源于《哈尔滨理工大学学报》期刊2006年04期）
张英涛,黄剑华,唐降龙,郭延辉[7]（2005）在《一种基于模糊逻辑的乳腺X光片增强方法》一文中研究指出提出了一种新颖的基于模糊逻辑的乳腺X光图像增强算法.首先,对乳腺X光图像进行灰度级的归一化处理,然后基于最大信息熵原则对图像进行模糊化,选取局部信息作为衡量增强程度的标准,最后将图像从模糊域转换到灰度域.实验表明,该算法能够有效地增强乳腺X光图像的细节信息,并使纹理信息清晰,图像层次感强,同时可以有效地削减噪声的影响.(本文来源于《哈尔滨工业大学学报》期刊2005年11期）
[8]（2003）在《乳腺X光片计算机辅助诊断乳腺癌》一文中研究指出据ＨｕｏＺ〔Ｒａｄｉｏｌｏｇｙ,2 0 0 2 ,2 2 4 (2 ) :5 6 0〕报道 ,计算机辅助诊断可有助于放射学专家提高鉴别诊断良性和恶性乳腺肿块的准确率。ＨｕｏＺ和他的同事研究了对放射学专家有辅助作用的计算机分类法。有 6位乳腺图工作者和 6(本文来源于《生物医学工程与临床》期刊2003年01期）
屠轶清,AlbertoRocha,李刚,童俯[9]（2000）在《基于逻辑滤波器的乳腺X光片中肿块检测方法》一文中研究指出提出在数字乳腺Ｘ光片中检测可疑肿块的方法。首先，介绍了逻辑滤波器的基本概念，并提出了一种改进的逻辑滤波器。使用逻辑滤波器后，输出图象在灰度直方图上表现出显着的特征，这使得对可疑肿块的分段过程变得很容易。作者用２５张乳腺Ｘ光片作为测试用例，验证了这一方法的效果。文中还将这种方法与别的边缘检测、增强方法作了比较。(本文来源于《计算机工程》期刊2000年02期）
乳腺光片论文开题报告
（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：
乳腺癌是严重威胁妇女健康的恶性肿瘤,全世界每年约有120万妇女发生乳腺癌,有超过50万妇女死于乳腺癌,且发病率以每年2%-3%的速度递增。提高乳腺癌患者生存率的关键在于早期发现、早期诊断和早期治疗,而乳腺钼靶X线摄影(mammography)则是早期发现和早期诊断乳腺癌的首选影像学方法。乳腺钼靶X光片上的微钙化点是早期乳腺癌最重要的标志性信息,有时甚至是早期乳腺癌惟一的恶性征象,因此在早期乳腺癌的筛查和诊断中具有举足轻重的地位。然而,由于乳腺X光片的成像对比度低,影像结构复杂,微钙化点常常隐藏在正常的组织之间,肉眼较难识别,再加上观察者的视觉疲劳或疏忽等因素,即便是有经验的放射科专家也容易造成误诊和漏诊的情况。为了帮助医生减少漏诊,提高诊断精度,乳腺X光片上微钙化点的计算机辅助检测和诊断技术应运而生,希望通过计算机对图像数据进行分析和处理,自动标注出可能包含有微钙化点的区域,并给出微钙化点的诊断结果。然而,目前乳腺X光片上微钙化点的计算机辅助检测和诊断的敏感性和特异性还远没有达到理想的要求,因此本文针对乳腺X光片上微钙化点的计算机辅助检测技术进行了深入的研究,希望通过深入分析各个步骤中已有算法的优势和不足,为每个步骤开发出相对更加完善的算法,以提高乳腺X光片上微钙化点的计算机辅助检测的敏感性和特异性。本文的研究内容主要包括乳房区域的分割,胸肌区域的分割,图像灰度值归一化技术,以及微钙化点检测算法。主要的创新点有(1)提出了一种基于脉冲耦合神经网络的乳房区域分割算法,可以在背景噪声较多的乳腺X光片上分割出相对完整的乳房区域。(2)提出了一种基于离散时间Markov链和活动轮廓模型的胸肌边缘检测算法,可以在借助较少先验知识的情况下,获得比较精确的胸肌边缘。(3)提出了一种不需要借助任何成像参数,仅仅依靠乳腺X光片图像自身的灰度值统计信息,就可以估计出乳腺X光片图像的灰度值归一化函数的方法。(4)对基于fast marching的多元分割算法进行了改进,使得算法的最小时间复杂度由原先的O(N log2 N)减少到了O(N)。(5)提出了一种基于blob的微钙化点检测算法,在提高微钙化点检测敏感性和特异性的同时,为乳腺X光片上微钙化点的检测提供了一种新的思路。此外,本文研究出的一些算法,如基于离散时间Markov链的边缘检测算法,基于fast marching的快速多元分割算法等,还可以被应用到其它更为通用的图像处理领域中。
（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。
乳腺光片论文参考文献
[1].牛琳,张雨薇,张露馨.基于SVM算法的乳腺X光片辅助诊断系统的设计与实现[J].软件工程.2018
[2].王磊.乳腺钼靶X光片上微钙化点的计算机辅助检测技术的研究[D].浙江大学.2010
[3].史盛君,宋立新,赵阳.基于神经网络的乳腺X光片中肿块检测法[J].哈尔滨理工大学学报.2008
[4].史盛君.基于多分辨率图像锥的乳腺X光片肿块检测方法研究[D].哈尔滨理工大学.2008
[5].于红绯.基于乳腺数字X光片的病变检测算法研究[D].东北大学.2008
[6].高洁,宋立新.基于微钙化点检测的乳腺X光片计算机辅助诊断系统[J].哈尔滨理工大学学报.2006
[7].张英涛,黄剑华,唐降龙,郭延辉.一种基于模糊逻辑的乳腺X光片增强方法[J].哈尔滨工业大学学报.2005
[8]..乳腺X光片计算机辅助诊断乳腺癌[J].生物医学工程与临床.2003
[9].屠轶清,AlbertoRocha,李刚,童俯.基于逻辑滤波器的乳腺X光片中肿块检测方法[J].计算机工程.2000