乳腺癌是目前在女性范围内最常见的肿瘤之一，已经引起越来越多的关注。超声诊断是目前仍然是国内乳腺普查中应用得最为广泛的手段。使用计算机辅助超声诊断可以进一步提高超声检查的准确率。一般情况下，乳腺肿瘤计算机辅助诊断系统使用肿瘤的形态、纹理等特征来进行肿瘤良恶性的判别，但是使用这些特征的计算机辅助诊断系统目前尚不能达到理想的诊断效果。临床上，肿瘤超声图像序列的弹性信息也是判别其良恶性的重要补充指标。基于这点，本文利用超声探头加压扫描过程中的乳腺肿瘤图像序列，研究如何通过图像处理和模式识别方法，将基于乳腺肿瘤弹性特征的信息更有效地应用到乳腺肿瘤的辅助诊断中来。本文的工作按照计算机辅助诊断系统的普遍流程展开，所完成的主要研究工作和创新点如下：　　 (1)对超声乳腺图像进行基于各向异性扩散方程的去噪处理。该方法能够有效地保留各局部区域的均值，抑制各局部区域的方差，保留边缘细节信息，并且通过自动计算斑点尺度系数，进一步减少了人为因素的影响，保证了整个算法的稳定性。　　 (2)对超声乳腺图像序列进行肿瘤分割处理。处理单帧图像时，对已有的C-V模型进行改进，采用手工勾画轮廓的半自动的方式进行分割，希望减少运算的时间，提高分割精度。针对超声乳腺肿瘤图像序列，未改进的算法流程，直接把上一帧分割得到的边界信息移植到下一帧作为初始化边界。本文改进的算法流程，基于乳腺肿瘤在加压过程中的变化特点，把上一帧分割得到的边界，输入包含一定次数的基于向内收敛因子的C-V再演化模型，然后再应用到下一帧图像的初始边界上。两者均只需要手工勾画序列图像第一帧的粗略边界。实验结果证明，改进的针对序列图像的算法流程的分割效果明显好于前者。　　 (3)针对超声乳腺肿瘤图像序列进行特征选择，创新地提出了含有16个非弹性特征和25个弹性特征的特征空间。通过实验验证，超声乳腺肿瘤图像序列的非弹性特征统计平均值，相对某一帧单独图像的非弹性特征值，具有更好的分类能力。文中所提到的各项非弹性特征均是针对序列图像平均值进行分析处理的。此外，通过分析超声探头加压实际过程，发现用肋骨位置来评估加压程度容易受到肋骨本身与超声探头距离的影响，提出了创新的相对加压程度评估算法，具有更好的临床意义和实验效果。基于此评估算法，本文提出了25个新型的弹性特征。实验证明，其大部分具有良好的分类性能，其中基于方差比的弹性特征相对基本弹性特征体现更多的序列图像统计信息，具有更好的分类特性，特别是在一些加压过程不稳定的情况下。　　 (4)针对超声乳腺肿瘤图像序列进行特征选择和分类。本文采用了一种基于类间距分析、支持向量机和顺序后退法，并融合了滤波式(Filter)和封装式(Wrapper)特征选择模型两者优势的特征选择和分类方法。该方法首先进行原始特征的类间距分析，通过滤波式(Filter)特征选择模型，快速准确地剔除掉部分不相关的特征参量。然后，用封装式(Wrapper)特征选择模型，以顺序后退法的方式，逐个删除分类效果最差的特征，直至我们预定的特征维数。封装式(Wrapper)特征选择模型中的特征评估判据直接采用支持向量机分类精度。针对优化后的特征空间，在不同的核函数基础上，应用支持向量机进行良恶性分类判别，分类的精度和效率相对原始特征空间都有较大提高。　　 论文的实验数据包含280例乳腺肿瘤，其中112例被临床医师确诊为恶性，168例被临床医师确诊为良性。每一个视频病例至少包含一段加压比较稳定而且均匀的片段。所有试验和算法均在3台配置相同、CPU频率2.13GHz、内存大小2G、安装Windows操作系统的计算机的Matlab7.6.0环境下实现。　　 论文通过形成了一套乳腺肿瘤计算机辅助诊断的完整流程，得到了比较理想的良恶性判别精度，给医师临床诊断提供了辅助依据。　　 论文工作得到了安徽省教委自然科学基金重点研究项目(2006KJ097A)的资助。