✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
乳腺癌是全球性的健康问题。因此,在早期阶段发现这种疾病的迹象至关重要。由于成像过程中的低能量,使用乳腺超声图像成为诊断的首选方法之一。在这种情况下,BUS 图像中的图像分割指的是提取对应于病灶的区域,并将其与正常组织区域分离。病灶区域的大小和质量与疾病的严重程度和进展阶段相关。
1. 预处理
由于图像具有不同的照明和对比度级别,因此该算法首先进行图像预处理。根据图像对比度,即 α,设计了两种处理方案。
-
如果 α 值过低或过高,则应用 γ 校正,然后进行二维中值滤波以去除斑点噪声,并进行直方图均衡以增强图像对比度。最后,通过 Otsu 阈值法对直方图均衡后的图像进行二值化。
-
如果 α 值在指定范围内,则应用对比度增强,然后进行 γ 校正。之后,将全局阈值转换为局部阈值以匹配之前的操作。
2. 区域生长分割
图像预处理完成后,应用区域生长分割算法。该算法通过使用半径为 20 的圆盘形结构元素对图像进行腐蚀来实现。这将返回图像的点云,从该点云中,通过形态学收缩去除重复的种子位置。返回的位置用于从原始预处理图像中获取种子。之后,启动一个 for 循环以获取连通性信息(即标记区域)。一旦获得所有连接的区域,就将假阳性丢弃,以便只留下连续的区域。由于固有的照明,图像仍然存在一些不必要的区域(或噪声),这些区域也被去除。最终的分割图像显示了一个病灶区域,以及一些可以通过后处理去除的假阳性。
3. 后处理
后处理步骤旨在消除假阳性,以便只保留分割的病灶。首先,计算白色像素区域(即病灶和噪声),并应用形态学开运算以去除噪声。为此目的使用的圆盘形结构元素的半径来自之前计算的值。然后创建病灶掩模,并将形态学开运算后的图像从掩模中减去。差值图像中的病灶区域用像素填充。最后,使用形态学腐蚀操作去除不需要的区域。为了消除从分割的病灶中腐蚀的影响,使用半径为 4 的圆盘形结构元素对其进行膨胀。这将得到最终的分割病灶。
4. 基于 Jaccard 指标的评估
为了测试算法的性能,使用 Jaccard 相似性指标将分割结果与真实掩模进行比较。该算法对所有图像都运行良好,除了测试图像 15,因为它有一个微小的良性肿瘤。此外,由于在分割过程中进行了一系列形态学操作,一些角区域丢失,没有被分割,如品红-绿像素所示。
⛳️ 运行结果
📣 部分代码
n = 2;
elseif sum(I(:)) > 5000 && sum(I(:)) < 5500
n = 6;
elseif sum(I(:)) > 5500 && sum(I(:)) < 5600
n = 4;
elseif sum(I(:)) > 5600 && sum(I(:)) < 7000
n = 4;
elseif sum(I(:)) > 7000 && sum(I(:)) < 7500
n = 9;
elseif sum(I(:)) > 7500 && sum(I(:)) < 8000
n = 6;
elseif sum(I(:)) > 8000 && sum(I(:)) < 13000
n = 2;
else
n = 8;
end
y1 = imopen(I, strel('disk', n));
% Create lesion mask
mask = imerode(y1, strel('disk', 1));
% Refine segmented image using lesion mask
y2 = y1 - mask;
y3 = imfill(y2, 'holes');
y = imerode(y3, strel('disk', 1));
y = imdilate(y, strel('disk', 4));
% Display postprocessing results
figure;
subplot(2,3,1), imshow(I), title('分割图像')
subplot(2,3,2), imshow(y1), title('Morphological opening')
subplot(2,3,3), imshow(mask), title('病变标记')
subplot(2,3,4), imshow(y2), title('Difference image')
subplot(2,3,5), imshow(y3), title('填充病变部位')
subplot(2,3,6), imshow(y), title('Erosion follwed by dilation')
sgtitle('Post-processing')
end
🔗 参考文献
[1] 王鹏宇.冠脉OCT图像分析算法的研究与实现[D].河北大学[2024-07-18].DOI:CNKI:CDMD:2.1018.830936.
[2] 张柳.基于脉冲耦合神经网络的视网膜血管图像分割算法设计与实现[D].三峡大学,2017.DOI:10.7666/d.D01233434.
[3] 范怀玉,马军山.基于MATLAB_GUI的超声乳腺肿瘤图像分割平台设计[J].软件, 2019, 40(6):4.DOI:10.3969/j.issn.1003-6970.2019.06.007.
🎈 部分理论引用网络文献,若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🎁 私信完整代码和数据获取及论文数模仿真定制🌈
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类