基于示例選擇的計(jì)算機(jī)輔助乳腺鈣化簇檢測(cè)研究

李耀琳，馮 筠，王小東，卜起榮，陳寶瑩

1.西北大學(xué) 信息科學(xué)與技術(shù)學(xué)院，西安 710127

2.第四軍醫(yī)大學(xué) 唐都醫(yī)院 放射診斷科，西安 710038

1 引言

乳腺癌是婦女常見(jiàn)的惡性腫瘤之一，防治的關(guān)鍵在于早期診斷和早期治療[1]，在乳腺癌的諸多影像檢查方法中，鉬靶X線檢查被公認(rèn)為最主要、最有效的檢查手段[2]。乳腺癌的主要X線征象包括結(jié)節(jié)或腫塊、毛刺和成簇鈣化等，其中鈣化簇在乳腺癌的診斷中占有特別重要的地位[3]。然而早期乳腺癌的鈣化點(diǎn)容易被誤診漏診[4]，隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，針對(duì)鉬靶X線影像的計(jì)算機(jī)輔助檢測(cè)微鈣化簇已成為研究熱點(diǎn)[5]。

傳統(tǒng)計(jì)算機(jī)輔助檢測(cè)系統(tǒng)CAD（Computer Aided Detection）大都包含以下幾個(gè)部分[6]：（1）圖像預(yù)處理，即對(duì)影像進(jìn)行去噪、增強(qiáng)和去除床板等；（2）提取感興趣區(qū)域 ROI（Region of Interest），即將疑似病灶的區(qū)域篩選出來(lái)；（3）特征提取，即提取出能夠?qū)⒄＝M織和非正常組織區(qū)分開(kāi)來(lái)的特征參數(shù)；（4）模式分類(lèi)，根據(jù)提取出來(lái)的特征，將疑似區(qū)域進(jìn)行再分類(lèi)，最終得到該區(qū)域是正常組織或是病灶的結(jié)論。其中，提取感興趣區(qū)域及分類(lèi)器的設(shè)計(jì)是眾多學(xué)者研究的熱點(diǎn)。

在感興趣區(qū)域提取方面，F(xiàn)am等人提出基于區(qū)域增長(zhǎng)的ROI提取方法，根據(jù)強(qiáng)度差異進(jìn)行區(qū)域增長(zhǎng)運(yùn)算并計(jì)算像素的強(qiáng)度梯度，判斷是否滿(mǎn)足均值和誤差標(biāo)準(zhǔn)，該算法的最大問(wèn)題是所需的許多變量需要用戶(hù)自己輸入[7]。Nakayama等利用正交二維小波分析對(duì)乳腺圖像進(jìn)行分解，得到每個(gè)像素的Hessian矩陣，通過(guò)檢測(cè)Hessian矩陣的特征值將ROI檢測(cè)出來(lái)[8]。Papadopoulos等人提出對(duì)整個(gè)乳腺區(qū)域進(jìn)行增強(qiáng)，然后和原來(lái)的圖求差圖，得到本身具有高灰度值且相對(duì)于局部背景具有高灰度值的像素點(diǎn)，從而提取ROI[9]。

在分類(lèi)器設(shè)計(jì)方面，劉敏華等人利用尺度空間濾波法得到乳腺圖像的顯著特征圖，再通過(guò)人眼視覺(jué)特性分割法得到粗檢測(cè)鈣化點(diǎn)二值圖像，并送入分類(lèi)器進(jìn)行檢測(cè)[10]。Alaylioglu等人將小波技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)加以結(jié)合，先在小波域的高頻子帶中對(duì)微鈣化進(jìn)行增強(qiáng)，然后再抽取其空間域和小波域特性，繼而利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行相應(yīng)的分類(lèi)[11]。Eila等人先用馬爾科夫隨機(jī)場(chǎng)方法去掉乳腺圖像中均勻的部分，再對(duì)剩下的區(qū)域利用支持向量機(jī)分類(lèi)[12]。Harirchi等人提出基于兩層分類(lèi)器檢測(cè)法，第一級(jí)的分類(lèi)器判定乳腺圖像是否含有微鈣化點(diǎn)，若有則通過(guò)第二級(jí)的分類(lèi)器進(jìn)行判定其嚴(yán)重程度[13]。還有許多方法提出通過(guò)集成分類(lèi)器，或者改善分類(lèi)器性能獲得良好和快速的鈣化簇檢測(cè)效果[14]。

縱觀計(jì)算機(jī)輔助診斷研究文獻(xiàn)，提取ROI的方法目前分為兩種：手工標(biāo)注和半自動(dòng)化提取[15]。手工標(biāo)注雖然能夠得到較為精確的ROI區(qū)域，但是由于需要專(zhuān)業(yè)醫(yī)生人工確定，往往需要花費(fèi)大量的時(shí)間和精力；半自動(dòng)化提取方式雖然在一定程度上緩解了手工標(biāo)注的需要，但是仍要求有醫(yī)生手動(dòng)提取的訓(xùn)練樣本作為系統(tǒng)的初始條件[16]。更為重要的是，在傳統(tǒng)乳腺鈣化簇檢測(cè)系統(tǒng)中，分類(lèi)性能的好壞主要依賴(lài)于感興趣區(qū)域的全面性、可區(qū)分性及特征集合的表征性能。在很多情況下，偽影和其他組織會(huì)被當(dāng)做病灶提取出來(lái)，造成一個(gè)樣本具有多個(gè)ROI，使得病灶區(qū)域不確定而引入更多非病灶信息，產(chǎn)生大量假陽(yáng)，造成分類(lèi)效果下降。

基于病灶顯著特征的區(qū)域分割是提高檢準(zhǔn)率，降低假陽(yáng)性率的關(guān)鍵所在。能夠最大限度地從訓(xùn)練樣本中學(xué)習(xí)特定種類(lèi)區(qū)域特征的先驗(yàn)知識(shí)，并且利用先驗(yàn)知識(shí)進(jìn)行有目的的區(qū)域分割，將是解決本問(wèn)題的一個(gè)有效途徑。多示例算法作為這樣一種學(xué)習(xí)方式，使得在乳腺鈣化簇診斷中可以忽略ROI分割步驟，這樣既可以避免自動(dòng)分割算法不精確帶來(lái)的分類(lèi)誤差，也可以很大程度上減少醫(yī)生提供訓(xùn)練樣本時(shí)手畫(huà)ROI的工作量。但是多示例學(xué)習(xí)一般需要花費(fèi)大量時(shí)間迭代尋找最優(yōu)概念點(diǎn)，因此訓(xùn)練時(shí)間比較長(zhǎng)。

為了解決上述問(wèn)題，本文通過(guò)選擇正常組織區(qū)域訓(xùn)練先驗(yàn)知識(shí)，采用紋理統(tǒng)計(jì)建模進(jìn)行區(qū)域的紋理和形狀的量化描述，以鈣化簇與正常組織的形狀和紋理差異為條件，通過(guò)與正常區(qū)域的平均模型進(jìn)行曼式距離的比較，進(jìn)行自動(dòng)尋找最大可疑病灶區(qū)域。該疑似區(qū)域面積相等且具有唯一性。通過(guò)模式識(shí)別分類(lèi)技術(shù)對(duì)可疑區(qū)域進(jìn)行檢測(cè)，在無(wú)需人工提取ROI的前提下，不僅可以保持乳腺鈣化簇檢測(cè)精度，還能夠大幅度減少運(yùn)行時(shí)間和存儲(chǔ)空間。

2 基于多示例的圖像分包

在本文中，首先提出面向乳腺鉬靶X線影像的示例打包方法。病灶圖像中至少含有一個(gè)分割區(qū)域?yàn)殁}化簇圖像包，正常圖像包中全部為正常組織區(qū)域。在進(jìn)行每幅乳腺圖像示例選擇之前，必須給出可選示例集。而在沒(méi)有人工標(biāo)定的情況下，為了不漏掉任何可疑區(qū)域，應(yīng)該選擇一種整齊排列的分割方式，以便能夠涵蓋所有可疑信息。因此，本文采用正方形分割方式對(duì)乳腺圖像進(jìn)行分塊。

2.1 乳腺鉬靶X線圖像分塊

在對(duì)乳腺鉬靶X線影像進(jìn)行預(yù)處理之后，將圖像全局分塊，塊大小為bl×bl，每個(gè)圖像為一個(gè)包，包的已知標(biāo)簽由醫(yī)生給定。每個(gè)塊為包中的一個(gè)示例（鈣化簇塊，非鈣化簇塊），示例未知標(biāo)簽。分塊方式如圖1所示。

圖1 圖像分塊

圖中，分塊大小bl的確定是影響后續(xù)特征提取與統(tǒng)計(jì)模型的關(guān)鍵，過(guò)大過(guò)小都會(huì)影響分類(lèi)結(jié)果。由于乳腺微鈣化簇的特殊性（形狀不規(guī)則，大小不一致），采用較小塊長(zhǎng)，造成圖像塊中像素?cái)?shù)量過(guò)少，且由于灰度共生矩陣是基于統(tǒng)計(jì)的紋理特征，所以塊小不能體現(xiàn)統(tǒng)計(jì)特性，同時(shí)斑點(diǎn)噪聲也較易影響圖像特征提取的質(zhì)量，最終使得準(zhǔn)確率下降。之后隨著塊長(zhǎng)增加，圖像塊中信息量增加，準(zhǔn)確率得以逐漸上升，但是增加到一定量，由于圖像塊太大，擴(kuò)入過(guò)多復(fù)雜紋理信息，分類(lèi)準(zhǔn)確率反而下降。

根據(jù)醫(yī)學(xué)放射科對(duì)乳腺X線圖像中的鈣化簇的定義，區(qū)域內(nèi)含有3個(gè)或3個(gè)以上鈣化點(diǎn)的才稱(chēng)之為鈣化簇，且鈣化簇中的兩個(gè)鈣化點(diǎn)之間的距離一般小于2 mm。根據(jù)這兩個(gè)先驗(yàn)知識(shí)，在預(yù)處理的二值化圖像上對(duì)每個(gè)檢測(cè)出來(lái)的疑似鈣化點(diǎn)進(jìn)行計(jì)算，計(jì)算其臨近的4 mm×4 mm的鄰域內(nèi)疑似鈣化點(diǎn)的數(shù)目，大于或等于3個(gè)則認(rèn)為該疑似鈣化點(diǎn)鄰域內(nèi)成簇狀分布，且在其鄰域范圍內(nèi)的疑似鈣化點(diǎn)應(yīng)給予保留。所以在進(jìn)行乳腺鉬靶X線影像分塊時(shí)，bl取值以能覆蓋小范圍鈣化簇為基準(zhǔn)。如果塊的長(zhǎng)度小于4 mm，可能無(wú)法包含3個(gè)以上的鈣化點(diǎn)，難以形成鈣化簇特性，因此，塊的長(zhǎng)度bl至少取4 mm。

由于各個(gè)X線影像分辨率的差異，塊的長(zhǎng)度表現(xiàn)在像素上會(huì)有不同。其中塊的毫米長(zhǎng)度bl與塊的像素pixel之間的轉(zhuǎn)化關(guān)系為：

其中DPI表示每英寸點(diǎn)數(shù)，反映掃描精度。另外，對(duì)于不同來(lái)源的影像，其分塊數(shù)目不同，但分塊標(biāo)準(zhǔn)仍以覆蓋最小范圍鈣化簇為基準(zhǔn)。

2.2 乳腺鉬靶X線分塊圖像打包

本文采用一幅圖像作為一個(gè)包，每個(gè)包包含對(duì)應(yīng)圖像的所有塊。換言之，每個(gè)正包和負(fù)包都應(yīng)該包含bl×bl個(gè)示例。但是因?yàn)橐环橄賵D像中，真正是乳腺部分的信息一般只占整個(gè)圖像的一半甚至更少，因此存在大量的冗余空白信息，如果把這些背景信息也算成包中的示例，一方面會(huì)影響包中信息的有效成分，另一方面會(huì)影響統(tǒng)計(jì)模型建立的真實(shí)性和正確性。必須刪除這些無(wú)用的塊。

通過(guò)提取所有塊的像素信息去刪除無(wú)用塊。在前期的圖像預(yù)處理中，已經(jīng)剔除掉可能影響圖像質(zhì)量的雜質(zhì)，以及圖像背景上的機(jī)床、拍攝儀器的陰影等，所以這些背景塊的像素值基本都保持在某一較大灰度值，而且沒(méi)有任何紋理和幾何信息，因此很容易去除?；蛘呦戎苯訉?duì)預(yù)處理后的乳腺圖像進(jìn)行區(qū)域分割，把乳腺部分分割出來(lái)，再進(jìn)行分塊，這樣的塊就只包含乳腺信息。篩選后的塊分別被選入對(duì)應(yīng)的包中，其中，正包中包含至少一個(gè)鈣化簇塊，負(fù)包中全部是非鈣化簇塊。打包方式如圖2所示。

圖2 分塊圖像打包

3 基于AAM算法的示例選擇

主動(dòng)表觀模型（Active Appearance Model，AAM）作為一種參數(shù)化的形狀和紋理表觀模型[17]，利用主成分分析對(duì)可變性目標(biāo)的形狀和紋理進(jìn)行統(tǒng)一建模[17]。AAM是近年來(lái)廣泛應(yīng)用于模式識(shí)別領(lǐng)域的一種基于特征點(diǎn)的提取方法。它不僅考慮到了局部的特征信息，而且綜合了全局性狀和紋理信息，對(duì)這些局部特征和全局紋理進(jìn)行統(tǒng)計(jì)分析，就可以建立物體的混合AAM模型。而乳腺鉬靶X線影像中鈣化簇與正常組織的區(qū)別主要表現(xiàn)在形狀和紋理特征的不同，對(duì)正常組織區(qū)域統(tǒng)一建模能夠?qū)W習(xí)非病灶區(qū)域的先驗(yàn)知識(shí)，并且無(wú)需迭代尋找最優(yōu)概念點(diǎn)，減少了運(yùn)行時(shí)間和存儲(chǔ)空間。

但是，AAM模型目前僅廣泛用于人臉定位和識(shí)別，在計(jì)算機(jī)輔助醫(yī)學(xué)圖像檢測(cè)領(lǐng)域上的應(yīng)用較少，只有張等人提出通過(guò)AAM算法對(duì)人工提取的ROI在不進(jìn)行特征提取的基礎(chǔ)上直接進(jìn)行乳腺癌檢測(cè)[18]。本文首次提出基于AAM的示例選擇算法，并用于計(jì)算機(jī)輔助乳腺鈣化簇檢測(cè)中，其流程圖如圖3所示。

圖3 基于示例選擇的計(jì)算機(jī)輔助鈣化簇檢測(cè)算法流程圖

3.1 基于AAM的紋理統(tǒng)計(jì)建模

由于正包中包含至少一個(gè)鈣化簇塊，負(fù)包中全部是非鈣化簇塊，可以確定大量的負(fù)示例，也就是非鈣化簇塊。本文抓住包的這一性質(zhì)，對(duì)大量負(fù)示例建立統(tǒng)計(jì)模型，通過(guò)AAM算法對(duì)所有負(fù)包中的負(fù)示例建立平均模型，并計(jì)算未知乳腺圖像包中每個(gè)示例到平均模型的距離。

假設(shè)訓(xùn)練樣本的所有負(fù)包中共有m個(gè)示例：

（2）計(jì)算未知包中每個(gè)示例與平均模型的偏移量：

（3）計(jì)算偏移量的協(xié)方差矩陣Ca：

（4）計(jì)算協(xié)方差矩陣Ca的特征值：，特征向量：。

（5）計(jì)算能使總貢獻(xiàn)率?t最大的前t個(gè)特征值：

3.2 基于曼式距離的示例選擇

以分塊圖像作為計(jì)算示例，在建立了大量正常組織區(qū)域的平均模型后，去衡量未知圖像塊與平均模型之間的差異性，即未知圖像包中的示例與平均模型的距離。差異性越大，距離越遠(yuǎn)；反之，距離越小。

對(duì)于各個(gè)負(fù)包來(lái)說(shuō)，與平均模型距離最近的示例可選做該包中最可能是非鈣化簇的示例，也就可以看成這幅圖像中的非鈣化簇可疑區(qū)域；同理對(duì)于各個(gè)正包來(lái)說(shuō)，與平均模型距離最遠(yuǎn)的示例可選做該包中最可能是鈣化簇的示例，也就可以看成這幅圖像中的鈣化簇可疑區(qū)域。由此可估計(jì)出每幅圖像中最接近臨床標(biāo)定結(jié)果的代表示例，達(dá)到了在人工未標(biāo)記的情況下自動(dòng)選取最大可疑區(qū)域的目的。

由于每一幅乳腺鉬靶X線影像患病情況都是未知的，雖然并不確定代表示例的正負(fù)性，但是計(jì)算機(jī)輔助檢測(cè)的目標(biāo)是找出有鈣化簇的圖像，所以本文的目標(biāo)是找出每幅乳腺圖像中的疑似鈣化簇示例，避免漏診。因此，只要對(duì)所有未知圖像的示例與平均模型進(jìn)行距離計(jì)算，其中距離最大的示例就最可能是鈣化簇疑似區(qū)域。

假設(shè)對(duì)應(yīng)包中共有n個(gè)示例，l為距離平均模型最大的示例在其對(duì)應(yīng)包中的編號(hào)，Dl代表n個(gè)示例中與平均模型最遠(yuǎn)的距離。其算法流程如下。

（1）計(jì)算未知包中每個(gè)示例到平均模型的曼式距離：

（2）計(jì)算未知包中與平均模型距離最大的示例：

3.3 基于紋理和灰度的示例特征選擇

在選出乳腺鉬靶X線影像的疑似區(qū)域后，就轉(zhuǎn)化到傳統(tǒng)的模式識(shí)別分類(lèi)上。雖然還要進(jìn)行特征提取這一步，但是與傳統(tǒng)多示例算法相比，已經(jīng)極大程度上減少了感興趣區(qū)域提取和特征提取的運(yùn)算。因?yàn)槎嗍纠M(jìn)行運(yùn)算時(shí)，需要提前提取所有示例的特征去尋找最大概念點(diǎn)，并且在運(yùn)算時(shí)多維特征的存儲(chǔ)和計(jì)算都會(huì)提高空間和時(shí)間的復(fù)雜度。而本文提出的算法在進(jìn)行特征提取時(shí)只針對(duì)一個(gè)包中的一個(gè)示例，減少了不必要的運(yùn)算，從另一方面減少了運(yùn)行時(shí)間和存儲(chǔ)空間。

根據(jù)乳腺鉬靶X線影像的紋理和灰度表現(xiàn)形式，對(duì)提取的最疑似區(qū)域進(jìn)行了主要特征的提取，如表1所示。

表1 乳腺圖像提取的特征

訓(xùn)練樣本的特征向量，經(jīng)過(guò)傳統(tǒng)分類(lèi)器的學(xué)習(xí)，建立有效的先驗(yàn)知識(shí)分類(lèi)器。接著，用此分類(lèi)器進(jìn)行可疑病灶區(qū)域的分類(lèi)，即為每幅乳腺圖像的鈣化簇檢測(cè)結(jié)果。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

從南佛羅里達(dá)州立大學(xué)提供的DDSM數(shù)據(jù)庫(kù)獲得740幅乳腺圖像（http：//marthon.csee.usf.edu/Mammography/Database.html），其中病灶圖像380幅，正常圖像360幅。選擇訓(xùn)練樣本300幅，包括病灶圖像150幅，正常圖像150幅，進(jìn)行建模的負(fù)示例全部來(lái)自訓(xùn)練樣本中的病灶圖像。測(cè)試樣本為440幅，全部通過(guò)本文算法自動(dòng)提取可疑病灶區(qū)域。同時(shí)對(duì)西安市唐都醫(yī)院的乳腺鉬靶X線影像進(jìn)行測(cè)試。數(shù)據(jù)實(shí)驗(yàn)采用五重交叉檢驗(yàn)。

由于DDSM圖像大小和亮度都不統(tǒng)一，先對(duì)其進(jìn)行歸一化。歸一化后的圖像大小均為3 000像素×1 500像素，亮度為0～4 096的灰度值，如圖4所示。

圖4 原始圖像（DDSM）

對(duì)上述歸一化圖像進(jìn)行10×5的分塊，每塊大小為300像素×300像素，并把每幅圖像的可用分塊圖像作為一個(gè)示例包，圖5給出兩幅圖像分塊后的示例。

圖5 分塊圖像（DDSM）

同理，對(duì)唐都醫(yī)院的乳腺圖像進(jìn)行歸一化，并進(jìn)行圖像分塊，每塊大小為256像素×256像素。

4.2 實(shí)驗(yàn)結(jié)果

對(duì)DDSM訓(xùn)練集中所有負(fù)包中的示例分別進(jìn)行空域和頻域紋理統(tǒng)計(jì)建模，可以發(fā)現(xiàn)空域下的平均模型表現(xiàn)為普通圖像形式，而頻域下的表現(xiàn)為頻譜圖形式，其平均模型如圖6所示。

圖6 負(fù)包平均模型（DDSM）

測(cè)試集中各個(gè)包的示例與平均模型進(jìn)行距離計(jì)算，取最大距離得到代表示例，把選擇的代表示例看做可疑病灶區(qū)域，某個(gè)包選擇的示例如圖7所示。

圖7 選擇的代表示例（DDSM）

對(duì)唐都醫(yī)院訓(xùn)練集進(jìn)行紋理建模，其空域平均模型和頻域平均模型如圖8所示。

圖8 負(fù)包平均模型（唐都醫(yī)院）

測(cè)試集中某個(gè)包選擇的代表示例如圖9所示。

圖9 選擇的代表示例（唐都醫(yī)院）

本文首先比較了基于空域紋理模型和基于頻域紋理模型提取可疑區(qū)域的檢測(cè)性能。使用KNN（k-Nearest Neighbor）分類(lèi)器分類(lèi)，其近鄰數(shù)k取1到15，DDSM數(shù)據(jù)和唐都醫(yī)院數(shù)據(jù)的檢測(cè)結(jié)果分別如圖10和圖11所示。

為了客觀地評(píng)價(jià)本文提出的算法和傳統(tǒng)多示例DD算法（Diverse Density algorithm）、人工標(biāo)注ROI的強(qiáng)分類(lèi)檢測(cè)算法的優(yōu)劣，進(jìn)一步進(jìn)行了性能測(cè)試。人工標(biāo)記的ROI區(qū)域和本文提出的空域及頻域示例均使用SVM（Support Vector Machine）分類(lèi)器進(jìn)行分類(lèi)，其懲罰因子C=100，通過(guò)反復(fù)實(shí)驗(yàn)選用徑向基核函數(shù)。表2顯示了4種算法在DDSM數(shù)據(jù)上的性能比較。

4.3 實(shí)驗(yàn)結(jié)果比較及分析

圖10 KNN檢測(cè)結(jié)果（DDSM）

圖11 KNN檢測(cè)結(jié)果（唐都醫(yī)院）

表2 性能測(cè)試結(jié)果

從表2中，可以發(fā)現(xiàn)空域紋理建模比頻域的性能高，它們的訓(xùn)練時(shí)間接近，但是空域下的檢測(cè)正確率高于頻域，真陽(yáng)性率也高于頻域，并且假陽(yáng)性率明顯低于頻域；頻域下的檢測(cè)性能雖然在時(shí)間方面快于DD算法，但真陽(yáng)性率沒(méi)有DD算法高；空域下的檢測(cè)能力比DD算法強(qiáng)，不僅在檢測(cè)正確率上高出10個(gè)多百分點(diǎn)，真陽(yáng)性率也略高于DD算法，而假陽(yáng)性率明顯低于DD算法，并且訓(xùn)練時(shí)間要短很多。而在有人工標(biāo)注的情況下使用SVM進(jìn)行檢測(cè)，其檢測(cè)性能與使用空域紋理建模持平，雖然其真陽(yáng)性率稍高于空域，但是其人工標(biāo)注的時(shí)間卻是巨大的。因此，通過(guò)本文提出的基于空域紋理建模的示例選擇方法，進(jìn)行自動(dòng)化提取可疑病灶區(qū)域是可靠的，并且能降低訓(xùn)練時(shí)間。

圖10和圖11也給出了空域和紋理建模兩種算法的檢測(cè)結(jié)果，無(wú)論是DDSM數(shù)據(jù)還是唐都醫(yī)院的臨床數(shù)據(jù)，都顯示基于空域紋理建模比頻域紋理建模的正確率高，并且真陽(yáng)性高，假陽(yáng)性低，說(shuō)明空域紋理建模下的示例選擇更勝一籌。

5 結(jié)束語(yǔ)

本文首次使用AAM算法解決了計(jì)算機(jī)輔助乳腺鈣化簇檢測(cè)中的人工標(biāo)注ROI問(wèn)題，通過(guò)建立正常區(qū)域平均模型進(jìn)行病灶示例的選擇。實(shí)驗(yàn)表明紋理統(tǒng)計(jì)建模對(duì)于解決人工提取ROI有一定幫助，達(dá)到在沒(méi)有人工標(biāo)注感興趣區(qū)域的情況下，自動(dòng)提取一個(gè)可疑病灶區(qū)域，也能有較高的鈣化簇檢測(cè)率，同時(shí)在一定程度上降低了時(shí)間和空間復(fù)雜度。

[1]Nielsen M，Karemore G，Loog M，et al.A novel and automatic mammographic texture resemblance marker is an independent risk factor for breast cancer[J].Cancer Epidemiology，2011，35：381-387.

[2]Dubey R B，Hanmandlu M，Gupta S K.A comparison of two methods for the segmentation of masses in the digital mammograms[J].Computerized Medical Imaging and Graphics，2010，34：185-191.

[3]Strickland R N，Hahn H.Wavelet transforms for detecting microcalcifications in mammograms[J].Medical Imaging，1996，15（2）：218-229.

[4]Verma B，McLeod P，Klevansky A.Classifition of benign and malignant patterns in digital mammograms for the diagnosis of breast cancer[J].Expert Systems with Applications，2010，37：3344-3351.

[5]常甜甜，劉紅衛(wèi)，王宇，等.基于分組特征多核支持向量機(jī)的微鈣化簇檢測(cè)[J].系統(tǒng)仿真學(xué)報(bào)，2010，22（5）：1159-1161.

[6]付強(qiáng)，馮筠，王惠亞.基于動(dòng)態(tài)特征子集選擇和EM-Bayesian集成算法的乳腺癌輔助檢測(cè)[C]//全國(guó)模式識(shí)別會(huì)議，2009：88-92.

[7]Fam B W，Olson S L，Winter P F，et al.Algorithm for the detection of fine clustered calcifications on film mammograms[J].Radiology，1988，169：333-337.

[8]Nakayama R，Uchiyama Y，Yamamoto K，et al.Computeraided diagnosis scheme using a filter bank for detection of microcalcificationclustersinmammograms[J].IEEE Transactions on Biomedical Engineering，2006，53（2）：273-283.

[9]Papadopoulos A，F(xiàn)otiadis D I，Likas A.An automatic microcalcification detection system based on hybrid neural network classifier[J].Artificial Intelligence in Medicine，2002，25（2）：149-167.

[10]劉敏華.基于尺度空間濾波的乳腺X線圖像微鈣化點(diǎn)檢測(cè)及輔助診斷技術(shù)研究[D].秦皇島：燕山大學(xué)，2010.

[11]Tsai Nan-Chyuan，Chen Hongwei，Hsu Sheng-Liang.Computer-aided diagnosis for early-stage breast cancer by using wavelet transform[J].Computerized Medical Imaging and Graphics，2011，35（1）：1-8.

[12]Eddaoudi F，Regragui F，Mahmoudi A，et al.Masses detection using SVM classifier based on textures analysis[J].Applied Mathematical Sciences，2011，5（8）：367-379.

[13]Harirchi F，Radparvar P，Moghaddam H A，et al.Two-level Algorithm for MCs detection in mammograms using diverse-adaboost-SVM[J].Pattern Recognition，2010，75：269-272.

[14]Ramirez-Villegas J F，Ramirez-Moreno D F.Wavelet packet energy，Tsallis entropy and statistical parameterization for support vector-based and neural-based classification of mammographic regions[J].Neurocomputing，2012，77（1）：82-100.

[15]李樹(shù)楠，萬(wàn)柏坤，馬振鶴，等.基于小波變換的乳腺X線影像微鈣化點(diǎn)感興趣區(qū)域提取新技術(shù)[J].生物醫(yī)學(xué)工程學(xué)雜志，2005，22（2）：360-362.

[16]Jo Eun-Byeol，Lee Ju-Hwan，Park Jun-Young，et al.Detection of breast cancer based on texture analysis from digital mammograms[J].Advances in Intelligent Systems and Computing，2013，194：893-900.

[17]Cootes T F，Edwards G J，Taylor C J.Active appearance models[J].IEEE Trans on Pattern Analysis and Machine Intelligence，2001，23（6）：681-685.

[18]張欣.基于統(tǒng)計(jì)模型的乳腺癌微鈣化點(diǎn)病灶輔助檢測(cè)研究[D].西安：西北大學(xué)，2010.

[19]Fu Zhouyu，Robles-Kelly A，Zhou Jun.MILIS：Multiple Instance Learning with Instance Selection[J].Pattern Analysis and Machine Intelligence，2011，33（5）：958-962.