CN103186788A - 一种基于胸片的计算机辅助检测乳癌钙化点的方法 - Google Patents

Abstract

本发明公开了一种基于胸片的计算机辅助检测乳癌钙化点的方法，其特征在于，包括：通过基于活动形状模型的乳房区分割方法和乳房区背景噪声去除技术对图像进行预处理；利用两步钙化点增强技术，选取可疑钙化点，所述两步钙化点增强技术具体包括：获取钙化点肋骨图像；获取钙化点可能值图像；引入分水岭算法分割所述可疑钙化点，基于分割结果提取区分真实钙化点和假钙化点的特征；以及基于提取的特征引入经典线性分类器获取最终钙化点检测结果。本发明能够检测到更多被肋骨等结构遮挡的钙化点，同时，降低假阳性。

Description

一种基于胸片的计算机辅助检测乳癌钙化点的方法

技术领域

本发明涉及癌变钙化点检测领域，尤其涉及一种基于胸片的计算机辅助检测乳癌钙化点的方法。

背景技术

近年来，乳腺癌死亡人数已经占到所有癌症死亡人数的第一位，美国癌症协会估计在2009年，乳腺癌将占整个癌症病例的28％，而乳腺癌病人的5年存活率只有14％，但如果能检测到作为早期乳腺癌的癌变钙化点，再配合适当的治疗，病人的存活率可以提高到50％。

CT被认为是检测癌变钙化点的最佳方法——“金标准”，然而，因为经济、方便和放射剂量适中等原因，X光胸片更常用，事实上，几乎所有的早期乳腺癌都是通过胸片发现的，但对放射科医生来说，基于胸片发现早期乳腺癌是一件很困难的任务。

近20年来，基于胸片癌变钙化点计算机辅助检测系统一直是研究热点。虽然基于胸片的癌变钙化点检测系统性能在近10年提高了很多，但还是面临检测结果存在大量假阳性的问题。研究表明，如果检测系统的假阳性达到每副图像11个，哪怕它的癌变钙化点检出率达到80％，也不能帮助医生提高诊断精度.但如果系统的假阳性只有4个，医生对癌变钙化点的检出率会得到有效的提高。对于当前的检测系统，最大问题是如何在提高癌变钙化点检测率的同时，降低检测结果中的假阳性。

发明内容

本发明所要解决的技术问题在于提供一种基于胸片的计算机辅助检测乳癌钙化点的方法，能够解决检测率不高，假阳性过多的问题。

为解决上述技术问题，本发明实施例提供的一种基于胸片的计算机辅助检测乳癌钙化点的方法，具体技术方案如下：

一种基于胸片的计算机辅助检测乳癌钙化点的方法，包括：

a.通过基于活动形状模型的乳房区分割方法和乳房区背景噪声去除技术对图像进行预处理；

b.选择可疑钙化点；

c.为了有效降低了检测结果中的假阳性，引入分水岭算法分割所述可疑钙化点，基于分割结果提取区分真实钙化点和假钙化点的特征；以及

d.基于提取的特征引入经典线性分类器获取最终钙化点检测结果。

优选地，所述区分真实钙化点和假钙化点的特征包括5类特征。

具体的，所述可疑钙化点选取步骤包括：从钙化点可能值图像中选取若干个峰值点作为可疑钙化点的初始位置；如果任意两个峰值点之间的距离小于阈值，则具有更大值的点被选作可疑钙化点。

具体的，所述可疑钙化点分割步骤包括：首先，以某一可疑钙化点位置为中心点从钙化点肋骨图像上截取一感兴趣区域；其次，用灰度阈值法获得初始分割区域；然后，用二值的形态学腐蚀运算去除初始分割区域中一些不属于钙化点的部分；再后，用膨胀运算还原分割区域的大小；最后，采用分水岭算法对分割区域中的钙化点进行精分割。

本发明提供的一种基于胸片的计算机辅助检测乳癌钙化点的方法，由于方法中引入两步钙化点增强技术使系统能够检测到更多被肋骨等结构遮挡的钙化点；同时，为了降低假阳性，引入分水岭分割方法，使得基于分割结果提取的特征值更有效。

附图说明

图1为本发明一种基于胸片的计算机辅助检测乳癌钙化点的方法中感兴趣点O的钙化点可能值计算圆环示意图。

具体实施方式

本发明实施例提供一种基于胸片的计算机辅助检测乳癌钙化点的方法，能够检测到更多被肋骨等结构遮挡的钙化点，同时降低假阳性。

本发明实施例提供的一种基于胸片的计算机辅助检测乳癌钙化点的方法，包括：通过基于活动形状模型的乳房区分割方法和乳房区背景噪声去除技术对图像进行预处理；选择可疑钙化点；为了有效降低了检测结果中的假阳性，引入分水岭算法分割所述可疑钙化点，基于分割结果提取区分真实钙化点和假钙化点的特征；以及基于提取的特征引入经典线性分类器获取最终钙化点检测结果。

本发明提供的一种基于胸片的计算机辅助检测乳癌钙化点的方法，由于方法中引入两步钙化点增强技术使系统能够检测到更多被肋骨等结构遮挡的钙化点；同时，为了降低假阳性，引入分水岭分割方法，使得基于分割结果提取的特征值更有效。

为了便于本领域技术人员更好的理解本发明实施例提供的一种基于胸片的计算机辅助检测乳癌钙化点的方法，下面结合附图对本发明实施例一种基于胸片的计算机辅助检测乳癌钙化点的方法进行详细描述。

一种基于胸片的计算机辅助检测乳癌钙化点的方法，包括：

通过基于活动形状模型的乳房区分割方法和乳房区背景噪声去除技术对图像进行预处理。为了和其他学者研究结果作比较，我们使用日本放射技术学会(Japanese Society of Radiology Technology，JSRT)提供的公共数据库测试本文系统的检测性能。图像中所有癌变钙化点经过CT确认，钙化点大小从5mm到40mm不等.癌变钙化点按照明显度不同被放射科医生分为5类：很明显、明显、不明显、很不明显和极其不明显。我们把以下图像从测试库中去除：(1)含有大于35mm钙化点的图像；(2)一个病人多于两个钙化点的图像；(3)放射科医生不能确定钙化点边缘的图像；(4)钙化点被心脏、横隔遮挡的图像。所述分割方法以ASM模型为基础，在模型中固定不同类型边界的转换点.模型在分割过程中每段边缘只要匹配所属类型边缘的特征即可.获得乳房分割结果后，将左右乳房区分别拟合到一二阶多项式式(1)，用原图减乳房区拟合多项式获取背景噪声去除的预处理图像。

$F^n(x,y)=\underset{k=1}{\overset{n+1}{\mathrm{\Σ}}}\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{a}_{{(k-1)}^{k/2+m}}{x}^{k-m}{y}^{m-1}---\left(1\right)$

其中，a_k是kth系数，k和m是变量。

为了选取到更多被肋骨等结构遮挡的真实钙化点，有效提高最终的钙化点检出率，利用两步钙化点增强技术，选择可疑钙化点，所述两步钙化点增强技术具体包括：

第一步为获取钙化点肋骨图像。首先用钙化点模板对预处理图像作灰度形态学开运算获取钙化点增强的钙化点图像，钙化点模板为一幅灰度值服从正态分布的小图像，然后用同样的灰度形态学开运算增强肋骨结构，由于图像中肋骨方向随位置变化而变化，因此本发明采用7个不同方向的线性结构模板，对于每个象素，7次开运算后的最大值输出到对应的肋骨图像。

第二步钙化点增强为获取钙化点可能性大小图像。图像中，每个象素的灰度值表示该点为钙化点的可能性.为了计算乳房区中某一感兴趣象素O为钙化点的可能值，给出以此象素为中心的一圆环(如图1)，圆环大小和获取钙化点肋骨图像中使用的钙化点模板尺度一致.感兴趣点O的钙化点可能值按照下列方法计算：首先对于扇区0中的任一象素A，该点的梯度方向以及指向O点的方向如图1，它们之间的夹角为θ.如果O点为钙化点，那么cosθ值应当接近于1，0，但如果A点的梯度值M太小，那么它的梯度方向具有不可靠性；如果它的梯度值过大，那么A点可能是肋骨边缘.基于这些假设，乳房区中任一感兴趣点的钙化点可能值由下列公式获得：

${\mathrm{\φ}}_{\mathrm{ij}}^k=\frac{1}{N_k}\underset{\mathrm{mn}\∈\mathrm{inner}\sec \mathrm{tork}}{\mathrm{\Σ}}\cos {\mathrm{\θ}}_{\mathrm{mn}}---\left(2\right)$

t₁≤M_mn≤t₂

其中，t1和t2是最大和最小的梯度阈值，Nk为扇区k中的像素数。ij表示感兴趣点，mn为扇区k中的任一象素。

式(2)给出了感兴趣点在扇区k为钙化点的可能性，如果感兴趣点为一个钙化点的中心，那么值应当比较大且在所有扇区上均匀分布，所以，感兴趣点的钙化点可能值定义为：

$\mathrm{Nodlihoo}{d}_{\mathrm{ij}}={\stackrel{\‾}{\mathrm{\φ}}}_{\mathrm{ij}}/{\mathrm{\σ}}_{\mathrm{ij}}---\left(3\right)$

这里

${\stackrel{\‾}{\mathrm{\φ}}}_{\mathrm{ij}}=\frac{1}{S}\underset{k=0}{\overset{S}{\mathrm{\Σ}}}{\mathrm{\φ}}_{\mathrm{ij}}^k---\left(4\right)$

${\mathrm{\σ}}_{\mathrm{ij}}=\sqrt{\frac{1}{S}\underset{k=0}{\overset{S}{\mathrm{\Σ}}}{({\mathrm{\φ}}_{\mathrm{ij}}^k-{\stackrel{\‾}{\mathrm{\φ}}}_{\mathrm{ij}})}^2}$

为了有效降低了检测结果中的假阳性，引入分水岭算法分割所述可疑钙化点，基于分割结果提取区分真实钙化点和假钙化点的特征。从钙化点可能值图像中选取若干个峰值点作为可疑钙化点的初始位置。如果任意两个峰值点之间的距离小于阈值，则具有更大值的点被选作可疑钙化点。为了提取可疑钙化点的特征，需要对其进行分割。对某一可疑钙化点，首先以该可疑钙化点位置为中心点从钙化点肋骨图像上截取一感兴趣区域.然后用灰度阈值法获得初始分割区域。接着用二值的形态学腐蚀运算去除初始分割区域中一些不属于钙化点的部分，再用同样的膨胀运算还原分割区域的大小。最后采用分水岭算法对分割区域中的钙化点进行精分割。首先在分割区域中提取若干个局部峰值，利用这些峰值位置初始化分水岭算法。分割后，分割区域被分成若干个象素聚类，每个极小值都有一个与其相关的象素聚类。可疑钙化点的分割结果首先由含有感兴趣区域中心点的主象素聚类构成，然后将其它与主象素聚类有相同特性的次象素聚类加入到钙化点分割结果中。

本发明实施例提取了五类特征。

首先计算基于分割结果的形状特征，计算方法如下：

Shape₁＝A_region

Shape₂＝D_major/D_minor                    (5)

${\mathrm{Shape}}_3=1-d_{\mathrm{candidate}-\mathrm{center}}/\sqrt{A_{\mathrm{region}}/\mathrm{\π}}$

其中，形状特征Shape₁为可疑钙化点分割面积，特征Shape₂：是拟合到钙化点分割形状的椭圆长短轴之比，Shape₃：为可疑钙化点位置与分割结果中心距离相关特征。

第二类特征为基于钙化点分割区域以及周围区域的灰度值统计特征，周围区域由二值的形态学膨胀运算后减分割区域获得，

Stat₁＝μ^region-μ^surround

Stat₂＝σ^region-σ^surround                        (6)

Stat₃＝min^region-min^surround

Stat₄＝max^region-max^surround

其中：μ，σ，min，和max分别是象素的均值，方差，最小值和最大值。

第三类特征是将分割后的可疑钙化点灰度值拟合到一个4次多项式，计算最高点的曲率特征.拟合多项式的二阶偏导形成Hessian矩阵，该矩阵的最大和最小特征值λ_max和λ_min为主要曲率：

Surface₁＝λ_min

Surface₂＝λ_max                    (7)

Surface₃＝λ_minλ_max

同计算某一象素点的钙化点可能值相似，第四类的梯度特征为计算可疑钙化点分割区域内的钙化点可能值，计算范围由分割区域代替圆环，第五类特征用来去除由肋骨交叉引起的假阳性，首先用Canny算子检测感兴趣区域中的主要边缘，然后定义这些边缘与可疑钙化点分割结果的重叠特征：

${\mathrm{Overlap}}_1=\frac{L_{\mathrm{overlap}}}{L_{\mathrm{region}}}---\left(8\right)$

其中，L_region是可疑结节区域的边界长度，L_overlap是Canny检测算子形成边界长度。

基于提取的特征引入经典线性分类器获取最终钙化点检测结果。获取可疑钙化点的所有特征值后，引入FDA对可疑钙化点进行分类.FDA的统计分类由下式给出：

d_i＝w^Tx_i                           (9)

其中，w＝(C_TP+C_FP)^-1(μ_TP-μ_FP)    (10)

其中，x_i为一可疑钙化点i的M×1特征向量，w为一维的权向量，C_TP和C_FP分别代表真实钙化点和假钙化点的协方差矩阵，μ_TP和μ_FP是真实钙化点和假钙化点的均值向量。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (4)

1.一种基于胸片的计算机辅助检测乳癌钙化点的方法，其特征在于，包括：

a.通过基于活动形状模型的乳房区分割方法和乳房区背景噪声去除技术对图像进行预处理；

b.选取可疑钙化点；

c.引入分水岭算法分割所述可疑钙化点，基于分割结果提取区分真实钙化点和假钙化点的特征；以及

d.基于提取的特征引入经典线性分类器获取最终钙化点检测结果。

2.根据权利要求1所述的一种基于胸片的计算机辅助检测乳癌钙化点的方法，其特征在于，所述区分真实钙化点和假钙化点的特征包括5类特征。

3.根据权利要求1或2所述的一种基于胸片的计算机辅助检测乳癌钙化点的方法，其特征在于，所述可疑钙化点选取步骤包括：从钙化点可能值图像中选取若干个峰值点作为可疑钙化点的初始位置；如果任意两个峰值点之间的距离小于阈值，则具有更大值的点被选作可疑钙化点。

4.根据权利要求3所述的一种基于胸片的计算机辅助检测乳癌钙化点的方法，其特征在于，所述可疑钙化点分割步骤包括：首先，以某一可疑钙化点位置为中心点从钙化点肋骨图像上截取一感兴趣区域；其次，用灰度阈值法获得初始分割区域；然后，用二值的形态学腐蚀运算去除初始分割区域中一些不属于钙化点的部分；再后，用膨胀运算还原分割区域的大小；最后，采用分水岭算法对分割区域中的钙化点进行精分割。

Images