导读:本文包含了肿块识别论文开题报告文献综述及选题提纲参考文献，主要关键词:目标检测,钼钯X线图像,双侧特征融合,乳腺肿块检测
肿块识别论文文献综述
罗铃[1]（2019）在《基于目标识别技术的双边融合钼钯肿块检测框架的研究与实现》一文中研究指出乳腺癌是妇女最常见的恶性肿瘤之一,而钼钯影像是当前最有效的乳腺癌早期检测的手段之一。通过潜在异常的早期检出,医生可以建议患者做进一步检查从而规避恶化风险。当前的研究进展显示计算机辅助检出(CAD)可以帮助医生在早期阶段从数字钼钯影像中发现乳腺肿块,从而大大提升医生的工作效率。然而由于肿块大小、形状、密度差异较大,肿块检出仍是个巨大挑战。传统方法往往依赖于特征描述和阈值,泛化性较差,而随着深度学习在图像领域的发展,基于深度学习的肿块检出只利用了单侧影像,假阳性较多。根据医生临床经验,结合双侧图像能有效提高识别准确率,许多研究成果也表明双侧信息融合有望改进CAD系统的识别效果。因此,本文提出了基于目标识别技术的双侧特征融合的钼钯肿块检测算法。该算法首先进行图像预处理,对双侧乳腺的相同机位图像提取感兴趣区域,将匹配好的一对图像作为目标检测网络的输入。通过在Mask R-CNN网络中加入特征融合模块生成双侧对比特征图,从而建立融合的特征模型,并同时实现目标检测和语义分割。在两个公开数据集DDSM和INbreast上的对比实验结果表明,与传统的基于单侧的乳腺肿块检测算法相比,在平均每张图1个假阳性时,文中算法在DDSM上提升了6.95%的召回率,在INbreast上提高了4.79%的召回率。(本文来源于《北京邮电大学》期刊2019-02-25）
朱婷[2]（2018）在《钼靶X线乳腺图像中的肿块检测与识别》一文中研究指出乳腺癌是全世界女性最常见的恶性肿瘤之一,且其发病率和死亡率在近年呈现迅速增长的趋势,早期的发现与确诊是降低乳腺癌死亡率的关键,也是早期诊断的关键。其中,肿块是乳腺疾病X线摄影诊断中最常见的直接征象之一,在此背景下,本文主要研究肿块的检测与良恶性识别。本文主要分为两个部分:肿块的检测和良恶性识别。检测部分使用的是一种分析双视图乳腺图像的方法。在现有的肿块检测方法中,只使用单个视图的乳腺信息,会产生较多的假阳性。本文首先使用多同心层(Multiple Concentric Layers,MCL)初始检测方法检测出单侧乳腺的可疑区域;然后利用基于圆弧的方法,在乳腺的头足轴(CC)视图和侧斜(MLO)视图上对相应区域进行匹配。除了提取几何特征和纹理特征之外,在匹配后的一对可疑区域中提取了相似特征,有效的利用了两个视图上的信息;接着使用双支持向量机递归特征消除(MTWSVM-RFE)进行特征选择,双支持向量机(TWSVM)进行分类,有效的减少了假阳性。肿块良恶性识别部分主要提出一个非平行的双支持向量机联合L21范数(TWSVML21)的特征选择方法,新加入的L21正则项具有组稀疏性,能从正负样本中选出重要的特征。由于新加入了L21正则项,会导致目标函数求解困难。本文提出了一种迭代的算法来求解目标函数。在实验部分,将提出的TWSVML21应用到了肿块的良恶性识别问题上,在其他的叁个基准数据集上也进行了试验。结果表明,本文提出的TWSVML21具有可行性和有效性。DDSM数据集上的测试结果表明,双视图的肿块检测能有效的减少假阳性,基于TWSVML21的肿块良恶性识别也能达到预期的效果。(本文来源于《武汉科技大学》期刊2018-05-01）
严郁,方舸,蔡润秋,袁开开,吴意贇[3]（2016）在《基于乳腺肿块的超声射频信号特征算法识别》一文中研究指出目的:对超声射频信号进行数据编译与信号处理研究,得到具有临床诊断意义的相关特征参数,用以辅助乳腺肿块的临床诊断。方法:将VINNO 70超声诊断平台的后台数据库提供的超声射频信号数据,在Matlab软件系统中编写标准差及熵值算法,处理数值矩阵中肿块区域与正常组织区域数值,以得到乳腺肿块区域参数。结果:通过标准差及熵值算法的处理显示,正常区域的熵值及标准差数值比肿块区域均高出40%。结论:超声射频信号特征算法中的标准差及熵值算法处理,能够有效区别乳腺肿块区域与正常组织区域。(本文来源于《中国医学装备》期刊2016年09期）
鲁相玉[4]（2015）在《乳腺钼钯X线图像肿块识别算法研究》一文中研究指出乳腺癌是女性常见的恶性肿瘤之一,也是导致女性死亡的首要原因。临床实验证明,早发现、早治疗可以提高乳腺癌患者的存活率。乳腺钼靶X线摄影术是乳腺癌检测的首选方法,也是乳腺癌早期预防和诊断最可靠有效的工具。乳腺肿块是乳腺癌的一个重要症状。然而,乳腺钼靶x线图像对比度低,肿块边缘模糊,给医生及时发现病变带来了一定的困难。随着计算机技术的不断发展,以及各种先进理论的不断支持,计算机辅助检测技术已成为国内外乳腺癌早期诊断的研究热点。该技术能够有效地降低肿块的漏检率和误检率,为临床医生的诊断提供有效的“第二意见”。本文主要从乳腺肿块的分割和识别两个方面进行了研究,内容如下：1.提出了基于矢量场卷积(Vector Field Convolution, VFC) Snake模型和粗集理论增强的乳腺肿块提取方法。针对乳腺钼靶x线图像对比度低、肿块边缘模糊等特点,本文首先采用粗集理论方法增强图像对比度,并利用Hough变换等方法对肿块进行粗定位；接着针对典型VFC Snake模型进行肿块分割时轮廓线收敛不完全的问题,做了如下改进：通过Canny算子求粗集理论方法修正后图像.的梯度,将获取的边界映射与向量场核的卷积作为新外力；以粗定位的肿块位置信息作为模型内力。实验表明,改进后算法获得了更高的肿块检测率、精确度且与手动分割结果更为相似。2.提出了基于肿块区域特征和随机森林的良恶性识别算法。首先提取了肿块及其周围区域的形状、边缘、灰度、纹理等32个特征,之后利用随机森林分类器进行分类研究,并与支持向量机、遗传算法优化的支持向量机、粒子群优化的支持向量机、决策树等方法进行对比。结果表明,当分别基于DDSM图像库中的特征和基于DDSM、MIAS两个图像库中的特征进行肿块分类时,本文方法均取得了较高的分类精确度,达到了93.24%和91.73%,此时ROC曲线下的面积分别为0.9632、0.9467。本文方法可为肿块计算机辅助检测与诊断系统的设计提供一定的理论依据。(本文来源于《兰州大学》期刊2015-04-01）
王向鸿,钟莹,孙一心,李醒飞[5]（2016）在《基于触诊成像的肿块识别系统研究与设计》一文中研究指出乳腺癌的早期发现对于乳腺癌的治疗有十分重要的意义,设计了基于触诊成像的肿块识别系统。该系统由压力信号检测单元、信号控制单元和图像处理单元组成,压力信号检测单元实现压力信号的采集,信号控制单元由FPGA控制多路开关的选通来扫描压力阵列传感器的电容信号,并将数据通过EZ-USB发送给上位机,图像处理单元对压力图像进行处理来滤除噪声。其中图像处理单元是该系统的枢纽,运用最小二乘曲面拟合校正压力图像,最大类间方差法和基于滤波的图像邻域评级技术对压力图像进行分割,对压力图像进行线性插值来提高图像分辨率。实验结果表明,该系统可以在复杂噪声图像中有效地识别出肿块。(本文来源于《计算机工程与应用》期刊2016年10期）
徐胜舟,裴承丹[6]（2015）在《基于遗传算法和支持向量机的乳腺肿块识别》一文中研究指出乳腺癌是中老年妇女的主要死因之一。为提高乳腺肿块识别性能,在对可疑肿块提取包括灰度、形态、纹理在内的多种特征的基础上,提出一种基于改进遗传算法和支持向量机的肿块识别方法。首先,将待选特征编码成二进制染色体,以支持向量机分类结果和被选特征的个数来构造个体适应度,然后通过遗传算法找到最优特征子集作为支持向量机的输入。在2267个病例数据上采用10折交叉验证法进行仿真对比实验。结果表明,所提出的方法对肿块识别具有较高的正确率,可为乳腺肿块的计算机辅助检测提供参考。(本文来源于《计算机仿真》期刊2015年02期）
李明希[7]（2011）在《如何识别各种肿块的良恶》一文中研究指出★当身体上突然出现肿块时,你会无视它的存在,还是会感到恐慌?近日,英国《每日邮报》的采访了考文垂大学附属医院头颈外科的赫什曼·米恩娜及其他学科的九位专家。这些专家指出,人们应这样识别身体上以下9个部位突然出现的肿块:(本文来源于《求医问药》期刊2011年05期）
王怡,秦茜淼,陈为民,杨永明[8]（2003）在《188枚良恶性乳腺肿块声像图识别》一文中研究指出目的 通过分析188枚经手术证实的乳腺肿块病理结果与术前超声声像图特征,以期对乳腺肿块的良恶性鉴别提出一个超声诊断的标准。方法 在本院接受手术治疗的185位乳腺肿块患者,手术切除肿块188枚,其中良性肿块107枚,恶性肿块81枚。使用仪器:Sequoia 512,探头为8MHz-13MHz宽频线阵探头。鉴别良恶性肿块的参数为:形状、边缘、边界回声、内部回声、后方回声、侧后声影、纵横比例。结果 各类良性肿块的诊断准确率为97％(104/107)。各类恶性肿块的诊断准确率为85％(69/81)。结论 为了提高超声对乳腺肿块的良恶性诊断准确性,必须考虑肿块的声像图特征,肿块与周围组织的关系以及不同病理类型的良恶性乳腺肿块的声像图特征。(本文来源于《上海医学影像》期刊2003年01期）
徐晓燕,严壮志,童俯[9]（2003）在《基于多分辨率图像锥结构的乳腺肿块自动识别和描绘方法》一文中研究指出在乳腺图像中,肿块大多被埋没在复杂的、高密度的腺体背景中难以检出和识别。针对这一问题,提出了一种基于多分辨率图像锥结构的乳腺肿块自动识别方法,在低分辨率图像上检测肿块种子区域,在高分辨率图像上实现肿块的边缘细化和描绘。文中介绍了多分辨率图像锥结构的生成方法,并对几种典型的构造方法做了比较;结合传统种子识别的原则,提出了一种使用BP人工神经网络用于实现低分辨率图像中肿块种子区域检测的新方法;在实现由低至高的边缘描绘细化的生长算法中,提出了一种新的权值判别规则,同时添加了标志锥,使得生长算法不再严格受限于肿块种子的面积和形状。用该文提出的方法对MIAS数据库中54幅带有肿块的乳腺图像做了验证,识别率为89%,实验结果证明这种方法对于辅助临床医生诊断乳腺病变是有效的。(本文来源于《计算机工程与应用》期刊2003年08期）
曹文栋[10]（2003）在《耳垂下肿块巧识别》一文中研究指出在日常门诊中，经常可以遇到耳垂下方长有肿块的病人。这种疾病临床常见，生长比较缓慢，有时没有任何临床症状和不舒服感觉，不易引起人们的注意。耳垂下方的肿块常见的是腮腺肿瘤，可分为良性肿瘤(本文来源于《河北科技报》期刊2003-01-23）
肿块识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
乳腺癌是全世界女性最常见的恶性肿瘤之一,且其发病率和死亡率在近年呈现迅速增长的趋势,早期的发现与确诊是降低乳腺癌死亡率的关键,也是早期诊断的关键。其中,肿块是乳腺疾病X线摄影诊断中最常见的直接征象之一,在此背景下,本文主要研究肿块的检测与良恶性识别。本文主要分为两个部分:肿块的检测和良恶性识别。检测部分使用的是一种分析双视图乳腺图像的方法。在现有的肿块检测方法中,只使用单个视图的乳腺信息,会产生较多的假阳性。本文首先使用多同心层(Multiple Concentric Layers,MCL)初始检测方法检测出单侧乳腺的可疑区域;然后利用基于圆弧的方法,在乳腺的头足轴(CC)视图和侧斜(MLO)视图上对相应区域进行匹配。除了提取几何特征和纹理特征之外,在匹配后的一对可疑区域中提取了相似特征,有效的利用了两个视图上的信息;接着使用双支持向量机递归特征消除(MTWSVM-RFE)进行特征选择,双支持向量机(TWSVM)进行分类,有效的减少了假阳性。肿块良恶性识别部分主要提出一个非平行的双支持向量机联合L21范数(TWSVML21)的特征选择方法,新加入的L21正则项具有组稀疏性,能从正负样本中选出重要的特征。由于新加入了L21正则项,会导致目标函数求解困难。本文提出了一种迭代的算法来求解目标函数。在实验部分,将提出的TWSVML21应用到了肿块的良恶性识别问题上,在其他的叁个基准数据集上也进行了试验。结果表明,本文提出的TWSVML21具有可行性和有效性。DDSM数据集上的测试结果表明,双视图的肿块检测能有效的减少假阳性,基于TWSVML21的肿块良恶性识别也能达到预期的效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
肿块识别论文参考文献
[1].罗铃.基于目标识别技术的双边融合钼钯肿块检测框架的研究与实现[D].北京邮电大学.2019
[2].朱婷.钼靶X线乳腺图像中的肿块检测与识别[D].武汉科技大学.2018
[3].严郁,方舸,蔡润秋,袁开开,吴意贇.基于乳腺肿块的超声射频信号特征算法识别[J].中国医学装备.2016
[4].鲁相玉.乳腺钼钯X线图像肿块识别算法研究[D].兰州大学.2015
[5].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
[6].徐胜舟,裴承丹.基于遗传算法和支持向量机的乳腺肿块识别[J].计算机仿真.2015
[7].李明希.如何识别各种肿块的良恶[J].求医问药.2011
[8].王怡,秦茜淼,陈为民,杨永明.188枚良恶性乳腺肿块声像图识别[J].上海医学影像.2003
[9].徐晓燕,严壮志,童俯.基于多分辨率图像锥结构的乳腺肿块自动识别和描绘方法[J].计算机工程与应用.2003
[10].曹文栋.耳垂下肿块巧识别[N].河北科技报.2003