CN110264461B - 基于超声乳腺肿瘤图像的微小钙化点自动检测方法 - Google Patents

基于超声乳腺肿瘤图像的微小钙化点自动检测方法 Download PDF

Info

Publication number
CN110264461B
CN110264461B CN201910554167.5A CN201910554167A CN110264461B CN 110264461 B CN110264461 B CN 110264461B CN 201910554167 A CN201910554167 A CN 201910554167A CN 110264461 B CN110264461 B CN 110264461B
Authority
CN
China
Prior art keywords
breast tumor
calcifications
superpixel
pixel block
suspected
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
CN201910554167.5A
Other languages
English (en)
Other versions
CN110264461A (zh
Inventor
童莹
任丽
刘洋洋
曹雪虹
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.)
Nanjing tianzhixin Technology Co.,Ltd.
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN201910554167.5A priority Critical patent/CN110264461B/zh
Publication of CN110264461A publication Critical patent/CN110264461A/zh
Application granted granted Critical
Publication of CN110264461B publication Critical patent/CN110264461B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06T2207/10132—Ultrasound 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于超声乳腺肿瘤图像的微小钙化点自动检测方法，将超声乳腺肿瘤图像原图，分割出乳腺肿瘤感兴趣区域；对分割后的乳腺肿瘤感兴趣区域进行弱腐蚀和强腐蚀区分；对超声乳腺肿瘤的弱腐蚀感兴趣区域进行多尺度超像素分割，将每一尺度的纹理分割结果进行融合，得到边缘紧致的第一疑似钙化点；对超声乳腺肿瘤图像原图进行单尺度超像素分割，并与超声乳腺肿瘤的强腐蚀感兴趣区域相结合，基于灰度对比特征与灰度距离特征共同筛选出更接近目标的第二疑似钙化点；得到目标准确且边缘紧致的超声乳腺肿瘤的微小钙化点。本发明保证检测出的微小钙化点准确可靠，方法巧妙，实现新颖，具有良好的应用前景。

Description

基于超声乳腺肿瘤图像的微小钙化点自动检测方法
技术领域
本发明涉及计算机医疗辅助诊断技术领域，具体涉及一种基于超声乳腺肿瘤图像的微小钙化点自动检测方法。
背景技术
当前，随着人们生活快节奏的加剧，乳腺癌是女性常患的恶性肿瘤疾病之一，已成为女性癌症的首要死因。由于人们生活方式及饮食结构的变化，乳腺癌的发病率和死亡率呈逐年上升趋势，发病年龄提前，因此，早期发现、早期诊断、早期治疗对于降低乳腺癌死亡率相当重要。超声成像凭借其无辐射创伤、价格低廉、实时便携等优势，已成为乳腺肿瘤早期检测和诊断的一种重要手段。
在BI-RADS(Breast Imaging Reporting And Data System)超声乳腺肿瘤诊断标准中，钙化点诊断是一项重要指标。钙化分良性钙化和恶性钙化，良性钙化是钙质沉积所致，恶性钙化则是肿瘤细胞坏死所致。临床研究发现，微小钙化点越多，且密度越高，患者患恶性乳腺肿瘤的机率就越大。因此，如何提升超声乳腺肿瘤微小钙化点诊断的准确性是近年来临床超声检查的研究热点，这有助于进一步提升超声乳腺肿瘤良恶性鉴别的准确性。然而，超声医生进行乳腺肿瘤微小钙化点诊断时，会受经验程度、知识水平等限制，同时也会受疲劳程度影响，导致出现漏诊和误诊的情况。因此，利用计算机辅助诊断(ComputerAided Diagnosis,CAD)系统对超声乳腺肿瘤图像进行微小钙化点自动检测是解决上述问题的有效途径之一，它可以大大降低医生的主观因素影响，提高疾病解释一致性，使诊断结果更客观、更准确、更快速。
目前，基于CAD的乳腺钙化点检测大多基于乳腺X光片实现，而基于超声乳腺图像的微小钙化点检测并不多见。主要原因是，早期超声技术不成熟，不能对低回声背景下的微小钙化灶成像。同时，从算法实现难易程度看，X光成像对比度强、分辨率高、组织关系清楚、病变细节良好，而超声成像对比度低、目标成像与操作者的经验、技巧和习惯有很大关联，成像结果不稳定，因此，基于乳腺X光片进行钙化点自动检测，算法实现相对容易，而基于超声乳腺图像进行微小钙化点自动检测，算法实现难度较大。
近年来，随着高频超声技术的不断发展，对低回声背景下的微小钙化灶成像越来越清晰，超声的最小检出直径为110um，而X光的最小检出直径仅为200um，因此，从检测精度上看，基于超声乳腺图像进行微小钙化点自动检测具有非常重要的临床应用价值。同时，根据影像组学思想，将X光成像结果与超声成像结果相结合，并采用统计分析方法，挖掘出关键信息，更有利于对患者进行精准治疗。因此，从影像学发展角度看，实现基于超声乳腺图像的微小钙化点自动检测也具有非常重要的学术价值。
发明内容
本发明的目的是克服现有的基于低对比度的超声乳腺图像进行微小钙化点检测，算法实现难度较大的问题，实现用于协助医生进行钙化点诊断，提升医生诊断的效率；同时，也可以避免医生因大量阅片引起视觉疲劳而造成钙化点的漏诊和误诊，提高医生诊断的准确性。本发明的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，一方面基于超声乳腺肿瘤弱腐蚀感兴趣区域进行多尺度超像素分割融合，以保证检测出的超声乳腺肿瘤微小钙化点边界尽可能贴近真实目标边缘；另一方面又基于超声乳腺肿瘤原图进行单尺度超像素分割，并与强腐蚀感兴趣区域相结合，以保证检测出的微小钙化点准确可靠，两者结合得到目标准确且边缘紧致的超声乳腺肿瘤的微小钙化点，方法巧妙，实现新颖，具有良好的应用前景。
为了达到上述目的，本发明所采用的技术方案是：
一种基于超声乳腺肿瘤图像的微小钙化点自动检测方法，包括以下步骤，
步骤(A)，将超声乳腺肿瘤图像原图，分割出乳腺肿瘤感兴趣区域；
步骤(B)，对分割后的乳腺肿瘤感兴趣区域进行弱腐蚀和强腐蚀区分；
步骤(C)，对超声乳腺肿瘤的弱腐蚀感兴趣区域进行多尺度超像素分割，将每一尺度的纹理分割结果进行融合，得到边缘紧致的第一疑似钙化点；
步骤(D)，对超声乳腺肿瘤图像原图进行单尺度超像素分割，并与超声乳腺肿瘤的强腐蚀感兴趣区域相结合，基于灰度对比特征与灰度距离特征共同筛选出更接近目标的第二疑似钙化点；
步骤(E)，将边缘紧致的第一疑似钙化点、更接近目标的第二疑似钙化点对应的检测结果相结合，得到目标准确且边缘紧致的超声乳腺肿瘤的微小钙化点。
前述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，步骤(A)，将超声乳腺肿瘤图像原图，分割出乳腺肿瘤感兴趣区域，是利用超声乳腺肿瘤mask模板进行分割的。
前述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，步骤(B)，对分割后的乳腺肿瘤感兴趣区域进行弱腐蚀和强腐蚀区分，包括以下步骤，
(B1)，用一个半径为10的平坦型圆盘结构元素腐蚀超声乳腺肿瘤mask模板，得到弱腐蚀mask模板；
(B2)，利用弱腐蚀mask模板匹配超声乳腺肿瘤图像原图，分割出超声乳腺肿瘤的弱腐蚀感兴趣区域；
(B3)，用一个半径为16的平坦型圆盘结构元素腐蚀超声乳腺肿瘤mask模板，得到强腐蚀mask模板；
(B4)，利用强腐蚀mask模板匹配超声乳腺肿瘤图像原图，分割出超声乳腺肿瘤的强腐蚀感兴趣区域。
前述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，步骤(C)，对超声乳腺肿瘤的弱腐蚀感兴趣区域进行多尺度超像素分割，将每一尺度的纹理分割结果进行融合，得到边缘紧致的第一疑似钙化点，包括以下步骤，
(C1)，对超声乳腺肿瘤的弱腐蚀感兴趣区域进行第一尺度超像素分割，并利用钙化点在超像素块中纹理灰度变化较大的特征，筛选出包含钙化点的第一目标区域；
(C2)，对包含钙化点的第一目标区域进行第二尺度超像素分割，采用步骤(C1)的相同准则进一步筛选出缩小后的包含钙化点的第二目标区域；
(C3)，对包含钙化点的第二目标区域进行第三尺度超像素分割，并结合钙化点的高灰度值特征，筛选出包含疑似钙化点的超像素块，得到初选的疑似可能钙化点图；
(C4)，将包含钙化点的第一目标区域、包含钙化点的第二目标区域、初选的疑似可能钙化点图相融合，得到边缘紧致的第一疑似钙化点。
前述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，所述第一尺度超像素分割为分割出200个超像素块；所述第二尺度超像素分割为分割出300个超像素块；所述第三尺度超像素分割为分割出750个超像素块。
前述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，(C1)，对超声乳腺肿瘤的弱腐蚀感兴趣区域进行第一尺度超像素分割，并利用钙化点在超像素块中纹理灰度变化较大的特征，筛选出包含钙化点的第一目标区域，包括以下步骤，
(C11)，设最大值灰度方差MGV，如公式(1)所示，
MGVi＝(Maxi-Meani)2 (1)
其中，Maxi表示第i个超像素块的最大灰度值，Meani表示第i个超像素块的灰度均值，最大值灰度方差MGVi越大，则表示该超像素块的灰度分布越不均匀，该超像素块内包含钙化点的可能性越大；
(C12)，计算200个超像素块的MGV值，并求均值，保留大于均值的超像素块，而删除剩余的超像素块，得到包含钙化点的第一目标区域Te1；
(C2)，对包含钙化点的第一目标区域进行第二尺度超像素分割，采用(C1)的相同准则进一步筛选出缩小后的包含钙化点的第二目标区域，计算300个超像素块的MGV值，并求均值，保留大于均值的超像素块，而删除剩余的超像素块，得到包含钙化点的第二目标区域Te2；
(C3)，对包含钙化点的第二目标区域进行第三尺度超像素分割，并结合钙化点的高灰度值特征，筛选出包含疑似钙化点的超像素块，得到初选的疑似可能钙化点图，包括以下步骤，
(C31)，构建超像素块的距离最近4邻域，方法为：计算每个超像素块中心与剩余超像素块中心的距离，选出距离该超像素块中心最近的4个超像素块作为其距离最近4邻域；
(C32)，定义每个超像素块中像素的最大灰度值为超像素块的灰度值，比较每个超像素块的灰度值与其距离最近4邻域超像素块灰度值的大小，若该超像素块的灰度值比其4邻域的超像素块的灰度值都大，则保留该超像素块，否则删除；
(C32)，计算所有保留的超像素块的灰度值的平均值，将大于灰度均值的超像素块筛选出来，得到初选的疑似可能钙化点图Te3。
前述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，(C4)，将包含钙化点的第一目标区域、包含钙化点的第二目标区域、初选疑似钙化点图相融合，得到边缘紧致的第一疑似钙化点Wca，是通过公式(2)计算得到的，
Wca＝Te1.*Te2.*Te3 (2)。
前述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，步骤(D)，对超声乳腺肿瘤图像原图进行单尺度超像素分割，并与超声乳腺肿瘤的强腐蚀感兴趣区域相结合，基于灰度对比特征与灰度距离特征共同筛选出更接近目标的第二疑似钙化点，包括以下步骤，
(D1)，对超声乳腺肿瘤图像原图进行单尺度超像素分割，分割成750个超像素块；
(D2)，计算每个超像素块中心与剩余超像素块中心的距离，选出距离该超像素块中心最近的6个超像素块作为其6邻域，从而构建该超像素块的距离最近6邻域；
(D3)定义每个超像素块中像素的最大灰度值为超像素块的灰度值，并比较每个超像素块的灰度值与其距离最近6邻域超像素块灰度值的大小，若该超像素块的灰度值比其6邻域超像素块的灰度值都大，则保留该超像素块，否则删除；
(D4)，计算保留的超像素块和其距离最近6邻域的超像素块的灰度距离值GDi，如公式(3)所示，
GDi＝(Gi-Gi1)2+(Gi-Gi2)2+(Gi-Gi3)2+(Gi-Gi4)2+(Gi-Gi5)2+(Gi-Gi6)2 (3)
其中，i表示该超声乳腺肿瘤图像原图的第i个超像素块，Gi表示第i个超像素块的灰度值，Gi1、Gi2、Gi3、Gi4、Gi5、Gi6表示第i个超像素块的距离最近6邻域超像素块的灰度值，得到灰度距离值GD越大，该超像素块与其距离最近6邻域超像素块的灰度差异越大，则该超像素块包含钙化点的可能性越大；
(D5)，计算所有保留的超像素块的GD平均值，将大于GD平均值的超像素块被筛选出来，构建初选的包含疑似钙化点的检测区域Sca1；
(D6)，以超声乳腺肿瘤的强腐蚀感兴趣区域为模板，与初选的包含疑似钙化点的检测区域Sca1相匹配，分割出既在强腐蚀感兴趣区域中又在Sca1中的包含疑似钙化点的检测区域，得到更接近目标的第二疑似钙化点Sca。
前述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，步骤(E)，将边缘紧致的第一疑似钙化点、更接近目标的第二疑似钙化点对应的检测结果相结合，得到目标准确且边缘紧致的超声乳腺肿瘤的微小钙化点Ca，根据公式(4)所示，
Ca＝Wca.*Sca (4)。
本发明的有益效果是：本发明的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，一方面基于超声乳腺肿瘤弱腐蚀感兴趣区域进行多尺度超像素分割融合，以保证检测出的超声乳腺肿瘤微小钙化点边界尽可能贴近真实目标边缘；另一方面又基于超声乳腺肿瘤原图进行单尺度超像素分割，并与强腐蚀感兴趣区域相结合，以保证检测出的微小钙化点准确可靠，两者结合得到目标准确且边缘紧致的超声乳腺肿瘤的微小钙化点，这填补了基于CAD的超声乳腺肿瘤微小钙化点自动检测技术的空白。近年来，随着高频超声技术的不断发展，对低回声背景下的微小钙化灶，超声的最小检出直径为110um，而X光的最小检出直径仅为200um，因此，本发明在检测精度上有保证。同时，根据影像组学思想，将X光成像结果与超声成像结果相结合、综合分析，更有利于对患者进行精准治疗，因此，本发明在学科发展上也有驱动。最后，本发明应用于计算机医疗辅助诊断系统中，一方面，协助医生进行钙化点诊断，提升医生诊断的效率；另一方面，避免医生因大量阅片引起视觉疲劳而造成钙化点的漏诊和误诊，提高医生诊断的准确性，本发明方法巧妙，实现新颖，具有良好的应用前景。
附图说明
图1是本发明的基于超声乳腺肿瘤图像的微小钙化点自动检测方法的流程图；
图2是本发明使用的超声乳腺肿瘤原图；
图3是本发明的超声乳腺肿瘤感兴趣区域图；
图4是本发明的超声乳腺肿瘤弱腐蚀感兴趣区域图；
图5是本发明的超声乳腺肿瘤强腐蚀感兴趣区域图；
图6是本发明的多尺度超像素分割融合的紧致边缘钙化点检测的流程图；
图7是本发明的200块超像素分割结果图；
图8是本发明的超声乳腺肿瘤第一尺度钙化点筛选图；
图9是本发明的300块超像素分割结果图；
图10是本发明的超声乳腺肿瘤第二尺度钙化点筛选图；
图11是本发明的750块超像素分割结果图；
图12是本发明的超声乳腺肿瘤初选疑似可能钙化点的示意图；
图13是本发明的边缘紧致的疑似可能钙化点检测结果的示意图；
图14是本发明的单尺度超像素分割的接近目标钙化点检测的流程图；
图15是本发明的超声乳腺肿瘤原图750块超像素分割图；
图16是本发明的超声乳腺肿瘤初选钙化点的示意图；
图17是本发明的接近目标的疑似可能钙化点检测结果的示意图；
图18是本发明的超声乳腺肿瘤的微小钙化点检测结果的示意图；
图19是本发明的超声乳腺肿瘤样例图；
图20是本发明的对超声乳腺肿瘤样例微小钙化点检测结果图。
具体实施方式
下面将结合说明书附图，对本发明作进一步的说明。
如图1所示，本发明的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，包括以下步骤，
步骤(A)，将超声乳腺肿瘤图像原图，分割出乳腺肿瘤感兴趣区域，是利用超声乳腺肿瘤mask模板进行分割的，其中，如图2所示，图(2a)为良性肿瘤图；图(2b)为恶性肿瘤图，如图3所示，其中，图(3a)为良性乳腺肿瘤区域；图(3b)为恶性乳腺肿瘤区域；
步骤(B)，对分割后的乳腺肿瘤感兴趣区域进行弱腐蚀和强腐蚀区分，以减少边缘亮点对钙化点检测的影响，包括以下步骤，
(B1)，用一个半径为10的平坦型圆盘结构元素腐蚀超声乳腺肿瘤mask模板，得到弱腐蚀mask模板；
(B2)，利用弱腐蚀mask模板匹配超声乳腺肿瘤图像原图，分割出超声乳腺肿瘤的弱腐蚀感兴趣区域，其中，如图4所示，图(4a)为良性乳腺肿瘤弱腐蚀感兴趣区域；图(4b)为恶性乳腺肿瘤弱腐蚀感兴趣区域；
(B3)，用一个半径为16的平坦型圆盘结构元素腐蚀超声乳腺肿瘤mask模板，得到强腐蚀mask模板；
(B4)，利用强腐蚀mask模板匹配超声乳腺肿瘤图像原图，分割出超声乳腺肿瘤的强腐蚀感兴趣区域，其中，如图5所示，图(5a)为良性乳腺肿瘤弱腐蚀感兴趣区域；图(5b)为恶性乳腺肿瘤弱腐蚀感兴趣区域；
步骤(C)，对超声乳腺肿瘤的弱腐蚀感兴趣区域进行多尺度超像素分割，将每一尺度的纹理分割结果进行融合，得到边缘紧致的第一疑似钙化点，如图6所示，包括以下步骤，
(C1)，对超声乳腺肿瘤的弱腐蚀感兴趣区域进行第一尺度超像素分割(分割出200个超像素块)，并利用钙化点在超像素块中纹理灰度变化较大的特征，筛选出包含钙化点的第一目标区域；
(C2)，对包含钙化点的第一目标区域进行第二尺度超像素分割(分割出300个超像素块)，采用步骤(C1)的相同准则进一步筛选出缩小后的包含钙化点的第二目标区域；
(C3)，对包含钙化点的第二目标区域进行第三尺度超像素分割(分割出750个超像素块)，并结合钙化点的高灰度值特征，筛选出初选疑似钙化点；
(C4)，将包含钙化点的第一目标区域、包含钙化点的第二目标区域、初选疑似钙化点图相融合，得到边缘紧致的第一疑似钙化点；
其中，(C1)，对超声乳腺肿瘤的弱腐蚀感兴趣区域进行第一尺度超像素分割，并利用钙化点在超像素块中纹理灰度变化较大的特征，筛选出包含钙化点的第一目标区域，包括以下步骤，
(C11)，设最大值灰度方差MGV，如公式(1)所示，
MGVi＝(Maxi-Meani)2 (1)
其中，Maxi表示第i个超像素块的最大灰度值，Meani表示第i个超像素块的灰度均值，最大值灰度方差MGVi越大，则表示该超像素块的灰度分布越不均匀，该超像素块内包含钙化点的可能性越大，其中，如图7所示，图(7a)为良性乳腺肿瘤的超像素200块超像素分割结果图，图(7b)为恶性乳腺肿的200块超像素分割结果图；
(C12)，计算200个超像素块的MGV值，并求均值，保留大于均值的超像素块，而删除剩余的超像素块，得到包含钙化点的第一目标区域Te1，其中，如图8所示，图(8a)为良性乳腺肿瘤第一尺度钙化点筛选图，图(8b)为恶性乳腺肿瘤第一尺度钙化点筛选图；
(C2)，对包含钙化点的第一目标区域进行第二尺度超像素分割，采用(C1)的相同准则进一步筛选出缩小后的包含钙化点的第二目标区域，分割结果如图9所示，图(9a)为良性乳腺肿瘤300块超像素分割结果图，图(9b)为恶性乳腺肿瘤300块超像素分割结果；计算300个超像素块的MGV值，并求均值，保留大于均值的超像素块，而删除剩余的超像素块，得到包含钙化点的第二目标区域Te2，如图10所示，图(10a)为良性乳腺肿瘤第二尺度钙化点筛选图，图(10b)为恶性乳腺肿瘤第二尺度钙化点筛选图；
(C3)，对包含钙化点的第二目标区域进行第三尺度超像素分割，分割结果如图11所示，图(11a)为良性乳腺肿瘤750块超像素分割结果图，图(11b)为恶性乳腺肿瘤750块超像素分割结果，并结合钙化点的高灰度值特征，筛选出初选的疑似可能钙化点图，包括以下步骤，
(C31)，构建超像素块的距离最近4邻域，计算每个超像素块中心与剩余超像素块中心的距离，选出距离该超像素块中心最近的4个超像素块作为其4邻域；
(C32)，定义每个超像素块中像素的最大灰度值为超像素块的灰度值，比较每个超像素块的灰度值与其距离最近4邻域超像素块的灰度值的大小，若该超像素块的灰度值比其4邻域的超像素块的灰度值都大，则保留该超像素块，否则删除；
(C32)，计算所有保留的超像素块的灰度值的平均值，将大于灰度均值的超像素块筛选出来，得到初选的疑似可能钙化点图Te3，如图12所示，图(12a)为良性乳腺肿瘤第三尺度的初选疑似钙化点图，图(12b)为恶性乳腺肿瘤第三尺度的初选疑似钙化点图；
(C4)，将包含钙化点的第一目标区域、包含钙化点的第二目标区域、初选疑似钙化点图相融合，得到边缘紧致的第一疑似钙化点Wca，如图13所示，边缘紧致的疑似可能钙化点检测结果，其中，图(13a)为良性乳腺肿瘤的边缘紧致的疑似可能钙化点检测结果，图(13b)为恶性乳腺肿瘤的边缘紧致的疑似可能钙化点检测结果，通过公式(2)计算得到的，
Wca＝Te1.*Te2.*Te3 (2)；
步骤(D)，对超声乳腺肿瘤图像原图进行单尺度超像素分割，并与超声乳腺肿瘤的强腐蚀感兴趣区域相结合，基于灰度对比特征与灰度距离特征共同筛选出更接近目标的第二疑似钙化点，如图14所示，包括以下步骤，
(D1)，对超声乳腺肿瘤图像原图进行单尺度超像素分割，分割成750个超像素块，如图15所示，其中，图(15a)为良性乳腺肿瘤原图750块超像素分割图，图(15b)为恶性乳腺肿瘤原图750块超像素分割图；
(D2)，计算每个超像素块中心与剩余超像素块中心的距离，选出距离该超像素块中心最近的6个超像素块作为其6邻域，从而构建各超像素块的距离最近6邻域；
(D3)定义每个超像素块中像素的最大灰度值为超像素块的灰度值，并比较每个超像素块的灰度值与其距离最近6邻域超像素块灰度值的大小，若该超像素块的灰度值比其距离最近6邻域超像素块的灰度值都大，则保留该超像素块，否则删除；
(D4)，计算保留的超像素块和其距离最近6邻域的超像素块的灰度距离值GDi，如公式(3)所示，
GDi＝(Gi-Gi1)2+(Gi-Gi2)2+(Gi-Gi3)2+(Gi-Gi4)2+(Gi-Gi5)2+(Gi-Gi6)2 (3)
其中，i表示该超声乳腺肿瘤图像原图的第i个超像素块，Gi表示第i个超像素块的灰度值，Gi1、Gi2、Gi3、Gi4、Gi5、Gi6表示第i个超像素块的距离最近6邻域超像素块灰度值，得到灰度距离值GD越大，该超像素块与其距离最近6邻域超像素块的灰度差异越大，则该超像素块包含钙化点的可能性越大；
(D5)，计算所有保留的超像素块的GD平均值，将大于GD平均值的超像素块被筛选出来，构建初选的包含疑似钙化点的检测区域Sca1，如图16所示，图(16a)为良性乳腺肿瘤的初选的包含疑似钙化点的检测区域，图(16b)为恶性乳腺肿瘤的初选的包含疑似钙化点的检测区域；
(D6)，以超声乳腺肿瘤的强腐蚀感兴趣区域为模板，与初选的包含疑似钙化点的检测区域Sca1相匹配，分割出既在强腐蚀感兴趣区域中又在Sca1中的包含疑似钙化点的检测区域，得到更接近目标的第二疑似钙化点Sca，如图17所示，图(17a)为良性乳腺肿瘤的第二疑似钙化点，图(16b)为恶性乳腺肿瘤的第二疑似钙化点；
步骤(E)，将边缘紧致的第一疑似钙化点、更接近目标的第二疑似钙化点对应的检测结果相结合，得到目标准确且边缘紧致的超声乳腺肿瘤的微小钙化点Ca，根据公式(4)所示，
Ca＝Wca.*Sca (4)，
如图18所示，图(18a)为良性乳腺肿瘤的超声乳腺肿瘤的微小钙化点，图(18b)为恶性乳腺肿瘤的超声乳腺肿瘤的微小钙化点。
下面介绍本发明的基于超声乳腺肿瘤图像的微小钙化点自动检测方法使用效果，所使用的超声乳腺肿瘤数据来源于超声诊断仪(VINNO 70，飞依诺科技有限公司，苏州)，探头发射频率为5MHz～14MHz，一共采集192张图片，其中恶性肿瘤图片71张，良性肿瘤图片121张，部分样本如图19所示，其中图(a)-(d)为良性肿瘤，图(e)-(h)为恶性肿瘤，所有数据都获得受试者书面同意，且符合医院人体伦理认可。采用本发明对包含钙化点的超声乳腺肿瘤图像进行实验，结果如图20所示。其中，图a(1)、b(1)、c(1)、d(1)、e(1)、f(1)是恶性超声乳腺肿瘤原图，图a(2)、b(2)、c(2)、d(2)、e(2)、f(2)则是对应的微小钙化点检测结果图，从图中可以看出，无论是细点状钙化、斑点状钙化还是簇状钙化，本发明都能准确检测出来。
综上所述，本发明的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，一方面基于超声乳腺肿瘤弱腐蚀感兴趣区域进行多尺度超像素分割融合，以保证检测出的超声乳腺肿瘤微小钙化点边界尽可能贴近真实目标边缘；另一方面又基于超声乳腺肿瘤原图进行单尺度超像素分割，并与强腐蚀感兴趣区域相结合，以保证检测出的微小钙化点准确可靠，两者结合得到目标准确且边缘紧致的超声乳腺肿瘤的微小钙化点，这填补了基于CAD的超声乳腺肿瘤微小钙化点自动检测技术的空白。近年来，随着高频超声技术的不断发展，对低回声背景下的微小钙化灶，超声的最小检出直径为110um，而X光的最小检出直径仅为200um，因此，本发明在检测精度上有保证。同时，根据影像组学思想，将X光成像结果与超声成像结果相结合、综合分析，更有利于对患者进行精准治疗，因此，本发明在学科发展上也有驱动。最后，本发明应用于计算机医疗辅助诊断系统中，一方面，协助医生进行钙化点诊断，提升医生诊断的效率；另一方面，避免医生因大量阅片引起视觉疲劳而造成钙化点的漏诊和误诊，提高医生诊断的准确性，本发明方法巧妙，实现新颖，具有良好的应用前景。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.基于超声乳腺肿瘤图像的微小钙化点自动检测方法，其特征在于：包括以下步骤，
步骤(A)，将超声乳腺肿瘤图像原图，分割出乳腺肿瘤感兴趣区域；
步骤(B)，对分割后的乳腺肿瘤感兴趣区域进行弱腐蚀和强腐蚀区分；
步骤(C)，对超声乳腺肿瘤的弱腐蚀感兴趣区域进行多尺度超像素分割，将每一尺度的纹理分割结果进行融合，得到边缘紧致的第一疑似钙化点；
步骤(D)，对超声乳腺肿瘤图像原图进行单尺度超像素分割，并与超声乳腺肿瘤的强腐蚀感兴趣区域相结合，基于灰度对比特征与灰度距离特征共同筛选出更接近目标的第二疑似钙化点；
步骤(E)，将边缘紧致的第一疑似钙化点、更接近目标的第二疑似钙化点对应的检测结果相结合，得到目标准确且边缘紧致的超声乳腺肿瘤的微小钙化点。
2.根据权利要求1所述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，其特征在于：步骤(A)，将超声乳腺肿瘤图像原图，分割出乳腺肿瘤感兴趣区域，是利用超声乳腺肿瘤mask模板进行分割的。
3.根据权利要求1所述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，其特征在于：步骤(B)，对分割后的乳腺肿瘤感兴趣区域进行弱腐蚀和强腐蚀区分，包括以下步骤，
步骤(B1)，用一个半径为10的平坦型圆盘结构元素腐蚀超声乳腺肿瘤mask模板，得到弱腐蚀mask模板；
步骤(B2)，利用弱腐蚀mask模板匹配超声乳腺肿瘤图像原图，分割出超声乳腺肿瘤的弱腐蚀感兴趣区域；
步骤(B3)，用一个半径为16的平坦型圆盘结构元素腐蚀超声乳腺肿瘤mask模板，得到强腐蚀mask模板；
步骤(B4)，利用强腐蚀mask模板匹配超声乳腺肿瘤图像原图，分割出超声乳腺肿瘤的强腐蚀感兴趣区域。
4.根据权利要求1所述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，其特征在于：步骤(C)，对超声乳腺肿瘤的弱腐蚀感兴趣区域进行多尺度超像素分割，将每一尺度的纹理分割结果进行融合，得到边缘紧致的第一疑似钙化点，包括以下步骤，
步骤(C1)，对超声乳腺肿瘤的弱腐蚀感兴趣区域进行第一尺度超像素分割，并利用钙化点在超像素块中纹理灰度变化较大的特征，筛选出包含钙化点的第一目标区域；
步骤(C2)，对包含钙化点的第一目标区域进行第二尺度超像素分割，采用步骤(C1)的相同准则进一步筛选出缩小后的包含钙化点的第二目标区域；
步骤(C3)，对包含钙化点的第二目标区域进行第三尺度超像素分割，并结合钙化点的高灰度值特征，筛选出包含疑似钙化点的超像素块，得到初选的疑似可能钙化点图；
步骤(C4)，将包含钙化点的第一目标区域、包含钙化点的第二目标区域、初选的疑似可能钙化点图相融合，得到边缘紧致的第一疑似钙化点。
5.根据权利要求4所述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，其特征在于：所述第一尺度超像素分割为分割出200个超像素块；所述第二尺度超像素分割为分割出300个超像素块；所述第三尺度超像素分割为分割出750个超像素块。
6.根据权利要求5所述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，其特征在于：步骤(C1)，对超声乳腺肿瘤的弱腐蚀感兴趣区域进行第一尺度超像素分割，并利用钙化点在超像素块中纹理灰度变化较大的特征，筛选出包含钙化点的第一目标区域，包括以下步骤，
步骤(C11)，设最大值灰度方差MGV，如公式(1)所示，
MGVi＝(Maxi-Meani)2 (1)
其中，Maxi表示第i个超像素块的最大灰度值，Meani表示第i个超像素块的灰度均值，最大值灰度方差MGVi越大，则表示该超像素块的灰度分布越不均匀，该超像素块内包含钙化点的可能性越大；
步骤(C12)，计算200个超像素块的MGV值，并求均值，保留大于均值的超像素块，而删除剩余的超像素块，得到包含钙化点的第一目标区域Te1；
步骤(C2)，对包含钙化点的第一目标区域进行第二尺度超像素分割，采用步骤(C1)的相同准则进一步筛选出缩小后的包含钙化点的第二目标区域，计算300个超像素块的MGV值，并求均值，保留大于均值的超像素块，而删除剩余的超像素块，得到包含钙化点的第二目标区域Te2；
步骤(C3)，对包含钙化点的第二目标区域进行第三尺度超像素分割，并结合钙化点的高灰度值特征，筛选出包含疑似钙化点的超像素块，得到初选的疑似可能钙化点图，包括以下步骤，
步骤(C31)，构建超像素块的距离最近4邻域，方法为：计算每个超像素块中心与剩余超像素块中心的距离，选出距离该超像素块中心最近的4个超像素块作为其距离最近4邻域；
步骤(C32)，定义每个超像素块中像素的最大灰度值为超像素块的灰度值，比较每个超像素块的灰度值与其距离最近4邻域超像素块灰度值的大小，若该超像素块的灰度值比其4邻域的超像素块的灰度值都大，则保留该超像素块，否则删除；
步骤(C32)，计算所有保留的超像素块的灰度值的平均值，将大于灰度均值的超像素块筛选出来，得到初选的疑似可能钙化点图Te3。
7.根据权利要求6所述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，其特征在于：步骤(C4)，将包含钙化点的第一目标区域、包含钙化点的第二目标区域、初选疑似钙化点图相融合，得到边缘紧致的第一疑似钙化点Wca，是通过公式(2)计算得到的，
Wca＝Te1.*Te2.*Te3 (2)。
8.根据权利要求1所述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，其特征在于：步骤(D)，对超声乳腺肿瘤图像原图进行单尺度超像素分割，并与超声乳腺肿瘤的强腐蚀感兴趣区域相结合，基于灰度对比特征与灰度距离特征共同筛选出更接近目标的第二疑似钙化点，包括以下步骤，
步骤(D1)，对超声乳腺肿瘤图像原图进行单尺度超像素分割，分割成750个超像素块；
步骤(D2)，计算每个超像素块中心与剩余超像素块中心的距离，选出距离该超像素块中心最近的6个超像素块作为其6邻域，从而构建该超像素块的距离最近6邻域；
步骤(D3)定义每个超像素块中像素的最大灰度值为超像素块的灰度值，并比较每个超像素块的灰度值与其距离最近6邻域超像素块灰度值的大小，若该超像素块的灰度值比其6邻域超像素块的灰度值都大，则保留该超像素块，否则删除；
步骤(D4)，计算保留的超像素块和其距离最近6邻域的超像素块的灰度距离值GDi，如公式(3)所示，
GDi＝(Gi-Gi1)2+(Gi-Gi2)2+(Gi-Gi3)2+(Gi-Gi4)2+(Gi-Gi5)2+(Gi-Gi6)2 (3)
其中，i表示该超声乳腺肿瘤图像原图的第i个超像素块，Gi表示第i个超像素块的灰度值，Gi1、Gi2、Gi3、Gi4、Gi5、Gi6表示第i个超像素块的距离最近6邻域超像素块的灰度值，得到灰度距离值GD越大，该超像素块与其距离最近6邻域超像素块的灰度差异越大，则该超像素块包含钙化点的可能性越大；
步骤(D5)，计算所有保留的超像素块的GD平均值，将大于GD平均值的超像素块被筛选出来，构建初选的包含疑似钙化点的检测区域Sca1；
步骤(D6)，以超声乳腺肿瘤的强腐蚀感兴趣区域为模板，与初选的包含疑似钙化点的检测区域Sca1相匹配，分割出既在强腐蚀感兴趣区域中又在Sca1中的包含疑似钙化点的检测区域，得到更接近目标的第二疑似钙化点Sca。
9.根据权利要求8所述的基于超声乳腺肿瘤图像的微小钙化点自动检测方法，其特征在于：步骤(E)，将边缘紧致的第一疑似钙化点、更接近目标的第二疑似钙化点对应的检测结果相结合，得到目标准确且边缘紧致的超声乳腺肿瘤的微小钙化点Ca，根据公式(4)所示，
Ca＝Wca.*Sca (4)。
CN201910554167.5A 2019-06-25 2019-06-25 基于超声乳腺肿瘤图像的微小钙化点自动检测方法 Active CN110264461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910554167.5A CN110264461B (zh) 2019-06-25 2019-06-25 基于超声乳腺肿瘤图像的微小钙化点自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910554167.5A CN110264461B (zh) 2019-06-25 2019-06-25 基于超声乳腺肿瘤图像的微小钙化点自动检测方法

Publications (2)

Publication Number Publication Date
CN110264461A CN110264461A (zh) 2019-09-20
CN110264461B true CN110264461B (zh) 2020-10-27

Family

ID=67921218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910554167.5A Active CN110264461B (zh) 2019-06-25 2019-06-25 基于超声乳腺肿瘤图像的微小钙化点自动检测方法

Country Status (1)

Country Link
CN (1) CN110264461B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200246A (zh) * 2020-10-09 2021-01-08 河北工业大学 Svm分类器的训练方法和石化储罐锈蚀缺陷分割方法
CN113379739B (zh) * 2021-07-23 2022-03-25 平安科技（深圳）有限公司 超声图像的识别方法、装置、设备及存储介质
CN113822864B (zh) * 2021-09-16 2023-10-31 什维新智医疗科技(上海)有限公司 一种乳腺结节钙化检测装置
CN113808100B (zh) * 2021-09-16 2024-03-19 什维新智医疗科技(上海)有限公司 一种乳腺结节粗钙化识别装置
CN113808102B (zh) * 2021-09-16 2024-01-05 什维新智医疗科技(上海)有限公司 一种乳腺结节钙化阴影识别装置
CN115880295B (zh) * 2023-02-28 2023-05-12 吉林省安瑞健康科技有限公司 具有精准定位功能的计算机辅助肿瘤消融导航系统
CN116485791B (zh) * 2023-06-16 2023-09-29 华侨大学 基于吸收度的双视图乳腺肿瘤病变区自动检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6421454B1 (en) * 1999-05-27 2002-07-16 Litton Systems, Inc. Optical correlator assisted detection of calcifications for breast biopsy
CN102542556A (zh) * 2010-12-30 2012-07-04 汕头大学 超声图像乳腺肿瘤自动提取方法
WO2016011339A1 (en) * 2014-07-18 2016-01-21 Ge Medical Systems Global Technology Company, Llc Calcification display apparatus and imaging apparatus, and program
CN106447645A (zh) * 2016-04-05 2017-02-22 天津大学 增强ct图像中冠脉钙化检测及量化装置和方法
CN107392204A (zh) * 2017-07-20 2017-11-24 东北大学 一种乳腺图像微钙化点自动检测系统及方法
CN107798679A (zh) * 2017-12-11 2018-03-13 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

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4338948A (en) * 1980-03-27 1982-07-13 Regents Of The University Of California Method and apparatus for detecting and/or imaging clusters of small scattering centers in the body
EP1982654B1 (en) * 2006-03-31 2018-10-03 Toshiba Medical Systems Corporation Ultrasound diagnostic device and control method for ultrasound diagnostic device
US8376947B2 (en) * 2008-03-26 2013-02-19 Bioquantetics, Inc. Application of image-based dynamic ultrasound spectrography (IDUS) in detection and localization of breast microcalcifcation
CN101853376B (zh) * 2010-02-10 2012-02-08 西安理工大学 一种乳腺微钙化点计算机辅助检测方法
JP2014033821A (ja) * 2012-08-09 2014-02-24 Hitachi Aloka Medical Ltd 超音波診断装置
CN104637044B (zh) * 2013-11-07 2017-12-01 中国科学院深圳先进技术研究院 钙化斑块及其声影的超声图像提取系统
CN104732509B (zh) * 2013-12-18 2020-02-21 北京三星通信技术研究有限公司 自适应图像分割方法、装置和设备
CN105427296B (zh) * 2015-11-11 2018-04-06 北京航空航天大学 一种基于超声图像低秩分析的甲状腺病灶图像识别方法
CN109493333A (zh) * 2018-11-08 2019-03-19 四川大学 基于卷积神经网络的超声甲状腺结节钙化点提取算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6421454B1 (en) * 1999-05-27 2002-07-16 Litton Systems, Inc. Optical correlator assisted detection of calcifications for breast biopsy
CN102542556A (zh) * 2010-12-30 2012-07-04 汕头大学 超声图像乳腺肿瘤自动提取方法
WO2016011339A1 (en) * 2014-07-18 2016-01-21 Ge Medical Systems Global Technology Company, Llc Calcification display apparatus and imaging apparatus, and program
CN106447645A (zh) * 2016-04-05 2017-02-22 天津大学 增强ct图像中冠脉钙化检测及量化装置和方法
CN107392204A (zh) * 2017-07-20 2017-11-24 东北大学 一种乳腺图像微钙化点自动检测系统及方法
CN107798679A (zh) * 2017-12-11 2018-03-13 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Deep learning in mammography and breast histology, an overview and future trends;AzamHamidinekoo et al;《Medical Image Analysis》;20180731;第47卷;第45-67页 *
SLIC Superpixels Compared to State-of-the-Art Superpixel Methods;Radhakrishna Achanta et al;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;20121130;第34卷(第11期);第2274-2281页 *
超声检测乳腺癌中的微钙化;Fujio Kasumi et al;《中国超声医学杂志》;19881231;第11页 *

Also Published As

Publication number Publication date
CN110264461A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110264461B (zh) 基于超声乳腺肿瘤图像的微小钙化点自动检测方法
JP4310099B2 (ja) 肺疾患検出のための方法及びシステム
WO2014113786A1 (en) Quantitative predictors of tumor severity
JP2008520345A (ja) 超音波画像における病変の検出及び分類方法、及びそのシステム
NL2003805A (en) Systems, apparatus and processes for automated medical image segmentation using a statistical model.
CN112263217B (zh) 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法
Zhou et al. Classification of benign and malignant breast tumors in ultrasound images with posterior acoustic shadowing using half-contour features
Yoshiyasu et al. Radiomics technology for identifying early-stage lung adenocarcinomas suitable for sublobar resection
CN116630680B (zh) 一种x线摄影联合超声的双模态影像分类方法及系统
Ternifi et al. Ultrasound high-definition microvasculature imaging with novel quantitative biomarkers improves breast cancer detection accuracy
EP4081952A1 (en) Systems and methods for analyzing two-dimensional and three-dimensional image data
Al-Tam et al. Breast cancer detection and diagnosis using machine learning: a survey
Lu et al. A review of the role of ultrasound radiomics and its application and limitations in the investigation of thyroid disease
Xu et al. Preoperative prediction of lymphovascular invasion in patients with T1 breast invasive ductal carcinoma based on radiomics nomogram using grayscale ultrasound
Devaki et al. Study of computed tomography images of the lungs: A survey
EP1668592A1 (en) Method and system for ground glass nodule (ggn) segmentation with shape analysis
CN116740386A (zh) 图像处理方法、装置、设备和计算机可读存储介质
de Oliveira et al. A cross-cutting approach for tracking architectural distortion locii on digital breast tomosynthesis slices
CN113838020B (zh) 一种基于钼靶影像的病变区域量化方法
WO2022153100A1 (en) A method for detecting breast cancer using artificial neural network
CN113935990A (zh) 一种基于人工智能的胰腺占位eus-fna现场快速细胞病理学评估系统
CN115132275A (zh) 基于端到端三维卷积神经网络预测egfr基因突变状态方法
Wang et al. Novel computer-aided diagnosis algorithms on ultrasound image: effects on solid breast masses discrimination
Zhu et al. Ultrasound deep learning radiomics and clinical machine learning models to predict low nuclear grade, ER, PR, and HER2 receptor status in pure ductal carcinoma in situ
Kumar et al. Innovative Breast Cancer Detection Through Mammogram Analysis

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201230

Address after: Room 108, 7 Yingcui Road, Jiangning Development Zone, Nanjing, Jiangsu 210000

Patentee after: Nanjing tianzhixin Technology Co.,Ltd.

Address before: 211167 No.1, Hongjing Avenue, Jiangning Science Park, Jiangning District, Nanjing City, Jiangsu Province

Patentee before: NANJING INSTITUTE OF TECHNOLOGY