CN108471995B - 确定医学图像中乳房区域的系统和方法 - Google Patents

确定医学图像中乳房区域的系统和方法 Download PDF

Info

Publication number
CN108471995B
CN108471995B CN201680070175.7A CN201680070175A CN108471995B CN 108471995 B CN108471995 B CN 108471995B CN 201680070175 A CN201680070175 A CN 201680070175A CN 108471995 B CN108471995 B CN 108471995B
Authority
CN
China
Prior art keywords
region
gray
image
histogram
determining
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.)
Active
Application number
CN201680070175.7A
Other languages
English (en)
Other versions
CN108471995A (zh
Inventor
张娜
周海华
杨乐
冯娟
马艳歌
陈皓
滕万里
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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
Priority claimed from CN201510642259.0A external-priority patent/CN105147310B/zh
Priority claimed from CN201510640746.3A external-priority patent/CN105374025B/zh
Priority claimed from CN201510933550.3A external-priority patent/CN105447879B/zh
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Publication of CN108471995A publication Critical patent/CN108471995A/zh
Application granted granted Critical
Publication of CN108471995B publication Critical patent/CN108471995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/12—Edge-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
    • G06T7/11—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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/502—Clinical applications involving diagnosis of breast, i.e. mammography
    • 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
    • G06T2207/10112—Digital tomosynthesis [DTS]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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

本发明公开了一种确定医学图像中乳房区域的系统和方法，所述方法包括有：获取包括乳房区域的第一图像，所述乳房区域包括第一区域和第二区域；确定所述乳房区域中的第一区域，所述第一区域包括多个第一像素；确定与所述乳房区域边缘相关的所述第二区域，所述第二区域包括多个第二像素，所述多个第二像素包括所述多个第一像素的至少一部分；以及基于所述第一区域和第二区域的组合确定所述乳房区域。

Description

确定医学图像中乳房区域的系统和方法
优先权声明
本申请要求2015年9月30日提交的申请号为201510642259.0的中国申请的优先权，要求2015年9月30日提交的申请号为201510640746.3的中国申请的优先权，要求2015年11月15日提交的申请号为201510933550.3的中国申请的优先权，其全部内容以引用方式并入本申请中。
技术领域
本申请涉及图像处理，特别涉及一种用于确定医学图像中乳房区域的系统和方法。
背景技术
随着计算机科学和信息技术的发展，各种乳房X线摄影系统，例如全视野数字化乳腺X线摄影(FFDM)系统或数字乳腺断层摄影(DBT)系统在乳房疾病的筛查和/或诊断中得到了广泛应用。
对于通过乳房X线摄影系统拍摄的图像，计算机辅助诊断可包括确定图像中的乳房区域。乳房区域的确定能够检测乳房区域内病灶的范围和/或减小背景区域对乳房区域的影响。在图像处理中，乳房区域中的胸肌子区域可导致图像质量较低，例如较低的对比度，不均匀的灰度值等。因此，可能需要在确定的乳房区域识别胸肌子区域。
因此，需要一种能够有效确定图像中的乳房区域以及乳房区域中的胸肌子区域的方法。
发明内容
本发明涉及图像处理，特别涉及一种用于确定医学图像中乳房区域的系统和方法。一方面，本发明披露了一种确定图像中的乳房区域的方法。所述方法包括：获取包括乳房区域的第一图像，所述乳房区域包括第一区域和第二区域；确定所述乳房区域中的第一区域，所述第一区域包括多个第一像素；确定与所述乳房区域边缘相关的所述第二区域，所述第二区域包括多个第二像素，所述多个第二像素包括所述多个第一像素的至少一部分；以及基于所述第一区域和第二区域的叠加确定所述乳房区域。
在一些实施例中，基于大津算法确定所述乳房区域中的第一区域。
在一些实施例中，确定与所述乳房区域边缘相关的所述第二区域包括：对所述第一图像进行第一预处理以获得第二图像；对所述第二图像进行第二预处理以获得第三图像，所述第三图像包括对应于第一平均灰度值的所述多个第一像素、对应于第二平均灰度值的所述多个第二像素和对应于第三平均灰度值的多个第三像素，所述多个第三像素位于与所述第三图像的背景区域相关的第三区域中，所述第一平均灰度值大于所述第三平均灰度值并小于所述第二平均灰度值；以及基于所述第三图像确定所述第二区域。
在一些实施例中，对所述第一图像进行的第一预处理包括梯度变换或差分操作。
在一些实施例中，对所述第二图像进行第二预处理包括：对所述第一图像进行负片操作以获得第四图像；以及将所述第二图像和所述第四图像相乘。
在一些实施例中，所述方法进一步包括对所述第四图像进行归一化处理。
在一些实施例中，所述第一预处理包括对所述第一图像去噪以获得所述第二图像。
在一些实施例中，所述方法进一步包括对所述第一图像去噪之前对所述第一图像进行对数变换。
在一些实施例中，对所述第二图像进行的第二预处理包括梯度变换或差分操作。
在一些实施例中，基于迭代算法或大津算法确定与所述乳房区域边缘相关的所述第二区域。
在一些实施例中，所述方法进一步包括确定孤立区域，所述孤立区域包括至少一个像素，所述像素灰度值与所述孤立区域周围的像素的灰度值不同。
在一些实施例中，所述方法进一步包括：确定所述乳房区域中的第四区域，所述第四区域包括与胸肌子区域相关的第五区域；生成所述第四区域的灰度直方图；基于所述灰度直方图的特性确定灰度值阈值；以及基于所述灰度值阈值确定所述第四区域中的第五区域。
在一些实施例中，所述特征包括所述灰度直方图的形状、所述灰度直方图中的像素数量的变化率、所述灰度直方图中的灰度值的峰值、灰度直方图中像素数量的一阶导数或第一灰度直方图中像素数量的二阶导数中的至少一个。
另一方面，本发明披露了一种确定图像中的乳房区域的系统。所述系统包括图像处理装置，用于获取包括乳房区域的第一图像，所述乳房区域包括第一区域和第二区域；确定所述乳房区域中的第一区域，所述第一区域包括多个第一像素；确定与所述乳房区域边缘相关的所述第二区域，所述第二区域包括多个第二像素，所述多个第二像素包括所述多个第一像素的至少一部分；以及基于所述第一区域和第二区域的组合确定所述乳房区域。
在一些实施例中，所述图像处理装置进一步用于基于大津算法确定所述乳房区域中的第一区域。
在一些实施例中，为了确定与所述乳房区域边缘相关的所述第二区域，所述图像处理装置进一步用于：对所述第一图像进行第一预处理以获得第二图像；对所述第二图像进行第二预处理以获得第三图像，所述第三图像包括对应于第一平均灰度值的所述多个第一像素、对应于第二平均灰度值的所述多个第二像素和对应于第三平均灰度值的多个第三像素，所述多个第三像素位于与所述第三图像的背景区域相关的第三区域中，所述第一平均灰度值大于所述第三平均灰度值并小于所述第二平均灰度值；以及基于所述第三图像确定所述第二区域。
在一些实施例中，所述图像处理装置进一步用于基于迭代算法或大津算法确定与所述乳房区域的边缘相关的所述第二区域。
在一些实施例中，所述图像处理装置进一步用于确定孤立区域，所述孤立区域包括至少一个像素，且所述像素灰度值与所述孤立区域周围的像素的灰度值不同。
在一些实施例中，所述图像处理装置进一步用于：确定所述乳房区域中的第四区域，所述第四区域包括与胸肌子区域相关的第五区域；生成所述第四区域的灰度直方图；基于所述灰度直方图的特性确定灰度值阈值；以及基于所述灰度值阈值确定所述第四区域中的第五区域。
另一方面，本发明披露了一种确定乳房区域中的胸肌子区域的方法。所述方法包括：获取包括乳房区域的图像；确定所述乳房区域中的第一区域，所述第一区域包括与胸肌子区域相关的第二区域；生成所述第一区域的第一灰度直方图，所述第一灰度直方图包括所述第一区域中的多个灰度值以及所述多个灰度值中具有相同灰度值的像素数量；基于所述第一灰度直方图的特性确定灰度值阈值；以及基于所述灰度值阈值确定所述第一区域中的第二区域。
在一些实施例中，所述特性包括所述第一灰度直方图的形状，所述第一灰度直方图中的像素数量的变化率，所述第一灰度直方图中的灰度值的峰值，所述第一灰度直方图中的像素数量的一阶导数或所述第一灰度直方图中的像素数量的二阶导数中的至少一个。
在一些实施例中，基于迭代算法或大津算法确定所述灰度值阈值。
在一些实施例中，确定第一区域包括：从所述图像的第一边界上选择第一点；基于连接所述第一点和第二点的第一直线的斜率确定所述第二点，所述第二点位于所述乳房区域边缘的第一部分上；确定第三点，所述第三点到所述第一边界的距离小于所述第二点到所述第一边界的距离；基于连接所述第三点和第四点的第二直线的斜率确定第四点，所述第四点位于所述乳房区域边缘的第二部分上；以及基于所述第二直线确定所述第一区域。
在一些实施例中，所述方法进一步包括：确定所述第二区域的边界；确定所述第二直线与所述第二区域的边界不相交以获得第一判断结果；基于所述第一判断结果，指定第二区域作为所述胸肌子区域。
在一些实施例中，确定灰度值阈值包括：对所述第一灰度直方图进行归一化处理以获得第二灰度直方图，所述第二灰度直方图包括多个灰度值以及所述多个灰度值中具有相同灰度值的像素的数量；从所述多个灰度值中识别出第一灰度值，所述第一灰度值对应于数量最多的像素，所述像素在第二灰度直方图中具有相同的灰度值；确定第五点，所述第五点位于所述第二灰度直方图上的第一灰度值的预设邻域内，所述预设邻域根据所述第二灰度直方图的灰度值范围确定；确定第二灰度直方图上的第六点，所述第六点最接近所述第五点；以及确定与所述第六点对应的第二灰度值为所述灰度值阈值。
在一些实施例中，所述方法进一步包括对所述第一灰度直方图执行预处理，所述预处理包括：确定所述第一灰度直方图中像素的总数；确定所述第一灰度直方图的灰度值范围；确定平均像素数，所述平均像素数为所述第一灰度直方图中的像素总数与所述第一灰度直方图的灰度值范围的比值；识别所述第一灰度直方图的最大灰度值；基于所述第一灰度直方图中的最大灰度值和平均像素数确定所述第一灰度直方图中的第三灰度值；以及去除所述第一灰度直方图中的区域，所述区域包括至少一个像素，所述至少一个像素中的每一个像素的灰度值均大于所述第三灰度值。
另一方面，本发明披露了一种确定乳房区域中的胸肌子区域的系统。所述系统包括：图像处理装置，用于获取包括乳房区域的图像；确定所述乳房区域中的第一区域，所述第一区域包括与胸肌子区域相关的第二区域；生成所述第一区域的第一灰度直方图，所述第一灰度直方图包括所述第一区域中的多个灰度值以及所述多个灰度值中具有相同灰度值的像素数量；基于所述第一灰度直方图的特性确定灰度值阈值；以及基于所述灰度值阈值确定所述第一区域中的第二区域。
在一些实施例中，所述图像处理装置进一步用于：选择所述图像的第一边界上的第一点；基于连接所述第一点和第二点的第一直线的斜率确定所述第二点，所述第二点位于所述乳房区域边缘的第一部分上；确定第三点，所述第三点到所述第一边界的距离小于所述第二点到所述第一边界的距离；基于连接所述第三点和第四点的第二直线的斜率确定第四点，所述第四点位于所述乳房区域边缘的第二部分上；以及基于所述第二直线确定所述第一区域。
在一些实施例中，所述图像处理装置进一步用于：确定所述第二区域的边界；确定所述第二直线与所述第二区域的边界不相交以获得第一判断结果；基于所述第一判断结果，指定第二区域作为所述胸肌子区域。
在一些实施例中，为了确定所述灰度值阈值，所述图像处理装置进一步用于：对所述第一灰度直方图进行归一化处理以获得第二灰度直方图，所述第二灰度直方图包括多个灰度值以及所述多个灰度值中具有相同灰度值的像素的数量；从所述多个灰度值中识别出第一灰度值，所述第一灰度值对应于数量最多的像素，所述像素在第二灰度直方图中具有相同的灰度值；确定第五点，所述第五点位于所述第二灰度直方图上的第一灰度值的预设邻域内，所述预设邻域根据所述第二灰度直方图的灰度值范围确定；确定第二灰度直方图上的第六点，所述第六点最接近所述第五点；以及确定与所述第六点对应的第二灰度值为所述灰度值阈值。
在一些实施例中，所述图像处理装置进一步用于基于迭代算法或大津算法来确定所述灰度值阈值。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的检查或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是显而易见的。本披露的特性可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
根据示例性实施例可以进一步描述本申请。参考附图可以详细描述所述示例性实施例。所述实施例并非限制性的示例性实施例，其中相同的附图标记代表附图的几个视图中相似的结构，并且其中：
图1A是根据本发明的一些实施例所示的乳房X线摄影系统100的应用场景示意图；
图1B是根据本发明的一些实施例所示的可实现图像处理装置130全部或部分功能的计算机的结构示意图；
图2是根据本发明的一些实施例所示的图像处理装置130的示例性模块图；
图3是根据本发明的一些实施例所示的处理模块210的示例性框图；
图4是根据本发明的一些实施例所示的确定乳房区域的示例性流程图400；
图5是根据本发明的一些实施例所示的识别乳房区域边缘的示例性流程图500；
图6是根据本发明的一些实施例所示的边缘识别子模块320的示例性框图；
图7是根据本发明的一些实施例所示的确定边缘区域的示例性流程图700；
图8是根据本发明的一些实施例所示的另一种确定边缘区域的示例性流程图800；
图9是根据本发明的一些实施例所示的胸肌识别子模块330的示例性框图；
图10是根据本发明的一些实施例所示的确定乳房区域中胸肌子区域的示例性流程图1000；
图11是根据本发明的一些实施例所示的确定目标区域的示例性流程图1100；
图12是根据本发明的一些实施例所示的确定目标区域的灰度值阈值的示例性流程图1200；
图13是根据本发明的一些实施例所示的包括乳房区域的示例性图像；
图14是根据本发明的一些实施例所示的确定的乳房区域的示例性二值图像；
图15-19是根据本发明的一些实施例所示的目标区域的确定过程示意图；
图20是根据本发明的一些实施例所示的目标区域的灰度直方图；
图21是根据本发明的一些实施例所示的对灰度直方图进行预处理的示意图；
图22是根据本发明的一些实施例所示的用于确定归一化处理后的灰度直方图的灰度值阈值的示意图；
图23是根据本发明的一些实施例所示的包括胸肌子区域边界和目标区域边界的示例性图像。
具体实施方式
在下面的详细描述中，为了提供对相关申请的透彻理解，通过实施例阐述了实施例的具体细节。对本申请的实施例的各种修改对于本领域技术人员将是显而易见的，并且在不脱离本申请的精神和范围的情况下，本申请定义的一般原理可以应用于其他实施例和应用场景中。因此，本申请不限于所示的实施例，而是符合与权利要求一致的最广范围。
应当理解的是，本申请使用的术语“系统”、“单元”、“模块”和/或“区块”是一种以升序的形式来区分不同组件、元件、零件或部件的级别方法。然而，如果其他表达方式达到相同的目的，则这些术语可能被其他表达方式所取代。
应当理解的是，当单元、模块或区块被称为“在…上”、“连接到”或“耦合到”另一单元、模块或区块时，其可以直接在另一单元、模块或区块通信、或者可以存在单元、模块或区块，除非上下文明确提示例外情形。如本申请所使用的，术语“和/或”包括一个或多个相关所列项目的任何一种和所有的组合。
本申请使用的术语仅用于描述特定示例性实施例的目的，而不是限制性的。如本申请所使用的，除非上下文明确提示例外情形，单数形态的“一”，“一个”和“该”也可以包括复数。应当进一步理解的是，在本说明书中使用的术语“包括”和/或“包含”时，指存在整型常量、装置、行为、所述特征、步骤、元件、操作、和/或组件，但不排除存在或添加一个或多个其他整型常量、装置、行为、特征、步骤、元件、操作、组件和/或其组合。
在一些实施例中，在成像过程中，基于图像分割可以识别包括至少一个区域的图像。图像分割(或者可以被称为“识别”、“分类”、“提取”等)是指通过将一个图像分割或划分成至少一个组成区域来建立对象模型。所述图像可以是医学图像。所述图像可以通过乳房X线摄影系统生成和处理。在一些实施例中，所述图像可以包括二维(2D)图像和/或三维(3D)图像。在二维图像中，最小的可分辨元素被称之为像素。在三维医学图像中，最小的可分辨元素可以为体元(或“体素”或“立体像素”等)。在一些实施例中，所述三维图像还可包括一系列二维切片或二维图层。
可以通过识别图像中的一个或多个像素和/或体素中的一个或多个特征来进行分割。在一些实施例中，所述特征可以包括灰度级、平均灰度级、灰度值、纹理、颜色、对比度、亮度等中的一种或任意组合。在一些实施例中，所述像素和/或体素的空间属性也可以被包括在图像分割过程内。
出于说明目的，以下描述用来帮助更好地理解图像处理过程。应该注意的是，这些描述并非意在限制本公开的范围。对于本领域的普通技术人员而言，可以根据本公开进行各种变化和修改。然而，这些变化和修正并不脱离本公开的范围。
图1A是根据本发明的一些实施例所示的乳房X线摄影系统100的应用场景示意图。需要注意的是，以下对乳房X线摄影系统100的描述仅出于说明目的，并不意在限制本公开的范围。在一些实施例中，系统100可以为X射线乳房摄影(XRM)系统。所述X射线乳房摄影系统可以包括乳房干板X射线摄影系统、胶片乳房摄影系统、数字化X线摄影(DR)系统(例如，全数字化乳腺摄影(FFDM)、数字化乳腺断层融合术(DBT)系统、相位对比乳房摄影(PCM)系统)、计算机射线摄影(CR)系统、多模式系统等中的一种或多种的组合。
如图1A所示，乳房X线摄影系统100可以包括成像设备110、数据库120、图像处理装置130和外围设备140。
成像设备110可以通过扫描一个对象或所述对象的一部分以生成图像。所述图像可以是医学图像，所述医学图像能够被传送到图像处理装置130进行处理或存储在数据库120中。所述图像可以是二维(2D)或三维(3D)的。所述图像格式可以包括JPEG格式、带标签的医学图像文件格式(TIFF)、图形交换格式(GIF)、柯达闪光像素(FPX)、和医学数字成像和通信(DICOM)。
所述成像设备110可以利用如下技术，例如，乳房干板X射线摄影、胶片乳房摄影、数字化X线摄影(DR)(例如，全数字化乳腺X线摄影(FFDM)、数字化腺断层合成(DBT)、相位对比乳房摄影(PCM)等)、计算机X射线摄影(CR)、多模态等中的一种或多种组合。在一些实施例中，所述成像设备110可以是多模态的，例如全数字化乳腺断层合成(FFDM-DBT)设备。
数据库120可以存储图像和/或图像的相关信息。图像的相关信息可以包括处理图像的算法、与患者相关的模型等中的一种或多种的组合。数据库120可以是分层数据库、网络数据库、关系数据库等中的一种或多种的组合。数据库120还可以存储与乳房X线摄影系统100相关的操作参数。数据库120可以是本地或远程的。在一些实施例中，数据库120可以是通过电能存储信息的存储设备，例如，随机存取存储器(RAM)、只读存储器(ROM)等中的一种或多种组合。所述随机存取存储器(RAM)可以包括十进制计数管、选数管、延迟线存储器、威廉姆斯管、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)、零电容器随机存取存储器(Z-RAM)或多种组合。只读存储器(ROM)可包括只读存储器、磁泡存储器、磁钮线存储器、薄膜存储器、磁性存储器板、磁心存储器、磁鼓存储器、光盘驱动器、硬盘、磁带、非易失存储器(NVRAM)、相变存储器、磁阻性随机存取存储器模块、铁电随机存取存储器、非易失性SRAM、闪存、电擦除类型的可重写只读存储器、可消除的可编程只读存储器、可编程只读存储器、掩模型只读存储器、浮动连接门随机存取存储器、纳米随机存取存储器、赛道存储器、可变电阻式存储器、可编程金属化单元等中的一种或多种的组合。在一些实施例中，数据库120可以是通过磁量存储信息的存储设备，例如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘、闪存等中的一种或多种的组合。在一些实施例中，数据库120可以是一个通过光量存储信息的存储设备，例如，激光唱片、光碟等中的一种或多种的组合。
在一些实施例中，数据库120可以是乳房X线摄影系统100的一部分。在一些实施例中，数据库120可以是图像处理装置130的一部分。在一些实施例中，数据库120可以通过网络与乳房X线摄影系统100中的其他组件连接。例如，数据库120可以通过有线连接、无线连接或多种组合与乳房X线摄影系统100中的其他组件通信。
图像处理装置130可以获取由成像设备110生成的图像或存储在数据库120中的图像。图像处理装置130可以处理图像并将处理后的图像传送至终端设备140。
在一些实施例中，图像处理装置130可包括处理器、处理器核心、存储器等中的一种或多种组合。例如，图像处理装置130可包括中央处理器(CPU)、专用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑设备(PLD)、控制器、微控制器单元、处理器、微处理器单元、高级RISC处理器(ARM)等中的一种或多种的组合。
终端设备140可以与成像设备110、图像处理设备、和/或数据库120通信。在一些实施例中，终端设备140可以从图像处理装置130获取处理后的图像。在一些实施例中，终端设备140可以通过成像设备110获取图像并将所述图像传送至图像处理装置130进行处理。终端设备140可包括输入设备、控制面板(未示出)等。所述输入设备可以是键盘、触摸屏、鼠标、远程控制器等中的一种或任意一种的组合。输入设备可包括通过键盘、触摸屏(例如，通过触觉或触觉反馈)、语音输入、眼睛追踪输入、脑部监测系统、或任何其他可比较的输入结构输入的字母数字和其他密钥。例如，通过输入设备接收的输入信息可以通过总线传送至图像处理装置130用于进一步处理。其他类型的输入设备可包括光标控制设备、例如鼠标、追踪球、或光标方向键等。
乳房X线摄影系统100可连接到网络(未示出)。所述网络可以是局域网(LAN)、广域网(WAN)、公共网络、专用网络、专属网络、公共电话交换网(PSTN)、互联网、虚拟网络、都市城域网、电话网络等或者多种的组合。在一些实施例中，乳房X线摄影系统100可以是全数字化乳房X线摄影(FFDM)系统或数字化乳腺断层合成(DBT)系统。所述网络可以是无线网络(蓝牙(Bluetooth)、无线局域网(WLAN)、无线网(Wi-Fi)、全球微波互联接入等)、移动网络(2G、3G、4G信号等)、或其他连接(虚拟专用网(VPN)、共享网络、近场通信(NFC、ZigBee等)。在一些实施例中，成像设备110、图像处理装置130、数据库120、和终端设备140之间的通信可以通过有线连接、无线连接或者多种的组合来实现。
图像处理装置130和/或数据库140可以通过云计算平台实现乳房X线摄影系统100中的功能。云计算平台可包括基于存储器类型的云平台、基于数据的云计算平台和集成云计算平台。配置在乳房X线摄影系统100中的云平台可以是公共云、私有云、混合云等中的一种或多种的组合。例如，根据实际需要，乳房X线摄影系统110中生成的一些图像信息和/或数据信息可以通过云平台计算和/或存储。其他图像信息和/或数据信息可通过图像处理装置130和/或数据库120计算和/或存储。
以上描述旨在说明，并不限制本公开的范围。对于本领域技术人员而言，许多替代、修正和变化是显而易见的。本文描述的示例性实施例的特点、结构、方法和其他特征可以以各种方式组合以获得另外的和/或可替代的示例性实施例。例如，数据库120可以为包括云计算平台(例如公共云、私有云、社群云和混合云等)的数据存储器。然而，这些变化和修正并未脱离本公开的范围。
图1B是根据本发明的一些实施例所示的可实现图像处理装置130全部或部分功能的计算机的结构示意图。图像处理装置130或其一部分的功能可通过计算机经由其硬件、软件程序、固件、或多种组合来实现。虽然出于方便仅示出了一个计算机，但是如本文所述的与图像处理装置130有关的计算机功能可以以分布式的方式在多个类似的平台上实现，以分配处理负载。
例如，图像处理装置130可以包括COM端口135，所述COM端口可以连接至网络或从网络连入以助于数据通信。图像处理装置130还可包括由一个或多个处理器组成并且用于执行程序指令的中央处理器(CPU)132。计算机平台可以包括内部通信总线131、用于存储由计算机处理和/或传送的各种数据文件的不同形式的程序存储器和数据存储器(例如，磁盘137、只读存储器(ROM)133、随机存取存储器(RAM)134)，以及可能由CPU132执行的程序指令。图像处理设备130还可以包括输入/输出(I/O)端口136，其用于支持图像处理设备和其中的其他组件(例如终端设备140)之间的输入/输出流。图像处理设备130还可通过网络通信接收编程和数据。
由此，本文概述的图像处理和/或其他处理方法的各方面可以在编程中体现。该技术的程序方面可以被认为是执行代码和/或相关数据的形式的“产品”或“制造品”，这些代码和/或相关数据被存储或体现在一种机器可读介质中。有形的非暂时性“存储”型介质可包括用于计算机、处理器等或其关联模块(诸如各种半导体存储器、磁带驱动器、磁盘驱动器等)的存储器或其他存储器中的任何一个或全部，他们可以随时为软件编程提供存储。
全部或部分软件有时可通过网络例如互联网或者各种其他电信网络进行通信。例如，这种通信可以使软件从一个计算机或处理器加载到另一台，例如从乳房X线摄影系统的一个管理服务器或主机加载到计算环境的硬件平台或实现计算环境与图像处理相关的类似功能。因此，承载软件元件的另一类型的媒介可包括光波、电波、电磁波，例如，他们通过有线网络和光学固定网络以及各种空中链路在跨本地设备之间的物理接口之间使用。承载这种波的物理元件，例如有线或无线链路、光学链路等也可以用作承载软件的介质。如本文所使用的，除非限于有形的“存储”介质，例如计算机或机器“可读介质”之类的术语是指参与向处理器提供用于执行的指令的任何介质。
因此，机器可读介质可采用多种形式，例如包括有形的存储介质、载波介质或物理传输介质。非易失性存储介质包括光盘或磁盘以及任何计算机中的任何存储设备，其可用于实现如图所示的系统或其任何组件。易失性存储介质可包括动态存储器，例如计算机平台的主存储器。有形传输介质可包括同轴电缆、铜线和光纤，铜线和光纤包括在计算机系统内形成总线的导线。载波传输介质可以采取电信号或电磁信号的形式，或者诸如在射频(RF)和红外(IR)数据通信期间产生的声波或光波的形式。因此，计算机可读介质的常见形式可包括：软盘、可折叠磁盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD或DVD-ROM、任何其他光介质、穿孔卡纸带、具有孔图案的任何其他物理存储介质、RAM、PROM和EPROM、FLASH-EPROM、任何其他存储器芯片或盒式磁带、传输数据或指令的载波、传输这种载波的电缆或链路、或计算机可以从中读取编程代码和/或数据的任何其他介质。这些形式的计算机可读介质中的许多形式可能涉及将一个或多个指令的一个或多个序列携带到物理处理器以供执行。
本领域技术人员认识到，本教导适用于各种修正和/或增强。例如，虽然本文描述的各种组件的实施方案可以表征在硬件设备上，但是他也可以实现为仅有软件的解决方案，例如安装在现有的服务器上。另外，本文公开的图像处理装置可以实现为固件、固件/软件组合、固件/硬件组合、或硬件/固件/软件组合。
图2所示为根据本公开一些实施例的图像处理装置130的示意性框图。如图2所示，图像处理装置130可包括处理模块210、存储模块220、输入模块230和输出模块240。图像处理装置130中的不同模块可通过无线连接、有线连接或多种的组合彼此通信。例如，有线连接可包括内部通信总线131。又例如，不同模块可通过如图1B所示的COM端口135与网络连接以助于数据通信。如本公开其他地方所述，图像处理装置130可与成像设备110集成，或独立于成像设备110并配置为与其通信。
处理模块210可对图像进行各种处理。在一些实施例中，处理模块210可通过图1B中的中央处理器132执行各种处理。在一些实施例中，处理模块210可包括一个或多个处理单元，例如图形处理器(GPU)、数字信号处理器(DSP)、片上系统(SoC)、微控制器单元(MCU)等中一种或多种的组合。
可以直接从存储模块220获取图像，或者通过输入模块230从外围设备(例如成像设备110或数据库120)获取。在一些实施例中，该图像可以是医学图像，所述医学图像包括全数字化乳腺摄影(FFDM)图像、数字化乳腺断层合成(DBT)图像、相位对比乳房摄影(PCM)图像、计算机X射线摄影(CR)图像、多模态图像等中的一种或多种的组合。所述处理可包括灰度直方图处理、归一化操作、几何变换、空间变换、平滑处理、图像增强、图像分割、图像变换、图像复原、图像压缩、特征提取等中的一种或多种的组合。
例如，处理模块210可通过图像增强处理来增强图像中的特定区域。图像增强处理可基于对数变换、伽马变换、直方图均衡、伪彩色增强、过滤、梯度算子等中的一种或多种组合。
又例如，处理模块210可通过分割技术提取图像中的特定区域。分割技术可包括基于区域的分割、基于边缘的分割、小波变换分割、数学形态学分割、基于人工神经网络的分割、基于遗传算法的分割等中的一种或多种组合。基于区域的分割可以基于阈值分割算法、聚类分析、区域增长等中的一种或多种组合。阈值分割算法可包括全局阈值算法(例如，P分位数算法、迭代算法、凹面直方图分析、大津算法、模糊集算法、二维熵阈值算法、直方图阈值技术、松弛算法等)、局部阈值算法和多阈值算法(例如，基于小波的多阈值算法、基于边界点的递归多阈值算法等)等中的一种或多种组合。聚类分析可包括K均值算法、模糊C均值聚类(FCM)算法等。数学形态学分割可基于Hysen点增强模型、Hysen线增强模型、多尺度高斯模板匹配模型、多尺度形态滤波模型等。基于边缘的分割可基于微分算子(例如，Robert算子、Sobel算子、Prewitt算子、Log算子、Canny算子等)、基于表面的拟合、基于边界和表面的拟合、串行边界搜索等中的一种或多种的组合。
存储模块220可存储关于乳房X线摄影系统100的数据。存储的数据可以是数值、图像、对象的信息、操作处理模块210的指令和/或信号、声音、关于患者的模型、关于图像处理方法的算法等中的一种或多种的组合。在一些实施例中，数值可包括阈值、CT数值、迭代次数等中的一种或任意种的组合。算法可包括一系列图像处理方法。图像可包括原始图像或处理过的图像(例如，预处理后的图像)。关于患者的模型可包括患者的背景信息,例如种族、国籍、宗教、性别、年龄、结婚状态、身高、体重、病史(例如，关于不同器官或组织的病史)、工作、个人爱好等中的一种或多种的组合。在一些实施例中，存储模块220可将信息输出到输出模块240和/或处理模块210。
存储模块220可包括随机存取存储器(RAM)、只读存储器(ROM)，例如，硬盘、软盘、云存储器、磁带、光盘、可移动存储器、动态随机访问存储器(DRAM)、静态随机存取存储器(SRAM)、磁泡存储器、磁膜存储器、磁镀线存储器、相变存储器、闪存等中的一种或多种组合。在一些实施例中，存储模块220可以是诸如U盘的可移动存储器，其可以以某种方式从处理模块210读取数据和/或将数据写入处理模块210。例如，存储模块220可通过图1B所示的磁盘137、只读存储器(ROM)133或随机存取存储器(RAM)134执行存储数据的功能。存储模块130还可包括其他相似手段，用于将计算机程序或其他指令提供给计算机。在一些实施例中，存储模块220可以可操作地连接至一个或多个虚拟存储资源(例如，云存储器、虚拟专用网络、其他虚拟存储资源等)。
输入模块230可以从例如成像设备110、数据库120或终端设备140获取医学图像。在一些实施例中，通过输入模块230获取的医学图像可在处理模块210中进行处理或存储在存储模块220中。输出模块240可将由处理模块210处理的图像传送至数据库120或终端设备140。在一些实施例中，输入模块230和240可包括一个接口，所述接口包括显示器、键盘、鼠标、触摸屏、麦克风、传感器、无线通信单元等中的一种或任意组合。在一些实施例中，输入模块230和输出模块240可以通过图1B所示的输入/输出端口136输入/输出图像处理设备130与其他组件(例如终端设备140)之间的数据流。
应该理解的是，图2中所示的图像处理装置130可以以各种方式实现。在一些实施例中，图像处理设备130可以通过硬件、软件、或软件和硬件的结合来实现。在一些实施例中，模块可通过一个可编程硬件设备的硬件电路实现，该可编程硬件设备包括超LSI、门阵列、半导体逻辑芯片、晶体管、现场可编程门阵列、可编程逻辑设备等中的一种或多种的组合。在一些实施例中，该模块可通过软件实现。软件部分可以存储在数据库120、存储模块220或内存系统中。软件部分可以通过指令执行单元例如微处理器或者专用硬件来实现。本领域技术人员可以理解，上述方法和系统可以通过计算机可执行指令和/或处理器控制代码来实现，计算机可执行指令和/或处理器控制代码由光盘、CD或DVD-ROM、只读存储器(固件)可编程存储器提供或者位于诸如光或电信号载体的数据载体上。
以上描述旨为说明，并不限制本公开的范围。对于本领域技术人员而言，许多替代、修正和变化将是显而易见的。本文描述的示例性实施例的特点、结构、方法和其他特征可以以各种方式组合以获得另外的可替代的示例性实施例。然而，那些变化和修正并未脱离本公开的范围。在一些实施例中，存储模块220可以集成在处理模块210中。在一些实施例中，输入模块230和输出模块250可以从系统中省略。在一些实施例中，输入模块230和输出模块240可以集成在一个模块中。在一些实施例中，图像处理设备130可包括一个控制器模块，所述控制器模块可以控制图像处理设备130中的模块以获取、处理、存储或输出图像。
图3是根据本发明的一些实施例所示的处理模块210的示例性框图。处理模块210可包括分割子模块310、边缘识别子模块320、胸肌识别子模块330和图像生成子模块340。处理模块210中的每个子模块可通过有线连接、无线连接或者两者组合彼此通信。
分割子模块310可以确定图像中的第一区域。所述第一区域可包括至少一部分乳房区域。在一些实施例中，所述图像可以为本公开其他地方描述的医学图像。所述图像可通过成像设备110扫描对象(例如，乳房)生成。在一些实施例中，所述图像可通过输入模块230从数据库120或终端设备140中获得。在一些实施例中，所述图像可从存储模块220中获得。
分割子模块310可基于本公开其他地方描述的分割技术确定第一区域。
在一些实施例中，分割子模块310可以在分割第一区域前对所述图像的进行预处理，使第一区域在图像中区别于其他区域。举例来说，所述预处理可以包括几何变换处理、图像增强处理、图像平滑处理、归一化操作等中的一种或多种组合。几何变换处理可包括缩放处理、平移处理、镜像处理、旋转处理等中的一种或多种组合。具体来说，图像平滑处理可基于高斯滤波器、均值滤波器、中值滤波器、小波变换等中的一种或多种组合来执行。增强处理可包括直方图均衡、图像锐化、傅里叶变换、高通滤波、低通滤波等中的一种或多种的组合。
边缘识别子模块320可以确定图像中的第二区域。在一些实施例中，第二区域可以是乳房区域的边缘。具体来说，分割子模块310和边缘识别子模块320可确定同一对象(例如，乳房)的不同区域。例如，分割子模块310可确定对象的大致区域。如本实施例所示，所述对象的大致区域可表示所述对象的大致轮廓。边缘识别子模块320可确定对象的边缘区域(例如，边缘的周围区域)。在一些实施例中，同一对象的不同区域可以至少部分地彼此重叠。
在一些实施例中，边缘识别子模块320可基于本公开其他地方所述的分割技术识别和提取第二区域。
在一些实施例中，边缘识别子模块320可在识别第二区域前对图像进行预处理。通过对图像进行预处理，可以调整图像中像素的灰度级以使第二区域区别于图像中其他区域(例如，由分割子模块310以分割方式确定的第一区域)。在一些实施例中，预处理可包括点操作、逻辑操作、代数运算等中的一种或多种的组合。点操作通过梯度变换、负片操作、对数变换、标准化操作、伽马变换等中的一种或多种的组合来变换像素的灰度值。逻辑操作可包括和操作、或操作、否操作等中的一种或多种组合。代数运算可包括加法运算、减法运算、乘法运算、除法运算等。
胸肌识别子模块330可以确定乳房区域中的胸肌子区域(或称为第三区域)。在一些实施例中，基于由分割子模块310和边缘识别子模块320确定的乳房区域可以识别和分割所述第三区域。在一些实施例中，胸肌识别子模块330可基于本公开其他地方所述的分割技术确定胸肌子区域。
在一些实施例中，胸肌识别子模块330可确定乳房区域中的目标区域。该目标区域可包括胸肌子区域的至少一部分。在一些实施例中，基于胸肌子区域的特征可以确定所述目标区域，例如胸肌子区域的形状、胸肌子区域的大小、胸肌子区域的位置、胸肌子区域的结构等中的一种或多种的组合。
在一些实施例中，胸肌识别子模块330可计算目标区域的像素的灰度直方图，并基于灰度直方图的特征提取胸肌子区域。灰度直方图可包括目标区域的多个灰度值以及所述多个灰度值中具有相同灰度值的像素的数量。在一些实施例中，所述特征可以包括灰度直方图的形状、灰度直方图中的像素数量的变化率、灰度直方图中的灰度值的峰值、灰度直方图的一阶导数或灰度直方图的二阶导数等中的一种或多种的组合。
图像生成子模块340可基于如上所述的第一区域、第二区域、和/或胸肌子区域生成包括乳房区域的图像。在一些实施例中，所述乳房区域可通过将第一区域和第二区域合并而成。此外，可以通过去除胸肌子区域或者用一个或多个其他区域替换胸肌子区域以形成所述乳房区域。
在一些实施例中，图像生成子模块340可以基于本公开其他地方所述的点操作、逻辑操作、代数运算等中的一种或多种的组合生成包括乳房区域的图像。
在一些实施例中，所述图像可以为二值图像，且该图像包括通过图像生成子模块340生成的乳房区域。在本实施例中，二值图像表示所述二值图像中的像素的灰度值可以是“1”或“0”。灰度值“1”可以用白色表示，灰度值
“0”可以用黑色表示。
以上描述旨为说明，并不限制本公开的范围。对于本领域技术人员而言，许多替代、修正和变化将是显而易见的。本文描述的示例性实施例的特点、结构、方法和其他特征可以以各种方式组合以获得另外的和/或可替代的示例性实施例。然而，那些变化和修正并未脱离本公开的范围。例如，分割子模块310可集成在边缘识别子模块320中。图像生成子模块340可省略。
图4是根据本发明的一些实施例所示的确定乳房区域的示例性流程图400。在一些实施例中，所述过程可以由图像处理装置210执行。
在步骤410中，可以获取包括乳房区域的图像。在一些实施例中，所述图像可以是本公开其他地方所述的医学图像。
在步骤420中，可确定包括至少部分乳房区域的第一区域。步骤420可由分割子模块310执行。在一些实施例中，所述第一区域可包括多个像素，可以根据像素中的一个或多个特征之间的相似性对所述多个像素进行分类。例如，可以基于第一区域中的像素的灰度值确定第一区域。在一些实施例中，第一区域中的像素的灰度值可连续变化或者逐渐变化。可以基于阈值分割算法获取乳房区域中的第一区域。仅出于说明目的，所述阈值分割算法可以包括将图像中每个像素的灰度值与灰度值阈值进行比较。如果像素的灰度值小于灰度值阈值，则该像素被分到第一区域。此外，可以将图像转变成具有两类灰度值的二值图像，例如，通过将属于第一区域的像素设置为“1”，以及将属于一个或多个其他区域的像素设置“0”。
在步骤430中，可确定与乳房区域边缘相关的第二区域。步骤430可以由边缘识别子模块320执行。在一些实施例中，第一区域可以包括根据像素的一个或多个特征的相似性而分组的多个像素。在一些实施例中，第二区域中的像素的灰度值可以变化剧烈。在一些实施例中，第二区域可根据像素的灰度值的变化率来确定。
例如，可以基于与像素的灰度值的变化率相关的边缘检测来确定第二区域。所示边缘检测可包括基于搜索的算法和/或基于零交叉的算法。基于搜索的算法来检测边缘首先估计边缘强度，例如用一阶导数表示的梯度幅值，然后通过估计边缘的局部方向来搜索梯度幅值在所述局部方向，例如梯度方向，上的最大值。在一些实施例中，第二区域中像素的灰度值的一阶导数的运算可通过Roberts Cross算子、Prewitt算子、Sobel算子、Kirsch算子、Compass算子等中的一种或多种的组合来进行。基于零交叉的算法可以搜索第二区域中的像素灰度值的二阶导数的零交叉点来查找到边缘。在一些实施例中，二阶导数表达式的运算可以通过Marr-Hildreth算子、Canny算子、拉普拉斯算子等中的一种或多种的组合来进行。
在一些实施例中，可以通过相同的算法来确定第一区域和第二区域。例如，可基于大津算法来识别第一区域和第二区域。根据大津算法，可以应用自适应阈值，并可以确定最佳阈值以分离两类像素。不同的分割阈值可对应于前景像素与背景像素之间不同的类间方差。类间方差可表示前景像素和背景像素的灰度值之间的散布程度。前景像素和背景像素之间的类间方差越大，则前景像素和背景像素之差越大。当前景像素的某些部分被分为背景像素时，类间方差可能会减小。因此，可能导致类间方差最大的分割阈值被认为是前景像素与背景像素之间的最佳阈值。
在一些实施例中，可通过不同的算法来确定第一区域和第二区域。例如，可以基于大津算法识别第一区域，可以基于迭代算法来识别第二区域。迭代期间，可以根据基于先前分割阈值分割的前景像素和背景像素来确定后续分割阈值。如果两个分割阈值之差小于一个数值(例如，当前值)，则后续分割阈值可被设定为最优分割阈值并结束迭代。否则，如果两个分割阈值之差等于或超过一个数值(例如，当前值)，则后续分割阈值可以更新先前分割阈值以用于下一次迭代。
在步骤440中，基于所述第一区域和所述第二区域可以确定乳房区域。步骤440可由图像生成子模块340执行。在一些实施例中，可基于所述第一区域中的像素和所述第二区域中像素的加法运算获取乳房区域。在一些实施例中，所述第一区域可包含所述第二区域。在一些实施例中，所述第一区域可与所述第二区域部分重叠。在一些实施例中，所述第一区域可与所述第二区域不重叠。在一些实施例中，可以在非重叠区域中识别出包括至少一个像素的孤立区域。
在一些实施例中，可识别乳房区域中的孤立区域。所述孤立区域中的像素可不同于乳房区域中孤立区域周围的像素。在一些实施例中，可基于孤立区域中的像素的灰度值和孤立区域周围的一个或多个区域中的像素的灰度值来识别并去除孤立区域。例如，孤立区域中像素的灰度值可不同于孤立区域周围像素的灰度值。孤立区域可以包括乳房区域中灰度值为“0”的一组像素，而孤立区域周围的像素的灰度值可以是“1”，则可以识别孤立区域中的像素的灰度值并将其改为“1”。
在步骤450中，可以确定乳房区域中的胸肌子区域。步骤450可由胸肌识别子模块330执行。在一些实施例中，可以基于与确定第一区域或第二区域的相同算法来确定胸肌子区域。例如，第一区域和胸肌子区域都可以基于大津算法来识别。在一些实施例中，可以基于与确定第一区域或确定第二区域不同的算法来确定胸肌子区域。例如，第一区域或第二区域可以基于大津算法来识别，而胸肌子区域可基于迭代算法来识别。关于确定胸肌子区域的细节可以参考本公开中的其他部分的相关说明。例如，参考图10及其描述。
在步骤460中，可从乳房区域中去除确定的胸肌子区域。在一些实施例中，基于胸肌子区域中的像素与确定的乳房区域中的像素之间的减法运算，可以从确定的乳房区域去除胸肌子区域。
应该理解的是，以上对流程图的描述仅出于说明目的，并不意在限制本公开的范围。对于本领域的技术人员而言，在本公开的提示下可以进行各种变化和修正。然而，那些变化和修正并不脱离本公开的范围。在一些实施例中，步骤420和步骤430可同时执行。在一些实施例中，步骤420和/或步骤430可包括对图像的预处理，所述预处理包括抑制、弱化和/或去除细节、突变、噪声等中的一种或任意种的组合。
图5是根据本发明的一些实施例所示的识别乳房区域边缘的示例性流程图500。在步骤510中，可以获取与乳房区域相关的图像。在一些实施例中，所述图像可包括背景区域。
在步骤520中，可以从图像中分割出第一区域。所述第一区域可包括至少部分的乳房区域。在一些实施例中，可基于本公开其他地方所述的阈值分割算法分割出第一区域。例如，可以确定灰度值阈值；指定图像中灰度值低于所述灰度值阈值的像素属于第一区域；指定图像中灰度值大于或者等于所述灰度值阈值的像素属于背景区域。
仅作为示例，可基于大津算法来确定第一区域。对于本领域的技术人员来说，灰度直方图可提供像素的灰度值的分布图。例如，包括乳房区域的图像的灰度直方图可包括与图像中的两类像素相对应的两个峰值。根据大津算法，图像可包含前景像素和背景像素两类像素。前景像素和背景像素可以分别对应乳房区域和背景区域。因此，大津算法可用来识别图像中的乳房区域。
又例如，通过分水岭算法可以确定第一区域，所述分水岭算法包括迭代标注过程。图像中像素的灰度值的梯度幅值可包括多个局部最小梯度幅值，每个局部最小梯度幅值可以被赋予不同的标签。具有局部最小梯度幅值的像素的周围像素可形成多个最小区域。连接所述多个最小区域可以形成第一区域和一个或多个其他区域(例如，背景区域)。
在一些实施例中，在分割出第一区域前可以对图像进行预处理，以使所述第一区域区别于一个或多个其他区域。所述预处理可以包括增强、图像去噪、图像平滑等中的一种或多种的组合。
在步骤530中，可对图像进行预处理以调整图像中不同区域的平均灰度值。像素的平均灰度值可以是一个区域中所有像素灰度值总和与该区域中像素数量的比值。第一区域可包括对应于第一平均灰度值的多个第一像素。边缘区域可包括对应于第二平均灰度值的多个第二像素，背景区域可包括对应于第三平均灰度值的多个第三像素。对应于边缘区域中的多个第二像素的灰度值可以不连续地变化。在一些实施例中，在预处理前，第一平均灰度值可以小于图像中的第二平均灰度值。类似地，第三平均灰度值可以大于图像中的第二平均灰度值。第二平均灰度值可接近于第三平均灰度值，这可能导致很难区分边缘区域和背景区域。
对图像的预处理可调整对应于多个第二像素的第二平均灰度值和对应于多个第三像素的第三平均灰度值，则通过某种算法可以使边缘区域区分于背景区域。所述调整可以进一步调整多个第一像素的灰度值，以使第一平均灰度值小于第二平均灰度值并大于第三平均灰度值。所述预处理可包括对图像进行第一预处理以获得第一图像，和/或对第一图像进行第二预处理以获得取第二图像。
在一些实施例中，第一预处理可包括对图像进行梯度变换或微分运算以获得第一图像。在一些实施例中，对第一图像进行的第二预处理可包括：通过对图像进行负片操作以获取第三图像，并且将第一图像和第三图像相乘以获得第二图像。在一些实施例中，在与第一图像相乘之前可以对第三图像进行归一化处理。
在一些实施例中，第一预处理可包括对图像进行去噪以获得第一图像。在一些实施例中，第二预处理可包括对第一图像进行梯度变换或微分运算以获得第二图像。在一些实施例中，在去噪处理前对图像进行对数变换以获得第一图像。在一些实施例中，对数变换可增大第一平均灰度值而降低第三平均灰度值，以使第一图像中的第一平均灰度值大于第三平均灰度值。
在一些实施例中，通过应用Roberts算子、Prewitt算子、Sobel算子、Kirsch算子、Compass算子、Marr-Hildreth算子、Canny算子、Laplacian算子等中的一种或多种的组合来进行梯度变换。
在一些实施例中，可以通过使用空间域滤波器、变换域滤波器、形态噪声滤波器等中的一种或多种的组合来进行去噪。空间域滤波器可包括场平均滤波器、中值滤波器、低通滤波器等中的一种或多种的组合。变换域滤波器可执行傅里叶变换、Walsh-Hadamard变换、余弦变换、K-L变换、小波变换等中的一种或多种的组合。形态学噪声滤波器可执行膨胀操作、腐蚀操作、开操作、闭操作、命中和未命中变换等中的一种或多种的组合。在一些实施例中，去噪操作可通过应用偏微分方程或变分技术来执行。偏微分方程可包括Perona方程、Malik方程等中的一种或多种的组合。变分技术可包括应用全变分模型。
在步骤540中，可以基于预处理来确定边缘区域。如上所述，在预处理之后的第二平均灰度值可大于第三平均灰度值，且第三平均灰度值可小于第一平均灰度值。基于例如本公开其他地方所述的阈值分割算法可以区分边缘区域和背景区域。仅作为示例，可以基于阈值分割算法来计算灰度值阈值。可以指定图像中灰度值大于灰度值阈值的像素属于边缘区域，同时可指定图像中灰度值小于灰度值阈值的像素属于背景区域。
在步骤550中，可通过合并边缘区域和第一区域确定乳房区域。在一些实施例中，确定的乳房区域可以是一个二值图像。例如，二值图像中像素的灰度值可以被设定为“0”或“1”。仅出于说明目的，可按如下方法生成二值图像。在第一图像中，可将在步骤520中获得的分割而来的第一区域中的像素的灰度值设定为“1”，并且将除去第一区域外的一个或多个其他区域中的像素的灰度值设定为“0”。在第二图像中，可将在步骤540中获得的确定的边缘区域中的像素的灰度值设定为“1”，并且将除去边缘区域外的一个或多个其他区域中像素的灰度值设定为“0”。
通过将第一图像加到第二图像上可以获得乳房区域。如本文所示，两个图像的相加可以指的是将确定的第一区域和确定的边缘区域中两个对应像素的灰度值相加以形成一个合并图像。如本文所示，两个图像中的两个对应像素可以指的是两个图像中对应于图像中的对象的同一物理位置或者位点的两个像素。在一些实施例中，确定的边缘区域中的多个第二像素可包括确定的第一区域中的多个第一像素中的至少一个。如果相加后的组合图像中的像素的灰度值为“2”，则将像素的灰度值更新为“1”，并且将该像素指定为属于乳房区域。如果相加后的组合图像中的像素的灰度值为“1”，则将该像素指定为属于乳房区域。如果相加后的组合图像中的像素的灰度值为“0”，则将该像素指定为属于背景区域。乳房区域可以是灰度值为“1”的一组像素。
在步骤560中，可搜索确定的乳房区域中的孤立区域。在一些实施例中，所述孤立区域可包括至少一个像素。在一些实施例中，所述孤立区域中像素的灰度值可不同于孤立区域周围像素的灰度值。例如，孤立区域可包括确定的乳房区域中灰度值为“0”的一组像素，而孤立区域周围像素的灰度值可以是“1”。
在步骤570中，可以去除确定的乳房区域中的孤立区域。例如，如果孤立区域位于乳房区域中，且孤立区域中的像素灰度值为“0”，则可将孤立区域中像素的灰度值改为“1”。如果孤立区域位于背景区域中，且孤立区域中的像素的灰度值为“1”，则可将孤立区域中像素的灰度值改为“0”。
应该理解的是，以上对流程图的描述仅出于说明目的，并不意在限制本公开的范围。对于本领域普通技术人员而言，在本公开的提示下可以进行各种变化和修正。然而，那些变化和修正并不脱离本公开的范围。在一些实施例中，步骤520可与步骤530和步骤540同时执行。在一些实施例中，用于确定孤立区域的步骤560和步骤570可以是非必要的。
图6是根据本发明的一些实施例所示的边缘识别子模块320的示例性框图。如图6所示，边缘识别子模块320可包括第一预处理单元610、第二预处理单元620、和边缘提取单元630。
第一预处理单元610可对图像进行第一预处理以获得第一图像。所述图像可以直接从存储模块220获取，或者可以通过输入模块230从外围设备(例如成像设备110或数据库120)获得。可以参照如步骤530所述的方法进行第一预处理以调整图像中像素的灰度值。所述第一预处理可包括梯度变换、对数变换、伽马变换、灰度拉伸操作、灰度切片操作、去噪操作等中的一种或多种的组合。
在一些实施例中，通过应用Roberts算子、Prewitt算子、Sobel算子、Kirsch算子、Compass算子、Marr-Hildreth算子、Canny算子、Laplacian算子等中的一种或多种的组合来进行梯度变换。
去噪操作可以包括应用空域滤波器、变换域滤波器、形态学噪声滤波器等中的一种或多种的组合。空间域滤波器可包括场平均滤波器、中值滤波器、高斯滤波器等中的一种或多种的组合。变换域滤波器可执行傅里叶变换、Walsh-Hadamard变换、余弦变换、K-L变换、小波变换等中的一种或多种的组合。形态学噪声滤波器可执行扩展操作、腐蚀操作、开操作、闭操作、命中和未命中变换等中的一种或多种的组合。在一些实施例中，可以通过应用偏微分方程或变分技术来进行去噪操作。偏微分方程可包括Perona方程、Malik方程等中的一种或多种的组合。变分技术可包括应用全变分模型。
第二预处理单元620可对第一预处理单元610中获取的第一图像进行第二预处理。可以参照如步骤530所述的方法进行第二预处理以调整图像中像素的灰度值。在一些实施例中，可以参照如步骤530所述的方法进行第二预处理以增强第一区域中的像素的灰度值并降低背景区域中像素的灰度值。在一些实施例中，第二预处理可包括梯度变换、负片操作、归一化操作、伽马变换、灰度拉伸操作、灰度切片操作等中的一种或多种的组合。
在一些实施例中，所述第二预处理可包括将进行第一预处理后获得的图像与对图像进行负片操作后获得的图像进行相乘。
如步骤540所述，边缘提取单元630可以基于对图像的预处理来确定边缘区域。如在步骤540所述，可以参照如本公开中其他地方所述的阈值分割算法从预处理的图像中确定边缘区域，所述阈值分割算法包括大津算法、迭代算法等。
应该理解的是，以上对框图的描述仅出于说明目的，并不意在限制本公开的范围。对于本领域普通技术人员而言，在本公开的提示下可以进行各种变化和修正。然而，那些变化和修正并未脱离本公开的范围。在一些实施例中，第一预处理单元610可包括去噪子单元或梯度变换子单元。在一些实施例中，第二预处理单元620可包括梯度变换子单元。在一些实施例中，第一预处理单元610和第二预处理单元620可以集成在一个单元中。
图7是根据本发明的一些实施例所示的确定边缘区域的示例性流程图700。在步骤710中，可以获取图像。在一些实施例中，所述图像可以包括乳房区域。在一些实施例中，所述图像可以是本公开其他地方描述的医学图像。如图3所示，可通过FFDM系统生成所述医学图像。
在步骤720中，可通过对在步骤710中获取的图像进行梯度变换以获得图像1。梯度变换可与图5的步骤530中所述的第一预处理相似。在一些实施例中，可以进行梯度变换以增强乳房区域边缘区域中像素的灰度值，以使边缘区域中像素的平均灰度值大于背景区域中像素的平均灰度值。在一些实施例中，可基于梯度算子来执行梯度变换，所述梯度算子包括Robert算子、Sobel算子、Prewitt算子、Log算子、Canny算子等中的一种或多种的组合。
在步骤730中，可以通过对在步骤710中获得的图像进行负片操作以获得图像2。图像中像素的最高灰度值可以被识别。通过从最高灰度值中减去图像中每个像素的灰度值可以获得图像2。背景区域中像素的平均灰度值(例如，步骤530中所述的第三平均灰度值)可小于边缘区域中像素的平均灰度值(例如，步骤530中所述的第二平均灰度值)或第一区域中像素的平均灰度值(例如，步骤530中所述的第一平均灰度值)。
在一些实施例中，通过在负片操作之后再进行归一化操作可以获得图像2。归一化操作可以是Min-Max标准化、Z-score标准化等中的一种或多种的组合。在一些实施例中，可对图像2中像素的像素值(例如，灰度值)进行归一化。例如，归一化可以包括将图像2中的每个像素值除以一个比例。所述比例可以由用户或设备默认设置。
在步骤740中，通过将图像1和图像2相乘而获得图像3。在图像3中，第一区域中的像素的平均灰度值(例如，第一平均灰度值)可以小于边缘区域中的像素的平均灰度值(例如，第二平均灰度值)，而大于图像3中背景区域中像素的平均灰度值(例如，第三平均灰度值)。步骤730和步骤740中的操作可以类似于或对应于图5中步骤530所述的第二预处理。
在步骤750中，可以通过迭代算法基于图像3来识别边缘区域。迭代算法可包括如下操作中的一个或多个。(a)识别图像3中像素的最高灰度值和最低灰度值。(b)将最高灰度值和最小灰度值总和的一半设置为用于迭代的灰度值阈值Ti-1。对于第一次迭代，初始灰度值阈值可称为T0。(c)可基于灰度值阈值Ti-1将图像3划分为第一部分和第二部分。将灰度值大于初始灰度值阈值Ti-1的像素分配至第一部分。将灰度值低于初始灰度值阈值Ti-1的像素分配至第二部分。(d)分别确定第一部分中的像素的平均灰度值和第二部分中的像素的平均灰度值。像素的平均灰度值可以是每个部分中所有像素的灰度值总和与该部分中像素数量的比值。(e)可指定第一部分中像素的平均灰度值和第二部分中像素的平均灰度值的总和的一半为新的灰度值阈值Ti。(f)可以确定(Ti-Ti-1)的绝对值是否大于预定值(例如，“1”或任何其他合适的值)。如果(Ti-Ti-1)的绝对值等于或小于1，则可认为T1是最佳灰度值阈值T。如果(T1-T0)的绝对值大于1，则可以更新初始灰度值阈值T0来假定T1的值，并且可基于Ti将图像3分成两个新部分，即新的第一部分和新的第二部分；重复(d)至(f)直到(Ti-Ti-1)的绝对值小于1且可以将Ti确定为最佳灰度值阈值T。(g)基于最佳灰度值阈值T可以对图像3进行分割。边缘区域可以包括灰度值超出最佳灰度值阈值T的一组像素。
应该理解的是，以上对操作的描述仅为说明，并不意在限制本公开的范围。对于本领域普通技术人员而言，在本公开的提示下可以进行各种变化和修正。然而，那些变化和修正并不脱离本公开的范围。在一些实施例中，可以基于其他操作来获得图像3中的像素的灰度值分布，使得第一区域中的像素的平均灰度值大于背景区域中的像素的平均灰度值，并小于边缘区域中像素的平均灰度值。
图8是根据本发明的一些实施例所示的有一种确定边缘区域的示例性流程图800。在810中，可以获取图像。在一些实施例中，所述图像可以包括乳房区域。在一些实施例中，所述图像可以为本公开其他地方描述的医学图像。
在步骤820中，可以通过对在步骤810中获取的图像进行对数变换来获得图像1。可以进行对数变换以增大乳房区域的边缘区域中的像素的灰度值并降低背景区域中像素的灰度值，以使得边缘区域中像素的平均灰度值大于背景区域中像素的平均灰度值。
在步骤830中，可以通过对步骤820中获得的图像1进行去噪以获得图像2。在一些实施例中，去噪操作可基于高斯滤波器。高斯滤波器可降低边缘区域中像素的灰度值中的噪声以及背景区域中像素的灰度值中的噪声。在一些实施例中，高斯滤波器可包括傅里叶变换、离散化窗口离散化等中的一种或多种的组合。步骤820和步骤830中的操作可类似于或对应于图5中步骤530所述的第一预处理。
在步骤840中，可以通过对步骤830中获取的图像进行梯度变换以获得图像3。步骤840中的操作可以类似于或对应于图5中的步骤530所述的第二预处理。在一些实施例中，可以通过梯度变换以增大边缘区域中像素的灰度值。在一些实施例中，可以通过梯度算子来执行梯度变换，梯度算子包括Robert算子、Sobel算子、Prewitt算子、Log算子、Canny算子等中的一种或多种的组合。在图像3中，第一区域中像素的平均灰度值(例如，第一平均灰度值)可以小于边缘区域中像素的平均灰度值(例如，第二平均灰度值)，同时第一区域中像素的平均灰度值(例如，第一平均灰度值)可以大于背景区域中像素的灰度值(例如，第三平均灰度值)。
在步骤850中，可基于步骤840中获取的图像3并通过大津算法识别边缘区域。大津算法可包括如下操作中的一个或多个。(a)计算图像3中像素的灰度直方图。(b)从图像3中像素的灰度直方图中的灰度值中设定灰度值阈值Ti。(c)基于灰度值阈值Ti将图像3划分为目标部分和背景部分。(d)基于像素的灰度直方图和灰度值阈值Ti确定目标部分中的像素的灰度值和背景部分中的像素的灰度值之间的类间方差。(e)可重复执行步骤(b)至(d)，直到当目标部分和背景部分之间的类间方差最大时确定最佳灰度值阈值T。(f)基于最佳灰度值阈值T对图像3进行划分。边缘区域可以通过灰度值大于最佳灰度值阈值T的一组像素确定。
应该理解的是，以上对操作的描述仅为说明，并不意在限制本公开的范围。对于本领域普通技术人员而言，在本公开的提示下可以进行各种变化和修正。然而，那些变化和修正并未脱离本公开的范围。在一些实施例中，图像3中像素的灰度值的分布可以基于其他操作来获得，使得第一区域中像素的平均灰度值大于背景区域中的像素的平均灰度值且第一区域中像素的平均灰度值小于边缘区域中像素的平均灰度值。在一些实施例中，步骤820可以是不必要的。
图9是根据本发明的一些实施例所示的胸肌识别子模块330的示意性框图。胸肌识别子模块330可以包括目标区域确定单元910、分割阈值确定单元920、胸肌提取单元930和判断单元940。
目标区域确定单元910可以确定图像中乳房区域内的目标区域。所述图像可以是本公开其他地方所述的医学图像。在一些实施例中，目标区域可包括胸肌子区域。目标区域确定单元910可通过确定图像中关于胸肌子区域的一个或多个点来确定胸肌子区域。在一些实施例中，可基于胸肌子区域的一个或多个特征来确定这些点。所述特征可以包括胸肌子区域的形状、胸肌子区域的大小、胸肌子区域的位置、胸肌子区域的结构等中的一种或多种的组合。
分割阈值确定单元920可以确定目标区域中的灰度值阈值。在一些实施例中，可以基于如本公开其他地方所述的目标区域的灰度直方图的一个或多个特征来确定灰度值阈值。可以基于该灰度值阈值将目标区域分割成一个或多个感兴趣的子区域(例如，胸肌子区域)。在一些实施例中，分割阈值确定单元920可包括计算子单元、归一化子单元和搜索子单元(未示出)。计算子单元可基于目标区域中像素的灰度值生成目标区域的第一灰度直方图。第一灰度直方图包括目标区域的多个灰度值以及所述多个灰度值中具有相同灰度值的像素的数量。归一化子单元可对第一灰度直方图进行归一化操作以生成目标区域的第二灰度直方图。第二灰度直方图包括目标区域中多个归一化灰度值和所述多个归一化灰度值中具有相同归一化灰度值的像素的数量。在一些实施例中，分割阈值确定单元920可以对第一灰度直方图进行预处理以调整所述目标区域。所述调整可以包括增加或减少目标区域的面积、目标区域的灰度直方图中的灰度值范围等。
在一些实施例中，可以基于本公开其他地方描述的阈值分割算法确定灰度值阈值，所述阈值分割算法包括所述的大津算法、迭代算法等。
胸肌提取单元930可以基于从分割阈值确定单元920获得的灰度值阈值来确定胸肌子区域。例如，可以将目标区域中灰度值小于灰度值阈值的像素分配至胸肌子区域。
判断单元940可以确定胸肌子区域是否被正确地确定。在一些实施例中，判断单元940可以确定胸肌子区域的边界是否与目标区域的边界相交。如果两者的边界相交，则胸肌子区域的确定可能被认为是不正确的；否则，可以认为胸肌子区域的确定是正确的。在一些实施例中，判断单元940可以包括更新子单元。所述更新子单元可以根据胸肌子区域的边界和目标区域的边界之间的交叉点更新目标区域。
应该理解的是，以上对框图的描述仅为说明，并不意在限制本公开的范围。对于本领域普通技术人员而言，在本公开的提示下可以进行各种变化和修正。然而，这些变化和修正并未脱离本公开的范围。在一些实施例中，目标区域确定单元910和分割阈值确定单元920可集成在一个单元中。在一些实施例中，胸肌提取单元930和分割阈值确定单元920可集成在一个单元中。在一些实施例中，判断单元940和胸肌提取单元930可以集成在一个单元中。在一些实施例中，胸肌识别子模块330可包括控制器单元。所述控制器单元可控制或协调胸肌识别子模块330中的单元以确定胸肌子区域。
图10是根据本发明的一些实施例所示的确定乳房区域中胸肌子区域的示例性流程图1000。所述过程可由胸肌识别子模块330执行。
在步骤1010中，可以提供关于乳房区域的图像。在一些实施例中，所述图像可以为本公开其他地方所述的医学图像。在一些实施例中，可基于如图5所述的过程确定所述图像中的乳房区域。在一些实施例中，可以基于如本公开其他地方所述的分割技术确定乳房区域。
在步骤1020中，可以确定乳房区域中的目标区域。在一些实施例中，所述目标区域可以包括至少一个胸肌子区域。在一些实施例中，可以基于如本公开其他地方所述的胸肌子区域的特征来确定目标区域。胸肌子区域的特征可包括胸肌子区域的形状、胸肌子区域的大小、胸肌子区域的位置、胸肌子区域的结构等中的一种或多种的组合。例如，图像中关于乳房区域的胸肌子区域可近似为三角形。因此，可将目标区域设定为三角形。此外，可根据胸肌子区域的位置处于图像中乳房区域的边缘来确定目标区域位于乳房区域的边缘。在一些实施例中，可以基于乳房区域的特征来确定目标区域，乳房区域的特征包括乳房形状、乳房大小、乳房结构等。如本文所示，乳房结构可包括乳房中脂肪组织的厚度、乳房中的脂肪组织与其他组织的比例、乳房中的结缔组织等。
在一些实施例中，在确定目标区域前，可以在步骤1010中对图像进行处理。所述处理可以包括去噪、背景分割、图像翻转等中的一种或多种的组合。在一些实施例中，可以进行图像翻转以将胸肌子区域的位置改变至特定区域(例如，图像的左上角)。
在步骤1030中，可以基于灰度值阈值确定目标区域中的第三区域。在一些实施例中，所述第三区域可以是如本公开其他地方所述的胸肌子区域。在一些实施例中，所述第三区域包括可以被进一步分割的胸肌子区域的一部分。
在一些实施例中，可以基于目标区域的灰度直方图的特征来确定灰度值阈值。灰度直方图的特征可以包括灰度直方图的形状、灰度直方图中的像素数量的变化率、灰度直方图中的灰度值的峰值、灰度直方图的一阶导数以及灰度直方图的二阶导数等中的一种或多种的组合。举例来说，与胸肌子区域或目标区域中的一个或多个其他子区域中的灰度值的相对应的像素数量的变化率小于与过渡区中的灰度值相对应的像素数量的变化率，所述过渡区位于胸肌子区域和一个或多个其他子区域之间。因此，可以基于目标区域的灰度直方图中的像素数量变化率来确定灰度值阈值。在一些实施例中，可以基于目标区域的灰度直方图中的像素数量的一阶导数确定像素数量的最大变化率。在一些实施例中，可以基于目标区域的灰度直方图中像素数量的二阶导数确定最大变化率。
在一些实施例中，可通过如本公开其他地方所述的阈值分割算法确定灰度值阈值。例如，可以基于大津算法确定灰度值阈值。
在一些实施例中，当确定灰度值阈值时，可将目标区域中的像素的灰度值与灰度值阈值进行比较。如果像素的灰度值小于灰度值阈值，则可指定其属于第三区域。
在步骤1040中，可以确定目标区域的边界是否与第三区域的边界相交。在一些实施例中，可以通过对第三区域边界上的多个像素进行曲线拟合来确定第三区域的边界，所述曲线拟合包括多项拟合，例如二次项拟合、高斯函数拟合等中的一种或多种的组合。在一些实施例中，目标区域的边界可以是直角三角形的斜边，且第三区域的边界可以为如上所述的拟合曲线。
如果目标区域的边界与第三区域的边界不相交，则过程1000转至执行步骤1050，在步骤1050中可以将第三区域指定为胸肌子区域。
如果第三区域的边界与目标区域的边界相交，则过程1000转至执行步骤1060，在步骤1060中可以基于目标区域的边界与第三区域的边界的交叉点更新目标区域。然后，过程1000返回至步骤1030以确定一个新的第三区域，并重复步骤1030至步骤1060的过程，直到目标区域的边界与第三区域的边界不相交。
应该理解的是，以上对流程图的描述仅处于说明目的，并不意在限制本公开的范围。对于本领域普通技术人员而言，在本公开的提示下可以进行各种变化和修正。然而，这些变化和修正并未脱离本公开的范围。
图11是根据本发明的一些实施例所示的确定目标区域的示例性流程图1100。所述过程可由目标区域确定单元910执行。
在步骤1110中，可以提供关于乳房区域的图像。在一些实施例中，所述图像可以是本公开其他地方所述的医学图像。在一些实施例中，可以基于如图5中说明的分割技术来确定该乳房区域。所述图像可包括乳房区域的边缘，还可进一步包括第一部分和第二部分。图像可包括如图15所示的第一边界(例如，水平边界)和第二边界(例如，竖直边界)。
在步骤1120中，可以在图像的第一边界上选择第一点。在一些实施例中，可基于系统100中的预设参数选择第一点。在一些实施例中，可以基于机器学习过程来选择第一点，在所述机器学习过程中需要学习包括乳房区域的大量图像。应该注意的是，第一点可以位于第一边界上的不同位置。为了更好地理解本公开，以图16为例说明不同点的选择，而仅为了说明的目的而描述，并不旨在限制本公开的范围。第一点可以为图像中水平边界与图像中乳房区域边缘的交叉点，即图16中的点Qf。
在步骤1130中，可以基于连接第一点和第二点的直线的第一斜率，确定第二点位于乳房区域边缘的第一部分上。在一些实施例中，乳房区域边缘的第一部分的长度可以是从乳房区域边缘的终点(例如，图16中的点Xe)至乳房区域边缘上的另一个点之间的距离(例如，图16上的点Oa)。在一些实施例中，所述长度可以在0.5Lb到0.7Lb的范围内，其中Lb可以是乳房区域边缘上的起点(例如，图16中的点Of)和终点(例如，图16中的点Xe)在竖直方向上的距离(例如，图16中点Xf和点Xe之间的距离)。可计算连接第一点(例如，图16中的点Qf)和边缘的第一部分上的每个点(例如，图16中的点Oa、点Ob和点Oc)的直线的斜率。在一些实施例中，可以选择与最小斜率的直线相对应的点作为第二点(例如，图16中的点OS)。
在步骤1140中，可以基于第二点确定第三点。从第三点到第一边界的距离可以小于从第二点到第一边界的距离。在一些实施例中，第三点可以是第二边界上的点(例如，图17中的点Ps)。在一些实施例中，从第二点至第三点之间在竖直方向上的距离可小于从边缘的起点(例如，图16中的点Of)至第二点(例如，图16中的点Os)之间在竖直方向上距离的一半。在一些实施例中，所述起点(例如，图16中的点Of)到第三点(例如，图17中的点Ps)之间在竖直方向上的距离可以在0.5Xs至0.9Xs的范围内，其中Xs可以是第二点和边缘的起点之间在竖直方向上的距离。
在步骤1150中，可以基于连接第三点和第四点的直线的第二斜率，在乳房区域的边缘的第二部分上确定第四点。在一些实施例中，乳房区域边缘的第二部分的长度可以是从乳房区域边缘的起点(例如，图16中的点Of)至乳房区域边缘上的另一个点之间的距离(例如，图16上的点Oe)。在一些实施例中，所述边缘的第二部分的长度可以在0.2Lb到0.4Lb的范围内，其中所述Lb可以是从乳房区域边缘上的起点(例如，图17中的点Of)和终点(例如，图17中的点Of)之间在竖直方向上的距离(例如，图17中点Xf和点Xe之间的距离)。可计算连接第三点(例如，图17中的点Ps)和乳房区域边缘的第二部分上的每个点(例如，图17中的点Od、点Oe、和点Pf)的直线的斜率。在一些实施例中，可以选择与最大斜率的直线相对应的点作为第四点(例如，图17中的点Pf)。
在步骤1150中，可基于第三点和第四点确定目标区域。在一些实施例中，目标区域的边界可以由连接第三点和第四点的第一直线限定，所述第一直线延伸后与图像的第一边界和第二边界相交。在一些实施例中，所述目标区域可以是由第一直线、第一边界和第二边界限定的直角三角形。
应该理解的是，以上对流程图的描述仅出于说明目的，并不意在限制本公开的范围。对于本领域普通技术人员而言，在本公开的提示下可以进行各种变化和修正。然而，那些变化和修正并未脱离本公开的范围。在一些实施例中，图像的第一边界可以是图像的竖直边界。在一些实施例中，可基于多个图像样本和乳房形态的统计分析来确定边缘的第一部分和第二部分的长度或者第三点的位置，所述第三点的位置是基于第二点来确定的。在一些实施例中，可以确定边缘的第一部分和第二部分的长度和/或第三点的位置以最小化目标区域并将胸肌子区域包括在内。在一些实施例中，可以基于乳房形态调整边缘的第一部分和边缘的第二部分的长度或者第三点的位置。在一些实施例中，目标区域可以是由第二直线、图像第一边界和第二边界限定的直角三角形。第二直线和第一边界之间的角度可以默认设置，也可由操作员手动设置。
图12是根据本发明的一些实施例所示的确定目标区域的灰度值阈值的示例性流程图。所述过程可由分割阈值确定单元920执行。
在步骤1210中，可以获取目标区域的灰度直方图。目标区域的灰度直方图可以反应目标区域中像素的灰度值分布。在一些实施例中，灰度直方图的X轴可以对应于灰度值，灰度直方图的Y轴可以对应于像素的数量。在一些实施例中，灰度直方图的Y轴可以对应于灰度值的像素的频率。如本文所示，对应于灰度值的像素的频率可被定义为对应于灰度值的像素数量与总像素数量之比。在一些实施例中，可以对灰度直方图进行去噪以减少灰度直方图的噪声。在一些实施例中，可以使用平均滤波器、中值滤波器、高斯滤波器、双边滤波器、归一化盒滤波器等等中的一种或多种的组合来进行去噪操作。在一些实施例中，可以基于在灰度直方图上执行的平滑操作来降低噪声。平滑操作可通过应用低通滤波器来进行，所述低通滤波器包括理想圆形低通滤波器、巴特沃斯(Butterworth)低通滤波器、指数低通滤波器、梯形低通滤波器等中的一种或多种的组合。
在步骤1220中，可以基于对目标区域灰度直方图的预处理来获得第一灰度直方图。灰度直方图的预处理可以调整所述目标区域。所述调整可包括增大或减小目标区域的面积、目标区域的灰度直方图中的灰度值范围等。
在一些实施例中，对灰度直方图的预处理可以包括如下一个或多个操作。可以确定灰度直方图中像素的总数量(或者像素总数)。可以确定灰度直方图的灰度值的范围。可以确定灰度直方图中的平均像素数量。所述平均像素数量可以是目标区域中的像素总数与灰度值范围的比值。可以识别灰度直方图的最大灰度值。可以确定第一灰度值阈值，使得与灰度直方图中的第一灰度值阈值相对应的像素的数量可以等于或大于平均像素数量，并且灰度直方图中的最高灰度值和第一灰度值阈值之间的差值最小。可以将包括灰度值大于第一灰度值阈值的像素的区域从灰度直方图中去除。
在步骤1230中，可通过将步骤1220中的第一灰度直方图进行归一化来获得第二灰度直方图。在一些实施例中，可以通过对第一灰度直方图执行Min-Max标准化或Z-score标准化将第一灰度直方图归一化。在一些实施例中，可以对灰度直方图中每个灰度值对应的像素数量进行归一化。例如，归一化可以包括通过比例缩小与每个灰度值对应的像素数量。在一些实施例中，可以基于第一灰度直方图中像素总数、第一灰度直方图中具有最高灰度值的像素数量等来确定所述比例。在一些实施例中，可以通过使第二灰度直方图中的最大像素数等于最大灰度值与对应于第一灰度直方图中的最大像素数的灰度值之差来确定所述比例。
又例如，归一化可以包括将每个灰度值的像素数量除以总的像素数量。
在步骤1240中，可以基于第二灰度直方图的特征确定灰度值阈值。在一些实施例中，第二灰度直方图的特征可以包括第二灰度直方图的形状、第二灰度直方图的灰度值的峰值、第二灰度直方图中像素数量的一阶导数、第二灰度直方图中像素数量的二阶导数等中的一种或多种的组合。举例来说，与目标区域中的胸肌子区域或一个或多个其他子区域中的不同的灰度值相对应的像素数量的变化率小于与过渡区中的不同灰度值相对应的像素数量的变化率，所述过渡区位于胸肌子区域和一个或多个其他子区域之间。因此，可以基于目标区域灰度直方图中像素数量的变化率来确定灰度值阈值。在一些实施例中，像素数量的最大变化率可以基于目标区域的灰度直方图中像素数量的一阶导数来确定。在一些实施例中，最大变化率可基于目标区域的灰度直方图中像素数量的二阶导数确定。
在一些实施例中，可以基于第二灰度直方图的形状确定灰度值阈值。举例来说，如图22所示，可以识别对应于第二灰度直方图上的最高点或峰值(即最大像素数量)的灰度值坐标(本文还称为点GM)。可以在第二灰度直方图上确定与最高点或峰值(本文也称为点GM)相对应的灰度值坐标的预设邻域内的任一灰度值坐标距离最近的点。可将对应该点(例如，图22中的点H)的灰度值确定为灰度值阈值。在一些实施例中，预定邻域可以在0到0.15GL的范围内，其中GL可以是目标区域的第二灰度直方图中的灰度值的范围。在一些实施例中，可基于内切于第二灰度直方图的圆(例如，以图22中的点GM为中心的圆)来确定对应于灰度值阈值的点。圆的中心可以是预设邻域中的任何灰度值坐标。对应于切点的灰度值可以是灰度值阈值。
在一些实施例中，可基于本公开其他地方描述的分割阈值方法确定灰度值阈值。例如，可以基于第二灰度直方图并通过大津算法来确定灰度值阈值。
应该理解的是，以上对流程图的描述仅出于说明目的，并不意在限制本公开的范围。对于本领域普通技术人员而言，在本公开的提示下可以进行各种变化和修正。然而，那些变化和修正并未脱离本公开的范围。在一些实施例中，归一化可在预处理前执行。在一些实施例中，步骤1120可以是非必要的。
图13是根据本发明的一些实施例所示的包括乳房区域的示例性图像。如图13所示，可以通过FFDM系统生成与乳房区域相关的医学图像。在所述医学图像中，第一区域(例如，右上区域)中像素的灰度平均值可以大于背景区域(例如，左区域)中像素的平均灰度值。边缘区域位于第一区域和背景区域之间。
图14是根据本发明的一些实施例所示的确定的乳房区域的二值图像。如图14所示，白色区域(例如，右上区域)可以是乳房区域，包括灰度值“1”的多个像素。黑色区域(例如，左侧区域)可以是背景区域，包括灰度值“0”的多个像素。在图14中，乳房区域和背景区域是可区分的。通过将包括确定的乳房区域的二值图像与原始图像(例如，在步骤510获取的图像)相乘而获得包括乳房区域的灰度图像。在乳房区域中，对应于原始图像中的像素的灰度值乘以二值图像中的灰度值“1”，原始图像中的灰度值保持不变。在背景区域中，对应于原始图像中像素的灰度值乘以二值图像中的灰度值“0”，正常图像中的灰度值更新为“0”。
图15至19是根据本发明的一些实施例所示的目标区域的确定过程示意图。如图15所示，图像可包括水平边界和竖直边界。水平边界设定为Y轴，且竖直边界设定为X轴。在图像的水平边界上确定第一点Of。第一点Of是图像中水平边界与图像中乳房区域边缘的交叉点。
如图16所示，在用粗体标记的乳房区域边缘的第一部分上确定第二点Os。边缘的第一部分的长度在0.5Lb至0.7Lb的范围内，其中Lb是如图所示的点Xe和点Xf之间的距离，点Xe表示乳房区域在X轴上的终点。第一点Of与乳房区域边缘的第一部分上的一个或多个点相连，如虚线所示。计算连接第一点Of和乳房区域边缘的第一部分上的点的直线的斜率。将对应于最小斜率的点Os作为第二点。
如图17所示，在图像的竖直边界上确定第三点Ps。第三点Ps和第二点Os的X轴坐标之差小于第二点Os的X轴坐标的一半。第三点Ps的X轴坐标在0.5Xs至0.9Xs的范围内，其中Xs是第二点Os的X轴坐标。
如图18所示，在用粗体标记的乳房区域边缘的第二部分上确定第四点Of。乳房区域边缘的第二部分在竖直方向上的长度在0.2Lb至0.4Lb的范围内，其中Lb是如图所示的点Xe和点Xf之间的距离。第四点与乳房区域边缘的第二部分上的一个或多个点相连，如虚线所示。计算连接第三点Ps和乳房区域边缘的第二部分上的点的直线的斜率。将对应于最大斜率的点Pf作为第四点。
如图19所示，目标区域是由连接第三点Ps和第四点Pf的直线、图像的水平边界、和竖直边界限定的直角三角区域。
图20是根据本发明的一些实施例所示的目标区域的灰度直方图。如图20所示，横坐标是灰度值，纵坐标是目标区域中的像素数量。对目标区域的灰度直方图进行归一化。在图20中，目标区域的最大灰度值为1200左右，与最大像素数量对应的灰度值为约为300，其中最大像素数量约为4500。每个坐标值除以5，使得对应于最高点或峰值的像素数量等于最大灰度值与对应于最高点或峰值的灰度值之差。
图21是根据本发明的一些实施例所示的对灰度直方图进行预处理的示意图，平均像素数量MP为灰度直方图中总的像素数量与从200到大约1200之间的灰度值范围之间的比值。第一阈值GF是对应于大于平均像素数量MP的像素数量的灰度值，同时第一阈值GF与约1200的最高灰度值之差是最小的。将具有灰度值高于第一阈值GF的像素的区域去除，如图20中的阴影区域所示。
图22是根据本发明的一些实施例所示的用于确定第二灰度直方图的灰度值阈值的示意图。如图22所示，点GM是对应于第二灰度直方图中最高点或峰值(例如，最大像素数量)的灰度值。在第二灰度直方图中，目标区域中像素的灰度值在200至大约1200的范围内，且GL为1000。预设邻域在0至150的范围内。如图22所示，预设邻域为0，通过做一个以GM为中心的圆搜索第二灰度直方图上最靠近点GM的点。最接近点GM的点是内切于第二个灰度直方图的切点。灰度值阈值是对应于第二灰度直方图上的点T的灰度值。在一些实施例中，确定预设邻域为150，且在第二灰度直方图上搜索距离处于300至450范围内的灰度值最靠近的点。圆的中心是预设邻域中的任意一灰度值坐标。
图23是根据本发明的一些实施例所示的包括胸肌子区域边界和目标区域边界的示例性图像。如图23所示，第三区域的边界用二次项拟合形成的抛物线，目标区域的边界是直角三角形的斜边。第三区域的边界与第一区域的边界不相交。第三区域被指定为胸肌子区域。
应该理解的是，以上对实施例的描述是为了便于理解本公开，而不旨在限制本公开的范围。对于本领域普通技术人员而言，可以根据本公开可以进行各种变化和修改。然而，这些变化和修正并不脱离本公开的范围。
以上概述了确定医学图像中乳房区域的方法的不同方面和/或通过程序实现其他步骤的方法。技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，是通过计算机可读的介质所参与或实现的。有形的、永久的储存介质包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何时间能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信能够将软件从一个计算机设备或处理器加载到另一个。例如：从按需服务系统的一个管理服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供按需服务所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
因此，一个计算机可读的介质可能有多种形式，包括但不限于，有形的存储介质，载波介质或物理传输介质。稳定的储存介质包括：光盘或磁盘，以及其他计算机或类似设备中使用的，能够实现图中所描述的系统组件的存储系统。不稳定的存储介质包括动态内存，例如计算机平台的主内存。有形的传输介质包括同轴电缆、铜电缆以及光纤，包括计算机系统内部形成总线的线路。载波传输介质可以传递电信号、电磁信号，声波信号或光波信号，这些信号可以由无线电频率或红外数据通信的方法所产生的。通常的计算机可读介质包括硬盘、软盘、磁带、任何其他磁性介质；CD-ROM、DVD、DVD-ROM、任何其他光学介质；穿孔卡、任何其他包含小孔模式的物理存储介质；RAM、PROM、EPROM、FLASH-EPROM，任何其他存储器片或磁带；传输数据或指令的载波、电缆或传输载波的连接装置、任何其他可以利用计算机读取的程序代码和/或数据。这些计算机可读介质的形式中，会有很多种出现在处理器在执行指令、传递一个或更多结果的过程之中。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，例如，局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
本领域技术人员能够理解，本申请所披露的内容可以出现多种变型和改进。例如，以上所描述的不同系统组件都是通过硬件设备所实现的，但是也可能只通过软件的解决方案得以实现。例如：在现有的服务器上安装系统。此外，这里所披露的位置信息的提供可能是通过一个固件、固件/软件的组合、固件/硬件的组合或硬件/固件/软件的组合得以实现。
以上内容描述了本申请和/或一些其他的示例。根据上述内容，本申请还可以作出不同的变形。本申请披露的主题能够以不同的形式和例子所实现，并且本申请可以被应用于大量的应用程序中。后文权利要求中所要求保护的所有应用、修饰以及改变都属于本申请的范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述属性、数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档、物件等，特将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不限于本申请明确介绍和描述的实施例。

Claims (27)

1.一种用于确定医学图像中乳房区域的方法，其特征在于，包括：
获取包括乳房区域的第一图像，所述乳房区域包括第一区域和第二区域；
确定所述乳房区域中的第一区域，所述第一区域包括多个第一像素；
确定与所述乳房区域边缘相关的所述第二区域，所述第二区域包括多个第二像素，所述多个第二像素包括所述多个第一像素的至少一部分；
其中，确定与所述乳房区域边缘相关的所述第二区域包括：
对所述第一图像进行第一预处理以获得第二图像；
对所述第二图像进行第二预处理以获得第三图像，所述第三图像包括对应于第一平均灰度值的所述多个第一像素、对应于第二平均灰度值的所述多个第二像素和对应于第三平均灰度值的多个第三像素，所述多个第三像素位于与所述第三图像的背景区域相关的第三区域中，所述第一平均灰度值大于所述第三平均灰度值并小于所述第二平均灰度值；
基于所述第三图像确定所述第二区域；以及
基于所述第一区域和第二区域的组合确定所述乳房区域。
2.如权利要求1所述的方法，其特征在于，基于大津算法确定所述乳房区域中的第一区域。
3.如权利要求1所述的方法，其特征在于，对所述第一图像进行的第一预处理包括梯度变换或差分操作。
4.如权利要求3所述的方法，其特征在于，对所述第二图像进行第二预处理包括：
对所述第一图像进行负片操作以获得第四图像;以及
将所述第二图像和所述第四图像相乘。
5.如权利要求4所述的方法，其特征在于，进一步包括对所述第四图像进行归一化处理。
6.如权利要求1所述的方法，其特征在于，所述第一预处理包括对所述第一图像去噪以获得所述第二图像。
7.如权利要求6所述的方法，其特征在于，进一步包括对所述第一图像去噪之前对所述第一图像进行对数变换。
8.如权利要求6所述的方法，其特征在于，对所述第二图像进行的第二预处理包括梯度变换或差分操作。
9.如权利要求1所述的方法，其特征在于，基于迭代算法或大津算法确定与所述乳房区域边缘相关的所述第二区域。
10.如权利要求1所述的方法，其特征在于，进一步包括确定孤立区域，所述孤立区域包括至少一个像素，所述至少一个像素的灰度值与所述孤立区域周围的像素的灰度值不同。
11.如权利要求1所述的方法，其特征在于，进一步包括：
确定所述乳房区域中的第四区域，所述第四区域包括与胸肌子区域相关的第五区域;
生成所述第四区域的灰度直方图;
基于所述灰度直方图的特性确定灰度阈值;以及
基于所述灰度阈值确定所述第四区域中的第五区域。
12.如权利要求11所述的方法，其特征在于，所述灰度直方图的特性包括所述灰度直方图的形状、所述灰度直方图中的像素数量的变化率、所述灰度直方图中的灰度值的峰值、灰度直方图的一阶导数或灰度直方图的二阶导数中的至少一个。
13.一种用于确定医学图像中乳房区域的系统，其特征在于，包括：
图像处理装置，用于：
获取包括乳房区域的第一图像，所述乳房区域包括第一区域和第二区域；
确定所述乳房区域中的第一区域，所述第一区域包括多个第一像素；
确定与所述乳房区域边缘相关的所述第二区域，所述第二区域包括多个第二像素，所述多个第二像素包括所述多个第一像素的至少一部分；
其中，确定与所述乳房区域边缘相关的所述第二区域包括：
对所述第一图像进行第一预处理以获得第二图像；
对所述第二图像进行第二预处理以获得第三图像，所述第三图像包括对应于第一平均灰度值的所述多个第一像素、对应于第二平均灰度值的所述多个第二像素和对应于第三平均灰度值的多个第三像素，所述多个第三像素位于与所述第三图像的背景区域相关的第三区域中，所述第一平均灰度值大于所述第三平均灰度值并小于所述第二平均灰度值；
基于所述第三图像确定所述第二区域；以及
基于所述第一区域和第二区域的组合确定所述乳房区域。
14.如权利要求13所述的系统，其特征在于，所述图像处理装置进一步用于基于大津算法确定所述乳房区域中的第一区域。
15.如权利要求13所述的系统，其特征在于，所述图像处理装置进一步用于基于迭代算法或大津算法确定与所述乳房区域的边缘相关的所述第二区域。
16.如权利要求13所述的系统，其特征在于，所述图像处理装置进一步用于确定孤立区域，所述孤立区域包括至少一个像素，所述至少一个像素的灰度值与所述孤立区域周围的像素的灰度值不同。
17.如权利要求13所述的系统，其特征在于，所述图像处理装置进一步用于：
确定所述乳房区域中的第四区域，所述第四区域包括与胸肌子区域相关的第五区域;
生成所述第四区域的灰度直方图;
基于所述灰度直方图的特性确定灰度阈值;以及
基于所述灰度阈值确定所述第四区域中的第五区域。
18.一种用于确定乳房区域中的胸肌子区域的方法，其特征在于，包括：
获取包括乳房区域的图像;
确定所述乳房区域中的第一区域，所述第一区域包括与胸肌子区域相关的第二区域；生成所述第一区域的第一灰度直方图，所述第一灰度直方图包括所述第一区域中的多个灰度值和所述第一区域中具有所述多个灰度值中的相同灰度值的像素数量;
基于所述第一灰度直方图的特性确定灰度阈值;以及
基于所述灰度阈值确定所述第一区域中的所述第二区域；
若所述第二区域的边界与所述第一区域的边界不相交，指定所述第二区域作为所述胸肌子区域；或者
若所述第二区域的边界与所述第一区域的边界相交，基于所述第二区域的边界与所述第一区域的边界交叉点更新所述第二区域直到所述更新后的第二区域的边界与所述第一区域的边界不相交，以及指定所述更新后的第二区域为所述胸肌子区域。
19.如权利要求18所述的方法，其特征在于，所述特性包括所述第一灰度直方图的形状，所述第一灰度直方图中的像素数量的变化率，所述第一灰度直方图中的灰度值的峰值，所述第一灰度直方图的一阶导数或所述第一灰度直方图的二阶导数中的至少一个。
20.如权利要求18所述的方法，其特征在于，基于迭代算法或大津算法确定所述灰度阈值。
21.如权利要求20所述的方法，其特征在于，确定第一区域包括：
从所述图像的第一边界上选择第一点;
基于连接所述第一点和第二点的第一直线的斜率确定所述第二点，所述第二点位于所述乳房区域边缘的第一部分上;
确定第三点，所述第三点到所述第一边界的距离小于所述第二点到所述第一边界的距离;
基于连接所述第三点和第四点的第二直线的斜率确定第四点，所述第四点位于所述乳房区域边缘的第二部分上;以及
基于所述第二直线确定所述第一区域。
22.如权利要求18所述的方法，其特征在于，确定灰度阈值包括：
对所述第一灰度直方图进行归一化处理以获得第二灰度直方图，所述第二灰度直方图包括多个灰度值以及所述多个灰度值中具有相同灰度值的像素的数量;
从所述第二灰度直方图的所述多个灰度值中识别出第一灰度值，所述第一灰度值对应于数量最多的像素，所述数量最多的像素在所述第二灰度直方图中具有相同的灰度值;
确定第五点，所述第五点位于所述第二灰度直方图上的第一灰度值的预设邻域内，所述预设邻域根据所述第二灰度直方图的灰度值范围确定;
确定第二灰度直方图上的第六点，所述第六点最接近所述第五点;以及
确定与所述第六点对应的第二灰度值为所述灰度阈值。
23.如权利要求22所述的方法，其特征在于，进一步包括对所述第一灰度直方图执行预处理，所述预处理包括：
确定所述第一灰度直方图中像素的总数;
确定所述第一灰度直方图的灰度值范围;
确定平均像素数，所述平均像素数为所述第一灰度直方图中的像素总数与所述第一灰度直方图的灰度值范围的比值;
识别所述第一灰度直方图的最大灰度值;
基于所述第一灰度直方图中的最大灰度值和平均像素数确定所述第一灰度直方图中的第三灰度值;以及
去除所述第一灰度直方图中的区域，去除的所述区域包括至少一个像素，所述至少一个像素中的每一个像素的灰度值均大于所述第三灰度值。
24.一种用于确定乳房区域中的胸肌子区域的系统，其特征在于，包括：
图像处理装置，用于：
获取包括乳房区域的图像;
确定所述乳房区域中的第一区域，所述第一区域包括与胸肌子区域相关的第二区域;生成所述第一区域的第一灰度直方图，所述第一灰度直方图包括所述第一区域中的多个灰度值和所述第一区域中具有所述多个灰度值中的相同灰度值的像素数量;
基于所述第一灰度直方图的特性确定灰度阈值;以及
基于所述灰度阈值确定所述第一区域中的所述第二区域；
若所述第二区域的边界与所述第一区域的边界不相交，指定所述第二区域作为所述胸肌子区域；或者
若所述第二区域的边界与所述第一区域的边界相交，基于所述第二区域的边界与所述第一区域的边界交叉点更新所述第二区域直到所述更新后的第二区域的边界与所述第一区域的边界不相交，以及指定所述更新后的第二区域为所述胸肌子区域。
25.如权利要求24所述的系统，其特征在于，为了确定所述第一区域，所述图像处理装置进一步用于：
选择所述图像的第一边界上的第一点;
基于连接所述第一点和第二点的第一直线的斜率确定所述第二点，所述第二点位于所述乳房区域边缘的第一部分上;
确定第三点，所述第三点到所述第一边界的距离小于所述第二点到所述第一边界的距离;
基于连接所述第三点和第四点的第二直线的斜率确定第四点，所述第四点位于所述乳房区域边缘的第二部分上;以及
基于所述第二直线确定所述第一区域。
26.如权利要求24所述的系统，其特征在于，为了确定所述灰度阈值，所述图像处理装置进一步用于：
对所述第一灰度直方图进行归一化处理以获得第二灰度直方图，所述第二灰度直方图包括多个灰度值以及所述多个灰度值中具有相同灰度值的像素的数量;
从所述第二灰度直方图的所述多个灰度值中识别出第一灰度值，所述第一灰度值对应于数量最多的像素，所述数量最多的像素在所述第二灰度直方图中具有相同的灰度值;
确定第五点，所述第五点位于所述第二灰度直方图上的第一灰度值的预设邻域内，所述预设邻域根据所述第二灰度直方图的灰度值范围确定;
确定第二灰度直方图上的第六点，所述第六点最接近所述第五点;以及
确定与所述第六点对应的第二灰度值为所述灰度阈值。
27.如权利要求24所述的系统，其特征在于，所述图像处理装置进一步用于基于迭代算法或大津算法来确定所述灰度阈值。
CN201680070175.7A 2015-09-30 2016-09-30 确定医学图像中乳房区域的系统和方法 Active CN108471995B (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
CN2015106422590 2015-09-30
CN2015106407463 2015-09-30
CN201510642259.0A CN105147310B (zh) 2015-09-30 乳房图像获取方法及装置、乳房摄影系统
CN201510640746.3A CN105374025B (zh) 2015-09-30 2015-09-30 乳房图像获取方法及装置、乳房摄影系统
CN2015109335503 2015-12-15
CN201510933550.3A CN105447879B (zh) 2015-12-15 2015-12-15 乳房图像中检测胸肌的方法及装置
PCT/CN2016/101186 WO2017054775A1 (en) 2015-09-30 2016-09-30 System and method for determining a breast region in a medical image

Publications (2)

Publication Number Publication Date
CN108471995A CN108471995A (zh) 2018-08-31
CN108471995B true CN108471995B (zh) 2022-03-29

Family

ID=58422690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680070175.7A Active CN108471995B (zh) 2015-09-30 2016-09-30 确定医学图像中乳房区域的系统和方法

Country Status (3)

Country Link
US (3) US10297024B2 (zh)
CN (1) CN108471995B (zh)
WO (1) WO2017054775A1 (zh)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015175031A1 (en) * 2014-02-17 2015-11-19 General Electric Company Method and system for processing scanned images
WO2017054775A1 (en) * 2015-09-30 2017-04-06 Shanghai United Imaging Healthcare Co., Ltd. System and method for determining a breast region in a medical image
EP3920133A1 (en) * 2015-12-31 2021-12-08 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image processing
JP6886260B2 (ja) * 2016-09-07 2021-06-16 キヤノン株式会社 画像処理装置、その制御方法、およびプログラム
CN107833229A (zh) * 2017-11-02 2018-03-23 上海联影医疗科技有限公司 信息处理方法、装置及系统
EP3704669A4 (en) 2017-11-02 2020-12-30 Shanghai United Imaging Healthcare Co., Ltd. SYSTEMS AND METHODS FOR GENERATING SEMANTIC INFORMATION FOR A SCAN IMAGE
CN107798679B (zh) * 2017-12-11 2021-04-27 福建师范大学 乳腺钼靶图像乳房区域分割与钙化点检测方法
CN108764325B (zh) * 2018-05-23 2022-07-08 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备和存储介质
CN108765448B (zh) * 2018-05-28 2022-01-07 青岛大学 一种基于改进tv-l1模型的虾苗计数分析方法
WO2019228482A1 (en) * 2018-05-30 2019-12-05 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing
CN108805883B (zh) * 2018-06-08 2021-04-16 Oppo广东移动通信有限公司 一种图像分割方法、图像分割装置及电子设备
CN109146905A (zh) * 2018-08-30 2019-01-04 南京理工大学 针对低亮度环境的canny算子边缘检测算法
CN109377477B (zh) * 2018-09-26 2020-09-18 苏州六莲科技有限公司 一种图像分类的方法、装置及计算机可读存储介质
CN109523568A (zh) * 2018-10-12 2019-03-26 广东绿康源美环境科技有限公司 一种基于Canny算法的大体标本摄像系统
CN109460781B (zh) * 2018-10-20 2022-08-19 上海瑞轩食品有限公司 一种基于决策树归纳学习的牛排等级划分方法
CN109655463B (zh) * 2018-10-30 2023-02-03 广州超音速自动化科技股份有限公司 锂电池极片涂布的图像采集方法、系统、设备及存储介质
CN110120031B (zh) * 2019-04-02 2022-05-31 四川锦江电子科技有限公司 一种得到血管血流储备分数的方法和装置
CN110110761A (zh) * 2019-04-18 2019-08-09 温州医科大学 基于机器视觉的眼前节断层图像的图像特征提取方法
CN109893100B (zh) * 2019-04-18 2022-05-10 盐城工学院 一种乳腺密度定量化计算的方法
CN110364250B (zh) * 2019-04-26 2021-12-14 深圳大学 乳腺钼靶图像的自动标注方法、系统及存储介质
CN110728678A (zh) * 2019-10-22 2020-01-24 上海联影医疗科技有限公司 一种图像区域分类方法、系统、装置及存储介质
JP7392368B2 (ja) * 2019-10-03 2023-12-06 富士フイルムビジネスイノベーション株式会社 画像処理装置，システム，プログラム
CN110992377B (zh) * 2019-12-02 2020-12-22 推想医疗科技股份有限公司 图像分割方法、装置、计算机可读存储介质和设备
CN111009208B (zh) * 2019-12-27 2021-07-06 Tcl华星光电技术有限公司 面板显示的优化方法、显示面板及存储介质
CN111210423B (zh) * 2020-01-13 2023-04-07 浙江杜比医疗科技有限公司 Nir图像的乳房轮廓提取方法、系统及装置
CN111311610A (zh) * 2020-02-14 2020-06-19 河北工程大学 图像分割的方法及终端设备
CN111899223A (zh) * 2020-06-30 2020-11-06 上海依智医疗技术有限公司 一种确定乳房图像中回缩征象的方法及装置
CN112190296A (zh) * 2020-10-21 2021-01-08 青岛大学附属医院 一种新型脊柱微创手术套件、应用方法
CN112365450A (zh) * 2020-10-23 2021-02-12 安徽启新明智科技有限公司 基于图像识别的物品分类计数的方法、装置和存储介质
CN112365413A (zh) * 2020-10-30 2021-02-12 湖北锐世数字医学影像科技有限公司 图像处理方法、装置、设备、系统及计算机可读存储介质
CN117173050A (zh) * 2021-03-17 2023-12-05 武汉联影智融医疗科技有限公司 图像处理方法、装置、计算机设备和存储介质
CN114494262B (zh) * 2022-04-19 2022-07-26 广东粤港澳大湾区硬科技创新研究院 一种图像对比度的评估方法和装置
CN116258725B (zh) * 2023-05-16 2023-08-22 福建自贸试验区厦门片区Manteia数据科技有限公司 基于特征影像的医学图像处理方法、装置以及存储介质
CN116363155B (zh) * 2023-05-25 2023-08-15 南方医科大学南方医院 一种胸大肌区域智能分割方法、装置和存储介质

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5452367A (en) * 1993-11-29 1995-09-19 Arch Development Corporation Automated method and system for the segmentation of medical images
JPH08507249A (ja) * 1993-12-30 1996-08-06 フィリップス エレクトロニクス エヌ ベー デジタルマンモグラムでの自動区画化及び皮膚ライン検出
US5572565A (en) 1994-12-30 1996-11-05 Philips Electronics North America Corporation Automatic segmentation, skinline and nipple detection in digital mammograms
US5796862A (en) 1996-08-16 1998-08-18 Eastman Kodak Company Apparatus and method for identification of tissue regions in digital mammographic images
CN100594843C (zh) * 2004-08-03 2010-03-24 株式会社东芝 图像显示装置、图像显示方法、存储介质以及程序
JP4709604B2 (ja) 2004-08-03 2011-06-22 株式会社東芝 画像表示装置、画像表示方法、記憶媒体及びプログラム
US7916912B2 (en) 2006-09-14 2011-03-29 Siemens Israel Ltd. Efficient border extraction of image feature
CN100595789C (zh) 2006-09-21 2010-03-24 复旦大学 一种基于二维模糊聚类的超声图像分割方法
US7747076B2 (en) 2006-12-21 2010-06-29 Fujifilm Corporation Mass segmentation using mirror image of region of interest
US8340387B2 (en) 2007-04-13 2012-12-25 Three Palm Software Fast preprocessing algorithms for digital mammography CAD and workstation
CN100484474C (zh) 2007-07-13 2009-05-06 华中科技大学 基于乳腺x线摄片的乳腺癌计算机辅助诊断系统
EP2161688B1 (en) 2008-09-03 2012-03-14 Agfa Healthcare Method for deriving the amount of dense tissue from a digital mammographic image representation
CN101419712A (zh) * 2008-12-02 2009-04-29 深圳市蓝韵实业有限公司 一种确定乳腺外边缘轮廓的方法
CN101599174A (zh) * 2009-08-13 2009-12-09 哈尔滨工业大学 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法
US8649578B2 (en) * 2010-03-08 2014-02-11 Agfa Healthcare Inc. Method and system for defining a breast window
CN102956035A (zh) 2011-08-25 2013-03-06 深圳市蓝韵实业有限公司 用于乳腺x线图像中提取乳腺区域的预处理方法及系统
EP2629263B1 (en) * 2012-02-17 2015-06-03 Agfa HealthCare Method for defining a region of interest in a radiation image of a breast
CN103679685B (zh) 2012-09-11 2018-03-27 北京三星通信技术研究有限公司 图像处理系统和图像处理方法
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
CN103914697B (zh) 2012-12-29 2018-08-31 上海联影医疗科技有限公司 一种乳房三维图像感兴趣区域的提取方法
US9047664B2 (en) * 2013-05-31 2015-06-02 Kathryn Pearson Peyton Apparatus and method for utilizing mammogram images for verification
CN103425986B (zh) 2013-08-31 2016-08-10 西安电子科技大学 基于边缘邻域加权的乳腺肿块图像特征提取方法
CN104182965B (zh) 2014-01-22 2016-03-30 上海联影医疗科技有限公司 一种乳腺图像中分割胸肌的方法
CN104881858B (zh) * 2014-02-27 2017-09-29 上海联影医疗科技有限公司 一种乳房内增强背景组织的提取方法和装置
CN104574327B (zh) * 2014-12-15 2018-08-03 沈阳东软医疗系统有限公司 一种乳腺图像处理方法和装置
CN104715259A (zh) 2015-01-22 2015-06-17 苏州工业职业技术学院 X光乳腺图像的核自适应优化分类方法
WO2017054775A1 (en) 2015-09-30 2017-04-06 Shanghai United Imaging Healthcare Co., Ltd. System and method for determining a breast region in a medical image
CN105447879B (zh) * 2015-12-15 2018-04-03 上海联影医疗科技有限公司 乳房图像中检测胸肌的方法及装置
CN105374025B (zh) * 2015-09-30 2018-05-04 上海联影医疗科技有限公司 乳房图像获取方法及装置、乳房摄影系统
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

Also Published As

Publication number Publication date
CN108471995A (zh) 2018-08-31
US20170301081A1 (en) 2017-10-19
WO2017054775A1 (en) 2017-04-06
US10297024B2 (en) 2019-05-21
US20200258225A1 (en) 2020-08-13
US20190295253A1 (en) 2019-09-26
US10636143B2 (en) 2020-04-28
US11250567B2 (en) 2022-02-15

Similar Documents

Publication Publication Date Title
CN108471995B (zh) 确定医学图像中乳房区域的系统和方法
US11776216B2 (en) System and method for extracting a region of interest from volume data
Moradi et al. Kernel sparse representation based model for skin lesions segmentation and classification
Tripathy et al. Unified preprocessing and enhancement technique for mammogram images
Alemán-Flores et al. Texture-oriented anisotropic filtering and geodesic active contours in breast tumor ultrasound segmentation
WO2021136368A1 (zh) 钼靶图像中胸大肌区域自动检测方法及装置
CN109753997B (zh) 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
Savelonas et al. Unsupervised 2D gel electrophoresis image segmentation based on active contours
Niranjana et al. A review on image processing methods in detecting lung cancer using CT images
Liu et al. Automatic lung segmentation based on image decomposition and wavelet transform
JP2017170185A (ja) ３ｄ医用画像中の対象物を分割するための３ｄ対象物の変換
Yin et al. A robust method for segmenting pectoral muscle in mediolateral oblique (MLO) mammograms
WO2018176189A1 (zh) 图像分割的方法及系统
Srivastava et al. A combined approach for the enhancement and segmentation of mammograms using modified fuzzy C-means method in wavelet domain
Montaha et al. A shallow deep learning approach to classify skin cancer using down-scaling method to minimize time and space complexity
Radhi et al. Breast Tumor Detection Via Active Contour Technique.
Pezeshki et al. Mass classification of mammograms using fractal dimensions and statistical features
Wu et al. Automatic segmentation of ultrasound tomography image
Sahu et al. Segmentation of lungs in thoracic CTs using K-means clustering and morphological operations
Acho et al. Dependence of shape-based descriptors and mass segmentation areas on initial contour placement using the Chan-Vese method on digital mammograms
CN113850792A (zh) 一种基于计算机视觉的细胞分类计数方法及系统
Radhi et al. Segmentation of breast mammogram images using level set method
Hosseini-Asl et al. Automatic segmentation of pathological lung using incremental nonnegative matrix factorization
Pawar et al. Lung Cancer Nodules Detection Using Ideal Features Extraction Technique in CT Images
Lu et al. Blind deblurring for dermoscopy images with spatially-varying defocus blur

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant