26、乳腺组织密度分类：方法与实验结果

乳腺组织密度分类：方法与实验结果

1. 研究背景与目标

在乳腺组织密度分类领域，已有诸多研究。Wu等人应用深度卷积神经网络对四类乳腺组织密度进行分类。Kashyap等人使用主导旋转局部二值模式（DRLBP）和局部二值模式（LBP）特征，将乳腺组织密度分为脂肪、腺体和致密三类，在MIAS数据集上使用DRLBP特征实现了高达94.21%的分类准确率。他们采用基于分数阶的技术进行乳腺图像增强，运用形态学操作提取乳腺区域，并使用模糊C均值（FCM）分割乳腺组织。

本研究目标是进行四类乳腺组织分类，与Kashyap等人的三类分类不同。同时，考虑到之前基于分数阶的增强方法依赖于需针对特定应用调整的分数阶参数，本研究采用基于偏微分方程（PDE）的各向异性扩散方程进行乳腺图像增强，应用变分水平集方法更好地提取乳腺区域，并使用快速模糊C均值（FFCM）聚类分割乳腺组织。此外，使用基于径向基函数（RBF）的无网格技术进行变分水平集方法的演化，该技术比基于网格的技术更快。为进一步验证DRLBP特征的有效性，将其性能与另一种基于纹理的局部三元模式（LTP）特征进行比较，因为LTP可以解决LBP的局限性。

2. 提出的技术

提出的方法包括预处理、乳腺组织分割、特征提取和分类步骤。

2.1 预处理

预处理包括乳腺区域分割和乳腺图像增强。
- 乳腺区域分割 ：使用基于偏微分方程（PDE）的变分水平集方法，该步骤可消除不必要的背景信息，保留包含有用信息的乳腺区域。水平集方法的演化通过全局支持的基于径向基函数的无网格技术实现。
- 乳腺图像增强 ：使用