乳腺肿瘤超声图像特征提取技术的研究

《乳腺肿瘤超声图像特征提取技术的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：密级：？论文编号：学号：５１３０７２６０１１８當庆理王大学硕全学化论义乳腺肿瘤超声图像特征提取技术的研究研究生：刘磊指导教师：杨如民教授学位类型：专业学位专业学术类别：工程硕壬（仪器仪表工程领域）研究方向：智能信怠获取与处理培养单位：电子信息与自动化学院论文完成时间：２０１６年３月２４日论文答辩日期：２０１６年５月＾日．CategoryNumber：LevelofSecrecy：SerialNumber：StudentNumber：51307260118Master'sDissertationofC

2、hongqingUniversityofTechnologyResearchonFeatureExtractionofBreastTumorUltrasoundImagesPostgraduate：LiuLeiSupervisor:ProfessorYangRuminDegreeCategory：ProfessionalDegreeSpecialty:MasterofEngineering（InstrumentandMeterEngineering）ResearchDirection:IntelligentInformationAcquiringandProces

3、singTrainingUnit:InstituteofElectronicInformationandAutomationThesisDeadline:March24,2016OralDefenseDate:May27,2016重庆理工大学学位论文原创性声明本人郑重声明：所呈交的学位论文是本人在导师的指导下，独立进行研巧所取得的成果。除文中特别加标注引用的内容外，本论文不包含任何其他个人或集体己经发表、。或撰写的成果作品对本文的研究做出重要贡献的集体和个人，均己在文中Ｗ明确方式标明。本人承担本声明的法律后果。：作者签名句壽日期：端年

4、／月Ｊ日学位论文使用授权声明本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部口或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权重庆工学院可Ｗ将本学位论文的全部或部分内容编入有关数据库进行检索，可ｔｕ采用影印、■缩印或扫描等复制手段保存和汇编本学位论文。＂＂本学位论文属于（请在Ｗ下相应方框内打ａＩ）：１□，在．保密年解密后适用本授权书。＿／２．不保密囚＾作者签名；句磊曰期：確年《月３曰导师签名：曰期：（年（月曰＾摘要摘要乳腺肿瘤是当今社会中女性的一种常见、多发疾病，早发现

5、、早诊断、早治疗是乳腺肿瘤疾病的防治原则。超声影像技术凭借其适应面广、价格低廉、无辐射、快捷及无创等特点，逐渐成为乳腺肿瘤早期筛查的重要工具。本文针对乳腺肿瘤超声图像，提出了一种准确、快速的自动分割算法，并从分割后的图像中提取可疑病变区的形态特征和纹理特征，进而为后期乳腺肿瘤的良恶性判别奠定基础，为乳腺肿瘤的临床诊断提供参考意见，提高诊断效率、降低误诊率和漏诊率。本文主要研究内容包含以下三部分：超声图像预处理、乳腺超声图像肿瘤边界的分割以及乳腺肿瘤超声图像的特征提取。在超声图像预处理部分，实验对比、分析了一些常用滤波模型在超声图像处理方面的降噪效果，并选择了在滤除

6、噪声的同时，能保持图像边缘细节信息的各向异性扩散模型用于滤除乳腺超声图像中的斑点噪声。在乳腺超声图像肿瘤边界分割部分，首先提出了一种基于图割理论和基于距离正则化的水平集（DistanceRegularizedLevelSetEvolution,DRLSE）模型相结合的半自动分割算法，解决了DRLSE模型迭代次数较多、演化速度较慢、容易陷入局部极小值和图割模型不能分割凹形区域的缺陷。接着，提出了一种基于Otsu阈值和改进CV模型的乳腺超声肿瘤自动分割算法，利用Otsu阈值分割算法对图像进行粗分割，结合形态学滤波、孔洞填充等后续处理自动获取肿瘤边界的大致轮廓；将粗分割

7、的结果作为初始轮廓，并采用改进的CV模型对其进行演化，得到最终的分割结果。在乳腺肿瘤特征提取部分，结合临床诊断中常用的参数以及乳腺影像报告数据系统（BI-RADS）描述肿块的7个方面，提取了基于灰度共生矩阵和基于Tamura纹理的11个纹理特征和圆形度、纵横比、紧密度、平均方向数等7维形态特征。为了更好地找出类间区分能力较强的特征，本文引入了类间距的概念，并根据良恶性肿瘤特征间的类间距，挑选出具有最优分类能力的特征组合，为后续的肿瘤分类做准备。关键词：乳腺肿瘤，超声图像，图像分割，自动分割，特征提取IABSTRACTABSTRACTBreastcancerison

8、eofth