乳腺肿瘤超声图像的图论分割与识别方法提升

本文主要探讨了乳腺癌诊断领域的一个关键技术——基于图论的乳腺肿瘤超声图像分割和识别方法。乳腺癌作为女性常见的恶性肿瘤，超声成像是其诊断的重要工具，因为它非侵入性、操作简便且结果准确。然而，人工分析存在主观性和误差，这就催生了计算机辅助诊断系统的研发需求。 作者针对超声图像中存在的斑点噪声和低对比度问题，提出了一种改进的图论分割算法，即Robustgraph-based (RGB)分割方法。与经典Efficientgraph-based (EGB)算法相比，RGB算法增强了抗噪声能力，通过优化区域对比较准则，考虑了区域的统计信息，如均值、方差和信噪比，从而显著提高了分割的精度。同时，通过精细调整参数k和α，RGB算法有效地避免了过度分割和欠分割的问题。 在实验部分，作者对比了RGB分割方法与传统方法（如K-means、FCM和EGB）的效果，结果显示RGB在处理噪声、稳定性和分割准确性上具有优势，特别适合用作计算机辅助诊断系统中的初期轮廓预测。RGB分割后的超声图像被进一步细分为多个子区域，每个子区域都经过特征提取，如灰度直方图、灰度共生矩阵、梯度方向直方图和形状特征，这些特征是后续识别的关键。 特征选择方面，作者尝试了主成分分析法、方差分值法、Laplacian分值法和Fisher分值法，其中Fisher分值法表现最佳。利用KNN和BPNN这两种分类器进行特征组合的性能评估，结果显示，Fisher分值法提取的前16个特征在BPNN分类器中实现了较高的识别性能，准确率达到了85.796%，敏感性和特异性也分别达到80.952%和85.842%。 本文提出的基于RGB图论分割和特征提取的乳腺肿瘤超声图像识别系统，为提升计算机辅助诊断系统的准确性和自动化程度提供了创新性的解决方案，有望改善乳腺癌的早期检测和治疗效果。这一研究为医疗图像处理领域特别是乳腺癌筛查提供了新的理论支持和技术路径。