基于改进水平集的乳腺图像分割

《基于改进水平集的乳腺图像分割》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：TP391密级：公开研究生学位论文论文题目（中文）基于改进水平集的乳腺图像分割Mammogramsegmentationbasedon论文题目（外文）improvedlevelsetmodel研究生姓名高晓丽学科、专业电子科学与技术·电路与系统研究方向数字图像处理学位级别硕士导师姓名、职称马义德教授论文工作起止年月2014年9月至2016年4月论文提交日期2016年4月论文答辩日期2016年5月学位授予日期校址：甘肃省兰州市原创性声明本人郑重声明：本人所呈交的学位论文，是在导师的指导下独立进行研究所取得的成果。学位论文中凡引用他人已经发表或未发表

2、的成果、数据、观点等，均已明确注明出处。除文中已经注明引用的内容外，不包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研究成果做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的法律责任由本人承担。论文作者签名：日期：关于学位论文使用授权的声明本人在导师指导下所完成的论文及相关的职务作品，知识产权归属兰州大学。本人完全了解兰州大学有关保存、使用学位论文的规定，同意学校保存或向国家有关部门或机构送交论文的纸质版和电子版，允许论文被查阅和借阅；本人授权兰州大学可以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，可以采用任何复制手段保存和

3、汇编本学位论文。本人离校后发表、使用学位论文或与该论文直接相关的学术论文或成果时，第一署名单位仍然为兰州大学。本学位论文研究内容：□可以公开□不宜公开，已在学位办公室办理保密申请，解密后适用本授权书。（请在以上选项内选择其中一项打“√”）论文作者签名：导师签名：日期：日期：基于改进水平集的乳腺图像分割摘要乳腺癌是常见的致使女性死亡的恶性肿瘤之一，其中肿块是乳腺癌的重要症状之一。较为常用的乳腺癌检测方法有钼靶X线影像技术。然而在乳腺影像中由于肿块边缘模糊，形状不规则以及与周围组织对比度较低等因素，使得其较难诊断出。本文的目的是利用所提方法分割出肿块以辅助医

4、生进行诊断。所提方法为利用脉冲发放皮层模型及改进水平集的方法分割乳腺钼靶影像中的肿块。首先，通过选取最大连通区域，种子生长法及非线性反锐化掩模（NLUM）等方法进行去标签，去胸肌及图像增强等预处理。然后，利用脉冲发放皮层模型（SCM）对图像中的肿块进行粗定位，所得的轮廓线作为后续水平集分割的初始轮廓。最后，通过在基于偏置场的CV模型的基础上增加局部灰度统计特性的方法得到准确的肿块边缘。我们将所提的方法通过DDSM及MIAS数据库进行验证，得到了分割率分别为93.75%及90.63%。实验结果中的分割率验证了所提方法的有效性。本论文从以下几个方面展开了研究

5、工作：1.详细地描述了水平集分割模型的基本原理，同时介绍了水平集算法在实际应用中的优缺点。2.介绍了改进后的水平集模型，并将该模型应用到乳腺钼靶X线影像中，通过仿真实验将所得结果与所选的六种对比方法的结果进行对比分析，证明了我们所改进的水平集模型用于分割肿块较其他对比方法具有更好的效果。为了得到更准确的分割结果，我们根据图像特点提出了对乳腺钼靶X线影像进行预处理、初始轮廓定位和乳腺肿块提取的方法。具体处理方法如下：在乳腺钼靶X线影像中，针对现有的几种典型分割算法很难将分割轮廓线准确的收敛到肿块边缘等问题提出了处理方法。首先对MIAS数据库中乳腺钼靶X线影

6、像依次进行预处理，其中包括去除背景、去除胸肌和图像增强。由于水平集算法对初始轮廓敏感，针对该问题我们将脉冲皮层发放模型（SCM）应用在乳腺钼靶X线影像上，以达到乳腺肿瘤粗分割的目的。为了有效的解决肿块低对比度和边界模糊所导致的轮廓线不能准确收敛到肿块边缘的问题，我们提出了基于局部灰度特性统计的水平集的改进模型。通过改进的模型，达到了获取肿块准确边界线的目的，实现了图像分割。我们的改进算法获得了更好的肿块提取结果，精准的边界轮廓线保留了图像分割所需要的细节信息，具有辅助医生检测的实际应用价值。关键字：图像分割，乳腺钼靶X线图像，乳腺癌，肿块分割，水平集模型

7、IMammogramsegmentationbasedonimprovedlevelsetmodelAbstractBreastcancerisoneofthemostcommonmalignanttumors.Andmassisanimportantsymptomofbreastcancer.Mammographyisthemostefficientandcommontoolforearlydiagnosisofbreastcancer.However,duetothemassesinmammogramshavebluredge,irregularsh

8、apesaswellasfactorssuchaslowcontrast,whi