计算机图像处理不是什么新鲜事，算法众多，各式各样的应用也比比皆是。但是，由于大公司的商业利益和技术保护，以及伦理的束缚，医学图像处理的平民化发展和应用都受到极大的限制。不过，由于开源框架的不断发展，使得全球的 developer 都可以参与到自己感兴趣的项目中去，又不断的促进开源项目进一步发展。据此，走在世界前边的当属美国，其次是印度，我们大天朝正紧追慢赶，前途不可限量！公认的乳腺钼靶图像及文本数据非欧洲乳腺影像分析协会（MIAS）提供的莫属，他们向全球公开了322幅乳腺钼靶检查的图像，及对应的诊断结果，供世界上研究和爱好乳腺平片辅助诊断的小伙伴们使用。定神一看，其实人家早在2004年就公开了这些数据，而且还是免费的，尽管不像 kaggle 那样财大气粗，动不动几百万美金的奖励，但也能时不时的举办个分割和识别大赛，毕竟 MIAS 是在欧洲又是学院派啊。欧美真是太可爱了，尤其欧洲，傻傻的 + 闷不做声，但底蕴着实深厚~
医学影像的辅助诊断，首先离不开的对图像的预处理，预处理包括：图像增强和图像分割。图像增强就是主要利用形态学对图像进行腐蚀、扩张、二值化、直方图均衡化等等操作。图像分割是图像识别之前的非常重要的一个步骤，去掉无用信息、抽取局部感兴趣区域等等。对于上述提到的乳腺平片的辅助诊断，我们仅需要对乳腺组织这个感兴趣区内识别有无结节、占位甚至钙化，而类似三角形的胸肌是不需要考虑的，就是需要分割并丢弃的组织。
数据有了，算法也有的是，剩下的就看你怎么用了！
用到的几个关键技术： 1、二值化 2、直方图均衡化 3、中值滤波 4、区域生长算法 5、sobel边缘检测 6、霍夫变换 7、指数函数拟合
部分代码：
count_left = length(find(I_left(:)==0));
count_right= length(find(I_right(:)==0));
fliped = 0;
if count_left>count_right
fliped = 1;
img_original_fliped = fliplr(img_original);
else
img_original_fliped = img_original;
end
j = double(img_original_fliped);
[m,n] = size(j);
lk=j;
for p=1:m
for q=1:n
if j(p,q) >=50
lk(p,q)=255;
else lk(p,q)=0;
end
end
end
k = uint8(lk);
binaryImage = imfill(k, 'holes');
binaryImage = ExtractNLargestBlobs(binaryImage, 1);
j = double(maskedImage);
[m,n] = size(j);
lk=j;
for p=1:m
for q=1:n
if j(p,q) >=167
lk(p,q)=255;
else lk(p,q)=0;
end
end
end
k = uint8(lk);
denois = medfilt2(k,[10 4]);
x=5; y=5;
I = im2double(denois);
J = regiongrowing(I,x,y,0.2);
%J = imfill(j,'holes');
figure(), imshow(J), title(['标识胸肌',filename]);找到胸肌边界的坐标，利用拟合工具箱，以95%置信区间找到拟合这个边界的最佳指数函数系数：
[fitresult, gof] = createFit2(col,row);
s = size(col);
x_col_position = col(s(1));
xdata = linspace(1,x_col_position);
% % % ydata = fitresult.p1*xdata.^4 + fitresult.p2*xdata.^3 + fitresult.p3*xdata.^2 + fitresult.p4*xdata + fitresult.p5;
% ydata = fitresult.p1*xdata.^5 + fitresult.p2*xdata.^4 + fitresult.p3*xdata.^3 + fitresult.p4*xdata.^2 + fitresult.p5*xdata + fitresult.p6;
ydata = fitresult.a*exp(fitresult.b*xdata) + fitresult.c*exp(fitresult.d*xdata);
figure(12),plot(xdata,ydata)
