摘要：乳腺癌计算机辅助识别技术，是通过对医学影像中感兴的区域（ROI）的检测，定位和特征提取，获得病灶的相关信息，运用人工智能的方法作出分类识别。本系统是在Windows xp操作系统下采用Matlab7.1 开发的，目的是方便临床医生对乳腺肿瘤的影像资料（B超图）进行病灶定位和图像分析，实现对乳腺癌的准确诊断。
关键词：计算机辅助诊断；C-V模型；支持向量机
中图分类号：TH772.2文献标识码：A 文章编号：1007-9599(2011)23-0000-02
Breast Cancer Computer Aided Identification System Development on Matlab
Gu Chengyang,Zhang Ruijuan
(School of Mathematical Sciences,Huaiyin Teachers College,Huaian 223300,China)
Abstract:Breast cancer computer auxiliary identification technology,is based on medical image in the region of interest ( ROI ) detection,location and feature extraction,access to lesions of the relevant information,the use of artificial intelligence method to make classification.This system is in the Windows XP operating system development using Matlab7.1,objective is to facilitate clinicians on breast tumor image information (B ultrasound image ) for lesion localization and image analysis,to achieve the accurate diagnosis of breast cancer.
Keywords:Computer Aided Identification;C-V model;SVM
一、概述
当今世界乳腺癌已成为女性最常见的恶性肿瘤之一，居女性恶性肿瘤死亡率首位。我国妇女乳腺癌发病率一直呈现快速增长的趋势，在过去的10年里，大城市中乳腺癌发病和死亡的人数分别增加37%和38.9%。在中小城市或农村发病率增长更快。近年来乳腺癌发病年龄趋于年轻化，严重危害了妇女健康，乳腺癌的防治已成为肿瘤防治工作的重要研究课题。由于乳腺癌发病原因尚不够明确，早期诊断和及时治疗是防治乳腺癌有效手段，对提高乳腺癌患者生存率至关重要。影像学检查对乳腺癌的早期发现、治疗和预防起着很重要的作用。目前医院最常见的乳腺影像检查主要有，乳腺X线钼靶摄影，超声。
近年来，计算机辅助肿瘤诊断已受到越来越多的关注,并取得许多成果[1-3]。运用计算机图像处理和模式识别技术，人们对乳腺癌计算机辅助诊断方法也作了大量研究工作 [4-7]。基于乳腺肿瘤检查影像资料，借助Matlab强大的图像处理功能和数据分析功能，设计开发出乳腺癌计算机辅助识别系统，可实现对乳腺肿瘤的性质的辅助诊断。
二、系统模块设计
本系统主要可以划分为四大模块即：图像处理模块、图像分割模块、特征提取和数据融合模块以及分类识别模块。每个模块均采用交互式界面操作。系统设计过程中采用面向对象的编程技术，对每个功能模块进行封装，使程序流程清晰易于后期的维护和升级。
（一）图像预处理模块
图像预处理模块主要功能包括病灶区域的定位、图像增强、图像去噪滤波。其中图像的滤波本系统采用的是扩散PDE[8]方法。
（二）图像分割模块
图像分割模块功能是对ROI区域中的肿瘤的边界自动检测，通过初选和二次优化实现肿瘤边界的精确定位，依据肿瘤边界轮廓进行图像分割。其中肿瘤的边界检测本系统采用的是C-V[8]模型。
（三）图像分析模块
纹理反映区域中像素灰度级空间分布特性，它是指图像中反复出现的局部模式和它们的排列规则。灰度共生矩阵用两个位置的像素的联合概率来定义，可以反映亮度的分布特性，也可以反映具有同样亮度或接近亮的像素之间的位置分布特性。
乳腺肿瘤的良恶性与肿瘤的形态有较明显的关系，通常认为良性肿瘤形状规则，边缘光滑，呈圆形或椭圆形；恶性肿瘤形状不规则，缘呈毛刺状或有角状突起。
图像分析模块功能是运用肿瘤图像的灰度共生矩阵提取出肿瘤的纹理特征，运用肿瘤图像分割图提取出肿瘤的形态特征。经两类特征进行选择和融合，作为分类识别特征。
（四）分类识别模块
系统采用的分类识别方法是支持向量机[9-10]（Support Vector Machine, SVM）。该理论是由Vapnik等人根据统计学习理论提出的一种新的机器学习方法.它在解决小样本,非线性,高维模式识别问题方面表现出了许多优势.其最大特点是根据结构风险最小化原则,尽量提高学习的泛化能力,即由有限的训练集样本得到的小误差仍能够保证对独立测试集的小误差.支持向量机算法还是一个凸优化问题,保证了局部最优解一定是全局最优解.
二、系统界面设计和使用方法
本系统采用图形化界面设计（如图一），用户操作直观简便。系统主界面由五个图像显示窗口，三个数据显示栏所组成。系统中间主窗口用于显示原始图像，其余四个窗口分别用于显示ROI区域图像、增强或滤波图像、肿瘤边界轮廓图像和肿瘤分割图。三个数据显示栏分别显示肿瘤的纹理特征、形态特征和肿瘤识别结果。
图一
下面以一幅乳腺肿瘤B超声图像的图像处理、图像分割、特征提取和分类识别过程来说明本系统各菜单的具体使用方法。
1）图像导入：在主窗口中打开并显示一幅乳腺B超图像。2）目标区域（ROI）：在原始图像上用鼠标选取感兴趣的区域，剪切并显示。3）图像处理：对ROI区域图像进行图像增强和滤波。4）图像分割：对ROI区域图像中肿瘤边界进行检测，通过二次优化实现肿瘤边界的精确定位，并按肿瘤边界轮廓进行图形分割。5）图像分析：对乳腺肿瘤图像进行纹理特征分析和形态特征分析。6）图像导出：保存肿瘤分割图形，保存肿瘤图像的特征信息为样本资料。7）分类识别：提供单特征识别和组合特征的智能识别。8）训练测试：可将来源相同类图像建立样本库，可测试系统分类识别性能。
三、结论
研究和开发乳腺癌计算机辅助诊断系统无疑是十分必要的，无论是培训高素质的乳腺放射诊断医师，还是应对大量的普查需求，该系统均能发挥很大的作用，是各级医疗单位迅速提高乳癌早期检测水平的有效工具。
参考文献：
[1]Chiou Y S P, Lure YM F,Ligomenides P A. Neural Network Image Analysis and Classification in Hybrid Lung Nodule Detection (HLND) System. Proceedings of the 1993 IEEE-SP Workshop on Neural Net-works for Signal Processing. NY: IEEE,1993:517～526.
[2]Hayashibe R,Asano N, Hirohata H,et al.An Automatic Lung Cancer Detection f rom X-Ray Images Obtained through Yearly Serial Mass Survey. Proceedings of the International Conference on Image Process2 ing. NY: IEEE ,1996 ,1 : 343-346.
[3]Mori K,Hasegawa J,Toriwaki J, et al . Recognition of Bronchus in Three Dimensional X-Ray CT Images with Applications to Virtualized Bronchoscopy System. Proceedings of the 13th International Conference on Pattern Recognition. NY: IEEE,1996,3:528-532.
[4]李晓峰,沈毅.基于支持向量机的超声乳腺肿瘤图像计算机辅助诊断系统[J].光电子激光,2008,19(1):115-119
[5]苏燕妮,汪源源.乳腺肿瘤超声图像中感兴趣区域的自动检测[J].中国生物医学工程学报[J],2010,29(2):178-184
[6]宋茜，严壮志等.基于BI-RADS的超声乳腺图像的计算机辅助诊断研究[J].生物医学工程学进展,2009,30(1):9-13
[7]顾成扬,吴小俊.基于EST和SVM乳腺癌识别新方法[J].计算机工程与应用.2011,47(8):183-185
[8]王大凯,侯榆青,彭进业.图像处理的偏微分方程方法[M].北京:科学出版社,2008.6
[9]Vapnik V N. The Nature of Statistical Learning Theory[M].Springer,1995
[10]张学工.关于统计学习理论与支持向量机[J].自动化学报,2000,26(1):32-42
基金项目：淮安市科技支撑计划（No.HAS2010042）
[作者简介]
顾成扬（1964-），男，副教授，主要研究方向为，图像处理与模式识别
相关热词搜索： 乳腺癌 计算机辅助 识别系统 开发 MATLAB
