申楠，邢素霞，何湘萍，潘子妍，王瑜

1.北京工商大学人工智能学院，北京100048；2.北京海淀妇幼保健院乳腺病防治中心，北京100080

前言

乳腺癌作为一种具有高发病率和死亡率的恶性肿瘤，已成为威胁全球女性健康甚至生命的主要杀手。乳腺癌的早期病症在乳腺钼靶图像中主要表现为微钙化点。乳腺钼靶图像中存在较多的乳腺纤维组织，其在图像中表现为高亮区域，而微钙化区域在图像中表现为细小的高亮区域，因此乳腺纤维组织和微钙化区域在亮度即灰度值上易混淆，增大了乳腺钼靶图像微钙化区域的检测难度。为此，很多研究在微钙化区域检测上做出了很多有意义的探索，如彭庆涛等［1］提出基于小波分析和灰度纹理特征相结合的微钙化区域提取方法，微钙化点检出率为85%；商小宝［2］提出一种基于旋转不变局部二值模式的早期乳腺钙化点检测方法，真阳性率为95.6%，假阳性率为5.6%；王科举［3］利用周围区域矩阵反映射乳腺微钙化区域特征，并结合随机森林分类器，特异性达到88%，曲线下面积达到0.922 4；Karale 等［4］提取乳腺微钙化区域的密度特征、形状特征、不变矩、Haralick 特征、基于方向梯度直方图的特征，每幅图像的平均误报率为2.59%，并能达到100%的灵敏度；Suhail等［5］利用改进的Fisher 线性判别方法对微钙化区域进行线性变换，平均准确率达96%。这些研究均为微钙化点的计算机辅助诊断的临床应用做出了贡献。

为进一步提高微钙化区域的检测准确率，降低检测假阳性率，本研究提出一种基于Adaboost-决策树（Adaboost-Decision Tree,AB-DT）的乳腺微钙化区域真假阳性检测方法，并采用10 折交叉验证确定AB-DT模型的性能。……