导读:本文包含了钙化簇检测论文开题报告文献综述及选题提纲参考文献，主要关键词:数字乳腺断层摄影,钙化簇,海森矩阵,随机森林
钙化簇检测论文文献综述
柳哲,范明,李远哲,厉力华[1]（2019）在《数字乳腺断层摄影中钙化簇计算机辅助检测方法》一文中研究指出为了提高数字乳腺断层摄影(Digital Breast Tomosynthesis,DBT)检测诊断速度和准确率,提出一种计算机辅助检测方法。首先,采用多尺度双边滤波预处理,利用多尺度海森矩阵的钙化增强函数和信噪比增强对DBT影像中类似钙化点进行增强,并使用叁维26邻域连通区域生长算法在两种增强的加权叁维体中提取簇中心点和候选钙化点;然后,根据钙化簇的定义,在簇中心附近叁维空间内寻找满足条件的候选微钙化点聚成感兴趣区域;最后,在感兴趣区域的最大密度投影图像中提取纹理、统计等特征,训练随机森林分类器减少钙化簇的假阳性。非参数检验方法表明:在减少假阳性后,对于基于视角的检测中,每个DBT影像平均假阳性个数为0.84时,灵敏度为85%;对于基于乳房的检测中,每个DBT影像平均假阳性个数为0.76时,灵敏度为85%。验证了算法在DBT影像中钙化簇计算机辅助检测中的可行性。(本文来源于《杭州电子科技大学学报(自然科学版)》期刊2019年06期）
张新生,王哲[2]（2018）在《结合深度学习与特征多尺度融合的微钙化簇检测》一文中研究指出为了准确识别X线图像中的微钙化簇以进行乳腺癌的辅助诊断与早期预防,结合细粒度级联增强网络(FCE-Net)与多尺度特征融合算法(MFF),提出微钙化簇目标检测方法.首先构建FCE-Net累加卷积模块层级权重,并增强多分支结构,得到细粒度卷积特征图.然后构建MFF候选检测网络,通过二倍上采样融合多尺度特征,得到目标置信度和区域坐标.最后在感兴趣区域池化层分类目标并调整边界框.在MIAS数据集上实验表明,结合FCE-Net与MFF可以提升微小目标的深层特征提取能力,同时增强目标分类与定位的准确度.(本文来源于《模式识别与人工智能》期刊2018年11期）
王小东[3]（2014）在《基于先验建模的计算机辅助乳腺钙化簇检测研究》一文中研究指出医学影像是筛查癌症病灶的主要手段,由于影像数量较多以及拍摄设备的差异,容易导致医生产生视觉疲劳以及漏诊和误诊。本文针对乳腺癌计算机辅助检测中存在的目标器官难以分割、感兴趣区域不易提取、有效病灶特征未被选择和分类算法不够精确等问题,提出了基于先验建模的计算机辅助乳腺钙化簇检测算法,具体的研究内容为：(1)针对目前乳腺软组织器官难以分割,且没有将图像本身具备的先验知识融入到图像分割中等问题,本文提出一种基于先验知识的软组织器官分割算法。利用基于边缘先验知识的套索模型对目标区域进行初始化,通过改进的Snake算法准确分割目标器官。实验结果表明：本文提出的方法能有效地解决CT图像中的目标组织器官分割问题。(2)针对目前感兴趣区域提取算法大都基于人工标记或半自动化人工标记,本文提出一种基于统计先验纹理模型的感兴趣区域提取算法。核心思想是对负包示例进行统计建模,获取平均模型,通过将平均模型与未知包中的所有示例进行距离的比较,从而得到病灶的感兴趣区域。在乳腺钙化簇上的实验结果表明：本文提出的方法,在没有人工标注感兴趣区域的情况下,可自动提取图像的可疑病灶区域,并保持较高的钙化簇检测率。(3)针对目前计算机辅助检测将特征选择与分类单独分开的情况,本文提出一种改进的基于LHs的自适应模糊神经网络算法。该方法不仅可以进行特征选择,也可以同时进行分类。实验结果表明：本文提出的方法将钙化簇检测的准确率提高了近2个百分点。综上所述,本文提出的基于先验建模的计算机辅助乳腺钙化簇检测算法,有效的提高了钙化簇检测的准确率,并可以成功的应用于计算机辅助检测系统中。(本文来源于《西北大学》期刊2014-06-01）
李耀琳[4]（2013）在《计算机辅助乳腺钙化簇检测算法研究》一文中研究指出钙化簇是乳腺癌的主要征象,而钼靶X线影像是乳腺钙化簇检测的筛查手段。由于影像数量过多及质量的差异,导致医生产生视疲劳,容易造成阅片过程中漏诊和误诊。计算机辅助检测能够在一定程度上帮助医生发现不易察觉的病灶,被称为放射医生的“第二双眼睛”。本文针对钼靶X线影像的计算机辅助乳腺检测中存在的感兴趣区域难以提取、没有集成人类学信息等问题,提出了基于模糊分类器的融合检测方法,具体研究内容为：(1)针对传统计算机辅助检测中,乳腺感兴趣区域主要依靠手工标定或半自动提取,提出了一种全自动提取可疑区域的方法。核心思想为先对正常组织纹理信息进行统计建模,再根据到统计模型的距离确定图像中典型的示例作为可疑区域。实验表明,该算法在不影响检测性能的情况下,可以大幅度降低提取感兴趣区域的时间复杂度和空间复杂度,且比多示例算法正确率高近10%。(2)针对传统计算机辅助检测中,乳腺特征集合仅依赖于图像低层特征,没有利用人类学的先验知识,造成特征集合来源单一,给出了人类学信息与图像信息的特征融合方法。包括基于多核支持向量机的融合方法、基于多分类器集成的融合方法以及基于权重分配的融合方法。实验表明,这几种算法能够使检测假阳性率降低近5%,但是对真阳性率无明显提高。(3)针对传统计算机辅助检测中,模糊分类器的隶属度函数为单一线性函数,使得有效样本具有不确定性,提出了基于线性和致密度的混合隶属度函数,并集成模糊支持向量机和模糊K近邻分类器,选择分类概率值较大的作为最终检测结果。实验表明,该算法能够使检测准确率提高近4%,真阳性率提高近3%。综上所述,本文提出的改进的计算机辅助乳腺钙化簇检测算法,有效的提高了钙化簇的检测性能,并成功应用于计算机辅助检测系统。(本文来源于《西北大学》期刊2013-06-30）
李耀琳,冯筠,王小东,卜起荣,陈宝莹[5]（2015）在《基于示例选择的计算机辅助乳腺钙化簇检测研究》一文中研究指出为了减轻传统计算机辅助检测系统中感兴趣区域标定的时间和精力,提出针对钼靶X光乳腺钙化簇检测的示例选择算法。以分块形式对图像打包,对所有负包示例进行纹理建模,并计算每个未知包中的示例与负包平均模型的距离,选取最大距离的示例作为可疑区域。实验结果表明,该算法在不需要人工标注感兴趣区域,不降低钙化簇检测性能的前提下,大幅度减少了运算时间和空间。(本文来源于《计算机工程与应用》期刊2015年01期）
苏晓娟[6]（2011）在《基于SVM的乳腺图像微钙化簇检测算法的研究》一文中研究指出本文对乳腺图像的微钙化簇检测做了深入研究,提出了一种基于非采样Contourlet变换和支持向量机的微钙化点簇检测算法,有效的提高了检测微钙化簇的正确率。乳腺X线图像是目前检测乳腺癌的有效工具,而乳腺图像中微钙化点是早期乳腺癌的重要征象,因此乳腺图像微钙化的检测在乳腺癌的早期诊断中有很重要的地位。本文研究内容主要有以下方面：(1)针对乳腺X线图像对比度低的特点,提出了一种基于非采样Contourlet变换的乳腺X图像增强方法,该方法能有效的抑制噪声和极易造成干扰的高亮线型结构,同时增强钙化点。(2)为了降低微钙化检测中的假阳性率,提出了在图像的非采样Contourlet变换域中提取其有效特征,作为SVM分类器的输入。实验表明与小波变换相比,在非采样Contourlet变换域中提取的图像特征能更好的表示图像信息。(3)为了检测出乳腺图像是否正常以及异常的严重程度是良性还是恶性(即微钙化点是否成簇),本文中采用了两级SVM分类器。第一级的分类器判定乳腺图像是否正常即是否含有微钙化点,若正常则直接输出结果,若为异常则通过第二级的分类器进行判定其严重程度。实验表明,本文提出的算法相对于传统算法有较好的实用性,能有效的检测出异常的乳腺X图像,并对其病变程度进行分类,为乳腺癌计算机辅助检测提供了新的方法。(本文来源于《兰州大学》期刊2011-04-01）
常甜甜,刘红卫,王宇,冯筠[7]（2010）在《基于分组特征多核支持向量机的微钙化簇检测》一文中研究指出针对疑似区域内的乳腺微钙化簇和正常乳腺组织特征的多源性这个一直被忽略的问题,提出基于分组特征多核支持向量机(GF-SVM)的乳腺微钙化簇检测。特征被分组后针对不同源特征分别使用不同的核函数映射,组合成多核SVM。将多核SVM转化为半定规划问题,求解多核SVM的核函数权值系数。在训练样本的选择方面采用主动反馈学习方法最终得到稳定的样本模型。实验结果表明,与传统的基于单核SVM相比,该方法具有更好的检测性能。(本文来源于《系统仿真学报》期刊2010年05期）
冯筠,姜军,叶豪盛,王惠亚[8]（2010）在《基于主动支持向量机的乳腺癌微钙化簇检测》一文中研究指出乳腺微钙化簇是早期乳腺癌的重要征象,计算机辅助的微钙化簇检测是医学影像领域的难题。为了提高检测系统的准确率,往往需要大量病灶标记,除了搜集样本本身的难度外,还需花费专家的大量时间。目前的研究工作很少涉及这个问题的解决方法。首次将基于主动学习的支持向量机技术应用到该领域,针对钙化簇感兴趣区域的特点,提出了选择训练集合的样本应该满足的基本条件。标准数据库上的实验证明,提出的方法能够大量地减轻样本标记的工作,并使乳腺癌微钙化簇检测系统的分类性能基本不变。(本文来源于《计算机科学》期刊2010年02期）
庸强[9]（2010）在《基于子空间学习和支持向量机的微钙化簇检测》一文中研究指出乳腺癌是一种常见的恶性肿瘤之一,是导致妇女死亡率上升的重要原因,早发现、早治疗是降低乳腺癌死亡率的关键。目前,钼靶X射线检测被公认为最主要、最有效的检测手段,乳腺图像中的微钙化簇是乳腺癌的一个主要征象,在乳腺癌的早期诊断中占有特别重要的地位。然而,图像中的信息只有3%能为人眼所见,即使经验丰富的医生也很难及时发现图像中早期乳腺癌的微钙化簇,以致延误病人的最佳治疗时机。随着计算机技术的飞速发展,乳腺X线图像的计算机辅助检测成为乳腺癌早期诊断的研究热点。为了有效的检测出乳腺图像中的微钙化簇,更好地辅助医生发现早期乳腺癌,本文针对微钙化簇检测问题进行了深入的研究。首先,为了有效的提取乳腺图像中的感兴趣区域(Region of Interest,ROI),本文提出了一种基于独立分量分析(Independent Component Analysis,ICA)和支持向量机(Support Vector Machine,SVM)的感兴趣区域自动提取新方法,首先提取微钙化簇的特征,在此基础上训练SVM分类器对待识别图像进行模式分类。该方法不仅简单有效,而且具有较高的智能性,为感兴趣区域的自动提取提供了新的研究思路;其次,为了进一步提高检测的速度和精度,本文提出了基于子空间学习和SVM的微钙化簇检测算法,采用子空间学习提取图像的判别特征,然后利用特征矢量训练SVM分类器进行模式分类。最后,由于子空间学习容易受到数据噪声的影响,使检测性能具有不稳定性,为了克服单个子空间的局限性,本文提出了基于选择性支持向量机集成的微钙化簇检测算法,该方法与传统集成方法相比,选择性集成的检测方法能有效降低分类器的规模,提高集成分类器的泛化能力。综上所述,本文利用子空间学习、支持向量机以及集成学习等机器学习领域的方法,实验结果表明,所提出的方法具有良好的实用性和鲁棒性,能够有效地检测出乳腺图像中的感兴趣区域以及其中的微钙化簇,并降低了假阳性率,为乳腺癌计算机辅助检测的研究提供了新方法。(本文来源于《西安电子科技大学》期刊2010-01-01）
张新生[10]（2009）在《基于机器学习的微钙化簇检测算法研究》一文中研究指出乳腺X线图像中的微钙化簇是早期乳腺癌的一个重要征象,这使得尽早检测微钙化簇并判断其是否有恶化倾向成为实现乳腺癌早期诊断的关键技术之一。然而,乳腺X线图像中只有3%的信息能为人眼所见,大量的信息是人眼不可辨识的,即便是经验丰富的临床医生也很难及时发现其中表征早期乳腺癌的微小钙化点,以致延误病人的最佳治疗时机。为了能够有效地检测出早期乳腺癌的隐匿性病征,更好地辅助医生发现早期乳腺癌,本文采用多分辨分析、子空间学习以及集成学习等机器学习领域最新的理论成果,针对女性的乳腺X线图像中微钙化簇增强和病灶检测问题进行了深入系统的研究,为早期乳腺癌的计算机辅助检测和诊断奠定了基础。论文取得了以下主要研究成果:(1)乳腺区域结构复杂,要在乳腺X线图像中挑选能够完全囊括复杂区域特征的具有代表性的样本很难实现。为了解决该问题,本文提出了一种基于主动学习的微钙化簇区域检测新算法。首先利用方向差分滤波器组对微钙化区域进行增强和特征提取,同时抑制高亮血管和导管等复杂区域的干扰;然后利用基于Bootstrap主动学习方法进行样本的选择以提高分类器的性能;最后在乳腺X线图像中检测钙化簇区域。实验结果表明,该算法在保证较高检出率的同时有效地降低了假阳性率。(2)为了提高微钙化簇检测器的泛化能力和运行效率,本文提出了一种基于子空间学习和双支持向量机(Twin Support Vector Machine, TWSVM)的微钙化簇检测新框架。该框架首先采用简单的伪影去除滤波器和高通滤波器来增强钙化点簇;然后将子空间学习算法嵌入到该框架中对待处理的图像块进行子空间特征提取;最后在特征子空间用TWSVM进行微钙化簇区域的检测。实验结果表明,该微钙化簇检测算法的泛化能力和处理速度得到了显着提升。(3)为了充分利用图像中的空间结构信息,本文将基于向量的双支持向量机学习算法扩展到能够处理张量数据的双支持张量机(Twin Support Tensor Machine, TWSTM),并使之成功应用到微钙化簇的检测中。实验结果表明该算法检测性能优于TWSVM,并且能很好的处理小样本问题。(4)为了将多个微钙化簇检测算法进行集成以获得比单个检测器更好的检测能力,本文设计了一种新的集成学习方法——Bracing,并将之应用到乳腺X线图像的微钙化簇检测。该算法将主动相关反馈嵌入到基学习器训练中以提升其泛化能力;并根据反馈的结果动态更新基学习器的权重。实验结果表明,Bracing算法提高了集成分类器的泛化能力,且在一定程度上避免了过拟合现象。(5)由于子空间学习算法对训练数据中的噪声较为敏感,本文设计了一种基于混合多子空间选择性集成的方法,并将其应用到乳腺的钙化点簇检测。该方法根据子空间学习算法保留分类信息的能力,有选择地对其进行集成。实验结果表明该方法提高了微钙化簇检测算法的性能和稳定性,能更好地适应噪声环境。综上,为了能够有效地检测出早期乳腺癌的隐匿性病征,更好地辅助医生发现早期乳腺癌,本文将机器学习方法在微钙化簇检测方面的应用进行了深入的研究和进一步的发展,所提出的方法能够有效地提高微钙化簇的检出率、降低假阳性率,为基于乳腺X线图像的辅助诊断系统的研究提供了新思路和新方法。(本文来源于《西安电子科技大学》期刊2009-09-01）
钙化簇检测论文开题报告
（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：
为了准确识别X线图像中的微钙化簇以进行乳腺癌的辅助诊断与早期预防,结合细粒度级联增强网络(FCE-Net)与多尺度特征融合算法(MFF),提出微钙化簇目标检测方法.首先构建FCE-Net累加卷积模块层级权重,并增强多分支结构,得到细粒度卷积特征图.然后构建MFF候选检测网络,通过二倍上采样融合多尺度特征,得到目标置信度和区域坐标.最后在感兴趣区域池化层分类目标并调整边界框.在MIAS数据集上实验表明,结合FCE-Net与MFF可以提升微小目标的深层特征提取能力,同时增强目标分类与定位的准确度.
（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。
钙化簇检测论文参考文献
[1].柳哲,范明,李远哲,厉力华.数字乳腺断层摄影中钙化簇计算机辅助检测方法[J].杭州电子科技大学学报(自然科学版).2019
[2].张新生,王哲.结合深度学习与特征多尺度融合的微钙化簇检测[J].模式识别与人工智能.2018
[3].王小东.基于先验建模的计算机辅助乳腺钙化簇检测研究[D].西北大学.2014
[4].李耀琳.计算机辅助乳腺钙化簇检测算法研究[D].西北大学.2013
[5].李耀琳,冯筠,王小东,卜起荣,陈宝莹.基于示例选择的计算机辅助乳腺钙化簇检测研究[J].计算机工程与应用.2015
[6].苏晓娟.基于SVM的乳腺图像微钙化簇检测算法的研究[D].兰州大学.2011
[7].常甜甜,刘红卫,王宇,冯筠.基于分组特征多核支持向量机的微钙化簇检测[J].系统仿真学报.2010
[8].冯筠,姜军,叶豪盛,王惠亚.基于主动支持向量机的乳腺癌微钙化簇检测[J].计算机科学.2010
[9].庸强.基于子空间学习和支持向量机的微钙化簇检测[D].西安电子科技大学.2010
[10].张新生.基于机器学习的微钙化簇检测算法研究[D].西安电子科技大学.2009