CN101292261A - 用于医用图像的增强可视化的方法 - Google Patents
用于医用图像的增强可视化的方法 Download PDFInfo
- Publication number
- CN101292261A CN101292261A CNA2006800391884A CN200680039188A CN101292261A CN 101292261 A CN101292261 A CN 101292261A CN A2006800391884 A CNA2006800391884 A CN A2006800391884A CN 200680039188 A CN200680039188 A CN 200680039188A CN 101292261 A CN101292261 A CN 101292261A
- Authority
- CN
- China
- Prior art keywords
- histogram
- contrast
- image
- strengthens
- combination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
一种处理医用图像以实现期望的全局和局部对比度增强的方法。访问数字图像,将数字图像分段,并生成图像的第一直方图。使用第一直方图生成整体对比度增强的直方图。使用第一直方图生成局部对比度增强的直方图。使用整体对比度增强的直方图与局部对比度增强的直方图来生成组合的直方图。使用组合的直方图生成对比度增强的数字图像。
Description
技术领域
本发明一般涉及医用图像的可视化和显示领域。更确切地来说,本发明涉及用于乳房X线摄影图像的增强可视化,例如用于乳腺癌的诊断。
背景技术
乳腺癌是美国妇女中频繁诊断出的恶性肿瘤。早期检查到乳腺癌能够提高生存率。研究显示使用筛检性乳房X线摄影能够缩小病变的尺寸和病变期,从而改进生存的预后。目前,乳房X线摄影是用于早期检测乳腺癌的设计良好的成像技术。美国癌症协会向所有超过40岁的妇女建议每年进行筛检性乳房X线摄影。
筛检性乳房X线摄影技术需要进一步改进。研究显示一些乳腺癌被漏检。而且,尽管将乳腺的恶性病变与良性病变区分的放射线摄影标准已经改进,但是在日常临床实践中仍可能发生对病变的错误分类。检测并诊断乳腺癌的新技术发展的目标是帮助放射科医师提供灵敏度和特异性(即提高乳腺癌检出率),同时最大限度地减少将良性组织送交活体检查的情况。
随着乳房X线摄影屏片图像质量、图像获取和计算机影像技术(包括计算机辅助诊断(CAD))的改进,乳房X线摄影呈现令人瞩目的发展。至少一个研究显示使用CAD提高了乳腺癌检出率。而且,放射线逐步开始从模拟乳房X线摄影向数字乳房X线摄影过渡。据认为数字方式相对于模拟方式的一些优势在于对比度的整体提高;以及能够在软拷贝显示上人工操纵图像的对比度。
乳房X线摄影的对比度可以被视为重要的标准。X射线乳房X线摄影的临床获取需要特定技术来获取高质量图像。乳房内的多种构造之间的密度差产生了图像对比度。由于乳房构造和乳腺癌组织的物理形式在构成上相似,所以乳房X线摄影成像必定与一般放射线摄影成像有实质性的区别。需要低能X射线来强化对比度以便在正常组织与癌组织之间进行分辨。增加图像对比度的一种方式是增加射线剂量。因为低能X射线的吸收高于高能X射线,所以射线剂量成为乳房X线摄影的关注点。这样需要用于乳房X线摄影的传统屏/片具有比用于对头部、胸部、腹部和四肢成像的一般射线摄影更高的对比度。
数字乳房X线摄影部分解决屏/片系统在对比度上的局限性,即动态范围有限。但是,由于乳房组织的密度相近且射线剂量的问题,所以乳房成像是在可用动态范围的窄范围内进行的。还有其他因素影响图像质量,包括适合的X射线曝光、软拷贝显示的质量、显示器的动态范围和为优化地显示图像而进行的适当图像处理。
因为乳房X线摄影中对比度在诊断准确度中的作用,所以已经开发了多种技术和方法来增强低对比度图像以帮助放射科医师更好地将异常可视化。开发了许多方法,使用对乳房X线摄影中的不同频率内容加权的对比度增强和数字入口图像来改进疾病诊断。例如,参见共同受让的美国专利公布申请号2002/0181797(Young)和美国专利公布申请号2003/0091222(Young)。
本发明针对处理以数字方法获取的乳房X线摄影图像。本发明方法针对强化图像的整体对比度同时保留细节对比度。
发明内容
本发明的目的在于提供一种利用全局对比度增强和局部对比度增强来呈示数字乳房X线摄影图像的方法。
所提供的任何目的仅通过说明性示例来给出,此类目的可能是本发明的一个或多个实施例的示范。本领域技术人员能够设想或显见到所公开的发明本身能够实现的其他期望目的和优点。本发明由所附权利要求限定。
根据本发明的一个方面,提供一种用于增强数字图像的图像对比度的方法,包括:访问数字图像;将数字图像分段;生成数字图像的第一直方图;使用第一直方图生成整体对比度增强的直方图;使用第一直方图生成局部对比度增强的直方图;使用整体对比度增强的直方图与局部对比度增强的直方图来生成组合的直方图;以及使用组合的直方图来生成对比度增强的数字图像。
在一个特定布置中,通过整体对比度增强的直方图与局部对比度增强的直方图的加权组合来确定组合的直方图。
附图说明
如附图所示,从下文对本发明实施例的更具体描述,将显见到本发明的上述和其他目的、特征和优点。附图中的元素不一定彼此按比例来绘制。
图1以示意图形式图示根据本发明的方法步骤。
图2示出未处理的乳腺照片的直方图。
图3A-3F图示直方图,其中图3A示出未处理的分段乳房区域的直方图;图3B示出进行直方图均衡化(HE)之后处理的图像的直方图;图3C示出进行空间校正直方图均衡化(SCHE)之后处理的图像的直方图;以及图3D-3F示出已处理的图像的直方图,每个图像具有不同的γ值。
图4A-4F图示与图3A-3F中所示的直方图对应的图像。
图5A-5D图示未处理的(A)、HE之后处理的(B)、SCHE之后处理的(C)和应用特定方法之后处理的(D)的含有钙化的图像的段。
图6A-6D示出(A)未处理的图像、(B)SCHE之后处理的图像、(C)应用特定方法之后处理的图像和(D)应用另一种特定方法之后处理的图像。
图7A-7D示出分别对应于(A)未处理的图像、(B)SCHE之后处理的图像、HE之后处理的图像(C)和应用特定方法之后处理的图像(D)的直方图。
具体实施方式
下文是参考附图对本发明优选实施例的详细描述,这些附图的每个附图中相同的引用号标识构造中相同的元素。
直方图均衡化(HE)是一种用于对比度增强的公知方法,它用于全局对比度增强。它对于增强图像的全局对比度有相当大的好处。但是,当最大化/最优化全局对比度时,一些区域中的局部对比度并未得到优化或甚至被抑制。
当临床医师/放射科医师出于特定原因开出医用图像的医嘱时,临床医师/放射科医师常常在他们医嘱的图像中查找特定的异常。为了更好可视化而处理图像的一种最优方法是,最大化地增强放射科医师所查找的信号,同时最小化地增强或甚至抑制其他信号。因为全局对比度增强(例如直方图均衡化)的局限性,所以使用局部对比度增强来增强标识为感兴趣的区域中的对比度。对比度受限自适应的直方图增强(CLAHE)是一种采用来将直方图分析应用于图像中小区域以实现全局增强同时防止局部对比度损失的技术。
简要描述图1。在步骤100,访问数据图像。对于本发明,数字图像是乳房X线摄影图像。然后将数字图像分段(步骤102),并生成图像的直方图(步骤104)。使用步骤104生成的直方图,生成整体对比度增强的直方图(例如直方图均衡化(HE))(步骤106),生成局部对比度增强的直方图(例如空间相关直方图均衡化(SCHE))(步骤108)。然后将步骤106和108生成的两个直方图组合(下文对此予以更具体的描述)以生成组合的直方图(步骤110)。然后在步骤112使用组合的直方图生成对比度增强的数字图像。然后显示、存储、传输和/或打印对比度增强的数字图像(步骤114)。
乳房主要由两个部分构成,即腺体组织和脂肪组织。一些乳房疾病由乳房的终末导管小叶单位产生,并且可能产生于排列导管的上皮细胞;但是,还可能涉及到纤维或结缔组织。在乳房X线照片上,许多乳腺癌可能看上去是一肿块、小钙化群或二者的组合。其他乳房X线摄影异常与肿块和/或钙化(calcification)相比特异性和患病率较低,它们包括皮肤或乳头变化、腋窝中的异常、密度不对称和结构扭曲。优选用于乳房X线摄影的增强方法是增强全局对比度和局部对比度以使放射科医师能够更容易地检测到异常。
一些乳房X线照片在被获取时动态范围非常窄(图2)。将宽范围的灰度级用于对非乳房区域成像。例如,背景使用可用灰度级空间的较好部分。优选地在乳房X线照片中对乳房区域分段,然后通过将动态范围扩展到所有可用灰度级范围(即0到4096)来执行对比度增强以修改乳房的直方图。图3A示出(图4A所示的数字图像的)(未处理的)分段乳房区域的直方图(步骤104),它以灰度级表示乳房组织的分布。
通过对多个乳房X线照片的研究,申请人确定了它们的直方图中的共有特征。
一般性地参考图3A,乳房X线照片的直方图具有两个主要峰值(一个对应于脂肪以及一个对应于腺体组织)和位于两端的两个尾部。钙化和小区域的大密度组织(有时包括肿块)位于直方图的高端。尾部(位于低端)主要由乳房X线照片中沿乳房边界线的组织产生。两个尾部上的信息包括放射科医师的相关信息。更具体来说,放射科医师希望检查高端尾部中的钙化和高密度肿块。而且,放射科医师希望沿皮肤线检查问题,包括沿着边界线的细微肿块和钙化。
因为用于乳房区域的范围窄,所以需要全局对比度增强来增强整体对比度。应用直方图均衡化(HE)来强化直方图。例如,如图3B所示,(图3A的)直方图的中间部分被增强/强化,这样产生图4B所示的对应乳房X线摄影图像的对比度增强。
但是,(图3B)位于两端的尾部的切边(clipping)可能是个问题。图4B的图像中示出在高灰度级和低灰度级的抑制。增强的目的是通过扩大它们的动态范围同时突出显示临床相关的细节来增加乳房X线照片的对比度。期望保留尾部或甚至增强尾部的某些部分,因为尾部上的信息对于放射科医师是重要的。
为了克服HE的缺点,申请人引入空间相关直方图均衡化(SCHE),这样将像素的空间关系纳入考虑。例如钙化的详细信息与它们的相邻像素不是非常相关,其对比度可以提高,如图5C-5D所示。图3C图示使用SCHE之后所得到的直方图。注意,直方图高端(highend)的灰度级未被抑制,反而被扩大。因此,细节被保留和/或甚至得以增强。
如上文提到的,图3C图示对图3A所示的分段的乳房区域的直方图应用SCHE之后所得到的直方图。其中演示能够增强全局对比度以及局部对比度。下文描述计算SCHE的方法。
(A)按公式(1)计算原始图像的灰度级直方图p(k):
其中m是原始图像中的像素总数,mk是灰度级k的像素数,以及n是灰度级的总数。
(B)按公式(2)计算原始图像的空间相关直方图p(k):
其中条件概率p(b|a)定义为:
其中
以及q(x,y)是像素(x,y)处的灰度级,σ(β)=(2β+1)×(2β+1),N和M分别是乳房X线照片的宽度和高度。元素q(x,y)表示以灰度级为a的像素为中心邻近的像素灰度级为b的概率。
使用SCHE,两端上的细节被很好地保留,并且甚至得以增强。通常,如图5B和5C所示,使用SCHE(图5C)的整体对比度不像HE(图5B)那样作为首选。期望的是平衡细节的增强与整体对比度。
有多种方式在整体对比度增强与细节对比度的增强之间进行平衡。下文描述将HE(整体对比度增强)与SCHE(细节对比度)进行组合的多种不同方式。
1)方法1-HEp(k)和SCHEp(k)的两部分组合。
在此方法中,使用两个直方图(HE和SCHE)的一部分。在此具体示例中,将HEp(k)的左边部分与SCHEp(k)的右边部分组合。
a)首先,选择直方图上的灰度级值为阈值k’,k’可以是0与4096之间的任何值。例如,选择k’=2/n。然后设置阈值k|p(k)=2/n。
b)将灰度级空间分成两个部分:
K={k|p(k*)<2/n,p(k*+1)≥2/n,k=0,1,2,...k*}
K={0,1,...,n-1}-K
c)通过使用公式(4)组合两个直方图来计算新直方图
d)计算累计分布函数F(k)new和产出映射(Yield Mapping)函数,以便基于组合的直方图将新直方图映射到对比度增强的图像:
2)方法2-HEp(k)和SCHEp(k)的加权组合。
在此方法中,使用两个直方图(HE和SCHE)的一部分。但是,对这些部分应用加权因子,以使组合的直方图是HEp(k)和SCHEp(k)的加权组合。
a)生成新的直方图:
p(k)new=γp(k)+(1-γ)p(k)*(0<γ<1). (6)
b)计算累计分布函数F(k)new和产出映射函数,以便基于组合的直方图将新直方图映射到对比度增强的图像:
整体对比度增强与局部细节对比度之间的平衡由方法1的阈值和方法2的γ确定。方法2的变体是在不同灰度级范围内利用不同加权因子来组合两个直方图。要注意方法1是方法2的特殊情况,其中对于k∈K空间(灰度级空间),γ=1,以及对于k∈K,γ=0。
公式(8)中示出公式(6)的更通用形式,即不同的γ应用于所选的K空间。
直方图低端处的信息在胶片上呈现为暗。直方图高端处的信息在胶片上呈现为亮。当灰度级低于某个值时,图像内容可能变得太暗而看不见。需要以与高端的增强不同的方式来解决直方图低端的增强。
而且,已经使用密度校正来校正乳房X射线图像上乳房密度不均匀的分布。X-射线图像是压缩的乳房的投影。乳房密度在投影图中的不均匀性是因为乳房组织从胸壁到乳头的累计量上的差异所致。密度校正可以在描述的对比度增强之前和之后应用。
要注意,该方法可以应用于未处理的或已处理的图像来提高对比度。
该方法可以基于不同应用的需要来提供整体和局部对比度增强之间的平衡。通过全局对比度与局部细节对比度增强之间的平衡,可以实现期望的对比度增强。该方法可以提供图像的足够整体对比度增强,同时保留或增强细节对比度,从而帮助临床医师将癌症的异常检测和诊断的细节可视化。
一种计算机程序产品可以包括用来存储具有控制一个或多个计算机来实施根据本发明的方法的指令的计算机程序的一个或多个存储媒体,例如,诸如磁盘(例如软盘)或磁带的磁存储媒体;诸如光盘、光带或机器可读条形码的光存储媒体;诸如随机存取存储器(RAM)或只读存储器(ROM)的固态电存储装置;或任何其他物理装置或媒体。
Claims (6)
1.一种用于增强数字图像的图像对比度的方法,包括:
访问所述数字图像;
将所述数字图像分段;
生成所述数字图像的第一直方图;
使用所述第一直方图生成整体对比度增强的直方图;
使用所述第一直方图生成局部对比度增强的直方图;
使用所述整体对比度增强的直方图与所述局部对比度增强的直方图来生成组合的直方图;以及
使用所述组合的直方图来生成对比度增强的数字图像。
2.如权利要求1所述的方法,其特征在于,通过所述整体对比度增强的直方图与所述局部对比度增强的直方图的加权组合来确定所述组合的直方图。
3.如权利要求1所述的方法,其特征在于,通过将所述第一直方图上的灰度级值选为阈值来生成所述组合的直方图。
4.如权利要求1所述的方法,其特征在于,通过所述整体对比度增强的直方图与所述局部对比度增强的直方图的相等加权组合来确定所述组合的直方图。
5.如权利要求1所述的方法,其特征在于,通过所述整体对比度增强的直方图与所述局部对比度增强的直方图的不相等加权组合来确定所述组合的直方图。
6.如权利要求1所述的方法,其特征在于,通过加权因子和灰度级空间的组合来确定所述组合的直方图。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US72912405P | 2005-10-21 | 2005-10-21 | |
US60/729,124 | 2005-10-21 | ||
US11/549,130 | 2006-10-13 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101292261A true CN101292261A (zh) | 2008-10-22 |
Family
ID=40035653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006800391884A Pending CN101292261A (zh) | 2005-10-21 | 2006-10-16 | 用于医用图像的增强可视化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101292261A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102549618A (zh) * | 2009-08-03 | 2012-07-04 | 马塔基纳科技有限公司 | 用于从图像分析组织的方法和系统 |
CN102910436A (zh) * | 2012-10-26 | 2013-02-06 | 昆山特力伯传动科技有限公司 | 传送带自动检测方法 |
CN103514590A (zh) * | 2013-10-23 | 2014-01-15 | 杨大刚 | 数字式乳腺机图像后处理方法 |
CN109724364A (zh) * | 2018-11-13 | 2019-05-07 | 宁波泽锦电器科技有限公司 | 存放物品容量解析平台 |
CN109949238A (zh) * | 2019-03-07 | 2019-06-28 | 北京麦哲科技有限公司 | 图像的磨白优化方法和装置 |
WO2021238655A1 (zh) * | 2020-05-29 | 2021-12-02 | 展讯通信(上海)有限公司 | 图像处理方法及装置、存储介质、终端 |
-
2006
- 2006-10-16 CN CNA2006800391884A patent/CN101292261A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102549618A (zh) * | 2009-08-03 | 2012-07-04 | 马塔基纳科技有限公司 | 用于从图像分析组织的方法和系统 |
CN102549618B (zh) * | 2009-08-03 | 2015-11-25 | 马塔基纳科技有限公司 | 用于从图像分析组织的方法和系统 |
CN102910436A (zh) * | 2012-10-26 | 2013-02-06 | 昆山特力伯传动科技有限公司 | 传送带自动检测方法 |
CN103514590A (zh) * | 2013-10-23 | 2014-01-15 | 杨大刚 | 数字式乳腺机图像后处理方法 |
CN109724364A (zh) * | 2018-11-13 | 2019-05-07 | 宁波泽锦电器科技有限公司 | 存放物品容量解析平台 |
CN109724364B (zh) * | 2018-11-13 | 2020-11-20 | 徐州云创物业服务有限公司 | 存放物品容量解析平台 |
CN109949238A (zh) * | 2019-03-07 | 2019-06-28 | 北京麦哲科技有限公司 | 图像的磨白优化方法和装置 |
CN109949238B (zh) * | 2019-03-07 | 2022-11-25 | 北京麦哲科技有限公司 | 图像的磨白优化方法和装置 |
WO2021238655A1 (zh) * | 2020-05-29 | 2021-12-02 | 展讯通信(上海)有限公司 | 图像处理方法及装置、存储介质、终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Radiomics of small renal masses on multiphasic CT: accuracy of machine learning–based classification models for the differentiation of renal cell carcinoma and angiomyolipoma without visible fat | |
US8139828B2 (en) | Method for enhanced visualization of medical images | |
US7646902B2 (en) | Computerized detection of breast cancer on digital tomosynthesis mammograms | |
JP2022525198A (ja) | 陽電子放射断層撮影を用いた腫瘍セグメンテーションのための深層畳み込みニューラルネットワーク | |
US8577129B2 (en) | System and method for three-dimensional image rendering and analysis | |
US8045770B2 (en) | System and method for three-dimensional image rendering and analysis | |
Ionescu et al. | Prediction of reader estimates of mammographic density using convolutional neural networks | |
US20040101181A1 (en) | Automated method and system for computerized image analysis prognosis | |
US20050013471A1 (en) | Model-based grayscale registration of medical images | |
Fujima et al. | Deep learning analysis using FDG-PET to predict treatment outcome in patients with oral cavity squamous cell carcinoma | |
CN101292261A (zh) | 用于医用图像的增强可视化的方法 | |
Astley | Computer-based detection and prompting of mammographic abnormalities | |
Hsiao et al. | A deep learning-based precision and automatic kidney segmentation system using efficient feature pyramid networks in computed tomography images | |
Ciecholewski | Automatic liver segmentation from 2D CT images using an approximate contour model | |
US7391893B2 (en) | System and method for the detection of shapes in images | |
Cohen et al. | Comparison of the effects of model-based iterative reconstruction and filtered back projection algorithms on software measurements in pulmonary subsolid nodules | |
Gebre et al. | Detecting hip osteoarthritis on clinical CT: a deep learning application based on 2-D summation images derived from CT | |
Buchbinder et al. | Can the size of microcalcifications predict malignancy of clusters at mammography? | |
Huang et al. | Deep learning model based on dual-modal ultrasound and molecular data for predicting response to neoadjuvant chemotherapy in breast cancer | |
Garcia et al. | Multimodal breast parenchymal patterns correlation using a patient-specific biomechanical model | |
Rodríguez Pérez et al. | Methodology to create 3D models of COVID-19 pathologies for virtual clinical trials | |
Wang et al. | Novel computer-aided diagnosis algorithms on ultrasound image: effects on solid breast masses discrimination | |
CN116416235B (zh) | 一种基于多模态超声数据的特征区域预测方法和装置 | |
Spyrou et al. | “Hippocrates-mst”: a prototype for computer-aided microcalcification analysis and risk assessment for breast cancer | |
Massich et al. | Breast ultrasound image segmentation: an optimization approach based on super-pixels and high-level descriptors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20081022 |