基于Adaboost-決策樹算法的乳腺微鈣化區域真假陽性檢測

申楠，邢素霞，何湘萍，潘子妍，王瑜

1.北京工商大學人工智能學院，北京100048；2.北京海淀婦幼保健院乳腺病防治中心，北京100080

前言

乳腺癌作為一種具有高發病率和死亡率的惡性腫瘤，已成為威脅全球女性健康甚至生命的主要殺手。乳腺癌的早期病癥在乳腺鉬靶圖像中主要表現為微鈣化點。乳腺鉬靶圖像中存在較多的乳腺纖維組織，其在圖像中表現為高亮區域，而微鈣化區域在圖像中表現為細小的高亮區域，因此乳腺纖維組織和微鈣化區域在亮度即灰度值上易混淆，增大了乳腺鉬靶圖像微鈣化區域的檢測難度。為此，很多研究在微鈣化區域檢測上做出了很多有意義的探索，如彭慶濤等［1］提出基于小波分析和灰度紋理特征相結合的微鈣化區域提取方法，微鈣化點檢出率為85%；商小寶［2］提出一種基于旋轉不變局部二值模式的早期乳腺鈣化點檢測方法，真陽性率為95.6%，假陽性率為5.6%；王科舉［3］利用周圍區域矩陣反映射乳腺微鈣化區域特征，并結合隨機森林分類器，特異性達到88%，曲線下面積達到0.922 4；Karale 等［4］提取乳腺微鈣化區域的密度特征、形狀特征、不變矩、Haralick 特征、基于方向梯度直方圖的特征，每幅圖像的平均誤報率為2.59%，并能達到100%的靈敏度；Suhail等［5］利用改進的Fisher 線性判別方法對微鈣化區域進行線性變換，平均準確率達96%。這些研究均為微鈣化點的計算機輔助診斷的臨床應用做出了貢獻。

為進一步提高微鈣化區域的檢測準確率，降低檢測假陽性率，本研究提出一種基于Adaboost-決策樹（Adaboost-Decision Tree,AB-DT）的乳腺微鈣化區域真假陽性檢測方法，并采用10 折交叉驗證確定AB-DT模型的性能。……