早期确诊是降低乳腺癌死亡率的关键,这引起了研究人员对乳腺X线影像中钙化点检测方法进行研究。作为计算机辅助诊断(CAD)的一部分,钙化点检测是难点,也是早期乳腺癌诊断的关键。为此,本课题针对钙化点具有非常微小、大小不一、形状各异、可疑病变区域与其周围组织之间的灰度值之差较小、部分组织易被误认为钙化点等特点,采用一种综合多种技术的检测方法。主要包括常规图像处理技术、小波变换和神经网络等。本文采用的检测过程主要包括影像预处理、钙化点分割、特征提取、假阳性钙化点的识别和剔除以及良、恶性钙化的分类。其中难点是从影像中准确分割出完整钙化点。在预处理阶段,采用树状非线性滤波器滤波(TSF),滤除影像噪声。钙化点在影像中呈微细颗粒状,与邻近像素相比具有高灰度值,近似于函数中的奇异点和信号中的高频成分。根据这一特性,在钙化点的分割阶段,采用了综合方法进行钙化点分割,即首先基于差值图像技术、局部阈值法分割出钙化点,得到一幅钙化点二值图像。然后再对影像进行小波变换,通过各细节子图产生另一幅钙化点二值图像。接下来把两幅二值图像进行“与”操作,减少假阳性钙化点,产生一幅最后的钙化点二值图像。据此二值图像确定钙化点位置和种子点,利用区域增长技术分割出完整钙化点。为了进一步减少假阳性钙化点,利用BP神经网络良好的分类特性,识别其中的假阳性钙化点,然后进行剔除。本文提取的钙化点特征包括形态域特征、灰度特征、和簇描述特征,并对形态域特征进行了简单分析。本文采用的钙化点检测方法在多幅乳腺X线影像中进行测试。初步结果显示,该检测方法用于乳腺X线影像中钙化点检测是可行的,能分割出完整的钙化点,减少假阳性钙化点数,达到预期的效果。