中文摘要：

MRI医学图像中隐含有极为丰富的可供临床诊断的有用信息。特别是人体组织癌变时，除肌体密度变化外，还因水从蛋白上脱落，使自由水增加，从而引起MR信号中，纵向弛豫时间T1、横向弛豫时间T2和化学位移均发生明显变化。上述参数的变化，可从核磁共振谱MRS中分析出来。小波分析是实现MRI向MRS转化的有效工具，小波分析的平移、聚焦和显微特性，可精确测定单体元MRS的T1、T2和化学位移，从而为癌症的早期发现和准确诊断提供可靠的依据。因此，该项目的研究，对推进癌症的非侵入式诊断具有重要的科学意义，其成果具有广泛的应用前景。

结论摘要：

本项目以辅助癌症的早期准确诊断为目标，利用智能数据处理和模式识别技术，对肿瘤疾病的MRS数据进行了分解、去噪和特征分析，研究了癌症特征信息提取和分类识别的理论与方法，通过对临床病例样本数据的分析、处理和实验验证，提出了改进的基于小波变换的MRS数据去噪方法；基于Independent Component analysis (ICA)和Support Vector Machine (SVM)等技术，探讨研究了癌症特征信息的识别和提取方法。通过对临床获取的50余例神经胶质瘤样本数据的实验分析，验证了所提出方法的可行性。在此基础上，建立了癌症辅助诊断决策支持系统的理论和技术框架，并基于PACS系统，研究了实际决策支持系统的一般性构建方法。实验结果表明，改进的小波变换去噪方法对于本项目的数据样本具有较好的性能，与其他类似去噪方法相比，信噪比提高近10%，并且较好地保留了有效信号成份；基于ICA和SVM的特征识别和提取方法对高维的MRS数据具有更好的分析处理能力，与生化分析结果和癌症诊断专家经验知识相结合，能较好地提取出与生理信息更相关的特征信息。