基于示例选择的计算机辅助乳腺钙化簇检测研究

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (1): 189-194.

基于示例选择的计算机辅助乳腺钙化簇检测研究

李耀琳1，冯筠1，王小东1，卜起荣1，陈宝莹2

1.西北大学信息科学与技术学院，西安 710127
2.第四军医大学唐都医院放射诊断科，西安 710038

出版日期:2015-01-01 发布日期:2015-01-06

Clustered calcification detection in mammography based on instance selection

LI Yaolin1, FENG Jun1, WANG Xiaodong1, BU Qirong1, CHEN Baoying2

1.School of Information Science and Technology, Northwest University, Xi’an 710127, China
2.Department of Radiology, Tangdu Hospital, The Fourth Military Medical University, Xi’an 710038, China

Online:2015-01-01 Published:2015-01-06

摘要/Abstract

摘要： 为了减轻传统计算机辅助检测系统中感兴趣区域标定的时间和精力，提出针对钼靶X光乳腺钙化簇检测的示例选择算法。以分块形式对图像打包，对所有负包示例进行纹理建模，并计算每个未知包中的示例与负包平均模型的距离，选取最大距离的示例作为可疑区域。实验结果表明，该算法在不需要人工标注感兴趣区域，不降低钙化簇检测性能的前提下，大幅度减少了运算时间和空间。

关键词: 乳腺, 可疑区域, 示例选择, 统计建模

Abstract: A novel approach based on instance selection for calcification cluster in X-ray mammography images is proposed in order to reduce the time and energy in labeling Regions of Interest（ROI） of Computer Aided Detection（CAD） system. The images are partitioned into blocks, then the texture models are established for all instances of negative packages. Afterwards, distances from the instances of unknown packages to the negative average model are calculated, and the instance having the greatest distance is selected as the suspicious region. The experimental results show that this method not only has the ability to extract the ROI automatically, but also can reduce the computation time substantially while keeping the detection performance simultaneously.

Key words: mammography, region of suspicious, instance selection, statistical modeling

李耀琳1，冯筠1，王小东1，卜起荣1，陈宝莹2. 基于示例选择的计算机辅助乳腺钙化簇检测研究[J]. 计算机工程与应用, 2015, 51(1): 189-194.

LI Yaolin1, FENG Jun1, WANG Xiaodong1, BU Qirong1, CHEN Baoying2. Clustered calcification detection in mammography based on instance selection[J]. Computer Engineering and Applications, 2015, 51(1): 189-194.

[1]	刘琳琳，叶强，何灵敏. 基于SENet多路网络的乳腺癌转移检测[J]. 计算机工程与应用, 2021, 57(16): 190-196.
[2]	盛龙帅，李策，李欣. 基于注意力机制的乳腺X线摄影分类方法[J]. 计算机工程与应用, 2020, 56(8): 166-170.
[3]	鲁圆圆，冯浩，李靖. 结合分布度量统计建模的主动轮廓图像分割[J]. 计算机工程与应用, 2020, 56(7): 228-233.
[4]	赵京霞，钱育蓉，南方哲，张晗，行艳妮. CNN多层特征融合与ELM的乳腺疾病诊断方法[J]. 计算机工程与应用, 2020, 56(4): 122-127.
[5]	杜婧，滕婧，马卞，张奥鑫. 基于贝叶斯方法的乳腺癌预后分析[J]. 计算机工程与应用, 2020, 56(3): 146-151.
[6]	杨洁，胡明娣，李立，翟晓红，许天倚，张中茂. 人型网络乳腺钼靶影像分类方法研究[J]. 计算机工程与应用, 2020, 56(24): 164-168.
[7]	李华，杨嘉能，刘凤，南方哲，钱育蓉. 基于深度学习的乳腺癌病理图像分类研究综述[J]. 计算机工程与应用, 2020, 56(13): 1-11.
[8]	孙利雷1，2，徐勇3. 基于深度学习的乳腺X射线影像分类方法研究[J]. 计算机工程与应用, 2018, 54(21): 13-19.
[9]	何雪英，韩忠义，魏本征. 基于深度学习的乳腺癌病理图像自动分类[J]. 计算机工程与应用, 2018, 54(12): 121-125.
[10]	张金敏1，雷江1，2. 统计建模与对象更新机制相结合的背景减法[J]. 计算机工程与应用, 2016, 52(11): 152-157.
[11]	王向鸿，钟莹，孙一心，李醒飞. 基于触诊成像的肿块识别系统研究与设计[J]. 计算机工程与应用, 2016, 52(10): 218-222.
[12]	王梦珍，刘立，王建. 基于Kmean和ELM的乳腺肿块检测方法[J]. 计算机工程与应用, 2015, 51(12): 171-175.
[13]	吴双，王小鹏，王称意，万生阳. 基于标记控制分水岭和Snake交互的乳腺腺体分割[J]. 计算机工程与应用, 2014, 50(22): 189-192.
[14]	刘庆庆，刘立，王建. 基于子区域分类的乳腺密度估计[J]. 计算机工程与应用, 2013, 49(4): 185-188.
[15]	刘耀辉1，王刚1，李涛2，关勇2. 应用单调下降曲线模型自动提取乳房轮廓线[J]. 计算机工程与应用, 2012, 48(4): 179-181.