基于多分辨率分析的乳腺X光图像病灶分割系统

资 源 简 介

本项目开发了一套基于多分辨率分析（Multi-resolution Analysis）的图像处理系统，旨在从复杂的乳腺X光背景中自动识别并精确分割出肿块或微钙化等可疑病变区域。系统核心采用离散小波变换（DWT）或拉普拉斯金字塔分解技术，建立图像的多尺度表示模型，从而有效解决单一尺度下弱边界病灶难以提取的问题。功能流程详细如下：首先进行图像增强预处理，利用自适应直方图均衡化（CLAHE）和去噪滤波提高病灶与背景的对比度；其次执行多分辨率分解，将图像分解为不同频率的子带，在低频子带中利用统计特征和阈值法粗略定位感兴趣区域（ROI），在高频子带中提取边缘细节信息；接着采用由粗到细（Coarse-to-Fine）的分割策略，结合形态学重建和区域生长算法，在不同尺度间传递并修正分割掩模；最后通过反变换融合各层分割结果，输出高精度的病灶轮廓。该项目能够显著降低背景组织结构噪声的干扰，提高计算机辅助诊断（CAD）系统对早期乳腺癌病灶检测的灵敏度与准确率。

详 情 说 明

乳腺X光片中可疑区域的多分辨率分割系统

项目介绍

本项目实现了一套基于多分辨率分析（Multi-resolution Analysis）的医学图像处理系统，专门用于在模拟的乳腺X光影像背景中定位并精确分割可疑病灶（如肿块）。系统采用“由粗到细”（Coarse-to-Fine）的分割策略：首先利用离散小波变换（DWT）构建图像的多尺度金字塔，在低分辨率层利用统计阈值法快速锁定感兴趣区域（ROI），随后提取种子点，并在原始高分辨率增强图像上应用区域生长算法进行精细边界提取。该方法有效结合了低频信息的全局定位能力和高频信息的边缘细节保留能力。

功能特性

• 仿真数据生成：内置高仿真乳腺X光图像生成器，能够合成包含纤维腺体组织纹理、强度渐变背景、高斯噪声以及模拟肿块病灶的测试图像。
• 图像增强预处理：结合自适应中值滤波（去除散斑噪声）和限制对比度自适应直方图均衡化（CLAHE），显著提升病灶与复杂背景的对比度。
• 多尺度金字塔构建：不依赖外部工具箱，手工实现了基于Haar小波基的二级离散小波变换（DWT），将图像分解为不同频率的子带（LL, LH, HL, HH）。
• 由粗到细的级联分割：

* 粗分割：在二级低频子带（LL2）上应用Otsu全局阈值算法和形态学开运算，快速定位病灶大概位置，并自动计算质心作为种子点。 * 细分割：基于自动提取的种子点，在增强后的原图上执行区域生长算法，结合形态学闭运算和孔洞填充，通过像素强度差异准则精确提取病灶轮廓。

• 自动形态学分析：计算分割区域的面积、周长及圆度特征，并基于几何特征自动判定病灶的形态属性（良性/规则 vs 恶性/不规则）。
• 全流程可视化：系统提供包括原图、增强图、小波分解图、粗定位结果、种子点示意、最终掩模及临床指标分析的完整可视化界面。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox（图像处理工具箱）

使用方法

直接运行主脚本 main 即可启动系统。程序将自动执行以下流程：生成合成数据、进行图像增强、执行多级小波变换、计算粗分割掩模、进行区域生长细分割，最后弹出一个包含8个子图的综合结果窗口，展示处理过程的中间结果及最终的量化分析指标。

详细功能实现逻辑

本项目的主程序严格按照医学图像处理流水线设计，具体逻辑如下：

1. 数据获取与合成

由于不直接读取本地DICOM文件，系统通过 generate_synthetic_mammogram 函数实时生成512x512像素的仿真图像。该模块利用高斯滤波模拟云絮状的乳腺组织纹理，叠加线性梯度模拟X光厚度衰减，并在随机位置插入符合高斯分布的“肿块”信号，最后添加相关噪声，以此构建逼真的测试环境。

2. 预处理模块

为了提高后续分割的鲁棒性，系统首先将图像转换为双精度类型，接着执行 mediant_filter_custom 进行3x3窗口的二维中值滤波，有效滤除脉冲噪声。随后调用 adapthisteq 函数（CLAHE算法），设定裁剪限制（ClipLimit）为0.02，增强图像局部细节，使隐匿在致密组织中的病灶更加突显。

3. 多分辨率分析（小波变换）

系统核心算法 my_dwt2_haar 实现了二维Haar小波变换。不同于调用现成工具箱，该函数通过对行和列分别进行“和/差”操作（隔点采样后相加/相减并归一化），手动计算近似分量（L）和细节分量（H）。主程序对增强后的图像执行两次连续分解，获得二级低频子带（LL2），从而以1/4的分辨率（128x128）聚合图像的主要能量。

4. 粗分割与种子点自动提取

在LL2低频层，利用 mat2gray 归一化后，使用 graythresh 计算Otsu全局最佳阈值并进行二值化。通过形态学开运算去除噪点干扰。随后，将粗分割掩模通过最近邻插值放大回原始尺寸。系统利用 regionprops 分析连通域，选取面积最大的区域计算其质心（Centroid），并将其坐标自动映射为后续区域生长的种子点。若未检测到区域，则默认使用图像中心。

5. 细分割（区域生长）

利用 region_growing_custom 函数实现以种子点为中心的区域生长。算法维护一个像素队列，检查种子点周围的8邻域像素。生长准则设定为：待考察像素与当前区域均值的绝对差值小于0.15（强度阈值）。满足条件的像素被标记并入病灶区域。分割完成后，通过 imfill 填充内部孔洞，并使用 imclose 平滑边缘，形成最终的高精度二值掩模。

6. 量化评估与诊断辅助

系统计算最终分割区域的物理属性：

• 面积 (Area)：病灶区域像素总数。
• 周长 (Perimeter)：区域轮廓长度。
• 圆度 (Circularity)：利用公式 4 * pi * Area / Perimeter^2 计算。

程序根据圆度值进行简单的辅助诊断：若圆度大于0.6，判定为“良性/规则”；否则提示“恶性/不规则(疑似)”，并将结果以红色字体直观展示在结果面板中。

关键算法实现细节

• 自定义小波实现：代码未依赖 Wavelet Toolbox，而是利用向量化操作 (row(1:2:end) + row(2:2:end)) / sqrt(2) 实现了标准的Haar小波分解，展示了小波变换的数学本质。
• 自适应种子点选择：采用了跨尺度的策略，在低分辨率层解决“在哪里”（Where）的问题，避免了在高分辨率噪声层直接搜索的盲目性，为区域生长提供了可靠的起始位置。
• 区域生长逻辑：实现了标准的基于队列（Queue-based）的广度优先搜索策略，通过对比像素灰度和区域统计特征（均值）来动态确定边界，能够适应形状不规则的病灶分割。