CN111080580B - 基于中智集合的超声乳腺肿瘤快速阈值分割方法及系统 - Google Patents

Abstract

本公开提供了一种基于中智集合的超声乳腺肿瘤快速阈值分割方法及系统，将获取的乳腺超声图像映射到中智集合中的T域、I域和F域，分别代表像素的真实性、不确定性和荒谬性；获取乳腺超声图像在T域、I域和F域中的像素值，根据T域阈值和I域阈值得到边缘像素；根据获取的所有边缘像素对乳腺超声图像进行二值分割，得到最终分割后的乳腺肿瘤二值图像；本公开提高了对模糊性较高的乳腺超声图像的模糊、不确定边缘的识别能力，提高了图像分割的精确度。

Description

基于中智集合的超声乳腺肿瘤快速阈值分割方法及系统

技术领域

本公开涉及阈值分割技术领域，特别涉及一种基于中智集合的超声乳腺肿瘤快速阈值分割方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

目前，乳腺癌已成为严重影响女性健康乃至生命安全的病症之一。早期诊断是降低乳腺癌死亡率(40％以上)的关键，诊断越早，治愈率越高，存活率越高且花费较少，患者痛苦越小，从而能够大大提高患者的五年生存率和生存质量。乳腺癌筛查是针对无症状妇女的一种防癌措施，通过早期发现乳腺癌，实现早期诊断和早期治疗，最终达到降低人群乳腺癌死亡率的目的。目前，卫生部已将乳腺癌筛查列入国家基本公共卫生服务项目，开展“百万妇女乳腺普查工程”。乳腺癌筛查项目的推广可使乳腺癌年死亡率大幅下降。

超声检查具有无损、实时、价格低廉等特点，己成为乳腺癌早期检查和诊断的首选方法。但是BUS图像的人工阅读和判断需要经验丰富的专家，同时人工阅读不可避免的具有观察者误差，而且工作量大。相较我国巨大的人口，有经验的影像科医生严重缺乏。且由于临床医生工作量大，有些癌变部位较小，肉眼不易判断，易出现漏诊和误诊。

开发乳腺肿瘤计算机辅助自动筛查系统，可以自动检测乳腺肿瘤超声图像的可疑异常区域，筛选出异常乳腺超声图像，提示可疑病灶请医生复查，从而减轻诊断工作量，缩短诊断时间，提高诊断效率和客观性。特别是对于乡镇医院而言，可充分发挥乳腺超声预筛查的作用。医疗超声计算机辅助乳腺肿瘤筛查系统特别适合乳腺癌的大规模普查，且成本较低。随着乳腺超声普查的推广，目前，国内对医疗超声计算机辅助乳腺肿瘤筛查系统的需求越来越迫切。但是我国这方面的研究仍处于起步阶段。

本公开发明人发现，医学超声图像具有对比度低、图像中各组织器官间边界模糊、有较多speckle噪声等缺点，乳腺超声图像的快速精确分割是医疗超声计算机辅助乳腺肿瘤筛查系统的瓶颈和难点。

发明内容

为了解决现有技术的不足，本公开提供了一种基于中智集合的超声乳腺肿瘤快速阈值分割方法及系统，提高了对模糊性较高的乳腺超声图像的模糊、不确定边缘的识别能力，提高了图像分割的精确度。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种基于中智集合的超声乳腺肿瘤快速阈值分割方法。

一种基于中智集合的超声乳腺肿瘤快速阈值分割方法，包括以下步骤：

将获取的乳腺超声图像映射到中智集合中的T域、I域和F域，分别代表像素的真实性、不确定性和荒谬性；

获取乳腺超声图像在T域、I域和F域中的像素值，根据T域阈值和I域阈值得到边缘像素；

根据获取的所有边缘像素对乳腺超声图像进行二值分割，得到最终分割后的乳腺肿瘤二值图像。

作为可能的一些实现方式，利用直方图和BUS图像肿块的空间特性设计阈值化方法计算T域阈值，利用Otsu方法计算F域阈值。

作为可能的一些实现方式，乳腺超声图像映射到T域、I域和F域的像素值，具体为：

I(i,j)＝S(g_ij,a,b,c)

F(i,j)＝1-T(i,j)

其中，g(i,j)为像素(i,j)的灰度值，g_min、g_max是图像最小、最大灰度值，S(g_ij,a,b,c)为隶属度函数，参数a，b和c可以采用基于直方图的方法来计算。

作为进一步的限定，所述边缘像素，具体为：

T_E(i,j)＝T(i,j)I(i,j)

F_E(i,j)＝(1-F(i,j))I(i,j)

边缘像素既不属于肿瘤区域，也不属于背景区域，因此：

其中ε为I域阈值。

作为更进一步的限定，对乳腺超声图像进行二值分割，具体为：

其中，A_B为最终分割后的乳腺肿瘤二值图像。

作为可能的一些实现方式，对二值分割后所得的候选区域，采用数学形态学算子进行后处理，得到最终的乳腺肿瘤的可疑区域。

本公开第二方面提供了一种基于中智集合的超声乳腺肿瘤快速阈值分割系统。

一种基于中智集合的超声乳腺肿瘤快速阈值分割系统，包括：

图像映射模块，被配置为：将获取的乳腺超声图像映射到中智集合中的T域、I域和F域，分别代表像素的真实性、不确定性和荒谬性；

边缘像素计算模块，被配置为：获取乳腺超声图像在T域、I域和F域中的像素值，根据T域阈值和I域阈值得到边缘像素；

二值分割模块，被配置为：根据获取的所有边缘像素对乳腺超声图像进行二值分割，得到最终分割后的乳腺肿瘤二值图像。

本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于中智集合的超声乳腺肿瘤快速阈值分割方法中的步骤。

本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于中智集合的超声乳腺肿瘤快速阈值分割方法中的步骤。

与现有技术相比，本公开的有益效果是：

1、本公开所述的内容通过使用新的域表示像素的不确定性，具有良好的抗噪性，对模糊性较高的乳腺超声图像的模糊、不确定边缘的识别能力较强，可以提高分割精确度，并且运算速度快，可以满足实际应用的实时性要求。

2、本公开所述的方法时间复杂度低，能满足医学实际应用的实时性需求，可辅助医生有效减少乳腺癌的漏、误诊率，提高早期小乳腺癌的检出率，为乳腺癌的大规模早期筛查、为人体健康智能自诊断技术的应用奠定基础。

3、本公开将乳腺超声图像映射到T域、I域和F域的像素值，其映射方式更加简单和准确，大大降低了程序运行时间，满足了医学应用实时性的要求。

附图说明

图1为本公开实施例1提供的基于中智集合的超声乳腺肿瘤快速阈值分割方法。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例1：

如图1所示，本公开实施例1提供了一种基于中智集合的超声乳腺肿瘤快速阈值分割方法，可以实现乳腺肿瘤可疑区域的快速和精确筛查。

中智集合引入了T、I和F作为中智元素表示事件的真实性、不确定性和荒谬性。

中智集合A定义为：

A＝{x(T,I,F)|T,I,F∈[0,1]} (1)

元素x(T,I,F)按照以下方式属于A：它在集合中为t％的真属于集合，i％的不确定是否属于集合，以及f％的假，其中，t在T上变化，i在I上变化，f在F上变化。

中智图像中像素P使用三元组表示为：

P(i,j)＝{T(i,j),I(i,j),F(i,j)} (2)

即设U为点的全集，

则一个像素p(t,i,j)∈A的方式：t％的真，i％的不确定，以及f％的假，其中，t在T上变化，i在I上变化，f在F上变化。

阈值化方法是图像分割中最常用的方法，方法的基本思想是采用合理的灰度值将图像的背景区域与目标区域分割开，作为最经典的图像分割算法之一，阈值化方法简单、易用，计算速度快。

本实施例结合乳腺癌超声图像的特点和医学分割要求，设计了基于中智集合的超声乳腺癌肿瘤快速阈值分割算法，具体为：

基于中智集合，定义超声乳腺图像的像素为:

I(i,j)＝S(g_ij,a,b,c) (4)

F(i,j)＝1-T(i,j) (5)

利用直方图和BUS图像肿块的空间特性设计阈值化方法，在T域上求阈值t_T，利用Otsu方法计算F域阈值t_F。

在非中智方法中，一个像素如果其值大于阈值，即可以将其归为合适的类中，但是在中智图像方法中，我们不仅要考虑T域上的值，还需要参考I域上的值。

对边缘信息来说，I值越高，像素为边缘的可能性越大，因此可能的边缘像素为：

T_E(i,j)＝T(i,j)I(i,j) (6)

F_E(i,j)＝(1-F(i,j))I(i,j) (7)

边缘像素既不属于肿瘤区域，也不属于背景区域，因此：

其中ε为I域阈值。

使用下式对图像二值化：

得到二值图像A_B。

由于乳腺肿块对正常组织的侵入，使得肿块外围边缘的某些部分与相邻区域非常相似，难以辨别，分割后还可能出现不封闭的地方。因此，设计消除等操作，利用数学形态学算子进行BUS图像分割后的后处理。

数学形态学是一种非线性的图像处理和分析理论，从集合的角度刻画分析图像。该技术是基于图像的基本几何结构特征，利用预先定义的具有一定形态的结构元素去度量和提取图像中的对应形状，可以进行复杂形状的分解。二值形态学有四个基本算子：膨胀(Dilation)、腐蚀(Erosion)、开(Open)、闭(Close)。

对分割所得的候选区域使用数学形态学算子进行后处理，即可以得到乳腺肿瘤的可疑区域。

实施例2：

本公开实施例2提供了一种基于中智集合的超声乳腺肿瘤快速阈值分割系统，包括：

图像映射模块，被配置为：将获取的乳腺超声图像映射到中智集合中的T域、I域和F域，分别代表像素的真实性、不确定性和荒谬性；

边缘像素计算模块，被配置为：获取乳腺超声图像在T域、I域和F域中的像素值，根据T域阈值和I域阈值得到边缘像素；

二值分割模块，被配置为：根据获取的所有边缘像素对乳腺超声图像进行二值分割，得到最终分割后的乳腺肿瘤二值图像。

实施例3：

本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的基于中智集合的超声乳腺肿瘤快速阈值分割方法中的步骤。

实施例4：

本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于中智集合的超声乳腺肿瘤快速阈值分割方法中的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (8)

1.一种基于中智集合的超声乳腺肿瘤快速阈值分割方法，其特征在于，包括以下步骤：

将获取的乳腺超声图像映射到中智集合中的T域、I域和F域，分别代表像素的真实性、不确定性和荒谬性；

获取乳腺超声图像在T域、I域和F域中的像素值，根据T域阈值和I域阈值得到边缘像素；

根据获取的所有边缘像素对乳腺超声图像进行二值分割，得到最终分割后的乳腺肿瘤二值图像；

边缘像素既不属于肿瘤区域，也不属于背景区域，得到：

对乳腺超声图像进行二值分割，具体为：

其中，A_B为最终分割后的乳腺肿瘤二值图像；

所述边缘像素，具体为：

T_E(i,j)＝T(i,j)I(i,j)

F_E(i,j)＝(1-F(i,j))I(i,j)

其中，

ε为I域阈值，t_T为T域阈值，t_F为F域阈值。

2.如权利要求1所述的基于中智集合的超声乳腺肿瘤快速阈值分割方法，其特征在于，利用直方图和BUS图像肿块的空间特性设计阈值化方法计算T域阈值，利用Otsu方法计算F域阈值。

3.如权利要求1所述的基于中智集合的超声乳腺肿瘤快速阈值分割方法，其特征在于，乳腺超声图像映射到T域、I域和F域的像素值，具体为：

I(i,j)＝S(g_ij,a,b,c)

F(i,j)＝1-T(i,j)

其中，g(i,j)为像素(i,j)的灰度值，g_min、g_max是图像最小、最大灰度值，S(g_ij,a,b,c)为隶属度函数，a，b和c为通过直方图计算得到的参数。

4.如权利要求1所述的基于中智集合的超声乳腺肿瘤快速阈值分割方法，其特征在于，对二值分割后所得的候选区域，采用数学形态学算子进行后处理，得到最终的乳腺肿瘤的可疑区域。

5.一种基于中智集合的超声乳腺肿瘤快速阈值分割系统，其特征在于，包括：

图像映射模块，被配置为：将获取的乳腺超声图像映射到中智集合中的T域、I域和F域，分别代表像素的真实性、不确定性和荒谬性；

边缘像素计算模块，被配置为：获取乳腺超声图像在T域、I域和F域中的像素值，根据T域阈值和I域阈值得到边缘像素；

二值分割模块，被配置为：根据获取的所有边缘像素对乳腺超声图像进行二值分割，得到最终分割后的乳腺肿瘤二值图像；

边缘像素既不属于肿瘤区域，也不属于背景区域，得到：

对乳腺超声图像进行二值分割，具体为：

其中，A_B为最终分割后的乳腺肿瘤二值图像；

所述边缘像素，具体为：

T_E(i,j)＝T(i,j)I(i,j)

F_E(i,j)＝(1-F(i,j))I(i,j)

其中，

ε为I域阈值，t_T为T域阈值，t_F为F域阈值。

6.如权利要求5所述的基于中智集合的超声乳腺肿瘤快速阈值分割系统，其特征在于，边缘像素计算模块中，乳腺超声图像映射到T域、I域和F域的像素值，具体计算方式为：

I(i,j)＝S(g_ij,a,b,c)

F(i,j)＝1-T(i,j)；

其中，g(i,j)为像素(i,j)的灰度值，g_min、g_max是图像最小、最大灰度值，S(g_ij,a,b,c)为隶属度函数，a，b和c为通过直方图计算得到的参数。

7.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-4任一项所述的基于中智集合的超声乳腺肿瘤快速阈值分割方法中的步骤。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任一项所述的基于中智集合的超声乳腺肿瘤快速阈值分割方法中的步骤。

Images