基于乳腺動態(tài)增強MRI病灶分割及特征提取.pdf

1、乳腺癌是導致女性死亡的主要原因之一，早期發(fā)現和治療可以顯著降低乳腺癌的發(fā)病率和死亡率。動態(tài)對比增強磁共振掃描(Dynamic Contrast-Enhanced Magnetic Resonance Imaging，DCE-MRI)技術，因其可為診斷乳腺病變提供豐富的四維信息，已成為一種檢測乳腺疾病的重要手段。同時，基于DCE-MRI的計算機輔助診斷(Computer-Aided Diagnosis，CAD)系統(tǒng)，也因能輔助醫(yī)生快速有效

2、地診斷而逐漸被應用到臨床中?；谌橄貲CE-MRI的病灶分割和特征提取問題的研究是CAD技術的重要內容。本論文根據正常組織與病灶在影像上的灰度分布差異，設計了一種僅基于影像背景信息的新主動輪廓模型算法來分割乳腺三維(Three Dimension，3D)病灶。對分割得到的3D病灶提取包括動態(tài)增強、形態(tài)學、體紋理和空時四個方面的綜合特征以分析病灶屬性。并利用SVM分類器進行特征選擇和分類研究。本文主要工作如下:
　　第一，由于病灶具

3、有復雜的形狀結構和多樣的灰度分布，目前準確可靠的3D分割仍是一個具有挑戰(zhàn)性的問題。本文針對上述情況著重進行病灶分割研究。結合病理學基礎以及臨床采集到的數據，本文發(fā)現，病灶周圍正常組織灰度分布均勻，而病灶內部灰度復雜多樣且是判別病灶良惡性的重要依據。不同以往統(tǒng)一建模正常組織與病灶的算法，本文首次提出基于正常組織即背景的主動輪廓模型算法進行3D病灶分割。論文對采集到的多種類型的102個病灶分割。分割涵蓋了目前常見的主要乳腺癌類型，通用性較好

4、。為比較分割結果，本論文將有經驗的放射科醫(yī)師標注的人工分割結果作為參照，并與其它典型分割算法比較，且利用不同的評價參數評價。實驗結果表明，本論文分割模型解決了病灶分割中的弱邊界泄漏問題，算法魯棒性好，同時實現簡單速度較快。
　　第二，乳腺DCE-MRI病灶影像特征豐富，因此乳腺疾病診斷需綜合多方面信息。本文在擴展二維(Two Dimension，2D)特征的基礎上，從不同角度和維度共提取包括動態(tài)增強、形態(tài)學、體紋理和空時四個方面的