计算机辅助诊断(CAD)系统是一种基于计算机的医学图像自动分析工具,如分析乳腺X光摄影和前列腺MRI,它的使用有助于在早期发现癌变情况并及时诊断。在乳腺X光摄影CAD过程中,图像处理任务可以从乳腺X光摄影图像中提取高质量特征,其对诊断结果起着至关重要的作用。通常,乳腺摄影的图像处理过程主要包括三个步骤:感兴趣区域(ROI)提取、图像增强(IE)和特征提取(FE)。但是,由于ROI中不相关或无用信息的增强,IE的不当使用可能导致特征的组成较差。为了克服这一问题,本文提出了一种模糊粗糙精细化图像处理(FRIP)方法,分层次的提高了乳腺图像特征的质量。具体来说,该方法对每幅乳腺图像的ROI进行局部分割,然后选择模糊正域(FPR)值最大的块区域对其进行局部增强。FPR指标表明,对于给定的特征集,分割块与决策标签之间存在正相关关系。FPR值越高的分割块与图像类别的相关性越强。同时为了保证图像增强过程的质量,将通过多轮策略进一步改进优胜块,并创建一个IE结果池。对于乳腺摄影图像,将候选增强块嵌入原始ROI后,根据局部增强ROI的FPR值,将各自提取的特征进行对比。最终这幅图像将由一组FPR值最大的特征来表示。实验结果表明,该方法提取的特征在分类精度和AUC指标等方面均优于原始方法、全局增强方法和随机局部增强方法提取的特征。虽然这种方法在分类等方面优于其他传统方法,但是需要人工提取特征,而且提取高质量的特征较为困难。所以本文又提出了一种AlexNet模糊粗糙融合(AlexNetFRF)图像分类方法,首先对提取的ROI图像进行数据增强,扩大样本数量。之后利用AlexNet模型进行预训练,达到最大迭代次数后自动得到隐藏特征,再通过模糊粗糙特征选择方法进行属性约简后输出特征。最后将得到的隐藏高质量特征与FRIP方法得到的图像纹理特征进行融合。在分类方面,将融合方法得到的特征与原始方法,FRIP方法和AlexNet模型的特征进行了比较。实验结果表明,基于该融合方法所获得特征的乳腺摄影风险评估结果在分类精度和AUC,Kappa指标等方面均优于其他方法。