基于Kmean的乳腺腫塊檢測(cè)方法

　　腫塊檢測(cè)

　　根據(jù)經(jīng)驗(yàn)值，腫塊的面積一般在40~90000像素之間，而離心率一般大于0.3，圓形度大于0.735，可靠性大于0.79，占空比大于0.26。根據(jù)這些閾值得到的區(qū)域，我們認(rèn)為是腫塊。經(jīng)過檢測(cè)后的結(jié)果如圖4所示。

　　實(shí)驗(yàn)結(jié)果及分析

　　本文為了驗(yàn)證提出的乳腺圖像中腫塊檢測(cè)方法的有效性，利用臨床實(shí)際圖像進(jìn)行了測(cè)試實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)來自英國的MIAS數(shù)據(jù)庫。MIAS 數(shù)據(jù)庫包含161 位患者的左右乳腺圖像, 共計(jì)322 幅, 每幅圖像均為8位，大小為1024*1024，包括208 幅健康圖像、63 幅良性乳腺癌及51 幅惡性乳腺癌圖像, 病變區(qū)域的邊界已由專家標(biāo)定。另外，本實(shí)驗(yàn)用Matlab2010a作為所提算法的仿真驗(yàn)證平臺(tái)。

　　本文在MIAS數(shù)據(jù)庫中抽取了44幅含有腫塊的圖像作為實(shí)驗(yàn)數(shù)據(jù)。在對(duì)這44幅圖像進(jìn)行Kmean聚類后，得到的疑似區(qū)域中包含真陽性區(qū)域42個(gè)和假陽性區(qū)域232個(gè)，即平均每幅圖像有5.27個(gè)假陽區(qū)域。另外，有兩幅圖像沒有得到正確的感興趣區(qū)域(ROI)，原因是腫塊在圖像中的灰度值并不是最大的。如圖5所示，圖(a)中的紅線表示醫(yī)生所標(biāo)注的腫塊的位置，圖(b)中的紅線表示經(jīng)過Kmean聚類后的ROI。

　　經(jīng)過腫塊檢測(cè)后，得到的腫塊個(gè)數(shù)是41個(gè)，假陽性區(qū)域?yàn)?.18個(gè)/幅。因此，本文所提方法的準(zhǔn)確率為41/44=93.2%，能夠有效的檢測(cè)出乳腺圖像中的腫塊。

　　結(jié)論

　　乳腺癌是一種嚴(yán)重威脅婦女生命健康的惡性腫瘤，只有盡早的發(fā)現(xiàn)并治療，才有可能使患者得到救治。本文提出了一種基于Kmean的腫塊檢測(cè)方法。首先利用Kmean獲得感興趣區(qū)域，然后利用腫塊的形態(tài)特征將腫塊和正常組織分離開來，其準(zhǔn)確率為93.2%，與傳統(tǒng)方法相比具有一定的優(yōu)勢(shì)。

　　參考文獻(xiàn)：
　　[1] 丁麗央,陳坤,沈高飛等.乳腺癌危險(xiǎn)因素病例對(duì)照研究[J].中國慢性病預(yù)防與控制,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] 楊善林,李永森,胡笑旋,潘若愚.K-means算法中的K值優(yōu)化問題研究[J].系統(tǒng)工程理論與實(shí)踐,,2006,(02)