第一部分 乳腺癌疾病及影像学诊断概述 2
第1章 概述 2
1.1 乳腺癌疾病概述 2
1.2 计算机辅助乳腺癌检测概述 5
1.3 内容安排 6
第2章 乳腺癌致病因素及诊断 8
2.1 乳腺癌致病因素简述 8
2.2 乳腺癌的筛查与诊断 9
2.3 钼靶X射线图像上乳腺癌的征象 10
2.4 病变的评估 13
第二部分 乳腺图像钙化异常增强与检测 19
第3章 基于拉普拉斯金字塔的图像增强 19
3.1 引言 19
3.2 钙化增强算法 20
3.3 实验结果 23
第4章 基于离散余弦变换的图像增强 25
4.1 引言 25
4.2 理论基础 26
4.3 基于DCT域的图像增强算法 29
4.4 实验结果 31
第5章 基于小波的乳腺癌图像增强 34
5.1 引言 34
5.2 直接对比度增强算法 35
5.3 实验结果和结论 39
第6章 结合聚类与支持向量机的钙化检测 43
6.1 引言 43
6.2 相关技术简介 45
6.3 提出的方法 50
6.4 检测结果及分析 56
第三部分 肿块异常分割、检测与良恶性识别 68
第7章 相关技术介绍 68
7.1 引言 68
7.2 水平集分割方法 70
7.3 特征提取 72
7.4 基于互信息的特征选择 79
7.5 SVM分类器 80
第8章 基于标记分水岭和水平集算法的肿块分割 82
8.1 引言 82
8.2 理论基础 83
8.3 基于标记分水岭和水平集算法的肿块分割算法 86
8.4 实验结果 87
8.5 算法评价 89
第9章 基于窄带水平集和支持向量机的肿块检测 91
9.1 引言 91
9.2 初始检测和分割 94
9.3 基于窄带法的活动轮廓分割 96
9.4 减少误检率 101
9.5 数据集 104
9.6 实验结果 105
第10章 基于互信息特征选择与支持向量机的肿块良恶性识别 117
10.1 简介 117
10.2 算法 118
10.3 实验结果 127
第11章 基于L21范式双支持向量机的肿块良恶性识别 138
11.1 引言 138
11.2 研究背景 140
11.3 提出的TWSVML21 141
11.4 在肿块良恶性分类中的应用 148
11.5 实验结果 151
第四部分 结构扭曲检测及识别 162
第12章 基于多TBSVM-RFE的结构扭曲检测 162
12.1 引言 162
12.2 方法 163
12.3 实验结果 175
第13章 基于迁移学习的乳腺X射线图像中结构扭曲异常识别 183
13.1 引言 183
13.2 方法 185
13.3 实验结果 190
参考文献 196