CN102156874A - 从一影像处理系统中撷取一肿瘤轮廓的方法 - Google Patents
从一影像处理系统中撷取一肿瘤轮廓的方法 Download PDFInfo
- Publication number
- CN102156874A CN102156874A CN2010106219743A CN201010621974A CN102156874A CN 102156874 A CN102156874 A CN 102156874A CN 2010106219743 A CN2010106219743 A CN 2010106219743A CN 201010621974 A CN201010621974 A CN 201010621974A CN 102156874 A CN102156874 A CN 102156874A
- Authority
- CN
- China
- Prior art keywords
- point
- reference line
- tumor contour
- value
- line segment
- 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.)
- Granted
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 356
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000012545 processing Methods 0.000 title claims abstract description 51
- 238000000605 extraction Methods 0.000 claims description 113
- 238000005259 measurement Methods 0.000 claims description 91
- 239000013598 vector Substances 0.000 claims description 75
- 230000005484 gravity Effects 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 description 24
- 241000270295 Serpentes Species 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000002604 ultrasonography Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 101100323284 Mus musculus Ankrd27 gene Proteins 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000001613 neoplastic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法,包括:从此灰阶影像接收一输入肿瘤轮廓;定义此灰阶影像的一肿瘤轮廓环形区域及复数个参考线段,其中此输入肿瘤轮廓是位于此肿瘤轮廓环形区域内,且每一该些参考线段通过此肿瘤轮廓环形区域并包含复数个量测点;于每一该些参考线段上撷取出一肿瘤轮廓建议点;以及将该些参考线段上的该些肿瘤轮廓建议点互相连接,以得出此肿瘤轮廓。因此,使用此方法,医师可迅速且准确地辨识出位于一灰阶影像中的肿瘤轮廓。
Description
技术领域
本发明是关于一种从一影像处理系统中撷取一肿瘤轮廓的方法,尤其指一种适用于一包含一储存有一灰阶影像的内存及一处理器的影像处理系统的一种从一影像处理系统中撷取一肿瘤轮廓的方法。
背景技术
超音波影像技术(Ultrasonography,US)因非侵入性成像的造影特性,而成为临床医学研究上重要的信息获取利器,是目前最为被医学界接受且不会生副作用的技术。先进的超音波扫描仪能提供及时且高分辨率的医疗影像,因此超音波扫描近年来被广泛使用于检验与诊断肿瘤病变。
其中,由分析超音波影像,可协助医生判断肿瘤的特性,进而大量减少肿瘤切片检的次数。超音波影像中的肿瘤形状是医师判状断肿瘤的良恶性的重要指标,若能从超音波影像取得近似肿瘤形状的轮廓,将有助于提高医生在初期判断肿瘤良恶的正确率。而在临床研究上一般于超音波影像输出后,交由专业医师提供文字或选项叙述判断。但是,不同专业医师对于同一影像的特征叙述有时会产生观察变异。
因此,随着计算机辅助诊断技术的发展,计算机辅助判读肿瘤良恶性的技术,随着临床医学技术演进所产出针对肿瘤成像特征的许多研究,已不再遥不可及。其中,判读肿瘤良恶性的先决条件在于决定肿瘤的成像位置,意即肿瘤轮廓测定。传统肿瘤成像研究由人为进行轮廓圈选,受限于影像清晰程度、作业人员对肿瘤边界认知、操作身心状态等变异影响,呈现较大的轮廓输出变异,势必对后续良恶性判读上造成无法统一的影响。
计算机辅助肿瘤轮廓测定的好处,是可以让知道肿瘤在哪里的人,都可以圈选出类似甚至一样的肿瘤轮廓。不需谨慎明确的绘制轮廓,只要绘制大脑与肉眼认定的大略边界,即可经由算法得到应得的真实轮廓,因此在医学影像处理研究上一直是备受瞩目的重点,如Michael Kass et al.于1987年提出Snake算法,其首先给定起始边缘,再利用算法搜寻决定最适边缘的方式,即为医学影像处理上常见的使用方法之一。
Snake算法,又称Active Contour Method,由Michael Kass et al.于1987年提出,为近年来医学影像处理研究上最常被广泛运用与延伸讨论的算法。Snake算法的主要概念为寻求一个圈选范围外部对于圈选范围的约束力,与内部影像对于圈选范围的影响力,这两种力的最小化,使得圈选范围如蛇的移动般往周围类似线段或是边缘的区域伸缩。
Snake算法又称Active Contour Method是因为算法会自动搜寻相邻区域,针对每个区域做局部考虑,并利用空间概念的连续性围绕一个特征进行撷取。Snake算法适合用于线段、边缘、轮廓撷取,动态追踪,与立体比对,只要给予起始圈选范围在你期望得到的影像轮廓特征附近,Snake算法即可经由递归得出最终的建议轮廓。如图1所示,图1是公知Snake算法用于飞机图形影像的飞机轮廓撷取。
Snake算法作用于边界清晰的影像上,尤其是边界内外色差变化极大的情况下,可以得到非常优异的效果,然而肿瘤常见边缘模糊的情况,或是低回音不明显甚至无低回音性的情况,这类的肿瘤型态对于Snake算法而言便需要做进一步修正。Snake算法的运作方式在于探究一点的周围区域(n×n的屏蔽)内每一点的连续性、曲率、与局部梯度能量,然而若待测的周围区域本身属于模糊影像,则该点周围范围的屏蔽搜寻结果将不尽理想,若大多数点的周围范围皆有如此情况,则Snake将无法得出有效的结果,这就是所谓见树不见林的现象。反之若将待测区域扩大,一来运算时间也会随之比例增加,二来面对大面积的模糊影像仍然效果不彰。此外,Snake算法需要给予起始范围,若起始给定范围不佳,加上影像模糊,则作用在肿瘤超音波成像上将无法产出优异的结果。
综上所述,有鉴于传统肿瘤轮廓圈选需要专业医护人员精细费时的徒手绘制一条确定的轮廓边缘,Snake算法提供了不需要仔细绘制而取代以输入周遭接近范围的轮廓线后,交由程序完成后续的轮廓逼近。然而,若输入轮廓太接近需求轮廓,则输入的精细度(时间)相对增加;若输入轮廓与需求轮廓相距甚远,则因为Snake为考虑整体影像的无界算法,假设输出结果接近需求轮廓,则程序演算时间势必相对增加,这是Snake算法会面临的问题。
发明内容
本发明的目的在于提供一种从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法。
为实现上述目的,本发明提供的从一影像处理系统中撷取一肿瘤轮廓的方法,该影像处理系统包含一储存有一灰阶影像的内存及一处理器,包括:
从该灰阶影像接收一输入肿瘤轮廓;
定义该灰阶影像的一肿瘤轮廓环形区域及复数个参考线段,其中该输入肿瘤轮廓位于该肿瘤轮廓环形区域内,且每一该些参考线段通过该肿瘤轮廓环形区域并包含复数个量测点;
于每一该些参考线段上撷取出一肿瘤轮廓建议点;以及
将该些参考线段上的该些肿瘤轮廓建议点互相连接,以得出该肿瘤轮廓。
所述的方法,其中,每一该些参考线段包含复数个局部区段,且每一该些局部区段包含复数个移动区间;
其中,每一该些局部区段是由该些量测点的一量测点、至少一位于该些量测点的该量测点之前的量测点及至少一位于该些量测点的该量测点之后的量测点构成,且每一该些移动区间是由位于对应的局部区段内的该些量测点的一量测点及至少一位于该些量测点的该量测点之后的量测点构成;以及
其中,该肿瘤轮廓建议点是由使用一移动变异值撷取法的方式被撷取出,且该移动变异值撷取法包含下列步骤:
计算出位于该些局部区段内的一灰阶影像梯度变异值及位于该些移动区间内的一灰阶影像平均梯度变异值;
计算一将该灰阶影像梯度变异值除以该灰阶影像平均梯度变异值而得出的比值;以及
撷取一对应于该比值的最大值的量测点为该肿瘤轮廓建议点。
所述的方法,其中,该输入肿瘤轮廓的一重心点是被撷取出来,且复数个对比参考线段是被定义,每一该些对比参考线段是从该重心点延伸至相对应的该些参考线段的邻近该重心点的一端点,以及
其中,该肿瘤轮廓建议点是由使用一对比撷取法的方式被撷取出,且该对比撷取法包含下列步骤:
计算出位于该些参考线段内的一灰阶影像梯度值及位于该些参考线段内的一灰阶影像平均梯度值;
计算一存在于该灰阶影像梯度值以及该灰阶影像平均梯度值之间的差值;以及
撷取一对应于该差值的最大值的量测点为该肿瘤轮廓建议点。
所述的方法,其中,该肿瘤轮廓建议点是由使用一距离撷取法的方式被依序撷取出,且该距离撷取法包含下列步骤:
当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,或当存在该先前肿瘤轮廓建议点时,将该先前肿瘤轮廓建议点设定为该第一点;
将位于一次一参考线段的该些量测点的一量测点设定为一第二点;以及
将位于该次一参考线段的该些量测点中,一使得该第二点与该第一点之间具有最小距离的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点。
所述的方法,其中,该肿瘤轮廓建议点是由使用一灰阶影像梯度的指数加权移动平均值差异撷取法的方式被依序撷取出,且该灰阶影像梯度的指数加权移动平均值差异撷取法包含下列步骤:
当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一参考清单,或当存在该先前肿瘤轮廓建议点时,将所有该先前肿瘤轮廓建议点设定为该参考清单;
提供一指数加权移动平均值加权公式;
确定该指数加权移动平均值加权公式的权重因子的数值,及从每一量测点或该参考清单中的肿瘤轮廓建议点所具有的灰阶影像梯度值中,接收该参考清单的指数加权移动平均值的数值;
将该参考清单的指数加权移动平均值的数值及位于一次一参考线段的每一该些量测点所具有的灰阶影像梯度值作为该指数加权移动平均值加权公式的输入变量;
定义该指数加权移动平均值加权公式的输出为位于该次一参考线段的每一该些量测点所具有的指数加权移动平均值的数值;以及
将位于该次一参考线段的每一该些量测点中,一具有最小的一存在于该灰阶影像梯度值与该指数加权移动平均值的数值之间的差值的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点。
所述的方法,其中,该肿瘤轮廓建议点是由使用一角度撷取法的方式被依序撷取出,且该角度撷取法包含下列步骤:
当一先前肿瘤轮廓建议点之前并未存在一肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,且将位于一第二参考线段上的该些量测点的一量测点设定为一第二点,或当该先前肿瘤轮廓建议点之前存在一肿瘤轮廓建议点时,将存在于该先前肿瘤轮廓建议点之前的该肿瘤轮廓建议点设定为该第一点,且将该先前肿瘤轮廓建议点设定为该第二点;
将一从该第一点朝向该第二点的向量定义为一第一向量,且将复数个分别从该第二点朝向位于一次一参考线段的每一该些量测点的向量定义为复数个第二向量;
分别计算出介于该第一向量与每一该些第二向量之间的复数个夹角的余弦值;以及
将位于该次一参考线段的每一该些量测点中,一对应于形成一具有最大余弦值的夹角的该第二向量的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点。
本发明提供的从一影像处理系统中撷取一肿瘤轮廓的方法,该影像处理系统包含一储存有一灰阶影像的内存及一处理器,还包括:
从该灰阶影像接收一输入肿瘤轮廓;
定义该灰阶影像的一肿瘤轮廓环形区域及复数个参考线段,其中该输入肿瘤轮廓是位于该肿瘤轮廓环形区域内,且每一该些参考线段是通过该肿瘤轮廓环形区域并包含复数个量测点;
于每一该些参考线段上撷取出一调整肿瘤轮廓建议点;以及
将该些参考线段上的该些调整肿瘤轮廓建议点互相连接,以得出该调整肿瘤轮廓;
其中,位于每一该些参考线段上的该些调整肿瘤轮廓建议点是由下列步骤而得出:
将由一移动变异值撷取法而撷取出的位于该参考线段的所有该些量测点的数值、将由一对比撷取法而撷取出的位于该参考线段的所有该些量测点的数值、将由一距离撷取法而撷取出的位于该参考线段的所有该些量测点的数值、将由一灰阶影像梯度的指数加权移动平均值差异撷取法而撷取出的位于该参考线段的所有该些量测点的数值及将由一角度撷取法而撷取出的位于该参考线段的所有该些量测点的数值分别正规化至一介于0及1的数值;
确定分别对应至前述的各种撷取法的一调整标准;
由将分别对应于每一前述的各种撷取法的一乘积相乘在一起的方式,分别计算出位于该参考线段的每一该些量测点的一权重参数,其中,该乘积是由将正规化后的由该撷取法所撷取出的该量测点的数值自乘一等于该撷取法所对应的该调整标准的次数的方式被得出;
由计算一平均坐标的方式,撷取出位于该参考线段上的该肿瘤轮廓建议点,且该平均坐标是由将位于该参考线段上的每一量测点的坐标分别乘以一相对应的权重参数,再将所得的乘积加总在一起的方式被计算出来;
其中,在该移动变异值撷取法中,每一该些参考线段包含复数个局部区段,且每一该些局部区段包含复数个移动区间;每一该些局部区段是由该些量测点的一量测点、至少一位于该些量测点的该量测点之前的量测点及至少一位于该些量测点的该量测点之后的量测点构成,且每一该些移动区间是由位于对应的局部区段内的该些量测点的一量测点及至少一位于该些量测点的该量测点之后的量测点构成;以及位于该参考线段的该些量测点的数值是由该移动变异值撷取法被撷取出,且该移动变异值撷取法包含下列步骤:
计算出位于该些局部区段内的一灰阶影像梯度变异值及位于该些移动区间内的一灰阶影像平均梯度变异值;
计算一将该灰阶影像梯度变异值除以该灰阶影像平均梯度变异值而得出的比值;以及
撷取一对应于该比值的最大值的量测点为该肿瘤轮廓建议点;
其中,在该对比撷取法中,该输入肿瘤轮廓的一重心点是被撷取出来,且复数个对比参考线段是被定义,每一该些对比参考线段是从该重心点延伸至相对应的该些参考线段的邻近该重心点的一端点;以及位于该参考线段的该些量测点的数值是由该对比撷取法被撷取出,且该对比撷取法包含下列步骤:
计算出位于该些参考线段内的一灰阶影像梯度值及位于该些参考线段内的一灰阶影像平均梯度值;
计算一存在于该灰阶影像梯度值以及该灰阶影像平均梯度值之间的差值;以及
撷取一对应于该差值的最大值的量测点为该肿瘤轮廓建议点;
其中,在该距离撷取法中,位于该参考线段的该些量测点的数值是依序由该距离撷取法被撷取出,且该距离撷取法包含下列步骤:
当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,或当存在该先前肿瘤轮廓建议点时,将该先前肿瘤轮廓建议点设定为该第一点;
将位于一次一参考线段的该些量测点的一量测点设定为一第二点;以及
将位于该次一参考线段的该些量测点中,一使得该第二点与该第一点之间具有最小距离的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点;
其中,在该灰阶影像梯度的指数加权移动平均值差异撷取法中,位于该参考线段的该些量测点的数值是依序由该灰阶影像梯度的指数加权移动平均值差异撷取法被撷取出,且该灰阶影像梯度的指数加权移动平均值差异撷取法包含下列步骤:
当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一参考清单,或当存在该先前肿瘤轮廓建议点时,将所有该先前肿瘤轮廓建议点设定为该参考清单;
提供一指数加权移动平均值加权公式;
确定该指数加权移动平均值加权公式的权重因子的数值,及从每一量测点或该参考清单中的肿瘤轮廓建议点所具有的灰阶影像梯度值中,接收该参考清单的指数加权移动平均值的数值;
将该参考清单的指数加权移动平均值的数值及位于一次一参考线段的每一该些量测点所具有的灰阶影像梯度值作为该指数加权移动平均值加权公式的输入变量;
定义该指数加权移动平均值加权公式的输出为位于该次一参考线段的每一该些量测点所具有的指数加权移动平均值的数值;以及
将位于该次一参考线段的每一该些量测点中,一具有最小的一存在于该灰阶影像梯度值与该指数加权移动平均值的数值之间的差值的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点;
其中,在该角度撷取法中,位于该参考线段的该些量测点的数值是依序由该角度撷取法被撷取出,且该角度撷取法包含下列步骤:
当一先前肿瘤轮廓建议点之前并未存在一肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,且将位于一第二参考线段上的该些量测点的一量测点设定为一第二点,或当该先前肿瘤轮廓建议点之前存在一肿瘤轮廓建议点时,将存在于该先前肿瘤轮廓建议点之前的该肿瘤轮廓建议点设定为该第一点,且将该先前肿瘤轮廓建议点设定为该第二点;
将一从该第一点朝向该第二点的向量定义为一第一向量,且将复数个分别从该第二点朝向位于一次一参考线段的每一该些量测点的向量定义为复数个第二向量;
分别计算出介于该第一向量与每一该些第二向量之间的复数个夹角的余弦值;以及
将位于该次一参考线段的每一该些量测点中,一对应于形成一具有最大余弦值的夹角的该第二向量的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点。
由本发明的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法,医师可迅速且精确地从一灰阶影像中辨识出一肿瘤轮廓。此外,由于肿瘤轮廓可依据5种撷取法(移动变异值撷取法、对比撷取法、距离撷取法、灰阶影像梯度的指数加权移动平均值差异撷取法及角度撷取法)中的一种的计算过程被撷取出来,再形成于前述的灰阶影像上,故影像处理系统计算肿瘤轮廓所需的时间便可被最小化,且计算出的肿瘤轮廓与真实肿瘤轮廓的符合程度亦可被最大化。
附图说明
图1是公知Snake算法用于飞机图形影像的飞机轮廓撷取示意图。
图2是本发明一较佳实施例的系统架构图。
图3是本发明一较佳实施例的肿瘤轮廓撷取示意图。
图4是本发明第一实施例的从一影像处理系统中撷取一肿瘤轮廓的方法的流程图。
图5是一显示用于撷取一肿瘤轮廓建议点的移动变异值撷取法的流程图。
图6是显示本发明第一实施例的局部区段及移动区间的示意图。
图7是显示本发明第一实施例的位于一参考线段的各量测点所具的灰阶影像梯度及相对应的移动变异值的线状示意图。
图8是显示在本发明第一实施例的一从肿瘤重心点延伸至一外交点的参考线段上,灰阶影像梯度的变化趋势的剖面示意图。
图9是一显示用于撷取一肿瘤轮廓建议点的对比撷取法的流程图。
图10是一显示用于撷取一肿瘤轮廓建议点的距离撷取法的流程图。
图11是一显示用于撷取一肿瘤轮廓建议点的灰阶影像梯度的指数加权移动平均值差异撷取法的流程图。
图12是一显示用于撷取一肿瘤轮廓建议点的角度撷取法的流程图。
图13是本发明第二实施例的从一影像处理系统中撷取一肿瘤轮廓的方法的流程图。
附图中主要组件符号说明:
1影像处理系统;11内存;12处理器;111待处理图形影像;112,r预定区段;13显示屏幕;14输入装置;20肿瘤区块;2,LIi输入轮廓线;21,PIij输入轮廓点;22待测点;3,Bi重心点;4轨迹点参考线;41轨迹点待测线段;411轮廓建议点;42对比参考线段;5轮廓建议线;OIij外交点;IIij内交点。
具体实施方式
本发明的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法,包括:从此灰阶影像接收一输入肿瘤轮廓;定义此灰阶影像的一肿瘤轮廓环形区域及复数个参考线段,其中此输入肿瘤轮廓位于此肿瘤轮廓环形区域内,且每一该些参考线段是通过此肿瘤轮廓环形区域并包含复数个量测点;于每一该些参考线段上撷取出一肿瘤轮廓建议点;以及将该些参考线段上的该些肿瘤轮廓建议点互相连接,以得出此肿瘤轮廓。
本发明的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法,包括:从此灰阶影像接收一输入肿瘤轮廓;定义此灰阶影像的一肿瘤轮廓环形区域及复数个参考线段,其中此输入肿瘤轮廓位于此肿瘤轮廓环形区域内,且每一该些参考线段是通过此肿瘤轮廓环形区域并包含复数个量测点;于每一该些参考线段上撷取出一调整肿瘤轮廓建议点;以及将该些参考线段上的该些调整肿瘤轮廓建议点互相连接,以得出此调整肿瘤轮廓;
其中,位于每一该些参考线段上的该些调整肿瘤轮廓建议点是由下列步骤而得出:将由一移动变异值撷取法而撷取出的位于此参考线段的所有该些量测点的数值、将由一对比撷取法而撷取出的位于此参考线段的所有该些量测点的数值、将由一距离撷取法而撷取出的位于此参考线段的所有该些量测点的数值、将由一灰阶影像梯度的指数加权移动平均值差异撷取法而撷取出的位于此参考线段的所有该些量测点的数值及将由一角度撷取法而撷取出的位于此参考线段的所有该些量测点的数值分别正规化至一介于0及1的数值;确定分别对应至前述的各种撷取法的一调整标准;由将分别对应于每一前述的各种撷取法的一乘积相乘在一起的方式,分别计算出位于此参考线段的每一该些量测点的一权重参数,其中,此乘积是由将正规化后的由此撷取法所撷取出的此量测点的数值自乘一等于此撷取法所对应的此调整标准的次数的方式被得出;由计算一平均坐标的方式,撷取出位于此参考线段上的此肿瘤轮廓建议点,且此平均坐标是由将位于此参考线段上的每一量测点的坐标分别乘以一相对应的权重参数,再将所得的乘积加总在一起的方式被计算出来;
其中,在此移动变异值撷取法中,每一该些参考线段包含复数个局部区段,且每一该些局部区段包含复数个移动区间;每一该些局部区段是由该些量测点的一量测点、至少一位于该些量测点的此量测点之前的量测点及至少一位于该些量测点的此量测点之后的量测点构成,且每一该些移动区间是由位于对应的局部区段内的该些量测点的一量测点及至少一位于该些量测点的此量测点之后的量测点构成;以及位于此参考线段的该些量测点的数值是由此移动变异值撷取法被撷取出,且此移动变异值撷取法包含下列步骤:计算出位于该些局部区段内的一灰阶影像梯度变异值及位于该些移动区间内的一灰阶影像平均梯度变异值;计算一将此灰阶影像梯度变异值除以此灰阶影像平均梯度变异值而得出的比值;以及撷取一对应于此比值的最大值的量测点为此肿瘤轮廓建议点;
其中,在此对比撷取法中,此输入肿瘤轮廓的一重心点被撷取出来,且复数个对比参考线段被定义,每一该些对比参考线段从此重心点延伸至相对应的该些参考线段的邻近此重心点的一端点;以及位于此参考线段的该些量测点的数值由此对比撷取法被撷取出,且此对比撷取法包含下列步骤:计算出位于该些参考线段内的一灰阶影像梯度值及位于该些参考线段内的一灰阶影像平均梯度值;计算一存在于此灰阶影像梯度值以及此灰阶影像平均梯度值之间的差值;以及撷取一对应于此差值的最大值的量测点为此肿瘤轮廓建议点;
其中,在此距离撷取法中,位于此参考线段的该些量测点的数值是依序由此距离撷取法被撷取出,且此距离撷取法包含下列步骤:当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,或当存在此先前肿瘤轮廓建议点时,将此先前肿瘤轮廓建议点设定为此第一点;将位于一次一参考线段的该些量测点的一量测点设定为一第二点;以及将位于此次一参考线段的该些量测点中,一使得此第二点与此第一点之间具有最小距离的量测点撷取为位于此次一参考线段的此肿瘤轮廓建议点;
其中,在此灰阶影像梯度的指数加权移动平均值差异撷取法中,位于此参考线段的该些量测点的数值是依序由此灰阶影像梯度的指数加权移动平均值差异撷取法被撷取出,且此灰阶影像梯度的指数加权移动平均值差异撷取法包含下列步骤:当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一参考清单,或当存在此先前肿瘤轮廓建议点时,将所有此先前肿瘤轮廓建议点设定为此参考清单;提供一指数加权移动平均值加权公式;确定此指数加权移动平均值加权公式的权重因子的数值,及从每一量测点或此参考清单中的肿瘤轮廓建议点所具有的灰阶影像梯度值中,接收此参考清单的指数加权移动平均值的数值;将此参考清单的指数加权移动平均值的数值及位于一次一参考线段的每一该些量测点所具有的灰阶影像梯度值作为此指数加权移动平均值加权公式的输入变量;定义此指数加权移动平均值加权公式的输出为位于此次一参考线段的每一该些量测点所具有的指数加权移动平均值的数值;以及将位于此次一参考线段的每一该些量测点中,一具有最小的一存在于此灰阶影像梯度值与此指数加权移动平均值的数值之间的差值的量测点撷取为位于此次一参考线段的此肿瘤轮廓建议点;
其中,在此角度撷取法中,位于此参考线段的该些量测点的数值是依序由此角度撷取法被撷取出,且此角度撷取法包含下列步骤:当一先前肿瘤轮廓建议点之前并未存在一肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,且将位于一第二参考线段上的该些量测点的一量测点设定为一第二点,或当此先前肿瘤轮廓建议点之前存在一肿瘤轮廓建议点时,将存在于此先前肿瘤轮廓建议点之前的此肿瘤轮廓建议点设定为此第一点,且将此先前肿瘤轮廓建议点设定为此第二点;将一从此第一点朝向此第二点的向量定义为一第一向量,且将复数个分别从此第二点朝向位于一次一参考线段的每一该些量测点的向量定义为复数个第二向量;分别计算出介于此第一向量与每一该些第二向量之间的复数个夹角的余弦值;以及将位于此次一参考线段的每一该些量测点中,一对应于形成一具有最大余弦值的夹角的此第二向量的量测点撷取为位于此次一参考线段的此肿瘤轮廓建议点。
因此,由应用本发明的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法,医师可迅速且精确地从一灰阶影像中辨识出一肿瘤轮廓。此外,由于肿瘤轮廓可依据5种撷取法(移动变异值撷取法、对比撷取法、距离撷取法、灰阶影像梯度的指数加权移动平均值差异撷取法及角度撷取法)中的一种的计算过程被撷取出来,再形成于前述的灰阶影像上,故影像处理系统计算肿瘤轮廓所需的时间便可被最小化,且计算出的肿瘤轮廓与真实肿瘤轮廓的符合程度亦可被最大化。
在本发明第一实施例的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法中,每一该些参考线段包含复数个局部区段,且每一该些局部区段包含复数个移动区间;其中,每一该些局部区段是由该些量测点的一量测点、至少一位于该些量测点的此量测点之前的量测点及至少一位于该些量测点的此量测点之后的量测点构成。此外,每一该些移动区间是由位于对应的局部区段内的该些量测点的一量测点及至少一位于该些量测点的此量测点之后的量测点构成。
除此之外,肿瘤轮廓建议点可由使用一移动变异值撷取法的方式被撷取出,且此移动变异值撷取法包含下列步骤:计算出位于该些局部区段内的一灰阶影像梯度变异值及位于该些移动区间内的一灰阶影像平均梯度变异值;计算一将此灰阶影像梯度变异值除以此灰阶影像平均梯度变异值而得出的比值;以及撷取一对应于此比值的最大值的量测点为此肿瘤轮廓建议点。
在本发明第一实施例的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法中,此输入肿瘤轮廓的一重心点被撷取出来,且复数个对比参考线段被定义。此外,每一该些对比参考线段是从此重心点延伸至相对应的该些参考线段的邻近此重心点的一端点。
除此之外,肿瘤轮廓建议点可由使用一对比撷取法的方式被撷取出,且此对比撷取法包含下列步骤:计算出位于该些参考线段内的一灰阶影像梯度值及位于该些参考线段内的一灰阶影像平均梯度值;计算一存在于此灰阶影像梯度值以及此灰阶影像平均梯度值之间的差值;以及撷取一对应于此差值的最大值的量测点为此肿瘤轮廓建议点。
在本发明第一实施例的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法中,肿瘤轮廓建议点可由使用一距离撷取法的方式被依序撷取出,且此距离撷取法包含下列步骤:当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,或当存在此先前肿瘤轮廓建议点时,将此先前肿瘤轮廓建议点设定为此第一点;将位于一次一参考线段的该些量测点的一量测点设定为一第二点;以及将位于此次一参考线段的该些量测点中,一使得此第二点与此第一点之间具有最小距离的量测点撷取为位于此次一参考线段的此肿瘤轮廓建议点。
在本发明第一实施例的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法中,肿瘤轮廓建议点可由使用一灰阶影像梯度的指数加权移动平均值差异撷取法的方式被依序撷取出,此灰阶影像梯度的指数加权移动平均值差异撷取法包含下列步骤:当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一参考清单,或当存在此先前肿瘤轮廓建议点时,将所有此先前肿瘤轮廓建议点设定为此参考清单;提供一指数加权移动平均值加权公式;确定此指数加权移动平均值加权公式的权重因子的数值,及从每一量测点或此参考清单中的肿瘤轮廓建议点所具有的灰阶影像梯度值中,接收此参考清单的指数加权移动平均值的数值;将此参考清单的指数加权移动平均值的数值及位于一次一参考线段的每一该些量测点所具有的灰阶影像梯度值作为此指数加权移动平均值加权公式的输入变量;定义此指数加权移动平均值加权公式的输出为位于此次一参考线段的每一该些量测点所具有的指数加权移动平均值的数值;以及将位于此次一参考线段的每一该些量测点中,一具有最小的一存在于此灰阶影像梯度值与此指数加权移动平均值的数值之间的差值的量测点撷取为位于此次一参考线段的此肿瘤轮廓建议点。
在本发明第一实施例的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法中,肿瘤轮廓建议点可由使用一角度撷取法的方式被依序撷取出,此角度撷取法包含下列步骤:当一先前肿瘤轮廓建议点之前并未存在一肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,且将位于一第二参考线段上的该些量测点的一量测点设定为一第二点,或当此先前肿瘤轮廓建议点之前存在一肿瘤轮廓建议点时,将存在于此先前肿瘤轮廓建议点之前的此肿瘤轮廓建议点设定为此第一点,且将此先前肿瘤轮廓建议点设定为此第二点;将一从此第一点朝向此第二点的向量定义为一第一向量,且将复数个分别从此第二点朝向位于一次一参考线段的每一该些量测点的向量定义为复数个第二向量;分别计算出介于此第一向量与每一该些第二向量之间的复数个夹角的余弦值;以及将位于此次一参考线段的每一该些量测点中,一对应于形成一具有最大余弦值的夹角的此第二向量的量测点撷取为位于此次一参考线段的此肿瘤轮廓建议点。
以下结合附图并列举实施例对本发明作进一步的详细说明。
请同时参阅图2及图3,图2是本发明一较佳实施例的系统架构图,图3则为本发明一较佳实施例的肿瘤轮廓撷取示意图。
如图2所示,影像处理系统1包含一内存11、一处理器12、一显示屏幕13及一输入装置14。而内存11储存有一待处理图形影像111及一预定区段112。其中,待处理图形影像111是指尚未进行本发明的从一影像处理系统中撷取一肿瘤轮廓的方法的超音波影像图,其可通过输入装置14输入。又如图3所示,其显示有一肿瘤区块20。而处理后的影像图又可通过显示屏幕13加以输出显示。
此外,前述输入装置14可用以输入影像、文字、指令等数据至影像处理系统1,内存11是用以暂存数据或执行的程序,处理器12用以运算及处理数据等,显示屏幕13则用以显示输出的数据。如图2所示的影像处理系统1一般是于系统程序下执行各种应用程序,例如文书处理程序、绘图程序、科学运算程序、浏览程序、电子邮件程序、影像处理程序等。
当欲使影像处理系统1系统执行本发明的从一影像处理系统中撷取一肿瘤轮廓的方法时,对应的程序(如影像处理程序)便被加载内存11,以配合处理器12执行前述的从一影像处理系统中撷取一肿瘤轮廓的方法。最后,再将得出的肿瘤轮廓结果显示于显示屏幕13或由因特网储存于一远程数据库中。此外,执行本发明的从一影像处理系统中撷取一肿瘤轮廓的方法时所需的「输入肿瘤轮廓」是由输入装置14输入至影像处理系统1,再与超音波灰阶影像互相结合,以执行后续的步骤。
请参阅图4,是本发明第一实施例的从一影像处理系统中撷取一肿瘤轮廓的方法的流程图。本发明第一实施例的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法,包含:
步骤SA:从此灰阶影像接收一输入肿瘤轮廓;
步骤SB:定义此灰阶影像的一肿瘤轮廓环形区域及复数个参考线段,其中此输入肿瘤轮廓是位于此肿瘤轮廓环形区域内,且每一该些参考线段是通过此肿瘤轮廓环形区域并包含复数个量测点;
步骤SC:于每一该些参考线段上撷取出一肿瘤轮廓建议点;以及
步骤SD:将该些参考线段上的该些肿瘤轮廓建议点互相连接,以得出此肿瘤轮廓。
首先,在步骤SA,输入一输入轮廓线2于待处理图形影像111,且输入轮廓线2包括有复数输入轮廓点21。而输入轮廓线2可由使用者或专业医师认定肿瘤位置后以手绘方式输入,惟仅需概略勾勒出肿瘤轮廓,无须谨慎精确地描准绘制。其中,例如输入轮廓线2以LIi表示的,内含ni点输入轮廓点21,i=1,2,…,n,i,再者,第i条输入轮廓线2上第j点,为第j点输入轮廓点21,以表示的;LIi={PIi1,PIi2,…,PIij},j=1,2,…,ni,
接着,在步骤SB中,此灰阶影像的一肿瘤轮廓环形区域及复数个参考线段均被定义。此外,此输入肿瘤轮廓是位于此肿瘤轮廓环形区域内,且每一该些参考线段通过此肿瘤轮廓环形区域并包含复数个量测点。例如,获取输入轮廓线2的重心点3。其中,第i个输入轮廓线的重心点3为第i条输入线的重心点3,意即所有PIij的重心点3,重心点3以Bi表示的,如下列式1-1:
再分别连接并延伸重心点3与每一输入轮廓点21以形成复数轨迹点参考线4。又,分别撷取一轨迹点待测线段41于复数轨迹点参考线4上,轨迹点待测线段41涵盖有对应的输入轮廓点21。其中,轨迹点待测线段41是于每一轨迹点参考线4上,以输入轮廓点21为基点,分别朝向、及远离重心点3方向取预定区段112而决定。预定区段112来决定轨迹点待测线段41的长度,其直接影响处理的时间长短、及准确性。
换句话说,以输入轮廓点21为基点,预定区段112为任一输入轮廓点21周围特定物理距离的半径,以r表示,其中,对于第i条输入轮廓线2,连接输入重心点3到第j点输入轮廓点21,可得直线以第j点输入轮廓点21为中心出发,周围物理距离r(预定区段112)为半径画圆,此圆可与直线交于两点:外交点内交点则第i条输入轮廓线2的第j点输入轮廓点21对应的第j条轨迹点待测线段41为线段内含aij点待测点22;第j条对比参考线段42为线段其中,aij≤2r+1。接下来,在步骤SC中,分别撷取一轮廓建议点411于每一轨迹点待测线段41上。最后,将该些参考线段上的该些肿瘤轮廓建议点互相连接,以得出此肿瘤轮廓(步骤SD)。
实施例1
在本发明第一实施例的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法的步骤SC中,在每一该些参考线段上的肿瘤轮廓建议点可由使用一移动变异值撷取法的方式被撷取出。而且,如图5所示,此移动变异值撷取法包含下列步骤:
计算出位于该些局部区段内的一灰阶影像梯度变异值及位于该些移动区间内的一灰阶影像平均梯度变异值;
计算一将此灰阶影像梯度变异值除以此灰阶影像平均梯度变异值而得出的比值;以及
撷取一对应于此比值的最大值的量测点为此肿瘤轮廓建议点。
除此之外,在前述的移动变异值撷取法中,每一该些参考线段包含复数个局部区段,且每一该些局部区段包含复数个移动区间(moving horizon)。其中,每一该些局部区段是由该些量测点的一量测点、至少一位于该些量测点的此量测点之前的量测点及至少一位于该些量测点的此量测点之后的量测点构成。此外,每一该些移动区间是由位于对应的局部区段内的该些量测点的一量测点及至少一位于该些量测点的此量测点之后的量测点构成。
在此例子中,是利用移动变异原理(Moving Variance),其意义在于观察一区域中某一局部片段的周遭数值平均变化程度造成此局部片段对于整个区域所呈现的数值变化情形。第一实施例所采的移动变异(Moving Variance)属于主要特征指针,意即可直接利用算法于轨迹点待测线段41中求得需求轨迹的建议数据点。
请一并参阅图3至图5,每一轨迹点待测线段41包括有复数待测点22、复数局部区段、及复数移动区间。在本实施例中,复数待测点22是指复数影像像素点。而复数局部区段分别由复数待测点22其中之一、其至少前一待测点22、及其至少后一待测点22所构成。复数移动区间分别由对应的复数局部区段内的复数待测点22、及其至少后一待测点22所构成。
亦即,如令p表轨迹点待测线段41,即图上标示的其上一点AIijk向前后线段考虑的点数个数,则此含有2×p+1个影像像素点的片段称为一局部区段,由于轨迹点待测线段41上每一点皆会产生一局部区段,因此一轨迹点待测线段41上的待测点数与局部区段数相同。至于,移动区间则令q表局部区段上一点AIijk包含此点并向后考虑的点数个数总和,因一局部区段共含2×p+1个影像像素点,故可产生2×p+1-(q-1)=2×p-q+2个区间,这些每一个皆含有q个影像像素点的区间称为一移动区间。
然而,本发明第一实施例撷取轮廓建议点411的方法如下,首先分别计算复数局部区段的灰阶影像梯度变异值、及复数移动区间的灰阶影像梯度平均变异值。接着,分别计算复数局部区段的灰阶影像梯度平均变异值与复数移动区间的灰阶影像梯度变异值的比值。再者,撷取此比值中最大值所对应的待测点22为轮廓建议点411。
其中,如轨迹点待测线段上第k个局部区段的各点影像像素值为Gijk-p,Gijk-p+1,…,Gijk+p-1,Gijk+p,此局部区段赋予的灰阶影像梯度变异值以RLijk表示,RLijk=varp[Gijk-p,Gijk+p],因AIijk向前后线段考虑的局部区段可能会超出轨迹点待测线段41范围,故在原始的轨迹点待测线段41前后将产生延伸辅助点,以辅助观察局部区段各点的灰阶影像梯度变化。进一步说明,请参阅图6,图6显示本发明第一实施例的局部区段及移动区间的示意图。实线方格为轨迹点待测线段41上各待测点22,虚线方格为延伸辅助点,红色方框为点AIijk,红色长框为点AIijk对应的局部区段,大括号为局部区段内各个移动区间。如图6所示,参数k=2,p=4,q=3,则待测在线第2个待测点对应的局部区段共含2×4+1=9点,此局部区段内共有2×4-3+2=7个移动区间。
至于,局部区段上第g个移动区间内各点影像像素值为Gijk-p+g-1,Gijk-p+g,…,Gijk-p+g+q-1,Gijk-p+g+q-2,此移动区间赋予的灰阶影像梯度变异值以RMijkg表示,RMijkg=varp[Gijk-p+g-1,Gijk-p+g+q-2]。局部区段内各移动区间灰阶影像梯度平均变异值以表示,如下列式1-2所示:
其中,期望一局部区段产生2个以上移动区间,故q≤2×p-1。再者,轨迹点待测线段上一点AIijk的移动变异(Moving Variance)定义为此点对应的局部区段内灰阶影像梯度变异值RLijk与此局部区段内各移动区间灰阶影像梯度平均变异的比值以MVijk表示,如下式1-3:
其中,MVijk值越大,则此点越可能为肿瘤轮廓建议点。若q=1,则移动变异不考虑移动区间,MVijk=RLijk。
以下将以实际图例说明移动变异(Moving Variance)应用于本发明的作用。请一并参阅表1、及图7。表1是一本发明第一实施例的轨迹点待测线段上各点灰阶影像梯度值与移动变异值对应表,其中设定参数为p=5,q=2。其表1第一栏为一轨迹点待测线段上各待测点22编号k,第二栏为此待测点22的灰阶影像梯度值Gijk,第三栏为各待测点22对应的MVijk值。图7显示本发明第一实施例的位于一参考线段的各量测点所具的灰阶影像梯度及相对应的移动变异值的线状示意图。其中,线段I为灰阶影像梯度值;线段II表移动变异值,其主要显示不同灰阶影像梯度因为周遭变化而产生不同的移动变异值。
再请一并参阅图8,图8显示在本发明第一实施例的一从肿瘤重心点延伸至一外交点的参考线段上,灰阶影像梯度的变化趋势的剖面示意图。其中,线段a为灰阶影像梯度值;线段b表轨迹点待测线段41的平均灰阶影像梯度值;线段c表对比参考线段42的平均灰阶影像梯度值,其主要显示轨迹点待测线段41平均灰阶影像梯度值因受低回音环的影响,呈现出相较对比参考线段42平均灰阶影像梯度值低的结果。而图7中圈选标记处为此轨迹点待测线段41上三处灰阶影像梯度差异变化较大之处,对照移动变异值可发现圈1下的编号第10点为移动变异值最高点,其次为第11点、第8点、第17点。
再者,若考虑从肿瘤重心到此轨迹点待测线段41外交点的肿瘤灰阶影像梯度剖面图(图8),可发现在第7点到第20点呈现有别于参考线平均灰阶影像梯度值的凹槽,此凹槽对应超音波影像为低回音环的所在。虽然圈2的灰阶影像梯度变化也高,但因周围影像的梯度值作用影响,圈2呈现的移动变异相较圈1、3为低,则利用移动变异,编号第10点为本需求轨迹点待测线中最被建议选取的点,其次为第11点、第8点、第17点。
表1:
K | 1 | 2 | 3 | 4 | 5 |
Gijk | 77 | 79 | 78 | 79 | 94 |
MVijk | 4.996216 | 5.431265 | 5.72553 | 4.359829 | 5.065877 |
K | 6 | 7 | 8 | 9 | 10 |
Gijk | 93 | 93 | 88 | 78 | 64 |
MVijk | 8.586214 | 11.91848 | 13.55545 | 12.59645 | 17.43012 |
K | 11 | 12 | 13 | 14 | 15 |
Gijk | 50 | 52 | 56 | 65 | 62 |
MVijk | 14.88913 | 10.87886 | 6.907269 | 4.268695 | 4.830066 |
K | 16 | 17 | 18 | 19 |
Gijk | 60 | 65 | 67 | 69 |
MVijk | 11.60418 | 13.1099 | 7.002381 | 6.10648 |
实施例2
在本发明第一实施例的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法的步骤SC中,在每一该些参考线段上的肿瘤轮廓建议点可由使用一对比撷取法的方式被撷取出。而且,如图9所示,此对比撷取法包含下列步骤:
计算出位于该些参考线段内的一灰阶影像梯度值及位于该些参考线段内的一灰阶影像平均梯度值;
计算一存在于此灰阶影像梯度值以及此灰阶影像平均梯度值之间的差值;以及
撷取一对应于此差值的最大值的量测点为此肿瘤轮廓建议点。
除此之外,在前述的对比撷取法中,此输入肿瘤轮廓的一重心点被撷取出来,且复数个对比参考线段(contrast reference segment)被定义。此外,每一该些对比参考线段是从此重心点延伸至相对应的该些参考线段的邻近此重心点的一端点。
在此例子中,是利用对比(Contrast)的原理,其概念在于肉眼如何从一张超音波影像中辨识出一颗肿瘤的位置。从肿瘤中心出发,肉眼能够辨别何处为肿瘤边界的原因,除了附近组织与肿瘤相互挤压浸润造成海绵质发炎呈现于超音波影像的低回音环外,从肿瘤中心到疑似边界的灰阶影像梯度与边界附近的灰阶影像梯度一定也有些许差异。因此,对比(Contrast)指的是观察一区域中各点对于期望区域的视觉差异程度。第二实施例所采的对比(Contrast)属于主要特征指针,意即可直接利用算法于轨迹点待测线段41中求得需求轨迹的建议数据点。
请参阅图3及图9,每一轨迹点待测线段41包括有复数待测点22,且复数轨迹点参考线4分别包括有一对比参考线段42。其对比参考线段42是指重心点3至轨迹点待测线段41上接近重心点3的端点。然而,本发明第二实施例撷取轮廓建议点411的方法如下,首先分别计算复数待测点22的灰阶影像梯度值、及对比参考线段42的平均灰阶影像梯度值。接着,分别计算复数待测点22的灰阶影像梯度值、及其对应轨迹点参考线4上的对比参考线段的平均灰阶影像梯度值的差距值。再者,撷取差距值中最大值所对应的待测点22为轮廓建议点411。
以下将以实际数据说明对比(Contrast)应用于本发明的作用。请一并参阅表2。表2是一本发明第二实施例的轨迹点待测线段上各点灰阶影像梯度值与对比(Contrast)对应表,对比参考线段42平均灰阶影像梯度值为77.4。表2第一栏为一轨迹点待测线段上各待测点22编号k,第二栏为此待测点22的灰阶影像梯度值Gijk,第三栏为各待测点22对应的Cijk值。表2对应的对比参考线段平均灰阶影像梯度值为77.4。
据此,由表2可得,对比值最大者为第11点,其次为第12点、第13点与第16点,对应图7与表2,虽然圈2的第5点处呈现最高的灰阶影像梯度值,圈2处灰阶影像梯度变化也高,但因圈2的灰阶影像梯度值较接近参考线的平均灰阶影像梯度,故其效果不如红圈1的第11点与圈3的第16点。利用对比,编号第11点为本轨迹点待测线段41中最被建议选取的点,其次为第12点、第13点、第16点。
表2
K | 1 | 2 | 3 | 4 | 5 |
Gijk | 77 | 79 | 78 | 79 | 94 |
Cijk | 0.4 | 1.6 | 0.6 | 1.6 | 16.6 |
K | 6 | 7 | 8 | 9 | 10 |
Gijk | 93 | 93 | 88 | 78 | 64 |
Cijk | 15.6 | 15.6 | 10.6 | 0.6 | 13.4 |
K | 11 | 12 | 13 | 14 | 15 |
Gijk | 50 | 52 | 56 | 65 | 62 |
Cijk | 27.4 | 25.4 | 21.4 | 12.4 | 15.4 |
K | 16 | 17 | 18 | 19 |
Gijk | 60 | 65 | 67 | 69 |
Cijk | 17.4 | 12.4 | 10.4 | 8.4 |
实施例3
在本发明第一实施例的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法的步骤SC中,在每一该些参考线段上的肿瘤轮廓建议点可由使用一距离撷取法的方式被依序撷取出。而且,如图10所示,此距离撷取法包含下列步骤:
当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,或当存在此先前肿瘤轮廓建议点时,将此先前肿瘤轮廓建议点设定为此第一点;
将位于一次一参考线段的该些量测点的一量测点设定为一第二点;以及
将位于此次一参考线段的该些量测点中,一使得此第二点与此第一点之间具有最小距离的量测点撷取为位于此次一参考线段的此肿瘤轮廓建议点。
在此例子中,是利用距离(Distance)的原理,其概念在于考虑两条轨迹点待测线段41所选取的建议点距离。在上一条轨迹点待测线段41选取出建议点后,考虑此点与下条轨迹点待测线段41上各点的距离。其物理意义为下一个建议点与上点建议点的距离应比起其它待测点与上点建议点的距离来的接近。第三实施例所采的距离(Distance)属于附属特征指针,意即需先得到第一点(上一点)建议点,方可利用算法于下一轨迹点待测线段41中求得需求轨迹的建议数据点。
请一并参阅图3及图10,依据第一实施例的移动变异(Moving Variance)方法撷取至少一初始轮廓建议点411。接着,以至少一初始轮廓建议点411为参考基点,逐一撷取相邻的轨迹点参考线4上直线距离最接近的点为接续轮廓建议点。并依上述相同方式依序求出其它轨迹点待测线段的轮廓建议点。
因第1条轨迹点待测线段41上的待测点22无上一点可供连结计算,故j≥2。Dijk越小,此点越可能为轮廓建议点411。
以下将以实际数据说明距离(Distance)应用于本发明的作用。请一并参阅下方表3。表3是一本发明第三实施例的轨迹点待测线段上各点图像坐标值与距离(Distance)值对应表,前一点建议点的影像坐标值为(237,193)。表3第一栏为一轨迹点待测线段上各待测点编号k,第二、三栏为该待测点22的影像坐标值第四栏为各待测点22对应的Dij+1k值。表3对应的建议点为参考线利用移动变异(Moving Variance)得出的初始轮廓建议点(237,193)。由表3可得,距离值最小者为第10点、第11点,其次为第12点、第9点与第13点。距离值的所以为附属特征指针的另一原因,是因为它严重受到上一建议点的结果而影响下一轨迹点待测线段中各点对应的距离值与下一选取点的结果。例如利用MVijk值与Cijk值,在相邻两轨迹点待测线段可能会得到距离位置迥异的两建议点,但相邻两轨迹点待测线段会因为Dijk值的影响而选出位置邻近的两个建议点。
表3
实施例4
在本发明第一实施例的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法的步骤SC中,在每一该些参考线段上的肿瘤轮廓建议点可由使用一灰阶影像梯度的指数加权移动平均值差异撷取法的方式被依序撷取出。而且,如图11所示,此灰阶影像梯度的指数加权移动平均值差异撷取法包含下列步骤:
当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一参考清单,或当存在此先前肿瘤轮廓建议点时,将所有此先前肿瘤轮廓建议点设定为此参考清单;
提供一指数加权移动平均值加权公式;
确定此指数加权移动平均值加权公式的权重因子的数值,及从每一量测点或此参考清单中的肿瘤轮廓建议点所具有的灰阶影像梯度值中,接收此参考清单的指数加权移动平均值的数值;
将此参考清单的指数加权移动平均值的数值及位于一次一参考线段的每一该些量测点所具有的灰阶影像梯度值作为此指数加权移动平均值加权公式的输入变量;
定义此指数加权移动平均值加权公式的输出为位于此次一参考线段的每一该些量测点所具有的指数加权移动平均值的数值;以及
将位于此次一参考线段的每一该些量测点中,一具有最小的一存在于此灰阶影像梯度值与此指数加权移动平均值的数值之间的差值的量测点撷取为位于此次一参考线段的此肿瘤轮廓建议点。
在此例子中,是利用灰阶影像梯度的指数加权移动平均值差异(Gradient EWMA Difference)的原理,其中EWMA(Exponentially Weighted Moving Average)为具记忆性的移动平均统计量,视需求者对于历史资料的重视程度给予较轻或较重的权重,而呈现出越老旧的历史资料其重视程度会越轻或越重。其概念在于考虑相邻两点轮廓建议点的灰阶影像梯度经指数加权移动平均调整后的差异程度。物理意义为下一个轮廓建议点与上点轮廓建议点的灰阶影像梯度值权重处理对照上点轮廓建议点的灰阶影像梯度,两者差异应比起其它待选点的计算结果来的接近。灰阶影像梯度的指数加权移动平均值差异(Gradient EWMA Difference)属于附属特征指针,意即需先得到第一点(上一点)轮廓建议点,方可利用算法于下一轨迹点待测线段41中求得需求轨迹的建议数据点。
请参阅图3及图11,每一轨迹点待测线段41包括有复数待测点22。然而,本发明第四实施例撷取轮廓建议点411的方法如下,依据第一实施例的移动变异(Moving Variance)方法撷取至少一初始轮廓建议点411。再分别计算复数待测点22的灰阶影像梯度值、及至少一初始轮廓建议点411的指数加权移动平均值。接着,分别计算复数待测点22的灰阶影像梯度值、及至少一初始轮廓建议点411的指数加权移动平均值的差距值。再者,撷取差距值中最小值所对应的待测点22为轮廓建议点411。并依上述相同方式依序求出其它轨迹点待测线段的轮廓建议点。
其中,EWMA指数加权移动平均值如轨迹点待测线段上一点AIijk的EWMA值定义为此待测点灰阶影像梯度值与上一点轨迹建议点EWMA值的权重内插值,以Zijk表示。已完成轨迹建议点选取的轨迹点待测线段其EWMA值以Zij’表示,如下列式4-1所示。
Zijk=λGijk+(1-λ)Zij’-1,0<λ≤1 (式4-1);
因第1条轨迹点待测线段上的待测点无上一点可供连结计算,故Zi1k=Zi1=Gi1。以下列数学式的推导观察EWMA的权重调整造成对历史资料的重视程度。
其中,λ值越高,则代表输出数据中,越近的数据将涵盖越多的成分;λ值越低,则代表输出数据中,新旧的历史数据涵盖程度将越接近。举例而言,设j=j’=4,若λ=0.9,则Zi4k=0.9Gi4k+0.09Gi3+0.009Gi2+0.001Gi1,Zi4k受Gi4k影响最大,若λ=0.1,则Zi4k=0.1Gi4k+0.09Gi3+0.081Gi2+0.729Gi1,Gi2、Gi3、Gi4k对Zi4k的影响程度彼此接近。
另外,灰阶影像梯度指数加权移动平均值差异(Gradient EWMADifference)为一轨迹点待测线段上一点AIijk的Gradient EWMA Difference值,定义为此待测点灰阶影像梯度值与此点的EWMA值Zijk的差距,以Eijk表示的,Eijk=|Gijk-Zijk|。Eijk越小,此点越可能为轮廓建议点。因第1条轨迹点待测线段上的待测点无上一点可供连结计算,故j≥2。
以下将以实际数据说明灰阶影像梯度的指数加权移动平均值差异(Gradient EWMA Difference)应用于本发明的作用。请一并参阅表4,表4是本发明第四实施例的一轨迹点待测线段上各点图像坐标值与灰阶影像梯度的指数加权移动平均值差异(Gradient EWMA Difference)值对应表,前一点初始轮廓建议点411的EWMA值为64。表4第一栏为一轨迹点待测线段上各待测点编号k,第二栏为此待测点的灰阶影像梯度值Gij+1k,第三栏为各待测点对应的Eij+1k值,表4对应的建议点Zij值为参考线利用移动变异(Moving Variance)得出的建议点EWMA值Zij’。由表4可得,灰阶影像梯度指数加权移动平均值差异值最小者为第15点、第17点、第18点,其次为第16点、第19点。
表4
K | 1 | 2 | 3 | 4 | 5 |
Gij+1k | 77 | 81 | 79 | 78 | 92 |
Eij+1k | 2.6 | 3.4 | 3 | 2.8 | 5.6 |
K | 6 | 7 | 8 | 9 | 10 |
Gij+1k | 94 | 93 | 87 | 88 | 78 |
Eij+1k | 6 | 5.8 | 4.6 | 4.8 | 2.8 |
K | 11 | 12 | 13 | 14 | 15 |
Gij+1k | 53 | 50 | 52 | 61 | 65 |
Eij+1k | 2.2 | 2.8 | 2.4 | 0.6 | 0.2 |
K | 16 | 17 | 18 | 19 |
Gij+1k | 62 | 65 | 65 | 67 |
Eij+1k | 0.4 | 0.2 | 0.2 | 0.6 |
实施例5
在本发明第一实施例的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法的步骤SC中,在每一该些参考线段上的肿瘤轮廓建议点可由使用一角度撷取法的方式被依序撷取出。而且,如图12所示,此角度撷取法包含下列步骤:
当一先前肿瘤轮廓建议点之前并未存在一肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,且将位于一第二参考线段上的该些量测点的一量测点设定为一第二点,或当此先前肿瘤轮廓建议点之前存在一肿瘤轮廓建议点时,将存在于此先前肿瘤轮廓建议点之前的此肿瘤轮廓建议点设定为此第一点,且将此先前肿瘤轮廓建议点设定为此第二点;
将一从此第一点朝向此第二点的向量定义为一第一向量,且将复数个分别从此第二点朝向位于一次一参考线段的每一该些量测点的向量定义为复数个第二向量;
分别计算出介于此第一向量与每一该些第二向量之间的复数个夹角的余弦值;以及
将位于此次一参考线段的每一该些量测点中,一对应于形成一具有最大余弦值的夹角的此第二向量的量测点撷取为位于此次一参考线段的此肿瘤轮廓建议点。
在此例子中,是利用角度(Angle)的原理,其概念在于考虑相邻三点轮廓建议点的相对位置。因肿瘤轮廓应属连续弧形轨迹,如一轨迹点待测线段上一点AIijk的距离(Distance)定义为相邻三点轮廓建议点不应产生过大的位置偏差与角度偏差。若以向量表示,则上上点轮廓建议点到上点轮廓建议点的向量,与上点轮廓建议点到本点轮廓建议点的向量的向量夹角余弦值,应比上上点轮廓建议点到上点轮廓建议点的向量与上点轮廓建议点到其它待测点的向量的向量夹角余弦值来的小。因夹角越小,cosθ值将越大,且第一、第四象限的cosθ值皆为正值,故可表现出肿瘤轮廓需求的连续性与相邻两轮廓建议点的些微曲度。角度(Angle)属于附属特征指针,意即需先得到第一、二点(前两点)建议点,方可利用算法于下一轨迹点待测线段中求得需求轨迹的建议数据点。
请参阅图3及图12,每一轨迹点待测线段41还包括有复数待测点22。然而,本发明第五实施例撷取轮廓建议点411的方法如下,依据第一实施例的移动变异(Moving Variance)方法分别撷取一第一轮廓建议点、及一第二轮廓建议点于相邻二个轨迹点参考线4的轨迹点待测线段41上。再计算第一轮廓建议点与第二轮廓建议点的向量值为一第一向量值,以及分别计算第二轮廓建议点与其另一相邻的轨迹点待测线段41上复数待测点22的向量值为复数第二向量值。接着,分别计算第一向量值与复数第二向量值的向量夹角余弦值。之后,撷取向量夹角余弦值中的最大值所对应于另一相邻的轨迹点待测线段41上的待测点22为第三轮廓建议点411。并依上述相同方式依序求出其它轨迹点待测线段的轮廓建议点。
(式5-1);
其中,Aijk越大,此点越可能为轮廓建议点。因第1、2条轨迹点待测线段上的待测点无上两点可供连结计算,故j≥3。
以下将以实际数据说明角度(Angle)应用于本发明的作用。请一并参阅下方表5。表5是一轨迹点待测线段上各点图像坐标值与角度(Angle)值对应表,第PSij’轮廓建议点的影像坐标值为(237,193),第PSij’+1建议点的影像坐标值为(236,193)。表5第一栏为一轨迹点待测线段上各待测点编号k,第二、三栏为此待测点的影像坐标值第四栏为各待测点对应的Aij+2k值,表5对应的建议点PSij’为参考线利用移动变异(Moving Variance)得出的建议点(237,193),建议点PSij’+1为参考线利用移动变异(Moving Variance)得出的建议点(236,193)。
由表5可得,角度值最大者为第4点、第5点、第6点,其次为第1点、第2点与第3点。角度值的所以为附属特征指针的另一原因,乃影像坐标为离散整数数据点。因整数坐标一点的相邻坐标点共八点(八方位),而非物理坐标系上一点周围可有360度的方位角(方位点),因此若考虑的待测线间彼此距离太近,则方位角将受距离影响而受局限,所产出的向量夹角可能因此失真。
表5
请参阅图13,是本发明第二实施例的从一影像处理系统中撷取一肿瘤轮廓的方法的流程图。本发明第二实施例的从一包含一储存有一灰阶影像的内存及一处理器的影像处理系统中撷取一肿瘤轮廓的方法,包含:
步骤SA:从此灰阶影像接收一输入肿瘤轮廓;
步骤SB:定义此灰阶影像的一肿瘤轮廓环形区域及复数个参考线段,其中此输入肿瘤轮廓是位于此肿瘤轮廓环形区域内,且每一该些参考线段是系通过此肿瘤轮廓环形区域并包含复数个量测点;
步骤SC:于每一该些参考线段上撷取出一调整肿瘤轮廓建议点;以及
步骤SD:将该些参考线段上的该些调整肿瘤轮廓建议点互相连接,以得出此调整肿瘤轮廓。
此外,在步骤SC中,于每一该些参考线段上的调整肿瘤轮廓建议点是由下列步骤被撷取出:
步骤C 1:将由一移动变异值撷取法而撷取出的位于此参考线段的所有该些量测点的数值、将由一对比撷取法而撷取出的位于此参考线段的所有该些量测点的数值、将由一距离撷取法而撷取出的位于此参考线段的所有该些量测点的数值、将由一灰阶影像梯度的指数加权移动平均值差异撷取法而撷取出的位于此参考线段的所有该些量测点的数值及将由一角度撷取法而撷取出的位于此参考线段的所有该些量测点的数值分别正规化至一介于0及1的数值;
步骤C2:确定分别对应至前述的各种撷取法的一调整标准(modulating criteria);由将分别对应于每一前述的各种撷取法的一乘积(product)相乘在一起的方式,分别计算出位于此参考线段的每一该些量测点的一权重参数(weighting parameter),其中,此乘积是由将正规化后的由此撷取法所撷取出的此量测点的数值自乘一等于此撷取法所对应的此调整标准的次数的方式被得出;以及
步骤C3:由计算一平均坐标的方式,撷取出位于此参考线段上的此肿瘤轮廓建议点,且此平均坐标系藉由将位于此参考线段上的每一量测点的坐标分别乘以一相对应的权重参数,再将所得的乘积加总在一起的方式被计算出来。
然而,在应用于步骤C1的移动变异值撷取法中,每一该些参考线段包含复数个局部区段,且每一该些局部区段包含复数个移动区间;每一该些局部区段是由该些量测点的一量测点、至少一位于该些量测点的此量测点之前的量测点及至少一位于该些量测点的此量测点之后的量测点构成,且每一该些移动区间是由位于对应的局部区段内的该些量测点的一量测点及至少一位于该些量测点的此量测点之后的量测点构成;以及位于此参考线段的该些量测点的数值是由此移动变异值撷取法被撷取出,且此移动变异值撷取法包含下列步骤:计算出位于该些局部区段内的一灰阶影像梯度变异值及位于该些移动区间内的一灰阶影像平均梯度变异值;计算一将此灰阶影像梯度变异值除以此灰阶影像平均梯度变异值而得出的比值;以及撷取一对应于此比值的最大值的量测点为此肿瘤轮廓建议点。
另一方面,在应用于步骤C1的对比撷取法中,此输入肿瘤轮廓的一重心点被撷取出来,且复数个对比参考线段系被定义,每一该些对比参考线段是从此重心点延伸至相对应的该些参考线段的邻近此重心点的一端点;以及位于此参考线段的该些量测点的数值是由此对比撷取法被撷取出,且此对比撷取法包含下列步骤:计算出位于该些参考线段内的一灰阶影像梯度值及位于该些参考线段内的一灰阶影像平均梯度值;计算一存在于此灰阶影像梯度值以及此灰阶影像平均梯度值之间的差值;以及撷取一对应于此差值的最大值的量测点为此肿瘤轮廓建议点。
在应用于步骤C1的距离撷取法中,位于此参考线段的该些量测点的数值是依序由此距离撷取法被撷取出,且此距离撷取法包含下列步骤:当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,或当存在此先前肿瘤轮廓建议点时,将此先前肿瘤轮廓建议点设定为此第一点;将位于一次一参考线段的该些量测点的一量测点设定为一第二点;以及将位于此次一参考线段的该些量测点中,一使得此第二点与此第一点之间具有最小距离的量测点撷取为位于此次一参考线段的此肿瘤轮廓建议点。
在应用于步骤C1的灰阶影像梯度的指数加权移动平均值差异撷取法中,位于此参考线段的该些量测点的数值是依序由此灰阶影像梯度的指数加权移动平均值差异撷取法被撷取出,且此灰阶影像梯度的指数加权移动平均值差异撷取法包含下列步骤:当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一参考清单,或当存在该先前肿瘤轮廓建议点时,将所有该先前肿瘤轮廓建议点设定为该参考清单;提供一指数加权移动平均值加权公式;确定该指数加权移动平均值加权公式的权重因子的数值,及从每一量测点或该参考清单中的肿瘤轮廓建议点所具有的灰阶影像梯度值中,接收该参考清单的指数加权移动平均值的数值;将该参考清单的指数加权移动平均值的数值及位于一次一参考线段的每一该些量测点所具有的灰阶影像梯度值作为该指数加权移动平均值加权公式的输入变量;定义该指数加权移动平均值加权公式的输入的输出为位于该次一参考线段的每一该些量测点所具有的指数加权移动平均值的数值;以及将位于该次一参考线段的每一该些量测点中,一具有最小的一存在于该灰阶影像梯度值与该指数加权移动平均值的数值之间的差值的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点
最后,在应用于步骤C1的此角度撷取法中,位于此参考线段的该些量测点的数值是依序由此角度撷取法被撷取出,且此角度撷取法包含下列步骤:当一先前肿瘤轮廓建议点之前并未存在一肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,且将位于一第二参考线段上的该些量测点的一量测点设定为一第二点,或当此先前肿瘤轮廓建议点之前存在一肿瘤轮廓建议点时,将存在于此先前肿瘤轮廓建议点之前的此肿瘤轮廓建议点设定为此第一点,且将此先前肿瘤轮廓建议点设定为此第二点;将一从此第一点朝向此第二点的向量定义为一第一向量,且将复数个分别从此第二点朝向位于一次一参考线段的每一该些量测点的向量定义为复数个第二向量;分别计算出介于此第一向量与每一该些第二向量之间的复数个夹角的余弦值;以及将位于此次一参考线段的每一该些量测点中,一对应于形成一具有最大余弦值的夹角的此第二向量的量测点撷取为位于此次一参考线段的此肿瘤轮廓建议点。
由于前述的5种撷取法均已经详细叙述于前,故在不便不赘述。
此外,本发明的从一影像处理系统中撷取一肿瘤轮廓的方法可以计算机语言写成以便执行,而此写成的软件程序可以储存于任何微处理单元可以辨识、解读的纪录媒体,或包含有此纪录媒体的物品及装置。其不限为任何形式,此物品可为硬盘、软盘、光盘、ZIP、MO、IC芯片、随机存取内存(RAM),或本领域技术人员所可使用的包含有此纪录媒体的物品。由于本发明的肿瘤轮廓撷取及其平滑化处理方法已揭示完整如前,任何熟悉计算机语言者阅读本发明说明书即知如何撰写软件程序,故有关软件程序细节部分不在此赘述。
上述实施例仅是为了方便说明而举例而已,本发明所主张的权利范围自应以申请的权利要求范围所述为准,而非仅限于上述实施例。
Claims (7)
1.一种从一影像处理系统中撷取一肿瘤轮廓的方法,该影像处理系统包含一储存有一灰阶影像的内存及一处理器,包括:
从该灰阶影像接收一输入肿瘤轮廓;
定义该灰阶影像的一肿瘤轮廓环形区域及复数个参考线段,其中该输入肿瘤轮廓位于该肿瘤轮廓环形区域内,且每一该些参考线段通过该肿瘤轮廓环形区域并包含复数个量测点;
于每一该些参考线段上撷取出一肿瘤轮廓建议点;以及
将该些参考线段上的该些肿瘤轮廓建议点互相连接,以得出该肿瘤轮廓。
2.根据权利要求1所述的方法,其中,每一该些参考线段包含复数个局部区段,且每一该些局部区段包含复数个移动区间;
其中,每一该些局部区段是由该些量测点的一量测点、至少一位于该些量测点的该量测点之前的量测点及至少一位于该些量测点的该量测点之后的量测点构成,且每一该些移动区间是由位于对应的局部区段内的该些量测点的一量测点及至少一位于该些量测点的该量测点之后的量测点构成;以及
其中,该肿瘤轮廓建议点是由使用一移动变异值撷取法的方式被撷取出,且该移动变异值撷取法包含下列步骤:
计算出位于该些局部区段内的一灰阶影像梯度变异值及位于该些移动区间内的一灰阶影像平均梯度变异值;
计算一将该灰阶影像梯度变异值除以该灰阶影像平均梯度变异值而得出的比值;以及
撷取一对应于该比值的最大值的量测点为该肿瘤轮廓建议点。
3.根据权利要求1所述的方法,其中,该输入肿瘤轮廓的一重心点是被撷取出来,且复数个对比参考线段是被定义,每一该些对比参考线段是从该重心点延伸至相对应的该些参考线段的邻近该重心点的一端点,以及
其中,该肿瘤轮廓建议点是由使用一对比撷取法的方式被撷取出,且该对比撷取法包含下列步骤:
计算出位于该些参考线段内的一灰阶影像梯度值及位于该些参考线段内的一灰阶影像平均梯度值;
计算一存在于该灰阶影像梯度值以及该灰阶影像平均梯度值之间的差值;以及
撷取一对应于该差值的最大值的量测点为该肿瘤轮廓建议点。
4.根据权利要求1所述的方法,其中,该肿瘤轮廓建议点是由使用一距离撷取法的方式被依序撷取出,且该距离撷取法包含下列步骤:
当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,或当存在该先前肿瘤轮廓建议点时,将该先前肿瘤轮廓建议点设定为该第一点;
将位于一次一参考线段的该些量测点的一量测点设定为一第二点;以及
将位于该次一参考线段的该些量测点中,一使得该第二点与该第一点之间具有最小距离的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点。
5.根据权利要求1所述的方法,其中,该肿瘤轮廓建议点是由使用一灰阶影像梯度的指数加权移动平均值差异撷取法的方式被依序撷取出,且该灰阶影像梯度的指数加权移动平均值差异撷取法包含下列步骤:
当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一参考清单,或当存在该先前肿瘤轮廓建议点时,将所有该先前肿瘤轮廓建议点设定为该参考清单;
提供一指数加权移动平均值加权公式;
确定该指数加权移动平均值加权公式的权重因子的数值,及从每一量测点或该参考清单中的肿瘤轮廓建议点所具有的灰阶影像梯度值中,接收该参考清单的指数加权移动平均值的数值;
将该参考清单的指数加权移动平均值的数值及位于一次一参考线段的每一该些量测点所具有的灰阶影像梯度值作为该指数加权移动平均值加权公式的输入变量;
定义该指数加权移动平均值加权公式的输出为位于该次一参考线段的每一该些量测点所具有的指数加权移动平均值的数值;以及
将位于该次一参考线段的每一该些量测点中,一具有最小的一存在于该灰阶影像梯度值与该指数加权移动平均值的数值之间的差值的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点。
6.根据权利要求1所述的方法,其中,该肿瘤轮廓建议点是由使用一角度撷取法的方式被依序撷取出,且该角度撷取法包含下列步骤:
当一先前肿瘤轮廓建议点之前并未存在一肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,且将位于一第二参考线段上的该些量测点的一量测点设定为一第二点,或当该先前肿瘤轮廓建议点之前存在一肿瘤轮廓建议点时,将存在于该先前肿瘤轮廓建议点之前的该肿瘤轮廓建议点设定为该第一点,且将该先前肿瘤轮廓建议点设定为该第二点;
将一从该第一点朝向该第二点的向量定义为一第一向量,且将复数个分别从该第二点朝向位于一次一参考线段的每一该些量测点的向量定义为复数个第二向量;
分别计算出介于该第一向量与每一该些第二向量之间的复数个夹角的余弦值;以及
将位于该次一参考线段的每一该些量测点中,一对应于形成一具有最大余弦值的夹角的该第二向量的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点。
7.一种从一影像处理系统中撷取一肿瘤轮廓的方法,该影像处理系统包含一储存有一灰阶影像的内存及一处理器,包括:
从该灰阶影像接收一输入肿瘤轮廓;
定义该灰阶影像的一肿瘤轮廓环形区域及复数个参考线段,其中该输入肿瘤轮廓是位于该肿瘤轮廓环形区域内,且每一该些参考线段是通过该肿瘤轮廓环形区域并包含复数个量测点;
于每一该些参考线段上撷取出一调整肿瘤轮廓建议点;以及
将该些参考线段上的该些调整肿瘤轮廓建议点互相连接,以得出该调整肿瘤轮廓;
其中,位于每一该些参考线段上的该些调整肿瘤轮廓建议点是由下列步骤而得出:
将由一移动变异值撷取法而撷取出的位于该参考线段的所有该些量测点的数值、将由一对比撷取法而撷取出的位于该参考线段的所有该些量测点的数值、将由一距离撷取法而撷取出的位于该参考线段的所有该些量测点的数值、将由一灰阶影像梯度的指数加权移动平均值差异撷取法而撷取出的位于该参考线段的所有该些量测点的数值及将由一角度撷取法而撷取出的位于该参考线段的所有该些量测点的数值分别正规化至一介于0及1的数值;
确定分别对应至前述的各种撷取法的一调整标准;
由将分别对应于每一前述的各种撷取法的一乘积相乘在一起的方式,分别计算出位于该参考线段的每一该些量测点的一权重参数,其中,该乘积是由将正规化后的由该撷取法所撷取出的该量测点的数值自乘一等于该撷取法所对应的该调整标准的次数的方式被得出;
由计算一平均坐标的方式,撷取出位于该参考线段上的该肿瘤轮廓建议点,且该平均坐标是由将位于该参考线段上的每一量测点的坐标分别乘以一相对应的权重参数,再将所得的乘积加总在一起的方式被计算出来;
其中,在该移动变异值撷取法中,每一该些参考线段包含复数个局部区段,且每一该些局部区段包含复数个移动区间;每一该些局部区段是由该些量测点的一量测点、至少一位于该些量测点的该量测点之前的量测点及至少一位于该些量测点的该量测点之后的量测点构成,且每一该些移动区间是由位于对应的局部区段内的该些量测点的一量测点及至少一位于该些量测点的该量测点之后的量测点构成;以及位于该参考线段的该些量测点的数值是由该移动变异值撷取法被撷取出,且该移动变异值撷取法包含下列步骤:
计算出位于该些局部区段内的一灰阶影像梯度变异值及位于该些移动区间内的一灰阶影像平均梯度变异值;
计算一将该灰阶影像梯度变异值除以该灰阶影像平均梯度变异值而得出的比值;以及
撷取一对应于该比值的最大值的量测点为该肿瘤轮廓建议点;
其中,在该对比撷取法中,该输入肿瘤轮廓的一重心点是被撷取出来,且复数个对比参考线段是被定义,每一该些对比参考线段是从该重心点延伸至相对应的该些参考线段的邻近该重心点的一端点;以及位于该参考线段的该些量测点的数值是由该对比撷取法被撷取出,且该对比撷取法包含下列步骤:
计算出位于该些参考线段内的一灰阶影像梯度值及位于该些参考线段内的一灰阶影像平均梯度值;
计算一存在于该灰阶影像梯度值以及该灰阶影像平均梯度值之间的差值;以及
撷取一对应于该差值的最大值的量测点为该肿瘤轮廓建议点;
其中,在该距离撷取法中,位于该参考线段的该些量测点的数值是依序由该距离撷取法被撷取出,且该距离撷取法包含下列步骤:
当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,或当存在该先前肿瘤轮廓建议点时,将该先前肿瘤轮廓建议点设定为该第一点;
将位于一次一参考线段的该些量测点的一量测点设定为一第二点;以及
将位于该次一参考线段的该些量测点中,一使得该第二点与该第一点之间具有最小距离的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点;
其中,在该灰阶影像梯度的指数加权移动平均值差异撷取法中,位于该参考线段的该些量测点的数值是依序由该灰阶影像梯度的指数加权移动平均值差异撷取法被撷取出,且该灰阶影像梯度的指数加权移动平均值差异撷取法包含下列步骤:
当并未存在一先前肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一参考清单,或当存在该先前肿瘤轮廓建议点时,将所有该先前肿瘤轮廓建议点设定为该参考清单;
提供一指数加权移动平均值加权公式;
确定该指数加权移动平均值加权公式的权重因子的数值,及从每一量测点或该参考清单中的肿瘤轮廓建议点所具有的灰阶影像梯度值中,接收该参考清单的指数加权移动平均值的数值;
将该参考清单的指数加权移动平均值的数值及位于一次一参考线段的每一该些量测点所具有的灰阶影像梯度值作为该指数加权移动平均值加权公式的输入变量;
定义该指数加权移动平均值加权公式的输出为位于该次一参考线段的每一该些量测点所具有的指数加权移动平均值的数值;以及
将位于该次一参考线段的每一该些量测点中,一具有最小的一存在于该灰阶影像梯度值与该指数加权移动平均值的数值之间的差值的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点;
其中,在该角度撷取法中,位于该参考线段的该些量测点的数值是依序由该角度撷取法被撷取出,且该角度撷取法包含下列步骤:
当一先前肿瘤轮廓建议点之前并未存在一肿瘤轮廓建议点时,将位于一第一参考线段上的该些量测点的一量测点设定为一第一点,且将位于一第二参考线段上的该些量测点的一量测点设定为一第二点,或当该先前肿瘤轮廓建议点之前存在一肿瘤轮廓建议点时,将存在于该先前肿瘤轮廓建议点之前的该肿瘤轮廓建议点设定为该第一点,且将该先前肿瘤轮廓建议点设定为该第二点;
将一从该第一点朝向该第二点的向量定义为一第一向量,且将复数个分别从该第二点朝向位于一次一参考线段的每一该些量测点的向量定义为复数个第二向量;
分别计算出介于该第一向量与每一该些第二向量之间的复数个夹角的余弦值;以及
将位于该次一参考线段的每一该些量测点中,一对应于形成一具有最大余弦值的夹角的该第二向量的量测点撷取为位于该次一参考线段的该肿瘤轮廓建议点。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/693,205 US8374892B2 (en) | 2010-01-25 | 2010-01-25 | Method for retrieving a tumor contour of an image processing system |
US12/693,205 | 2010-01-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102156874A true CN102156874A (zh) | 2011-08-17 |
CN102156874B CN102156874B (zh) | 2015-07-29 |
Family
ID=44308968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010621974.3A Expired - Fee Related CN102156874B (zh) | 2010-01-25 | 2010-12-30 | 从一影像处理系统中撷取一肿瘤轮廓的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US8374892B2 (zh) |
CN (1) | CN102156874B (zh) |
SG (1) | SG173251A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107843210A (zh) * | 2017-11-08 | 2018-03-27 | 深圳市汯沐科技有限公司 | 一种对不规则物体轮廓的检测方法 |
CN108389167A (zh) * | 2018-02-09 | 2018-08-10 | 广东天骄智能制造要素配置有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN110322465A (zh) * | 2019-06-29 | 2019-10-11 | 东南大学苏州医疗器械研究院 | 肿瘤微球的轮廓检测方法及装置 |
CN110752029A (zh) * | 2019-10-21 | 2020-02-04 | 北京推想科技有限公司 | 一种病灶的定位方法及装置 |
CN111345842A (zh) * | 2018-12-20 | 2020-06-30 | 深圳迈瑞生物医疗电子股份有限公司 | 一种医疗成像设备及其剖面成像方法 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9122951B2 (en) * | 2010-11-01 | 2015-09-01 | Drvision Technologies Llc | Teachable object contour mapping for biology image region partition |
KR101899866B1 (ko) * | 2011-11-03 | 2018-09-19 | 삼성전자주식회사 | 병변 경계의 오류 검출 장치 및 방법, 병변 경계의 오류 수정 장치 및 방법 및, 병변 경계의 오류 검사 장치 |
JP5791475B2 (ja) * | 2011-11-24 | 2015-10-07 | キヤノン株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
US9370328B2 (en) * | 2012-11-29 | 2016-06-21 | University Of Washington Through Its Center For Commercialization | Methods and systems for determining tumor boundary characteristics |
JP5896084B2 (ja) | 2013-08-01 | 2016-03-30 | パナソニック株式会社 | 類似症例検索装置、類似症例検索装置の制御方法、およびプログラム |
JP6179368B2 (ja) * | 2013-11-22 | 2017-08-16 | コニカミノルタ株式会社 | 画像表示装置及び画像表示方法 |
TW201629522A (zh) * | 2015-02-04 | 2016-08-16 | Nihon Mediphysics Co Ltd | 核醫學圖像解析技術 |
CN105976335B (zh) * | 2016-05-09 | 2018-11-09 | 苏州佳世达电通有限公司 | 影像处理方法 |
JP2019084609A (ja) * | 2017-11-06 | 2019-06-06 | セイコーエプソン株式会社 | ロボット制御装置、ロボットおよびロボットシステム |
CN113160223A (zh) * | 2021-05-17 | 2021-07-23 | 深圳中科飞测科技股份有限公司 | 轮廓的确定方法、确定装置、检测设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020168110A1 (en) * | 2001-01-26 | 2002-11-14 | Khalid Al-Kofahi | Method and apparatus for automatically tracing line-structure images |
CN1704969A (zh) * | 2004-05-26 | 2005-12-07 | 凌阳科技股份有限公司 | 用以判断轨迹行为的最佳相关匹配方法及系统 |
CN101726256A (zh) * | 2008-10-27 | 2010-06-09 | 鸿富锦精密工业(深圳)有限公司 | 从影像轮廓中搜寻拐点的计算机系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7848592B2 (en) * | 2006-07-31 | 2010-12-07 | Carestream Health, Inc. | Image fusion for radiation therapy |
-
2010
- 2010-01-25 US US12/693,205 patent/US8374892B2/en active Active
- 2010-12-06 SG SG2010089928A patent/SG173251A1/en unknown
- 2010-12-30 CN CN201010621974.3A patent/CN102156874B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020168110A1 (en) * | 2001-01-26 | 2002-11-14 | Khalid Al-Kofahi | Method and apparatus for automatically tracing line-structure images |
CN1704969A (zh) * | 2004-05-26 | 2005-12-07 | 凌阳科技股份有限公司 | 用以判断轨迹行为的最佳相关匹配方法及系统 |
CN101726256A (zh) * | 2008-10-27 | 2010-06-09 | 鸿富锦精密工业(深圳)有限公司 | 从影像轮廓中搜寻拐点的计算机系统及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107843210A (zh) * | 2017-11-08 | 2018-03-27 | 深圳市汯沐科技有限公司 | 一种对不规则物体轮廓的检测方法 |
CN108389167A (zh) * | 2018-02-09 | 2018-08-10 | 广东天骄智能制造要素配置有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN108389167B (zh) * | 2018-02-09 | 2020-04-21 | 广东天骄智能制造要素配置有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN111345842A (zh) * | 2018-12-20 | 2020-06-30 | 深圳迈瑞生物医疗电子股份有限公司 | 一种医疗成像设备及其剖面成像方法 |
CN110322465A (zh) * | 2019-06-29 | 2019-10-11 | 东南大学苏州医疗器械研究院 | 肿瘤微球的轮廓检测方法及装置 |
CN110752029A (zh) * | 2019-10-21 | 2020-02-04 | 北京推想科技有限公司 | 一种病灶的定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US8374892B2 (en) | 2013-02-12 |
US20110182489A1 (en) | 2011-07-28 |
CN102156874B (zh) | 2015-07-29 |
SG173251A1 (en) | 2011-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102156874B (zh) | 从一影像处理系统中撷取一肿瘤轮廓的方法 | |
US11010630B2 (en) | Systems and methods for detecting landmark pairs in images | |
Zhang et al. | Dual-mode artificially-intelligent diagnosis of breast tumours in shear-wave elastography and B-mode ultrasound using deep polynomial networks | |
CN101706843B (zh) | 一种乳腺cr图像交互式读片方法 | |
US7298880B2 (en) | Image processing apparatus and image processing method | |
Lei et al. | Brain tumor segmentation in MR images using a sparse constrained level set algorithm | |
CN112446862B (zh) | 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法 | |
WO2019000455A1 (zh) | 图像分割的方法及系统 | |
US20080125648A1 (en) | Method of Multiple Instance Learning and Classification With Correlations in Object Detection | |
JPH08206117A (ja) | 超音波診断装置 | |
US9092867B2 (en) | Methods for segmenting images and detecting specific structures | |
CN101082983A (zh) | 基于感兴趣区域的自适应医学序列图像插值方法 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
CN101714153A (zh) | 基于视觉感知的交互式乳腺钼靶图像检索方法 | |
JP3696616B2 (ja) | 超音波診断装置 | |
CN106910194A (zh) | 心脏心功能磁共振图像中的心内外膜的分割方法 | |
Chen et al. | Lumen and media-adventitia border detection in IVUS images using texture enhanced deformable model | |
CN115797335A (zh) | 用于桥梁振动测量的欧拉运动放大效果评估及优化方法 | |
CN109919885A (zh) | 基于b样条和互信息的cvh图像与影像配准融合方法 | |
TWI428781B (zh) | 從一影像處理系統中擷取一腫瘤輪廓的方法 | |
JP4945220B2 (ja) | 血管狭窄部位探索装置、プログラム、及び画像診断装置 | |
Agustin et al. | Volumetric Analysis of Brain Tumor Magnetic Resonance Image | |
JP2017189394A (ja) | 情報処理装置および情報処理システム | |
CN115511928A (zh) | 多光谱图像的匹配方法 | |
Wei et al. | An algorithm for segmentation of lung ROI by mean-shift clustering combined with multi-scale HESSIAN matrix dot filtering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150729 Termination date: 20211230 |
|
CF01 | Termination of patent right due to non-payment of annual fee |