CN107798679A - 乳腺钼靶图像乳房区域分割与钙化点检测方法 - Google Patents
乳腺钼靶图像乳房区域分割与钙化点检测方法 Download PDFInfo
- Publication number
- CN107798679A CN107798679A CN201711312146.XA CN201711312146A CN107798679A CN 107798679 A CN107798679 A CN 107798679A CN 201711312146 A CN201711312146 A CN 201711312146A CN 107798679 A CN107798679 A CN 107798679A
- Authority
- CN
- China
- Prior art keywords
- breast
- image
- pixel
- area
- mrow
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出一种乳腺钼靶图像乳房区域分割与钙化点检测方法,该方法运用了基于邻域像素的图像梯度权值计算方法,使得实现对于乳腺钼靶图像中人工干扰物的快速去除,并且由于运用了基于像素聚类的图像分割算法,使得实现对于乳房与胸部肌肉的初始分割,此外由于运用了基于霍夫变换的直线检测算法与基于多项式的曲线拟合算法精确检测并拟合乳房边界,使得采用本发明所述的方法显著提高了乳腺钼靶图像中乳房与背景及胸部肌肉之间边界的标记精度,最后由于运用了纹理滤波检测乳房中的钙化点,进而提高了乳房区域标定及钙化点检测的准确性,能够实现乳房区域自动化分割标定及钙化点自动检测标记测量。
Description
技术领域
本发明涉生物医学成像及生物医学检测领域,具体涉及一种基于像素聚类与纹理滤波的乳腺钼靶图像乳房区域分割与钙化点检测方法。
背景技术
乳腺钼靶全称乳腺钼靶X线摄影检查,又称钼钯检查,是目前诊断乳腺疾病的首选和最简便、最可靠的无创性检测手段,痛苦相对较小,简便易行,且分辨率高,重复性好,留取的图像可供前后对比,不受年龄、体形的限制,目前已作为常规的检查手段。乳腺钼靶作为一种相对无创性的检查方法,可以比较全面而正确地反应出整个乳腺的大体解剖结构,观察各种生理因素如月经周期、妊娠、哺乳等对乳腺结构的影响,并可以动态观察;协助鉴别出乳腺的良性病变和恶性肿瘤;早期发现可疑病变,定期随访摄片观察;对于乳腺癌患者进行内分泌治疗、放疗、化疗后的病变情况进行随访检查,观察疗效,并对健侧乳腺进行定期监测,所有这些工作的基础,在于首先将乳腺区域准确标定出来,与图像中的其它物体分隔开来。
乳腺钼靶图像中除乳腺区域之外,通常还包含了一部分胸部肌肉以及一些人工干扰物如胶带、标签和标记等,其中人工干扰物经常与乳腺区域相重叠,同时胸部肌肉由于对比度与乳腺组织接近,使得与乳腺之间边界划分不清晰,都影响了对乳腺区域的正确分割标定,从而影响乳腺内部组织的检测与诊断。因此,对于乳腺钼靶图像中乳腺区域边界的检测精度提出了很高的要求。与此同时,对自动化检测方法也要求有较高的处理速度以适应钼靶图像实时检测的需要。
对于乳腺钼靶图像处理与分析应用而言,人工识别方式只能对乳腺与背景边界以及较为清晰的乳房与胸部肌肉边界进行定性的估计,已经难以满足乳腺形态分析对于精度和速度的要求,而传统的乳腺钼靶图像处理分析方法也存在着严重影响分析结果的的缺点:乳腺本身且形态各异,难以采用传统基于形态模型的方法对各类组织进行分割;细胞核、细胞质及胞外间质的分布不均匀,难以采用传统纹理特征对图像进行概括分析,且局部纹理特征计算量大,效率不高;钙化点投影面积细小,且与周围组织之间对比度不高。以上缺点造成乳腺和图像背景以及胸部肌肉之间边界划分不准确,以及乳房钙化点检测不准确,使得乳腺钼靶图像中不同类型组织的统计分析发生错误,严重影响了乳腺钼靶图像处理的判别精度和处理速度。
发明内容
针对现有技术存在的问题,本发明采用以下技术方案:
一种乳腺钼靶图像乳房区域分割与钙化点检测方法,其特征在于,包括以下步骤:
步骤1:对乳腺钼靶原始图像进行预处理,包括图像去噪与增强;
步骤2:对经过预处理后的乳腺钼靶图像计算对应的灰度梯度权值图像;
步骤3:对所述灰度梯度权值图像进行封闭区域的侵蚀和膨胀操作,检查图像上部乳房与粘连人工干扰物之间边界的拐点,去除图像中的人工干扰物,得到仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界;
步骤4:对所述仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界以内的每个像素提取二维特征,包括像素强度和灰度梯度权值两个特征,形成包含所有前景像素的特征集;
步骤5:对所述前景像素特征集进行Kmeans聚类计算,使得像素聚集并分为四类,其中聚类中心灰度信号强度由高到低排列第二类的像素聚集为包含乳房与胸部肌肉边界的主体区域;
步骤6:对所述包含乳房与胸部肌肉边界的主体区域进行Canny边缘检测,得到主体区域边缘轮廓线;
步骤7:对所述主体区域边缘轮廓线位于整幅图像左上角四分之一的部分进行霍夫变换,检测主体区域边缘轮廓线上同时满足预设的角度和长度条件的直线线段,得到边界线上的关键点;
步骤8:对所述满足预设的角度和长度条件的直线线段端点进行二元三次多项式曲线拟合,得到拟合后的乳房与胸部肌肉之间边界平滑曲线;
步骤9:对所述乳房与胸部肌肉之间边界平滑曲线和所述仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界进行融合,得到最终乳房区域的完整边界;
步骤10:对所述最终乳房区域的完整边界内的所述乳腺钼靶原始图像进行水平与垂直方向的组合纹理滤波,得到滤波后的纹理图像;
步骤11:对所述滤波后的纹理图像像采用固定阈值进行全局最大信号强度检测,得到分散于乳房区域内的像素聚集体作为候选钙化点图像;
步骤12:对所述候选钙化点图像中的所有像素聚集体进行面积和偏心度检测,根据面积及形态特征筛选后得到最终乳房内钙化点检测结果。
优选地,步骤1中,对乳腺钼靶原始图像进行预处理的具体步骤为:
步骤1a:对所述乳腺钼靶原始图像采用中值滤波去噪算法进行去噪预处理;
步骤1b:将去噪后的灰度图像采用高斯滤波算法进行增强预处理。
优选地,步骤2中,对经过预处理后的乳腺钼靶图像计算对应的灰度梯度权值图像的具体步骤为:
步骤2a:从上至下、从左至右遍历乳腺钼靶图像每个像素,计算每个像素与水平方向和垂直方向的相邻像素之间的差值,并将得到的两个差值相加,得到包含了水平和垂直方向变化信息的梯度;
步骤2b:单个像素的灰度梯度权值为其梯度的倒数,所有像素的灰度梯度权值组成了与乳腺钼靶原始图像大小一致的灰度梯度权值图像;
步骤4中,对所述仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界以内的每个像素提取二维特征,形成包含所有前景像素的特征集的具体步骤为:
步骤4a:对仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界以内的每个像素建立二维特征表示,其中预处理后的像素灰度特征为第一个特征,像素灰度梯度权值为第二个特征;
步骤4b:对每个像素视为一个独立的样本,每个样本包含二维特征,形成包含所有像素的特征集。
优选地,步骤3中,对所述灰度梯度权值图像进行封闭区域的侵蚀和膨胀操作,得到仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界的具体步骤为:
步骤3a:对灰度梯度权值图像进行侵蚀操作,以大小为5个像素的菱形为结构元素对象,对图像封闭区域的边缘进行侵蚀操作,去除图像中宽度小于10个像素的疑似线性物体的像素点;
步骤3b:对去除疑似线性物体的像素点后的灰度梯度权值图像进行膨胀操作,以大小为5个像素的菱形为结构元素对象,对图像封闭区域的边缘进行膨胀操作,恢复图像中主体结构的原有边界;
步骤3c:保留灰度梯度权值图像中面积最大的结构,即为仅包含乳房与胸部肌肉的前景区域,该区域的边界即前景区域和图像背景之间的边界;
步骤3d:对于仍然与前景区域相粘连的人工干扰物对应的像素点,其边界线与乳房边界线相融合于前景边界线之中,则沿前景区域和图像背景之间的边界线计算线上每个像素的曲率变化,得到一系列拐点,选取其中相对位置位于图像最下方的拐点,将该拐点以上部分所有像素从前景区域切割出去,得到去除所有人工干扰物且包含乳房和胸部肌肉的最终前景区域边界。
优选地,步骤5中,对所述前景像素特征集进行Kmeans聚类计算的步骤为:
步骤5a:对每个像素视为一个独立的样本,将所有样本投影到二维向量空间中,其中每一维度都对应于样本的相应的一个特征向量;
步骤5b:在二维极坐标空间中初始随机给定四个簇中心,按照最邻近距离原则把待分类样本点分到各个簇,然后按平均法重新计算各个簇的质心,从而确定新的簇心,一直迭代,直到簇心的移动距离小于一个给定的预设值,最终将数据分组成为四个类别;
步骤5c:根据四类像素在原图上的位置分布以及各个簇心的信号强度分布,其中簇心灰度信号强度由高到低排列第二类的像素聚集为包含乳房与胸部肌肉边界的主体区域;
步骤5b中,对于样本点p1与p2之间的距离,其计算公式如下列所示:
其中p1,p2分别为两个样本点,dcityblock为两点间Cityblock距离,I1,I2分别为p1,p2的灰度强度值,W1,W2分别为p1,p2的梯度权值;
步骤6中,对所述包含乳房与胸部肌肉边界的主体区域进行Canny边缘检测的步骤为:
步骤6a:将包含乳房与胸部肌肉边界的主体区域的像素二值化;
步骤6b:采用Canny边缘检测算法,标记出主体区域边缘轮廓线,其中包含乳房与胸部肌肉之间的边界线。
优选地,步骤7中,对所述主体区域边缘轮廓线位于整幅图像左上角四分之一的部分进行霍夫变换,检测主体区域边缘轮廓线上同时满足预设的角度和长度条件的直线线段,得到边界线上的关键点的步骤为:
步骤7a:对所述主体区域边缘轮廓线位于整幅图像左上角四分之一的部分进行霍夫变换,将该部分轮廓线上的所有点映射到霍夫空间;
步骤7b:对映射到霍夫空间的点集进行遍历,检测同时满足角度为0至80度和长度为20像素以上条件的直线线段;
步骤7c:将符合条件的每条直线线段两个端点记录位置,作为乳房与胸部肌肉之间的边界线上的关键点。
步骤8中,对所述满足预设的角度和长度条件的直线线段端点进行二元三次多项式曲线拟合的步骤为:
步骤8a:将步骤7中得到的所有关键点纵横坐标(xi,yi)记录到集合(X,Y)中;
步骤8b:采用多项式曲线拟合方法计算集合(X,Y)符合的二元三次多项式,通过插值方法计算所有曲线经过点的坐标集(XN,YN),即为拟合后的乳房与胸部肌肉之间边界平滑曲线。
优选地,步骤9中,对所述乳房与胸部肌肉之间边界平滑曲线和所述仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界进行融合的步骤为:
步骤9a:将两条边界同时映射在所述乳腺钼靶原始图像上,找到两条边界的交点;
步骤9b:从所述交点出发分别沿两条边界曲线遍历线上所有像素,像素共同组成最终乳房区域的完整边界,边界以内为乳房区域,以外为其它组织与背景区域。
优选地,步骤10中,对所述最终乳房区域的完整边界内的所述乳腺钼靶原始图像进行水平与垂直方向的组合纹理滤波的步骤为:
步骤10a:采用5×5像素大小水平方向滤波器[-1,-4,-6,-4,-2;0,0,0,0,0;2,8,12,8,4;0,0,0,0,0;-1,-4,-6,-4,-2]从上至下、从左至右遍历所述最终乳房区域的完整边界内的所述乳腺钼靶原始图像的每个像素,计算每个像素与其邻域内像素在滤波器各对应点上系数相乘加权和,得到每个像素对应的水平滤波值;
步骤10b:采用5×5像素大小垂直方向滤波器[-1,0,2,0,-1;-4,0,8,0,-4;-6,0,12,0,-6;-4,0,8,0,-4;-2,0,4,0,-2]从上至下、从左至右遍历所述最终乳房区域的完整边界内的所述乳腺钼靶原始图像每个像素,计算每个像素与其邻域内像素在滤波器各对应点上系数相乘加权和,得到每个像素对应的垂直滤波值;
步骤10c:将每个像素对应的水平和垂直滤波值相加,得到融合后的与原始图像对应的滤波后的纹理图像;
所述步骤10中,对于某个像素P(i,j)对应的水平和垂直滤波值加权求和,其计算公式如下列所示:
其中i,j分别为像素的横坐标与纵坐标,v(i,j)为滤波值加权和,In为滤波器覆盖范围内从上至下、从左至右扫描的第n个像素点,总数为25个,wnv,wnh分别为水平滤波器与垂直滤波器在对应点上的权值系数。
优选地,步骤11中,对所述滤波后的纹理图像像采用固定阈值进行全局最大信号强度检测的步骤为:
步骤11a:计算滤波后的纹理图像的信号强度分布柱状图,以柱状图中信号强度最大值的4/5为相对阈值;
步骤11b:采用所述相对阈值对滤波后的纹理图像进行全局最大信号强度检测,仅保留信号强度大于所述相对阈值的像素点,将该类像素点在图像中的聚集体作为候选钙化点图像。
优选地,步骤12中,对所述候选钙化点图像中的所有像素聚集体进行面积和偏心度检测,根据面积及形态特征筛选后得到最终乳房内钙化点检测结果的步骤为:
步骤12a:将所有所述候选钙化点图像的像素聚集体二值化,对各二值化后的候选钙化点进行封闭区域检测,得到各候选钙化点图像的面积和偏心率;
步骤12b:对所有所述候选钙化点图像进行遍历,将面积小于等于60像素且偏心率小于等于0.8的候选钙化点选择出来,将其余不符合条件的候选钙化点从图像中去除,得到最终乳房内钙化点分布二值化图像;
步骤12c:将最终乳房内钙化点分布二值化图像映射在乳腺钼靶原始图像上,统计其面积及形态特征,即为最终乳房内钙化点检测结果。
本发明的目的是提供一种基于像素聚类与纹理滤波的乳腺钼靶图像乳房区域分割与钙化点检测方法。本发明在利用乳腺常规检测所产生的乳腺钼靶图像之后,对数字化的乳腺钼靶图像进行处理与分析,从而分割图像乳房与其它区域之间的边界,并在乳房区域内检测钙化点。
该方法运用了基于邻域像素的图像梯度权值计算方法,使得实现对于乳腺钼靶图像中人工干扰物的快速去除,并且由于运用了基于像素聚类的图像分割算法,使得实现对于乳房与胸部肌肉的初始分割,此外由于运用了基于霍夫变换的直线检测算法与基于多项式的曲线拟合算法精确检测并拟合乳房边界,使得采用本发明所述的方法显著提高了乳腺钼靶图像中乳房与背景及胸部肌肉之间边界的标记精度,最后由于运用了纹理滤波检测乳房中的钙化点,进而提高了乳房区域标定及钙化点检测的准确性,能够实现乳房区域自动化分割标定及钙化点自动检测标记。
本发明应用于乳腺钼靶图像临床检测分析中,着重应用在乳房区域与图像中其它组织之间的分割标定,能够正确标记乳房区域,有助于对乳房区域内部组织结构的测量与分析,进而有助于乳腺疾病的临床诊断;应用在乳房区域内钙化点检测,则能够正确标记钙化点位置并测量其面积、形态等特征,有助于对钙化点的检测与量化分析,进而有助于乳腺疾病的临床诊断。
本发明相对于现有技术的主要优点在于:
(1)本发明的方法中,采用基于像素聚类的图像分割算法,将图像分割问题转换为机器学习的分类问题,实现对于乳房区域与其它组织之间的快速精确边缘检测,极大的缩短了乳腺钼靶图像处理的运行时间,提高了图像处理效率;
(2)本发明的方法,采用特别的纹理滤波器检测乳房区域内可能存在的钙化点,能准确将钙化点与其周围组织分开,从而实现精确的钙化点识别;
(3)使用本发明的方法对乳腺钼靶图像进行检测,速度快、效率高,而且能够保证识别的精确度;
(4)使用本发明的方法能够实现在线实时检测。
乳腺钼靶图像中的乳房分割和钙化点检测是技术中的难点,本发明提供的方法显著提高了图像分割和纹理检测的速度与精度,能够应用于乳腺钼靶图像中乳房区域及钙化点检测,为乳房病变检查相关临床应用和科研提供了有效可靠的分析工具,具有广阔的明显的经济和社会效益。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1为本发明实施例的流程示意图;
图2是本发明实施例中基于灰度梯度权值图检测包含乳房与胸部肌肉的前景区域示意图,其中:a)为无人工干扰物的原始乳腺钼靶图像,b)为a)对应的梯度权值图,c)为a)对应的初始前景区域图,d)为a)对应的初始前景区域轮廓线,e)为a)对应的最终前景区域图;f)为有人工干扰物的原始乳腺钼靶图像,g)为f)对应的梯度权值图,h)为f)对应的初始前景区域轮廓区域图,i)为f)对应的初始前景区域轮廓线,其中白点标记了轮廓线上检测到的拐点,j)为f)对应最终前景区域图,其中去除了原始图像中所有人工干扰物;
图3是本发明实施例中基于像素聚类的前景区域分割示意图,其中a)为无人工干扰物的原始乳腺钼靶图像,b)为a)对应的前景区域在Kmeans聚类后的像素分类图,c)为有人工干扰物的原始乳腺钼靶图像,d)为c)的前景区域在Kmeans聚类后的像素分类图,其中不同颜色(灰度)代表了像素聚类后的不同分类,图中区域1、2聚类簇心的灰度强度值最高;
图4是本发明实施例中乳房与胸部肌肉边界检测示意图,其中a)和d)分别为两幅不同图像基于像素聚类的前景区域分割示意图,b)和e)分别为a)和d)对应的包含乳房与胸部肌肉边界的主体区域,即像素聚类中簇心灰度强度为第二类的像素聚集体,其中3、4标记区域包含了若干通过霍夫变换检测到的乳房与胸部肌肉边界线上的直线段,包含了边界拟合所需的初始端点(关键点),c)和f)分别为a)和d)对应最终乳房边界线,其中较为不平滑的曲线为本发明实施例中方法检测到的最终乳房边界线,黑白交界的轮廓为相关领域专家标定的乳房区域,其中乳房与胸部肌肉之间边界线由多项式拟合而来;
图5是本发明实施例中方法用于钙化点检测的纹理滤波器示意图,其中a)为垂直方向纹理滤波器,为[-1,0,2,0,-1;-4,0,8,0,-4;-6,0,12,0,-6;-4,0,8,0,-4;-2,0,4,0,-2],其中各方格内数字表示滤波时对应像素所乘系数,b)为水平方向纹理滤波器,为[-1,-4,-6,-4,-2;0,0,0,0,0;2,8,12,8,4;0,0,0,0,0;-1,-4,-6,-4,-2];
图6是本发明实施例中基于纹理滤波器进行钙化点检测示意图,其中a)和f)分别为两幅不同的原始乳腺钼靶图像,b)和g)分别为a)和f)钙化点所在的区域放大图像,c)和h)分别为b)和g)对应的放大区域纹理滤波后图像,d)和i)分别为b)和g)对应的放大区域检测钙化点标记图像,其中钙化点以淡灰色区域在乳房中显示;
图7是本发明实施例中方法在乳腺钼靶图像分析数据库(MIAS)上的乳房区域分割应用实例,其中a)b)c)d)中的每一对图像的左侧是原始钼靶图像,右侧是其对应的乳房分割区域图像;
图8是本发明实施例中方法是本发明实施例中方法在乳腺钼靶图像分析数据库(MIAS)上的钙化点检测应用实例,其中a)b)c)d)中的每一对图像的左侧是原始钼靶图像,右侧是其原始图像中的矩形区域放大后对应的钙化点检测标记图像,其中钙化点以淡灰色线条包围的区域在乳房中显示。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
如图1所示,本发明的实施例包括以下步骤:
步骤1:对乳腺钼靶原始图像进行预处理,包括图像去噪与增强,得到获得像素信号增强、各类组织界限更加清晰的灰度图像;
步骤2:对经过预处理后的乳腺钼靶图像计算对应的灰度梯度权值图像;
步骤3:对灰度梯度权值图像进行封闭区域的侵蚀和膨胀操作,检查图像上部乳房与粘连人工干扰物之间边界的拐点,去除图像中的人工干扰物,得到仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界;
步骤4:对仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界以内的每个像素提取二维特征,包括像素强度和灰度梯度权值两个特征,形成包含所有前景像素的特征集;
步骤5:对前景像素特征集进行Kmeans聚类计算,使得像素聚集并分为四类,其中聚类中心灰度信号强度由高到低排列第二类的像素聚集为包含乳房与胸部肌肉边界的主体区域;
步骤6:对包含乳房与胸部肌肉边界的主体区域进行Canny边缘检测,得到主体区域边缘轮廓线;
步骤7:对主体区域边缘轮廓线位于整幅图像左上角四分之一的部分进行霍夫变换,检测主体区域边缘轮廓线上同时满足预设的角度和长度条件的直线线段,得到边界线上的关键点;
步骤8:对满足预设的角度和长度条件的直线线段端点进行二元三次多项式曲线拟合,得到拟合后的乳房与胸部肌肉之间边界平滑曲线;
步骤9:对乳房与胸部肌肉之间边界平滑曲线和仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界进行融合,得到最终乳房区域的完整边界;
步骤10:对最终乳房区域的完整边界内的乳腺钼靶原始图像进行水平与垂直方向的组合纹理滤波,得到滤波后的纹理图像;
步骤11:对滤波后的纹理图像像采用固定阈值进行全局最大信号强度检测,得到分散于乳房区域内的像素聚集体作为候选钙化点图像;
步骤12:对候选钙化点图像中的所有像素聚集体进行面积和偏心度检测,根据面积及形态特征筛选后得到最终乳房内钙化点检测结果。
如图2所示,步骤1中,对乳腺钼靶原始图像进行预处理的具体步骤为:
步骤1a:对乳腺钼靶原始图像采用中值滤波去噪算法进行去噪预处理:利用5×5像素大小的搜索窗口遍历每个像素,采用中值滤波计算出窗口内所有像素灰度信号中值,将该像素的灰度值用窗口内信号中值所代替,让周围的像素值接近的真实值,从而消除孤立的噪声点,在对整幅图像搜索完成后得到去噪的灰度图像;
步骤1b:将去噪后的灰度图像采用高斯滤波算法进行增强预处理:利用5×5像素大小的搜索窗口遍历每个像素,采用高斯滤波计算出窗口内所有像素灰度信号加权平均强度值,将该像素的灰度值分别用窗口内所有像素的加权平均灰度值所代替,从而增强图像内各类组织的灰度信号,在对整幅图像搜索完成后得到增强的图像,作为图像梯度权值计算与像素聚类的依据。
如图2所示,步骤2中,对经过预处理后的乳腺钼靶图像计算对应的灰度梯度权值图像的具体步骤为:
步骤2a:从上至下、从左至右遍历乳腺钼靶图像每个像素,计算每个像素与水平方向和垂直方向的相邻像素之间的差值,并将得到的两个差值相加,得到包含了水平和垂直方向变化信息的梯度;
步骤2b:单个像素的灰度梯度权值为其梯度的倒数,所有像素的灰度梯度权值组成了与乳腺钼靶原始图像大小一致的灰度梯度权值图像;
步骤4中,对仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界以内的每个像素提取二维特征,形成包含所有前景像素的特征集的具体步骤为:
步骤4a:对仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界以内的每个像素建立二维特征表示,其中预处理后的像素灰度特征为第一个特征,像素灰度梯度权值为第二个特征;
步骤4b:对每个像素视为一个独立的样本,每个样本包含二维特征,形成包含所有像素的特征集。
步骤3中,对灰度梯度权值图像进行封闭区域的侵蚀和膨胀操作,得到仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界的具体步骤为:
步骤3a:对灰度梯度权值图像进行侵蚀操作,以大小为5个像素的菱形为结构元素对象,对图像封闭区域的边缘进行侵蚀操作,去除图像中宽度小于10个像素的疑似线性物体的像素点,将包含乳房与胸部肌肉的前景区域与大部分人工干扰物分隔开来;
步骤3b:对去除疑似线性物体的像素点后的灰度梯度权值图像进行膨胀操作,以大小为5个像素的菱形为结构元素对象,对图像封闭区域的边缘进行膨胀操作,恢复图像中主体结构的原有边界;
步骤3c:保留灰度梯度权值图像中面积最大的结构,即为仅包含乳房与胸部肌肉的前景区域,该区域的边界即前景区域和图像背景之间的边界;
步骤3d:对于仍然与前景区域相粘连的人工干扰物对应的像素点,其边界线与乳房边界线相融合于前景边界线之中,则沿前景区域和图像背景之间的边界线计算线上每个像素的曲率变化,得到一系列拐点,选取其中相对位置位于图像最下方的拐点,将该拐点以上部分所有像素从前景区域切割出去,得到去除所有人工干扰物且包含乳房和胸部肌肉的最终前景区域边界。
如图3所示,步骤5中,对前景像素特征集进行Kmeans聚类计算的步骤为:
步骤5a:对每个像素视为一个独立的样本,将所有样本投影到二维向量空间中,其中每一维度都对应于样本的相应的一个特征向量;
步骤5b:在二维极坐标空间中初始随机给定四个簇中心,按照最邻近距离原则把待分类样本点分到各个簇,然后按平均法重新计算各个簇的质心,从而确定新的簇心,一直迭代,直到簇心的移动距离小于一个给定的预设值,最终将数据分组成为四个类别,在同一个类内对象之间具有较高的相似度,不同类之间的对象差别较大;
步骤5c:根据四类像素在原图上的位置分布以及各个簇心的信号强度分布,其中簇心灰度信号强度由高到低排列第二类的像素聚集为包含乳房与胸部肌肉边界的主体区域;
步骤5b中,对于样本点p1与p2之间的距离,其计算公式如下列所示:
其中p1,p2分别为两个样本点,dcityblock为两点间Cityblock距离,I1,I2分别为p1,p2的灰度强度值,W1,W2分别为p1,p2的梯度权值;
步骤6中,对包含乳房与胸部肌肉边界的主体区域进行Canny边缘检测的步骤为:
步骤6a:将包含乳房与胸部肌肉边界的主体区域的像素二值化;
步骤6b:采用Canny边缘检测算法,标记出主体区域边缘轮廓线,其中包含乳房与胸部肌肉之间的边界线。
如图4所示,步骤7中,对主体区域边缘轮廓线位于整幅图像左上角四分之一的部分进行霍夫变换,检测主体区域边缘轮廓线上同时满足预设的角度和长度条件的直线线段,得到边界线上的关键点的步骤为:
步骤7a:对主体区域边缘轮廓线位于整幅图像左上角四分之一的部分进行霍夫变换,将该部分轮廓线上的所有点映射到霍夫空间;
步骤7b:对映射到霍夫空间的点集进行遍历,检测同时满足角度为0至80度和长度为20像素以上条件的直线线段;
步骤7c:将符合条件的每条直线线段两个端点记录位置,作为乳房与胸部肌肉之间的边界线上的关键点。
步骤8中,对满足预设的角度和长度条件的直线线段端点进行二元三次多项式曲线拟合的步骤为:
步骤8a:将步骤7中得到的所有关键点纵横坐标(xi,yi)记录到集合(X,Y)中;
步骤8b:采用多项式曲线拟合方法计算集合(X,Y)符合的二元三次多项式,通过插值方法计算所有曲线经过点的坐标集(XN,YN),即为拟合后的乳房与胸部肌肉之间边界平滑曲线。
如图4所示,步骤9中,对乳房与胸部肌肉之间边界平滑曲线和仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界进行融合的步骤为:
步骤9a:将两条边界同时映射在乳腺钼靶原始图像上,找到两条边界的交点;
步骤9b:从交点出发分别沿两条边界曲线遍历线上所有像素,像素共同组成最终乳房区域的完整边界,边界以内为乳房区域,以外为其它组织与背景区域。
如图5所示,步骤10中,对最终乳房区域的完整边界内的乳腺钼靶原始图像进行水平与垂直方向的组合纹理滤波的步骤为:
步骤10a:采用5×5像素大小水平方向滤波器[-1,-4,-6,-4,-2;0,0,0,0,0;2,8,12,8,4;0,0,0,0,0;-1,-4,-6,-4,-2]从上至下、从左至右遍历最终乳房区域的完整边界内的乳腺钼靶原始图像的每个像素,计算每个像素与其邻域内像素在滤波器各对应点上系数相乘加权和,得到每个像素对应的水平滤波值;步骤10b:采用5×5像素大小垂直方向滤波器[-1,0,2,0,-1;-4,0,8,0,-4;-6,0,12,0,-6;-4,0,8,0,-4;-2,0,4,0,-2]从上至下、从左至右遍历最终乳房区域的完整边界内的乳腺钼靶原始图像每个像素,计算每个像素与其邻域内像素在滤波器各对应点上系数相乘加权和,得到每个像素对应的垂直滤波值;步骤10c:将每个像素对应的水平和垂直滤波值相加,得到融合后的与原始图像对应的滤波后的纹理图像;
步骤10中,对于某个像素P(i,j)对应的水平和垂直滤波值加权求和,其计算公式如下列所示:
其中i,j分别为像素的横坐标与纵坐标,v(i,j)为滤波值加权和,In为滤波器覆盖范围内从上至下、从左至右扫描的第n个像素点,总数为25个,wnv,wnh分别为水平滤波器与垂直滤波器在对应点上的权值系数。
如图6所示,步骤11中,对滤波后的纹理图像像采用固定阈值进行全局最大信号强度检测的步骤为:
步骤11a:计算滤波后的纹理图像的信号强度分布柱状图,以柱状图中信号强度最大值的4/5为相对阈值;
步骤11b:采用相对阈值对滤波后的纹理图像进行全局最大信号强度检测,仅保留信号强度大于相对阈值的像素点,将该类像素点在图像中的聚集体作为候选钙化点图像。
步骤12中,对候选钙化点图像中的所有像素聚集体进行面积和偏心度检测,根据面积及形态特征筛选后得到最终乳房内钙化点检测结果的步骤为:
步骤12a:将所有候选钙化点图像的像素聚集体二值化,对各二值化后的候选钙化点进行封闭区域检测,得到各候选钙化点图像的面积和偏心率;
步骤12b:对所有候选钙化点图像进行遍历,将面积小于等于60像素且偏心率小于等于0.8的候选钙化点选择出来,将其余不符合条件的候选钙化点从图像中去除,得到最终乳房内钙化点分布二值化图像;
步骤12c:将最终乳房内钙化点分布二值化图像映射在乳腺钼靶原始图像上,统计其面积及形态特征,即为最终乳房内钙化点检测结果。
如图7,图8所示,利用本发明实施例的方法对实际样本进行了多次验证,以证明本发明实施例的操作可行性。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的乳腺钼靶图像乳房区域分割与钙化点检测方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (10)
1.一种乳腺钼靶图像乳房区域分割与钙化点检测方法,其特征在于,包括以下步骤:
步骤1:对乳腺钼靶原始图像进行预处理,包括图像去噪与增强;
步骤2:对经过预处理后的乳腺钼靶图像计算对应的灰度梯度权值图像;
步骤3:对所述灰度梯度权值图像进行封闭区域的侵蚀和膨胀操作,检查图像上部乳房与粘连人工干扰物之间边界的拐点,去除图像中的人工干扰物,得到仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界;
步骤4:对所述仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界以内的每个像素提取二维特征,包括像素强度和灰度梯度权值两个特征,形成包含所有前景像素的特征集;
步骤5:对所述前景像素特征集进行Kmeans聚类计算,使得像素聚集并分为四类,其中聚类中心灰度信号强度由高到低排列第二类的像素聚集为包含乳房与胸部肌肉边界的主体区域;
步骤6:对所述包含乳房与胸部肌肉边界的主体区域进行Canny边缘检测,得到主体区域边缘轮廓线;
步骤7:对所述主体区域边缘轮廓线位于整幅图像左上角四分之一的部分进行霍夫变换,检测主体区域边缘轮廓线上同时满足预设的角度和长度条件的直线线段,得到边界线上的关键点;
步骤8:对所述满足预设的角度和长度条件的直线线段端点进行二元三次多项式曲线拟合,得到拟合后的乳房与胸部肌肉之间边界平滑曲线;
步骤9:对所述乳房与胸部肌肉之间边界平滑曲线和所述仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界进行融合,得到最终乳房区域的完整边界;
步骤10:对所述最终乳房区域的完整边界内的所述乳腺钼靶原始图像进行水平与垂直方向的组合纹理滤波,得到滤波后的纹理图像;
步骤11:对所述滤波后的纹理图像像采用固定阈值进行全局最大信号强度检测,得到分散于乳房区域内的像素聚集体作为候选钙化点图像;
步骤12:对所述候选钙化点图像中的所有像素聚集体进行面积和偏心度检测,根据面积及形态特征筛选后得到最终乳房内钙化点检测结果。
2.根据权利要求1所述的乳腺钼靶图像乳房区域分割与钙化点检测方法,其特征在于:步骤1中,对乳腺钼靶原始图像进行预处理的具体步骤为:
步骤1a:对所述乳腺钼靶原始图像采用中值滤波去噪算法进行去噪预处理;
步骤1b:将去噪后的灰度图像采用高斯滤波算法进行增强预处理。
3.根据权利要求1所述的乳腺钼靶图像乳房区域分割与钙化点检测方法,其特征在于:步骤2中,对经过预处理后的乳腺钼靶图像计算对应的灰度梯度权值图像的具体步骤为:
步骤2a:从上至下、从左至右遍历乳腺钼靶图像每个像素,计算每个像素与水平方向和垂直方向的相邻像素之间的差值,并将得到的两个差值相加,得到包含了水平和垂直方向变化信息的梯度;
步骤2b:单个像素的灰度梯度权值为其梯度的倒数,所有像素的灰度梯度权值组成了与乳腺钼靶原始图像大小一致的灰度梯度权值图像;
步骤4中,对所述仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界以内的每个像素提取二维特征,形成包含所有前景像素的特征集的具体步骤为:
步骤4a:对仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界以内的每个像素建立二维特征表示,其中预处理后的像素灰度特征为第一个特征,像素灰度梯度权值为第二个特征;
步骤4b:对每个像素视为一个独立的样本,每个样本包含二维特征,形成包含所有像素的特征集。
4.根据权利要求1所述的乳腺钼靶图像乳房区域分割与钙化点检测方法,其特征在于:步骤3中,对所述灰度梯度权值图像进行封闭区域的侵蚀和膨胀操作,得到仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界的具体步骤为:
步骤3a:对灰度梯度权值图像进行侵蚀操作,以大小为5个像素的菱形为结构元素对象,对图像封闭区域的边缘进行侵蚀操作,去除图像中宽度小于10个像素的疑似线性物体的像素点;
步骤3b:对去除疑似线性物体的像素点后的灰度梯度权值图像进行膨胀操作,以大小为5个像素的菱形为结构元素对象,对图像封闭区域的边缘进行膨胀操作,恢复图像中主体结构的原有边界;
步骤3c:保留灰度梯度权值图像中面积最大的结构,即为仅包含乳房与胸部肌肉的前景区域,该区域的边界即前景区域和图像背景之间的边界;
步骤3d:对于仍然与前景区域相粘连的人工干扰物对应的像素点,其边界线与乳房边界线相融合于前景边界线之中,则沿前景区域和图像背景之间的边界线计算线上每个像素的曲率变化,得到一系列拐点,选取其中相对位置位于图像最下方的拐点,将该拐点以上部分所有像素从前景区域切割出去,得到去除所有人工干扰物且包含乳房和胸部肌肉的最终前景区域边界。
5.根据权利要求1所述的乳腺钼靶图像乳房区域分割与钙化点检测方法,其特征在于:步骤5中,对所述前景像素特征集进行Kmeans聚类计算的步骤为:
步骤5a:对每个像素视为一个独立的样本,将所有样本投影到二维向量空间中,其中每一维度都对应于样本的相应的一个特征向量;
步骤5b:在二维极坐标空间中初始随机给定四个簇中心,按照最邻近距离原则把待分类样本点分到各个簇,然后按平均法重新计算各个簇的质心,从而确定新的簇心,一直迭代,直到簇心的移动距离小于一个给定的预设值,最终将数据分组成为四个类别;
步骤5c:根据四类像素在原图上的位置分布以及各个簇心的信号强度分布,其中簇心灰度信号强度由高到低排列第二类的像素聚集为包含乳房与胸部肌肉边界的主体区域;
步骤5b中,对于样本点p1与p2之间的距离,其计算公式如下列所示:
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
<mi>t</mi>
<mi>y</mi>
<mi>b</mi>
<mi>l</mi>
<mi>o</mi>
<mi>c</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mo>|</mo>
<mo>=</mo>
<mo>|</mo>
<mrow>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mrow>
<msub>
<mi>W</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>W</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>|</mo>
</mrow>
其中p1,p2分别为两个样本点,dcityblock为两点间Cityblock距离,I1,I2分别为p1,p2的灰度强度值,W1,W2分别为p1,p2的梯度权值;
步骤6中,对所述包含乳房与胸部肌肉边界的主体区域进行Canny边缘检测的步骤为:
步骤6a:将包含乳房与胸部肌肉边界的主体区域的像素二值化;
步骤6b:采用Canny边缘检测算法,标记出主体区域边缘轮廓线,其中包含乳房与胸部肌肉之间的边界线。
6.根据权利要求1所述的乳腺钼靶图像乳房区域分割与钙化点检测方法,其特征在于:步骤7中,对所述主体区域边缘轮廓线位于整幅图像左上角四分之一的部分进行霍夫变换,检测主体区域边缘轮廓线上同时满足预设的角度和长度条件的直线线段,得到边界线上的关键点的步骤为:
步骤7a:对所述主体区域边缘轮廓线位于整幅图像左上角四分之一的部分进行霍夫变换,将该部分轮廓线上的所有点映射到霍夫空间;
步骤7b:对映射到霍夫空间的点集进行遍历,检测同时满足角度为0至80度和长度为20像素以上条件的直线线段;
步骤7c:将符合条件的每条直线线段两个端点记录位置,作为乳房与胸部肌肉之间的边界线上的关键点;
步骤8中,对所述满足预设的角度和长度条件的直线线段端点进行二元三次多项式曲线拟合的步骤为:
步骤8a:将步骤7中得到的所有关键点纵横坐标(xi,yi)记录到集合(X,Y)中;
步骤8b:采用多项式曲线拟合方法计算集合(X,Y)符合的二元三次多项式,通过插值方法计算所有曲线经过点的坐标集(XN,YN),即为拟合后的乳房与胸部肌肉之间边界平滑曲线。
7.根据权利要求1所述的乳腺钼靶图像乳房区域分割与钙化点检测方法,其特征在于:步骤9中,对所述乳房与胸部肌肉之间边界平滑曲线和所述仅包含乳房与胸部肌肉的前景区域和图像背景之间的边界进行融合的步骤为:
步骤9a:将两条边界同时映射在所述乳腺钼靶原始图像上,找到两条边界的交点;
步骤9b:从所述交点出发分别沿两条边界曲线遍历线上所有像素,像素共同组成最终乳房区域的完整边界,边界以内为乳房区域,以外为其它组织与背景区域。
8.根据权利要求1所述的乳腺钼靶图像乳房区域分割与钙化点检测方法,其特征在于:步骤10中,对所述最终乳房区域的完整边界内的所述乳腺钼靶原始图像进行水平与垂直方向的组合纹理滤波的步骤为:
步骤10a:采用5×5像素大小水平方向滤波器[-1,-4,-6,-4,-2;0,0,0,0,0;2,8,12,8,4;0,0,0,0,0;-1,-4,-6,-4,-2]从上至下、从左至右遍历所述最终乳房区域的完整边界内的所述乳腺钼靶原始图像的每个像素,计算每个像素与其邻域内像素在滤波器各对应点上系数相乘加权和,得到每个像素对应的水平滤波值;
步骤10b:采用5×5像素大小垂直方向滤波器[-1,0,2,0,-1;-4,0,8,0,-4;-6,0,12,0,-6;-4,0,8,0,-4;-2,0,4,0,-2]从上至下、从左至右遍历所述最终乳房区域的完整边界内的所述乳腺钼靶原始图像每个像素,计算每个像素与其邻域内像素在滤波器各对应点上系数相乘加权和,得到每个像素对应的垂直滤波值;
步骤10c:将每个像素对应的水平和垂直滤波值相加,得到融合后的与原始图像对应的滤波后的纹理图像;
所述步骤10中,对于某个像素P(i,j)对应的水平和垂直滤波值加权求和,其计算公式如下列所示:
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>25</mn>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>n</mi>
<mi>v</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>I</mi>
<mi>n</mi>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>n</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>I</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>50</mn>
</mrow>
其中i,j分别为像素的横坐标与纵坐标,v(i,j)为滤波值加权和,In为滤波器覆盖范围内从上至下、从左至右扫描的第n个像素点,总数为25个,wnv,wnh分别为水平滤波器与垂直滤波器在对应点上的权值系数。
9.根据权利要求1所述的乳腺钼靶图像乳房区域分割与钙化点检测方法,其特征在于:步骤11中,对所述滤波后的纹理图像像采用固定阈值进行全局最大信号强度检测的步骤为:
步骤11a:计算滤波后的纹理图像的信号强度分布柱状图,以柱状图中信号强度最大值的4/5为相对阈值;
步骤11b:采用所述相对阈值对滤波后的纹理图像进行全局最大信号强度检测,仅保留信号强度大于所述相对阈值的像素点,将该类像素点在图像中的聚集体作为候选钙化点图像。
10.根据权利要求1所述的乳腺钼靶图像乳房区域分割与钙化点检测方法,其特征在于:步骤12中,对所述候选钙化点图像中的所有像素聚集体进行面积和偏心度检测,根据面积及形态特征筛选后得到最终乳房内钙化点检测结果的步骤为:
步骤12a:将所有所述候选钙化点图像的像素聚集体二值化,对各二值化后的候选钙化点进行封闭区域检测,得到各候选钙化点图像的面积和偏心率;
步骤12b:对所有所述候选钙化点图像进行遍历,将面积小于等于60像素且偏心率小于等于0.8的候选钙化点选择出来,将其余不符合条件的候选钙化点从图像中去除,得到最终乳房内钙化点分布二值化图像;
步骤12c:将最终乳房内钙化点分布二值化图像映射在乳腺钼靶原始图像上,统计其面积及形态特征,即为最终乳房内钙化点检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711312146.XA CN107798679B (zh) | 2017-12-11 | 2017-12-11 | 乳腺钼靶图像乳房区域分割与钙化点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711312146.XA CN107798679B (zh) | 2017-12-11 | 2017-12-11 | 乳腺钼靶图像乳房区域分割与钙化点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107798679A true CN107798679A (zh) | 2018-03-13 |
CN107798679B CN107798679B (zh) | 2021-04-27 |
Family
ID=61537415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711312146.XA Active CN107798679B (zh) | 2017-12-11 | 2017-12-11 | 乳腺钼靶图像乳房区域分割与钙化点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107798679B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285147A (zh) * | 2018-08-30 | 2019-01-29 | 北京深睿博联科技有限责任公司 | 用于乳腺钼靶钙化检测的图像处理方法及装置、服务器 |
CN109288536A (zh) * | 2018-09-30 | 2019-02-01 | 数坤(北京)网络科技有限公司 | 获取冠脉钙化区域分类的方法、装置及系统 |
CN109829896A (zh) * | 2019-01-14 | 2019-05-31 | 中国科学院苏州生物医学工程技术研究所 | 基于多域特征的数字乳腺x射线断层摄影图像的微钙化簇自动检测方法 |
CN109893100A (zh) * | 2019-04-18 | 2019-06-18 | 盐城工学院 | 一种乳腺癌风险评估中乳腺密度定量化计算的方法 |
CN110021016A (zh) * | 2019-04-01 | 2019-07-16 | 数坤(北京)网络科技有限公司 | 一种钙化检测方法 |
CN110197474A (zh) * | 2018-03-27 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 图像处理方法和装置及神经网络模型的训练方法 |
CN110264461A (zh) * | 2019-06-25 | 2019-09-20 | 南京工程学院 | 基于超声乳腺肿瘤图像的微小钙化点自动检测方法 |
CN110400303A (zh) * | 2019-07-25 | 2019-11-01 | 杭州依图医疗技术有限公司 | 一种确定、显示乳房图像中病灶的方法及装置 |
CN110459319A (zh) * | 2019-05-16 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 基于人工智能的乳腺钼靶图像的辅助诊断系统 |
CN113610810A (zh) * | 2021-08-09 | 2021-11-05 | 华力创科学(深圳)有限公司 | 一种基于马尔科夫随机场的血管检测方法 |
CN115953781A (zh) * | 2023-03-14 | 2023-04-11 | 武汉昊博科技有限公司 | 基于热层析影像的乳腺人工智能分析系统及方法 |
CN116824466A (zh) * | 2023-06-21 | 2023-09-29 | 前海蜂鸟谷教育科技(深圳)有限公司 | 辅助少儿智能编程的方法、装置和计算机存储介质 |
CN117765107A (zh) * | 2023-11-20 | 2024-03-26 | 河北港口集团有限公司秦皇岛中西医结合医院 | 冠状动脉疾病ct扫描的成像质量优化方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080101678A1 (en) * | 2006-10-25 | 2008-05-01 | Agfa Healthcare Nv | Method for Segmenting Digital Medical Image |
US20100135562A1 (en) * | 2008-11-28 | 2010-06-03 | Siemens Computer Aided Diagnosis Ltd. | Computer-aided detection with enhanced workflow |
CN101853376A (zh) * | 2010-02-10 | 2010-10-06 | 西安理工大学 | 一种乳腺微钙化点计算机辅助检测方法 |
CN102663410A (zh) * | 2012-02-27 | 2012-09-12 | 北京交通大学 | 一种乳腺图像微钙化点的检测方法和系统 |
US20120300899A1 (en) * | 2011-05-25 | 2012-11-29 | Fujifilm Corporation | Image processing device, radiographic image capture system, image processing method, and image processing program storage medium |
CN103700085A (zh) * | 2012-09-28 | 2014-04-02 | 深圳市蓝韵实业有限公司 | 乳腺x光图像中胸肌区域的分割方法 |
CN104732509A (zh) * | 2013-12-18 | 2015-06-24 | 北京三星通信技术研究有限公司 | 自适应图像分割方法和设备 |
US20170301081A1 (en) * | 2015-09-30 | 2017-10-19 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for determining a breast region in a medical image |
-
2017
- 2017-12-11 CN CN201711312146.XA patent/CN107798679B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080101678A1 (en) * | 2006-10-25 | 2008-05-01 | Agfa Healthcare Nv | Method for Segmenting Digital Medical Image |
US20100135562A1 (en) * | 2008-11-28 | 2010-06-03 | Siemens Computer Aided Diagnosis Ltd. | Computer-aided detection with enhanced workflow |
CN101853376A (zh) * | 2010-02-10 | 2010-10-06 | 西安理工大学 | 一种乳腺微钙化点计算机辅助检测方法 |
US20120300899A1 (en) * | 2011-05-25 | 2012-11-29 | Fujifilm Corporation | Image processing device, radiographic image capture system, image processing method, and image processing program storage medium |
CN102663410A (zh) * | 2012-02-27 | 2012-09-12 | 北京交通大学 | 一种乳腺图像微钙化点的检测方法和系统 |
CN103700085A (zh) * | 2012-09-28 | 2014-04-02 | 深圳市蓝韵实业有限公司 | 乳腺x光图像中胸肌区域的分割方法 |
CN104732509A (zh) * | 2013-12-18 | 2015-06-24 | 北京三星通信技术研究有限公司 | 自适应图像分割方法和设备 |
US20170301081A1 (en) * | 2015-09-30 | 2017-10-19 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for determining a breast region in a medical image |
Non-Patent Citations (4)
Title |
---|
ANDRIK RAMPUN等: ""Fully automated breast boundary and pectoral muscle segmentation in mammograms"", 《ARTIFICIAL INTELLIGENCE IN MEDICINE》 * |
CHIWEN HSIEH等: ""Self-organizing Map of Neural Network for Micro-calcifications Detection of Mammograms"", 《INSTITUTE OF ELECTRICAL & ELECTRONICS ENGINEERS》 * |
JAMES D等: ""Texture detection of simulated microcalcification susceptibility effects in magnetic resonance imaging of breasts"", 《JOURNAL OF MAGNETIC RESONANCE IMAGING》 * |
常甜甜等: ""基于K均值聚类和多核SVM的微钙化簇检测"", 《计算机科学》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197474A (zh) * | 2018-03-27 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 图像处理方法和装置及神经网络模型的训练方法 |
CN110197474B (zh) * | 2018-03-27 | 2023-08-25 | 腾讯科技(深圳)有限公司 | 图像处理方法和装置及神经网络模型的训练方法 |
CN109285147B (zh) * | 2018-08-30 | 2020-12-29 | 杭州深睿博联科技有限公司 | 用于乳腺钼靶钙化检测的图像处理方法及装置、服务器 |
CN109285147A (zh) * | 2018-08-30 | 2019-01-29 | 北京深睿博联科技有限责任公司 | 用于乳腺钼靶钙化检测的图像处理方法及装置、服务器 |
CN109288536A (zh) * | 2018-09-30 | 2019-02-01 | 数坤(北京)网络科技有限公司 | 获取冠脉钙化区域分类的方法、装置及系统 |
CN109829896A (zh) * | 2019-01-14 | 2019-05-31 | 中国科学院苏州生物医学工程技术研究所 | 基于多域特征的数字乳腺x射线断层摄影图像的微钙化簇自动检测方法 |
CN110021016B (zh) * | 2019-04-01 | 2020-12-18 | 数坤(北京)网络科技有限公司 | 一种钙化检测方法 |
CN110021016A (zh) * | 2019-04-01 | 2019-07-16 | 数坤(北京)网络科技有限公司 | 一种钙化检测方法 |
CN109893100A (zh) * | 2019-04-18 | 2019-06-18 | 盐城工学院 | 一种乳腺癌风险评估中乳腺密度定量化计算的方法 |
CN110459319A (zh) * | 2019-05-16 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 基于人工智能的乳腺钼靶图像的辅助诊断系统 |
CN110264461B (zh) * | 2019-06-25 | 2020-10-27 | 南京工程学院 | 基于超声乳腺肿瘤图像的微小钙化点自动检测方法 |
CN110264461A (zh) * | 2019-06-25 | 2019-09-20 | 南京工程学院 | 基于超声乳腺肿瘤图像的微小钙化点自动检测方法 |
CN110400303A (zh) * | 2019-07-25 | 2019-11-01 | 杭州依图医疗技术有限公司 | 一种确定、显示乳房图像中病灶的方法及装置 |
CN113610810A (zh) * | 2021-08-09 | 2021-11-05 | 华力创科学(深圳)有限公司 | 一种基于马尔科夫随机场的血管检测方法 |
CN115953781A (zh) * | 2023-03-14 | 2023-04-11 | 武汉昊博科技有限公司 | 基于热层析影像的乳腺人工智能分析系统及方法 |
CN116824466A (zh) * | 2023-06-21 | 2023-09-29 | 前海蜂鸟谷教育科技(深圳)有限公司 | 辅助少儿智能编程的方法、装置和计算机存储介质 |
CN116824466B (zh) * | 2023-06-21 | 2024-05-17 | 前海蜂鸟谷教育科技(深圳)有限公司 | 辅助少儿智能编程的方法、装置和计算机存储介质 |
CN117765107A (zh) * | 2023-11-20 | 2024-03-26 | 河北港口集团有限公司秦皇岛中西医结合医院 | 冠状动脉疾病ct扫描的成像质量优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107798679B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798679A (zh) | 乳腺钼靶图像乳房区域分割与钙化点检测方法 | |
CN108052977B (zh) | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 | |
Naqi et al. | Lung nodule detection using polygon approximation and hybrid features from CT images | |
Zhao et al. | Segmentation of ultrasound images of thyroid nodule for assisting fine needle aspiration cytology | |
CN108564567A (zh) | 一种超高分辨率病理图像癌变区域可视化方法 | |
CN108765427A (zh) | 一种前列腺图像分割方法 | |
Alheejawi et al. | Novel lymph node segmentation and proliferation index measurement for skin melanoma biopsy images | |
CN105654490A (zh) | 一种基于超声弹性图像的病变区域提取方法及装置 | |
Yugander et al. | Liver tumor segmentation in noisy CT images using distance regularized level set evolution based on fuzzy C-means clustering | |
Zhang et al. | Object localization improved grabcut for lung parenchyma segmentation | |
CN113850328A (zh) | 基于多视角深度学习的非小细胞肺癌亚型分类系统 | |
Sagar et al. | Color channel based segmentation of skin lesion from clinical images for the detection of melanoma | |
Alheejawi et al. | Automated proliferation index calculation for skin melanoma biopsy images using machine learning | |
Zhao et al. | Study of image segmentation algorithm based on textural features and neural network | |
Karthikeyan et al. | Lungs segmentation using multi-level thresholding in CT images | |
CN109285176A (zh) | 一种基于正则化图割的大脑组织分割方法 | |
CN110533667B (zh) | 基于图像金字塔融合的肺部肿瘤ct影像3d分割方法 | |
Lawankar et al. | Segmentation of liver using marker watershed transform algorithm for CT scan images | |
Rashid et al. | Segmenting melanoma lesion using single shot detector (SSD) and level set segmentation technique | |
Manikandan et al. | Glaucoma Detection in Retinal Images using Automatic Thresholding and Marker-Controlled Watershed Transformation | |
Song et al. | Liver segmentation based on SKFCM and improved GrowCut for CT images | |
Sun | Development of segmentation methods for vascular angiogram | |
Joda et al. | Digital mammogram enhancement based on automatic histogram clipping | |
Punithavathi et al. | Detection of breast lesion using improved GLCM feature based extraction in mammogram images | |
Nandanwar et al. | Analysis of pixel intensity variation by performing morphological operations for image segmentation on cervical cancer pap smear image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |