1、計算機(jī)輔助檢測與診斷系統(tǒng)可以幫助醫(yī)生提高乳腺癌的早期發(fā)現(xiàn)率和診斷準(zhǔn)確率。目前，輔助檢測與診斷系統(tǒng)在腫塊檢測上的主要問題是靈敏度較低而假陽性較高，且只提示病變區(qū)域而不解釋為何這些區(qū)域被標(biāo)記出來的黑盒方式降低了醫(yī)師對其提示的認(rèn)可和信賴。一種新的基于圖像內(nèi)容檢索的計算機(jī)輔助診斷系統(tǒng)被提出，其可以為待檢測的感興趣區(qū)域返回最相似的K幅帶確診結(jié)果的參考區(qū)域和相關(guān)的決策分?jǐn)?shù)。相比于黑盒方式，其偱證過程清晰，能夠讓醫(yī)師更好地理解輔助決策結(jié)論背后的依據(jù)。

2、
　　圍繞基于圖像內(nèi)容檢索的輔助診斷系統(tǒng)關(guān)鍵方法展開研究，其目的是提高系統(tǒng)的整體性能。研究內(nèi)容主要包括：可疑腫塊的分割、可疑腫塊的特征提取、特征選擇和分類等。最后通過系統(tǒng)的實(shí)驗(yàn)和分析驗(yàn)證所提方法的有效性。
　　提出了兩種分割算法對可疑腫塊進(jìn)行分割。第一種算法先利用模板匹配方法，將候選邊緣點(diǎn)的范圍限制在腫塊的大致區(qū)域內(nèi)；然后以此為基礎(chǔ)計算區(qū)域內(nèi)每個像素的由梯度代價、灰度代價以及結(jié)點(diǎn)間距離代價組成的綜合代價，并使用粒子群優(yōu)化方法

3、計算代價各部分的權(quán)重；最后利用動態(tài)規(guī)劃法尋找一條具有最小代價的路徑，連接其上的點(diǎn)為閉合的曲線即為最終的目標(biāo)輪廓。在第二種方法中，提出了一種新的加入?yún)^(qū)域信息的測地線輪廓模型，充分綜合區(qū)域和邊界兩種信息，將基于邊界的測地線模型和基于區(qū)域的Chan-Vese模型的優(yōu)點(diǎn)結(jié)合起來。實(shí)驗(yàn)結(jié)果表明提出的兩種分割算法要優(yōu)于傳統(tǒng)的動態(tài)規(guī)劃方法、基于標(biāo)記控制的分水嶺分割算法等多種方法，其中所提的第一種方法的結(jié)果最接近于金標(biāo)準(zhǔn)。
　　提出了三種新特征以

4、及一種新的雙階段特征選擇和權(quán)重確定方法。通過分析經(jīng)典的歐式距離方法以及廣泛使用的基于過濾器、封裝器和混合式的特征選擇方法存在的問題，在所提雙階段方法中，第一階段利用遺傳算法選出初始的候選特征集；在第二階段中，由可以確定特征權(quán)重的遺傳算法進(jìn)一步確定優(yōu)化的特征集及對應(yīng)的權(quán)重。
　　提出了一種同態(tài)集成分類器的分類方法。在分類器設(shè)計中，考慮到不同類型的腫塊需要用不同的特征及權(quán)重去刻畫，充分利用乳腺X線攝片源數(shù)據(jù)庫中提供的確診腫塊的輪廓性質(zhì)

5、為先驗(yàn)知識，以及前述的雙階段特征優(yōu)化方法，建立精確的針對不同類型腫塊的基分類器，最終將這些具有差異化特性的基分類器綜合為一種精確的集成分類器。
　　對所提特征優(yōu)化和權(quán)重確定方法、新特征及集成分類器方法使用美國南佛羅里達(dá)乳腺數(shù)據(jù)庫的數(shù)據(jù)進(jìn)行測試，計算了相應(yīng)的受試者操作特性曲線下面積值(Az)和顯著性水平P值。實(shí)驗(yàn)結(jié)果證明了所提特征優(yōu)化方法、新特征以及集成分類器的有效性。使用集成分類器后，系統(tǒng)的分類性能相比單分類器方法得到了較大的提升