52、医学图像分析：乳腺摄影区域分类与边缘检测的创新方法

医学图像分析：乳腺摄影区域分类与边缘检测的创新方法

在医学领域，准确的疾病检测和诊断至关重要。乳腺癌作为全球女性死亡的第二大病因，早期检测对于降低死亡率至关重要。同时，在医学影像处理中，边缘检测也是计算机视觉和图像处理应用的基础操作。本文将介绍两种医学图像分析的创新方法，分别是基于Tsallis熵提取的乳腺摄影区域分类方法和对强度不均匀性具有鲁棒性的边缘检测方法。

基于Tsallis熵提取的乳腺摄影区域分类

• 背景与问题 ：乳腺癌死亡率逐年上升，筛查乳腺摄影有助于早期发现异常，但由于乳腺密度等因素，诊断可能困难，还可能出现假阳性结果和不必要的活检。约10% - 30%的放射科医生分析结果会失败。为解决这些问题，计算机辅助检测和诊断系统（CADe和CADx）应运而生。
• 相关工作
  • 许多研究提出了不同的纹理提取方法来改进乳腺组织分析。例如，有基于共生矩阵（GLCM）和灰度游程长度矩阵（GLRLM）的CADe系统，最佳准确率为83.8%。
  • 还有从GLCM矩阵中提取统计特征和形状特征，使用K - 均值和支持向量机进行分类，最佳准确率为93.11%。
  • Tsallis熵常用于区域分割，q指数值的变化可提供一组用于二值分割的阈值。
• 方法
  • 灰度共生矩阵（GLCM） ：数字图像可表示为空间域Lx和Ly的笛卡尔积。GLCM用于从图像中提取纹理信息，根据特定方向θ（θ