CN104616255B - 基于乳腺x线图像的自适应增强方法 - Google Patents

基于乳腺x线图像的自适应增强方法 Download PDF

Info

Publication number
CN104616255B
CN104616255B CN201510013354.4A CN201510013354A CN104616255B CN 104616255 B CN104616255 B CN 104616255B CN 201510013354 A CN201510013354 A CN 201510013354A CN 104616255 B CN104616255 B CN 104616255B
Authority
CN
China
Prior art keywords
image
function
enhancement
frequency coefficient
processing
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.)
Expired - Fee Related
Application number
CN201510013354.4A
Other languages
English (en)
Other versions
CN104616255A (zh
Inventor
吴水才
彭庆涛
高宏建
吴薇薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201510013354.4A priority Critical patent/CN104616255B/zh
Publication of CN104616255A publication Critical patent/CN104616255A/zh
Application granted granted Critical
Publication of CN104616255B publication Critical patent/CN104616255B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于乳腺X线图像的自适应增强方法。利用contourlet变换对图像分解得到不同方向上的高频子图像和一个低频子图像。利用形态学对低频子图系数进行处理。利用构造的自适应增强函数对不同方向上的高频子图系数进行增强处理。对处理后的高频系数子图和低频系数子图进行contourlet重构得到增强后的乳腺X线图像。本发明能够在抑制图像噪声的同时对图像中的弱边缘和钙化点进行增强,有效提高图像对比度。增强效果优于现有的反锐化掩膜法和自适应直方图均衡化方法。

Description

基于乳腺X线图像的自适应增强方法
技术领域
本发明涉及医学图像处理领域,具体地讲,涉及基于乳腺X线图像的自适应增强方法。
背景技术
乳腺癌是妇女常见的恶性肿瘤之一,具有很高的发病率、死亡率。据世界卫生组织统计得出,全球范围内每年乳腺癌新增病例达到120万,死亡人数为50万人。另外,乳腺癌的发病率还在呈现上升趋势,由此使得乳腺癌的预防和治疗日益受到人们的重视。
近年来随着现代医学成像技术的发展,越来越多检测方式应用到乳腺癌的早期检查中。乳腺钼靶X线摄影以其价格低廉,操作简单,空间分辨率较高等优点成为目前乳腺癌早期检测的可靠手段。然而医生在使用乳腺钼靶X线图像进行诊断时也面临许多困难。由于乳腺X线图像的结构复杂,图像的对比度较低,微钙化点簇的特征相对微弱,病变区域与周围正常组织之前的差异不明显,使得微钙化点不容易被检测出来,医生在诊断时难免会有漏检误检现象的发生。近年来随着计算机技术的飞速发展,人们越来越多地利用计算机技术辅助临床医生进行诊断和检查。
为了凸显乳腺图像中的钙化点以及弱边缘,提高乳腺图像的整体对比度,需要对乳腺图像进行增强处理。图像增强的方法主要分为时域和变换域两大类。时域方法就是直接对图像中的每一个像素进行各种处理。变换域方法是指将图像从时域通过某种变换转换到变换域,然后在变换域中进行处理,最后进行反变换即可。近几十年来,国内外已提出多种方法和算法以用于乳腺X线图像增强中。传统的经典算法包括反锐化掩膜方法、自适应直方图均衡化方法、以及分段小波增强算法。上述方法虽然在一定程度上取得了较好的增强效果,但其在增强图像的同时也对图像中的噪声进行了相应的增强,降低了信噪比,因此仍存在一定的局限性。
发明内容
本发明提出了一种基于非采样contourlet变换的自适应乳腺图像增强方法,该方法的目的在于克服传统的乳腺图像增强方法的不足。该方法能够在有效抑制图像噪声的前提下对图像中的弱边缘和钙化点进行增强,同时又能够避免图像出现过增强现象以有效提高图像对比度,使得乳腺X线图像增强效果更加明显,从而能够辅助临床医生进行医学诊断。
本发明提供了一种基于非采样contourlet变换的乳腺X线图像自适应图像增强方法,包括以下步骤:
1.1.对输入的乳腺图像进行contourlet变换,从而将乳腺图像分解为低频系数子图像X和不同方向上的高频系数子图像其中j代表分解的层号,K代表不同的分解方向。
1.2.利用形态学方法来对于经contourlet变换得到的低频系数子图像X进行处理。
1.3.构造自适应的图像增强函数f(x),求出函数中各参数变量。
1.4.利用构造的增强函数f(x)对contourlet变换得到的高频系数进行增强处理。
1.5.对处理后的高频分量和处理后的低频分量进行非采样的contourlet波重构,最终得到增强的乳腺X线图像。
所述步骤1.2包括,
1.2.1.利用Top-hat变换对图像进行处理以获得图像TO。其中所述Top-hat变换可以增强图像中的亮细节成分。
1.2.2.利用Bottom-hat变换对图像进行处理以获得图像BC。其中所述Bottom-hat变换可以使图像中较暗细节成分从亮背景中凸显出来。
1.2.3.利用公式进行处理以获得细节增强的低频细节子图像。其中X(x,y)代表低频细节系数;
所述步骤1.3包括,
1.3.1.给出增强函数模型:
f2(x)=[sigm(c(x-b)-sigm(-c(x+b)))]f(x)=[sigm(c(1-b)-sigm(-c(1+b)))]x<T
其中, b,c,g,p,T为增强函数中的未知参数。
1.3.2.求出各层高频系数的标准差,其中,mean为该层高频系数的均值。令参数本发明在进行多次实验测试及验证的基础上,得出函数f1(x)增强系数p的取值范围为0.3~0.8。由此获得函数f1(x)表达式。
1.3.3.由于高频子图像的变换系数各不相同,根据步骤1.3.2确定的参数p和g,由非线性方程f1(T)=T可以求出阈值T。
1.3.4.本发明在进行多次实验测试及验证的基础上,得出函数f2(x)增强系数c的取值范围为20~50。由公式f2(T)=T可以解出参数b。由此获得函数f2(x)的表达式。
所述步骤1.4包括,
1.4.1对分解的高频系数进行归一化处理。将系数归一化到[-1,1]范围上。
1.4.2利用步骤1.3求出的函数对高频系数进行增强。当x<T时,利用函数f(x)=a[sigm(c(x-b)-sigm(-c(x+b)))]对高频系数进行处理。当x≥T时,利用函数对高频系数进行处理,最终得到增强后的高频系数。
本发明与现有技术相比,具有如下优点和有益效果:
1.本方法采用contourlet变换对乳腺图像进行分解,可以得到比小波变换更多的方向高频细节信息,由此能够获得包含更加全面准确的细节成分的图像,从而具有更好的增强效果。
2.本发明利用改进的自适应增强函数来对contourlet变换的高频系数进行增强处理,通过contourlet变换的高频系数来调节增强函数中的参数,实现了优异的增强效果。本发明能够在有效抑制噪声的前提下更好地增强图像中的弱边缘及钙化点信息,同时能够避免图像过增强现象的发生,从而有效增加了图像对比度。
3.通过利用MIAS数据库中的乳腺X线图像进行验证,本发明的算法能够对不同类型的乳腺X线图像进行有效的增强,并且能够有效提高图像的整体对比度。
附图说明
图1:本发明方法的流程图;
图2:本发明方法中增强函数的示意图;
图3:本发明方法对非采样contourlet分解高频系数进行处理的流程图;
图4a-4d是利用本发明方法与反锐化掩膜法、自适应直方图均衡化方法实现的图像增强效果对照例1,其中:4a原图像、4b反锐化掩膜法、4c自适应直方图均衡化方法、4d本发明方法;
图5a-5d是利用本发明方法与反锐化掩膜法、自适应直方图均衡化方法实现的图像增强效果对照例2,其中:5a原图像、5b反锐化掩膜法、5c自适应直方图均衡化方法、5d本发明方法;
图6a-6d是利用本发明方法与反锐化掩膜法、自适应直方图均衡化方法实现的图像增强效果对照例3,其中:6a原图像、6b反锐化掩膜法、6c自适应直方图均衡化方法、6d本发明方法。
具体实施方式
结合附图和实际例子对提取过程进行具体的描述。所使用图像数据来自于MIAS数据库中的乳腺X线图像。每张乳腺X线图像的大小均为1024*1024像素。
本发明的基于乳腺X线图像的自适应增强方法的流程图如图1所示,包括以下步骤:
步骤1,对输入的乳腺图像进行非采样contourlet波3层分解,从而将乳腺图像分解为低频系数子图像X和不同方向上的高频系数子图像 其中j代表分解的层数j=1,2,3。k代表不同的分解方向。
步骤2,利用形态学方法来对于经contourlet变换得到的低频系数子图像X进行处理。
2.1.利用Top-hat变换对图像进行处理以获得图像TO。其中所述Top-hat变换可以增强图像中的亮细节成分。
2.2.利用Bottom-hat变换对图像进行处理以获得图像BC。其中所述Bottom-hat变换可以使图像中较暗细节成分从亮背景中凸显出来。
步骤2.3,利用公式进行处理以获得细节增强的低频细节子图像。其中X(x,y)代表低频细节系数;
步骤3,构造自适应的图像增强函数f(x),求出函数中各参数变量。
步骤3.1,构造的增强函数的模型如图2所示。函数表达式为
f2(x)=[sigm(c(x-b)-sigm(-c(x+b)))]f(x)=[sigm(c(1-b)-sigm(-c(1+b)))]x<T
其中 b,c,g,p,T为增强函数中的未知参数。
步骤3.2,求出各层高频系数的标准差,这里mean为该层高频系数的均值。令参数本发明在进行多次实验测试及验证的基础上,得出函数f1(x)增强系数p的取值范围为0.3~0.8。其中第一层增强函数中参数p1=0.6,第二层增强函数中参数p1=0.5,第三层增强函数中参数p1=0.4,得到函数f1(x)表达式。
步骤3.3,对于不同的高频变换系数,根据步骤1.3.2确定的参数p和g,由非线性方程f1(T)=T可以求出阈值T。
步骤3.4,本发明在进行多次实验测试及验证的基础上,得出函数f2(x)增强系数c的取值范围为20~50。其中第一层增强函数中参数c1=30,第二层增强函数中参数c2=40,第三层增强函数中参数c3=50,有公式f2(T)=T解出参数b。求出函数f2(x)的表达式。
步骤4,利用构造的增强函数f(x)对contourlet波分解得到的高频系数进行增强处理,流程图如图3所示。
步骤4.1,对分解的高频系数进行归一化处理。将系数归一化到[-1,1]范围上。
步骤4.2,利用步骤3求出的增强函数对高频系数进行增强。当x<T时,利用函数f(x)=a[sigm(c(x-b)-sigm(-c(x+b)))]对高频系数进行处理。当x≥T时,利用函数
对高频系数进行处理,最终得到增强后的高频系数。
步骤5,对处理后的高频分量和处理后的低频分量进行非采样contourlet波重构。最终得到增强的乳腺X线图像。
如图4a-6d,为了验证本算法的有效性,本发明对多幅乳腺图像进行了实验,并与成熟的反锐化掩膜方法以及自适应直方图均衡化方法增强方法进行对比,以期从主观视觉效果和客观评价两个方面来获得本发明的有益效果。本发明采用图像对比度改善指数(CII)和峰值信噪(PSNR)比进行客观评价,其中峰值信噪比反映图像的去噪效果,其值越大图像去噪效果越好;图像对比度改善指数反映了图像边缘增强的效果图,其值越大图像的增强效果越好。利用本发明算法对多个原始图像进行处理,并将其与利用反锐化掩膜方法和自适应直方图均衡化方法进行处理的对应图像形成对照例1、对照例2、和对照例3。对照例1、对照例2、和对照例3的客观评价结果分别如表1、表2、和表3所示。
表1对照例1的客观评价结果
表2对照例2的客观评价结果
表3对照例3的客观评价结果
由上表1~3中数据可知,与现有技术相比,本发明对图像进行增强后的PSNR值和CII值明显高于另外两种方法。因此,本发明在抑制噪声和增强图像弱边缘以及钙化点的效果上,从客观度量上明显优于反锐化掩膜法和自适应直方图均衡化法。
综上,本发明能够在抑制图像噪声的同时有效地增强图像中的钙化点以及弱边缘,从而提高了图像的对比度和可读性。

Claims (1)

1.一种基于非采样contourlet变换的乳腺X线图像自适应图像增强方法,包括以下步骤:
1.1.对输入的乳腺X线图像进行contourlet变换,从而将乳腺X线图像分解为低频系数子图像X和不同方向上的高频系数子图像其中j代表分解的层号,k代表不同的分解方向;
1.2.利用形态学方法来对于经contourlet变换得到的低频系数子图像X进行处理;
1.3.构造自适应的图像增强函数,求出函数中各参数变量;
1.4.利用构造的增强函数对contourlet变换得到的高频系数子图像进行增强处理;
1.5.对处理后的高频分量和处理后的低频分量进行非采样的contourlet波重构,最终得到增强的乳腺X线图像;
所述步骤1.2包括,
1.2.1.利用Top-hat变换对图像进行处理以获得图像TO;其中所述Top-hat变换增强图像中的亮细节成分;
1.2.2.利用Bottom-hat变换对图像进行处理以获得图像BC;其中所述Bottom-hat变换使图像中较暗细节成分从亮背景中凸显出来;
1.2.3.利用公式进行处理以获得细节增强的低频细节子图像;
所述步骤1.3包括,
1.3.1.给出图像增强函数:
<mrow> <mi>x</mi> <mo>&amp;GreaterEqual;</mo> <mi>T</mi> <mo>,</mo> <msub> <mi>f</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>s</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mrow> <mo>(</mo> <mrow> <mfrac> <mi>&amp;pi;</mi> <mn>2</mn> </mfrac> <mo>.</mo> <mfrac> <mrow> <mi>x</mi> <mo>-</mo> <mi>g</mi> </mrow> <mrow> <mn>1</mn> <mo>-</mo> <mi>g</mi> </mrow> </mfrac> <mo>-</mo> <mfrac> <mi>&amp;pi;</mi> <mn>2</mn> </mfrac> </mrow> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mi>p</mi> </msup> </mrow>
x<T,f2(x)=[sigm(c(x-b)-sigm(-c(x+b)))]/[sigm(c(1-b)-sigm(-c(1+b)))]
其中,b,c,g,p,T为增强函数中的未知参数;
1.3.2.求出各层高频系数子图像的标准差,其中,mean为该层高频系数子图像的均值;令参数本方法在进行多次实验测试及验证的基础上,得出函数f1(x)增强系数p的取值范围为0.3~0.8;由此获得函数f1(x)表达式;
1.3.3.由于高频子图像的变换系数各不相同,根据步骤1.3.2确定的参数p和g,由非线性方程f1(T)=T求出阈值T;
1.3.4.本方法在进行多次实验测试及验证的基础上,得出函数f2(x)增强系数c的取值范围为20~50;由公式f2(T)=T解出参数b;由此获得函数f2(x)的表达式;
所述步骤1.4包括,
1.4.1对分解的高频系数子图像进行归一化处理;将系数归一化到[-1,1]范围上;
1.4.2利用步骤1.3求出的函数对高频系数子图像进行增强;当x<T时,利用函数f2(x)=a[sigm(c(x-b)-sigm(-c(x+b)))]对高频系数子图像进行处理;当x≥T时,利用函数对高频系数子图像进行处理,最终得到增强后的高频系数子图像。
CN201510013354.4A 2015-01-11 2015-01-11 基于乳腺x线图像的自适应增强方法 Expired - Fee Related CN104616255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510013354.4A CN104616255B (zh) 2015-01-11 2015-01-11 基于乳腺x线图像的自适应增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510013354.4A CN104616255B (zh) 2015-01-11 2015-01-11 基于乳腺x线图像的自适应增强方法

Publications (2)

Publication Number Publication Date
CN104616255A CN104616255A (zh) 2015-05-13
CN104616255B true CN104616255B (zh) 2018-01-19

Family

ID=53150688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510013354.4A Expired - Fee Related CN104616255B (zh) 2015-01-11 2015-01-11 基于乳腺x线图像的自适应增强方法

Country Status (1)

Country Link
CN (1) CN104616255B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701796B (zh) * 2015-12-31 2018-09-18 上海联影医疗科技有限公司 乳房图像的厚度均衡方法及装置、乳房摄影系统
EP3920133A1 (en) 2015-12-31 2021-12-08 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image processing
CN107220948A (zh) * 2017-05-23 2017-09-29 长春工业大学 一种视网膜图像增强的方法
US10949950B2 (en) 2017-06-14 2021-03-16 Shanghai United Imaging Healthcare Co., Ltd. System and method for image processing
CA3168047A1 (en) * 2017-06-14 2018-12-20 Shanghai United Imaging Healthcare Co., Ltd. System and method for image processing
CN107316291B (zh) * 2017-06-14 2021-04-23 上海联影医疗科技股份有限公司 乳腺图像处理方法及乳腺成像设备
CN107301627B (zh) * 2017-06-26 2020-07-17 深圳市安健科技股份有限公司 动态图像反锐化掩模去伪影增强方法及装置
CN109377461B (zh) * 2018-10-02 2022-12-27 浙江师范大学 一种基于nsct的乳腺x射线图像自适应增强方法
CN113498528B (zh) * 2020-01-21 2024-07-23 京东方科技集团股份有限公司 图像缺陷确定方法与装置、电子设备及存储介质
CN114926374B (zh) * 2022-07-21 2022-10-11 四川新迎顺信息技术股份有限公司 一种基于ai的图像处理方法、装置、设备及可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968779A (zh) * 2012-12-03 2013-03-13 北方民族大学 基于FCM聚类的非下采样Contourlet域MRI图像增强方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9646366B2 (en) * 2012-11-30 2017-05-09 Change Healthcare Llc Method and apparatus for enhancing medical images

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968779A (zh) * 2012-12-03 2013-03-13 北方民族大学 基于FCM聚类的非下采样Contourlet域MRI图像增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Retinal vessel segmentation using color image morphology and local binary patterns;Seyed Mohsen Zabihi等;《Machine Vision and Image Processing (MVIP), 2010 6th Iranian》;20101028;第1-5页 *
基于 Contourlet变换和形态学的图像增强方法;向静波等;《光子学报》;20090131;第38卷(第1期);第224-227页 *

Also Published As

Publication number Publication date
CN104616255A (zh) 2015-05-13

Similar Documents

Publication Publication Date Title
CN104616255B (zh) 基于乳腺x线图像的自适应增强方法
Tang et al. A direct image contrast enhancement algorithm in the wavelet domain for screening mammograms
CN106023200A (zh) 一种基于泊松模型的x光胸片图像肋骨抑制方法
Kurt et al. Medical images enhancement by using anisotropic filter and clahe
Anand et al. MRI denoising using bilateral filter in redundant wavelet domain
Joseph et al. Mammogram image denoising filters: A comparative study
Bhateja et al. A modified speckle suppression algorithm for breast ultrasound images using directional filters
Kumar et al. Enhancement of mammographic images using morphology and wavelet transform
Patel et al. Mammogram of breast cancer detection based using image enhancement algorithm
Sharma et al. Identification of pre-processing technique for enhancement of mammogram images
Beheshti et al. Classification of abnormalities in mammograms by new asymmetric fractal features
Yadav et al. Despeckling filters applied to thyroid ultrasound images: a comparative analysis
CN115018728A (zh) 基于多尺度变换和卷积稀疏表示的图像融合方法及系统
Vikhe et al. Contrast enhancement in mammograms using homomorphic filter technique
Koyuncu et al. Elimination of white Gaussian noise in arterial phase CT images to bring adrenal tumours into the forefront
CN101989351A (zh) 一种肺部疑似结节图像增强方向尺度滤波方法
Amutha et al. Mammographic image enhancement using modified mathematical morphology and Bi-orthogonal wavelet
Liu et al. Low-dose CT noise reduction based on local total variation and improved wavelet residual CNN
CN111192204A (zh) 一种图像增强方法、系统和计算机可读存储介质
Zhang et al. A novel method of medical image enhancement based on wavelet decomposition
CN109377461B (zh) 一种基于nsct的乳腺x射线图像自适应增强方法
Sreeja et al. Detection of tumours in digital mammograms using wavelet based adaptive windowing method
Thangaraju et al. Detection of microcalcification clusters using hessian matrix and foveal segmentation method on multiscale analysis in digital mammograms
KR20110003412A (ko) 미세석회화 진단방법
Makandar et al. Mammography image enhancement using linear, nonlinear and wavelet filters with histogram equalization

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180119

Termination date: 20210111