CN102549618A - 用于从图像分析组织的方法和系统 - Google Patents

Abstract

公开了一种从图像分析组织的方法，其包括：提供组织(100，400，450，600，800，1100)的电子图像，从图像确定参考值(1070，1170，1270)，建立图像的h_int表示(500，700)，并且在组织的分析中使用h_int表示，以量化乳房以及计算校准误差。还公开了一种系统，其在电子图像上运行内部乳房边缘检测算法(1310)以检测所述图像上的内部乳房边缘(1315)，并且如果校准误差是不可接受(1324)则改进内部乳房边缘位置(1340)。还公开了乳房成分的自动估计以及图像的时间分析。

Description

用于从图像分析组织的方法和系统

发明领域

本发明涉及图像的分析。建立了图像上的参考值以及使图像可以自校准并因此量化。

发明背景

本领域的很多人员为了不同的目的而试图量化图像，但是在成像物理数据中遇到与误差或者未知值有关的问题。例如，试图基于绝对物理模型连同组织的假设属性来量化图像需要所有的成像物理数据是已知并且精确的。甚至量化梯形楔块包括在每一个图像中仍然需要大量的成像物理数据并且假定它们是精确的。因此，需要使用图像内参考值。

例如，通过向乳房发送X射线光子并然后检测多少X射线光子通过它来创建乳房X射线照片。通过的X射线光子的数量越小，乳房组织就越密

乳房密度通过很多研究与发展乳癌的概率相关联，并且这些研究中的大部分通过使用视觉或者半自动式方法来评估乳房密度。一般综述例如在乳癌研究的评论丛书中给出，包括Vachon等人的“Mammographic density，breast cancer risk and risk prediction”(乳腺X射线摄像密度，乳腺癌的风险以及风险预测)(Breast Cancer Research，2007，vol 9：217)，Martin和Boyd的“Potential mechanisms of breast cancer risk associated with mammographicdensity”(与乳腺X射线摄像密度有关联的乳腺癌风险的潜在机制)(BreastCancer Research，2008，VoI 10：201)以及Yaffe的“Measurement ofmammographic density”(乳腺X射线摄像密度的测量)(Breast CancerResearch，2008，VoI 10：209)。

现有技术

特别是，在这里参考：Highnam(1992)“Model-based mammographicimage processing”(基于乳腺X射线摄像图像处理的模型)，(PhD Thesis，University of Oxford 1992)，Highnam和Brady 1999“Mammographic ImageAnalysis”(Kluwer Academic Publishers，1999)，Highnam 2006“Breastcomposition measurements using retrospective standard mammogram form(SMF)”(使用过去标准乳腺X射线照片形式的乳腺构图测量)(Physics inMedicine&Biology，2006)，Highnam 2007“Comparing measurements ofbreast density”(对比乳腺密度的测量)(Physics in Medicine&Biology，2007)，Van Engeland 2006“Volumetric breast density estimation”(乳腺体积密度评估)(IEEE Medical Imaging，2006)，Hartman 2008“Volumetricassessment of breast tissue composition”(乳腺组织组成的体积核计)(International Workshop on Digital Mammography2008)，Kaufhold 2002“Calibration approach to glandular tissue composition”(腺性组织构图的校准方法)(Medical Physics，2002)，Blot 2005“Volumetric approach to riskassessment”(风险核计的体积的途径)(Physics in Medicine&Biology，2005)，Heine 2006“Effective x-ray attenuation measures”(有效地X射线衰减测量)(Medical Physics，VoI 33，2006)，Heine 2008“Effective x-rayattenuation coefficient measurements from two full-field digital mammographysystems”(两个全领域的数字化乳腺X射线相片的有效地X射线衰减系数测量)(BioMedical Engineering OnLine，2008，VoI 7：13)

一般量化肌理并将它们应用于乳房X线照片的标准的图像处理技术的使用还在下列文献中被描述：Miller1991，“Classification of breast tissue bytexture analysis”(肌理分析的乳腺组织的分类)(British Machine VisionAssociation Conference，1991)，Karssemeijer 1998，“Automated classificationof parenchymal patterns in mammograms”(乳腺X射线照片中实质模式的自动分类)(Physics in Medicine&Biology，1998)，Olsen 2007“Automaticsegmentation of fibroglandular tissue”(腺性纤维组织的自动切分)(ImageAnalysis 2007)，Raundahl 2008，“Automated effect-specific mammographicpattern measures”(自动乳腺X射线摄像模式测量的具体效果)(IEEEMedical Imaging 2008)，Hadley 2007“Risk classification of mammogramsusing anatomical linear structures and density”(使用解剖的乳腺X射线照片的线性结构和密度的风险分类)(Pattern Recognition and Image Analysis，2007)，Freixent 2008“Eigendetection of masses considering false positivereduction and breast density information”(大众考虑的假阳性衰减以及乳腺密度信息的特征检测)(Medical Physics，2008)，Raundahl 2007“Breast tissuedensity measure”(乳腺组织密度测量：患上)(WO/2007/090892)，Magnin1986“Mammographic texture analysis：an evaluation of risk for developingbreast cancer”(乳腺X射线摄像肌理分析：患上乳腺癌的风险的评估)(Optical Engineering 1986)，Caldwell 1990。

此外：“Characterization of mammographic parenchymal pattern by fractaldimension”(通过分型维数的乳腺X射线摄像的实质模式的特征化)(VoI 35，Physics in Medicine and Biology 1990)，Luo 2007“Method for classifyingbreast tissue density”(乳腺组织密度的分类方法)(WO/2008/088478)，Giger2003“Risk-modulated diagnosis of disease”(疾病的风险收调诊断)(WO/2003/067371)，Hui 1999“Computerized assessment of breast cancerrisk”(乳腺癌风险的计算机化评估)(WO/1999/063480)，Thornton 1998“Early detection and aid to diagnosis”(早期发现及诊断援助)(WO/1999/008225)，Li 2006“Mammary gland quantification”(乳腺量化)(CN01234026)，Zhou 2001“Estimation of breast density on mammograms”(在乳腺X射线照片上的乳腺密度的评估)(Medical Physics 28(6)，2001)，Saha 2001“Breast tissue density quantification via digitized mammograms”(通过数字化的乳腺X射线照片的乳腺密度量化)(IEEE Medical Imaging，VoI20，8，2001)，Bovis 2002“Classification of mammographic breast densityusing a combined classifier paradigm”(使用综合分类范式的乳腺X射线摄像乳腺密度的分类)(IWDM 2002，p 77-80，2002)，Petroudi 2003“Classification of mammographic parenchymal patterns”(乳腺X射线摄像实质模式的分类)(IEEE Medicine&Biology，VoI 2，p 416-423，2003)，Lui2004“Mammographic parenchymal patterns for assessing risk”(用于风险评估的乳腺X射线摄像实质模式)(Medical Physics，VoI 31，no 3，2004)，Karssemeijer 1998“Automated classification of parenchymal patterns inmammograms”(在乳腺X射线照片中实质模式的自动分类)(Physics inMedicine&Biology，1998)，Sivaramakrishna 2001“Automatic segmentationof mammographic density”(乳腺X射线摄像的自动切分)(AcademicRadiology，)，Wei 2004“Correlation between mammographic density andvolumetric fibroglandular tissue estimated on breast MR images”(在乳腺MR图像上的乳腺X射线摄像密度与腺性纤维组织评估之间的相关性)(Medical Physics，31(4)，2004)，Boehm 2008“Automated classification ofbreast parenchymal density：topologic analysis of x-ray attenuation patterns”(乳腺实质密度的自动分类：X射线衰减模式的拓扑分析)(AJR，191，p275-282，2008)，Jamal 2006“Breast density into Tabar′s patterns”(塔巴尔模式中的乳腺密度)(Physics in Medicine&Biology，2006)，Torres-Majia2005“Comparison of Qualitative and Quantitative Evaluations”(定性与定量的评估的比较)(Cancer Epidemiology Biomarkers&Prevention，2005)，Heine 2008。

其他来源包括：“Automated approach for estimation of breast density”(用于乳腺密度的评估的自动方法)(Cancer Epidemiology，Biomarkers&Prevention，VoI 17，Nov 2008)，Oliver 2008“Novel breast tissue densityclassification methodology”(创新式的乳腺组织密度分类方法)(IEEE IT inBiomedicine，2008)，Li 2005“Computerized texture analysis ofmammographic parenchymal patterns”(乳腺X射线摄像实质模式的计算机化肌理分析)(Academic Radiology 2005)，Megalooikionomou 2007“Analysisof texture in medical images with an application to breast imaging”(使用乳腺成像应用的医学图像中的肌理分析)(SPIE Medical Imaging 2007)，Chang2002“Computerized assessment of tissue composition”(组织构成的计算机化评估)(Academic Radiology，2007)，Glide-Hurst 2007“A new method forquantitative analysis of mammographic density”(用于乳腺X射线摄像密度量化分析的一种新方法)(Medical Physics)，Taylor 1994“Measuring imagetexture to separate difficult from easy mammograms”(检测图像肌理从简单乳腺X射线照片中分离困难乳腺X射线照片)，以及Heine 2000“Statisticalmethodology for mammographic density detection”(用于乳腺X射线摄像密度检测的统计方法)(Medical Physics，27，2000)。

这些参考文献还指出了尝试仿真半自动化阈值技术的已知手段，例如积云，其被理解为对乳房密度测量是典范的。

乳房组织的量化的一个解决方案需要梯形楔块插入每个图像中。例如：Diffey 2006“New step wedge for volumetric measurement of density”(用于密度的体积测量的新式步进式光楔)(IWDM 2006)，Augustine 2006“Volumetric breast density estimation”(IWDM 2006)，Patel 2006“Automatedbreast tissue measurement of women”(女性的自动乳腺组织检测)(IWDM2006)以及Shepherd 2005“Novel use of single x-ray absorptiometry formeasuring breast density”(为测量乳腺密度的单X射线吸收仪的创新式使用)(Technology in Cancer Research&Treatment，2005，VoI 4：173-182)。

在本领域中已知的可选途径包括：使用简单的物理过程将乳房分为密度类，即使这样的方法并不表现为使用图像内参考数据(Merelmeier 2007“Displaying an x-ray image recorded on mammography”(展示记录在乳腺X射线相片上的X射线图像)，WO/2008/052854)；不使用任何图像校准的简单组织密度方法(Tasaki 2007“Imaging system”，WO/2008/038525)；通过侦察X射线曝光的组织密度(Jing 2003“Mammography with tissue exposurecontrol，Tomosynthesis”(组织曝光控制的乳腺X射线相片，层析X射线照相组合)，WO/2004/049949)；使用在压缩板顶部上的栅格以找到乳房厚度(Yang 2003“Measuring the thickness of compressed objects”(测量压迫物件的厚度)，WO/2004/000121)；使用幻影图像计算出乳房边缘厚度(Rico2003“Determining peripheral breast thickness”(确定周围的乳腺厚度)，WO/2004/000110)；用于密度的人工评估的物理栅格的使用(Bershtejn 2008“Adipose tissue percentage evaluation in mammary gland”(乳腺中脂肪组织百分比的估算)，RU2325852)；用于预后目的的密度的使用(Giger 2003“Computerised image analysis prognosis”(计算机化图像的预后分析)，US2004101181)；用于重建目的的密度图像的使用(Clause 2008“Quantitative image reconstruction method”(量化图像的分析方法)，US20080292217)；涵盖胶片曲线的胶片工作(Highnam 2000“X-ray imageprocessing”(X射线图像过程)，WO/2000/052641)；使用胸肌以标准化数据(Kotsuma 2008“Quantitative assessment of mammographic density andbreast cancer risk for Japanese women”(对于日本女性的乳腺X射线摄像以及乳腺癌风险的量化核计)，Breast，2008)；以及改进的半自动阈值技术(Byng 1994“Quantitative analysis of mammographic densities”(乳腺X射线摄像密度的量化分析)，Physics in Medicine&Biology，1994)；依照骨骼密度使用双能量(Shepherd 2002“Measurement of breast density with dualx-ray absorptiometry：feasibility”(使用双X摄像吸光测量的乳腺密度的测量：可行性)，Radiology 2002)；从MRI计算密度(Klife 2004″Quantificationof breast tissue index from MR data using fuzzy clustering″(使用模糊簇聚的核磁共振数据的乳腺组织系数的量化)，IEEE Engineering in Medicine&Biology Society，2004)；以及从超声波计算密度(Glide 2007“Novel approachto evaluating breast density utilizing ultrasound tomography”(利用超声波层析X射线照相法得到的乳腺密度的估算的创新式方法)，Medical Physics，2007)。

然而，图像物理中的误差以及未知值使得这样的方法固有地不可靠。

Highnam和Brady从事的研究导致对如何使用图像处理和X射线物理学与相关成像物理数据的混合从乳房X射线照片自动计算乳房组织的密度的理解，该相关成像物理数据通常涉及在乳房X射线照片中的坐标(x，y)处测量的像素值P(x，y)到脂肪厚度h_fat(x，y)厘米以及“所关注的组织”的厚度h_int(x，y)厘米的转换，其中“所关注的组织”可以是纤维组织、腺组织、水或者癌组织。

此外，近来对通过一种称为层析X射线照相组合的技术来创建乳房的三维图像有兴趣，根据该技术以在乳房周围的变化的角度拍摄一系列乳房X射线照片，并重建三维图像。

如Highnam和Brady(1999)提出的，到此为止H_int表示被计算的过程包括如在图2示出的8个步骤。相似的过程由Van Engeland 2006(虽然不包括步骤S3，S6，S7，S8)和Hartman 2008提出，Hartman注意到S4对数字乳房X射线相片并不是必要的，并且报告了对S6的修改。

Kaufhold(2002)以及Heine(2006，2008)以更系统的方式考虑了生成h_int的过程，在数据收集之前在一个X射线系统上生成被校准的数据，而不使用用于自校准目的的图像数据。

更详细地，并且参考图2：来源于胶片乳房X射线照片202、数字乳房X射线照片204和/或数字断层投影206的数据须经以下列步骤开始的多个步骤：

步骤1 210分割-某种形式的图像处理应用来描绘内部乳房边缘310以及外部乳房边缘360以及胸肌380。

步骤2 215像素值至能量-将乳房X射线照片中的在位置(x，y)处的像素值P(x，y)转换至传给在(x，y)处的检测器的能量。这涉及到对特定检测器的物理过程的理解。

步骤3 220检测器模糊校正-使用特定检测器的物理过程的知识来移除它可能引入的任何模糊。对于数字系统，这个步骤通常是不必要的。

步骤4 225校正阳极足跟-考虑到在乳房上给出在空间上变化的入射辐射强度的X射线管的阳极足跟效应，并且校正它，以便给出出现得好像入射辐射强度是恒定的图像。在数字系统中，这通常由生产商自动执行作为他们“平场处理”过程的一部分。

步骤5 230校正压缩板倾斜-确认当乳房在准备乳房X射线相片中被压迫时，顶部压缩板倾斜；该校正(一般)通过添加脂肪的虚拟楔块来补偿该倾斜。

步骤6 235估计乳房厚度-认识到由X射线机记录的乳房厚度可以是不精确的，并且通过找到图像的大部分是脂肪的区域并且然后计算出必须有多少脂肪可以从图像本身进行另一个估计。

步骤7 240移除分散分量；以及

步骤8 245移除焦外分量。传给检测器的能量拥有主要分量(不受阻碍地直通过乳房的X射线光子)、分散分量(X射线光子被偏转)以及在乳房边缘周围与焦外辐射有关的分量(远离焦斑从X射线管出去的X射线光子)。在这些步骤中，估计分散分量以及焦外分量以仅仅获得主要分量。

步骤9 250从主要分量生成h_int255。从主要分量中，可以计算出必要的X射线衰减，并且因此以数学方式得出脂肪以及所关注的组织的厚度：

方程1：

其中

是光子通量，V_t是X射线管电压，A_p是像素面积，t_s是曝光时间，N₀ ^rel是该管电压在能量ε处的入射X射线光子的相对数量，S(ε)是检测器吸收，G(ε)是电网传输，且最后的两项是归因于有机玻璃压缩板的衰减和归因于乳房的衰减。

从前面的步骤可知方程的左手侧，由于值与图像一起被自动存储，成像物理数据(X射线管电压等)对数字图像是已知的，因此唯一未知的是归因于乳房的衰减，hμ(x，y，ξ)。归因于乳房的衰减可使用迭代技术来确定，该迭代技术需要尝试各种所关注的组织的厚度以及脂肪的厚度，直到所需的衰减被看到：

hμ(x，y，ξ)＝h_int(x，y)μ_int(ξ)+h_fat(x，y)μ_fat(ξ)

这也可使用线性近似来解决。显然，这有两个未知量，但是它们不是独立的：

h_int(x，y)+h_fat(x，y)＝H(压缩的乳房厚度，从步骤6)。

从以上的方程应当清楚，所有的成像物理数据都很重要，但是特别是，压缩的乳房厚度H是关键参数，正如Highnam以及Brady 1992、1999、2006等所证实的。有问题的是，胶片乳房X射线照片很少有所记录的乳房厚度，并且这就是为什么来自图像的估计通常对胶片图像作出。

存在所描述的方法可被使用的很多出版物：例如由Ding、McCormack和Jefferies，并且特别是对于胶片，该方法表现为适度地好得起作用。

就整个乳房的体积实际上是乳房内的像素数目乘以乳房厚度来说，乳房厚度特别是相关的：

乳房体积(厘米³)＝像素数目×像素面积×乳房厚度

并且乳房密度是所关注的组织与乳房体积的比值。密度以及体积均实质上依赖于精确的乳房厚度。事实上，学术工作(Highnam与Brady 1999，Blot 2005)提出乳房厚度中的1mm的误差可导致乳房密度中的2-3％的误差。

最近，Hartman 2008报告了在数字乳房X射线照片上使用基于Highnam与Brady方法的软件，由此Highnam与Brady方法被调整为结合所估计和记录的乳房厚度，而不是仅仅所估计的乳房厚度。

Highnam(2006)证实了乳房厚度的重要性，并且描述了乳房厚度的估计如何需要成像物理数据补偿的形式。也就是说，通过使用图像本身并通过调整乳房厚度来校正在曝光时间、管电压以及其他成像物理数据中的误差。这在能够找到表示完全多脂组织的图像的区域的基础上来完成。

虽然在对照视觉评估生成有效的h_int值以及合理的乳房密度方面是成功的，该方法还是有一些缺陷，特别是对于所记录的乳房厚度从数字机器本身知道的数字图像。例如，所记录的乳房厚度可能不是主要误差，特别是在量控制的位置处，在该位置上，所记录的乳房厚度在定期的基础上被仔细地校准及检查。因此，通过乳房厚度的估计执行的误差校正可能不以正确的方式校正误差。如果误差处于曝光时间(t_s)，则误差校正应该是倍增的；相反，误差以指数方式在积分内被有效地校正。如果被认为是脂肪组织的图像的区域不是脂肪组织而是致密组织，则有潜在的进一步误差。

Van Engeland 2006采取了这样的观点：所记录的乳房厚度是可靠的，并且简化了方程以得出像素值P与h_int之间的关系。

方程2：

h_int(x，y)＝ln(P(x，y)/P_fat)/(μ_fat-μ_dense)

其中P_fat是一块组织的像素值，该组织在其内只有脂肪(而不是皮肤)，并且μ_fat以及μ_dense是有效的X射线线性衰减系数，该衰减系数由管电压、靶、过滤器、以及所记录的乳房厚度计算出。

大体上，这样的区域可使用图像处理找到，但是对于致密的乳房，该图像处理常常失败。在图4中，左侧的乳房X射线照片是多脂乳房400，并且对确定全脂肪的区域相对简单。右侧的乳房是非常致密的450，并且找到这样的全脂肪的区域更困难。

本发明通过总是找到在图像中的可靠参考点并由此计算明显的校准误差来解决计算和计算底数中的错误的指示以及误差，这意味着，精确的成像物理数据是不必要的，并且事实上毫安(mAs)以及很多检测器信息可被忽略，而不是假设检测器随着已知偏移是线性的

本方法因此对成像数据中的误差以及未知数据更加强大，并且具有相关的校准误差因子，该校准误差因子可被用于在必要时警告用户。

找到好的参考点的以前尝试依赖于找到在内部乳房边缘内的抗噪声最大值或者最小值(以指示乳房的脂肪最多的部分)(见图3)，其中内部乳房边缘310通过找到乳房边缘周围的最里面的均匀曲线来确定(Highnamand Brady 1999)。

其他解决方案试图使用局部相位及方向来找到内部乳房边缘(“Theuse of multi-scale monogenic signal on structure orientation identification andsegmentation”，Pan，Brady，Highnam，Declerck，International Workshop onDigital Mammography 2004)；并且使用所记录的乳房厚度以及球形乳房边缘模型来从外部乳房边缘移动一定的距离(Van Engeland 2006)。使用均匀曲线方法很慢；由于噪声问题，使用局部相位是不可靠的；并且虽然使用球形模型很快并对多脂乳房很好地起作用，然而是它对致密的乳房不能很好地起作用。

本发明以一种方式确定内部乳房边缘，该方式对于所有乳房都是可靠的，并且因而导致对所有图像的可靠的P_fat值，以及由此可计算出成像物理数据误差。

发明概述

根据本发明的第一个方面，提供了一种从图像分析组织的方法，该方法包括如下步骤：

提供组织的电子图像；

确定参考像素；

建立图像的h_int表示；以及

在组织的分析中使用h_int表示，包括提供校准误差。

根据本发明的第二个方面，提供了一种方法和系统，由此在图像数据中的坐标(x，y)处测量的像素值P(x，y)被转换成“组织A”(例如脂肪)的厚度h_fat(x，y)厘米以及“组织B”的厚度h_int(x，y)厘米，其中“组织B”包括“所关注的组织”，例如纤维组织、腺组织、水或者癌组织。可选地，图像数据可被转换成单个组织厚度。

本发明因此涉及对图像的分析，由此根据在内部乳房边缘的内部的乳房组织或者在内部乳房边缘和外部乳房边缘之间的乳房组织的分析来选择参考值，其中该内部乳腺边缘是使用相位一致性或者由乳房组织图像统计建立的阈值来最初确定的。一旦找到参考值，图像就可被自校准并因此量化。

本发明通过总是找到在图像中的可靠的参考点解决了在计算和计算底数中的错误指示和误差，该参考点随后允许明显校准误差的计算。

本方法因此对成像数据中的误差以及未知数据更加可靠，并且具有相关的校准误差因子，该校准误差因子用于在必要时警告用户。

本方法优选地包括用于建立参考点的步骤，其中，

生成图像中乳房组织的直方图；

检测位于直方图的两个峰值之间的间隙；以及

该间隙位置对应于内部乳房边缘，该内部乳房边缘用于建立搜索参考点的地方。通过使用相位一致性或者通过确定阈值也可以检测该间隙，该阈值通过查看乳房图像统计例如最小和最大像素值、平均像素值或者中间像素值来计算。

可选地，通过从乳房边缘中的数据外推参考像素值来建立参考点。

有时候，对于某些乳房来说，参考点并不理想，且可以通过将内部乳房边缘向内移动例如通过下列方式中的一个或多个来实现改进：基于乳房区域；基于乳房边缘区域；和/或采用迭代的方式，直至沿着所述内部乳房边缘的足够长度找到强度边缘，或者找到平滑的均匀边缘。

一旦得到好的参考像素，明显校准误差(κ)就可被引入方程1中。该误差可被调整，直至图像数据(在该方程左侧)匹配参考像素(如该方程右侧所示)的理论数据：

认为1的校准误差是示例性的；在1之上或者1之下的运动指示误差。系统参数可被设置在任意期望值，然而接近1的校准误差会提供最精确的数据。

根据进一步的方面，提供了用于从乳房的图像分析组织的系统，该系统包括：

(a)提供组织的电子图像；

(b)在电子图像上运行内部乳房边缘检测算法，以检测图像上的内部乳房边缘以产生结果；

(c)检查结果的校准误差是否是可接受的；

(d)根据校准误差的偏差，将结果通知或者不通知给用户。

因此，到现在为止讨论的在本发明的两个方面中的组织的分析通过计算h_int与h_fat的值、计算h_int与h_fat的值的和并随后计算乳房密度来导致对乳房成分的自动估计。

另一个分析选项包括：优化显示准备让放射科医生观看的图像；追踪对象的随着时间的过去的发展以确定它是否增长；计算机辅助检测，由此，计算机在图像的可疑区域做标记以供放射科医生考虑；以及大致分析多个图像(时间的、双能量、视图等)。

优选地，根据本发明的方法和系统，在一段时间内收集的多个图像被分析并被自动比较。优选地通过使标准化图像对齐来实现对图像的这个时间比较。优选地使用参考点例如乳头和胸壁来便于这个对齐。报告可被生成，或者如果检测到变化，该报告被标记给放射科医生。

在本方法和系统的优选实施方式中，组织的钙化被量化并且从随后的分析中移除。这很有用，因为钙化是致密组织，且它的存在使得组织看起来更致密，因而影响任何结果。

优选地，在本方法和系统中，一系列参考点或者参考值被找到，以能够从不同成像模式区分多于两种类型的组织。

在所描述的方法和系统中，电子图像的像素值是立体像素值，该立体像素值相应于空间中的三维位置(x，y，z)。

该描述参照了一个实施方式：乳房图像且特别是乳房X射线照片(乳房X射线)的量化。

密度与乳房组织的成分紧密相关：多脂组织的密度是最小的；纤维组织以及癌组织是适度的密度；钙化是非常致密的。为了总的乳房成分的目的，钙化一般可被忽略，因为它以这样微小的量出现。然而，钙化的量化是我们的发明的一个重要的副产品，并且会在下面被提到。

令：

乳房中的多脂组织的体积＝V_fat厘米³

乳房中的所关注的(无脂肪)组织＝V_int厘米³

以及：

乳房密度＝100*V_int/(V_int+V_fat)

本发明的一个实施方式涉及从图像例如乳房X射线自动估计乳房成分(体积以及乳房密度)的方法和系统。为了解释的清楚，本说明书将聚焦于X射线成像，虽然也可以对乳房MRI以及其它方式进行乳房成分估计(其中乳房密度是1)。

在优选的实施方式中，图像包括了X射线、MRI以及其它方式。

此外，本发明的特性在分析通过X射线、MRI以及其他方式生成的图像——包括随着时间过去的乳房X射线相片、双能量成像以及层析X射线照相组合以及其他——中被使用。理想地，使用序列中的每个乳房X射线照片的h_int表示来执行多个图像到层析X射线照相组合图像的三维重建。

在另一实施方式中，本文描述的方法和系统反复应用于在一段时间内收集的图像，因此实现自动时间比较，从而实现预测分析。例如，癌组织的概率及发展通过原始数据的时间交叉引用以及优化监控来指示。

术语“乳房X射线照片”在本文件中用于指胶片乳房X射线照片、数字乳房X射线照片或者数字层析X射线相片投影之一。

附图简述

图1示出了使用正好在乳房上方并向下发送X射线的X射线源拍摄的乳房X射线照片(左侧)；在技术上，头尾向的乳房X射线照片以及在处理右侧的h_int曲线之后；

图2示出了用于计算所关注的组织的现有技术过程；

图3示出了将图像分成与组织类型有关的不同的部分的现有技术分割步骤；

图4示出了具有不同成分的不同乳房的两张乳房X射线照片；

图5示出了图6的乳房组织的例证性直方图；

图6示出了乳房X射线照片，该照片示出了具有多脂边缘部分的致密乳房；

图7示出了另一个乳房边缘；

图8示出了图7的乳房边缘的直方图；

图9示出了另外的乳房边缘；

图10示出了典型乳房的图像，该图像示出了参考区域；

图11示出了具有参考组织的区域的图像，该参考组织进入乳房边缘很远；

图12示出了不是脂肪的参考组织的区域的图像；以及

图13示出了根据本发明的系统。

所示实施方式的详细描述

在图1中，乳房X射线照片示出了相对多脂的乳房100(如图像的相对黑暗所指示的)，一些更致密的组织明显地朝向乳头110(较白部分)。在称为h_int表示150(在图片右侧)的部分中，朝着乳头160的峰值指示h_int的高值，即，较致密的组织。

一旦生成了h_int表示，许多临床上有用的任务就可以被执行了，包括但不限于：通过对h_int以及h_fat的值求和并随后计算乳房密度来自动估计乳房成分；优化准备让放射科医生查看的图像的优化显示；追踪对象随着时间的过去的发展以确定它是否增长；计算机辅助检测，由此，计算机在图像的可疑区域做标记以供放射科医生考虑；大致分析多个图像(时间的、双能量、视图等)。

第一个实施方式指出，致密乳房600具有多脂乳房边缘610、510连同致密内部620、520，例如图6所示的图像，其例证性直方图500在图5中提供。内部乳房边缘检测算法通过例如使用相位一致性或者从在乳房组织上计算的图像统计获得阈值设置来检测乳房直方图的两个峰值之间的间隙530。这样的技术实现起来快速且容易，并且为图6中示出的致密乳房提供示例性内部乳房边缘640。

如图6中所示的，所检测的内部乳房边缘640全部位于多脂乳房组织上(在多脂乳房边缘610中)；它并不覆盖致密组织620并且因此产生高乳房密度，而不是错误的低乳房密度。如现在确定的内部乳房边缘640对致密乳房很好地起作用。然而，对于多脂乳房800它是次最优的，该多脂乳房800具有更相似于图7所示的直方图的直方图700，图7提供了乳房边缘710，如图8所示的810。

内部乳房边缘检测算法检测乳房直方图的两个峰值之间的间隙730，然而，乳房边缘太向外，并且由此生成过高的乳房密度。根据本发明，如果乳房是非致密的，即，由多脂组织850组成，上面确定的内部乳房边缘740、840向内移动。

这可以用很多方式实现。首先，当投影在图像上时，多脂乳房倾向于比致密乳房更大，所以基于乳房区域，内部乳房边缘可被带向内。可选地，内部乳房边缘可被带向内，直至你到达强度边缘或者直至你达到某一平滑度。

通过经由内部乳房边缘确定参考值，可靠的参考值被实现并且减小或者消除对一些成像物理因素的依赖。

以下结果是对单个图像在不同曝光时间下实现的：

并且通过改变在不同乳房密度处的四张图像的kVp：

下面表示从在具有四个不同乳房密度的乳房图像上运行具有乳房厚度(H)中的误差的软件得到的结果。

找到好的参考值的另一方法是使用乳房边缘中的数据来外推参考像素值。数字乳房X射线相片具有宽的动态范围，这意味着乳房边缘信息相对精确地被捕获，即使它在没有周围的增强的情况下没有很好地显示。在外部和内部乳房边缘是已知(例如，从图像处理，或者从假设半圆形乳房边缘)并且所记录的乳房厚度是已知的场合，图9中的线A与线B之间的组织可被识别为皮肤和纯脂肪(乳房边缘按照定义几乎是脂肪)。如果假设在点A只有小量的脂肪，并且如果B在哪里是已知，并且已知半圆形乳房边缘模型是良好的估计，然后在点B处的脂肪量的估计可被进行，并且因此参考像素值可被计算出以用于直接从图像确认参考点值，或者可被替代地使用。

可选地，代替校准多脂组织，以上方法或者在如上面引用的Highnam中公开的方法可被用于确定它是致密乳房并且因此新的参考点被需要。因此获取主要乳房组织内的最大X射线衰减，并且假设皮下脂肪层顶部和底部都是致密组织。由此，可计算出量化表示并且接着向前到在每个像素处的值。

通过上面途径的任一个找到参考脂肪值P_fat，看来似乎可靠地提供脂肪参考值。从这个已知的值中，方程1以及方程2可被调整为包括显式线性置信度量(κ)：

方程3：

κ被调整直至以上方程的左手侧以及右手侧在脂肪参考值处匹配。

因此，如图10所示的，在内部乳房边缘1040与外部乳房边缘1060被标记的场合，如圆圈1070指示的看来大部分是脂肪的区域指示具有典型的压缩的乳房厚度：即，远离在边缘中的乳房滚降。

作为另一例子，图11示出了太向外的参考组织1170的区域。因此，如果大部分是脂肪的Hcm的区域太向外而进入内部乳房边缘1140中并且事实上小于脂肪的Hcm，那么

过高并且κ＞1.0。

图12示出了不是脂肪的参考组织1270的区域。因此如果是大部分是脂肪的Hcm的区域相反是致密组织的区域，那么：

$E_{\mathrm{primary}}^{\mathrm{imparted}}(h_{\mathrm{int}}=0)$ 过低并且K＜1.0。

其中有许多的校准误差，包括可能在所记录的乳房厚度中的校准误差，接着κ从1.0被向上或者向下调整。

因此，如果所有的校准数据接近正确，并且找到了图像合适的部分作为大部分是脂肪的区域，κ会接近1.0。所以，远离1.0的κ意味着在模型中有误差，并且需要校正行为(虽然很难知道误差是从哪里出现的)。总之，找到了一种识别误差以及生成显式置信测量的方法。

另外，可在软件中提供切断，使得一旦获得例如在0.95和1.05之间的某一κ值，数据就被认为是可接受的并且结果被传递给用户。

图13是根据本发明的系统的流程图。提供了电子图像以及在图像数据上运行内部乳房边缘检测算法(1300)。当产生结果(1315)时，查询询问κ值或者结果的校准误差是否是可接受的(1320)；如果是(1322)，那么组织在结果的基础上被分析(1330)；如果否(1324)，那么用户被告知有校准问题[改变图片]。

如果已知多脂乳房被检查，并且发现κ距离1.0很远，很明显使用X射线机器校准设置有重大误差。由此，用户可被警告以执行质量控制或者系统可开始生成校正参数。

参考乳房图像，随着体积更加可靠并且没有与乳房压缩有关的问题，比较可优先于乳房密度而基于区域中纤维腺组织的体积。结果被显示为减影图像，放射科医生可从经验中更容易理解该减影图像。

可通过例如在医院中的服务器来便于图像的比较。可选地，图像可以全部或者部分地被存储，但是在对以前运行的DICOM结构报告(其存储在PACS系统中)内足以使以前的信息能够在区域基础上被比较。该历史信息可能是加密的，使得用户无法看到它。由于MLO图像还包括复杂化比较的胸肌，可仅对CC进行时间比较。

另一实施方式包括通过“云”或者特别的方式的图像的存储以及时间比较，由此对可配置的计算资源(例如，网络、服务器、存储器、应用以及服务)的共享池的方便的点播网络访问可被迅速提供并以最小的管理努力或者服务提供商互动而释放。此外，部署为“作为服务的软件”实现容易的更新，使得所有图像使用相同的算法来处理。

在优选的实施方式中，乳房X射线照片的时间比较通过标准图像的对齐而被影响，该标准图像也许使用参考点例如乳头和胸壁如上所述而产生，从参考点创建报告内的图像，该图像展示在一段时间内在乳房中更多的组织在哪里发展。如果更多的组织发展(或者组织变得“更致密”)，那么癌症可能会生长，并且放射科医生被警告更细致地检查此。

本发明进一步的优势在于用户能够上传原始数据用于分析和存储，以为比较时间数据作准备，避免对用户例如医院的需求，以储存原始数据。中等体积随着时间的过去用作规范器，由此不是匹配h_int，而是使用h_int/中等h_int，移除了影响，例如更年期问题。

进一步的优势是，乳房的成功量化通过例如钙化的自动检测来考虑钙化的量化、通过我们发明的背景元素的相减、以及接着其余信号的量化。

应当认识到，这些图示只是用于说明目的，并且其他配置是可能的。

本发明通过具有修改和变更的一些实施方式被描述，但是在阅读并且理解了本描述后，另外的实施方式以及修改对于本领域的技术人员是明显的。所有这样的实施方式以及修改被规定为落在由所附权利要求限定的本发明的范围内。

Claims (23)

1.一种从图像分析组织的方法，包括以下步骤：

提供组织(100，400，450，600，800，1100)的电子图像；

确定参考点(1070，1170，1270)；

建立所述图像的h_int表示(500，700)；以及

在对所述组织的分析中使用所述h_int表示，所述方法的特征在于，能够对所述h_int表示计算校准误差，以及值的总和量化乳房组织。

2.根据权利要求1所述的方法，包括用于建立所述参考点的步骤，其中，

生成所述图像的直方图(500，700)；

检测位于所述直方图的两个峰值之间的间隙(530，730)；以及

所述间隙的位置对应于内部乳房边缘(640，840，1040，1140)，所述内部乳房边缘用于为搜索所述参考点(1070，1170，1270)确定界限。

3.根据权利要求2所述的方法，其中通过使用相位一致性或者获取从图像统计得到的阈值来检测所述间隙(530，730)，所述图像统计从整个乳房的像素值产生。

4.根据任一前述权利要求所述的方法，其中，如果所述校准误差太大(1324)，则没有结果被返回给用户，而只给出警告。

5.根据任一前述权利要求所述的方法，其中，如果所述校准误差太大(1324)，则重新定位所述参考点，并且计算新的校准误差，重复此步骤，直到获得可接受的校准误差(1322)。

6.根据权利要求5所述的方法，其中，通过下列方式中的一个或多个来向内移动所述内部乳房边缘以改善/缓和所述内部乳房边缘：

基于乳房区域或者乳房边缘的区域；和/或

使用迭代方式，直到沿着所述内部乳房边缘的足够长度找到强度边缘，或者满足边缘的某个平滑度。

7.根据权利要求1所述的方法，其中，通过从所述乳房边缘中的数据外推参考像素值来建立参考点。

8.根据权利要求4所述的方法，包括以下的步骤：

检查所述图像是否是致密乳房；以及如果它是致密乳房，

使用乳房厚度并且假设我们有致密组织而不是脂肪组织来获得新参考点。

9.根据任一前述权利要求的用于分析组织的方法，其中通过以下操作来计算对乳房成分的自动估计：

计算h_int与h_fat的值；

对h_int与h_fat的值求和；以及

随后计算乳房密度。

10.根据任一前述权利要求所述的方法，其中，对在一段时间内收集的多个图像进行分析和自动比较。

11.根据权利要求10所述的方法，其中通过产生对齐的标准化图像来便于对多个图像的比较。

12.根据权利要求11所述的方法，其中，使用参考点例如乳头和胸壁来便于所述对齐。

13.根据任一前述权利要求所述的方法，其中，组织的钙化被量化，并且从随后的分析中移除。

14.根据任一前述权利要求所述的方法，其中，一系列参考点被找到，以能够从不同的成像模式区分多于两种类型的组织。

15.根据任一前述权利要求所述的方法，其中，电子图像的像素值是对应于空间中的三维位置(x，y，z)的立体像素值。

16.一种用于从乳房的图像分析组织的系统，包括：

(a)用于提供组织(100，400，450，600，800，1100)的电子图像的装置；

(b)对所述电子图像运行内部乳房边缘检测算法(1310)，以检测所述图像上的内部乳房边缘来产生结果(1315)；

(c)检查所述结果的校准误差是否是可接受的；

(d)如果所述结果的所述校准误差是可接受的(1322)，分析所述组织(1330)；或者

(e)如果所述误差太大，不返回结果。

17.根据权利要求16所述的系统，其中，所述内部乳房边缘通过下列方式中的一个或者多个来改进：

基于乳房区域或者乳房边缘的区域；和/或

使用迭代方式，直到沿着所述内部乳房边缘的足够长度找到强度边缘，或者找到足够平滑的边缘。

18.根据权利要求17所述的系统，包括以下步骤：

检查该图像是否是致密乳房；以及如果它是致密乳房，

使用乳房厚度并且假设所述组织周围是致密的而不是多脂的来获得新参考点。

19.根据权利要求16至18中的任一项所述的用于分析组织的系统，其中，对乳房成分的自动估计通过以下操作来计算：

计算h_int与h_fat的值；

对所述h_int与h_fat的值求和；以及

随后计算乳房密度。

20.根据权利要求16至19中的任一项所述的系统，其中，在一段时间内收集的多个图像被分析并被自动比较。

21.根据权利要求20所述的系统，其中，通过产生对齐的标准化图像来便于对多个图像的比较。

22.根据权利要求21所述的系统，其中，使用参考点例如乳头和胸壁来便于所述对齐。

23.根据权利要求16至22中的任一项所述的系统，其中，组织的钙化被量化，并且从随后的分析中移除。

Images