CN109598702B - 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统 - Google Patents

对比增强能谱乳腺x线摄影的病灶特征量化方法及系统 Download PDF

Info

Publication number
CN109598702B
CN109598702B CN201811277985.7A CN201811277985A CN109598702B CN 109598702 B CN109598702 B CN 109598702B CN 201811277985 A CN201811277985 A CN 201811277985A CN 109598702 B CN109598702 B CN 109598702B
Authority
CN
China
Prior art keywords
boundary point
focus
breast
gray
value
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
CN201811277985.7A
Other languages
English (en)
Other versions
CN109598702A (zh
Inventor
马乐
何子龙
林晓佳
蔡裕兴
陈卫国
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.)
Southern Hospital Southern Medical University
Original Assignee
Southern Hospital Southern Medical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southern Hospital Southern Medical University filed Critical Southern Hospital Southern Medical University
Priority to CN201811277985.7A priority Critical patent/CN109598702B/zh
Publication of CN109598702A publication Critical patent/CN109598702A/zh
Application granted granted Critical
Publication of CN109598702B publication Critical patent/CN109598702B/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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了对比增强能谱乳腺X线摄影的病灶特征量化方法及系统，方法包括：根据乳腺轮廓图的CC位图像和MLO位图像，确定乳腺区域的边界点；对乳腺轮廓图进行搜索，得到病灶轮廓，并根据病灶轮廓确定病灶区域的边界点；根据乳腺区域的边界点和病灶区域的边界点，分别计算病灶区域的第一灰度均值和乳腺区域的第二灰度均值；计算第一灰度均值和第二灰度均值之间的差异值；将计算得到的差异值与预存的病理结果进行匹配，得到良性病理结果与恶性病理结果之间的区分阈值。本发明提高了病灶良恶性的判别准确性，可广泛应用于医学图像处理技术领域。

Description

对比增强能谱乳腺X线摄影的病灶特征量化方法及系统
技术领域
本发明涉及医学图像处理技术领域，尤其是对比增强能谱乳腺X线摄影的病灶特征量化方法及系统。
背景技术
对比增强能谱乳腺X线摄影(contrast-enhanced spectral mammography,CESM)通过上肢静脉注射碘造影剂，2分钟后开始乳腺X线摄影检查，按常规乳腺摄影时的压迫方法，分别进行头尾位(CC位)和内外斜位(MLO位)摄影，5分钟内完成左、右两侧共4次图像的采集工作。每个摄影体位可获得低能图像和高能图像各一幅，利用碘造影剂的K缘效应，这两幅图像经过后处理可得到一幅减影图像。
CESM是在常规乳腺X线摄影基础上，使用碘对比剂做进一步检查的一种新型成像技术，目前国内外尚未广泛应用。其原理是肿瘤组织异常及新生血管生成，对比剂在肿瘤中的代谢与正常组织中不同，将类似于MRI或CT增强的方法，应用于乳腺X线摄影。减影图像由于剔除了乳腺正常软组织，特别是亚洲女性的致密型腺体，而凸显了病灶形态，因此病灶的大小，形态和数量就有了更清晰的展示，从而大大降低了对乳腺疾病的漏诊，使得乳腺疾病得到了更具体的定性和更敏感的探查。
根据文献报道，邹明等人分别比较CESM与核磁共振增强扫描技术(CEMRI)对乳腺疾病的诊断效能，结果发现，CESM术前对乳腺肿块大小评估与病理金标准相关性较高，对乳腺术前选择手术方式有重要参考意义。然而，作者只探讨了CESM新技术对病灶的增强效果，能提高乳腺病灶的检出率、降低漏诊率，并没有对其背景实质进行讨论。Savaridas等人则探讨了CESM的背景实质与已知的乳腺癌风险因子之间的关系，发现其背景实质增强程度与乳腺密度、纤维实质体积密切相关，可能成为一种有效的乳腺癌评估因子。由于CESM背景实质的增强等级仍然没达到共识，作者只能主观上参考CEMRI的标准，分为最低、轻度、中度、高度四个级别。
目前，在一些临床工作记录中发现，病灶亮化的程度越高，病灶的恶性程度也越高。然而，目前还没有相关的文献对病灶的亮化与病灶的性质进行探讨。因此，需要一种对比增强能谱乳腺X线摄影的病灶特征量化计算方法，将病灶亮化程度与其背景实质之间的差异体现出来，并与病灶的良恶性相匹配。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种准确性高的对比增强能谱乳腺X线摄影的病灶特征量化方法及系统。
本发明一方面所采取的技术方案为：
对比增强能谱乳腺X线摄影的病灶特征量化方法，包括以下步骤：
根据乳腺轮廓图的CC位图像和MLO位图像，确定乳腺区域的边界点；
对乳腺轮廓图进行搜索，得到病灶轮廓，并根据病灶轮廓确定病灶区域的边界点；
根据乳腺区域的边界点和病灶区域的边界点，分别计算病灶区域的第一灰度均值和乳腺区域的第二灰度均值；
计算第一灰度均值和第二灰度均值之间的差异值；
将计算得到的差异值与预存的病理结果进行匹配，得到良性病理结果与恶性病理结果之间的区分阈值。
进一步，所述根据乳腺轮廓图的CC位图像和MLO位图像，确定乳腺区域的边界点这一步骤，包括以下步骤：
获取乳腺轮廓图，并得到乳腺轮廓图的CC位图像和MLO位图像；
根据乳腺轮廓图的CC位图像确定第一边界点；
根据乳腺轮廓图的MLO位图像确定第二边界点；
根据第一边界点和第二边界点，确定乳腺区域的边界点。
进一步，所述根据乳腺轮廓图的CC位图像确定第一边界点这一步骤，包括以下步骤：
基于CC位图像的初始Y轴，沿X轴方向从左往右逐一读取CC位图像的第一像素灰度值；
基于逐一递增的CC位图像的各个Y轴，分别沿X轴方向从左往右逐一读取CC位图像的第一像素灰度值，直至读取完CC位图像的所有第一像素灰度值；
逐一判断在X轴方向上相邻两个第一像素灰度值之间的差异绝对值是否小于第一阈值，若是，则确定所述相邻两个第一像素灰度值中X轴坐标较大的第一像素灰度值为第一边界点；反之，则不做处理。
进一步，所述根据乳腺轮廓图的MLO位图像确定第二边界点这一步骤，包括以下步骤：
基于MLO位图像的初始Y轴，沿X轴方向从右往左逐一读取MLO位图像的第二像素灰度值；
基于逐一递增的MLO位图像的各个Y轴，分别沿X轴方向从右往左逐一读取MLO位图像的第二像素灰度值，直至读取完MLO位图像的所有第二像素灰度值；
逐一判断在X轴方向上相邻两个第二像素灰度值之间的差异绝对值是否小于第二阈值，若是，则确定所述相邻两个第二像素灰度值中X轴坐标较大的第二像素灰度值为第二边界点；反之，则不做处理。
进一步，所述根据乳腺区域的边界点和病灶区域的边界点，分别计算病灶区域的第一灰度均值和乳腺区域的第二灰度均值这一步骤，包括以下步骤：
读取病灶区域的边界点，并计算病灶区域的第一灰度均值；
沿着CC位图像的X轴方向，从左往右读取第一边界点；
沿着MLO位图像的X轴方向，从左往右读取第二边界点；
根据第一边界点和第二边界点，计算乳腺轮廓图的第二灰度均值。
进一步，还包括以下步骤：
判断病灶区域与乳腺轮廓图的基底之间的灰度差异值是否小于区分阈值，若是，则判定所述病灶为良性；反之，则判定所述病灶为恶性。
本发明另一方面所采取的技术方案是：
对比增强能谱乳腺X线摄影的病灶特征量化系统，包括：
乳腺轮廓提取模块，用于根据乳腺轮廓图的CC位图像和MLO位图像，确定乳腺区域的边界点；
病灶轮廓读取模块，用于对乳腺轮廓图进行搜索，得到病灶轮廓，并根据病灶轮廓确定病灶区域的边界点；
灰度均值计算模块，用于根据乳腺区域的边界点和病灶区域的边界点，分别计算病灶区域的第一灰度均值和乳腺区域的第二灰度均值；
差异值计算模块，用于计算第一灰度均值和第二灰度均值之间的差异值；
匹配模块，用于将计算得到的差异值与预存的病理结果进行匹配，得到良性病理结果与恶性病理结果之间的区分阈值。
进一步，所述乳腺轮廓提取模块包括：
图像获取单元，用于获取乳腺轮廓图，并得到乳腺轮廓图的CC位图像和MLO位图像；
第一边界点确定单元，用于根据乳腺轮廓图的CC位图像确定第一边界点；
第二边界点确定单元，用于根据乳腺轮廓图的MLO位图像确定第二边界点；
最终确定单元，用于根据第一边界点和第二边界点，确定乳腺区域的边界点。
进一步，还包括：
病灶判断模块，用于判断病灶区域与乳腺轮廓图的基底之间的灰度差异值是否小于区分阈值，若是，则判定所述病灶为良性；反之，则判定所述病灶为恶性。
本发明另一方面所采取的技术方案是：
对比增强能谱乳腺X线摄影的病灶特征量化系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的对比增强能谱乳腺X线摄影的病灶特征量化方法。
本发明的有益效果是：本发明基于乳腺轮廓图的CC位图像和MLO位图像，通过计算乳腺整体灰度以及病灶灰度之间的差异，将差异值与病理结果相匹配，得到了良性病理结果与恶性病理结果之间的区分阈值，能够为临床提供有效的良恶性判别特征，提高了良恶性判别的准确性。
附图说明
图1为本发明实施例的步骤流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1，本发明实施例提供了一种对比增强能谱乳腺X线摄影的病灶特征量化方法，包括以下步骤：
S1、根据乳腺轮廓图的CC位图像和MLO位图像，确定乳腺区域的边界点；
进一步作为步骤S1的优选实施方式，所述步骤S1包括以下步骤：
S11、获取乳腺轮廓图，并得到乳腺轮廓图的CC位图像和MLO位图像；
S12、根据乳腺轮廓图的CC位图像确定第一边界点；
其中，所述步骤S12具体为：
对于CESM的CC位图像，首先基于初始Y轴，沿X轴方向从左往右读取第一像素灰度值f(x，y)，其中x，y分别为像素点在X轴和Y轴方向的坐标，本实施例以CC位图像的左上角作为坐标原点(0,0)，所述CC位图像的背景灰度值基本为黑色，所以f(x，y)<10。
其中，像素作为医学图像的基本特征，边界就是其周围像素灰度值急剧变化的那部分像素点集合。边界存在于目标与背景的交界处，它是图像分割的重要依据。因此，通过检测像素灰度值的急剧变化，能够检测目标所在的边界位置。灰度值是亮度的概念，0为黑色，255为白色，依据颜色深浅范围为0～255。
在本实施例中，当读取到的第一像素灰度值f(x，y)与前一个第一像素灰度值f(x-1，y)之间的差异绝对值小于15(即第一阈值)时，则认为f(x，y)不是边界点；而当上述两个相邻第一像素灰度值之间的差异绝对值大于15时，即：|f(x，y)-f(x-1，y)|>15时，则认为f(x，y)是边界点。
找到当前初始Y轴上沿X轴方向的第一边界点后，沿Y轴方向依次递增一行，从y+1行开始继续重复计算第一像素灰度值f(x，y+1)与前一个第一像素灰度值f(x-1，y+1)之间的差异值，直至确定所有的第一边界点，最后记录并保存所有第一边界点的坐标x与y。
S13、根据乳腺轮廓图的MLO位图像确定第二边界点；
其中，所述步骤S13具体为：
对于CESM的MLO位图像，首先基于初始Y轴，沿X轴方向从右往左读取第二像素灰度值f(x，y)，其中x，y分别为像素点在X轴、Y轴方向的坐标，本实施例以MLO位图像的左上角为坐标原点(0,0)，所述MLO位图像的背景灰度值基本为黑色，所以f(x，y)<10。
在本实施例中，当读取到的第二像素灰度值f(x，y)与前一个像素灰度值f(x-1，y)之间的差异绝对值小于20(即第二阈值)时，则认为f(x-1，y)不是边界点；而当差异绝对值大于20时，即：|f(x-1，y)-f(x，y)|>20时，则认为f(x-1，y)是边界点。
找到当前初始Y轴上沿X轴方向的第二边界点后，沿Y轴方向依次递增一行，从y+1行开始继续重复计算第二像素灰度值f(x，y+1)与前一个第二像素灰度值f(x-1，y+1)之间的差异值，直至确定所有的第二边界点，最后记录并保存所有边界点的坐标x与y。
S14、根据第一边界点和第二边界点，确定乳腺区域的边界点。
S2、对乳腺轮廓图进行搜索，得到病灶轮廓，并根据病灶轮廓确定病灶区域的边界点；
具体地，本实施例对整个乳腺轮廓图像进行搜索，然后根据描绘的病灶轮廓，当像素点f(x，y)满足150<f(x，y)<200时，则将像素点f(x，y)确定为病灶轮廓的边界点，然后记录并保存病灶所有边界点的坐标x与y。
S3、根据乳腺区域的边界点和病灶区域的边界点，分别计算病灶区域的第一灰度均值和乳腺区域的第二灰度均值；
本实施例分别计算CC位图像和MLO位图像的灰度均值，然后将CC位图像和MLO位图像的灰度均值结合，作为乳腺区域的第二像素灰度均值A1。具体地，本实施例基于上述步骤S1中保存的第一边界点，从左往右读取并计算乳腺区域的像素灰度均值；以及基于上述步骤S1中保存的第二边界点，从右往左读取并计算乳腺区域的像素灰度均值，最终得到乳腺区域的第二像素灰度均值A1。
然后，本实施例根据上述步骤S2中保存的病灶区域的边界点，读取并计算病灶区域的第一像素灰度均值B1。
S4、计算第一灰度均值和第二灰度均值之间的差异值；
具体地，本实施例计算第一灰度均值和第二灰度均值之间的差异值C1的计算公式为：
C1＝B1-A1。
S5、将计算得到的差异值与预存的病理结果进行匹配，得到良性病理结果与恶性病理结果之间的区分阈值。
具体地，本实施例将计算得到的差异值C1与该病灶的病理结果(良性或恶性)相匹配，接着进行平均计算，进而得到良恶性区分的阈值(即区分阈值)T＝63，所述区分阈值的计算公式如下：T＝(C1良性+C1恶性)/2，其中，C1良性代表乳腺良性病灶的差异值；C1恶性代表乳腺恶性病灶的差异值。
S6、判断病灶区域与乳腺轮廓图的基底之间的灰度差异值是否小于区分阈值，若是，则判定所述病灶为良性；反之，则判定所述病灶为恶性。
在本实施例中，当病灶区域与乳腺轮廓图的基底之间的灰度差异值大于63时，认为该病灶为恶性；当病灶区域与基底的灰度差异小于63时，认为该病灶为良性。
本发明实施例还提供了一种对比增强能谱乳腺X线摄影的病灶特征量化系统，包括：
乳腺轮廓提取模块，用于根据乳腺轮廓图的CC位图像和MLO位图像，确定乳腺区域的边界点；
病灶轮廓读取模块，用于对乳腺轮廓图进行搜索，得到病灶轮廓，并根据病灶轮廓确定病灶区域的边界点；
灰度均值计算模块，用于根据乳腺区域的边界点和病灶区域的边界点，分别计算病灶区域的第一灰度均值和乳腺区域的第二灰度均值；
差异值计算模块，用于计算第一灰度均值和第二灰度均值之间的差异值；
匹配模块，用于将计算得到的差异值与预存的病理结果进行匹配，得到良性病理结果与恶性病理结果之间的区分阈值。
进一步作为优选的实施方式，所述乳腺轮廓提取模块包括：
图像获取单元，用于获取乳腺轮廓图，并得到乳腺轮廓图的CC位图像和MLO位图像；
第一边界点确定单元，用于根据乳腺轮廓图的CC位图像确定第一边界点；
第二边界点确定单元，用于根据乳腺轮廓图的MLO位图像确定第二边界点；
最终确定单元，用于根据第一边界点和第二边界点，确定乳腺区域的边界点。
进一步作为优选的实施方式，还包括：
病灶判断模块，用于判断病灶区域与乳腺轮廓图的基底之间的灰度差异值是否小于区分阈值，若是，则判定所述病灶为良性；反之，则判定所述病灶为恶性。
本发明实施例还提供了一种对比增强能谱乳腺X线摄影的病灶特征量化系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的对比增强能谱乳腺X线摄影的病灶特征量化方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的对比增强能谱乳腺X线摄影的病灶特征量化方法。
综上所述，本发明所述的一种对比增强能谱乳腺X线摄影的病灶特征量化方法及系统，针对CESM的病灶特征量化问题，本发明通过计算乳腺整体灰度以及病灶灰度之间的差异，与该病灶的病理结果相匹配，能够为临床提供有效的良恶性判别特征。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.对比增强能谱乳腺X线摄影的病灶特征量化方法，其特征在于：包括以下步骤：
根据乳腺轮廓图的CC位图像和MLO位图像，确定乳腺区域的边界点；对乳腺轮廓图进行搜索，得到病灶轮廓，并根据病灶轮廓确定病灶区域的边界点；
根据乳腺区域的边界点和病灶区域的边界点，分别计算病灶区域的第一灰度均值和乳腺区域的第二灰度均值；
计算第一灰度均值和第二灰度均值之间的差异值；
将计算得到的差异值与预存的病理结果进行匹配，得到良性病理结果与恶性病理结果之间的区分阈值；
所述根据乳腺轮廓图的CC位图像和MLO位图像，确定乳腺区域的边界点这一步骤，包括以下步骤：
获取乳腺轮廓图，并得到乳腺轮廓图的CC位图像和MLO位图像；
根据乳腺轮廓图的CC位图像确定第一边界点；
根据乳腺轮廓图的MLO位图像确定第二边界点；
根据第一边界点和第二边界点，确定乳腺区域的边界点；
所述根据乳腺轮廓图的CC位图像确定第一边界点这一步骤，包括以下步骤：
基于CC位图像的初始Y轴，沿X轴方向从左往右逐一读取CC位图像的第一像素灰度值；
基于逐一递增的CC位图像的各个Y轴，分别沿X轴方向从左往右逐一读取CC位图像的第一像素灰度值，直至读取完CC位图像的所有第一像素灰度值；
逐一判断在X轴方向上相邻两个第一像素灰度值之间的差异绝对值是否小于第一阈值，若是，则确定所述相邻两个第一像素灰度值中X轴坐标较大的第一像素灰度值为第一边界点；反之，则不做处理。
2.根据权利要求1所述的对比增强能谱乳腺X线摄影的病灶特征量化方法，其特征在于：所述根据乳腺轮廓图的MLO位图像确定第二边界点这一步骤，包括以下步骤：
基于MLO位图像的初始Y轴，沿X轴方向从右往左逐一读取MLO位图像的第二像素灰度值；
基于逐一递增的MLO位图像的各个Y轴，分别沿X轴方向从右往左逐一读取MLO位图像的第二像素灰度值，直至读取完MLO位图像的所有第二像素灰度值；
逐一判断在X轴方向上相邻两个第二像素灰度值之间的差异绝对值是否小于第二阈值，若是，则确定所述相邻两个第二像素灰度值中X轴坐标较大的第二像素灰度值为第二边界点；反之，则不做处理。
3.根据权利要求2所述的对比增强能谱乳腺X线摄影的病灶特征量化方法，其特征在于：所述根据乳腺区域的边界点和病灶区域的边界点，分别计算病灶区域的第一灰度均值和乳腺区域的第二灰度均值这一步骤，包括以下步骤：
读取病灶区域的边界点，并计算病灶区域的第一灰度均值；
沿着CC位图像的X轴方向，从左往右读取第一边界点；
沿着MLO位图像的X轴方向，从左往右读取第二边界点；
根据第一边界点和第二边界点，计算乳腺轮廓图的第二灰度均值。
4.根据权利要求1所述的对比增强能谱乳腺X线摄影的病灶特征量化方法，其特征在于：还包括以下步骤：
判断病灶区域与乳腺轮廓图的基底之间的灰度差异值是否小于区分阈值，若是，则判定所述病灶为良性；反之，则判定所述病灶为恶性。
5.对比增强能谱乳腺X线摄影的病灶特征量化系统，其特征在于：包括：
乳腺轮廓提取模块，用于根据乳腺轮廓图的CC位图像和MLO位图像，确定乳腺区域的边界点；
病灶轮廓读取模块，用于对乳腺轮廓图进行搜索，得到病灶轮廓，并根据病灶轮廓确定病灶区域的边界点；
灰度均值计算模块，用于根据乳腺区域的边界点和病灶区域的边界点，分别计算病灶区域的第一灰度均值和乳腺区域的第二灰度均值；
差异值计算模块，用于计算第一灰度均值和第二灰度均值之间的差异值；
匹配模块，用于将计算得到的差异值与预存的病理结果进行匹配，得到良性病理结果与恶性病理结果之间的区分阈值；
所述乳腺轮廓提取模块包括：
图像获取单元，用于获取乳腺轮廓图，并得到乳腺轮廓图的CC位图像和MLO位图像；
第一边界点确定单元，用于根据乳腺轮廓图的CC位图像确定第一边界点；
第二边界点确定单元，用于根据乳腺轮廓图的MLO位图像确定第二边界点；
最终确定单元，用于根据第一边界点和第二边界点，确定乳腺区域的边界点；
所述第一边界点确定单元，具体用于：
基于CC位图像的初始Y轴，沿X轴方向从左往右逐一读取CC位图像的第一像素灰度值；
基于逐一递增的CC位图像的各个Y轴，分别沿X轴方向从左往右逐一读取CC位图像的第一像素灰度值，直至读取完CC位图像的所有第一像素灰度值；
逐一判断在X轴方向上相邻两个第一像素灰度值之间的差异绝对值是否小于第一阈值，若是，则确定所述相邻两个第一像素灰度值中X轴坐标较大的第一像素灰度值为第一边界点；反之，则不做处理。
6.根据权利要求5所述的对比增强能谱乳腺X线摄影的病灶特征量化系统，其特征在于：还包括：
病灶判断模块，用于判断病灶区域与乳腺轮廓图的基底之间的灰度差异值是否小于区分阈值，若是，则判定所述病灶为良性；反之，则判定所述病灶为恶性。
7.对比增强能谱乳腺X线摄影的病灶特征量化系统，其特征在于：包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-4中任一项所述的对比增强能谱乳腺X线摄影的病灶特征量化方法。
CN201811277985.7A 2018-10-30 2018-10-30 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统 Active CN109598702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811277985.7A CN109598702B (zh) 2018-10-30 2018-10-30 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811277985.7A CN109598702B (zh) 2018-10-30 2018-10-30 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统

Publications (2)

Publication Number Publication Date
CN109598702A CN109598702A (zh) 2019-04-09
CN109598702B true CN109598702B (zh) 2023-04-07

Family

ID=65957473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811277985.7A Active CN109598702B (zh) 2018-10-30 2018-10-30 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统

Country Status (1)

Country Link
CN (1) CN109598702B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110459319B (zh) 2019-05-16 2021-05-25 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
RU2721887C1 (ru) * 2019-07-18 2020-05-25 Федеральное государственное бюджетное учреждение "Национальный медицинский исследовательский центр онкологии имени Н.Н. Петрова" Министерства здравоохранения Российской Федерации Способ дифференциальной диагностики патологических изменений молочной железы
CN111489318B (zh) * 2020-03-20 2023-10-27 上海联影智能医疗科技有限公司 医学图像增强方法和计算机可读存储介质
CN112529900B (zh) * 2020-12-29 2024-03-29 广州华端科技有限公司 匹配乳腺图像中roi的方法、装置、终端与存储介质
CN113034491B (zh) * 2021-04-16 2021-10-08 北京安德医智科技有限公司 一种冠脉钙化斑块检测方法及装置
CN113421633A (zh) * 2021-06-25 2021-09-21 上海联影智能医疗科技有限公司 特征分类方法、计算机设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105232081A (zh) * 2014-07-09 2016-01-13 无锡祥生医学影像有限责任公司 医学超声辅助自动诊断装置及方法
CN105389815A (zh) * 2015-10-29 2016-03-09 武汉联影医疗科技有限公司 一种乳腺图像配准方法及装置
CN105447872A (zh) * 2015-12-03 2016-03-30 中山大学 一种在超声影像中自动识别肝脏肿瘤类型的方法
JP2017080389A (ja) * 2015-10-27 2017-05-18 コニカミノルタ株式会社 医用画像システム及びプログラム
CN106778005A (zh) * 2016-12-27 2017-05-31 中南民族大学 基于多参数mri的前列腺癌计算机辅助检测方法及系统
CN107392928A (zh) * 2017-07-20 2017-11-24 东北大学 基于MRF‑Snake分割的乳腺癌诊断系统及方法
CN108392215A (zh) * 2018-02-09 2018-08-14 南方医科大学 一种同侧异位乳腺钼靶图像的点位置关联方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105232081A (zh) * 2014-07-09 2016-01-13 无锡祥生医学影像有限责任公司 医学超声辅助自动诊断装置及方法
JP2017080389A (ja) * 2015-10-27 2017-05-18 コニカミノルタ株式会社 医用画像システム及びプログラム
CN105389815A (zh) * 2015-10-29 2016-03-09 武汉联影医疗科技有限公司 一种乳腺图像配准方法及装置
CN105447872A (zh) * 2015-12-03 2016-03-30 中山大学 一种在超声影像中自动识别肝脏肿瘤类型的方法
CN106778005A (zh) * 2016-12-27 2017-05-31 中南民族大学 基于多参数mri的前列腺癌计算机辅助检测方法及系统
CN107392928A (zh) * 2017-07-20 2017-11-24 东北大学 基于MRF‑Snake分割的乳腺癌诊断系统及方法
CN108392215A (zh) * 2018-02-09 2018-08-14 南方医科大学 一种同侧异位乳腺钼靶图像的点位置关联方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
乳腺肿瘤诊断方法的临床应用价值及诊断标准的探讨;田斌等;《齐鲁肿瘤杂志》;19970330;论文第3.2节 *

Also Published As

Publication number Publication date
CN109598702A (zh) 2019-04-09

Similar Documents

Publication Publication Date Title
CN109598702B (zh) 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统
US7916912B2 (en) Efficient border extraction of image feature
US9098935B2 (en) Image displaying apparatus, image displaying method, and computer readable medium for displaying an image of a mammary gland structure without overlaps thereof
JP6416582B2 (ja) 医用画像における金属アーチファクト除去のための方法および装置
JP5123954B2 (ja) 医療画像における病変部の特定及び分析
US8718341B2 (en) Synopsis of multiple segmentation results for breast lesion characterization
US10296808B2 (en) Method and X-ray system for computer aided detection of structures in X-ray images
JP2012512672A (ja) 医用画像内病変自動検出方法およびシステム
EP1938272A1 (en) Method for enhanced visualization of medical images
CN110610498A (zh) 乳腺钼靶图像处理方法、系统、存储介质及设备
JP4099984B2 (ja) 異常陰影検出装置および画像出力装置
CN116071355A (zh) 一种用于外周血管影像的辅助分割系统及方法
TWI788629B (zh) 圖像處理方法、裝置及系統、電子設備及電腦可讀儲存媒體
JPH08263648A (ja) 異常陰影候補の検出方法
JPH09106448A (ja) 異常陰影候補の検出方法
JP2005065856A (ja) 異常陰影検出方法および装置並びにプログラム
CN112634280B (zh) 基于能量泛函的mri图像脑肿瘤分割方法
JP2001357381A (ja) 異常陰影候補検出方法および検出システム
CN112037217B (zh) 一种基于荧光成像的术中血流成像方法
US20240169525A1 (en) Prediction of major adverse cardiovascular events (mace) from ai analysis of pericoronary fat in ct images
US20220335602A1 (en) Method and system for image normalisation
JPH10108859A (ja) 異常陰影候補の検出方法および装置
Litchfield et al. Improving Segmentation of Breast Arterial Calcifications from Digital Mammography: Good Annotation is All You Need
EP1288861A2 (en) Detection of anomalous shadow in digital image
AU2008210277B2 (en) Identification and analysis of lesions in medical imaging

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