CN110706218B - 基于动态增强磁共振成像的乳腺肿瘤定位分析方法 - Google Patents

基于动态增强磁共振成像的乳腺肿瘤定位分析方法 Download PDF

Info

Publication number
CN110706218B
CN110706218B CN201910919245.7A CN201910919245A CN110706218B CN 110706218 B CN110706218 B CN 110706218B CN 201910919245 A CN201910919245 A CN 201910919245A CN 110706218 B CN110706218 B CN 110706218B
Authority
CN
China
Prior art keywords
lesion
breast
voxel
region
candidate
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
CN201910919245.7A
Other languages
English (en)
Other versions
CN110706218A (zh
Inventor
刘奇
崔婧轩
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN201910919245.7A priority Critical patent/CN110706218B/zh
Publication of CN110706218A publication Critical patent/CN110706218A/zh
Application granted granted Critical
Publication of CN110706218B publication Critical patent/CN110706218B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供一种基于动态增强磁共振成像的乳腺肿瘤定位分析方法，包括以下步骤：首先，校正运动伪影和分割乳房；其次，结合斑点和相对增强体素特征对乳腺区域进行初步定位；然后，通过结合候选区域的形态学和动力学特征，在进行病灶区域的良、恶性检测分类，并确保较低的假阳性；最后，利用自由响应操作特性分析对算法性能进行评估。本发明提供的基于动态增强磁共振成像的乳腺肿瘤定位分析方法，基于计算机辅助诊断的乳腺肿瘤诊断，可实现较快速地病灶定位及良、恶性分析，在每例病例允许单个假阳性情况下，恶性病灶检测灵敏度为83％。为医生提供便捷，减轻工作负担，减少漏诊、误诊率，提高诊断效率。

Description

基于动态增强磁共振成像的乳腺肿瘤定位分析方法
技术领域
本发明属于肿瘤检测技术领域，具体涉及一种基于动态增强磁共振成像的乳腺肿瘤定位分析方法。
背景技术
乳腺疾病是影响全球女性的最常见疾病之一，乳腺癌的发病率约为10％～15％，是中国女性发病率最高的癌症。早期发现和治疗可以显著提高乳腺癌的疾病存活率。在基于人群的乳腺筛查中，应用最广泛的是乳腺钼靶X线摄影。但针对高危患者，通常建议进行动态对比增强磁共振成像(DCE-MRI)筛查。DCE-MRI敏感度较高，尤其是对乳房密度较大的年轻患者。此外，DCE-MRI扫描技术可提供乳腺病灶在血流动力学、形态学等多方面的信息，有助于病灶的发现、定位及定性，已经得到放射科医生的广泛认可。
但与其他检查方式相比，乳腺DCE-MRI的检查依赖于许多因素，如阅读者的专业知识和充分的可视化技术的使用，因此在筛查和定性方面，特异性更加多变。这一事实可能导致大量的假阳性结果。此外，乳腺MRI分析需要对四维DCE数据进行解释，以及与其他MRI成像序列多参数数据的相关性，因此是一项耗时的工作。
目前临床实际应用中，基于DCE-MRI的乳腺定量及定性的分析方法为，放射医师利用MRI图像工作站，这些系统主要通过对乳房组织增强期间每个体素的强度变化进行颜色编码来提供自动动力学评估。人工操作获得乳腺病灶强化区域的时间-信号强度曲线(TIC)。TIC曲线的形态类型按照Kuhl等的标准分为：增长型(I型)、平台型(II型)和廓清型(III型)。通过TIC曲线的分类结合病灶部位形态学特征来鉴别乳腺病变的良恶性，III型曲线常常提示为恶性病变，I型曲线则多为良性病变，虽然良、恶性病变的TIC曲线类型明显不同，但其仍有重叠部分，尤其在II型曲线下。
专业工作站的自动化评估有助于解释MRI体积中对比度增强的模式，但仍需要人工来识别和表征可疑区域，这增加了误诊和漏诊乳房病变的风险，并可能导致观察者内部的可变性。
发明内容
本发明旨在减少分析时间，提高灵敏度和特异性；帮助放射科医生发现容易忽略的微小病变，降低误诊漏诊率，减轻医生诊断工作量，达到综合提高诊断效率的目的。
具体技术方案为：
基于动态增强磁共振成像的乳腺肿瘤定位分析方法，包括以下步骤：
首先，校正运动伪影和分割乳房；
其次，结合斑点和相对增强体素特征对乳腺区域进行初步定位；
然后，通过结合候选区域的形态学和动力学特征，在进行病灶区域的良、恶性检测分类，并确保较低的假阳性；
最后，利用自由响应操作特性分析对算法性能进行评估。
具体包括以下步骤：
(1)运动校正
在患者DCE-MRI图像采集过程中，需对数据进行校正，移除运动伪影；
通过将基于多级B-样条的多分辨率优化与自由变形相结合的配准算法，将对比增强后时间点即T1～Tn的图像映射到对比增强前采集的T0上；利用随机梯度下降优化器和互信息相似性度量方法，研究信号强度随时间变化的情况；
为了避免增强病灶区域的局部体积变化，需要设置较粗的间距；对于三种分辨率，B-样条网格间距分别设置为160、80和40mm。
(2)乳腺分割
后续对肿瘤的定位检测的区域集中于乳房组织上，事先分割出乳腺部位，即感兴趣区域；将获取胸肌和胸壁区域分割方法应用于增强前的DCE-MRI体积T0；使用概率图谱提供的空间信息；
概率图谱是包含体素属于一个或多个器官的概率的完整空间分布的集合；三个概率图谱分别代表女性乳房小、中、大的差异；乳房的大小是通过胸骨沿前后轴从乳房前部到冠状面之间的距离来测量的，这个距离记作dAP；选择大图谱分割dAP大于95mm的患者，中图谱分割dAP在66和95mm之间的患者，小图谱分割dAP小于66mm的患者；
(3)病灶候选检测
完成乳腺组织分割后，需要选出增强后的体素候选以进行后续处理；利用已标记体素数据训练的分类器，结合从相对信号增强Rt得到的体素特征，计算异常的可能性；在造影剂注射后的特定时间点t的相对信号增强被定义为Rt＝(Tt-T0)/T0；
选取DCE-MRI数据增强后的第一个时间点T1进行病灶检测和形态评估，使用R1来计算特征；第一个特征是在不同尺度δr上平滑值
Figure BDA0002217080080000021
定义为R1和不同尺度下高斯平滑滤波器的卷积；通过计算
Figure BDA0002217080080000022
减少了在运动校正步骤中未校正的噪声和局部变形产生的伪影；从两种不同的Blob即图像中相同像素的连通域检测中获取斑点特征，描述明亮的斑点状结构的形状；
第一个测量B1(δb)基于高斯拉普拉斯算子，其中δb表示斑点的大小；第二个测量B2(δb)使用来自Hessian矩阵的特征值来表征斑点；斑点特征值λ1、λ2、λ3，满足|λ1|≥|λ2|≥|λ3|；使用的亮斑增强措施计算如下:
Figure BDA0002217080080000031
在这个阶段总共选用16个特征：10个
Figure BDA0002217080080000032
在不同尺度下指数范围为0～10mm；6个斑点特征由B1(δb)和B2(δb)计算得到，其中δb＝3,10,17mm；δr和δb值的选择可以涵盖绝大部分的病变大小；
选择随机森林分类器计算该阶段异常特征的可能性；将一种贪婪的特征选择作为其学习算法的一部分；将树的最大数目和最大深度分别设置为500，使用特征数n＝16；通过对所有树的平均输出，计算第一阶段给出的异常可能性；
训练体素候选检测分类器以检测乳腺恶性病变时，异常样本和正常样本的比例为1:5；对于异常组，采集病变注释内相对信号增强R1体素值最高的样本；对于正常组，随机选择R1>0正常病例的乳腺体素样本；最后，利用前面描述的特征计算出体素似然图的局部极大值，通过半径为5mm和20mm的球形核两阶段扫描，来确定最终检测阶段的候选病灶；
(4)区域分类
计算每个候选病灶的恶性可能性以获得最终CAD标记；首先，将步骤(3)中获得的病灶候选位置作为种子点，利用智能开操作算法进行三维区域自动分割；对于病变的手工注释，将智能开操作应用于第一次造影后和造影前的减影上；其次，使用形态学和动力学特征对减少假阳性率的分类器进行训练；
为了表征病灶形态，基于候选的病灶分割计算以下特征：
1.体积，cm3；
2.边缘锐度和方差，考虑边缘梯度不均匀性以及沿边缘的方差，提供病灶边界划分程度的度量；
3.圆度，定义为病变体积占相同体积球体体积的百分比；
4.不规则度，描述分割的病灶表面的平滑程度；
5.凹凸度，通过将分割后的凸包表面与实际候选病灶表面进行比较计算得到；
6.径向梯度分析，测量病灶边缘指向病灶中心的梯度；
7.有效直径；
8.延伸程度；
为了表征在每个体素上测量的动力学曲线，使用了四个动力学特征，包括最大相对信号增强ME、峰值时间TTP、吸收速率UR和冲洗速率WR；定义如下：
1.ME＝max(Rt:t＝0,…,N)
2.TTP＝tp,p＝argmax(Rt)
3.UR＝ME/TTP
4.
Figure BDA0002217080080000041
在最终的区域分类步骤中，总共使用了25个特征；包括前一阶段中异常的可能性，8个形态特征，整个病变候选范围的每个动力学参数的平均值和标准差，以及在最可疑区域内测量的每个动力学参数的平均值和标准差；最可疑区域被定义为，在第一次增强时间点处，表现出最强相对信号增强的3×3×3体素体积；区域分类器的训练集由人工手动注释分为异常组和正常组。
本发明提供的基于动态增强磁共振成像的乳腺肿瘤定位分析方法，基于计算机辅助诊断的乳腺肿瘤诊断，可实现较快速地病灶定位及良、恶性分析，在每例病例允许单个假阳性情况下，恶性病灶检测灵敏度为83％。为医生提供便捷，减轻工作负担，减少漏诊、误诊率，提高诊断效率。
具体实施方式
结合实施例说明本发明的技术方案。
本发明的处理算法首先校正运动伪影和分割乳房；其次，结合斑点和相对增强体素特征对乳腺区域进行初步定位。然后，通过结合候选区域的形态学和动力学特征，在进行病灶区域的良、恶性检测分类，并确保较低的假阳性。最后利用自由响应操作特性分析(FROC)对算法性能进行评估，该方法在可接受的假阳性数量下，检测恶性病变时具有高灵敏度。数据显示若允许每例正常样本存在0.1，1，4或7个假阳性结果，其灵敏度分别为0.71，0.83，0.90和0.95。
具体的：
(1)运动校正
患者在DCE-MRI图像采集过程中，由于呼吸等运动引起的位移无法避免，这些可能影响病灶的运动特征，故需对数据进行校正，移除运动伪影。
通过将基于多级B-样条的多分辨率优化与自由变形(FFD)相结合的配准算法，将对比增强后时间点(T1～Tn)的图像映射到对比增强前采集的T0上。利用随机梯度下降优化器和互信息相似性度量方法，研究信号强度随时间变化的情况。同时，为了避免增强病灶区域的局部体积变化，需要设置较粗的间距。对于三种分辨率，B-样条网格间距分别设置为160、80和40mm。
(2)乳腺分割
后续对肿瘤的定位检测的区域集中于乳房组织上，而不包含胸部，手臂和胸肌等。为了减少假阳性结果，需要事先分割出乳腺部位，即感兴趣区域。将一种获取胸肌和胸壁区域分割方法应用于增强前的DCE-MRI体积T0。使用概率图谱提供的空间信息。概率图谱是包含体素属于一个或多个器官的概率的完整空间分布的集合。本研究中，三个概率图谱分别代表女性乳房小、中、大的差异。乳房的大小是通过胸骨沿前后轴从乳房前部到冠状面之间的距离来测量的，这个距离记作dAP。选择大图谱分割dAP大于95mm的患者，中图谱分割dAP在66和95mm之间的患者，小图谱分割dAP小于66mm的患者。
(3)病灶候选检测
完成乳腺组织分割后，需要选出增强后的体素候选以进行后续处理。由于在注射造影剂后，除囊肿之外的所有乳腺病灶均会出现信号强度增强，这些增强的体素被怀疑属于乳腺病变。利用分类器(使用已标记体素数据训练)，结合从相对信号增强(Rt)得到的体素特征，计算异常的可能性。在造影剂注射后的特定时间点t的相对信号增强被定义为Rt＝(Tt-T0)/T0。
选取DCE-MRI数据增强后的第一个时间点T1进行病灶检测和形态评估，使用R1来计算特征。第一个特征是在不同尺度δr上平滑值
Figure BDA0002217080080000051
定义为R1和不同尺度下高斯平滑滤波器的卷积。通过计算
Figure BDA0002217080080000052
减少了在运动校正步骤中未校正的噪声和局部变形产生的伪影。从两种不同的Blob(图像中相同像素的连通域)检测中获取斑点特征，描述明亮的斑点状结构的形状。之所以选择这些特征，是因为质肿块样乳腺病变和大多数非肿块样病变的增强区域在相对信号增强量上显示为亮斑。第一个测量B1(δb)基于高斯拉普拉斯算子(LoG)，其中δb表示斑点的大小。第二个测量B2(δb)使用来自Hessian矩阵的特征值来表征斑点。斑点特征值λ1、λ2、λ3，满足|λ1|≥|λ2|≥|λ3|。本发明中使用的亮斑增强措施计算如下:
Figure BDA0002217080080000053
在这个阶段总共选用16个特征：10个
Figure BDA0002217080080000054
在不同尺度下指数范围为0～10mm；6个斑点特征由B1(δb)和B2(δb)计算得到，其中δb＝3,10,17mm。δr和δb值的选择可以涵盖绝大部分的病变大小。选择随机森林(Random Forest)分类器计算该阶段异常特征的可能性。它将一种贪婪的特征选择作为其学习算法的一部分。将树的最大数目和最大深度分别设置为500，使用特征数(n＝16)。通过对所有树的平均输出，计算第一阶段给出的异常可能性。
训练体素候选检测分类器以检测乳腺恶性病变时，异常样本和正常样本的比例为1:5。对于异常组，采集病变注释内相对信号增强R1体素值最高的样本。对于正常组，随机选择R1>0正常病例的乳腺体素样本。最后，利用前面描述的特征计算出体素似然图的局部极大值，通过半径为5mm和20mm的球形核两阶段扫描，来确定最终检测阶段的候选病灶。
(4)区域分类
计算每个候选病灶的恶性可能性以获得最终CAD标记。首先，将步骤(3)中获得的病灶候选位置作为种子点，利用智能开操作算法进行三维区域自动分割。对于病变的手工注释，将智能开操作应用于第一次造影后和造影前的减影上。其次，使用形态学和动力学特征对减少假阳性率的分类器进行训练。
为了表征病灶形态，基于候选的病灶分割计算以下特征：
1.体积(cm3)。
2.边缘锐度和方差，考虑边缘梯度不均匀性以及沿边缘的方差，提供病灶边界划分程度的度量。
3.圆度，定义为病变体积占相同体积球体体积的百分比。
4.不规则度，描述分割的病灶表面的平滑程度。
5.凹凸度，通过将分割后的凸包表面与实际候选病灶表面进行比较计算得到。
6.径向梯度分析，测量病灶边缘指向病灶中心的梯度。
7.有效直径。
8.延伸程度。
为了表征在每个体素上测量的动力学曲线，使用了四个公认有效的动力学特征，包括最大相对信号增强(ME)、峰值时间(TTP)、吸收速率(UR)和冲洗速率(WR)。定义如下:
1.ME＝max(Rt:t＝0,…,N)
2.TTP＝tp,p＝argmax(Rt)
3.UR＝ME/TTP
4.
Figure BDA0002217080080000061
在最终的区域分类步骤中，总共使用了25个特征。这些包括前一阶段中异常的可能性，8个形态特征，整个病变候选范围的每个动力学参数的平均值和标准差，以及在最可疑区域内测量的每个动力学参数的平均值和标准差。最可疑区域被定义为，在第一次增强时间点处，表现出最强相对信号增强的3×3×3体素体积。区域分类器的训练集由人工手动注释分为异常组和正常组。

Claims (2)

1.基于动态增强磁共振成像的乳腺肿瘤定位分析方法，其特征在于，包括以下步骤：
首先，校正运动伪影和分割乳房；
其次，结合斑点和相对增强体素特征对乳腺区域进行初步定位；
然后，通过结合候选区域的形态学和动力学特征，进行病灶区域的良、恶性检测分类，并确保较低的假阳性；
最后，利用自由响应操作特性分析对算法性能进行评估；
具体包括以下步骤：
(1)运动校正
在患者DCE-MRI图像采集过程中，对数据进行校正，移除运动伪影；
通过将基于多级B-样条的多分辨率优化与自由变形相结合的配准算法，将对比增强后时间点T1～Tn的图像映射到对比增强前采集的T0上；利用随机梯度下降优化器和互信息相似性度量方法，研究信号强度随时间变化的情况；
(2)乳腺分割
后续对肿瘤的定位检测的区域集中于乳房组织上，事先分割出乳腺部位，即感兴趣区域；将获取胸肌和胸壁区域分割方法应用于增强前的DCE-MRI体积T0；使用概率图谱提供的空间信息；
概率图谱是包含体素属于一个或多个器官的概率的完整空间分布的集合；三个概率图谱分别代表女性乳房小、中、大的差异；乳房的大小是通过胸骨沿前后轴从乳房前部到冠状面之间的距离来测量的，这个距离记作dAP；选择大图谱分割dAP大于95mm的患者，中图谱分割dAP在66和95mm之间的患者，小图谱分割dAP小于66mm的患者；
(3)病灶候选检测
完成乳腺组织分割后，选出增强后的体素候选以进行后续处理；利用已标记体素数据训练的分类器，结合从相对信号增强Rt得到的体素特征，计算异常的可能性；在造影剂注射后的特定时间点t的相对信号增强被定义为Rt＝(Tt-T0)/T0；
选取DCE-MRI数据增强后的第一个时间点T1进行病灶检测和形态评估，使用R1来计算特征；第一个特征是在不同尺度δr上平滑值
Figure FDA0003409889520000011
定义为R1和不同尺度下高斯平滑滤波器的卷积；通过计算
Figure FDA0003409889520000012
减少了在运动校正步骤中未校正的噪声和局部变形产生的伪影；从两种不同的Blob即图像中相同像素的连通域检测中获取斑点特征，描述明亮的斑点状结构的形状；
第一个测量B1(δb)基于高斯拉普拉斯算子，其中δb表示斑点的大小；第二个测量B2(δb)使用来自Hessian矩阵的特征值来表征斑点；斑点特征值λ1、λ2、λ3，满足|λ1|≥|λ2|≥|λ3|；使用的亮斑增强措施计算如下:
Figure FDA0003409889520000021
在这个阶段总共选用16个特征：10个
Figure FDA0003409889520000022
在不同尺度下δr指数范围为0～10mm；6个斑点特征由B1(δb)和B2(δb)计算得到，其中δb＝3,10,17mm；δr和δb值的选择可以涵盖绝大部分的病变大小；
选择随机森林分类器计算该阶段异常特征的可能性；将一种贪婪的特征选择作为其学习算法的一部分；将树的最大数目和最大深度分别设置为500，使用特征数n＝16；通过对所有树的平均输出，计算第一阶段给出的异常可能性；
训练体素候选检测分类器以检测乳腺恶性病变时，异常样本和正常样本的比例为1:5；对于异常组，采集病变注释内相对信号增强R1体素值最高的样本；对于正常组，随机选择R1>0正常病例的乳腺体素样本；最后，利用前面描述的特征计算出体素似然图的局部极大值，通过半径为5mm和20mm的球形核两阶段扫描，来确定最终检测阶段的候选病灶；
(4)区域分类
计算每个候选病灶的恶性可能性以获得最终CAD标记；首先，将步骤(3)中获得的病灶候选位置作为种子点，利用智能开操作算法进行三维区域自动分割；对于病变的手工注释，将智能开操作应用于第一次造影后和造影前的减影上；其次，使用形态学和动力学特征对减少假阳性率的分类器进行训练；
为了表征病灶形态，基于候选的病灶分割计算以下特征：
a.体积，cm3；
b.边缘锐度和方差，考虑边缘梯度不均匀性以及沿边缘的方差，提供病灶边界划分程度的度量；
c.圆度，定义为病变体积占相同体积球体体积的百分比；
d.不规则度，描述分割的病灶表面的平滑程度；
e.凹凸度，通过将分割后的凸包表面与实际候选病灶表面进行比较计算得到；
f.径向梯度分析，测量病灶边缘指向病灶中心的梯度；
g.有效直径；
h.延伸程度；
为了表征在每个体素上测量的动力学曲线，使用了四个动力学特征，包括最大相对信号增强ME、峰值时间TTP、吸收速率UR和冲洗速率WR；定义如下：
<1>.ME＝max(Rt:t＝0,…,N)
<2>.TTP＝tp,p＝argmax(Rt)
<3>.UR＝ME/TTP
<4>.
Figure FDA0003409889520000031
在最终的区域分类步骤中，总共使用了25个特征；包括前一阶段中异常的可能性，8个形态特征，整个病变候选范围的每个动力学参数的平均值和标准差，以及在最可疑区域内测量的每个动力学参数的平均值和标准差；最可疑区域被定义为，在第一次增强时间点处，表现出最强相对信号增强的3×3×3体素体积；区域分类器的训练集由人工手动注释分为异常组和正常组。
2.根据权利要求1所述的基于动态增强磁共振成像的乳腺肿瘤定位分析方法，其特征在于，步骤(1)中，为了避免增强病灶区域的局部体积变化，对于三种分辨率，B-样条网格间距分别设置为160、80和40mm。
CN201910919245.7A 2019-09-26 2019-09-26 基于动态增强磁共振成像的乳腺肿瘤定位分析方法 Active CN110706218B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910919245.7A CN110706218B (zh) 2019-09-26 2019-09-26 基于动态增强磁共振成像的乳腺肿瘤定位分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910919245.7A CN110706218B (zh) 2019-09-26 2019-09-26 基于动态增强磁共振成像的乳腺肿瘤定位分析方法

Publications (2)

Publication Number Publication Date
CN110706218A CN110706218A (zh) 2020-01-17
CN110706218B true CN110706218B (zh) 2022-03-08

Family

ID=69197495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910919245.7A Active CN110706218B (zh) 2019-09-26 2019-09-26 基于动态增强磁共振成像的乳腺肿瘤定位分析方法

Country Status (1)

Country Link
CN (1) CN110706218B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11282193B2 (en) * 2020-03-31 2022-03-22 Ping An Technology (Shenzhen) Co., Ltd. Systems and methods for tumor characterization
CN112651951A (zh) * 2020-12-30 2021-04-13 深圳高性能医疗器械国家研究院有限公司 一种基于dce-mri的乳腺癌分级方法
WO2022141201A1 (zh) * 2020-12-30 2022-07-07 深圳高性能医疗器械国家研究院有限公司 一种基于dce-mri的乳腺癌分级方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102247144A (zh) * 2011-04-18 2011-11-23 大连理工大学 基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法
CN109635835A (zh) * 2018-11-08 2019-04-16 深圳蓝韵医学影像有限公司 一种基于深度学习与迁移学习的乳腺病变区域检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7983732B2 (en) * 2004-02-13 2011-07-19 The University Of Chicago Method, system, and computer software product for automated identification of temporal patterns with high initial enhancement in dynamic magnetic resonance breast imaging
WO2009105530A2 (en) * 2008-02-19 2009-08-27 The Trustees Of The University Of Pennsylvania System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102247144A (zh) * 2011-04-18 2011-11-23 大连理工大学 基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法
CN109635835A (zh) * 2018-11-08 2019-04-16 深圳蓝韵医学影像有限公司 一种基于深度学习与迁移学习的乳腺病变区域检测方法

Also Published As

Publication number Publication date
CN110706218A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
Gonçalves et al. Hessian based approaches for 3D lung nodule segmentation
Vivanti et al. Automatic detection of new tumors and tumor burden evaluation in longitudinal liver CT scan studies
US7206462B1 (en) Method and system for the detection, comparison and volumetric quantification of pulmonary nodules on medical computed tomography scans
CN110706218B (zh) 基于动态增强磁共振成像的乳腺肿瘤定位分析方法
CN107798679B (zh) 乳腺钼靶图像乳房区域分割与钙化点检测方法
van Engeland et al. A comparison of methods for mammogram registration
Wong et al. Automated detection of kinks from blood vessels for optic cup segmentation in retinal images
Li et al. Pectoral muscle segmentation in mammograms based on homogenous texture and intensity deviation
Giannini et al. A fully automatic algorithm for segmentation of the breasts in DCE-MR images
Marias et al. A registration framework for the comparison of mammogram sequences
Shimizu et al. Ensemble segmentation using AdaBoost with application to liver lesion extraction from a CT volume
CN105956198B (zh) 一种基于病灶位置与内容的乳腺图像检索系统及方法
Timp et al. Interval change analysis to improve computer aided detection in mammography
CN109829942A (zh) 一种眼底图像视网膜血管管径自动量化方法
Jaworek-Korjakowska Novel method for border irregularity assessment in dermoscopic color images
Ananth et al. Liver And Hepatic Tumors Segmentation in 3-D CT Images
Dabass et al. Effectiveness of region growing based segmentation technique for various medical images-a study
KR102373987B1 (ko) 알츠하이머 병 및 정상 노화에서 템플릿 기반 해마 서브필드 위축 분석 방법
CN113160116B (zh) 左心室内外膜自动分割方法、系统及设备
Ukil et al. Automatic lung lobe segmentation in X-ray CT images by 3D watershed transform using anatomic information from the segmented airway tree
Zhao et al. Automatic 3D segmentation of MRI data for detection of head and neck cancerous lymph nodes
Shaziya et al. Comprehensive review of automatic lung segmentation techniques on pulmonary CT images
Timp Analysis of Temporal Mammogram Pairs to Detect and Characterise Mass Lesions.
Qi et al. Breast mass segmentation in mammography using improved dynamic programming
You et al. Extraction of samples from airway and vessel trees in 3D lung CT based on a multi-scale principal curve tracing algorithm

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