超声检查是目前最常用的乳腺肿瘤早期检查手段之一。众多研究表明,配合使用计算机辅助诊断技术(CAD)可以进一步提高超声检查的准确率。乳腺肿瘤CAD系统通常使用肿瘤的形态特征和灰度纹理特征来进行肿瘤良恶性的辅助判别,然而,使用这两类特征的CAD系统尚不能达到理想的诊断效果。临床上,肿瘤的硬度(弹性)也是判别其良恶性的重要指标。本文利用超声探头加压扫描过程中的连续图像,研究如何将基于灰阶超声序列图像的乳腺肿瘤弹性特征更有效地用于乳腺肿瘤的辅助诊断。本文的研究按照计算机辅助诊断系统的常规流程展开,所完成的主要研究工作和创新点描述如下:(1)对超声图像序列进行预处理。针对视频格式的医学超声图像序列,提出了一种同时利用空间域、灰度域和时间域的相关信息的三域滤波算法。三个域的滤波均采用高斯核函数加权,从而减小滤波结果对阈值选取的敏感度,提高算法的稳定性。针对噪声较为严重的单幅图像,又提出了一种改进的各向异性扩散斑点抑制算法。通过对现有算法中扩散系数过饱和的问题以及斑点尺度系数选择中的不足进行改进,减少了人为因素的影响,增强了各向异性扩散斑点抑制算法的稳定性。(2)对乳腺肿瘤超声图像进行分割,以得到肿瘤边缘。首先提出了一种无需重初始化的C-V模型,大大加快了分割速度。接着针对乳腺肿瘤超声图像灰度分布的特点和C-V模型分段常量的假设,提出了手工勾画粗略边界,再划分子图进行分割的半自动分割流程,不仅提高了分割准确性,同时也进一步提高了分割效率。对于序列图像的分割,则使用每一帧图像的分割结果作为下一帧图像的初始边界,从而降低了人为影响并提高了效率。另外,通过分析现有分割评价方法的不足,又提出了一种新的评价指标,并使用现有评价指标与这个新指标对乳腺肿瘤超声图像分割结果进行了评估。(3)从经过分割后的超声图像中提取肿瘤特征参数。本文提取的特征参数分为形态特征、灰度特征、弹性特征三类。其中,12个形态特征和3个灰度特征引自他人的研究成果。考虑到手工加压过程很难保持匀速,提出了一种针对乳腺肿瘤超声序列图像的加压深度评估算法,用以量化图像序列中每两幅图像之间的加压深度。在此基础上,本文进一步提出了一组共10个弹性特征参数,用以描述肿瘤在单位加压深度下的形变程度。其中的两个参数,形变总量和缩小放大比,创新性地使用了非刚性配准得到的形变场进行计算。(4)根据得到的特征参数对乳腺肿瘤的良恶性进行分类判别。本文采用基于分类器的人工筛选方式挑选性能最优的特征组合。首先从弹性特征中选出性能最优的一些组合,再分别以这些组合作为基本组合,加入形态灰度特征进行测试。测试过程同时使用了支持向量分类和支持向量回归两种分析方法,并提出使用极值距离、均值距离和类间距离这三个指标,来对比特征组合之间的性能。按照以上四个步骤,本文对临床采集的187例乳腺肿瘤(其中恶性85例,良性102例)进行了实验。实验结果表明,联合使用形态、灰度、弹性特征的辅助诊断系统,性能明显优于只使用形态、灰度特征的系统。这说明基于灰阶超声序列图像的弹性特征参数,对乳腺肿瘤的良恶性具有较好的区分能力,可为乳腺肿瘤的良恶性判别提供辅助诊断依据。