CN108109144A - 一种钼靶图像中乳头位置自动检测方法 - Google Patents
一种钼靶图像中乳头位置自动检测方法 Download PDFInfo
- Publication number
- CN108109144A CN108109144A CN201711476809.1A CN201711476809A CN108109144A CN 108109144 A CN108109144 A CN 108109144A CN 201711476809 A CN201711476809 A CN 201711476809A CN 108109144 A CN108109144 A CN 108109144A
- Authority
- CN
- China
- Prior art keywords
- target image
- breast
- molybdenum target
- rbst
- teat placement
- 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.)
- Withdrawn
Links
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 229910052750 molybdenum Inorganic materials 0.000 title claims abstract description 49
- 239000011733 molybdenum Substances 0.000 title claims abstract description 49
- 238000012360 testing method Methods 0.000 title claims abstract description 16
- 210000000481 breast Anatomy 0.000 claims abstract description 66
- 210000002445 nipple Anatomy 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000005096 rolling process Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 210000000062 pectoralis major Anatomy 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 210000000038 chest Anatomy 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 210000002976 pectoralis muscle Anatomy 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000005741 malignant process Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 206010006187 Breast cancer Diseases 0.000 abstract description 3
- 208000026310 Breast neoplasm Diseases 0.000 abstract description 3
- 206010028980 Neoplasm Diseases 0.000 abstract description 2
- 201000011510 cancer Diseases 0.000 abstract description 2
- 230000004083 survival effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 210000004883 areola Anatomy 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- 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
- G06T7/187—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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- 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
Abstract
本发明公开了一种钼靶图像中乳头位置自动检测方法,包括下述步骤:S1、读入乳腺钼靶图像,并进行预处理;S2、判断乳腺钼靶图像中乳头的大小与设定标准值的大小,若大于等于设定标准值,则进入步骤S3,若小于设定标准值,则进入步骤S4;S3、采用滚球法对乳腺钼靶图像进行分类,并检测乳头位置;S4、采用橡皮筋矫直变换(RBST)算法,将乳腺钼靶图像中乳房边缘拉直成为矩形RBST图像,将沿乳房边界的像素映射到RBST图像的第一行,沿着对象边界法线的像素依次按列映射到RBST图像。本发明能够准确有效且鲁棒性高的钼靶图像中定位乳头位置的方法,从而为提高乳腺钼靶图像的多视角分析的潜力,提高乳腺癌诊断准确率,提高癌症患者的生存机率。
Description
技术领域
本发明涉及图像处理的技术领域,更具体地说,涉及一种钼靶图像中乳头位置自动检测方法。
背景技术
在计算机辅助诊断乳腺癌领域,乳头作为乳腺钼靶图像中唯一稳定和一致的标志点,乳头位置的诊断是一个重要的研究方向,并且出现了较多的诊断算法,且不同的诊断算法各自有其优点,但是也有不足之处。
2004年,Zhou提出了一种非常严格的乳头检测算法。该算法分为两个阶段,第一阶段,基于沿乳房边界的强度值的显著变化检测乳头位置。第二阶段,基于乳头周围的纹理图案的收敛来检测乳头位置。最终乳头位置是基于置信度测量和一组规则找到的。然而,致密的乳房钼靶图像可能具有结构化的噪声,因此当使用该方法时可能产生假阳性,所以这一方法的结果仍然是不够好的。
2008年,Kinoshita et al.发现乳头位置处于乳腺组织成分的交叉点,并使用Radon变换实现检测乳头位置;虽然这是很优秀的算法,但它的局限之处在于不能精确检测出乳房边界。
2009年,Mustra尝试使用乳房区域的几何性质以及乳头在内部轮廓和乳头外部轮廓累积强度分布不同两种特征组合。该种算法的局限之处在于没有在中侧外倾斜(MLO)视图图像上测试,并在最终检测中过度依赖于强度分布。
2011年,Tzikopoulos试图将乳头模型化为位于乳房边界外侧的10mm搜索带中的椭圆。但是该算法的实现都是基于强度特征,并且这可能成为限制算法鲁棒性的因素,因为图像采集技术随着时间推移会发生变化,而这将影响图像的对比度和强度等参数。此外,该算法的一个缺点是会将强度类似于乳头的区域错误的检测为乳头。
2013年,Paola Casti提出基于海森矩阵的乳头检测方法,该方法包括使用几何约束检测乳房钼靶图像中的乳头的合理存在区域,通过平均和高斯曲率测量分析梯度矢量场以及局部形状条件检测出乳头位置。但是该方法的不足之处在于,将具有最大的平均高斯曲率的连通区域检测为乳头位置不是对于所有乳腺钼靶图像都成立,这一方法在检测乳头平坦且较小的乳腺钼靶图像时准确率较低。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,本发明提供一种具有准确有效且鲁棒性高的钼靶图像中定位乳头位置的方法,从而为提高乳腺钼靶图像的多视角分析的潜力,提高乳腺癌诊断准确率,提高癌症患者的生存机率。
为了达到上述目的,本发明采用以下技术方案:
本发明一种钼靶图像中乳头位置自动检测方法,包括下述步骤:
S1、读入乳腺钼靶图像,并进行预处理,预处理包括:
S11、将乳房区域和背景分开以及去除图像中的文字标签信息;
S12、图像下采样;
S13、求出缩小乳头搜索范围的区域,即PNRA区域;
S2、判断乳腺钼靶图像中乳头的大小与设定标准值的大小,若大于等于设定标准值,则进入步骤S3,若小于设定标准值,则进入步骤S4;
S3、采用滚球法对乳腺钼靶图像进行分类,并检测乳头位置;
S4、采用橡皮筋矫直变换算法RBST,将乳腺钼靶图像中乳房边缘拉直成为矩形RBST图像,将沿乳房边界的像素映射到RBST图像的第一行,沿着对象边界法线的像素依次按列映射到RBST图像,并执行如下步骤:
S41、提取矩形RBST图像的特征量;
S42、对提取特征量后的图像进行组合;
S43、进行分类器训练,并预测检测的结果。
作为优选的技术方案,步骤S11中,采用最大化类间方差的分割方法将乳房区域和背景分开,然后将图像二值化后保留最大的八连通区域以去除文字标签。
作为优选的技术方案,步骤S12中,使用双线性插值方法将所有图像下采样至300μm/像素的空间分辨率。
作为优选的技术方案,步骤S13中,所述PNRA区域定义为在乳腺钼靶图像上一个小的可以减少由于噪声、伪像、良性或恶性过程的存在引起的乳头位置错误检测的几率的搜索区域,并将其定义为即使在乳房结构的缩回或移位的情况下也包括乳头的区域;假设乳头位于皮肤线附近的垂直于胸大肌直线MLO视图或胸壁CC视图中的最远点处;
对于MLO视图,NRA区域的定位需要提取乳房皮肤轮廓以及胸肌的取向的估计;
对于CC视图,因为胸大肌线与竖直方向重合所以旋转角度为0,对于MLO图像,旋转角度为胸大肌的方向角α;其中α为竖直方向与胸大肌之间形成的角度,将图像逆时针旋转相应角度,得到水平图像,旋转以后的胸大肌直线即作为水平的坐标轴。
作为优选的技术方案,步骤S3中,采用滚球法的具体实现过程如下:用设定直径圆盘结构去腐蚀乳房边缘,用原图减去腐蚀后的图像得到乳头区域,乳头区域的重心即检测为乳头位置。
作为优选的技术方案,步骤S4中,所述RBST图像的构成是沿着乳房边缘的一条曲线形成的,RBST图像每一列的像素是沿着乳房边缘的法向量的像素所构成。
作为优选的技术方案,所述RBST图像的宽度选择为40像素。
作为优选的技术方案,步骤S41中,所述特征量包括取纹理特征、灰度特征和位置特征。
作为优选的技术方案,步骤S43中,选用随机森林分类器,随机森林是一个包含多个决策树的分离器,其输出结果是由输出的类别的复数而定的;
随机森林算法的执行过程可以简述如下:
(1)随机选择训练数据:每棵树大约训练总训练数据的63.2%,剩余的样本用于误差的评估;每棵树的训练数据从总训练数据中随机有放回抽取,随机抽取出来的训练数据将用于这棵决策树的生长;
(2)随机特征选择:在总训练数据的所有特征中随机选择10个特征,并且使用这个特征的最佳分割来分割节点,k的值将在决策树生长过程中保持不变;
(3)预测结果:每棵树给出一个分类,将这个分类定义为树的“投票”,随机选择森林中得到票数最多的分类,对于分类问题,每棵树投票的值将会是0或者1,计数正样本1的得票数最多的分类就是预测结果,对于回归问题,随机森林接受的投票数是预测概率,预测结果是每棵树预测结果的平均值。
作为优选的技术方案,步骤S43中,一共用到了400棵决策树。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明使用滚球法对钼靶图像进行分类,对不同类型的钼靶图像使用不同的检测方法,增加鲁棒性和准确性。
(2)本发明使用橡皮筋变换方法对乳房区域进行形状变换,使其能够适用所有图像特征提取方法,克服了现有技术因为没有进行变换因此只能使用特定的图像特征提取方法的缺陷。
附图说明
图1是本发明检测方法的流程图。
图2(a)是随机森林预测的乳晕区域结果示意图;
图2(b)是本发明自动检测方法检测出的乳头位置的结果示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本实施例钼靶图像中乳头位置自动检测方法,包括下述步骤:
(1)读入乳腺钼靶图像,并进行预处;
图像预处理的主要目的是降低噪声对图像质量的影响,可以更加精确地提取出图像的特征以及更好的分析图像。读入乳腺钼靶图像后,需要进行的预处理操作有将乳房区域和背景分开以及去除图像中的文字标签信息,图像下采样,求出缩小乳头搜索范围的区域(后文简称PNRA区域)。
本实施例中,使用最大化类间方差的分割方法将乳房区域和背景分开,然后将图像二值化后保留最大的八连通区域即可去除文字标签。
为了以相同的方式处理乳腺钼靶图像,使用双线性插值方法将所有图像下采样至300μm/像素的空间分辨率。
PNRA区域定义为在乳腺钼靶图像上一个小的可以减少由于噪声,伪像或良性或恶性过程的存在引起的乳头位置错误检测的几率的搜索区域,并将其定义为即使在乳房结构的缩回或移位的情况下也包括乳头的区域。假设乳头位于皮肤线附近的垂直于胸大肌直线(MLO视图)或胸壁(CC视图)中的最远点处。因此,PNRA区域的定位需要提取乳房皮肤轮廓以及胸肌的取向的估计(对于MLO视图);对于CC图像,因为胸大肌线与竖直方向重合所以旋转角度为0,对于MLO图像,旋转角度为α(其中α为竖直方向与胸大肌之间形成的角度,如如图2(a)、图2(b)所示),将图像逆时针旋转相应角度,得到水平图像,旋转以后的胸大肌直线即作为水平的坐标轴。
(2)采用滚球法分类乳头大小,对于乳头较大的钼靶图像,滚球法能准确确定乳头位置,对于乳头较小的钼靶图像,则采用分类器方法进行预测,从而提高预测的精度。
本实施例用到滚球算法对乳腺钼靶图像进行分类,滚球算法是基于图像的腐蚀和膨胀运算实现的。具体实现过程是指,用一定直径圆盘结构去腐蚀乳房边缘,用原图减去腐蚀后的图像得到乳头区域,乳头区域的重心即检测为乳头位置。
(3)对乳头较小的钼靶图像采用橡皮筋矫直变换算法处理;
本实施例使用了橡皮筋矫直变换RBST(rubber band straighteningtransform);将乳房边缘拉直成为矩形RBST图像。
假设乳房边缘的长度为len,RBST算法的目的是将乳房边缘的像素带转换到笛卡尔平面上(RBST图像)。关于RBST图像的具体说明,沿乳房边界的像素映射到RBST图像的第一行,沿着对象边界法线的像素将会依次按列映射到RBST图像。
RBST图像具有两个显著的特点,第一个特点是,RBST图像的构成是沿着乳房边缘的一条曲线形成的;第二个特点是,RBST图像每一列的像素是沿着乳房边缘的法向量的像素所构成。这两个特点都使得RBST图像非常便于提取出纹理特征。
RBST图像的宽度选择为40像素。如果RBST图像的宽度太小,则RBST图像可能将不会包含一些在原始图像中具有有用纹理的一些边界区域。如果宽度太大,则可能包含较多远离乳房边缘区域的特征,这些像素携带很少或没有对分类有积极作用的信息,会降低分类器性能。可以得到,RBST图像选择宽度为40个像素,既不会损失原始图像中的有用信息,又不会包含过多对结果没有作用的像素,效果较好。所以本文RBST图像像素的宽度选择为40个像素。
最后在笛卡尔直角坐标系得到RBST图像为宽度为40个像素*len的矩形长条,使用该矩形长条,可以方便地提取乳房边缘的特征进行后续的步骤。
(4)提取特征;
利用处理后的RBST图像,接下来在上面提取纹理特征、灰度特征和位置特征,除了纹理特征、灰度特征、位置特征,还可以包括任何可以从图像中提取的特征。
(5)分类器
本发明使用随机森林分类器,除了选择随机森林,还可以换做支持向量机、决策树、神经网络等机器学习分类方法;
选用随机森林分类器。随机森林是一个包含多个决策树的分离器,其输出结果是由输出的类别的复数而定的。本步骤一共用到了400棵决策树。随机森林算法的执行过程可以简述如下:
(1)随机选择训练数据:每棵树大约训练总训练数据63.2%,剩余的样本用于误差的评估。每棵树的训练数据从总训练数据中随机有放回抽取,随机抽取出来的训练数据将用于这棵决策树的生长。
(2)随机特征选择:在总训练数据的所有特征中随机选择10个特征,并且使用这个特征的最佳分割来分割节点,k的值将在决策树生长过程中保持不变。
(3)预测结果:每棵树给出一个分类,将这个分类定义为树的“投票”。随机选择森林中得到票数最多的分类。对于分类问题,每棵树投票的值将会是0或者1,计数正样本1的得票数最多的分类就是预测结果。对于回归问题,随机森林接受的投票数是预测概率,预测结果是每棵树预测结果的平均值。
本发明使用橡皮筋变换方法对乳房区域进行了一个形状变换,这是现有技术所没有的,本发明的橡皮筋方法对乳房区域进行变换后,可以使用普适的特征提取方法提取特征,而现有技术因为没有进行变换,只能设计针对性的特征提取方法,能够利用到的图像信息不如本发明多,从而使得精度没有本发明的高。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种钼靶图像中乳头位置自动检测方法,其特征在于,包括下述步骤:
S1、读入乳腺钼靶图像,并进行预处理,预处理包括:
S11、将乳房区域和背景分开以及去除图像中的文字标签信息;
S12、图像下采样;
S13、求出缩小乳头搜索范围的区域,即PNRA区域;
S2、判断乳腺钼靶图像中乳头的大小与设定标准值的大小,若大于等于设定标准值,则进入步骤S3,若小于设定标准值,则进入步骤S4;
S3、采用滚球法对乳腺钼靶图像进行分类,并检测乳头位置;
S4、采用橡皮筋矫直变换算法RBST,将乳腺钼靶图像中乳房边缘拉直成为矩形RBST图像,将沿乳房边界的像素映射到RBST图像的第一行,沿着对象边界法线的像素依次按列映射到RBST图像,并执行如下步骤:
S41、提取矩形RBST图像的特征量;
S42、对提取特征量后的图像进行组合;
S43、进行分类器训练,并预测检测的结果。
2.根据权利要求1所述钼靶图像中乳头位置自动检测方法,其特征在于,步骤S11中,采用最大化类间方差的分割方法将乳房区域和背景分开,然后将图像二值化后保留最大的八连通区域以去除文字标签。
3.根据权利要求1所述钼靶图像中乳头位置自动检测方法,其特征在于,步骤S12中,使用双线性插值方法将所有图像下采样至300μm/像素的空间分辨率。
4.根据权利要求1所述钼靶图像中乳头位置自动检测方法,其特征在于,步骤S13中,所述PNRA区域定义为在乳腺钼靶图像上一个小的可以减少由于噪声、伪像、良性或恶性过程的存在引起的乳头位置错误检测的几率的搜索区域,并将其定义为即使在乳房结构的缩回或移位的情况下也包括乳头的区域;假设乳头位于皮肤线附近的垂直于胸大肌直线MLO视图或胸壁CC视图中的最远点处;
对于MLO视图,NRA区域的定位需要提取乳房皮肤轮廓以及胸肌的取向的估计;
对于CC视图,因为胸大肌线与竖直方向重合所以旋转角度为0,对于MLO图像,旋转角度为胸大肌的方向角α;其中α为竖直方向与胸大肌之间形成的角度,将图像逆时针旋转相应角度,得到水平图像,旋转以后的胸大肌直线即作为水平的坐标轴。
5.根据权利要求1所述钼靶图像中乳头位置自动检测方法,其特征在于,步骤S3中,采用滚球法的具体实现过程如下:用设定直径圆盘结构去腐蚀乳房边缘,用原图减去腐蚀后的图像得到乳头区域,乳头区域的重心即检测为乳头位置。
6.根据权利要求1所述钼靶图像中乳头位置自动检测方法,其特征在于,步骤S4中,所述RBST图像的构成是沿着乳房边缘的一条曲线形成的,RBST图像每一列的像素是沿着乳房边缘的法向量的像素所构成。
7.根据权利要求1或6所述钼靶图像中乳头位置自动检测方法,其特征在于,所述RBST图像的宽度选择为40像素。
8.根据权利要求1所述钼靶图像中乳头位置自动检测方法,其特征在于,步骤S41中,所述特征量包括取纹理特征、灰度特征和位置特征。
9.根据权利要求1所述钼靶图像中乳头位置自动检测方法,其特征在于,步骤S43中,选用随机森林分类器,随机森林是一个包含多个决策树的分离器,其输出结果是由输出的类别的复数而定的;
随机森林算法的执行过程可以简述如下:
(1)随机选择训练数据:每棵树大约训练总训练数据的63.2%,剩余的样本用于误差的评估;每棵树的训练数据从总训练数据中随机有放回抽取,随机抽取出来的训练数据将用于这棵决策树的生长;
(2)随机特征选择:在总训练数据的所有特征中随机选择10个特征,并且使用这个特征的最佳分割来分割节点,k的值将在决策树生长过程中保持不变;
(3)预测结果:每棵树给出一个分类,将这个分类定义为树的“投票”,随机选择森林中得到票数最多的分类,对于分类问题,每棵树投票的值将会是0或者1,计数正样本1的得票数最多的分类就是预测结果,对于回归问题,随机森林接受的投票数是预测概率,预测结果是每棵树预测结果的平均值。
10.根据权利要求9所述钼靶图像中乳头位置自动检测方法,其特征在于,步骤S43中,一共用到了400棵决策树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711476809.1A CN108109144A (zh) | 2017-12-29 | 2017-12-29 | 一种钼靶图像中乳头位置自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711476809.1A CN108109144A (zh) | 2017-12-29 | 2017-12-29 | 一种钼靶图像中乳头位置自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108109144A true CN108109144A (zh) | 2018-06-01 |
Family
ID=62214806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711476809.1A Withdrawn CN108109144A (zh) | 2017-12-29 | 2017-12-29 | 一种钼靶图像中乳头位置自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108109144A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490212A (zh) * | 2019-02-26 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 钼靶影像处理设备、方法和装置 |
CN110490850A (zh) * | 2019-02-14 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种肿块区域检测方法、装置和医学图像处理设备 |
CN110705427A (zh) * | 2019-09-25 | 2020-01-17 | 中国人民解放军61646部队 | 一种遥感图像目标区域的提取处理方法及装置 |
CN111310839A (zh) * | 2020-02-24 | 2020-06-19 | 广州柏视数据科技有限公司 | 一种钼靶图像中乳头位置的检测方法及系统 |
CN111967526A (zh) * | 2020-08-20 | 2020-11-20 | 东北大学秦皇岛分校 | 基于边缘映射和深度学习的遥感图像变化检测方法及系统 |
-
2017
- 2017-12-29 CN CN201711476809.1A patent/CN108109144A/zh not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490850A (zh) * | 2019-02-14 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种肿块区域检测方法、装置和医学图像处理设备 |
CN110490850B (zh) * | 2019-02-14 | 2021-01-08 | 腾讯科技(深圳)有限公司 | 一种肿块区域检测方法、装置和医学图像处理设备 |
CN110490212A (zh) * | 2019-02-26 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 钼靶影像处理设备、方法和装置 |
CN110490212B (zh) * | 2019-02-26 | 2022-11-08 | 腾讯科技(深圳)有限公司 | 钼靶影像处理设备、方法和装置 |
CN110705427A (zh) * | 2019-09-25 | 2020-01-17 | 中国人民解放军61646部队 | 一种遥感图像目标区域的提取处理方法及装置 |
CN111310839A (zh) * | 2020-02-24 | 2020-06-19 | 广州柏视数据科技有限公司 | 一种钼靶图像中乳头位置的检测方法及系统 |
CN111967526A (zh) * | 2020-08-20 | 2020-11-20 | 东北大学秦皇岛分校 | 基于边缘映射和深度学习的遥感图像变化检测方法及系统 |
CN111967526B (zh) * | 2020-08-20 | 2023-09-22 | 东北大学秦皇岛分校 | 基于边缘映射和深度学习的遥感图像变化检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109144A (zh) | 一种钼靶图像中乳头位置自动检测方法 | |
CN106296653B (zh) | 基于半监督学习的脑部ct图像出血区域分割方法及系统 | |
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
CN110188792B (zh) | 前列腺mri三维图像的图像特征获取方法 | |
CN106289777B (zh) | 一种基于几何度量的多工况滚动轴承性能评估方法 | |
CN108288271A (zh) | 基于三维残差网络的图像检测系统及方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN109584281B (zh) | 一种基于彩色图像和深度图像的重叠颗粒物分层计数方法 | |
CN103678504B (zh) | 基于相似度的乳腺图像的匹配图像检索方法及检索系统 | |
CN109409190A (zh) | 基于梯度直方图和Canny边缘检测器的行人检测方法 | |
Garg et al. | Unsupervised curvature-based retinal vessel segmentation | |
CN106326894A (zh) | 一种高铁接触网旋转双耳横向销钉不良状态检测方法 | |
CN104751178A (zh) | 基于形状模板匹配结合分类器的肺结节检测装置及方法 | |
KR102058348B1 (ko) | 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치 및 방법 | |
CN105022989B (zh) | 一种鲁棒扩展局部二值模式纹理特征提取方法 | |
CN107729926A (zh) | 一种基于高维空间变换的数据扩增方法、机器识别系统 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
US20230127530A1 (en) | Mammography apparatus | |
CN108875737A (zh) | 一种纸质处方单据中检测复选框是否勾选的方法及系统 | |
CN106127258A (zh) | 一种目标匹配方法 | |
Wang et al. | Segmentation of corn leaf disease based on fully convolution neural network | |
Fu et al. | Automatic detection of lung nodules using 3D deep convolutional neural networks | |
CN110660044B (zh) | 骨组织结构形态异常的快速检测方法及电子装置 | |
CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
Akbar et al. | Tumor localization in tissue microarrays using rotation invariant superpixel pyramids |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180601 |