基于稀疏表示的乳腺图像病变区域检测-信号与信息处理专业论文.docx

万方数据 万方数据 西安电子科技大学 学位论文独创性（或创新性）声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说 明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切的法律责任。 本人签名： 日期 西安电子科技大学 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保 留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内 容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后 结合学位论文研究课题再攥写的文章一律署名单位为西安电子科技大学。 （保密的论文在解密后遵守此规定） 本学位论文属于保密，在 年解密后适用本授权书。 本人签名： 日期 导师签名： 日期 摘 摘 要 万方数据 万方数据 摘 要 近年来，乳腺癌的发病率越来越高，严重危害着女性的身心健康。计算机辅 助检测系统能够辅助医生，提高病变区域检出率，从而降低乳腺癌患者的死亡率。 肿块是乳腺癌的主要病症之一，其有效检测是计算机辅助诊断中非常重要的步骤。 为此，通过学习肿块的病理特征，综合机器学习方法进行肿块检测，为医生标记 出图像中的可疑区域，就能够在减轻医生压力的同时辅助医生更好的进行诊断。 本文以灰度、LBP 特征以及稀疏表示理论为基础，深入研究了乳腺图像中疑 似病变区域的检测方法。主要工作概括如下： 首先，提出了 Pyramid-PCA 灰度特征。针对肿块区域中心密度大，向边缘处 密度逐渐减小的特点，设计了塔型特征表征表示方法，并对每层灰度特征进行不 同维数的降维；由于 Pyramid-PCA 灰度特征的降维过程，损失了对原图描述的部 分信息，因此提出多尺度 LBP 特征，提取不同尺度下的 LBP 算子并进行融合，有 效描述了图像的全部信息，减少了原图信息的损失。 其次，为精确标记肿块区域，提出了滑动窗融合算法。大大减少了第一次检 测结果中的假阳性率，同时获得了疑似区域的大致方位，然后结合区域生长算法， 将疑似区域更精确地提取出来，使得二次稀疏表示的检测结果更准确。 最后，提出了二次稀疏表示的检测算法。通过二次稀疏表示进行病变区域检 测，降低了第一次稀疏表示检测中的假阳性率，通过二次稀疏将不同的特征进行 交叉检测，有效地降低了检测结果的假阳性率，同时能够更精确地标记出疑似肿 块区域。 实验结果表明，本文提出的基于稀疏表示的病变区域检测算法，能够更好地 描述肿块区域的特性，在有效降低假阳性率的同时，保持较好的检测性能。 关键词：乳腺图像 Pyramid-PCA 灰度特征 多尺度 LBP 特征 二次稀疏表示 Abst Abstract Abst Abstract 万方数据 万方数据 万方数据 万方数据 Abstract Recently, the incidence of breast cancer is growing continuously, which seriously threaten women’s health. The breast cancer CAD(Computer Aided Detection, CAD) system can assist doctors in improving the detection rate of lesion and reducing the mortality. Mass is one of the main symptoms of breast cancer, and its effectively detection is very important in CAD. Therefore, doctors could diagnose more comfortable and exactly with labeled suspicious regions by learning the pathologic features of mass and intergrating machine learning approch. Based on the grayscale, Local Binary Pattern and sparse representation theory, this paper in-depth study