CN101664318B - 用于由数字乳腺摄影图像表示获得致密组织量的方法 - Google Patents

Abstract

一种用于由数字乳房摄影图像表示获得致密组织量的方法。确定图像中的关注区域并且对于该关注区域中的每个位置(x，y)中的每个像素，根据下式计算表示所述像素下面的致密组织量的值h_int(x，y)：

其中p(x，y)表示在所述数字乳腺摄影图像中的位置(x，y)处的像素的像素值，p_fat是参考脂肪像素值，μ_fat、μ_int是脂肪组织和致密组织的线性衰减系数并且E是在图像记录时x射线源的单能能量值，由此由所述数字乳腺摄影图像表示得到E和p_fat。

Description

用于由数字乳腺摄影图像表示获得致密组织量的方法

技术领域

本发明涉及乳腺摄影领域。更具体地说，本发明涉及通过数字图像获取技术例如计算机射线摄影(CR)系统或直接射线摄影(DR)系统获得的乳腺摄影图像的计算机分析。

背景技术

在乳腺摄影术中，已经确定在乳房组织构成和增加癌症风险之间存在因果关系。

在R.Highnam等人在Phys.Med.Biol.51(2006)，第2695-2713页发表的题为“Breast composition measurements using retrospectivestandard mammogram form”的文章中，已经公开乳房组织构成的测定可以用作乳腺癌风险的生物标志。研究最多的构成测定是乳房中致密乳房组织的百分比。通常，被判定为致密性质的区域和整个被投影乳房的区域的比率被评估。该比率被分类到多个类别中，例如BI-RAD类别(ACR 1998)。文献中已知的另一分类系统是Wolfe系统。

当产生数字乳腺摄影图像时，像素中的像素值依赖于所使用的X射线图像数字化器的特性、在图像记录时施加的辐射剂量以及乳房的辐射吸收。

通常，放射学家对乳房的辐射吸收感兴趣并且想消除其他因素。

所谓的x射线乳腺摄影的SMF表示是乳房的标准化定量表示(standardized quantitative representation)，由该表示能够容易地估计非脂肪组织的体积和乳房密度。

先前的SMF理论分析表明需要一组完整和真实的校准数据来产生实际的乳房构成测定。

本发明的一方面是提供一种用于由数字乳腺摄影图像表示获得致密组织量而不需要所采用的图像获取系统的校准数据的方法。

本发明的其他方面将通过下面的描述和附图而变得显而易见。

发明内容

上述有利效果通过一种由数字乳腺摄影图像表示获取致密组织量的方法来实现，该方法具有权利要求1中所述的特定方法步骤。

数字乳腺摄影图像表示例如能够借助计算机射线摄影系统(CR系统)来获得，在该计算机射线摄影系统中，x射线乳房图像暂时被记录在可光激励的荧光屏上。然后该屏被第一激励波长的激光扫描并且释放第二波长的图像状(image-wise)调制光。该图像状调制光被检测并被转换成表示图像信息的电信号。然后该电信号被数字化。

可以设想用于产生乳房的数字图像表示的替换系统，例如直接射线摄影系统(DR)。

本发明方法的有利之处在于它不需要关于图像记录条件的任何信息或不需要关于获取系统的任何信息(没有关于设置或校准的信息)并且由数字乳腺摄影图像本身推导出用于计算乳房中致密组织量的必需的数据。

本发明的优选实施例的特定特征在从属权利要求中陈述。

本发明的其他优点和实施例将由下面的描述而变得显而易见。

附图说明

图1是乳房摄影图像；

图2示出背景部分；

图3示出胸肌部分；

图4示出如何确定信号P_fat；

图5是确定P_fat的方式的另一图示；以及

图6是基于SMF表示的乳房密度计算的图示。

具体实施方式

根据本发明，首先获取x射线乳房图像的数字图像表示。如上所述，该数字图像表示可以例如是通过将乳房暴露于x射线并将x射线图像记录在可光激励的荧光屏上来获得的图像。然后通过合适的激励波长的激光扫描该暴露的屏。当激励时被激励的荧光屏释放第二波长的图像状调制光。然后该图像状调制光被收集并被转换成表示该图像的电信号。然后可以数字化该电信号。

例如对于Heel(足跟)效应可以校正原始图像数据。

为了说明的目的在图1中示出与这种数字乳腺摄影信号对应的打印图像。

根据本发明的方法，首先在所获取的乳腺图像中确定所关注的区域。在一个实施例中所关注的区域通过应用已知的分割技术(segmentation technique)、通过搜寻皮肤线的凸部并将其延伸到界限处(参见图2)借助来自数字图像表示的背景分割而获得。在特定实施例中(特别是在MLO和ML视图中)，胸肌还可以在开始搜寻皮肤线的凸部之前被分割(图3)。

标准乳腺X光片形式(standard mammogram form，SMF)是乳腺摄影图像的2D表示，其中每个像素代表下层组织的量，单位为cm。

标准乳腺X光片形式基于复杂物理模型：

$p(x,y)=f\left(E_p^{\mathrm{imp}}(x,y)\right)$

$E_p^{\mathrm{imp}}(x,y)=\mathrm{\Φ}(V_t,x,y)A_p{t}_s\underset{0}{\overset{{\mathrm{\ϵ}}_{\max }}{\∫}}{N}_0^{\mathrm{rel}}(V_t,\mathrm{\ϵ})\mathrm{\ϵS}\left(\mathrm{\ϵ}\right)G\left(\mathrm{\ϵ}\right)e^{-{\mathrm{\μ}}_{\mathrm{luc}}\left(\mathrm{\ϵ}\right)h_{\mathrm{plate}}}{e}^{-\mathrm{h\μ}\left(\mathrm{\ϵ}\right)}\mathrm{d\ϵ}$

hμ(ε)＝h_intμ_int(ε)+h_fatμ_fat(ε)

其目的是针对每个像素p(x，y)计算h_int。

可以进行下面的化简：

SQRT图像：p (x，y)²＝a＊Eimp(x，y)+b，且偏移量b＝0，并且应用单能模拟使得

$p{(x,y)}^2=a*e^{-h_{\mathrm{int}}{\mathrm{\μ}}_{\mathrm{int}}\left(E\right)-h_{\mathrm{fat}}{\mathrm{\μ}}_{\mathrm{fat}}\left(E\right)}$

$p{(x,y)}^2=a*e^{-h_{\mathrm{int}}({\mathrm{\μ}}_{\mathrm{int}}\left(E\right)-{\mathrm{\μ}}_{\mathrm{fat}}\left(E\right))-H{\mathrm{\μ}}_{\mathrm{fat}}\left(E\right)}$

对于在整个压缩厚度H处仅具有脂肪组织的像素

$p_{\mathrm{fat}}{(x,y)}^2=a*e^{-H{\mathrm{\μ}}_{\mathrm{fat}}\left(\mathrm{\ϵ}\right)}$

如果我们知道参考脂肪像素值p_fat，则

$\frac{p{(x,y)}^2}{p_{\mathrm{fat}}^2}=\frac{e^{-h_{\mathrm{int}}({\mathrm{\μ}}_{\mathrm{int}}\left(E\right)-{\mathrm{\μ}}_{\mathrm{fat}}\left(E\right))-H{\mathrm{\μ}}_{\mathrm{fat}}\left(E\right)}}{e^{-H{\mathrm{\ϵ}}_{\mathrm{fat}}\left(E\right)}}=e^{-h_{\mathrm{int}}({\mathrm{\μ}}_{\mathrm{int}}\left(E\right)-{\mathrm{\μ}}_{\mathrm{fat}}\left(E\right))}$

$h_{\mathrm{int}}(x,y)=\frac{2}{{\mathrm{\μ}}_{\mathrm{fat}}\left(E\right)-{\mathrm{\μ}}_{\mathrm{int}}\left(E\right)}(\mathrm{Log}\left(p(x,y)\right)-\mathrm{Log}\left(p_{\mathrm{fat}}\right))$

然后将确定下列参数：

·P_fat

·单能值E

·μ_fat(E)和μ_int(E)-Johns和Yaffe的经验公式

$\mathrm{\μ}\left(\mathrm{\ϵ}\right)=\frac{\mathrm{\λ}}{{\mathrm{\ϵ}}^3}+{\mathrm{\μ}}_s$

·压缩厚度H

$H=\frac{2}{{\mathrm{\μ}}_{\mathrm{fat}}\left(E\right)}(\mathrm{Log}\left(p_{\mathrm{background}}\right)-\mathrm{Log}\left(p_{\mathrm{fat}}\right))$

下面将解释如何由图像本身得到这些将被确定的参数。

参考脂肪像素值p_fat可以通过分析垂直于所述乳腺摄影图像的皮肤线的多个轮廓中读出的数据来获得。

更具体地说，对于每个所述轮廓，搜寻作为所述轮廓的预定最内部分(例如最内3/4轮廓)的像素值的最暗像素的第一像素。然后沿皮肤线的方向扫描每个轮廓的最外部分以发现第二像素，该第二像素是比所述第一像素更暗的像素，并且在第二像素中出现强像素值变化(例如通过分析第n级梯度)。最后，通过将这些第二像素求平均来确定p_fat。优选地该求平均是立体(solid)中值计算。

首先计算中值，接着关于该中值计算所有‘fat’值的标准偏差，然后估计在范围[中值减去1.75*标准偏差，中值加上1.75*标准偏差]之外的值并且计算参考值p_fat作为其余值的平均值。

在特定实施例中，执行下面的步骤来确定p_fat。

首先确定垂直于乳腺摄影图像的皮肤线的多个轮廓。

(1)在轮廓上搜寻该轮廓的内部(位于最接近肋骨)四分之三部分中的最暗像素。

(2)然后从1/4点到皮肤线扫描该轮廓。

(2a)如果第一点已经比在步骤(1)中确定的点暗，则我们已经在乳房的脂肪部分中或者乳房是不具有脂肪组织的致密乳房。必然地不能确定步骤(1)中确定的点是参考脂肪像素。该不确定性可以通过省去该点或通过进一步搜寻来解决。

(2b)如果第一点不比步骤(1)中确定的点暗，则这意味着步骤(1)中检测到的点最有可能是主要具有脂肪组织的点并且当前位置是存在致密组织的位置。在这种情况下，搜寻梯度明显降低的点。

在图像记录时x射线源的单能能量值E也由图像本身来确定。其根据在图像记录时压缩厚度H_est的估算的函数来被确定。

H_est是乳房边缘宽度的倍数，更具体地说是在所述乳房边缘宽度的2到2.5倍的范围内。

乳房边缘宽度由p_fat值获得。给定确定的p_fat值，从外侧朝向内部乳房侧再次扫描每个轮廓直到发现具有比值p_fat浅的像素值的像素为止。

对于每个轮廓测量该像素和皮肤线之间的距离并且根据所有确定的距离的中值确定乳房边缘宽度。

可以根据剂量线性表示的背景像素值和剂量线性的参考脂肪像素值的对数比来计算压缩厚度，并且其中所述对数比与脂肪组织的线性衰减系数的倒数成比例。

可以根据所选的关注区域中的值h_int(x，y)的加权和来计算乳房密度百分比。

可替换的，可以将传递函数f应用于所述关注区域内的每个像素中的致密组织h_int的计算量，并且所有f(h_int)值被合并以计算乳房密度百分比。具有小于1mm的致密组织厚度的像素可以被忽略并且在1mm和2mm之间的像素可以重新与在0和1之间的权重线性地成比例。

可以选择传递函数使得提供表明与已知乳房密度分类方案(例如BI-rads和Wolfe系统)的相关性的乳房密度百分比。

Claims (17)

1.用于由数字乳腺摄影图像表示来得到致密组织量的方法，包括以下步骤：

(1)确定所述数字乳腺摄影图像中的关注区域，

(2)对于所述关注区域中的每个位置(x，y)中的每个像素根据下式计算表示所述像素下面的致密组织量的值h_int(x，y)：

$h_{\mathrm{int}}(x,y)=\frac{2}{{\mathrm{\μ}}_{\mathrm{fat}}\left(E\right)-{\mathrm{\μ}}_{\mathrm{int}}\left(E\right)}(\mathrm{Log}\left(p(x,y)\right)-\mathrm{Log}\left(p_{\mathrm{fat}}\right))$

其中p(x，y)表示在所述数字乳腺摄影图像中的位置(x，y)处的像素的像素值，p_fat是参考脂肪像素值，μ_fat、μ_int是作为E的函数的脂肪组织和致密组织的线性衰减系数并且E是在图像记录时x射线源的单能能量值，由此由所述数字乳腺摄影图像表示得到E和p_fat，并且由h_int推导出表示致密组织量的乳房分类值。

2.根据权利要求1所述的方法，其中所述关注区域是通过对所述数字乳腺摄影图像表示执行下列步骤获得的：

(1)根据所述数字乳房摄影图像表示对背景分割，

(2)搜寻皮肤线的凸部并将所述皮肤线的凸部延伸到图像边界。

3.根据权利要求2所述的方法，包括在所述搜寻之前的胸肌分割。

4.根据权利要求1所述的方法，其中p_fat是通过分析在垂直于所述数字乳腺摄影图像的皮肤线的多个轮廓上读出的数据而获得的。

5.根据权利要求4所述的方法，包括以下步骤：

(a)对于每个所述轮廓，搜寻作为所述轮廓的预定最内部分上的像素值的最暗像素的第一像素，

(b)沿皮肤线方向扫描每个所述轮廓的最外部分以发现第二像素，该第二像素是比所述第一像素更暗的像素，并且在该第二像素中出现强像素值变化，

(c)通过对所述第二像素求平均来确定p_fat。

6.根据权利要求5所述的方法，其中通过分析第n级梯度来检测强像素值变化。

7.根据权利要求6所述的方法，其中根据所述第二像素的中值确定p_fat。

8.根据权利要求5所述的方法，其中所述预定最内部分是所述轮廓的最内3/4部分。

9.根据权利要求1所述的方法，其中根据在记录所述数字乳腺摄影图像时压缩厚度H_est的估算的函数确定E。

10.根据权利要求9所述的方法，H_est是乳房边缘宽度的倍数。

11.根据权利要求9所述的方法，其中根据剂量线性表示的背景像素值和剂量线性参考脂肪像素值的对数比来计算所述压缩厚度，并且其中所述对数比与脂肪组织的线性衰减系数的倒数成比例。

12.根据权利要求10所述的方法，其中H_est在所述乳房边缘宽度的2到2.5倍的范围内。

13.根据权利要求1所述的方法，其中根据所述关注区域中的所述值h_int(x，y)的加权和来计算乳房密度百分比。

14.根据前述权利要求中的任一项所述的方法，其中具有小于1mm的致密组织厚度的像素被忽略并且在1mm和2mm之间的像素重新与在0和1之间的权重线性地成比例。

15.根据权利要求1所述的方法，其中对所述关注区域内的每个像素中的致密组织h_int的计算量应用传递函数f，使得获得与已知乳房密度分类系统有关的乳房密度百分比。

16.根据权利要求15所述的方法，其中所述已知乳房密度分类系统是BI-RADS系统。

17.根据权利要求15所述的方法，其中所述已知乳房密度分类系统是Wolfe系统。

Images