- 文献综述（或调研报告）：
基于乳腺X线摄影检查的钙化诊断是现今乳腺癌诊断和筛查的首选手段，结合计算机辅助诊断技术，能够提高乳腺癌检出率并有效克服人工阅片的缺点，是一直以来的研究热点。许多研究者提出了不同的基于机器学习或者图像处理流程的方法对乳腺X线检查的钙化进行诊断。研究方法与实验过程主要分为特征提取、模型训练、指标量化等三个部分。
从乳腺X线摄影中提取有效的特征向量信息。李等[1]提取的573（569个放射组学特征，4个临床成像特征）个特征中，包括通过灰度直方图提取的9个一阶图像统计特征，1个形态特征，396个纹理特征和8个小波特征以及单个MC和MCC的155个形态特征。其中，纹理作为物体表面的一种自然属性，也是人类视觉系统区分自然界物体的重要特征[2]。纹理特征用于描述物体表面粗糙度、规则性和方向性等特征，是建立一个机器视觉系统不可忽视的信息，而且研究人员已经在纹理分类、纹理分割、纹理合成等应用领域取得了丰硕的成果[3]。
1.灰度共生矩阵 (gray-level co-occurrence matrix，GLCM)在纹理特征提取中非常流行，该方法提取的纹理特征具有良好的鉴别能力。Haralick等[4]提出的GLCM方法已经成为纹理特征提取的一种经典算法，在很多领域被广泛应用。随后，Haralick[5]又进一步深入研究，于20世纪70年代末从GLCM中提出了14个二阶统计量作为纹理特征，用于纹理分割和分类等方面。通过赵等的研究发现，良恶性乳腺肿瘤图像在对比度和熵这两个特征值上均表现出明显的差异，表明通过GLCM提取纹理特征对乳腺病理图像分类是有效的[6], 恶性乳腺癌病理图像熵和对比度的均值明显高于良性乳腺病理图像，即恶性图像纹理特性相对复杂，纹理的沟纹深。
2.小波变换是一种空间( 时间) 和频率上的局部变换，它具有多分辨率分析和可以在时域和频域来表征信号局部特征的特点，是一种时间窗和频率窗都可以改变的时频局部化分析方法。基于此，小波变换在信号处理和图像处理方面有很广泛的应用。对于乳腺 X 射线图像来说，图像中的钙化点是夹杂在图像中的低频背景和极高频噪声中的离散的点。[7]在含有该钙化点感兴趣图像中，因为包含有离散的钙化点，使得经过小波分解后得到的高频系数波动变大，文中采用分别求各分解高频子图像的方差、能量作为图像的特征向量的方法,将灰度图像的纹理特征提取和小波分析相结合，有效提高了乳腺图像微钙化点检测的准确率。
结合有效提取特征向量训练分类器模型。作为一种常用的机器学习算法，SVM依据结构风险最小原理，支持向量机表现出独特的泛化和推广能力，已逐渐成为国内外机器学习研究的热点之一, 与传统机器学习方法相比，该方法具有结构简单、适应性好、全局最优、训练速度快和泛化能力强等诸多优势[8]。[6]和[7]中均采用支持向量机(SVM)的方法对样本数据进行训练分类并达到高准确率的分类目标。Lal Hussain等[9]通过使用贝叶斯、SVM、决策树等算法对自检乳腺癌模型进行学习与构建，并对比发现获得最高AUC = 100％通过使用贝叶斯分类器与纹理，形态，EFD和熵等特征。[1]中通过使用下表中的多种方法并结合放射组
学以及形态学特征组合的方式进行模型训练，使用的最佳特征选择方法是L1-LOG，分类器是XGBoost。仍有研究者采用神经网络与SVM结合的方式，基于特征融合的卷积神经网络乳腺癌图像分类方法，实现对肿块的识别与分析准确率提升[10]。
量化影响良恶性分类的主要特征占比。[1]中通过回溯训练过程的方法，提取出对良恶性判定重要的几个特征，一阶统计，不对称、肿块分布以及核等级等。[6]和[7]中通过GLCM和小波的方法二次证明了纹理特征对肿瘤内异质性的量化与小波特征对强度和纹理特征的变换域特征体现的强大与有效性。对良恶性钙化判定过程中的主要参考特征提供了重要的临床研究方向。
在现有的研究基础上，前人的关注点主要集中于训练出高准确率的分类模型，重点工作在于多种特征之间的组合方式、机器学习算法的互补与改进，并取得较高准确率的分类效果，但对于产生良恶性对比差异指标的分析以及与临床特征的结合研究较少，需要进一步在实验中总结探究，将“黑箱”的分类算法分解，探析有效量化指标。
