基于Kmean的乳腺肿块检测方法
加入技术交流群
根据经验值，肿块的面积一般在40~90000像素之间，而离心率一般大于0.3，圆形度大于0.735，可靠性大于0.79，占空比大于0.26。根据这些阈值得到的区域，我们认为是肿块。经过检测后的结果如图4所示。
实验结果及分析
本文为了验证提出的乳腺图像中肿块检测方法的有效性，利用临床实际图像进行了测试实验。实验数据来自英国的MIAS数据库。MIAS数据库包含161 位患者的左右乳腺图像, 共计322 幅, 每幅图像均为8位，大小为1024*1024，包括208 幅健康图像、63 幅良性乳腺癌及51 幅恶性乳腺癌图像, 病变区域的边界已由专家标定。另外，本实验用Matlab2010a作为所提算法的仿真验证平台。
本文在MIAS数据库中抽取了44幅含有肿块的图像作为实验数据。在对这44幅图像进行Kmean聚类后，得到的疑似区域中包含真阳性区域42个和假阳性区域232个，即平均每幅图像有5.27个假阳区域。另外，有两幅图像没有得到正确的感兴趣区域(ROI)，原因是肿块在图像中的灰度值并不是最大的。如图5所示，图(a)中的红线表示医生所标注的肿块的位置，图(b)中的红线表示经过Kmean聚类后的ROI。
经过肿块检测后，得到的肿块个数是41个，假阳性区域为0.18个/幅。因此，本文所提方法的准确率为41/44=93.2%，能够有效的检测出乳腺图像中的肿块。
结论
乳腺癌是一种严重威胁妇女生命健康的恶性肿瘤，只有尽早的发现并治疗，才有可能使患者得到救治。本文提出了一种基于Kmean的肿块检测方法。首先利用Kmean获得感兴趣区域，然后利用肿块的形态特征将肿块和正常组织分离开来，其准确率为93.2%，与传统方法相比具有一定的优势。
参考文献：
[1] 丁丽央,陈坤,沈高飞等.乳腺癌危险因素病例对照研究[J].中国慢性病预防与控制,1998.6,(6):283-285
[2] T.Matsubara, H.Fujita, T.Endo, et al. Development of Mass Detection Algorithm Based on Adaptive Thresholding Technique in Digital Mammograms[J].Proc.3rd Int. Workshop on Digital Mammography.1996:391-396
[3] N.Petrick, H.P.Chan, B.Sahiner, et al. An Adaptive Density-Weighted Contrast Enhancement Filters for Mammographic Breast Mass Detection[J]. IEEE Trans. Med. Imag. 1996,15,(1):59-67
[4] B. Sahiner, H.-P.Chan, N. Petrick, et al. Classification of Mass and Normal Breast Tissue: a Convolution Neural Network Classifier with Spatial Domain and Texture Images.[J] IEEE Trans. Med. Imag. 1996.15,(5):598-610
[5] D. Wei, H.P.Chan, M.A.Helvie, et al. Classification of Mass And Normal Breast Tissue on Digital Mammograms: Multiresolution Texture Analysis[J]. Medical Physics. 1995,22,(5):1501-1513
[6] M.A.Kupinski and M.L.Giger. Investigation of Regularized Neural Networks for the Computerized Detection of Mass Lesions in Digital Mammograms[C]. Proceedings of the IEEE Engineering Medicine and Biology Conference.IEEE.1997:1336-1339
[7] L McLaughlin. Automated Programming the Next Wave of Developer Power Tools[J]. Journal of the ACM, 2003, 50,(1):41-57
[8] 杨善林,李永森,胡笑旋,潘若愚.K-means算法中的K值优化问题研究[J].系统工程理论与实践,,2006,(02)
评论