CN106127216A - 一种乳腺癌腋窝淋巴结转移病灶检测方法 - Google Patents

一种乳腺癌腋窝淋巴结转移病灶检测方法 Download PDF

Info

Publication number
CN106127216A
CN106127216A CN201610150774.1A CN201610150774A CN106127216A CN 106127216 A CN106127216 A CN 106127216A CN 201610150774 A CN201610150774 A CN 201610150774A CN 106127216 A CN106127216 A CN 106127216A
Authority
CN
China
Prior art keywords
vote
edge
region
breast
hough transform
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.)
Pending
Application number
CN201610150774.1A
Other languages
English (en)
Inventor
王成勤
李霞
迟菁华
赵静
王文宏
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.)
Qingdao University
Original Assignee
Qingdao University
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 Qingdao University filed Critical Qingdao University
Priority to CN201610150774.1A priority Critical patent/CN106127216A/zh
Publication of CN106127216A publication Critical patent/CN106127216A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开一种乳腺癌腋窝淋巴结转移病灶检测方法，包括以下步骤：a.对内侧斜位体位的乳腺X射线图像进行感兴趣区域提取；b.对上述所提取的每个感兴趣区域进行边缘提取，得到二值边缘图像；c.在每个感兴趣区域的二值边缘图像上通过Hough变换检测多个半径不同的圆形或类似圆形边缘；d.在上述步骤c得到的Hough变换的结果中进行挑选，去掉不与圆形或类似圆形边缘相对应的参数组合，保留下来的各个参数组合对应的圆形边缘所确定的区域即为检测到的淋巴结。运用本发明方法，病灶检测准确，适用范围广，并具有很好的可调节性。

Description

一种乳腺癌腋窝淋巴结转移病灶检测方法
技术领域
本发明涉及一种医学检测技术，具体地说是一种乳腺癌腋窝淋巴结转移病灶检测方法。
背景技术
乳腺癌是常见的、高发病率的恶性肿瘤，严重威胁妇女的健康。当肿块直径大于2cm时乳腺癌细胞就有可能发生转移。乳腺癌细胞往往先转移到同侧的腋窝淋巴结，发生转移的淋巴结数量越多，患者的存活率越低。
在现有技术中，乳腺X射线图像是常规的也是最有效的乳腺癌诊断依据。在对乳腺癌诊治的临床实践中，获取乳腺X射线图像的通用方法是对双侧乳房进行头尾位(CranioCaudal，CC)和内侧斜位(Mediolateral Oblique，MLO)照射，得到双侧乳腺X射线图像。腋窝淋巴结转移病灶仅包含在MLO体位的乳腺X射线图像中。乳腺癌淋巴结转移病灶在乳腺X射线图像上表现为一个或多个高密度阴影，呈圆形或近似圆形，随着淋巴结的生长，多个淋巴结可能发生粘连。
在现有技术中，基于乳腺X射线图像，利用计算机技术对乳腺癌腋窝淋巴结转移病灶进行检测的方法还是空白。
Hough变换是一种常用的图像处理方法，用于检测图像中包含的特定形状的边缘，如直线、圆形边缘等。Hough变换基于表决原理，其过程为：确定能描述边缘形状的参数，这些参数的组合组成变换空间；边缘上的每一点对变换空间进行投票表决，理论上赢得多数票的参数组合获胜。
在图像处理的实际应用中，Hough变换的问题在于怎样精确确定获胜条件，即需要确定得多少票算作获胜；另外，在实际的检测应用中，单纯应用Hough变换往往不能达到理想的检测效果，需要辅助提供其他检测手段，比如当同时检测多个边缘时(如同时检测长度不同的多条直线、半径不同的多个圆等)，得票数不能作为唯一的获胜依据，因此用常规的Hough变换不能很快检出图像中的圆形或近似圆形边缘。
发明内容
为了弥补上述不足，本发明的目的在于提供一种检测准确并具有可调节性的乳腺癌腋窝淋巴结转移病灶检测方法。
为实现上述目的，本发明采用的技术方案是：
a.对内侧斜位体位的乳腺X射线图像进行感兴趣区域提取；b.对上述所提取的每个感兴趣区域进行边缘提取，得到二值边缘图像；c.在每个感兴趣区域的二值边缘图像上通过Hough变换检测多个半径不同的圆形或类似圆形边缘；d.在上述步骤c得到的Hough变换的结果中进行挑选，去掉不与圆形或类似圆形边缘相对应的参数组合，保留下来的各个参数组合对应的圆形边缘所确定的区域即为检测到的淋巴结。
所述对内侧斜位体位的乳腺X射线图像进行感兴趣区域提取，其步骤为：a1.在内侧斜位体位的乳腺X射线图像上进行腋窝区域提取；a2.对上述所提取的腋窝区域进行感兴趣区域提取；
步骤c所述的Hough变换为通过公式：Votetemp＝Voteorg/2πR、Voteumtary＝Votetemp/max(Votetemp)对所有参数组合的原始得票数进行处理，其中Voteorg为原始得票数；Votetemp为处理过程的中间值；Voteumtary为处理后的得票数；所述筛选方法为：对每个参数组合，选取其对应的圆的内、外两个区域，分别求这两个区域的平均灰度，如果二者的平均灰度差大于预先设定的参考灰度差，则该参数组合对应一个圆形边缘；否则不对应，去除；本发明还具有步骤e：在图像上标记检测结果，即将步骤d中检测到的淋巴结区域画出外接图形显示在图像上，其中，淋巴结区域的外接图形若有两个或多个有部分重叠，则将这些外接图形合并成一个图形在图像上显示。
本发明具有以下优点及有益效果：
1.病灶检测准确。将本发明应用到临床采集的乳腺X射线图像上，由于采用了改进的Hough变换方法，可以准确的检测到腋窝淋巴结，填补了乳腺癌腋窝淋巴结转移病灶检测方法的空白；
2.适用范围广。由于本发明采用了利用原图像信息对检测初步结果进一步核对的方法，对那些不易发现的淋巴结、发生粘连的淋巴结也有很好的检测效果，扩大了临床检测病灶的适用范围；并且由于能够去除不表征乳腺癌的空心淋巴结，从而进一步提高了检测准确率；
3.具有很好的可调节性。本发明Hough变换的参数组合中半径R是可改变的参数，由于每一个参数组合与上一个淋巴结产生的圆形或近似圆形边缘相对应，因此通过改变半径R的范围，可以调节检出淋巴的半径范围；参考灰度差也是可以改变的参数，可以根据使用者的使用偏好进行调节。
附图说明
图1为本发明内侧斜位乳腺X射线图像；
图2(a)为进行腋窝区域提取后的图像；
图2(b)为腋窝区域内各个ROI的二值边缘图像；
图3参数组合挑选方法中的内外区域选取示意图；
图4(a)～(d)为本发明效果图；
图5为本发明方法流程图；
图6为本发明一个实施例的工作流程图。
具体实施方式
如图5、图6所示，本发明针对内侧斜位的乳腺X射线图像的腋窝淋巴结转移病灶检测提供了以下方法：
a.通过对患者拍摄乳腺X射线图像获取如图1所示的内侧斜位的乳腺X射线图像。
b.在内侧斜位的乳腺X射线图像上进行腋窝区域提取；本实施例采用迭代阈值法求乳腺区域与背景间的最佳分割阈值，并利用该最佳分割阈值提取腋窝区域。
c.对上述所提取的腋窝区域进行感兴趣区提取，得到多个感兴趣区，具体包括：求腋窝区域的灰度直方图，取该直方图最亮的一部分像素所对应的灰度值为参考阈值；将腋窝区域内所有灰度值大于参考阈值的点，根据其位置及与其它点的距离，分成若干组，取每个组的点的外接矩形，即为感兴趣区(Region Of Interest，ROI)。
d.对上述所提取的每个感兴趣区进行边缘提取，并通过阈值变换得到二值边缘图像，具体包括：对步骤c中所提取的每个ROI分别进行边缘检测，本实施例采用sobel算子，还可以采用robert算子、prewitt算子、高斯拉普拉斯算子等；计算变换阈值，即对各个ROI，对上述边缘检测得到的结果求灰度直方图，本实施例取该灰度直方图最暗的一部分像素对应的灰度值为变换阈值；阈值变换，即根据上述变换阈值进行阈值变换，得到该ROI的二值边缘图像；
如图2(a)、图2(b)所示，分别为提取的腋窝区域图像以及对腋窝区域进行ROI提取、边缘检测、阈值变换后得到的二值边缘图像。
e.对每个感兴趣区的二值边缘图像用改进的Hough变换检测其中的圆形或类似圆形边缘，改进的Hough变换，即在一次变换中能够同时检测多个半径不同的圆形或近似圆形边缘的Hough变换，具体包括：确定参数，用Hough变换检测圆形或近似圆形边缘，本实施例确定的参数包括圆心的位置(xc，yc)和圆半径R，这些参数的组合组成变换空间，变换空间中的每一点对应一个参数组合；对变换空间中的每一点，即参数组合进行投票；由于如上所述的Hough变换过程没有考虑半径不同带来的影响，在变换空间中，大半径区域非圆形边缘对应的参数组合的得票数往往比小半径区域真正的圆形边缘对应的参数组合得票数多，使得真正的圆形边缘对应的参数组合不能在投票中“获胜”或“获胜”优势不明显，改进Hough变换：根据公式(1)、(2)对所有参数组合的得票数进行处理：
Votetemp＝Voteorg/2πR (1)
Voteumtary＝Votetemp/max(Votetemp) (2)
其中，Voteorg为原始得票数；Voteumtary为处理后的得票数；Votetemp为处理过程的中间值；公式(1)的作用是考虑半径不同的影响；公式(2)的作用是将得票数进行归一化处理，使每个参数组合的最终得票数在[0，1]范围内；
f.在上述步骤e得到的Hough变换的结果中进行挑选，去掉不与圆形或类似圆形边缘相对应的参数组合，保留下来的各个参数组合对应的圆形边缘所确定的区域即为检测到的淋巴结；Hough变换的问题在于无法确定参数组合得多少票才能算作获胜，为避免漏检，应将尽可能多的参数组合算作“获胜”，然后利用原图像信息判断该参数组合是否对应一个圆形边缘，如不对应，则去掉该参数组合；判断Hough变换得到的参数组合是否与一个圆形或近似圆形二值边缘相对应的方法如图3所示，选取参数组合对应的圆的内部、外部两个区域，其中1为参数组合对应圆形边缘内部区域，2为参数组合对应圆形边缘外部区域，本实施例中圆形边缘内部、外部区域1、2的圆心为参数组合的(xc，yc)分量，圆形边缘内部区域1取半径为R/2的圆，圆形边缘外部区域2取半径为1.2R～1.4R的圆环，分别求这两个区域的平均灰度，如果二者的平均灰度差大于预先设定的参考灰度差，则该参数组合对应一个圆形边缘，否则不是；淋巴结在乳腺X射线图像上的表现有空心和实心两种，实心的是癌症的转移，而空心的不是，应该去掉，用这种判断方法，还能去掉空心淋巴结对应的圆形边缘；
h.显示检测结果：经过上述各步骤，留下的每一个参数组合对应一个检测到的淋巴结。将每个参数组合对应的外接图形画到图像上，来标出检测到的淋巴结。若有两个或多个外接图形有部分重叠，可能是两个或多个淋巴结转移病灶发生粘连所致，则将这些图形合并成一个图形显示；如图4(a)～(b)所示，其中图4(a)显示对典型的腋窝淋巴结转移病灶进行检测的结果，图4(b)对不易分辩的腋窝淋巴结转移病灶进行检测的结果，图4(c)显示对发生粘连的腋窝淋巴结转移病灶进行检测的结果，图4(d)显示检测到实心淋巴结，且去除了白框所示的空心淋巴结，上述各显示结果均用方框指示。
本发明方法不仅能为医生确定发生病灶转移的腋窝淋巴结的数量和位置提供依据，而且由于良性肿瘤不发生转移，所以有助于判断肿瘤的良恶性。

Claims (3)

1.一种乳腺癌腋窝淋巴结转移病灶检测方法，其特征在于，包括如下步骤：
a.对内侧斜位体位的乳腺X射线图像进行感兴趣区域提取；
b.对上述所提取的每个感兴趣区域进行边缘提取，得到二值边缘图像；
c.在每个感兴趣区域的二值边缘图像上通过Hough变换检测多个半径不同的圆形或类似圆形边缘；
d.在上述步骤c得到的Hough变换的结果中进行筛选，去掉不与圆形或类似圆形边缘相对应的参数组合，保留下来的各个参数组合对应的圆形边缘所确定的区域即为检测到的淋巴结；
e.在图像上标记检测结果，即将步骤d中检测到的淋巴结区域画出外接图形显示在图像上，其中，淋巴结区域的外接图形若有两个或多个有部分重叠，则将这些外接图形合并成一个图形在图像上显示；
所述对内侧斜位体位的乳腺X射线图像进行感兴趣区域提取，其步骤为：
a1.在内侧斜位体位的乳腺X射线图像上进行腋窝区域提取；
a2.对上述所提取的腋窝区域进行感兴趣区域提取。
2.按权利要求1所述乳腺癌腋窝淋巴结转移病灶检测方法，其特征在于步骤c所述的Hough变换为通过公式：Votetemp＝Voteorg/2πR、Voteunitary＝Votetemp/max(Votetemp)对所有参数组合的原始得票数进行处理，其中Voteorg为原始得票数；Votetemp为处理过程的中间值；Voteunitary为处理后的得票数。
3.按权利要求1所述乳腺癌腋窝淋巴结转移病灶检测方法，其特征在于：所述筛选方法为：对每个参数组合，选取其对应的圆的内、外两个区域，分别求这两个区域的平均灰度，如果二者的平均灰度差大于预先设定的参考灰度差，则该参数组合对应一个圆形边缘；否则不对应，去除。
CN201610150774.1A 2016-03-16 2016-03-16 一种乳腺癌腋窝淋巴结转移病灶检测方法 Pending CN106127216A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610150774.1A CN106127216A (zh) 2016-03-16 2016-03-16 一种乳腺癌腋窝淋巴结转移病灶检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610150774.1A CN106127216A (zh) 2016-03-16 2016-03-16 一种乳腺癌腋窝淋巴结转移病灶检测方法

Publications (1)

Publication Number Publication Date
CN106127216A true CN106127216A (zh) 2016-11-16

Family

ID=57270333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610150774.1A Pending CN106127216A (zh) 2016-03-16 2016-03-16 一种乳腺癌腋窝淋巴结转移病灶检测方法

Country Status (1)

Country Link
CN (1) CN106127216A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921821A (zh) * 2018-06-01 2018-11-30 中国人民解放军战略支援部队信息工程大学 基于lasso回归的乳腺癌腋窝淋巴结转移状态的判别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101085364A (zh) * 2006-06-07 2007-12-12 沈阳东软医疗系统有限公司 一种乳腺癌腋窝淋巴结转移病灶检测方法
CN103778428A (zh) * 2014-01-10 2014-05-07 北京农业信息技术研究中心 基于块标记的病害感兴趣区域提取方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101085364A (zh) * 2006-06-07 2007-12-12 沈阳东软医疗系统有限公司 一种乳腺癌腋窝淋巴结转移病灶检测方法
CN103778428A (zh) * 2014-01-10 2014-05-07 北京农业信息技术研究中心 基于块标记的病害感兴趣区域提取方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921821A (zh) * 2018-06-01 2018-11-30 中国人民解放军战略支援部队信息工程大学 基于lasso回归的乳腺癌腋窝淋巴结转移状态的判别方法

Similar Documents

Publication Publication Date Title
CN101706843B (zh) 一种乳腺cr图像交互式读片方法
CN106991694B (zh) 基于显著区域面积匹配的心脏ct与超声图像配准方法
CN106780451A (zh) X射线、超声、红外图像融合乳腺肿块图像检测方法
CN107590809A (zh) 肺分割方法及医学成像系统
CN101984916B (zh) 基于数字图像处理技术的血管管径测量方法
CN101085364A (zh) 一种乳腺癌腋窝淋巴结转移病灶检测方法
CN101576997A (zh) 基于二次三维区域生长的腹部器官分割方法
Zhao et al. Segmentation of ultrasound images of thyroid nodule for assisting fine needle aspiration cytology
CN103440665A (zh) 膝关节软骨图像自动分割方法
CN106651874B (zh) 基于多模态mri数据的脑瘤术后空间域分割方法
CN105654490A (zh) 一种基于超声弹性图像的病变区域提取方法及装置
CN102073872B (zh) 基于图像的寄生虫虫卵形状识别方法
Patil et al. A review paper on brain tumor segmentation and detection
CN103295224B (zh) 一种基于均值漂移和分水岭的乳腺超声图像自动分割方法
CN108268897A (zh) 一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法
CN108596894A (zh) 一种用于多参数磁共振影像的前列腺自动分区方法
CN104751437A (zh) 基于胸部ct图像的肺部自动提取方法
CN104299242A (zh) 基于ngc-acm的荧光造影眼底图像提取方法
CN105427325A (zh) 基于随机森林和单调下降函数的肺肿瘤的自动分割方法
CN104248454A (zh) 一种二维超声图像与穿刺针共面判断方法
CN103985122B (zh) 基于心脏 ct 图像的全心脏提取方法
WO2024067527A1 (zh) 一种髋关节角度检测系统和方法
CN108109144A (zh) 一种钼靶图像中乳头位置自动检测方法
CN106780718A (zh) 一种古生物化石的三维重建方法
CN102881021B (zh) 基于概率分布和连续最大流的主动脉瓣超声图像分割方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20161116

RJ01 Rejection of invention patent application after publication