CN102247144A - 基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法 - Google Patents

Abstract

本发明公开一种基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法，包括以下步骤：从病人的DCE-MRI图像序列集中选出有可疑病变的图像序列层；对每个图像层做去噪滤波处理，并获得该层的图像减影序列；根据该层的图像减影序列，确定时间强度曲线；分析时间强度曲线的特征，给出该层面的诊断结果，即病灶的初步诊断结果；融合病人不同层面的时间强度曲线诊断结果给出最终的病灶诊断结果。本发明综合分析各层面上时间强度曲线的特征，可大大提高病灶良恶性诊断的准确效率，以辅助于乳腺疾病的临床诊断，降低误诊率。

Description

基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法

技术领域

本发明涉及乳腺疾病计算机辅助诊断领域，更具体地，本发明尤其涉及一种基于DCE-MRI图像处理、时间强度曲线特征提取、分类及决策融合的乳腺病灶良恶性诊断计算机辅助方法。 

背景技术

乳腺癌是女性最常见的恶性肿瘤之一。据统计，近年来我国乳腺癌发病率有明显持续上升趋势。若能对乳腺癌早发现、早诊断、早治疗，则可提高乳腺癌的治愈率和患者生存率。作为无创检查技术，MRI技术是现阶段用于诊断乳腺疾病最具潜力的一种影像学检查手段，这已在临床应用上得到充分体现。MRI技术可提供出多参数、多序列、多方位的成像，且对软组织分辨率高，这对乳腺疾病的诊断与治疗有重要意义。尤其是团注对比剂的动态增强MRI图像(即DCE-MRI图像)，它能结合病变形态学和功能学判断出乳腺肿瘤的生物学行为，改善病变部位的诊断及治疗效果。但是，多序列的DCE-MRI图像，增加了放射科医师的阅片压力。由此引发的医师视觉疲劳等主观因素可能会造成病灶的漏诊或误诊等状况，这使得病灶诊断的准确性和有效性难以保证。在这种情况下，借助计算机进行自动分析处理成为必然。 

计算机辅助诊断(computer-aided diagnosis，CAD)技术可实现图像的计算机自动分析处理，减轻医师的诊断工作量，并提供有意义的诊断参考意见，提高诊断效率。乳腺计算机辅助诊断技术已逐渐被放射科医师接受并应用到临床实践中。其中，基于乳腺DCE-MRI图像的计算机辅助诊断技术可显著提高早期恶性病灶的检出率，降低误诊和漏诊情况，是乳腺计算机辅助诊断技术研究的发展趋势之一。目前，用于良恶性诊断的DCE-MRI图像特征很多，其中能最直观反映病灶性质的特征来自于时间强度曲线。时间强度曲线不仅可以提供病灶血液动力学方面的信息，显示病灶或正常组织在不同的增强时相内的信号变化，明确具体时间段内病灶的信号上升或下降的情况，还有助于判断病灶性质。然而，如何利用乳腺DCE-MRI的时间强度曲线特征来区分病灶良恶性，并设计出可提高乳腺病灶临床诊断准确率的计算机辅助方法，是研究的重点。 

发明内容

本发明的主要目的在于提供基于时间强度特征的乳腺病灶良恶性诊断方法，并实现一个能完成该功能的乳腺疾病诊断计算机辅助方法。该方法可提供给临床医师有参考意义的诊断意见，有助于提高乳腺病灶定位和良恶性诊断的准确效率，降低误、漏诊率。 

为实现上述目的，本发明提供的基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方 法，其步骤包括： 

(1)从病人的DCE-MRI序列集中按扫描顺序选出可疑的层面图像序列； 

(2)对(1)步骤中选出的每个层面图像序列做去噪滤波处理，并获得该层的图像减影序列； 

(3)根据(2)步骤中得到的图像减影序列，确定可疑的病灶区域，绘制时间强度曲线； 

(4)分析(3)步骤中时间强度曲线的特征，给出该层面的诊断结果，即病灶的初步诊断结果； 

(5)综合病人不同层面的时间强度曲线诊断结果给出最终的病灶诊断结果，并在蒙片图像上标记出(3)步骤中确定的病灶区域范围。 

本发明所提供的基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法，包括：输入模块、去噪滤波模块、时间强度曲线确定模块、时间强度曲线特征提取模块、层面良恶性诊断模块和融合决策输出模块。 

输入模块用于接受待诊断病人的DCE-MRI序列集，分出不同的层面图像序列，并传送给去噪滤波模块； 

去噪滤波模块用于去除某些因素带来的噪声污染，提高待处理DCE-MRI图像的质量，并将较好质量的图像减影序列送入时间强度曲线确定模块； 

时间强度曲线确定模块用于从图像减影序列中分割可疑病灶区域，并将在该区域上确定出的时间强度曲线送入时间强度曲线特征提取模块； 

时间强度曲线特征提取模块用于计算时间强度曲线的各类特征参数(5个反应对比剂时间变化的像素灰度比，2个反映对比剂流入流出特性的Wash_in、Wash_out参数，4个拟合时间强度曲线形态的三次多项式拟合系数)，并送入良恶性诊断模块做分类； 

层面良恶性诊断模块根据特征提取模块中输出的时间强度曲线特征参数输入分类器，根据分类结果给出层面良恶性初始诊断结果，并将各层面的良恶性诊断初始结果输入综合判断输出模块； 

综合判断输出模块用于根据各层面的良恶性诊断结果，决策出最终的病灶诊断结果，并将病灶部位标记到蒙片图像上供放射科医师参考。 

本发明中，首先输入待诊断病人的乳腺DCE-MRI图像序列集，通过去噪滤波、时间强度曲线确定和时间强度曲线特征提取等处理，提取出可疑病灶区域内的时间强度曲线的相关特征参数值，将特征值输入分类器进行可疑病灶部位的良恶性分类判断，最后综合分析各层面的分类结果给出最终的病灶良恶性诊断结果，并将可疑病灶区域标记到时相图像序列中的蒙 片图像上以提供临床病灶定位参考。总之，本发明通过一个基于乳腺DCE-MRI图像时间强度曲线特征的乳腺病灶良恶性诊断计算机辅助方法实现了对乳腺可疑病灶部位的自动检测，可以提供可疑病灶区域的位置和形状信息，并根据可疑病灶区域内的时间强度曲线的一系列特征参数值，经分类器判断和综合决策分析给出整体病灶的良恶性诊断结果，辅助放射科医师做病灶良恶性分析诊断，在一定程度上提高了乳腺疾病的诊断效率及准确率。 

本发明的有益效果是综合分析各层面上的时间强度曲线特征，实现了对乳腺可疑病灶区域的自动分析和诊断，提示可疑病灶的形状及位置，并依据可疑病灶区域内的时间强度曲线的特征参数，综合分析病灶的良恶性，最终提供出有意义的乳腺疾病良恶性辅助诊断意见，提高了乳腺疾病的诊断效率和准确率。 

附图说明

图1为本发明方法的流程示意图。 

图2为本发明方法的处理模块框图。 

图3为本发明实施例中待诊断病人DCE-MRI图像序列集数据信息处理流程图。 

图4为本发明实施例中层图像序列的处理过程示意图。 

图5为本发明实施例中时间强度曲线产生过程示意图。 

具体实施方式

下面结合附图和实例对本发明做进一步详细说明。 

如图1、2所示，本发明方法包括以下处理步骤： 

(1)在输入模块中，按扫描顺序选出病人DCE-MRI图像集中的可疑层面图像序列；

DCE-MRI图像数据是一种多序列、多时相的图像集。多序列可以获得病灶完整的空间信息，而多时相则可以观察同一层面位置不同时间的强度变化，提供该层面病灶的生理代谢信息。如图3所示，本发明中图像数据的处理顺序是：先按照图4中所示的处理步骤分析可疑层面序列图像集中每个层面上的时相信息，再结合各个可疑层面图像序列的诊断信息给出最终的诊断结果。 

(2)将步骤(1)中分出的每个层面图像序列输入去噪滤波模块，进行去噪、减影； 

核磁共振成像原理复杂，所涉及的技术颇多，影响MRI质量的因素很多，比如：样体分子的热运动及系统电子电路的电阻所引起的随机噪声等。因此，为了保证图像的质量高，在这里对输入的图像序列进行去噪滤波处理显得尤为重要。 

图像减影序列通过如下方式获得： 

假设病灶某层增强后有n个时相的图像，则该层的时相图像序列中图像数目为n+1个，记为I₀、I₁、…I_n，其中I₀为增强前该层面的蒙片图像。那么，增强后的每时相的图像分别减去蒙片图像I₀，即可得到该层面的图像减影序列。若记图像减影序列为S，则减影序列中的图像可以表示为：S₁＝I₁-I₀，S₂＝I₂-I₀，…，S_n＝I_n-I₀。之所以要对图像序列进行增强前后的减影处理，是因为这样的预处理有助于病灶的发现、定位及定性。 

(3)根据(2)步骤中得到的图像减影序列，分割出可疑病灶区域，确定时间强度曲线； 

若对图像减影序列中的每幅图像进行整体分析，不仅工作量大，而且大量的冗余图像信息也容易导致诊断错误。为了提高诊断效率和准确性，需要将处理对象定位在疑似有病灶的部位，即感兴趣的病灶区域。这些感兴趣区是时间强度曲线确定的起始区域。 

确定可疑病灶区域并绘制时间强度曲线的过程如图5所示，包括以下步骤： 

首先，对图像减影序列中每幅图像做分割。由于感兴趣的病灶部位只是为时间强度曲线的确定提供大致范围，边界精确度要求不高，再综合考虑辅助诊断所需的计算量和运算时间，这里采用常用的基于最小类内方差准则的灰度级阈值分割方法-大津律法做分割。此种方法会将图像中的可疑病灶部位和心脏、血管、淋巴等增强前后信号强度有变化的正常组织一并分割出。 

其次，根据病灶区域和正常组织在这些分割图像的差异，筛选出病灶部位。这种差异来自于可疑病灶区域在增强前后的时相图像上都是可以被分割出的，而心脏、血管、淋巴等正常组织在增强前后亮度变化很大，从而不是每幅分割图像上都总有这些正常组织。那么根据分割图像间对应位置处有无分割出的区域即可将心脏、血管、淋巴等正常组织筛掉，而只保留可疑的病灶区域。这个可疑病灶区域是确定时间强度曲线的初始位置。 

最后，判断这个可疑的病灶区域是否很小，如果很小，则直接记录层面图像序列中与该可疑病灶区域内的信号强度最大值对应的坐标处的信号强度值，根据这些记录的信号强度值直接绘出时间强度曲线；如果病灶区域很大，则找到可疑病灶区域内信号强度最大值处，选取以该点为中心的k*k大小的模板作为时间强度曲线的确定区域，记录层面图像序列中各幅图像在该模板范围内的最大信号强度值，根据这些记录的信号强度值绘出可疑病灶的时间强度曲线。 

(4)分析(3)步骤中确定出的时间强度曲线特征，给出该层面的诊断结果，即病灶的初步诊断结果； 

首先提取从灰度级和曲线拟合两方面反映时间强度曲线特性的11个特征： 

5个反应对比剂时间变化的像素灰度比，计算这5个特征值需要用到层图像序列中的蒙片 图像和对比剂注入后的5个时相帧，记所用图像为I_k，k∈[0，1，2，3，4，5]，具体地，这五个特征参数值的计算式依次为I₀/I₁，I₀/I₂，I₀/I₃，I₀/I₄和I₀/I₅。 

2个反映对比剂流入流出特性的重要参数-Wash_in和Wash_out，其计算公式为： 

$\mathrm{Wash}\_\mathrm{in}=\frac{I_1-I_0}{I_0}\×100\%---\left(1\right)$

$\mathrm{Wash}\_\mathrm{out}=\frac{I_4-I_1}{I_1}\×100\%---\left(2\right)$

4个拟合时间强度曲线形态的多项式拟合系数，这里选用三次多项式来拟合时间强度曲线，用于拟合的三次多项式模型如下： 

C(t)＝a₃t³+a₂t²+a₁t+a₀(3) 

其中t代表时相信息，t∈[0，1，2，3，4，5]，该多项式的4个系数a₃，a₂，a₁，a₀即为所需特征。 

接着，将提取的这11维特征送入训练过的SVM分类器中分类识别层图像上病灶的良恶性。 

SVM(Support Vector Machines，支持向量机)是一种基于统计学习理论中结构风险最小化原则的新型机器学习方法。SVM在解决非线性、高维模式识别的问题中有特有优势。而基于核函数的SVM能较好地避免耗时的高维内积运算，使得算法复杂度与特征空间维数无关，有效避免“维数灾难”。常用的核函数有线性核函数、多项式核函数、径向基核函数及傅里叶核函数等。本专利中，SVM分类器设计所采用的核函数是可实现非线性映射且性能良好的径向基核函数(RBF)，其形式为： 

$K(x_i,x_j)=e^{-\mathrm{\γ}*{\left|\right|x_i-x_j\left|\right|}^2}---\left(4\right)$

其中，x_i和x_j是来自特征集的SVM输入向量，γ是核参数，||·||表示距离范数。 

(5)融合病人不同层面的时间强度曲线诊断结果给出最终的病灶诊断结果，并在蒙片图像上标记出(3)步骤分割出的病灶区域范围。 

病灶的最终诊断结果基于投票理论中的一致同意准则产生。该准则中，只有在所有投票一致赞同的情况下才能通过。该准则应用到发明中就反映为：只有当所有的层诊断结果都为良性时，这个病灶才可被诊断为良性；只要有一个层诊断结果不为良性，都将该病灶判断为恶性。 

Claims (3)

1.一个基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法，其特征在于包括步骤：

(1)从病人DCE-MRI扫描图像中选出可疑病灶层面的时相图像序列集；

(2)对(1)步骤中分出的每个层面图像序列做去噪滤波处理，并获得该层的图像减影序列；层面图像减影序列的时相减影顺序是对比剂注入后的各时相帧均与对比剂注射前的蒙片帧做减影。

(3)根据(2)步骤中得到的图像减影序列，找出可疑的病灶区域，确定时间强度曲线；

(4)分析(3)步骤中确定出的时间强度曲线特征，给出该层面的诊断结果，即病灶的初步诊断结果；

(5)采用投票理论中的一致同意规则融合不同层面的诊断结果进行综合分析，给出病灶的最终诊断意见，并在蒙片图像上标记出(3)步骤中找出的病灶区域范围。

2.如权利要求1所述的乳腺病灶良恶性诊断计算机辅助方法，其特征是：用于生成时间强度曲线的区域由层面图像减影序列阈值分割处理后时相图像之间的对应部分最终确定。

3.如权利要求1或2所述的基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法，其特征是：提取来自像素灰度级和拟合参数两方面的时间强度曲线特征，包括计算7个反映灰度级信息的时间强度曲线特征和4个拟合时间强度曲线形态的多项式参数，其中7个反映灰度级信息的时间强度曲线特征指5个像素灰度比和2个反映对比剂流入流出特性的Wasn_in、Wasn_out参数，将上述11个参数输入到训练过的SVM分类器中做层面良恶性识别，给出层面良恶性判断结果。

Images