一種基于PCNN和小波變換的乳腺密度測(cè)量方法

漆云亮，楊 臻,2，馬義德

(1. 蘭州大學(xué) 信息科學(xué)與工程學(xué)院，甘肅 蘭州 730000；2. 蘭州交通大學(xué) 信息工程學(xué)院，甘肅 蘭州 730070)

0 引言

乳腺組織主要包含兩部分：脂肪組織和纖維腺體組織。乳腺纖維腺體組織通常又被稱為乳腺鉬靶密度或乳腺密度。高乳腺密度在乳腺癌病例中占有很高的比例，并且乳腺密度也被認(rèn)為是乳腺癌變風(fēng)險(xiǎn)預(yù)測(cè)最重要的因素之一[1-3]。研究發(fā)現(xiàn)，低脂肪飲食和激素治療可以降低乳腺密度[4]，希望能通過該策略降低這種風(fēng)險(xiǎn)因素，從而阻止乳腺癌變的進(jìn)一步發(fā)展[5]。為了監(jiān)控這種預(yù)防措施的進(jìn)展，提出一種定量的、準(zhǔn)確的乳腺密度的測(cè)量方法就顯得很必要了，這可以通過分割出乳腺鉬靶X線圖像的致密部分，再進(jìn)一步檢測(cè)計(jì)算出致密區(qū)域占乳腺區(qū)域的百分比來完成。最早描述乳腺密度的方法主要是用視覺估計(jì)法把乳腺鉬靶 X線圖像分成 4個(gè)類型[6]，分別是脂肪型（BIRADS-1）、纖維腺體型（BIRADS-2）、相對(duì)致密型（BIRADS-3）和致密型（BIRADS-4）。但是這種方法受觀察者主觀偏差的影響較大，因此一系列精確測(cè)量乳腺密度的方法，如手動(dòng)跟蹤和測(cè)面計(jì)算法[7]被提出，但其缺點(diǎn)是耗時(shí)較長。近年來，一種半定量的測(cè)量技術(shù)被提出，它基于用戶指定的全局閾值將乳腺致密區(qū)域從鉬靶X線圖像中分割出來[8]。這種方法相對(duì)主觀分類法來說已經(jīng)比較定量化了，而且對(duì)手動(dòng)測(cè)量法來說也是一種改進(jìn)。但是它也存在很多不足，如：耗時(shí)較長、大量的用戶干預(yù)等，而且簡單的閾值化不能全面的說明乳腺鉬靶X線圖像的對(duì)比度和灰度變化。例如：乳腺鉬靶X線圖像某個(gè)區(qū)域的纖維腺體組織可能和另一個(gè)區(qū)域的脂肪組織有著相似的灰度級(jí)。放射科醫(yī)生通常認(rèn)為乳腺致密區(qū)域是片狀的，呈現(xiàn)出很高的灰度值，但不包括寬度變化的血管區(qū)域。

本文首次將PCNN運(yùn)用于乳腺密度區(qū)域的檢測(cè)，提出了一種基于PCNN與小波變換的乳腺鉬靶X線圖像處理算法，并能較準(zhǔn)確的測(cè)量出乳腺密度。首先是乳腺鉬靶X線圖像預(yù)處理階段，采用最大連接域標(biāo)記和區(qū)域生長的方法去除圖像的標(biāo)簽和肌肉；然后利用小波變換分解出低頻信息，用高斯濾波器去除噪聲和干擾信息，進(jìn)而采用頂帽變換和灰度拉伸變換函數(shù)增強(qiáng)乳腺致密區(qū)域；下一步利用小波重構(gòu)出的圖像，進(jìn)行乳腺密度自動(dòng)分割；最后用PCNN進(jìn)行檢測(cè)進(jìn)而計(jì)算出乳腺密度。檢測(cè)算法如圖 1所示。實(shí)驗(yàn)證明該處理算法有效、準(zhǔn)確、可行。論文的剩余部分主要是對(duì)實(shí)驗(yàn)數(shù)據(jù)的分析，依據(jù)統(tǒng)計(jì)學(xué)原理，得出了三類乳腺腺體的密度范圍，并分別計(jì)算了準(zhǔn)確度。

圖1 基于PCNN的乳腺密度測(cè)量的流程圖Fig.1 Flow chart of breast density measurement based on PCNN

1 乳腺X線圖像的預(yù)處理

乳腺鉬靶X線圖像的灰度級(jí)差異較小，圖像細(xì)節(jié)比較模糊，因此在醫(yī)學(xué)診斷中帶來很大的干擾，而針對(duì)乳腺鉬靶X線圖像的預(yù)處理算法可以有效的增強(qiáng)圖像對(duì)比度，獲得較好的視覺效果。

1.1 去標(biāo)簽和胸肌

本節(jié)選擇威廉康星乳腺癌數(shù)據(jù)集 MIAS[9]（The Mammographic Image Analysis Society，數(shù)據(jù)集網(wǎng)址：http://peipa.essex.ac.uk/info/mias.html），該數(shù)據(jù)集包含322張乳腺鉬靶X線圖像，附帶乳腺病變的相應(yīng)信息，如位置、背景組織的類型等。一般來講，乳腺鉬靶X線圖像主要由乳腺區(qū)域、胸肌區(qū)域、背景和標(biāo)簽等組成。胸肌和標(biāo)簽等成份會(huì)影響實(shí)驗(yàn)的準(zhǔn)確度，因此有效的去掉標(biāo)簽和胸肌是預(yù)處理中必須的步驟。以乳腺癌數(shù)據(jù)集MIAS中的圖像“mdb003”作為示例，為了去除干擾信息，提高乳腺密度的檢測(cè)率，本節(jié)采用最大連接域標(biāo)記和區(qū)域生長的方法[10]去除標(biāo)簽和胸部肌肉，實(shí)驗(yàn)結(jié)果如圖2所示。

圖2 去標(biāo)簽和胸肌Fig.2 Remove the label and pectoral

1.2 乳腺X線圖像的小波分解及重構(gòu)

小波變換具有時(shí)頻分析的優(yōu)越性，因此，針對(duì)乳腺鉬靶X線圖像細(xì)節(jié)由粗糙到細(xì)膩的特點(diǎn)，小波變換處理的優(yōu)勢(shì)顯得更大。

1.2.1 乳腺鉬靶X線圖像的小波分解

乳腺鉬靶X線圖像的正常組織，如纖維腺體組織和脂肪組織等經(jīng)過小波變換后將被分解到低頻信息中，而乳腺的主要細(xì)節(jié)，如腺體細(xì)節(jié)等屬于高頻信息，還有鈣化點(diǎn)、噪聲等也主要集中在高頻信息中[11]。基于Mallat提出的小波多分辨率分析算法[12]，乳腺鉬靶X線圖像經(jīng)過小波變換會(huì)被分解為四個(gè)子圖像，按照從高頻到低頻的順序，依次是對(duì)角信息Dk、垂直信息Vk、水平信息Hk、近似信息Ak，圖像的主要信息則集中在Ak頻帶中，所承載的信號(hào)能量在四個(gè)頻帶中也是最大的，而其他的三個(gè)高頻子帶的能量相對(duì)較小，主要包含乳腺的一些細(xì)節(jié)信息。在實(shí)驗(yàn)中，本文采用系數(shù)為 1/2的默認(rèn)低通和高通濾波器來進(jìn)行乳腺鉬靶X線圖像的小波分解，根據(jù)一維離散小波分解的基礎(chǔ)，依次對(duì)已處理的乳腺鉬靶X圖像（已去標(biāo)簽和肌肉）的矩陣的每一行和每一列進(jìn)行一維離散小波分解，進(jìn)而完成乳腺鉬靶X線圖像的小波分解過程，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 乳腺鉬靶X線圖像的小波分解Fig.3 Wavelet decomposition of mammography target mammogram

從實(shí)驗(yàn)結(jié)果圖可以看出，乳腺鉬靶X線圖像的信息主要集中在小波低頻子帶中，包含了圖像的主要能量，而其他的三個(gè)高頻子帶僅包含了腺體等細(xì)節(jié)部分，集中了信號(hào)少量的能量，這與小波理論也是相符的。

1.2.2 乳腺鉬靶X線圖像的增強(qiáng)

為了增大乳腺鉬靶X線圖像的對(duì)比度，增強(qiáng)乳腺纖維腺體區(qū)域，本節(jié)采用灰度拉伸函數(shù)來處理小波分解圖像的低頻子帶，這里采用γ函數(shù)，表示為：

上式中，r是乳腺鉬靶 X線圖像經(jīng)過小波變換后的低頻子帶圖像，γ是一個(gè)常數(shù)，如果0<γ<1,那么乳腺鉬靶X線圖像的較亮區(qū)域會(huì)被增強(qiáng)，反之，較暗區(qū)域會(huì)被增強(qiáng)，經(jīng)過多次實(shí)驗(yàn)，我們選擇γ的值為0.6時(shí)結(jié)果較為理想。圖4(b)展示了γ變換增強(qiáng)后的圖像，可以看到，乳腺鉬靶X線圖像的纖維腺體等致密區(qū)域的灰度級(jí)強(qiáng)度相比原圖更大。

如圖4所示，(b)圖為低頻子帶經(jīng)過灰度拉伸變換增強(qiáng)的結(jié)果，為了平滑模糊背景區(qū)域，還需要進(jìn)一步將灰度拉伸函數(shù)增強(qiáng)后的圖像濾波，這里本節(jié)采用高斯濾波器，基于一維低通高斯濾波器，可以得到二維高斯濾波器：

其中，D(u,v)表示到頻窗中心的距離，D0是截止頻率，濾波結(jié)果如圖4(c)所示。

圖4 乳腺X線圖像低頻子帶的處理結(jié)果Fig.4 Processing results of low-frequency subband of mammography

1.2.3 乳腺鉬靶X線圖像的小波重構(gòu)

由前面內(nèi)容我們知道，經(jīng)過小波分解的乳腺鉬靶X線圖像包含四個(gè)子圖像，分別是對(duì)角信息Dk、垂直信息Vk、水平信息Hk、近似信息Ak，而三個(gè)高頻子帶包含了原圖像的細(xì)節(jié)信息，為了不丟失圖像的細(xì)節(jié)信息，還需要對(duì)分解后的圖像進(jìn)行小波重構(gòu)，重構(gòu)后的實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 小波重構(gòu)結(jié)果Fig.5 W avelet reconstruction results

2 乳腺鉬靶X線圖像的密度測(cè)量

在這一小節(jié)，乳腺鉬靶X線圖像將基于提出的算法被自動(dòng)處理，分割出腺體致密區(qū)域，然后用脈沖耦合神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)，最后計(jì)算出乳腺密度。

2.1 乳腺致密區(qū)域的自動(dòng)分割

本節(jié)的實(shí)驗(yàn)數(shù)據(jù)采用了威廉康星乳腺癌數(shù)據(jù)集MIAS的322張乳腺鉬靶X線圖像，這些圖像代表著很大范圍的X射線照相特征，包括從高脂肪型到極致密型等等。完整乳腺區(qū)域的分割可以通過Kittler和Illingworth’s的最佳閾值算法[13]來完成，這個(gè)算法是在假設(shè)閾值可以區(qū)分目標(biāo)像素和背景像素的條件下完成的。在本節(jié)的實(shí)驗(yàn)中，經(jīng)過預(yù)處理、小波分解等方法的增強(qiáng)處理，乳腺區(qū)域已經(jīng)被完整的呈現(xiàn)，然后致密區(qū)域可以再進(jìn)一步分割。然而，傳統(tǒng)的閾值分割方法對(duì)后期乳腺密度的評(píng)估會(huì)造成嚴(yán)重偏高，因?yàn)橹旅軈^(qū)域的分割結(jié)果很大程度的包含了一些血管和韌帶組織，這些細(xì)小的組織有著很高的灰度值，它們和纖維腺體組織的灰度值很相近，因此會(huì)很粗略的被分割到致密區(qū)域中。

為此，本節(jié)采用了 Sivaramakrishna[14]提出的修改分割算法，可以較理想的分割出乳腺纖維腺體致密區(qū)域而不包含血管和韌帶組織?；驹砜梢员硎緸椋?/p>

其中，S是鄰域的總像素?cái)?shù)，這里我們選用5×5的鄰域窗口，M表示鄰域窗口內(nèi)的像素值，M(I, J)表示鄰域窗口的中心像素值。

通過式（5）就可以將乳腺鉬靶 X線圖像變換到“V域”，在“V域”圖像中，低 V值的纖維腺體組織相比高V值的血管、韌帶組織有更大的灰度值，而這些血管、韌帶像素的強(qiáng)度將被弱化。“V域”變換的實(shí)驗(yàn)結(jié)果如圖6所示：(a)是原圖，(b)是變換到“V域”的經(jīng)過灰度級(jí)標(biāo)定的實(shí)驗(yàn)結(jié)果。

圖6 乳腺鉬靶X線圖像的“V域”變換Fig.6 “V domain” transformation of mammography target mammogram

2.2 基于PCNN檢測(cè)乳腺致密區(qū)域

脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse coupled neural network-簡稱PCNN）是一種不需要訓(xùn)練的單層神經(jīng)網(wǎng)絡(luò)，它起源于Eckhorn神經(jīng)元模型[15]，是受貓的大腦皮層視覺區(qū)神經(jīng)元的傳導(dǎo)特性啟發(fā)而來的。PCNN與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)不同，并且在很多領(lǐng)域中已經(jīng)被證明是一種高效的處理工具?；谄渖飳W(xué)背景，PCNN非常適合用于數(shù)字視覺圖像的處理[16]，如文獻(xiàn)[17]提出的基于最大熵準(zhǔn)則的植物細(xì)胞圖像的分割等應(yīng)用。如圖7所示為構(gòu)成PCNN的單個(gè)神經(jīng)元的基本模型，傳統(tǒng)神經(jīng)元算法通常不能很方便的應(yīng)用到實(shí)際中，并且由于設(shè)定參數(shù)過多，算法的效率也不高。因此，在實(shí)際中，一些簡易的PCNN模型被使用?；谌橄巽f靶X線圖像的特點(diǎn)，本節(jié)采用一種簡易的模型[18]，其中還需要設(shè)定恰當(dāng)?shù)膮?shù)，在所使用的模型中涉及六個(gè)參數(shù)的設(shè)定，分別是Fα、Eα、VE、β、VL和n，在密度檢測(cè)的實(shí)驗(yàn)中，基于文獻(xiàn)[19]，

圖7 脈沖耦合神經(jīng)元模型Fig.7 Pulse coupled neuron model

本節(jié)采用半自動(dòng)的參數(shù)調(diào)節(jié)，由于每張乳腺鉬靶X線圖像的致密區(qū)域特點(diǎn)的不同，n和αE的設(shè)定需要依據(jù)經(jīng)驗(yàn)值確定，如“mdb003”作為例子，本書設(shè)置αE=1，效果較好。其他參數(shù)的設(shè)定為：

其中，σ(I)為輸入圖像I的標(biāo)準(zhǔn)差；Smax為輸入圖像像素的最大灰度值，S′是基于大津法[20]的最佳直方圖閾值。密度檢測(cè)實(shí)驗(yàn)的結(jié)果如圖8所示。

圖8 基于PCNN的乳腺密度檢測(cè)結(jié)果Fig.8 PCNN-based detection results of breast density

其中，(a)圖為預(yù)處理原圖，(b)圖為經(jīng)過PCNN檢測(cè)的圖像。

為了證實(shí)本節(jié)處理算法的可靠性，我們對(duì)MIAS數(shù)據(jù)集中的322張乳腺鉬靶X線圖像進(jìn)行算法檢測(cè)處理和密度計(jì)算。

從乳腺腺體組織類型的角度，分析MIAS數(shù)據(jù)庫里的乳腺鉬靶X線圖像，主要分為三類：分別是F（Fatty）型（脂肪型）、D(Dense-glandular）型（致密腺體型）、G(Fatty-glandular）型（脂肪腺體型）。我們分別對(duì)脂肪型（F）乳腺、致密腺體型（D）乳腺和脂肪腺體型（G）乳腺進(jìn)行了乳腺密度計(jì)算分析和統(tǒng)計(jì)。

脂肪腺體型（G）乳腺的纖維腺體成份相比致密腺體型（D）乳腺較低，相對(duì)應(yīng)其乳腺密度也較小，從主觀視覺定性來看，這類腺體的亮度范圍也相對(duì)較小，因此，為便于后續(xù)PCNN腺體密度像素灰度值檢測(cè)，需要在實(shí)驗(yàn)中根據(jù)實(shí)際情況調(diào)整灰度拉伸參數(shù)γ。

一般情況下，將參數(shù) γ調(diào)小就能取得較好的效果。如圖 8所示，本節(jié)以 MIAS數(shù)據(jù)集中的“mdb041”圖像為例，來說明這類乳腺鉬靶X線圖像的密度檢測(cè)實(shí)驗(yàn)，基于上述對(duì)脂肪腺體型乳腺的腺體特點(diǎn)分析，實(shí)驗(yàn)參數(shù)的選擇為γ=0.1，αe=1.15。實(shí)驗(yàn)結(jié)果如圖9所示。

圖9 致密腺體型乳腺的密度檢測(cè)過程Fig.9 Density detection process of dense glandular breast

其中，(a)為原始的乳腺鉬靶 X線圖像，(b)為預(yù)處理后的圖像，(c)圖為乳腺鉬靶X線圖像的小波低頻子帶經(jīng)過灰度拉伸變換的結(jié)果，(d)圖為小波重構(gòu)后的圖像，(e)圖為“V域”圖像，(f)圖為PCNN檢測(cè)“V域”圖像的結(jié)果。

2.3 乳腺X線圖像的密度數(shù)據(jù)分析

為了證明該處理算法有效，在本小節(jié)中，將對(duì)MIAS數(shù)據(jù)集中的322張乳腺鉬靶X圖像進(jìn)行密度測(cè)量和分析。

2.3.1 乳腺鉬靶X線圖像的密度分析

SPSS作為一款具有人機(jī)交換界面的統(tǒng)計(jì)軟件，在數(shù)據(jù)分析和處理方面有著強(qiáng)大的功能，特別適合用于數(shù)據(jù)的統(tǒng)計(jì)分析。本節(jié)中，將借助該軟件來處理實(shí)驗(yàn)數(shù)據(jù)。

本節(jié)首先對(duì)脂肪腺體型乳腺圖像進(jìn)行分析，在MIAS數(shù)據(jù)集中，共有103張脂肪腺體型（G）乳腺圖像，對(duì)其進(jìn)行算法處理和檢測(cè)，基于SPSS軟件繪制出密度分布直方圖如圖10所示。

圖10 脂肪腺體型（G）乳腺密度分布直方圖Fig.10 Fat gland type (G) breast density distribution histogram

可以直觀的看出，脂肪腺體型乳腺的密度分布主要集中在5%-10%之間，基于0.95的置信水平的估計(jì)，其置信區(qū)間為6.55%-9.18%。

類似地，MIAS數(shù)據(jù)集共有113張致密腺體型（D）乳腺圖像，對(duì)其進(jìn)行算法處理，運(yùn)用SPSS數(shù)據(jù)分析軟件，本節(jié)繪制出了密度分布直方圖如圖11所示。

從圖11，可以直觀的看到致密腺體型乳腺的乳腺密度大致分布在>20%的范圍內(nèi)，為了不違背客觀性，本節(jié)以0.95的置信水平對(duì)其做了置信區(qū)間的估計(jì)，經(jīng)過SPSS軟件的置信區(qū)間分析，致密腺體型乳腺的密度分布的置信區(qū)間為：25.63%-30.35%。

圖11 致密腺體型（D）乳腺密度分布直方圖Fig.11 Histogram of dense glandular type(D) breast density distribution

和前兩種乳腺的密度分析一樣，運(yùn)用 SPSS軟件進(jìn)行脂肪型（F）乳腺的密度分布直方圖分析，結(jié)果如圖12所示。可以看到，脂肪型乳腺的纖維腺體成份極少，密度分布極低，大概分布在 2%以下，通過0.95的置信水平分析，可以得到脂肪型乳腺的密度分布的置信區(qū)間為：1.07%-1.53%。

圖12 脂肪型（F）乳腺密度分布直方圖Fig.12 Histogram of density distribution of fat type (F) breast

2.3.2 乳腺密度測(cè)量的誤差分析

前面我們已經(jīng)利用乳腺鉬靶X圖像的實(shí)驗(yàn)測(cè)量密度分布估計(jì)出了密度的置信區(qū)間，此外，還需要分析實(shí)驗(yàn)中造成誤差的因素和誤差大小。

影響本節(jié)方法處理性能的主要誤差因素是灰度拉伸算法和PCNN的參數(shù)設(shè)定難以最佳。根據(jù)三種類型的乳腺密度分布的置信區(qū)間和分布直方圖，我們可以確定三種乳腺鉬靶X線圖像的密度范圍分別為：脂肪型（F型，<1.53%），脂肪腺體型（G型，1.53%-9.18%）和致密腺體型（D型，>9.18%）。設(shè)三種類型的乳腺的測(cè)量誤差分別為σD、σG和σF， 則它們的值為：

其中，D0為實(shí)驗(yàn)測(cè)量中不在密度范圍內(nèi)的圖像計(jì)數(shù)，D為該乳腺類型的總圖像數(shù)。

經(jīng)統(tǒng)計(jì)分析，113張致密腺體型乳腺密度測(cè)量中有四張是密度低于界限值的，測(cè)量情況如表 1所示。

表1 致密腺體型（D）乳腺誤測(cè)密度Tab.1 Dense glandular type (D) Mammary gland falsely measured density

于是得到致密腺體型（D）乳腺密度的測(cè)量誤差為：

同樣的方法，可以得到其他兩種乳腺的密度測(cè)量誤差為：σG= 1 2.3%和σF= 1 1.8%。

表2給出了所提算法對(duì)每一類乳腺密度的測(cè)量準(zhǔn)確度，同時(shí)給出了文獻(xiàn)[21]和文獻(xiàn)[22]的方法的對(duì)比實(shí)驗(yàn)結(jié)果。文獻(xiàn)[21]的乳腺密度類別為四類，為了便于分析，我們將D、G、F型乳腺分別對(duì)應(yīng)于文獻(xiàn)[21]和文獻(xiàn)[22]的Ⅰ、Ⅱ和Ⅲ、Ⅳ進(jìn)行對(duì)比。從表2可以看出，本文方法對(duì)D、G和F型乳腺分類性能相比文獻(xiàn)[21]有了明顯提高，此外，本文方法相比文獻(xiàn)[22]有更強(qiáng)的魯棒性。

表2 乳腺密度測(cè)量準(zhǔn)確度對(duì)比Tab.2 Comparison of measurement accuracy of breast density

3 結(jié)果與討論

本節(jié)以PCNN和小波變換為基礎(chǔ)，對(duì)乳腺鉬靶X線圖像進(jìn)行了密度測(cè)量，得到了322組乳腺密度的測(cè)量樣本，通過數(shù)據(jù)統(tǒng)計(jì)分析估計(jì)了三種乳腺腺體類型的界限值，由實(shí)驗(yàn)結(jié)果可以知道，在誤差允許的范圍內(nèi)，該乳腺密度的測(cè)量算法是可靠的。

目前還沒有對(duì)乳腺密度界限值的分類的系統(tǒng)的方法，因此，除了本節(jié)的分類方法之外，對(duì)致密腺體型（D型）、脂肪腺體型（G型）和脂肪型（F型）的乳腺密度分類估計(jì)還是比較主觀的。

傳統(tǒng)的乳腺鉬靶X線圖像的密度檢測(cè)大多是通過閾值分割得到腺體致密區(qū)域，進(jìn)而求得面積百分比作為乳腺密度值。一般情況下，這種基于直方圖分析的閾值分割方法是要具備理想條件的，因?yàn)樗荒芴幚硐袼亻g的閾值存在的情況，如乳腺和背景區(qū)域等。因此本節(jié)引用了Sivaramarishna的自動(dòng)分割算法，避免了脂肪和血管等組織對(duì)腺體密度測(cè)量造成的干擾。本節(jié)的處理算法基于乳腺鉬靶X線圖像，運(yùn)用小波變換和PCNN檢測(cè)纖維腺體區(qū)域，原始圖像首先要經(jīng)過去標(biāo)簽和肌肉的預(yù)處理操作，然后通過小波變換分解出低頻信息，再用灰度拉伸操作進(jìn)行纖維腺體增強(qiáng)，最后用高斯濾波器模糊背景后進(jìn)行小波重構(gòu)。然后進(jìn)行密度自動(dòng)分割，最后用PCNN檢測(cè)并計(jì)算。

在實(shí)驗(yàn)中，需要對(duì)算法處理的結(jié)果進(jìn)行區(qū)間估計(jì)分析，利用SPSS軟件，本書以0.95的置信水平估計(jì)了三種乳腺的密度分布的置信區(qū)間，并由此確定了三種腺體的密度界限值。值得一提的是，本節(jié)用PCNN檢測(cè)纖維腺體區(qū)域，與傳統(tǒng)的計(jì)算面積比例的方法不同，以檢測(cè)到的密度二值圖像像素點(diǎn)求得總和的方式來計(jì)算乳腺密度，因此，整體密度水平相對(duì)較低，但這并不影響PCNN檢測(cè)的準(zhǔn)確性。在PCNN和灰度拉伸的參數(shù)調(diào)節(jié)方面，實(shí)現(xiàn)了半自動(dòng)化處理，接下來我們會(huì)把工作重心轉(zhuǎn)移到全自動(dòng)化方面，以及對(duì)癌變?nèi)橄俸驼Ｈ橄巽f靶X線圖像的密度分類上，然后進(jìn)一步探索PCNN的高效率，高準(zhǔn)確性檢測(cè)。

4 結(jié)論

本節(jié)基于PCNN和小波變換講述了一種定量的乳腺密度測(cè)量方法，主要分為兩階段：乳腺鉬靶X線圖像的預(yù)處理和乳腺密度的檢測(cè)、計(jì)算。具體地，第一階段，乳腺圖像依次經(jīng)過去標(biāo)簽和胸肌、小波變換、圖像去噪、圖像增強(qiáng)、小波重構(gòu)處理。第二階段，預(yù)處理后的圖像依次經(jīng)過乳腺密度分割、PCNN檢測(cè)、乳腺密度的計(jì)算。實(shí)驗(yàn)驗(yàn)證了本節(jié)所提算法的有效性。