2021-4月--基于乳腺X线摄影的肿块检测综述

最新推荐文章于 2024-09-25 09:46:06 发布

土豆娃potato

最新推荐文章于 2024-09-25 09:46:06 发布

阅读量190

点赞数 2

文章标签：人工智能计算机视觉机器学习

本文链接：https://blog.csdn.net/m0_49234921/article/details/118228489

版权

本文总结了2021年4月关于乳腺肿块检测的研究，涵盖传统方法与深度学习的应用。第一部分探讨了传统乳腺肿块的检测与分割技术，第二部分聚焦于利用深度学习进行乳腺肿块检测的最新进展。

摘要由CSDN通过智能技术生成

一、基于传统的乳腺肿块检测与分割方法总结

在这里插入图片描述

方法名称	解决问题	优点	缺点
基于图像增强	乳腺肿块呈现的形态各异, 直接提取图像的低层特征难以区分肿块与正常组织	可以提高肿块与乳腺正常组织对比度, 是提升乳腺肿块区域的检测与分割效果的关键	适用于具有一定显著性特征的乳腺肿块检测任务, 需与传统经典检测与分割算法相结合
基于阈值分割	经典的图像分割方法, 广泛应用于医学图像分析	适用于肿块、肿瘤性疾病特点; 计算简单; 运算效率高	只考虑像素本身的灰度值, 缺乏对空间特征的考虑
基于模板匹配	人工设计的检测模型泛化能力很有限，对特征形态各异的肿块没有很好的鲁棒性特征表示	思路和实现方法相对简单，不需要设计设计复杂的特征提取方案，也不需要对乳腺组织进行细致分割	需要特征丰富的组织模板，计算成本高、时间开销大
基于特定医学理论知识的形态学特征模型	有效利用乳腺肿块的相关临床观察特点和诊断经验, 提出对乳腺肿块形态特征假设	将医学知识和计算机技术有效结合, 更科学、更准确地提出目标病灶处理方案	模型设计通常具有高复杂性的多参数特点; 选择和优化模型中参数存在困难
组合分割	利用不同分割技术, 弥补各种分割方法自身局限性	结合多种特征可以更好地拟合乳腺