尘肺病是一种全球性的严重职业病。在我国,尘肺病是发病率最高、发病人数最多的职业病。计算机辅助检测技术应用到大规模人群的尘肺体检筛查中具有重要意义,可以减轻医生的工作负担,优化诊断流程,提高检测灵敏度,等等。本文提出了一种全新的计算机辅助检测方法,用于从胸片图像中区分正常肺与尘肺。该方法包括以下步骤:首先,采用主动形变模型(Active Shape Model, ASM)的方法对胸片图像进行肺野分割;其次,根据中国尘肺病影像诊断标准,将分割后的肺野区域划分为六个子区域;接着,对胸片图像进行一系列的多分辨率差分滤波处理,增强尘肺X射线胸片的图像特征;随后,在原始图像与滤波后图像上,分别对六个子区域进行直方图以及灰度共生矩阵分析,计算出直方图特征及灰度共生矩阵特征;在得到特征数据集之后,对其进行筛选以减小数据集及节省计算时间;最后,应用支持向量机分类器(Support Vector Machine, SVM)分别对六个子区域进行训练和分类,再用胸片分类器将六个子区域预测的结果整合起来,得到最终的胸片分类。本文从数据库中随机挑选出850幅胸片图像进行训练与测试,其中正常胸片有600幅,尘肺胸片有250幅。本文将这850幅图像平均分成训练集与测试集,训练集与测试集各包含300幅正常胸片以及125幅尘肺胸片。通过对训练集的训练,得到六个子区域的分类器参数模型及其权重因子。然后用训练集得到的参数来评估测试集的分类性能。本文不仅测试了全部特征数据集的性能,还测试了经过特征筛选后数据集的性能,并且用两种不同的胸片分类器进行分类。结果显示特征选择大大提高了计算机自动处理效率,节省了大量时间。全部特征数据集的分类敏感性为92.0%,特异性为87.7%,准确性为88.9%,经过ROC(Received Operating Characteristic)曲线分析,得到AUC(Area Under the ROC Curve)值为0.978。筛选特征数据集分类敏感性为91.2%,特异性为86.3%,准确性为87.8%,AUC值为0.958。结果表明这个系统可以显著地将正常胸片与尘肺胸片区分开来,满足临床尘肺病体检筛查的要求,为医生,更是为病人提供了一种好的解决方案。