CN103824290A

CN103824290A - 自动检测医学图像中的病变的方法和系统

Info

Publication number: CN103824290A
Application number: CN201410055240.1A
Authority: CN
Inventors: 丹·里科; 德斯蒙德·瑞安·钟
Original assignee: Medipattern Corp
Current assignee: Medipattern Corp
Priority date: 2008-12-22
Filing date: 2009-12-22
Publication date: 2014-05-28
Also published as: US20130343626A1; EP2378978A4; CN102438529A; EP2378978B1; US20100158332A1; CA2783867A1; CN102438529B; JP2012512672A; EP2712554A1; EP2378978A1; HK1199127A1; WO2010071999A1; CN103854028A

Abstract

本发明提供了一种用于处理医学图像的系统和方法。首先，利用包括皮下脂肪的控制点组织的像素强度标准化输入的医学图像。通过标准化图像生成聚类密度映射图和恶性概率映射图并且进一步分析这些映射图，从而识别普通的内部特征，或者可以表示病变的斑点。对这些斑点进行分析和分类，从而将可能真正的病变与通常在医学图像中看到的其他类型的非恶性肿瘤进行区分。

Description

自动检测医学图像中的病变的方法和系统

技术领域

本发明通常涉及计算机处理医学图像的领域。尤其，本发明涉及辨别医学图像中的组织层、自动检测医学图像中的病变、以及标准化医学图像的像素灰度。

背景技术

在许多国家，将癌症视为死亡的主要原因。人们通常认为，癌症的前期检测和诊断，和因此癌症的早期治疗有助于降低死亡率。已经开发了检测和诊断癌症，例如，乳腺癌、子宫癌、以及前列腺癌的各种成像技术。例如，当前检测和诊断乳腺癌的成像技术包括：在其他技术中的乳房X摄像、MRI(核磁共振成像)、以及超声波扫描。

超声波扫描是基于超声波的成像技术，并且通常用于使身体软组织的成像。通常，将传感器用于扫描病人的身体。通过由传感器所接收到的超声波回声生成身体组织和器官的超声波(US)图像。通常，将形状、轮廊、成像肿瘤的边缘、以及回音强度的特征描述符用于诊断医学超声波图像。超声波扫描已经在良性和恶性肿瘤的分类中示出为有效成像手段。

然而，放射科医生的经验通常在正确诊断超声波图像中发挥重要作用。通过富有经验的专家所达到的灵敏度和消极预测值可能不一定是通过缺少经验的放射科医生可达到的。而且，扫描技术对识别恶性和良性病变的特征的数量和质量具有较大影响。这种较大影响在具有不同级别的经验的放射科医生中还促成对超声波图像的不一致诊断。

另外，通过绝对强度的变化，对超声波图像的一致分析进一步复杂化。主要由于在图像获取期间通过硬件操作者所配置的诸如增益系数的操作相关变量，组织类型的绝对强度在不同超声波图像之间变化较大。增益系数在确定从组织回音强度到灰度像素亮度的映射中发挥重要作用。通过不同操作者所配置的增益系数的设置可能在扫描之间变化较大，因此，使超声波图像的一致分析更困难。

另一操作相关设置，时间增益控制(TGC)设置也与超声波图像的总增益系数密切相关。TGC调节回音强度到强度映射作为组织深度的函数。通常通过像素y坐标来表示组织深度。缺少一致的TGC设置、或者一致补偿不一致的TGC设置，对于一致和统一的图像分析提出了另一难题。

为了克服对操作相关性的影响和改善乳房超声波的诊断性能，已经开发了计算机辅助诊断(CAD)系统。CAD系统的一个功能是通过将基于计算机的图像处理算法应用于图像来自动检测和界定超声波图像中的可疑区域。由于超声波图中的大量镜面噪声和组织结构伪像，这是非常艰巨的任务。可变图像获取条件甚至使一致图像分析更困难。其他难题包括：在超声波图像中的正常解剖结构的类肿瘤外观：库柏氏韧带、腺组织、以及皮下脂肪在正常乳房解剖结构范围内，这些正常乳房解剖结构通常具有许多与真正病变相同的回声和形态特征。

本发明的目的是至少缓和或排除上述难题之一。

发明内容

本发明涉及辨别医学图像中的组织层、自动检测医学图像中的病变、以及标准化医学图像的像素亮度。

本发明提供了用于处理医学图像的系统和方法。首先，利用包括皮下脂肪的控制点组织的像素强度标准化输入医学图像。通过标准化图像生成聚类的密度映射和恶性概率映射，并且进一步进行分析，从而识别普通的内部特征区域、或可能指示病变的斑点。对这些斑点进行分析并且进行分类，从而将可能真正的病变与在医学图像中通常看到的其他类型的非恶性肿瘤的进行区分。

在本发明的一方面，提供了识别超声波医学图像中的可疑病变的方法。该方法包括:计算在医学图像中的皮下脂肪像素的估算的典型脂肪密度值；利用在标准化脂肪强度值和典型脂肪强度值之间的映射关系由医学图像的像素值计算标准化灰度像素值，从而获得标准化图像；识别形成独特区域的标准化图像中的像素，每个独特区域具有一致的内部特征：从独特区域的每个中提取描述特征；分析每个独特区域的所提取的描述特征和将为病变的每个独特区域的似然值分配给每个独特区域；以及识别具有满足预先确定的标准作为病变候选的似然值的所有独特区域。

在本发明的另一方面，提供了一种系统，用于自动识别可能对应于病变的医学图像中的区域。该系统包括：强度单元，将该强度单元配置为通过在医学图像中的像素值计算在医学图像中的控制点组织的估算强度；和标准化单元，将该标准化单元配置为生成在输入像素和标准像素之间的映射关系，并且根据映射关系将灰度像素值变换为标准化像素值，从而获得标准化图像；映射生成单元，映射生成单元将参数值分配给在输入图像中的每个像素，从而生成参数映射；斑点检测单元，将斑点检测单元配置为检测和界定参数映射中的斑点；特征提取单元，将特征提取单元配置为检测和计算检测的斑点的描述特征；以及斑点分析单元，该斑点分析单元通过斑点的描述特征计算该斑点为恶性的估算的似然值，并且将该似然值分配给该斑点。

在另一方面，提供了估算在数字或者数字化医学图像中的组织的灰度级强度。该方法包括以下步骤:将聚类运算应用于医学图像的像素的强度值，从而将强度值分类为独特强度聚类；将独特强度聚类之一识别为与组织相对应的强度聚类；通过强度聚类的像素的灰度级强度估算灰度聚类的典型的灰度级强度值；以及将典型的灰度级强度分配给组织。

在本发明的另一方面，提供了一种处理超声波乳房图像的方法。该方法包括以下步骤：构造乳房的分层模型，模型的每对相邻层限定在每对相邻层之间的边界表面；根据多幅样本超声波乳房图像校准该模型，人工分割多个样本超声波乳房图像中的每个，从而识别样本超声波乳房图像的边界表面，该校准模型包括参数化表面模型，每个参数化表面模型包括：与尺寸参数的离散值相对应的边界表面查询表(LUT)集合；接收超声波乳房图像的尺寸参数的估算值；通过参数化表面模型建立与尺寸参数的估算值相对应的新表面模型，该新表面模型包括：与尺寸参数的估算值相对应的计算边界表面(LUT)的集合；并且通过新表面模型的计算边界表面(LUT)的集合计算边界表面的估算位置，从而识别超声波乳房图像中的主层的像素。

在本发明的又一方面，提供了一种识别超声波乳房图像中的病变的方法。该方法包括：计算分离主层组织的表面的估算位置，该主层组织包括乳腺区中的组织；识别乳腺区中的像素；构建用于乳腺区中的每个像素的像素特征向量(PCV)，该PCV至少包括每个像素的相邻特征，对于乳腺区中的每个像素，通过每个像素的PCV计算恶性概率值；将恶性概率值分配给每个像素，并且如果其分配的恶性概率值大于阈值，则将像素识别为可能病变值；并且报告所有可能病变像素的相邻区域作为可能病变。

在另一方面，本发明提供了上述方面的各种组合和子集。

附图说明

为了描述，而不是限定，参照附图更详细地描述了本发明的前述方面和其他方面，其中:

图1为示出自动分割医学图像并且检测可能病变的程序步骤的流程图；

图2示出了用于处理和诊断医学图像以及用于实施在图1中所示的程序的CAD系统的示意性功能元件；

图3示出了自动分割医学图像并且将分割肿瘤分类为病变候选和非重要区域的另一程序的步骤；

图4包括:图4a,示出了在应用降噪算法以前的输入图像；以及图4b,示出了平滑图像；

图5示出了自动检测医学图像中的皮下脂肪的平均脂肪强度的程序的步骤，该平均脂肪强度用于图1和图3所示的程序中的标准化步骤；

图6示出了乳房超声波图像的典型结构；

图7为示出估算乳房图像中的主要组织层的位置的方法步骤的流程图；

图8示出了在立体图中的乳腺区深度(MZD)值的变化的实例；

图9a示出了在立体图中的模型MZD表面的实例，图9b示出了在图9a中所示的实例模型MZD表面的二维剖面；

图10包括:图10a,示出了在应用标准化运算以前的超声波输入图像；以及图10b,示出了标准化图像；

图11示出了用于在8位图像中的相应控制点组织的像素强度值的灰度级映射；

图12为示出生成恶性映射图的程序步骤的流程图；

图13为示出自动分割医学图像并且将所分割的肿瘤划分为病变候选和非重要区域的备选程序的步骤的流程图。

具体实施方式

作为说明本发明的原理的特定实施例的实例、或多个实例，提供了以下描述和本文所述的实施例。为了说明，提供了这些原理和本发明的实例，但不是为了限定。在以下描述中，在整个说明说和全部附图中，通过相同的各个参考数字来标示相同的部件。

本发明通常涉及处理医学图像的系统和方法。具体地，本发明涉及检测超声波医学图像中的病变候选。

在一实施例中，将图像处理程序的序列应用于输入图像，例如，单幅乳房超声波图像(或者音量数据设置)，从而检测每个病变候选并且对其进行分类，该病变候选可能需要进一步诊断复审。图1为提供程序100的概述的流程图。

作为预备步骤110，首先接收用于处理的输入图像(或音量)。可以从图像存档设备取回输入图像，例如，数字成像和医学存档文件的通信(DICOM)，其中，该图像存档设备存储和提供通过成像系统所获取的图像。还可以直接从诸如超声波探头的图像获取装置接收输入图像。可以和图像数据一起取回获取参数。获取参数包括:硬件参数，例如由于在不同厂商的超声波变换器(transducer)设备之间的变化所导致的该硬件参数，该硬件参数包括深度和变换器频率；和这些操作参数，例如技术专家设备或获取设置，操作参数的实例包括：变换器压力和时间增益补偿。当实时处理通过成像系统所获取的图像时，可以从如在DICOM标准中限定的或者直接通过图像数据传输的数据头中提取这些硬件参数和操作参数。

在该预备步骤110之后，程序100包括降噪，例如，噪声去除或噪声降低步骤120，从而从输入图像中去除或降低噪声。例如，可以通过将保边扩散算法应用于输入图像，来去除或降低噪声。可以将这种算法用于从图像中去除或降低噪声，同时保持和优选地，增强图像中的对象的边缘。

接下来的步骤用于标准化(步骤130)图像强度。如本领域中的技术人员所公知的，通过大多数医学成像手段的硬件设备所产生的像素强度通常经受由图像获取硬件的变化所产生的不一致性。这些像素强度在超声波图像获取期间还经受通过硬件操作者所应用的获取技术(例如，通过操作者所选择的增益系数)的不一致性。期望降低这些不一致性。降低不一致性的一种方法是选择特征良好的、共同的组织类型(例如，一致可见的皮下脂肪组织)作为控制点，并且标准化与该控制点相关的图像强度。理想地，根据通过输入图像所确定的或者动态测量的控制点组织的典型强度标准化这些强度。控制点，或者控制点组织的典型强度建立从输入组织类型至输出强度的映射函数。控制点的一个实例为所计算的皮下脂肪的平均强度值，将该平均强度值映射到输出动态范围的中点。皮下脂肪一向位于非常接近乳房超声波(BUS)图像的顶部的皮肤线以下。对于BUS图像来说，认为皮下脂肪是强度标准化的可靠控制点组织。其他成像元素通常选自，但不限于器官组织，例如，无回音囊肿、皮肤软组织、纤维腺体组织、以及钙化点，可以选择这些图像元素作为控制点。在诸如前列腺或甲状腺的器官中，在不可能一直存在明显的皮下脂肪的情况下，为了标准化，备选组织类型可以是总是可见的。可以将这些备选控制点组织用于说明典型(typical)的解剖结构，通常可以在其他成像器官中找到该典型的解剖结构。

标准化为像素值从其各个初始值到其标准化值的映射，即，根据在初始值和标准化值之间的映射关系将其各个初始值变换为其标准化值。可以根据基于平均脂肪强度的映射关系标准化图像。选择预期皮下脂肪位于的图像区域，然后，例如通过将强度聚类(clustering)算法应用于所选择的区域来计算皮下脂肪的强度值。可以将诸如k均值算法的鲁棒聚类算法用于计算皮下脂肪的强度的估算值。其他鲁棒聚类算法包括：在R.O.Duda于2001年的“图案分类”John Wiley&Sons Inc.，中所述的模糊c平均值或者期望最大聚类技术。聚类算法生成以像素强度分组的大量聚类。识别与皮下脂肪相对应的聚类，从而使得可以通过所识别的聚类中的像素的像素值计算平均脂肪强度，作为典型脂肪强度。可以建立用于标准化输入图像的映射关系，从而使得脂肪组织的灰度级表现为中等灰度。这建立了变换通过聚类算法所计算的典型脂肪强度的映射关系。根据映射关系将表示其他组织或成像对象的像素的强度值从其各个输入值变换为标准值。该步骤的输出为“脂肪强度标准化图像”可以包括其他控制点组织。可以方便地建立从控制点组织的检测强度到其各自标准化强度的映射。可以将具有适当插值的映射关系用于标准化图像，并且生成更一致的标准化图像。标准化图像的图像强度提供了在强度和组织回音强度之间的更一致的映射。

接下来，处理标准化图像，从而检测相邻像素的独特区域，或者“斑点”这些区域或者斑点具有一致的或类似的内部强度特征(步骤140)。可以应用检测斑点的不同方法。通常，首先，一种方法对于所选择的参数生成参数映射，即，在图像的每个像素处的参数值的空间变化。然后，将具有满足某种标准(例如，超过阈值、低于阈值、或者在预先确定的范围内)的参数值并且形成独特区域的相邻像素识别为属于斑点，其中，每个独特区域为所检测到的斑点。选择参数，使得产生的映射，特别是，所检测到的斑点，将辅助检测病变或者其他下层组织结构。一种映射是基于脂肪标准化图像的灰度像素强度值的强度映射。在这种映射中的斑点对应于像素的强度聚类，其中，基于公认的相关回音强度，可以将像素划分为组成乳房的乳房组织的相应分类。如稍后将描述的，可以选择其他参数，从而生成其他参数映射。

方便地，可以将BI-RADS图谱用于将潜在病变的回音强度分类为若干种类之一：

1.无回声：没有内部回声，像黑洞

2.低回声：针对脂肪所限定的，在整个区域中以低水平回声为特征

3.中回声：具有与脂肪相同的回声强度

4.强回声：关于脂肪或者等于纤维腺体组织的增强的回声强度

5.复合波：具有低回声(囊肿)和有回声(固体)成分

可以基于这些灰度像素值，将聚类算法应用到聚类像素的密度映射。例如，所产生的聚类可以描绘密度映射中的区域，这些区域对应于上述各种BI-RADS种类。该程序通常生成相邻像素的大量聚类或区域，即，分离图像区域，其某些强度在潜在病变的范围内。将这些区域或形状中的每个识别为“密度斑点”。

如上所述，除了基于灰度像素强度值的密度映射以外，可以使用其他参数。一种这样的其他参数是为恶性像素的概率值。对于每个像素，计算为恶性的像素的概率值，然后将该概率值分配为该像素。这产生恶性概率映射。稍后将详细描述生成恶性概率映射的方法。可以将具有大于阈值，诸如75%或者某个其他适当值的恶性概率的像素分组为分离区域。将这些分离的区域中的每一个识别为“恶性斑点”。

不是所识别的所有斑点都是真正的病变。某些斑点可能为假阳性病变候选，而不是真正病变。为了减少假阳性病变候选的数量，在步骤150中实施基于特征的斑点分析。稍后将提供基于这种特征的分析的细节。简单地说，估算每个斑点的描述符从而量化每个斑点的特征。这些描述符通常涉及诸如形状、定位、深度、相对于其局部背景的斑点对比度的特征，还涉及全局皮下脂肪强度。

处理的接下来的步骤160使用在步骤150处所估算的描述符，从而识别在对应于专家识别的病变的真正的病变候选和虚假报告的候选之间的细微差异。去除假阳性。区分可能真正的病变和假阳性候选的一种方法是通过分类和回归树(CART)算法提供每个斑点的描述符。首先，根据训练图像的典型集合训练CART算法。为了训练CART算法，从训练图像的每幅图像提取或者通过其计算的斑点特征与其各个描述符和其相应专家分类相关联。在步骤160中，将在步骤150中所估算的描述符提供给所训练的CART算法。结果是斑点为病变的估算概率，将该值分配给斑点。在步骤160中，将具有低于阈值(即，不满足预先确定的标准)的估算概率的斑点处理为假阳性并且去除这些斑点。在步骤170中，仅识别和报告剩余的斑点作为用于进一步审查和研究的病变候选。

图2为示出用于处理和诊断医学图像的CAD系统200的示意图。CAD系统与医学图像的数据源或多个数据源通信。数据源202可以是医学图像获取系统，例如，超声波成像系统，其中，通过该系统从病人实时获取超声波图像。该数据源还可以为:图像存档，例如，DICOM存档，将该图像存档存储在计算机可读存储介质上，或者可以为通过成像系统所获取的介质图像。数据源还可以为由医生已经取回的和存储在医生的计算机系统的本地存储介质上的图像数据。与图像源202接口连接的图像取回单元204接收输入图像数据。本领域的技术人员应该理解，图像取回单元204还可以为通过CAD系统200所提供的图像取回函数，没有必要存储在任何特定模块或多个模块中。获取参数单元206提取存储在医学图像数据中或者和该医学图像数据一起传输的获取参数。获取参数单元206处理DICOM数据，并且从图像数据中的DICOM数据头中提取这些参数。还可以实施处理非标准数据格式并且以任何专用格式所存储的图像数据中提取这些参数。

为了降低噪声等级，可以提供预处理单元，例如，降噪、或者噪声降低单元208。为了这种目的，可以实施任何适当的噪声降低或者去除算法。图像取回单元204将所接收到的图像传送至预处理单元。该预充电单元将所实施的噪声降低或者去除算法应用于所接收到的图像，从而降低了噪声，例如，公知的在大多数US图像中具有的斑点噪声伪像。

该系统200包括:强度测量单元210，或强度单元。强度测量单元从噪声降低单元208接收诸如噪声降低图像的图像，并且测量所选择的控制点组织的典型强度，例如，脂肪或皮肤的平均强度或中值强度。可以实施不同方法，从而测量组织强度。例如，用户可以识别图像中的区域作为属于控制点组织，然后强度测量单元估算在用户识别区域中的每个像素的强度值，通过该强度值计算控制点组织的平均强度。还可以利用更复杂的方法，例如，通过聚类提取强度值。稍后将描述使用k平均聚类计算平均强度值的实例。

系统200还包括强度标准化单元212,或者标准化单元。强度标准化单元212基于控制点组织的典型强度标准化图像的像素强度值，从而使得在标准化以后，从不同硬件单元或者通过不同操作者所获取的图像可以具有相同类型组织的更一致的强度范围。通常把强度标准化单元212看作输入通过噪声降低单元208预处理的噪声降低图像，但是还可以标准化直接从图像取回单元204所转发的图像。强度标准化单元212使用来自强度计算单元210的输出，即，控制点组织的典型强度值从而标准化图像。如果仅将脂肪强度分解为标准化程序，则强度标准化单元的输出为脂肪标准化图像。通常，通过强度标准化单元212考虑控制点组织的集合的强度并且该结果为一般强度标准化图像。稍后将详细描述基于控制点组织的集合标准化图像所利用的方法。

系统200还包括:映射生成模块214，该模块包括一个或多个不同映射生成单元，例如，强度映射生成单元216和恶性映射生成单元218。这些映射生成单元将参数值(例如，密度值或恶性概率值)分配给每个像素。结果是密度映射或恶性概率映射。密度映射单元216通过将标准化灰度像素值(即，相应密度值)分配给每个像素，来生成密度映射。恶性映射生成单元218通常将降噪的、强度标准化的、为恶性的像素的概率值(即，属于组织的恶性区域)分配给图像中的每个像素，因此生成恶性概率映射。另外，可具有乳房解剖映射(BAM)单元218'。BAM单元218'接收输入医学图像，例如，标准化图像或降噪图像，并且通过可能的组织类型对图像的每个像素进行分类。可以通过恶性映射生成单元218进一步处理具有其分类像素的图像。可以将为恶性的像素的概率值分配给每个像素，这也可能导致恶性映射。稍后将详细描述可以在这些映射生成单元中的实施的程序。

将这些映射聚集为斑点。提供了斑点检测单元220，从而聚集映射中的像素并且检测围绕每个斑点(“斑点R0I”)的感兴趣区域(ROI)。如以前所述的，可以通过聚集，或者通过对具有满足预选标准的参数的像素分类来检测斑点。通过跟踪斑点的边界，或者确定边界，斑点检测单元220还界定已经检测到的斑点。为了从检测到的斑点提取特征或特性，提供了特征提取单元222。可以限定或分类特性的不同种类，或描述符。例如，相对于成像区域中的解剖结构可具有与斑点形状、灰度级变化、或者斑点的空间位置相关的特性。特征提取单元222根据特征的每个限定种类实施提取，即，检测和/或计算特征或描述符。当然，随着限定更多的特征种类，可以扩展特征提取单元222的功能，从而处理所扩展范围的特征。

进一步分析所检测到的斑点。例如，如稍后将更详细地描述的，可以计算和分析斑点的形态特征，例如，形状、紧致、伸长等。在分析以前，斑点可以经受形态修改，例如，填充在斑点ROI中的任何“孔”或者，使用形态滤波平滑ROI的边界轮廊。通过斑点分析单元224分析这些斑点，考虑所提取的特征和分配给可应用的每个特性的数值。结合该分析结果，计算估算似然值，其中，该斑点可能为恶性的，即，真正病变。一旦计算或者确定估算的似然值，斑点分析单元块224还将该估算的似然值分配给斑点。为了放射科医生的进一步研究，或者经受进一步自动诊断评估，可以报告具有大于预先确定的阈值的似然值的所有斑点。通过病变报告单元226来实施识别要报告的病变候选(或者可疑斑点)并报告这些病变候选。

作为进一步的改进，系统200还可以包括近似乳房解剖映射(CBAM)建模单元228。简单地说，如稍后进一步描述的，CBAM模型为乳房的分层模型，该模型将乳房图像划分为多个主层，从而与乳房的一般解剖结构匹配。CBAM建模提供估算主层位置(例如，皮下脂肪或乳腺区)的自动化方法。例如，可以通过用于估算脂肪强度的强度检测单元210，或者通过BAM单元218'使用边界表面的估算位置，从而仅对乳腺区中的像素进行分类。稍后将描述可以在CBAM建模单元228中实施的程序的具体细节。

参照图3，示出了自动分割医学图像(例如，超声波图像)的程序，并且将在医学图像中所检测到的分割肿瘤分类为病变候选和假阳性。在其他可能性中，可以使用图2所示的CAD系统或者作为嵌入图像获取硬件中的CAD和图像获取系统的一部分，实施该方法。

第一步是接收输入图像数据，该输入图像数据包括:医学图像数据及其相关图像获取参数(步骤302)。例如，可以通过图像取回单元204和获取单元206来实施该步骤。接下来，预处理输入医学图像，从而降低噪声(步骤304)。为了降低超声波输入图像中的典型的高级别噪声，该步骤通常包括：噪声降低和去除。降噪技术不仅降低了噪声，而且在没有使图像边界的位置变模糊或者改变该图像边界的位置的条件下，降低噪声。例如，可以通过从超声波图像去除噪声的保边扩散算法来增强输入图像，同时保持和提高图像边界，确保输入图像保持良好定位。因此，这种降噪步骤可以实现同时去除噪声、图像平滑、以及边界增强的目的。噪声降低单元208(参加图2)可以实施任何适当降噪，即，用于实施降噪步骤的噪声降低和去除算法。优选地，通过增强在图像中所捕捉的特征的边界的示图选择噪声降低或去除算法，而没有使图像边界的位置模糊或者改变该图像边界图像的位置。此外，将边界增强或者噪声去除程序配置为图像获取参数的函数，从而考虑由于操作设置，或硬件滤波所导致的图像特征的内在差异。

虽然可以使用多个不同适当保边图像过滤算法，但是下文描述了非线性扩散方法的使用，其中，应该理解，该算法不仅是适当方法或者方法应用。非线性扩散方法为众所周知的图像处理增强技术，通常将该技术用于去除输入图像中的不相关或者假细节，同时保持感兴趣对象的边界。非线性扩散平滑为选择滤波，该滤波促进优先于内部区域平滑的区域内平滑，保持边界的清晰度。该方法由反复迭代求解非线性偏微分方法组成:

\frac{&PartialD; I}{&PartialD; t} = &dtri; \cdot [C &dtri; I] - - - (1)

其中,I表示输入图像，t表示时间，以及C为取决于梯度模(gradient norm)‖▽I‖的传导函数。传导函数C的简单实例具有以下形式:

C (| | &dtri; I | |) = e^{- \frac{{| | &dtri; I | |}^{2}}{k^{2}}}

其中，k起对比度参数的作用，即，将具有大于k的梯度值的结构视为边界，其中，扩散能力接近0，同时将具有小于k的梯度值的结构视为属于内部区域。在1998年的ECMI丛书，VERlag,Weickert，J.编写的“图像处理的各向异性扩散”(Weickert，J.，“AnisotropicDiffusion in Image Processing”，ECMI Series，Verlag，1998)中描述了该算法。图4示出了保边扩散的应用的实例，其中，图4a示出了在应用降噪算法以前的输入图像并且图4b示出了平滑图像。

为了简化病变候选检测，标准化输入图像I，从而确保在图像像素强度和组织回音强度之间的一致映射，减轻图像之间的增益系数设置的变化。将标准化步骤306应用于降噪图像。标准化像素值具有用于在图像中所指示的组织的像素值的更一致的范围。优选地，通过在标准化图像中的中等灰度强度来指示皮下脂肪的回音强度。对于典型的8位超声波图像来说，在0和255之间的灰度级范围内，中点强度值对应于127的强度。为了应用强度标准化，首先，在步骤308中检测脂肪的强度。标准化步骤306的结果为脂肪标准化图像。在更一般的方法中，除了皮下脂肪以外，例如通过强度测量单元210测量或检测多个控制点组织的强度(步骤310)。可以通过映射查询表(LUT)来表示映射关系。通过控制点组织的典型强度及其各个分配值来计算映射LUT(步骤312)。接下来，根据映射LUT标准化图像。在下文中，首先描述了基于脂肪的标准化。

图5示出了确定皮下脂肪的强度、然后使用其平均强度作为脂肪强度的典型值、从而标准化原始输入图像的自动化程序500。超声波图像获取协议通常促进声谱仪将时间增益补偿设置配置为确保回声强度到强度的统一映射，从而便于解释。这允许假设映射的空间可变性最小，但是应该理解，可以考虑任何检测到的空间可变性进行本文所述的方法的进一步改进。

该方法从接收原始输入图像(例如，超声波输入图像)开始(步骤502)。接下来，选择或识别输入图像中的ROI(步骤504)，该输入图像主要由皮下脂肪像素构成。根据经验，皮下脂肪区域的前表面的典型深度接近1.5mm并且皮下脂肪区域的后表面典型深度接近6mm。不管皮下脂肪区域的精确位置如何改变，在1.5mm和6mm的深度之间的图像区域的很大部分趋于由脂肪构成。

可以通过剪切在目标深度之间的降噪图像来选择脂肪区域。因此，获取ROI以表示在原始输入图像中的脂肪区域。在某些区域中，例如，在乳头区域周围，皮下脂肪区域与位于图像的顶部处的更多典型位置相比更靠后。可以通过检测在图像区域中具有的乳头、乳头垫、或者其特征来进一步细化脂肪区域的选择，并且必要的情况下，将估算的皮下脂肪带位置的轮廊移动或改变至适应这些情况。还可以采用其他方法，例如，在乳房超声波图像中的组织类型的建模深度，从而界定皮下脂肪区域的边界。简言之，将详细描述一种这样的建模方法，所谓的CBAM方法。

接下来，在步骤506中，将鲁棒强度聚类算法，例如，k均值聚类算法应用于在皮下脂肪区域中的强度。尽管这里描述了k均值算法的使用，但是如所记述的，可以代替k均值算法，使用其他鲁棒聚类算法，例如，模糊c-均值或者期望最大聚类技术。将k均值聚类算法(其中k=3)配置为将脂肪区域，例如，皮下脂肪图像带划分为像素强度的三种聚类：通过最低像素强度聚类所识别该图像带的无声和低回声区域；通过中等强度聚类来识别图像带的中回声区域，并且最后，通过高强度聚类来识别强回声区域。

在步骤508中，计算或提取中等强度聚类的强度。在步骤510中，通过所提取的强度计算在该实例中的典型强度，或者平均脂肪强度。该聚类运算的结果为在图像带中的脂肪的强度的鲁棒估算。因为期望脂肪组织具有相同的强度，所以脂肪组织位于皮下一带还是位于其他位置，在整个图像中，可以将该估算用作脂肪的典型强度。最后，步骤512中，使用估算的脂肪强度标准化在步骤502中所接收到的原始输入图像。在该文档中，将进一步详细描述标准化程序。

如上文所指出的，还可以通过对在乳房超声波图像中的各种组织类型的深度进行建模来识别皮下脂肪区域。图6示出了乳房超声波图像的典型结果，该图像包括四个主层。皮肤层602表现为在图像顶部附近的明亮水平区域，接下来是皮下脂肪604的一致区域(通常具有水平图像带的形状)，其中，通过后乳腺筋膜(fascia)608将该皮下脂肪与腺体区域或乳腺区606分离。后乳腺区610(即，胸壁区域)通常为胸肌和肋骨，位于图像的底部，示出为黑色区域并且再次通过筋膜608与乳腺区606分离。

皮肤线612，即，皮肤层602的外表面提供了用于测量各种主层深度的鲁棒参考表面。可以通过自皮肤线612至在主层和其相邻主层之间的边界表面的距离便利地测量每个主层的开始和结束的深度。例如，分离皮肤层602和皮下脂肪604的第一边界表面614的深度提供了皮肤602的厚度测量。类似地，可以通过测量在皮下脂肪604和乳腺区606之间的第二边界表面616的深度，并且计算第一边界表面614和第二边界表面616的深度偏差来获得皮下脂肪604的厚度。当还已知在乳腺区606和后乳腺区610之间的第三边界表面618的深度时，可以通过第二边界表面616和第三边界表面618的深度偏差来计算乳腺区606的厚度。

如公知的，主层厚度越过乳房并且随着乳房的尺寸变化。优选地，可以建立近似乳房解剖映射(CBAM)模型，从而对乳房中的主层的近似位置进行建模，即，估算其近似位置(图6)。主层得位置可以由分离相邻层得边界表面表示。CBAM模型使用边界表面查询表(LUT)的集合表示边界表面的位置。为了考虑乳房的尺寸变化，选择反映乳房尺寸的参数，从而参数化边界表面LUT的不同集合，因此，确定参数化CBAM模型。一种这样的尺寸参数可以为从皮肤表面所测量的边界表面的最大深度。

下文中，将最大乳腺区深度MZD_max用作尺寸参数，从而示出乳房组织的参数化、分层模型的建立、校准、以及应用。乳腺区深度MZD测量自皮肤的乳腺区深度(即，在皮肤线612和第三边界表面618之间的距离)，该第三边界表面将乳腺区606与后乳腺区610分离。通常，MZD_max出现在乳房的中心区域，该区域通常与乳头的位置一致，该区域为独特的解剖特征。应该理解，为了建模，可以选择反映图形化乳房的尺寸的任何其他适当的尺寸参数。

图7示出了建立在乳房中的组织主层的参数化模型，并且估算主组织层的位置，即，在BUS图像中的皮肤、皮下脂肪、乳腺组织、以及后乳腺组织层的深度的程序700的流程图。应该注意，可将该程序等效应用于二维(2D)和三维(3D)乳房超声波图像。

程序700共包括三个阶段。第一阶段是构建主层的参数化模型。通过大量输入图像构建参数化模型，并且在所选尺寸参数的范围内生成该参数化模型。其次，在接收到新BUS数据集时，通过获取的参数估算或确定模型的尺寸参数值MZD_max。将用于新BUS数据集的尺寸参数的估算值传送给参数化模型，从而动态生成用于新BUS图像的新CBAM模型。第三，通过新CBAM模型计算主层的边界表面的位置。这些阶段的每个中，现在，下文中详细描述了在每个阶段中的步骤，和其某些变化。

第一阶段例如通过将乳房划分为四个主层生成身体乳房解剖结构的图像，然后，通过根据大量样本BUS图像训练，即，校准参数化模型计算四个主层的估算位置来构建模型。人工分割样本BUS图像中的每幅，即，具有通过专家标示的在主层之间的边界表面。为了跨越乳房的整个厚度范围(例如，在2cm和5cm之间)，还校准适用于大量尺寸参数值，即，最大区域深度值的模型。

参照图7，在第一步骤710中，取回大量样本BUS图像数据，人工分割每幅样本图像。连同每幅样本图像一起，接收位于乳房时钟映射图上的乳房的扫描获取参数，例如，像素尺寸、变换角、最大乳腺区深度值MZD_max、以及变换位置。接下来，在步骤720中，对于每幅分割的图像使用扫描获取参数计算每个边界表面的位置。例如，将像素尺寸参数用于在深度值和像素值之间进行变换。类似地，每当变换方向与皮肤表面不垂直时，可以使用变换扫描角，从而基于三角形几何重新计算深度值。接下来，在步骤730中，对于每个边界表面，生成大量表面查询表面(LUT)，每个LUT对应于MZD_max值，或者训练BUS图像的MZD_max值的接收器(bin)。表面LUT允许计算边界表面的位置。每个表面LUT(和相应边界表面)为参照参照乳头所测量的乳房的位置函数。乳头通常存在MZD的最大值，MZDmax的位置。

图8和图9是MZD表面的，即，第三边界表面618的某些实例，该边界表面为在乳腺区606和后乳腺筋膜608之间的边界表面。图8示出了MZD值关于乳房时钟映射802的位置的的变化的实例，该值从乳头804开始，通常在乳头处存在乳腺区组织的最厚层。该实例示出了与乳头位置一致的具有3cm的MZD_max值的中心区域804。因此，将乳头位置处的MZD值标示为100%的MZD_max参数。位于距离乳头位置804的更大距离处的更大距离单元810具有更小MZD值。实例示出了通常对称的MZD表面。例如，在与中心区域804的约相等距离处的单元806、808具有约相等的MZD值，但是实际上，表面的几何形状通常是不对称的。

在图9a中示出了MZD表面910的3D示图，而图9b示出了2D轮廊920。这两幅图示出了在距离MZD_max点，或乳头位置930的更大距离处降低MZD值的一般趋势，和关于MZD_max点的一般对称性能。如所述的，对于MZD表面制作表面LUT。类似地，与如图8和图9所示的一样地，计算其他主层边界，例如，在皮肤602和皮下脂肪604之间，然后在皮下脂肪604和乳腺区606之间的边界表面，并且对于这些边界表面表面可以生成类似LUT。

存储用于离散MZD_max的这些3D(或2D)LUT。随后，当对于新乳房US扫描，即，对于新MZD_max值，计算LUT的新集合时，开发这些LUT。然后，将像素尺寸参数用于定标像素值的MZD值，同时只要变换与皮肤表面不垂直，就可以将变换扫描角用于基于三角形几何重新计算MZD值。

接下来的阶段是生成用于新乳房US图像的，即，在步骤302中所接收到的医学图像的新的近似乳房解剖映射(CBAM)模型。参照图7，在步骤740中取回图像数据和相关扫描获取参数，或者如果已经在步骤302中接收到该图像数据和相关扫描获取参数，则将这些数据和参数简单发送至用于处理的CBAM模型228。如所述的，所接收到的图像与估算的MZD_max值相关联。在步骤750中，计算用于接收到的医学图像的MZD_max值的表面LUT的集合。方便地，如果新BUS图像的估算的MZD_max值与用于生成和校准参数化分成模型的离散MZD_max值之一匹配，则在随后的步骤中，简单取回相应表面LUT并且可以直接使用该LUT。否则,必须通过参数化分层模型计算与图像的MZD_max值相对应的表面LUT值的新集合。一种方法是简单选择表面LUT的两个集合，该集合的MZD_max值包括或者最接近图像的MZD_max值，然后，通过在这两个模型之间的插值或简单加权算术平均值利用表面LUT的这两个集合来计算表面LUT的新集合。如果在该模型中的两个表面不包括特定MZD_max，则可以通过具有最相似的MZD_max值的模型外插表面LUT的新集合。当然，还可以使用更加细化的方法，使用两个以上的LUT,从而计算表面LUT的新集合。所计算的表面LUT的新集合构建新CBAM模型。

一旦计算LUT的新集合，最后阶段是为了使用计算的LUT的新集合计算估算的边界表面，即，组织主层的位置(步骤760)。在必要的情况下，可以将扫描获取参数用于校正，即，补偿通过不同扫描参数所引入的变化。

当该程序利用CBAM模型时，本文所引入的方法作为CBAM方法700。虽然CBAM方法可以具有一般应用，例如，估算在任何BUS图像中的主层的位置，但是一种应用是为了识别皮下脂肪区域604。将第一边界表面614和第二边界表面616(参加图6)之间的像素视为主要由脂肪组织构成。如以前所述的，通过在其中应用k聚类技术，或者通过简单求均值，可以从这些像素的强度中提取平均脂肪强度。

应该理解，CBAM方法具有某些一般应用。例如，灰度级强度趋于从主层至主层显著变化。对于直观化的图像化乳房来说，可以独立宣染从CBAM所识别的每层，从而降低通过很大不同强度所导致的困难。备选的，当宣染可视图像时，仅宣染图像化乳房的一部分。例如，宣染主层可能不包括皮肤层或后乳腺层，或者这两者。另外，如下文中将描述的，进一步处理和识别病变可以通过将滤波器的应用限定至特定主层或者多层来利用不同主层的位置知识，在该主层或多层处，更可能产生某类型的组织或病变，并且将滤波器设计为检测这些类型的组织或病变。

可以再次参照图3，其中，在步骤306中，将典型脂肪强度用于标准化输入图像，识别与皮下脂肪相对应的图像区域(例如，使用CBAM方法)，并且估算典型脂肪强度。标准化步骤将输入图像的输入范围[MinGreyLevel,MaxGreyLevel]映射到动态范围，该动态范围包括0至

其中，NrBits为输出图像的每个像素的位数。将皮下脂肪的估算强度映射到通常在中等强度附近的点，例如，输出动态范围的中等强度(2^NrBits-1)/2,例如，对于NrBits=8为127。应该理解，标准化不仅限于NrBits=8,其仅为实例。

在图10中，在强度标准化和图像平滑以前(图10a)和以后(图10b),示出了超声波图像的实例，示出在图像的顶部边缘区域中的皮下脂肪区域(1002a和1002b)映射到中等灰度。在标准化图像中更容易识别低回声和无声区域。当病变非常频繁地落在这两种回声强度种类之一中时，该标准化程序便于其检查和描绘。

在标准化图像的强度以后，接下来的阶段针对病变候选斑点检测。参照图3，为了使自动病变候选检测适用于各种类型的组织回声强度，首先，生成参数映射。下文中假设在步骤314中生成密度映射，即，使用标准化灰度像素值生成密度映射。稍后将描述其他类型的参数映射的生成和处理。可以将标准化的灰度像素值聚集为用于乳房组织的大量回声强度范围，该回声强度范围模仿乳房的组织成分。跟踪属于无声、低回声、或者中回声种类的任何一个的区域并且将这些区域独立存储为潜在病变候选，如下文中将描述的，这些潜在病变候选可以进行进一步分析从而辅助分类。

为了通过密度映射检测斑点(步骤318)，首先，聚集密度映射从而生成聚类密度映射。通过密度映射计算聚类密度映射可能由鲁棒聚类组成，或者将分类方法应用于标准化图像的强度，从而检测图像中的无声、低回声、和中回声区域。在该步骤以后，首先，基于像素强度，将输入图像中的像素分组为五种区域。通常，第一聚类包括图像的无声黑区域。第二聚类捕捉在BUS中的低回声区域。第三聚类包括中回声脂肪区域。第四聚类包含稍微强回声的腺体区域，并且最后，强回声的第五聚类包括皮肤、库柏氏韧带、斑点噪声、以及微钙化。为了聚集像素，将具有值k=5的k均值聚类算法应用于标准化图像。这将标准化输入图像的动态范围分割为五个强度聚类，这5个强度聚类与上文所列出的五个种类相对应。在聚类中的每个相邻区域趋于具有一致的或类似的内部强度特征，并且因此，为“密度斑点”可以作为潜在病变独立分析这些相邻的、独特区域中的每个。然后，检测斑点仅需要生成聚类、相邻区域，即，密度斑点的外部轮廊。

为了将可能真正的病变与在医学图像中所看到的其他类型肿瘤进行区分，提取和分析与斑点相关的不同特征或特性，从而对斑点进行分类(步骤320)。通常，因为特征或特性表示斑点可能是什么，所以将这些特征或特性称作描述符。下文描述了基于特征的斑点分析的一种方法。首先，通过选择有关描述符的集合开始分析。接下来，对这些描述符进行分析从而评定其关联度，即，与斑点可能为恶性的估算概率的关联度。例如，可以采用CART树评定这些描述符并且生成斑点可能为恶性的估算概率。然后，计算表示斑点为恶性的可能性的值，并且将该值分配给该斑点。将具有高估算概率的斑点标示为可能病例。下文中，详细描述了这些步骤中的每个步骤。

如以上所述的，将这些特性、或描述符输入CART运算。首先，通过分析这些斑点描述符和用于训练图像的典型集合的其相应专家分类来开发CART算法。然后，将CART算法应用于从输入图像中所识别的每个斑点的描述符的集合。利用CART树运算的输出，从而获得斑点为病变的似然值，或者估算概率。基于分配给所分析的斑点的似然值去除假阳性(步骤322)。

为了为CART运算做准备，首先，限定大量斑点特性，从而辨别实性结节和非可疑候选。可以将描述符的特征分为了三个主要种类:形状、灰度级变化、以及空间位置。可以将描述符的每个种类进一步划分为子类。例如，可以将形状描述符划分为两个子类:通过分割的候选斑点所生成的特征，和作为使捕圆拟合斑点轮廊的结果所生成的特征。紧致值(Compactnessindicator)和伸长值(elongation value)属于第一子类。可以如下计算紧致值:

Compactness = 4 π \frac{BlobArea}{{BlobPerimeter}^{2}}

其中，圆具有1的紧致性，而正方形具有

的紧致值。在以上表达式中，BlobArea为斑点的面积，并且Blobperimeter为斑点的轮廊线的总长度。

使用长度与高度比定义伸长量，并且可以如下计算:

Elongation = \frac{WidthBolbBoundingBox}{HeightBlobBoundingBox}

在以上表达式中，WidthBlobBoundingBox为紧紧限定斑点的距离盒的宽度并且HeightBlobBoundingBox为限定矩形盒的高度。伸长值总是大于零。值1描述了大致为矩形或者圆形的对象。因为伸长量趋于无穷大，所以对象水平伸长更多，而当其伸长值接近零时，对象垂直伸长更多。

类似地，还可以将特征(作为使椭圆拟合斑点轮廊的结果生成该特性)进一步划分为两个子集:偏心率(Eccentricity)和主轴的定向(orientation of major axis)。将偏心率定义为:

Eccentrictiy = \frac{ShortEllipseAxisLength}{LongEllipseAxisLength}

在以上表达式中,ShortEllipseAxisLength为拟合椭圆的短轴的长度，并且LongEllipseAxisLength为拟合椭圆的长轴的长度。偏心率值严格大于零，并且小于或等于1。

通过以下表达式计算主轴的定向:

MajorAxisOrientation = \frac{a \tan (\frac{2 μ_{11}}{μ_{20} - μ_{02}})}{2}

其中，μ₁₁、μ₂₀、μ₀₂为二阶力矩，该二阶力矩测量分散在对象中的像素距离质心多少。更一般来说，将中心力矩μ_mn定义如下：

μ_{mn} = Σ_{x = 0}^{columns} Σ_{y = 0}^{rows} {(x - x_{mean})}^{m} {(y - y_{mean})}^{n}; form + n > 1

其中，(x_mean，y_mean)为质心坐标。

还可以将灰度级变化描述符划分为两种类型：描述在病变中的灰度级变化的种类和针对病变的局部和全局背景描述病变灰度级对比度的种类。可以将描述在病变中的像素的灰度级变化的特征进一步划分和分组为以下四个子种类:

a.方差(Variance),其为二阶中心力矩(moment):

Variance = \frac{1}{N - 1} Σ_{i = 1}^{N} {(x_{i} - μ)}^{2}

其中，斑点包括N个像素，并且通过X_i表示斑点内的i^th像素的灰度级，而μ为在斑点内部的所有像素的平均灰度级。

b.偏斜度(Skewness),其为三阶力矩并且描述随机变量中的不对称:

Skewness = \frac{1}{N - 1} \frac{Σ_{i = 1}^{N} {(x_{i} - μ)}^{3}}{σ^{3}}

其中，σ为标准偏差，或者方差的平方根。偏斜度的负值表示向左倾斜的数据并且偏斜度的正值表示向右倾斜的数据。

c.峰度(Kurtosis)，其为四阶力矩：

Kurtosis = \frac{1}{N} \frac{Σ_{i = 1}^{N} {(x_{i} - μ)}^{4}}{σ^{4}}

正峰度表示“峰值”分布，并且负峰度表示“平坦”分布。

d.在分割病变中包含的所有像素中的梯度模(gradient norm)L₂

GradientNorm = \sqrt{Σ_{i = 1}^{N} &dtri; {x_{i}}^{2}}

特征描述了针对其背景和皮下脂肪区域在病变内部的像素的灰度级的变化，可以将该特征分组为一些两种子种类:

a.关于给定背景的病变的可见性(Visibility)。将背景定义为一种区域，该区域从斑点的限定轮廊的外表边缘开始，并且超过轮廊延伸多个像素。描绘围绕斑点区域的这种背景区域的一种方法为将形态膨胀滤波器应用于二进制图像，该二进制图像表示斑点区域，然后，膨胀区域减去原始斑点区域，从而留下直接围绕斑点区域的管状背景区域。可以通过填充限定斑点区域的矩形区域，并且考虑在填充矩形中的所有像素来获得平滑的更简单的背景区域，但是在斑点区域的外部，表示背景区域。可以通过以下表达式计算可见度:

Visibility = \frac{MeanLesion - MeanBackground}{MeanLesion + MeanBackground}

在该表达式中，MeanLesion为在病变内部的像素的平均灰度值并且MeanBackground为背景区域的像素的平均灰度值。

b.在病变内部的像素的平均灰度像素值和皮下区域的脂肪值的标准化值:

MeanLesion 2 Subcu \tan eousFar = \frac{MeanLesion - Subcu \tan eousFat}{Subcu \tan eousFat}

在分析通过以上所述的图像计算的或者从其提取的特性和具有去除假阳性的特征以后，在最后步骤(步骤324)中，为了放射科医生进行进一步研究，例如，通过在显示装置上显示具有大于阈值的似然值的所有斑点来报告这些斑点，或者为了进一步进行自动分析，将这些斑点传送至其他CAD模块。可以在排序以后报告这些斑点，从而使得可以以下降可能性的顺序表示这些斑点。这完成了自动病变检测的程序。

可以将变化引入上述程序，从而改进自动检测病变候选的性能。例如，以上描述通常涉及脂肪标准化图像的处理。通常，标准化输入图像可以包括若干控制点组织，而不是仅包括皮下脂肪。除了脂肪强度以外，这需要建立在输入图像强度范围内的大量基准强度值（“控制点值”）。每个控制点包括两个值：如通过输入或降噪图像所测量的控制点组织的典型强度和控制点组织的期望或分配强度。将在步骤308(作为程序500更详细地描述的步骤)中所确定的脂肪的强度和其他控制点的强度用于制备图像标准化查询表。

在一实施例中，为了计算用于标准化LUT的控制点值，在步骤310中(参见图3)将鲁棒聚类运算(例如，k均值聚类)应用于整个图像，而不是仅应用于皮下脂肪区域。将在第一聚类运算中所获得的脂肪和强回声强度值用于配置脂肪和皮肤的后续聚类中心，同时对整个图像进行分类。该第二聚类运算结果是估算若干其他独特聚类中心，从而捕捉表示无声、低回声、以及强回声的回声强度的强度。这些宽种类(例如，强回声)通常包括回声强度的若干子类，显然，还可能需要通过聚类检测这些子类。实例包括皮肤和纤维腺体组织的类似的但统计独特的回声强度。为了降低斑点噪声等级，可以使用平滑图像。备选地，在应用聚类算法以后，可以将中值滤波器应用于取回图像。

在估算或者计算所有控制点的强度以后，需要建立预处理图像的像素强度和估算的图像之间的一致映射。可以以多种方式建立映射关系(步骤312)。例如，可以将控制点映射到预先确定的值或者分配值，其中，内插相邻控制点之间的像素值。还可以内插具有在最小或最大像素值和其相邻控制点之间的强度的像素值。例如，可以使用任何公知的曲线拟合方法，例如，样条拟合，将平滑区域与这些控制点拟合，从而内插在这些控制点之间的值，这些控制点包括最小像素值和最大像素值。

图11示出了测量的控制点组织到各自分配的灰度像素强度值的映射。在该实施例中，首先，找到连接这些控制点1104(其中一点为脂肪1106)的平滑曲线1102。例如，把样条插值作为输入多个控制点并且拟合连接控制点的平滑线。接下来，使用通过曲线1102指示的拟合函数生成，即，计算基于平滑曲线1102的查询表，从而便于从输入图像的初始像素值1108到标准化图像的输出像素值1110的快速映射。

在映射LUT或者非标准化LUT中的每个控制点位置为输入图像的基准强度和预先确定的或分配的每个基准组织的输出强度的函数，其中，该函数接近遵循预先建立的相对回声强度关系。一种这样的相对回声强度关系是由A.T.Stavros,“Breast Ultrasound”，LippincottWilliams and Wilkins,2004提出的。为了示出方法的目的，下文描述了分配控制点集合:

1.将最小输入灰度像素值映射到0。

2.将无声区域的强度映射到输出强度P_Cyst ^*(2^NrBits-1)，其中，P_Cyst为最大输出强度的预定义百分比(通常5%)。

3.将皮下脂肪的估算强度映射到输出动态范围的中等强度，(2^NrBits-1)/2,例如，对于NrBits=8为127。

4.将皮肤的强度识别为位于在输入图像中的强回声像素强度的底部范围，并且将该皮肤强度映射到新强度P_skin ^*(2^NrBits-1)，其中，P_skin为高预定义的百分比，例如90%。

5.在输入图像中的强回声像素强度的中间范围内，识别纤维腺体组织的回声强度的强度，并且将该纤维腺体组织的回声强度的强度分配给输出强度P_{Fibroglandular} ^*(2^NrBits-1)，其中，P_{Fibroglandular}为大于P_skin的预定义的百分比，例如95%。

6.将钙化点的强度估算为在输入图像的非常高的强度聚类中的平均灰度像素值。将这些输入强度映射到P_Calcium ^*(2^NrBits-1)，其中，P_Calcium为甚至大于P_{Fibroglandular}的预定义百分比，例如98%。

7.最后，将最大输入灰度像素值映射到(2^NrBits-1)，例如，对于NrBits=8，为255。

术语NrBits表示用于表示输入像素强度值的位数，并且在实例中典型值为8，从而使得输入像素强度的动态范围为从0至255。为了这些目的，还可以使用更大数据类型(其中，NrBits的值可能为16、32、或者64)或者支持非整数强度值的浮点类型。

图11示出了将像素强度值分配给如上所述的各个控制点组织的灰度级。尽管这里实例描述了七个控制点的集合，但是应该理解，可以选择和定义控件点的其他适当集合。控制点的选择通常取决于成像手段(imaging modality)(例如，MRI图像可能需要控制点的不同集合)和成像的解剖区域(例如，可以使用控制点的不同集合更好地标准化肺、前列腺、或者卵巢的图像)。

在步骤306中，可以利用标准化LUT标准化降噪图像。结果是一般强度的标准化图像。处理强度标准化图像的深入步骤基本上与稍前结合处理脂肪标准图像的所述步骤相同，即，步骤314和318至324。这里，没有重复这些深入步骤的描述。

另一变化涉及可以用于补偿硬件和操作参数的变化的恶性映射的使用。如稍前所述的，在成像处理中所包括的各种获取参数可能影响图像数据的一致性。可以将这些参数划分为两组。第一类包括:由于在不同厂商的超声波变换装置之间的变化的参数，并且包括深度和变换频率。第二类包括涉及诸如变换压力和TGC的技术人员手动设置的系数。

在步骤316中生成恶性概率映射。该步骤可以替换密度映射的生成，或者除了密度映射以外的步骤(步骤314)。恶性概率映射将恶性的像素的概率值分配给输入图像中的每个像素。概率值在良性0.0和恶性1.0之间变动(span)。

如已知的，概率可以具有在0和1之间的任何值。另一方面，专家标记以二进制方式指示病变区域:在病变区域中的像素具有值1，而将图像背景的恶性值设置为0。将逻辑回归用于生成模型，该模型涉及二进制变量0和1。根据包括通过放射科医生所标记的病变的大量图像训练来该模型。结合图像像素值和硬件和操作参数生成逻辑模型，例如，如下:

1.标准化灰度像素值

2.聚类密度映射值

3.mm级的像素尺寸指示检查自皮肤表面的区域深度

4.变换频率

5.TGC值

因此，考虑标准化灰度像素值、密度映射值、以及获取参数生成恶性概率映射，因此最小化这些参数的不一致性。

逻辑模型的一个重要优势是该逻辑模型考虑自皮肤表面的物理区域深度，所以所生成的恶性概率映射能够示出病变的顶部部分，该病变具有阴影或部分阴影作为后部特征。反之，密度映射通常没有深度信息，该密度映射不能示出后部特征。因此，单独通过检查密度映射图可能遗漏某些病变候选，可以从恶性概率映射图中识别这些病变候选映射。

在步骤318中，可以通过将预定义的概率阈值应用于概率映射图来聚集恶性概率映射图。所有区域具有大于预定阈值诸如0.75的概率值，可以将所有区域分组为斑点、或“恶性斑点”分析检测的恶性斑点和其报告的深入步骤与结合密度斑点的分析和报告(步骤320和322)所述的类似，并且因此，这里没有重复其描述。

恶性概率映射图的生成不仅限于上述逻辑模型方法。下文详细描述了生成恶性概率映射图的另一方法。该方法分析针对像素的特征和有关相邻像素的特征，从而将像素划分为不同组织类型。将像素可能属于组织类型的每个集合的概率值分配给像素，该概率值包括像素属于病变的概率，通过该概率生成恶性概率映射图。在稍后部分中详细描绘了该程序。

参照图12，首先，预处理输入图像(步骤1210)。该步骤可以包括:噪声降低(子步骤1212)、保边滤波(子步骤1214)、以及图像标准化(子步骤1216)，没有必要按这种步骤进行处理。使用动态检测的控制点组织强度(例如，皮下脂肪)标准化输入图像的强度。将各向异性保边滤波(子步骤1214)用于从超声波图像中去除典型斑点噪声。考虑某些扫描器的更低的本身分辨率，或者在其他扫描器中所应用的增加的“固有平滑”可以调节滤波参数，从而适用于厂商特有的图像特性。还可以包括其他预处理步骤。例如，滤波器调节还可以包括诸如变换频率的系数，该变换频率通常影响预处理的滤波器结构。

接下来，该方法包括:计算或构建向量，即，描述像素和其相邻像素的参数集合(步骤1220)。将参数集合称作像素特征向量(PCV)。当然，在3D图像的情况下，参数的集合将描述立体像素并且将该集合称作立体特征向量(VCV)。本文所述的方法可等效应用于2D还是3D图像。在下文中，没有进行PCV和VCV之间的区分。将这两者都称作PCV。像素具体特征值的实例包括：像素的标准化灰度级和自皮肤线的像素的物理深度。在可用的情况下，还可以包括像素的近似位置，例如，像素自乳头的垂直距离和像素位置自SI(上下)线和乳头(乳房肿瘤位置)的交角。在子步骤1222中，从图像数据提取这些像素具体特征，然后，像素的PCV中包括这些特性。

在多分辨率邻近像素分析中还测量每个像素的相邻性能(子步骤1224)。将几个相邻尺寸和级别用于分析，并且分析具体说明了每个级别的每个像素的物理尺寸(例如，mm/像素)。将若干多分辨率滤波器应用于像素附近。多分辨率滤波器的响应提供了目标像素的相邻性能，例如，在附近的肌理、边缘结构、类线图案或灰度级强度。将这些滤波器的响应分组为种类，并且在PCV的相邻部分中包括这些滤波器的响应。以下实例描述了滤波器类型，可以将该滤波器类型应用于辅助识别组织类型:

1.类线图像滤波器实现了对图像中的线性结构的高响应。通常通过其特征短线性“细胞(corpuscle)”识别胸肌，该系统提供与众不同的肌理，其中，适当的棒状滤波器产生强响应。

2.边缘滤波器生成多种级别的强响应，该边缘滤波器通常表示长结构。除非在图像的顶部乳腺筋膜或者库柏氏韧带是水平的，否则在图像的半顶部的长强回声线可以对应于这些乳腺筋膜或者库柏氏韧带，其中，这些长强回声线也可能表示皮肤。

3.圆形强回声区域小于4mm直径，该区域通常表示健康导管或者末端导管小叶的单位(TDLU)，从而使得末端圆周卷积核(kernel)趋于生成对这些区域的强响应。

4.较大邻区尺寸的傅里叶分析指示与缓慢改变区域阴影相反的陆峭边缘的具体数量，并且可以将该分析用于可能会具有低频肌理变化的中回声组织的区域识别为脂肪。

然后，通过在子步骤1222中找到的像素具体值和在子步骤1224中找到的邻近像素值构建每个像素的像素特征向量(PCV)(子步骤1226)。

在找到每个像素的PCV以后，接下来的步骤(1230)是将每个像素的PCV进行分类。可以将任何适当分类器用于对PCV进行分类。通常，多维分类器元件将PCV视为输入，并且生成输出向量，该输出向量描述了所讨论的像素属于指定输出种类的每一个的概率。输出种类的集合可以包括以下种类中的一个或多个:

·脂肪组织

·导管

·TDLU

·筋膜

·库柏氏韧带

·病变组织

·胸肌(肌肉)组织

·淋巴结

·肋骨

在一实施例中，使用专家标记的训练数据集生成用于划分PCV的CART树，从而配置，即，校准多维分类器。多分辨率滤波器集与用于找到PCV的滤波器集相似或相同，为了将该滤波器调节为生成对于每个输出类型的最大辨别响应，可以根据这些BUS图像应用多分辨率滤波器集。处理CART树中的PCV返回概率，即，PCV落入可能输出种类中的任何一种，尤其是，病变组织种类的概率。在每个像素以后，即，划分每个PCV(步骤1230)，生成描述BUS图像中的每个像素属于什么类型的组织和解剖结构的BAM。

可以在BAM单元218'中实施这两个步骤1220、1230以及其子步骤，即，将多分辨率滤波器的集合应用于BUS图像，从而提取每个像素的PCV集合，随后，应用多维分类器，从而对PCV进行分类。然后，BAM单元218'可以将分类的PCV传送给恶性映射单元218，从而提取，或生成恶性概率映射图。

病变组织种类指示像素可疑，并且属于保证深入研究的BUS图像的区域。当对PCV进行分类时，获得属于病变组织的相应像素的概率，并且将该概率分配给该像素。通过将恶性概率值映射到像素生成恶性概率映射图(步骤1240)。

还可以使用备选分类系统，该系统包括神经网络和混合模型(基于聚类)技术。虽然在这些其他分类器中的内部程序可能不同，但是可以将所有的方法视为获得所有相同类型的输入，对像素进行分类，以及生成相同类型的输出。

除了通过选择将变化引入图3中所示的程序的每个步骤，通过结合本文所述的不同选择，图3中所示的程序的变化也是可能的。图13示出了一种这样的实例作为图3中所示实例的选择。

根据该变化，如以前所述的，首先取回图像，以及其获取参数并且进行降噪(步骤1302)。接下来，将保边滤波应用于降噪图像(步骤1304)。与此同时，生成对于MZD_max的参数化CBAM模型(步骤1306)。已经参照图6至图9描述了建立CBAM的模型的具体步骤并且这里没有重复这些步骤。基于图像的估算的MZD_max，生成图像的新CBAM模型，可以通过该模型估算主层边界表面的位置(步骤1308)。接下来，单独使用脂肪的典型强度，或者若干控制点组织的典型强度来标准化图像(步骤1310)。

如稍前所述的，可以利用通过CBAM模型方法的输出所提供的主层位置的知识，从而改善后续步骤的精度和效率。在最可能存在组织或病变的类型的情况下，可以选择仅在主层中应用对于特定类型的组织或病变敏感的滤波器，但是在没有预期该特定类型的组织或病变的情况下，在层或多层中没有应用该滤波器。例如，通常，胸肌具有1mm²大的邻区中明显可见的特征肌理，但是仅预期位于后乳腺区域中。为了改善效率和减少假阳性，仅可以将检测胸肌所设计的滤波器应用于识别在后乳腺区域中的像素。对于所有其他主层，将滤波器响应设置为零。这消除了虚假报告在皮肤层中的胸肌的概率。类似地，可以将检测最可能出现在乳腺区中的病变所设计的滤波器仅应用在乳腺区中的像素，而没有应用于其他层中的像素。

在接下来的步骤中，当构建(即，计算)图像中的每个像素的PCV(步骤1312)时，为了改善上述效率和精度，可以将该计算限于仅在乳腺区606中的像素。接下来，将乳腺区中的像素划分为不同组织类型，其中，计算属于每种类型的概率值(步骤1314)。通过为恶性的像素的概率值，生成恶性映射图(步骤1316)。例如，接下来的步骤是通过将恶性概率的阈值应用于恶性映射图来隔离斑点(步骤1318)。可以实施进一步的分析步骤，即，斑点检测(步骤1320)、斑点分析(步骤1322)、以及去除假阳性(步骤1324)。最后，报告病变候选(步骤1326)。已经详细描述了所有这些步骤，并且这里没有重复其描述。

现在，已经详细描述了本发明的各种实施例。本领域的技术人员应该理解，在不背离本发明的范围内，可以进行多种更改、修改、以及变化。由于可以在不背离本发明的本质、主旨、或范围内，可以改变或者添加上述具体实施方式，但是本发明不限于这些具体细节，而是仅通过所附权利要求进行限定。

Claims

1.一种估算在数字或数字化医学图像中的组织的灰度级强度的方法，所述方法包括以下步骤:

将聚类运算应用于所述医学图像的像素强度值，从而将所述强度值分组为独特强度聚类；

识别所述独特强度聚类中的一个作为与所述组织相对应的强度聚类；

由所述强度聚类的像素的灰度级强度估算所述强度聚类的典型灰度级强度值；以及将所述典型灰度级强度分配给所述组织。

2.根据权利要求1所述的方法，其中，所述典型灰度级强度为所述灰度级强度的平均强度。

3.根据权利要求1所述的方法，其中，所述组织为皮下脂肪。

4.根据权利要求1所述的方法，其中，所述聚类算法为具有k=3的k均值算法，并且所识别的独特聚类为中等强度聚类。

5.根据权利要求1所述的方法，进一步包括:

界定在所述医学图像中所述组织的预期所在的区域，其中，将所述聚类运算应用于所界定的区域。