一、计算机在乳腺X线图像处理系统中的应用与研究（论文文献综述）
陈智丽,高皓,潘以轩,邢风[1]（2022）在《乳腺X线图像计算机辅助诊断技术综述》文中研究表明近年来,乳腺癌严重威胁全球女性的身体健康,乳腺X线摄影是乳腺癌筛查的有效影像检查手段。乳腺X线图像计算机辅助诊断（computer aided diagnosis,CAD）运用计算机视觉、图像处理、机器学习等人工智能先进技术,自动分析处理乳腺X线图像,可为医生在临床中提供重要的诊断参考。主要面向肿块和微钙化病变检测、分割和分类等问题,从传统方法和深度学习方法两个角度,综述乳腺X线图像计算机辅助诊断技术的发展现状。鉴于近年来深度学习方法取得的突破性成果,回顾了经典的深度学习网络模型,着重介绍了深度学习方法在乳腺X线图像分析中的最新应用,对比分析了传统方法的弊端和深度学习方法的优势。对现有技术存在的问题进行分析,并对未来发展方向进行展望。
魏静[2]（2021）在《基于激光图像处理技术的微小乳腺肿瘤精准诊断》文中研究指明乳腺X线图像是乳腺肿瘤早期筛查诊断的主要方式,以提升微小乳腺肿瘤诊断精度为目的,为此研究了基于激光图像处理技术的微小乳腺肿瘤精准诊断方法。对初始乳腺X线图像进行图像预处理,提取乳腺组织;利用脉冲耦合神经网络对乳腺组织图像进行图像增强处理,提升图像亮度、突出纹理细节;对增强处理后的图像进行区域分割,通过多阈值方法为各微小乳腺肿瘤区域确定一个最优阈值,以此划分出乳腺肿瘤区域;利用归一化自相关系数计算乳腺肿瘤区域像素间相关性,确定乳腺肿瘤区域的纹理特征,根据微小乳腺肿瘤生长区域面积和边界周长确定乳腺肿瘤区域几何特征,根据纹理特征与几何特征诊断微小乳腺肿瘤性质。实验结果显示该方法对乳腺X线图像处理效果较好,诊断精度达到93.14%。
吕冰垚[3]（2021）在《乳腺肿瘤自动分类关键技术研究》文中进行了进一步梳理世界卫生组织的报告指出,乳腺癌是导致女性死亡的主要原因之一。在过去的几十年里,全球女性的乳腺癌发病率在不停地上升,只有及时地进行乳腺癌筛查,在早期有效地检测和诊断乳腺癌才能够降低乳腺癌的死亡率。乳腺癌是一种复杂的异质性疾病,其临床表现多种多样,乳腺超声、磁共振成像、CT和X线摄影检查是目前常用的乳腺检查方式。乳腺X线摄影检查是女性乳腺癌早期诊断的首选方法,具有操作简单和成本低等优点,在全世界各地得到了广泛地应用。随之而来的就是需要进行筛查的乳腺X射线图像的数量非常庞大,给医生带来了繁重的工作量。基于乳腺X线图像的计算机辅助诊断（Computer-Aided Diagnosis,CAD）系统借助各种图像处理方法对乳腺X线图像进行分析,不仅能够为医生临床判诊提供意见,减轻医生工作量,还能够提高乳腺癌早期诊断的准确率。肿块和钙化点是乳腺X线图像中最常见的异常,是乳腺CAD系统的主要识别对象,在乳腺癌患者中有近八成以上是以乳腺肿块为首诊,因此本文的研究对象为乳腺X线肿块图像。肿块分割、肿块区域特征提取、肿块良恶性分类是乳腺肿块CAD系统的主要组成部分,本文主要针对这三个主要部分中的重点和难点问题展开研究,以提高计算机辅助诊断的准确性和效率为目标,建立完整的乳腺肿块计算机辅助诊断框架。本文的主要研究成果和结论如下:（1）设计了基于PSO和GA混合优化的FCM算法。在经典的FCM算法中,具有随机性的初始聚类中心设定会影响图像的分割效果。针对此问题,本文提出了PSO和GA混合优化FCM的分割算法。PSO算法的“记忆”功能可以保留上一代中的最优解,GA中交叉变异等操作可以产生高质量的优化解,将二者相结合不仅解决了GA-FCM和PSO-FCM中的早熟的问题,还提高了算法稳定性。对DDSM数据库中的乳腺X线肿块图像的分割结果表明,本文分割算法的(1和(1两个有效性评价指标优于GA-FCM、PSO-FCM、FCM、PCNN和K-means等五种分割方法,可以更好地分割出乳腺肿块区域。（2）提取了乳腺肿块区域的多尺度融合特征。乳腺肿块区域的特征提取是乳腺肿块CAD系统中的关键环节,本文提取了乳腺肿块区域的几何特征、灰度特征和纹理特征共16个特征值,对CBIS-DDSM数据库中的乳腺X线肿块图像提取特征值的分析表明:本文所提取特征值具有明显的区分性。针对单一尺度下的图像特征仍然具有局限性的问题,基于高斯金字塔提取了乳腺肿块区域的16×4维度的多尺度特征,并使用PCA算法降低特征维度,得到的多尺度融合特征能提取肿块区域更深层次结构上的特征信息,可以提高分类效果和CAD系统的性能。（3）在经典SVM的基础上,设计了基于PSO参数优化的SVM分类器。针对在乳腺肿块良恶性分类任务中的非线性可分情况,选取RBF函数为核函数,将原始空间中的特征向量映射到高维空间中,在减少运算量的同时又找到了实现线性可分的最优分类超平面。使用PSO算法优化经典SVM中的惩罚参数C和RBF核函数中的参数。使用CBIS-DDSM数据库中的乳腺肿块图像进行了良恶性分类实验,本文设计的分类器的准确率为92.85%,ROC曲线下面积值Az达到了0.9269。分类准确率高于经典SVM分类器和其他分类方法,证明了本文提取的多尺度融合特征的有效性以及本文设计的分类器性能的优越性,二者能够在乳腺肿块CAD系统中发挥巨大的作用。
余慧[4]（2021）在《基于卷积神经网络的乳腺肿块检测算法研究》文中提出乳腺癌目前已经成为全球第一大癌症,早筛是降低乳腺癌死亡率的重要手段。目前卷积神经网络已经成为目标检测领域的主流研究方法,并且已经应用到了医学影像检测领域。然而现有的目标检测算法大多都是对随机大小的自然目标进行检测,其尺寸与乳腺X线影像中乳腺肿块的尺寸差异较大,若直接将算法用于检测乳腺肿块,容易发生错检、漏检的现象,最终的检测精度也不理想。为了提高乳腺肿块的检测精度,本文在研究Mask R-CNN的基础上,改进了特征提取部分的特征融合方式及RPN部分anchor的大小,并修改了候选框筛选算法,提出了一种适用于检测乳腺肿块的目标检测算法D-Mask R-CNN,其主要内容如下:（1）在使用CNN提取乳腺X线图像所含特征的过程中,用于生成候选框的预测特征层仅从某一特征层上难以获取到目标精确检测与定位所需的特征信息。原Mask R-CNN中使用FPN用于特征融合,成功的将不同特征层所包含的特征信息融合到各个预测特征层中,但其对于低层特征的利用率依然很低。针对这个问题,本文改进FPN内部结构,参考Dense Net网络中的Dense block结构,使用密集连接的特征融合方式代替原FPN中的横向连接方式,在减少冗余信息产生的同时还加强了特征的传播与低层特征的利用率,进而提高了目标检测与定位的精度。（2）考虑到数据集预处理后,乳腺X线影像的尺寸以及影像中乳腺肿块的尺寸,本文重新设计了用来检测自然目标的Mask R-CNN中RPN部分的anchor尺寸,将原RPN部分的anchor大小修改为（82,162,322,642,1282）,从而提高肿块的定位精度。其次,RPN部分生成的候选框数量非常庞大,其中含有大量重合度较高的候选框。原Mask R-CNN使用NMS去除冗余的候选框,但考虑到部分乳腺影像一幅图像内包含多个距离较近的肿块时,该算法可能会错误的去除正确的预测结果。针对这个问题,本文使用Soft-NMS替代原模型中的NMS,减少因使用NMS可能导致乳腺肿块漏检的可能性。本文将CBIS-DDSM数据集中的乳腺肿块图像预处理并标注之后进行所有实验的训练与测试。实验结果表明,改进后的算法D-Mask R-CNN在测试样本上对乳腺肿块检测的m AP值达到0.66,相较于原Mask R-CNN提高了0.05。证明了本文提出的D-Mask R-CNN方法具有较好的检测精度,相较于原Mask R-CNN更有利于检测乳腺肿块。
于航舶[5]（2021）在《基于卷积神经网络的乳腺X线影像辅助诊疗系统的设计与实现》文中研究指明近年来,乳腺疾病发病率逐年升高,而乳腺钼靶X线检测是其有效的检测手段。随着医学影像在病灶检测与图像处理技术方面的发展。基于图像处理算法构建辅助诊疗系统对于医疗影像中病灶的识别具有重要的意义,同时系统提供的远程访问能力可以使具备优秀医疗资源的医院为患者提供远程问诊服务,从而缓解医疗资源区域发展不平衡的问题。本文的主要研究目标为构建基于卷积神经网络的乳腺X线影像辅助诊疗系统,主要研究内容包括图像处理服务和网站服务的建立。图像处理服务主要目的是将乳腺X线影像原图通过训练好的模型得到相应的标注后图像与网站服务进行数据交互。目前国内外对乳腺X线影像处理的研究中对小样本数据集的扩大样本部分的预处理工作相对较少,本文在现有研究的基础上,首先使用翻转图像、调整图像对比度、调整图像亮度等方式扩大MIAS乳腺X线影像公开数据集的数据样本,并将数据集随机以9比1的比例分为训练集与测试集从而实现图像预处理,然后使用基于卷积神经网络的Faster R-CNN算法构建乳腺病灶的目标检测模型,使用测试集进行验证后得到平均准确率为0.9098,能够与网站服务进行集成并使用。网站服务基于SpringBoot框架体系相关技术构建,同时按照软件工程的规范,本文对系统的需求分析过程、设计过程、实现过程与测试过程最终构建了一种具备较齐全的功能且易于使用的辅助诊疗系统,能够使患者进行预约诊疗,辅助影像科医生进行影像诊断,帮助临床医生给出诊疗方案,具备一定的实践意义和应用前景。
陈良勇[6]（2021）在《基于多尺度对抗学习的乳腺钼靶肿块图像分割方法研究》文中认为乳腺癌是全球范围内的常见恶性肿瘤疾病,它严重威胁着女性群体的生命健康安全。流行病学统计表明乳腺癌发病率仍然处于连年上升的态势,同时发病年龄也呈现年轻化趋势。现代临床医学对于乳腺癌中晚期患者的救治效果不容乐观,早发现早干预,在病情早期及时采取治疗手段是当前最科学有效的办法。作为全球公认的最可靠的无创性乳腺检查手段之一,乳腺钼靶X线摄影术具有成像清晰,灵敏度高的特点,能够准确检测出传统触诊方法难以发现的微小病灶和隐蔽性病灶。目前,钼靶X线影像主要依靠放射科医师分析诊断,阅片效率较低,易受主观因素影响。并且,乳腺腺体结构复杂,乳腺肿块大小不一,形状各异,纹理多变,阅片过程中会极大地消耗医生的精力,从而影响诊断结果的准确性。随着大数据时代的到来,医疗影像的获得成本迅速降低,计算机辅助诊断（Computer-Aided Diagnosis,CAD）系统得到了快速发展。乳腺肿块图像分割从复杂多变的医疗图像中快速精准地提取出肿块区域,大大减轻了医生的阅片负担,为乳腺病变的良恶性判断提供重要参考依据。传统的乳腺肿块分割技术主要利用手工设计特征来标记肿块的边界,这种方法局限于手工特征的表达能力,难以检测出复杂边缘。卷积神经网络的强大特征提取能力,能够令其很好地突破传统技术的瓶颈。但是,像素独立分类的方式使得卷积神经网络无法维持图像的高阶一致性,妨碍了分割精度的进一步提升。针对上述存在的问题,本文将对抗学习的思想引入到乳腺肿块图像分割,设计并实现了一种基于多尺度对抗学习的乳腺肿块分割方法。它的网络模型由分割网络和判别网络两部分组成,其中分割网络负责从原始输入图像中划分出肿块区域,判别网络则是根据划分结果给出评分,从而达到更好地优化分割结果的目的。本文主要的研究内容如下:（1）概述了乳腺肿块分割技术的现实意义,研究现状以及近年来的发展趋势,并分别讨论了传统图像分割技术和基于深度学习的图像分割的优缺点。（2）介绍了卷积神经网络和生成对抗网络的基本理论知识。（3）详细阐述了基于多尺度对抗学习的乳腺肿块分割方法。针对传统FCNs系列分割网络无法有效捕获长距离依赖的问题,提出在图像分割中引入对抗训练,设计了一种基于对抗学习的语义分割模型;乳腺肿块形状大小各异,本文通过在判别网络设计多个判别器的方法引入多尺度信息;利用真实标签中正负例像素的频度,设计了一种加权交叉熵损失函数,并采用EM距离度量拉近分割掩码与真实标签的数据分布,引导分割网络产生更加逼真的分割结果。（4）在INbreast和CBIS-DDSM两个公开乳腺钼靶筛查数据集上设计实验,对比验证了本文所提方法的有效性。
崔延华[7]（2020）在《基于多模态特征融合的乳腺X线图像肿物良恶性预测》文中研究指明女性的生命健康严重受到乳腺高发恶性病变的威胁,尽早的发现与治疗将有效提升乳腺癌患者的生存率。乳腺X线摄影（Mammography）作为临床上进行良恶性病变筛查的首选方法。在常规乳腺癌诊断过程中,能否精确识别和诊断乳腺肿物的良恶性至关重要。肿物阴影是一种乳腺癌的常见征兆。良恶性肿物在其形态、边缘以及纹理等方面的差异已成为影像医师进行主观评估的重要依据。然而主观评估的方法严重依赖操作者的经验,加上医学影像病变误诊带来的影响,临床影像的诊断亟需一种自动诊断的方法。这在辅助医师进行乳腺肿物诊断方面意义重大。随着人工智能技术正积极投入医学领域,乳腺肿物辅助诊断已经成为研究热点。尽管人工智能技术具有众多优势并取得了长足发展,但乳腺肿物良恶性预测算法在多中心、标准化和可靠性等方面需要进一步完善。本文从基于手动设计特征的分析到深度特征的分析,并将手动设计特征、深层特征融合临床参数以改善乳腺X线图像肿物良恶性预测表现。论文的主要工作总结如下:首先,基于传统影像组学方法,本文进行乳腺X线图像肿物良恶性预测。肿物影像特征复杂多变,通过高通量的提取不同类型的差异性特征,将增加乳腺肿物良恶性之间纹理特征的可分性。本文基于手动设计的特征,训练分类器以进行判别分析。实验表明,通过支持向量机（Support Vector Machine,SVM）分类器有效证明了纹理特征具有预测肿物类别的能力。然后,考虑到传统影像组学特征的分析结果还有待进一步提高,而深度网络在图像诊断领域的优势明显,因此提出了一种深度融合网络算法预测乳腺肿物良恶性。基于ImageNet预训练网络,引入多级融合结构,构建VGG16与Inception V3深度模型融合网络,探索从乳腺X线摄影提取深度纹理特征用于预测乳腺病变良恶性的可行性和准确性。实验表明融合模型的准确性要高于其它基础网络。最终,通过从浅层纹理的分析到深度学习的分析,结合临床参数,提出多模态特征融合的乳腺X线图像肿物良恶性预测算法。将训练的深度模型作为特征提取器提取深层特征,融合手动设计特征和临床特征,增加分类特征的多样性。此外,借鉴堆栈泛化的思想,三类特征分别学习SVM分类模型,其输出结果采取逻辑回归进行加权融合,以进行判别分类。最终,显着提升了乳腺肿物预测算法的预测性能。在上述理论方法创新的基础上,本文设计了乳腺X线图像肿物良恶性预测系统。整个系统主要实现了乳腺X线图像的处理（包括图像浏览、格式类型转换、图像增强、放大缩小、测量等多种功能）、乳腺癌的辅助决策以及信息的提取与数据保存。此外,还包括所提出算法预测精度的比较。最终,达到了实际应用的要求。
蔡盛[8]（2020）在《针对乳腺X线图像的乳腺癌症检测方法》文中进行了进一步梳理乳腺癌具有发病率高、死亡率高的特点,已成为威胁妇女健康和生命的主要疾病。乳腺癌的早期筛查和早期诊断是挽救患者生命最有效的方法。乳房X线检测是乳腺癌筛查中最重要的影像学检查方法。早期乳腺癌的影像学特征尚不明确。其密度分类、微钙化检测和肿块良恶性分类是早期乳腺癌筛查的主要难点。它很容易受到医生的主观影响,易发生误诊和漏诊。随着计算机技术的不断发展,计算机辅助检测乳腺癌已成为医学影像学研究的一个热点领域。有效的计算机辅助检测方法可以帮助医生更好地分析乳房X线照片,提高乳腺癌诊断的准确性。本研究将计算机视觉与机器学习相结合,构建了一种乳腺癌检测算法。研究工作概括如下:（1）提出了一种基于小波变换的乳腺X线图像乳腺密度分类算法。乳腺密度高的女性患乳腺癌的风险是低密度的45倍。本研究在专业医师指导下,乳腺密度的分析研究分为三个阶段:首先,将乳腺图像分别进行去噪处理和自适应直方图均衡化处理,再进行小波技术融合前者,增强不同密度乳腺的灰度直方图特征。然后,通过多次迭代来确定乳腺区域的阈值,并得到标准二值化乳腺X线图像,计算图像黑白像素的比值得乳腺密度。我们根据乳腺影像报告和数据系统（Breast imaging reporting and data system,BI-RADS）的规则,评估乳房密度算法的性能。我们的分割结果准确率达到85%,实验结果优于放射科医生与同类算法准确率,为临床医生提供更高效的分类乳腺密度算法。（2）提出了一种基于自适应支持向量机的乳腺X线图像乳腺钙化病灶检测算法。微钙化是早期乳腺癌病变最重要的标志信息。目前,人工形态学观察是临床诊断此类疾病的主要方法,但容易引起误诊和漏诊。我们根据钙化病灶的特点设计了检测算法:首先,利用轮廓波变换和数学形态学（Contourlet transformation and morphology,CTM）增强乳房X线图像的对比度特征。再采用K均值聚类算法（K-means clustering algorithm,K-means）分割感兴趣区域（Region of interest,ROI）,然后计算ROI的灰度特征、形状特征和区域直方图梯度。通过自适应支持向量机对感兴趣区域的粗钙化点和假钙化点进行分类。结果表明,该乳腺钙化病灶检测算法的准确率达到94%,实验结果优于放射科医生与同类算法,具有较大的临床应用价值。（3）提出了一种基于迁移学习微调网络的乳腺X线图像肿块检测算法。乳腺肿块是中晚期乳腺癌病变最主要的标志信息。随着深度学习在医疗领域应用场景出现,迁移学习受到越来越多的关注。我们根据乳腺肿块病灶的特点设计了良恶性分类算法:首先,将已学训练好的ImageNet模型参数进行迁移,将原有网络的输出层去掉,剩下的整个网络作为一个固定的特征提取机,从而应用到我们的乳腺肿块数据集,然后在微调的过程中,根据乳腺肿块病灶的特点,冻结网络中所有层的参数,添加最后几层及输出层,最终只需要微调训练最后几层网络,不断改进模型,提高算法准确率。结果表明,微调的VGG算法的分类准确率达到94%,实验结果优于从零开始训练的卷积神经网络算法和传统的机器学习算法,该算法效率更高,为放射科医生提供第二参考点。
郭亚南[9]（2019）在《乳腺钼靶X线病灶检测研究》文中提出世界卫生组织相关数据显示,乳腺癌已成为威胁女性健康的首要疾病,在世界范围内新增病例逐年增长,严重危害女性身心健康。临床研究表明,早期诊断能有效降低乳腺疾病的死亡率。乳腺钼靶X线摄影术作为乳腺疾病筛查和检测的首选方法,有很好的敏感性和特异性,且操作简洁,成像直观,安全无创伤,所以,被业界视为乳腺疾病早期预防和诊断最可靠的工具。在乳腺X线图像中,肿块和微钙化点簇是乳腺癌的主要征兆,但肿块和钙化点对比度低、形态多样且极不规则,易受胸肌及腺体等高致密组织的影响。因此,在临床诊断中,放射医师面临很大的困境。实现乳腺肿块和钙化点簇的精确分割和检测,为医师提供参考性意见,能有效提高临床诊断的准确率。本文主要以乳腺钼靶X线图像为研究对象,旨在探索、分析和研究乳腺病灶检测方面的难点和困境,提高乳腺癌早期诊断的准确率。通过调研和分析国内外学者在病灶检测领域的现状,搜集并整理乳腺X线数据库,并从病灶内在属性出发,有针对性地探究乳腺X线钙化点和肿块检测方法。论文主要工作归纳如下:1.提出基于Contourlet变换和无耦合链接SPCNN（Simplified Pulse CoupledNeural Network）的钙化点检测算法。针对乳腺钼靶X线钙化点的高频特性（类噪声特点）,本文提出了基于Contourlet变换和无耦合链接SPCNN的钙化点检测模型。该方法借助多分辨率分析理论,在Contourlet变换域实现了低频背景和高频钙化点病灶区域的分离,有利于后续钙化点的单独处理。基于钙化点离散孤立分布且呈弱耦合链接的特点,设计了专用于钙化点检测的无耦合链接SPCNN模型。该模型具有良好的生物学背景,且符合人眼视觉特性,能够敏锐地从乳腺X线图像复杂的组织结构中分割出可疑钙化点病灶。本文提出的钙化点检测方法在MIAS（Mammographic Image Analysis Society）和JSMIT（Japanese Society of Medical Imaging Technology）数据库的钙化点数据集上进行算法测试,并在当地医院提供的样本数据库上做了算法验证,验证结果论证了算法的有效性和实用性。2.提出基于改进CV模型的肿块分割算法。乳腺钼靶X线图像灰度不均匀且存在弱边界,所以在肿块分割过程中很容易造成轮廓线错误移动和分割结果不精确。针对以上问题,本文提出了基于偏置场理论和图像局部灰度统计特性约束的改进CV模型。在该模型的预处理阶段,采用区域生长和最大连通区域标记相结合的算法获取平滑的乳腺区域,选用非线性反锐化掩模增强病灶;在肿块分割阶段,采用具有良好生物学背景的脉冲发放皮层模型自动初始化初始轮廓;引入变分水平集解决重新初始化的问题,即在水平集演化函数中通过添加惩罚项来补偿偏离了符号距离函数的水平集演化函数;针对乳腺图像灰度分布不均匀的问题,采用基于物理光学成像模型的偏置场理论对原始图像做灰度矫正,有效解决了由于灰度不均匀造成的错分;同时采用基于灰度统计特性的局部区域可伸缩外力进行条件约束,最终实现肿块的精确分割。该算法在DDSM（Digital Database for Screening Mammography）和MIAS数据库上进行测试,分割结果论证了算法的有效性和正确性。3.提出基于人眼视觉显着性的肿块分割模型。通过对照和分析临床放射医师的阅片过程,本文开始考虑借助人眼视觉注意力相关模型去构造人造的“眼”,进而模拟乳腺钼靶X线图像病灶检测过程,实现肿块的精确定位。具体地说,首先提出了基于自适应半局部对比度特征的显着性检测模型,该模型借助滑动的窗口探测目标及周围组织环境的分布情况,在保留感兴趣区域的同时减弱背景干扰,能很好的模拟人眼特性。该显着性检测模型的优点在于:1)是一种基于半局部区域而非像素级的显着性检测模型;2)条件分布估算是采用积分直方图方法实现的;3)采用自适应的先验概率进行显着性的计算,而非固定的先验概率。以上优点使得该算法不论是对自然图像还是医学图像,都有很好的鲁棒性。该算法在MIAS数据库的肿块图像上进行算法测试,并在当地肿瘤医院的乳腺X线肿块图像上得到了验证。实验分割结果表明,该模型在临床应用中具有很大的潜力。4.提出基于改进U-Net模型的肿块分割算法。通过深入分析U-Net和Res-Net（Residual Neural Network）网络的优点,借助残差模块和规范化策略优化U-Net模型,设计并实现了Res-U-Net框架。该模型是一种典型的编码器解码器网络结构。其中,编码器阶段用于实现逐渐降低池化层的空间维度,解码器阶段用于逐步修复目标细节及空间维度,编码器和解码器借助快捷连接实现了图像全局及局部信息的融合,有助于获得更为精细的分割结果。在该实验中,采用15个卷积层设计并实现了7层的U-Net深度残差网络。该模型能有效地解决深度网络构架下分割性能退化的问题,所以残差U-Net网络的分割性能明显会高于原始的U-Net。最后,在DDSM和INbreast肿块数据库上验证了模型的可行性和有效性,实验结果表明,改进的Res-U-Net模型肿块分割性能明显优于U-Net和Seg-Net网络。另外,本文收集并整理了国际常用的五大公开乳腺钼靶X线数据库以及当地医院的样本数据,这五大数据库主要包括MIAS、DDSM、JSMIT和INbreast四大常用乳腺X线影像数据库,以及DWBCD（Diagnostic Wisconsin Breast Cancer Database）特征库。同时,与当地医院建立长期合作关系,扩充现有数据库,为临床诊断和算法设计提供数据支撑。
田硕[10]（2017）在《基于密度分布的乳腺肿块诊断方法的研究与实现》文中提出相关统计数据表明,女性因为乳腺癌死亡的数目逐年攀升,这在很大程度上对女性的身体和心理都造成严重损害。如果能够较早的发现乳腺病变,并采取相应的医疗手段进行治疗,会大大降低乳腺癌死亡率。在实际临床应用中,乳腺钼靶X线成为乳腺癌早期普查中常用的检测手段。针对传统由放射科医生阅片的方式具体有主观性较强、误诊率高等缺点,计算机辅助诊断（Computer Aided Diagnosis,CAD）系统应运而生。计算机辅助诊断系统主要包括乳腺肿块检测和肿块良恶性诊断。CAD作为放射科医生的第二参考意见,为放射科医生提供客观有效信息,提高了乳腺癌诊断率并且降低了假阴性率。主要研究内容如下:（1）乳腺肿块自动检测。乳腺图像显示的乳腺密度与乳腺癌有重要联系,因此乳腺密度是预测乳腺癌风险的一个重要指标。本文采用基于子区域密度聚类的肿块分割及检测方法,将乳腺区域分割成若干互不重叠的子区域;对每个子区域块都提取基于局部的乳腺密度特征,建立基于子区域密度特征向量模型;之后利用无监督极限学习机（Unsupervised ELM,US-ELM）与融合空间信息模糊 C 均值聚类（Spatial Fuzzy C Means,SP-FCM）算法分别对特征向量进行降维和聚类,密度致密肿块区域被聚类为一类,不包含肿块的密度稀疏组织为离散的分布。最后,得到乳腺肿块分割以及检测结果。（2）乳腺肿块良恶性诊断。针对乳腺肿块密度和周围正常组织相比不同这一特点,重点分析肿块密度特征在乳腺肿块良恶性诊断中的价值。除了提取BI-RADS标准中的肿块形态特征和纹理特征,还提取了 7个全局密度特征,并建立特征向量模型。最后,采用极限学习机（Extreme Learning Machine,ELM）作为分类器,从数据库中选取含有肿块的钼靶X线图像进行乳腺肿块的良恶性诊断实验。结果显示,乳腺肿块的密度特征和其他特征相比,可以有效的区分肿块良恶性。综上所述,采用局部密度特征聚类对乳腺肿块进行检测,之后对待诊断的乳腺肿块进行基于ELM的全局密度特征分析,并结合其他特征进行肿块良恶性诊断。重点研究了乳腺密度在计算机辅助乳腺肿块诊断和检测系统中发挥的重要作用。
二、计算机在乳腺X线图像处理系统中的应用与研究（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、计算机在乳腺X线图像处理系统中的应用与研究（论文提纲范文）
（1）乳腺X线图像计算机辅助诊断技术综述（论文提纲范文）
| 1 乳腺X线图像数据集及评价标准 |
| 1.1 乳腺X线图像数据集 |
| 1.2 评价指标 |
| 2 应用传统方法的乳腺X线图像计算机辅助诊断 |
| 2.1 乳腺X线图像预处理 |
| 2.2 乳腺X线图像病变检测 |
| 2.2.1 肿块病变检测 |
| 2.2.2 微钙化病变检测 |
| 2.3 乳腺病变区域分割 |
| 2.4 乳腺病变的特征提取、选择与分类 |
| 2.4.1 肿块的特征提取、选择与分类 |
| 2.4.2 微钙化的特征提取、选择与分类 |
| 2.5 总结 |
| 3 应用深度学习方法的乳腺X线图像病变检测与分类诊断 |
| 3.1 深度学习 |
| 3.1.1 自编码器 |
| 3.1.2 受限玻尔兹曼机与深度置信网络 |
| 3.1.3 卷积神经网络 |
| 3.2 应用卷积神经网络的乳腺X线图像病变检测 |
| 3.2.1 应用卷积神经网络的肿块检测 |
| 3.2.2 应用卷积神经网络的微钙化检测 |
| 3.3 应用深度神经网络的乳腺X线图像分割 |
| 3.4 应用卷积神经网络的乳腺X线图像分类 |
| 3.5 总结 |
| 4 总结与前景展望 |
（2）基于激光图像处理技术的微小乳腺肿瘤精准诊断（论文提纲范文）
| 0 引言 |
| 1 激光图像处理技术的微小乳腺肿瘤精准诊断方法 |
| 1.1 图像预处理与图像增强 |
| 1.2 图像分割处理 |
| 1.3 特征提取 |
| 1.3.1 纹理特征 |
| 1.3.2 几何特征 |
| 2 实验结果分析 |
| 2.1 乳腺X线图像处理 |
| 2.2 微小乳腺肿瘤诊断结果 |
| 3 总结 |
（3）乳腺肿瘤自动分类关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 乳腺CAD系统的研究与发展 |
| 1.2.2 实验数据库 |
| 1.3 现阶段存在的问题与挑战 |
| 1.4 本文的研究内容和结构安排 |
| 第2章 基于FCM的乳腺X线图像肿块分割 |
| 2.1 乳腺X线图像预处理 |
| 2.1.1 基于灰度变换的对比度增强 |
| 2.1.2 基于小波变换的图像去噪 |
| 2.1.3 实验结果与分析 |
| 2.2 基于FCM的肿块分割 |
| 2.2.1 引言 |
| 2.2.2 FCM分割基本理论 |
| 2.2.3 GA算法 |
| 2.2.4 PSO算法 |
| 2.2.5 基于PSO和 GA的 FCM算法 |
| 2.2.6 实验结果与分析 |
| 2.3 本章小结 |
| 第3章 基于多尺度的乳腺X线图像肿块特征提取 |
| 3.1 引言 |
| 3.2 乳腺肿块特征提取 |
| 3.2.1 几何特征 |
| 3.2.2 灰度特征 |
| 3.2.3 纹理特征 |
| 3.2.4 特征分析 |
| 3.3 乳腺肿块多尺度融合特征 |
| 3.3.1 高斯金字塔 |
| 3.3.2 多尺度特征融合 |
| 3.4 特征降维 |
| 3.5 本章小结 |
| 第4章 基于支持向量机的乳腺X线图像肿块分类 |
| 4.1 引言 |
| 4.2 PSO优化的SVM分类器 |
| 4.2.1 SVM分类器 |
| 4.2.2 径向基核SVM分类器 |
| 4.2.3 PSO-SVM分类器 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据及设置 |
| 4.3.2 分类器评价指标 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论及创新点 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（4）基于卷积神经网络的乳腺肿块检测算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于CNN的目标检测算法研究现状 |
| 1.2.2 乳腺肿块检测研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文章节安排 |
| 第2章 基于候选区域的目标检测算法 |
| 2.1 R-CNN |
| 2.2 SPP-Net |
| 2.3 Fast R-CNN |
| 2.4 Faster R-CNN |
| 2.4.1 RPN |
| 2.4.2 损失函数 |
| 2.5 Mask R-CNN |
| 2.5.1 特征提取 |
| 2.5.2 RoI Align |
| 2.5.3 损失函数 |
| 2.6 评价指标 |
| 2.7 本章小结 |
| 第3章 基于密集连接的特征金字塔网络 |
| 3.1 密集连接 |
| 3.2 基于多尺度特征融合的特征金字塔网络 |
| 3.2.1 图像金字塔 |
| 3.2.2 单一尺度特征图 |
| 3.2.3 金字塔特征层次结构 |
| 3.2.4 特征金字塔网络 |
| 3.3 基于D-FPN的多尺度特征提取网络 |
| 3.4 本章小结 |
| 第4章 基于非极大抑制的候选区域筛选算法 |
| 4.1 优化anchor尺寸 |
| 4.2 NMS算法原理 |
| 4.3 Soft-NMS算法原理 |
| 4.4 本章小结 |
| 第5章 基于D-Mask R-CNN的乳腺肿块检测算法 |
| 5.1 乳腺肿块数据集 |
| 5.1.1 数据集介绍 |
| 5.1.2 数据集制作 |
| 5.2 网络模型设计 |
| 5.3 模型训练 |
| 5.4 实验结果与分析 |
| 5.4.1 使用密集特征金字塔的检测对比实验 |
| 5.4.2 优化anchor并使用Soft-NMS的检测对比实验 |
| 5.4.3 Mask R-CNN与D-Mask R-CNN的检测对比实验 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（5）基于卷积神经网络的乳腺X线影像辅助诊疗系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.2.1 图像预处理与深度学习模型搭建 |
| 1.2.2 Web系统的设计与实现 |
| 1.3 国内外研究现状 |
| 1.4 论文结构 |
| 第二章 相关概念及技术介绍 |
| 2.1 WEB系统实现相关技术介绍 |
| 2.1.1 Spring Boot框架 |
| 2.1.2 Spring Data JPA框架 |
| 2.1.3 Flask框架 |
| 2.1.4 Vue.js框架 |
| 2.1.5 MySQL数据库 |
| 2.1.6 Redis数据库 |
| 2.2 目标检测算法概述 |
| 2.3 本章小结 |
| 第三章 基于卷积神经网络的乳腺病灶目标检测模型的研究 |
| 3.1 数据集 |
| 3.2 数据预处理 |
| 3.3 模型搭建 |
| 3.4 实验结果 |
| 3.5 实验分析 |
| 3.6 图像处理服务构建 |
| 3.7 本章小结 |
| 第四章 基于卷积神经网络的乳腺X线影像辅助诊疗系统的需求分析 |
| 4.1 总体需求 |
| 4.2 系统功能需求分析 |
| 4.2.1 系统管理员角色用例分析 |
| 4.2.2 医院管理员角色用例分析 |
| 4.2.3 患者角色用例分析 |
| 4.2.4 临床医生角色用例分析 |
| 4.2.5 影像科医生角色用例分析 |
| 4.3 系统非功能需求分析 |
| 4.3.1 稳定性 |
| 4.3.2 可维护性 |
| 4.3.3 易用性 |
| 4.3.4 安全性 |
| 4.4 本章小结 |
| 第五章 基于卷积神经网络的乳腺X线影像辅助诊疗系统的设计 |
| 5.1 系统软件架构设计 |
| 5.2 系统的数据库设计 |
| 5.2.1 数据库概念模型设计 |
| 5.2.2 数据库基表设计 |
| 5.3 系统功能模块设计 |
| 5.3.1 注册与登录模块 |
| 5.3.2 系统管理模块 |
| 5.3.3 医院信息管理模块 |
| 5.3.4 个人信息管理模块 |
| 5.3.5 患者信息管理模块 |
| 5.3.6 诊疗信息管理模块 |
| 5.4 本章小结 |
| 第六章 基于卷积神经网络的乳腺X线影像辅助诊疗系统的实现 |
| 6.1 系统运行环境 |
| 6.2 系统功能模块的实现 |
| 6.2.1 注册与登录模块实现 |
| 6.2.2 系统管理模块实现 |
| 6.2.3 医院信息管理模块实现 |
| 6.2.4 个人信息管理模块实现 |
| 6.2.5 患者信息管理模块实现 |
| 6.2.6 诊疗信息管理模块实现 |
| 6.3 本章小结 |
| 第七章 基于卷积神经网络的乳腺X线影像辅助诊疗系统的测试 |
| 7.1 系统的功能测试 |
| 7.1.1 注册与登录模块 |
| 7.1.2 系统管理模块 |
| 7.1.3 医院信息管理模块 |
| 7.1.4 个人信息管理模块 |
| 7.1.5 患者信息管理模块 |
| 7.1.6 诊疗信息管理模块 |
| 7.2 系统的性能测试 |
| 7.3 本章小结 |
| 第八章 结束语 |
| 8.1 论文工作总结 |
| 8.2 问题与展望 |
| 参考文献 |
| 致谢 |
（6）基于多尺度对抗学习的乳腺钼靶肿块图像分割方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第2章 卷积神经网络介绍 |
| 2.1 人工神经网络 |
| 2.1.1 神经元模型 |
| 2.1.2 激活函数 |
| 2.1.3 损失函数 |
| 2.1.4 优化算法 |
| 2.2 卷积与池化 |
| 2.3 全卷积神经网络 |
| 2.4 生成对抗网络 |
| 第3章 基于多尺度对抗学习的乳腺肿块分割 |
| 3.1 乳腺肿块分割 |
| 3.2 对抗网络思想 |
| 3.3 多尺度判别融合 |
| 3.4 目标优化 |
| 3.5 网络训练模式 |
| 第4章 实验与分析 |
| 4.1 数据预处理 |
| 4.2 实验设置和评价指标 |
| 4.3 实验结果分析 |
| 4.3.1 INbreast实验结果分析 |
| 4.3.2 CBIS-DDSM实验结果分析 |
| 4.3.3 消融实验结果分析 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（7）基于多模态特征融合的乳腺X线图像肿物良恶性预测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 影像组学应用于自动诊断的研究现状 |
| 1.2.1 影像组学概述 |
| 1.2.2 影像组学在自动诊断领域中的研究现状 |
| 1.2.3 基于多特征的乳腺X线图像良恶性诊断研究现状 |
| 1.3 乳腺X线图像良恶性自动诊断存在的困难与挑战 |
| 1.4 论文研究内容及创新点 |
| 1.5 论文组织结构 |
| 第二章 数据的采集、预处理及评估方法 |
| 2.1 图像的采集 |
| 2.2 数据预处理 |
| 2.2.1 数据集划分 |
| 2.2.2 乳腺X线图像ROI的提取 |
| 2.2.3 边界填充与数据增强 |
| 2.2.4 临床特征收集 |
| 2.3 统计学评估方法 |
| 2.4 本章小结 |
| 第三章 基于传统影像组学的乳腺肿物良恶性诊断 |
| 3.1 引言 |
| 3.1.1 研究动机 |
| 3.1.2 解决方案描述 |
| 3.2 图像的采集与感兴趣区域的提取 |
| 3.3 传统影像组学特征提取与优化 |
| 3.3.1 一阶直方图特征 |
| 3.3.2 纹理特征 |
| 3.3.3 Hu不变矩形状特征 |
| 3.3.4 最大相关最小冗余特征选择算法 |
| 3.4 乳腺肿物诊断分析 |
| 3.5 实验结果及分析 |
| 3.6 本章小结 |
| 第四章 基于深度融合网络的乳腺肿物良恶性预测 |
| 4.1 引言 |
| 4.1.1 研究动机 |
| 4.1.2 解决方案描述 |
| 4.2 基于神经网络的深度学习网络结构设计 |
| 4.2.1 神经网络 |
| 4.2.2 VGG16模型 |
| 4.2.3 深度融合网络 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于多模态特征融合的乳腺肿物良恶性预测算法 |
| 5.1 引言 |
| 5.2 多特征提取 |
| 5.3 多模态特征融合建模与优化 |
| 5.3.1 多模态特征组合模型建模 |
| 5.3.2 多模态特征融合模型优化 |
| 5.4 实验结果对比分析 |
| 5.4.1 实验设置 |
| 5.4.2 实验结果对比分析 |
| 5.5 本章小结 |
| 第六章 乳腺X线图像肿物良恶性预测系统 |
| 6.1 需求分析 |
| 6.2 系统相关技术及运行环境 |
| 6.3 系统架构设计 |
| 6.3.1 主界面设计 |
| 6.3.2 系统功能模块设计 |
| 6.4 功能模块实现 |
| 6.4.1 图像处理基础模块 |
| 6.4.2 乳腺癌辅助诊断模块 |
| 6.4.3 信息提取与存储模块 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（8）针对乳腺X线图像的乳腺癌症检测方法（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景及课题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 乳腺密度分类算法的研究现状 |
| 1.2.2 乳腺钙化检测算法的研究现状 |
| 1.2.3 乳腺肿块良恶性分类算法的研究现状 |
| 1.3 数据集 |
| 1.4 性能评价指标 |
| 1.5 本文主要研究内容与结构安排 |
| 1.6 本文结构安排 |
| 第2章 相关理论介绍 |
| 2.1 小波变换基本理论 |
| 2.2 SVM算法基本理论 |
| 2.3 深度学习基本理论 |
| 2.3.1 VGG网络模型 |
| 2.3.2 ResNet网络模型 |
| 2.3.3 Inception网络模型 |
| 2.3.4 Xception网络模型 |
| 2.3.5 DenseNet网络模型 |
| 2.4 小结 |
| 第3章 基于小波变换的乳腺密度分类算法 |
| 3.1 引言 |
| 3.2 图像预处理 |
| 3.2.1 灰度归一化 |
| 3.2.2 直方图均衡化 |
| 3.2.3 中值滤波 |
| 3.2.4 小波变换图像融合 |
| 3.3 图像阈值分割 |
| 3.4 密度分类 |
| 3.5 实验结果及讨论 |
| 3.6 本章小结 |
| 第4章 基于ASVM的乳腺钙化检测算法 |
| 4.1 引言 |
| 4.2 图像预处理 |
| 4.3 K均值聚类分割 |
| 4.4 特征提取 |
| 4.5 自适应支持向量机 |
| 4.6 实验结果及讨论 |
| 4.7 本章小结 |
| 第5章 基于微调网络的乳腺肿块良恶性分类算法 |
| 5.1 引言 |
| 5.2 迁移学习算法 |
| 5.3 乳腺肿块良恶性分类算法流程 |
| 5.4 实验参数设置 |
| 5.5 实验结果及讨论 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来的工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（9）乳腺钼靶X线病灶检测研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与选题来源 |
| 1.2 基于乳腺钼靶X线图像的计算机辅助诊断系统 |
| 1.3 乳腺X线病灶检测研究现状 |
| 1.3.1 钙化点簇检测研究现状 |
| 1.3.2 肿块分割现状 |
| 1.4 数据库收集整理 |
| 1.4.1 MIAS数据库 |
| 1.4.2 DDSM数据库 |
| 1.4.3 JSMIT数据库 |
| 1.4.4 INbreast数据库 |
| 1.4.5 DWBCD乳腺癌特征库 |
| 1.4.6 收集的其他数据样本 |
| 1.4.7 数据库总结 |
| 1.5 论文主要工作和创新点 |
| 1.6 论文章节安排 |
| 第2章 算法理论支撑及病灶特性解析 |
| 2.1 图像处理相关理论 |
| 2.1.1 图像直方图 |
| 2.1.2 形态学理论 |
| 2.1.3 区域生长算法 |
| 2.1.4 PCNN原型 |
| 2.2 乳腺钼靶X线图像预处理 |
| 2.2.1 乳腺区域提取 |
| 2.2.2 病灶增强 |
| 2.3 乳腺钼靶X线病灶特性分析 |
| 2.3.1 钙化点特性分析 |
| 2.3.2 肿块特性分析 |
| 2.4 本章小结 |
| 第3章 基于轮廓波变换和无耦合链接SPCNN的MCs检测 |
| 3.1 轮廓波变换相关理论概述 |
| 3.1.1 从小波分析到多尺度几何分析 |
| 3.1.2 轮廓波变换 |
| 3.2 基于Contourlet变换与无耦合链接SPCNN的钙化点检测 |
| 3.2.1 图像预处理 |
| 3.2.2 可疑钙化点提取 |
| 3.2.3 钙化点检测 |
| 3.2.4 钙化点簇提取 |
| 3.3 实验结果讨论分析 |
| 3.3.1 实验设置 |
| 3.3.2 评价指标 |
| 3.3.3 结果讨论和分析 |
| 3.3.4 实验验证 |
| 3.4 本章小结 |
| 第4章 基于改进CV模型的肿块分割算法 |
| 4.1 相关理论准备 |
| 4.1.1 水平集原理 |
| 4.1.2 活动轮廓模型 |
| 4.2 基于偏移场和局部灰度统计特性的改进CV模型 |
| 4.2.1 SCM获取初始轮廓 |
| 4.2.2 变分水平集的引入 |
| 4.2.3 偏置场理论 |
| 4.2.4 局部区域可伸缩外力 |
| 4.3 实验与分析 |
| 4.3.1 评价指标 |
| 4.3.2 实验结果和分析 |
| 4.3.3 算法验证 |
| 4.4 本章小结 |
| 第5章 基于人眼视觉显着性的肿块分割模型 |
| 5.1 人眼视觉显着性理论概述 |
| 5.1.1 人眼视觉显着性研究综述 |
| 5.1.2 经典Itti模型 |
| 5.2 基于显着性理论的乳腺X线肿块分割 |
| 5.2.1 显着性图谱计算 |
| 5.2.2 SM-ISPCNN模型 |
| 5.2.3 乳腺X线肿块检测 |
| 5.3 实验设置和结果分析 |
| 5.3.1 实验参数设置 |
| 5.3.2 评价指标 |
| 5.3.3 实验结果分析及讨论 |
| 5.3.4 临床验证 |
| 5.4 本章小结 |
| 第6章 基于改进U-Net的肿块分割模型 |
| 6.1 引言 |
| 6.2 相关理论概述 |
| 6.2.1 卷积神经网络 |
| 6.2.2 全卷积网络 |
| 6.2.3 U-Net网络 |
| 6.3 残差U型网络 |
| 6.3.1 残差网络理论 |
| 6.3.2 残差U型网络 |
| 6.3.3 基于残差U-Net的肿块分割算法实现 |
| 6.4 实验结果分析和讨论 |
| 6.4.1 实验设置 |
| 6.4.2 图像预处理 |
| 6.4.3 损失函数 |
| 6.4.4 实验结果讨论和分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（10）基于密度分布的乳腺肿块诊断方法的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究意义 |
| 1.2 研究背景 |
| 1.2.1 乳腺钼靶X线图像 |
| 1.2.2 计算机辅助乳腺肿块诊断 |
| 1.3 国内外研究现状 |
| 1.3.1 乳腺癌计算机辅助诊断研究现状 |
| 1.3.2 乳腺密度研究现状 |
| 1.4 本文组织结构 |
| 第2章 乳腺X线图像肿块检测 |
| 2.1 引言 |
| 2.2 图像预处理 |
| 2.2.1 图像去噪 |
| 2.2.2 图像增强 |
| 2.3 基于密度聚类的肿块分割 |
| 2.3.1 乳腺边缘检测 |
| 2.3.2 密度特征建模 |
| 2.3.3 肿块密度聚类分割 |
| 2.4 实验结果及分析 |
| 2.4.1 检测结果及分析 |
| 2.4.2 分割结果及分析 |
| 2.5 本章小结 |
| 第3章 基于ELM的乳腺肿块诊断 |
| 3.1 引言 |
| 3.2 融合特征建模 |
| 3.2.1 密度特征 |
| 3.2.2 形态特征 |
| 3.2.3 纹理特征 |
| 3.3 肿块良恶性诊断 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 第4章 总结与展望 |
| 4.1 本文工作总结 |
| 4.2 进一步工作 |
| 参考文献 |
| 致谢 |
| 附录 |
四、计算机在乳腺X线图像处理系统中的应用与研究（论文参考文献）
- [1]乳腺X线图像计算机辅助诊断技术综述[J]. 陈智丽,高皓,潘以轩,邢风. 计算机工程与应用, 2022
- [2]基于激光图像处理技术的微小乳腺肿瘤精准诊断[J]. 魏静. 微型电脑应用, 2021(09)
- [3]乳腺肿瘤自动分类关键技术研究[D]. 吕冰垚. 长春理工大学, 2021(02)
- [4]基于卷积神经网络的乳腺肿块检测算法研究[D]. 余慧. 太原理工大学, 2021(01)
- [5]基于卷积神经网络的乳腺X线影像辅助诊疗系统的设计与实现[D]. 于航舶. 北京邮电大学, 2021(01)
- [6]基于多尺度对抗学习的乳腺钼靶肿块图像分割方法研究[D]. 陈良勇. 吉林大学, 2021(01)
- [7]基于多模态特征融合的乳腺X线图像肿物良恶性预测[D]. 崔延华. 济南大学, 2020(01)
- [8]针对乳腺X线图像的乳腺癌症检测方法[D]. 蔡盛. 华侨大学, 2020(01)
- [9]乳腺钼靶X线病灶检测研究[D]. 郭亚南. 兰州大学, 2019(08)
- [10]基于密度分布的乳腺肿块诊断方法的研究与实现[D]. 田硕. 东北大学, 2017(02)