CN111091895B - 乳房影像分析方法、系统及非暂态计算机可读取介质 - Google Patents
乳房影像分析方法、系统及非暂态计算机可读取介质 Download PDFInfo
- Publication number
- CN111091895B CN111091895B CN201811277282.4A CN201811277282A CN111091895B CN 111091895 B CN111091895 B CN 111091895B CN 201811277282 A CN201811277282 A CN 201811277282A CN 111091895 B CN111091895 B CN 111091895B
- Authority
- CN
- China
- Prior art keywords
- image
- breast
- difference
- calibration
- difference image
- 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
Links
- 210000000481 breast Anatomy 0.000 title claims abstract description 283
- 238000003703 image analysis method Methods 0.000 title abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000010191 image analysis Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 7
- 230000003902 lesion Effects 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 5
- 238000009607 mammography Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 208000004434 Calcinosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000002559 palpation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20224—Image subtraction
-
- 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
- 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
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
一种乳房影像分析方法、乳房影像分析系统及非暂态计算机可读取介质。乳房影像分析方法包含:输入第一乳房影像以及第二乳房影像;撷取第一乳房影像的多个第一特征以及第二乳房影像的多个第二特征;根据第一特征以及第二特征校正第一乳房影像以及第二乳房影像,以产生第一校准影像以及第二校准影像;计算第一乳房影像与第二校准影像的第一差异影像,以及计算该第一校准影像与该第二乳房影像的第二差异影像;利用影像分析模型分别判断第一差异影像与第二差异影像是否对称以产生对称结果以及不对称结果;以及根据对称结果或不对称结果产生分析报告。借此,达到自动判定乳房不对称以及侦测乳房不对称区域的功效。
Description
技术领域
本案是有关于一种影像分析方法、影像分析系统以及非暂态计算机可读取介质,且特别是有关于一种乳房影像分析方法、乳房影像分析系统及非暂态计算机可读取介质。
背景技术
乳房摄影检查技术主要是利用低剂量的X光检查人类的乳房,其能检查肿块、钙化点等病灶,该技术比人工触诊方式更能够准确地发现乳房的病灶类型与位置,因此乳房摄影的影像在早期乳癌的筛检扮演重要的角色。但乳房摄影的影像需要具备专业医学知识的人员来判断影像中的乳房是否有病灶或不对称,非常耗费人力及时间,并且以人工判定的准确度差异甚大。因此,如何利用乳房影像分析技术自动判断乳房摄影的影像是否对称,并且进一步判断乳房影像内发生不对称的区域,达到自动侦测乳房不对称的功能是本领域待解决的问题。
发明内容
本发明的主要目的是提供一种乳房影像分析方法、乳房影像分析系统及非暂态计算机可读取介质,其主要是改进以往计算机辅助分析软件仅有侦测乳房病灶类型的功能,先撷取乳房成对影像的特征以校准乳房成对影像,计算乳房成对影像的乳房差异影像,再将乳房差异影像输入分类器训练影像分析模型,训练后的影像分析模型可以判断乳房影像是否对称,如果乳房影像有不对称,再进一步判定乳房影像内发生不对称的区域,达到自动判定乳房不对称以及侦测乳房不对称区域的功能。
为达成上述目的,本案的第一态样是在提供一种乳房影像分析方法,此方法包含以下步骤:输入一第一乳房影像以及一第二乳房影像;撷取该第一乳房影像的多个第一特征以及该第二乳房影像的多个第二特征;根据所述多个第一特征以及所述多个第二特征校正该第一乳房影像以及该第二乳房影像,以产生一第一校准影像以及一第二校准影像;计算该第一乳房影像与该第二校准影像的一第一差异影像,以及计算该第一校准影像与该第二乳房影像的一第二差异影像;利用一影像分析模型分别判断该第一差异影像与该第二差异影像是否对称,其中于该第一差异影像与该第二差异影像为对称时,产生一对称结果,于该第一差异影像与该第二差异影像为不对称时,产生一不对称结果;以及产生代表该对称结果或该不对称结果的一分析报告。
根据本案一实施例,还包含:将该第一差异影像以及该第二差异影像分别进行标记以产生一第一标记结果与一第二标记结果;以及利用该第一差异影像、该第二差异影像、第一标记结果以及第二标记作为训练数据,以产生该影像分析模型。
根据本案一实施例,撷取该第一乳房影像的所述多个第一特征以及该第二乳房影像的所述多个第二特征,还包含:利用一第一门槛值找出一第一乳房区域的一第一边界,以及利用该第一门槛值找出一第二乳房区域的一第二边界;其中,该第一边界包含多个第一像素,该第二边界包含多个第二像素;分别计算所述多个第一像素以及所述多个第二像素对应的曲率;分别判断所述多个第一像素以及所述多个第二像素对应的曲率是否大于一第二门槛值;以及将大于该第二门槛值的所述多个第一像素标记为所述多个第一特征,且将大于该第二门槛值的所述多个第二像素标记为所述多个第二特征。
根据本案一实施例,根据所述多个第一特征以及所述多个第二特征校正该第一乳房影像以及该第二乳房影像,还包含:建立所述多个第一特征以及所述多个第二特征之间的一位置对应关系;基于该第一乳房影像与该位置对应关系产生一第一转换矩阵且基于该第二乳房影像与该位置对应关系产生一第二转换矩阵;根据该第二转换矩阵将该第一乳房影像转换成该第一校准影像,以及根据该第一转换矩阵将该第二乳房影像转换成该第二校准影像;以及根据该第一乳房影像的亮度值调整该第二校准影像的亮度值,以及根据该第二乳房影像的亮度值调整该第一校准影像的亮度值。
根据本案一实施例,利用该影像分析模型分别判断该第一差异影像与该第二差异影像是否对称,还包含:若判断该第一差异影像与该第二差异影像为不对称时,计算该第一差异影像与该第二差异影像的其中之一的一不对称区域。
根据本案一实施例,计算该不对称区域,还包含:将该第一差异影像以及该第二差异影像的其中之一作为一计算影像;根据该计算影像中每个像素的像素值,将该计算影像区分为多个区域;计算每一该区域对应的一平均像素值;判断每一该区域对应的该平均像素值是否大于一第三门槛值;以及将该平均像素值大于该第三门槛值的每一该区域作为该不对称区域。
根据本案一实施例,根据该计算影像中每个像素的像素值,将该计算影像区分为所述多个区域,还包含:利用一影像视窗依序扫描该计算影像;分别判断该影像视窗内的一中心像素的像素值与该中心像素周围的每个邻近像素的像素值之间的一差异值是否小于一第四门槛值;若该差异值小于该第四门槛值,将该中心像素与对应该差异值的该邻近像素划分为同一区域;以及若该差异值大于该第四门槛值,将该中心像素与对应该差异值的该邻近像素划分为不同区域。
本案的第二态样是在提供一种乳房影像分析系统,其包含:一储存装置、一处理器以及一显示器。该处理器与该储存装置及该显示器电性连接。该储存装置用以储存一第一乳房影像以及一第二乳房影像,该显示器用以显示一分析报告。该处理器包含:一特征撷取元件、一影像校正元件、一差异影像产生元件、一对称分析元件以及一报告产生元件。该特征撷取元件用以撷取该第一乳房影像的多个第一特征以及该第二乳房影像的多个第二特征。该影像校正元件与该特征撷取元件电性连接,用以根据所述多个第一特征以及所述多个第二特征校正该第一乳房影像以及该第二乳房影像,以产生一第一校准影像以及一第二校准影像。该差异影像产生元件与该影像校正元件电性连接,用以计算该第一乳房影像与该第二校准影像的一第一差异影像,以及计算该第一校准影像与该第二乳房影像的一第二差异影像。该对称分析元件与该差异影像产生元件电性连接,用以利用一影像分析模型分别判断该第一差异影像与该第二差异影像是否对称,于该第一差异影像与该第二差异影像为对称时,该对称分析元件产生一对称结果,于该第一差异影像与该第二差异影像为不对称时,该对称分析元件产生一不对称结果。该报告产生元件与该对称分析元件电性连接,用以产生代表该对称结果或该不对称结果的一分析报告。
根据本案一实施例,还包含:一分析模型建立元件,与该差异影像产生元件与该对称分析元件电性连接,用以将该第一差异影像以及该第二差异影像分别进行标记以产生一第一标记结果与一第二标记结果;以及利用该第一差异影像、该第二差异影像、该第一标记结果以及该第二标记结果作为训练数据,以产生该影像分析模型。
根据本案一实施例,该特征撷取元件更用以利用一第一门槛值找出一第一乳房区域的一第一边界,利用该第一门槛值找出一第二乳房乳房区域的一第二边界;其中,该第一边界包含多个第一像素,该第二边界包含多个第二像素;分别计算所述多个第一像素以及所述多个第二像素对应的曲率,分别判断所述多个第一像素以及所述多个第二像素对应的曲率是否大于一第二门槛值,将大于该第二门槛值的所述多个第一像素标记为所述多个第一特征,且将大于该第二门槛值的所述多个第二像素标记为所述多个第二特征。
根据本案一实施例,该影像校正元件更用以建立所述多个第一特征以及所述多个第二特征之间的一位置对应关系,基于该第一乳房影像与该位置对应关系产生一第一转换矩阵,基于该第二乳房影像与该位置对应关系产生一第二转换矩阵,根据该第二转换矩阵将该第一乳房影像转换成该第一校准影像,根据该第一转换矩阵将该第二乳房影像转换成该第二校准影像,根据该第一乳房影像的亮度值调整该第二校准影像的亮度值,且根据该第二乳房影像的亮度值调整该第一校准影像的亮度值。
根据本案一实施例,该对称分析元件更用以当该对称分析元件判断该第一差异影像与该第二差异影像为不对称时,计算该第一差异影像与该第二差异影像的其中之一的一不对称区域。
根据本案一实施例,该对称分析元件于计算该不对称区域时,该对称分析元件将该第一差异影像以及该第二差异影像的其中之一作为一计算影像,根据该计算影像中每个像素的像素值将该计算影像区分为多个区域,计算每一该区域对应的一平均像素值,判断每一该区域对应的该平均像素值是否大于一第三门槛值,且将该平均像素值大于该第三门槛值的每一该区域作为该不对称区域。
根据本案一实施例,该对称分析元件将该计算影像区分为所述多个区域时,该对称分析元件利用一影像视窗依序扫描该计算影像,分别判断该影像视窗内的一中心像素的像素值与该中心像素周围的每个邻近像素的像素值之间的一差异值是否小于一第四门槛值,其中若该差异值小于该第四门槛值,该对称分析元件将该中心像素与对应该差异值的该邻近像素划分为同一区域,且若该差异值大于该第四门槛值,该对称分析元件将该中心像素与对应该差异值的该邻近像素划分为不同区域。
本案的第三态样是在提供一种非暂态计算机可读取介质包含至少一指令程序,由一处理器执行该至少一指令程序以实行一乳房影像分析方法,其包含以下步骤:输入一第一乳房影像以及一第二乳房影像;撷取该第一乳房影像的多个第一特征以及该第二乳房影像的多个第二特征;根据所述多个第一特征以及所述多个第二特征校正该第一乳房影像以及该第二乳房影像,以产生一第一校准影像以及一第二校准影像;计算该第一乳房影像与该第二校准影像的一第一差异影像,以及计算该第一校准影像与该第二乳房影像的一第二差异影像;利用一影像分析模型分别判断该第一差异影像与该第二差异影像是否对称,其中于该第一差异影像与该第二差异影像为对称时,产生一对称结果,于该第一差异影像与该第二差异影像为不对称时,产生一不对称结果;以及产生代表该对称结果或该不对称结果产生一分析报告。
本发明的乳房影像分析方法、乳房影像分析系统及非暂态计算机可读取介质,其主要是改进以往计算机软件仅有侦测乳房病灶类型的功能,先撷取乳房成对影像的特征以校准乳房成对影像,计算乳房成对影像的乳房差异影像,再将乳房差异影像输入分类器训练影像分析模型,训练后的影像分析模型可以判断乳房影像是否对称,如果乳房影像有不对称,再进一步判定乳房影像内发生不对称的区域,达到自动判定乳房不对称以及侦测乳房不对称区域的功能。
附图说明
为让本发明的上述和其他目的、特征、优点与实施例能更明显易懂,所附附图的说明如下:
图1是根据本案的一些实施例所绘示的一种乳房影像分析系统的示意图;
图2是根据本案的一些实施例所绘示的处理器的示意图;
图3是根据本案的一些实施例所绘示的一种乳房影像分析方法的流程图;
图4是根据本案的一些实施例所绘示的成对乳房影像的示意图;
图5是根据本案的一些实施例所绘示的步骤S320的流程图;
图6A是根据本案的一些实施例所绘示的乳房边缘的示意图;
图6B是根据本案的一些实施例所绘示的乳房边缘特征点的示意图;
图7是根据本案的一些实施例所绘示的步骤S330的流程图;
图8A是根据本案的一些实施例所绘示的特征点对应关系的示意图;
图8B是根据本案的一些实施例所绘示的第一乳房影像与第二校准影像的示意图;
图8C是根据本案的一些实施例所绘示的第一校准影像与第二乳房影像的示意图;
图9是根据本案的一些实施例所绘示的第一差异影像与第二差异影像的示意图;
图10是根据本案的一些实施例所绘示的步骤S360的流程图;
图11A是根据本案的一些实施例所绘示的计算影像的示意图;以及
图11B是根据本案的一些实施例所绘示的不对称区域的示意图。
具体实施方式
以下揭示提供许多不同实施例或例证用以实施本发明的不同特征。特殊例证中的元件及配置在以下讨论中被用来简化本揭示。所讨论的任何例证只用来作为解说的用途,并不会以任何方式限制本发明或其例证的范围和意义。此外,本揭示在不同例证中可能重复引用数字符号且/或字母,这些重复皆为了简化及阐述,其本身并未指定以下讨论中不同实施例且/或配置之间的关系。
请参阅图1。图1是根据本案的一些实施例所绘示的一种乳房影像分析系统100的示意图。如图1所绘示,乳房影像分析系统100包含储存装置110、处理器120以及显示器130。处理器120电性连接至储存装置110以及显示器130,储存装置110用以储存多张成对乳房影像以及影像分析模型DB,成对乳房影像包含第一乳房影像以及第二乳房影像。于一实施例中,成对乳房影像可以是指同一时间拍摄的左侧乳房影像和右侧乳房影像,或是指不同时间拍摄的左侧乳房影像,或是指不同时间拍摄的右侧乳房影像。显示器130用以显示经过不对称判断后的乳房影像或是显示分析报告。处理器120用以对成对乳房影像进行不对称的判断,如果乳房影像有发生不对称会进一步侦测发生不对称的区域。
于本发明各实施例中,处理器120可以实施为集成电路如微控制单元(microcontroller)、微处理器(microprocessor)、数字信号处理器(digital signalprocessor)、特殊应用集成电路(application specific integrated circuit,ASIC)、逻辑电路或其他类似元件或上述元件的组合。储存装置110可以实施为记忆体、硬盘、随身盘、记忆卡等。
请参阅图2。图2是根据本案的一些实施例所绘示的处理器120的示意图。处理器120包含特征撷取元件121、影像校正元件122、差异影像产生元件123、对称分析元件124、报告产生元件125以及分析模型建立元件126。影像校正元件122与特征撷取元件121以及差异影像产生元件123电性连接,对称分析元件124与差异影像产生元件123以及报告产生元件125电性连接,分析模型建立元件126与差异影像产生元件123以及对称分析元件124电性连接,并且对称分析元件124会利用分析模型建立元件126所产生的影像分析模型DB。
请参阅图3。图3是根据本案的一些实施例所绘示的一种乳房影像分析方法300的流程图。于一实施例中,图3所示的乳房影像分析方法300可以应用于图1的乳房影像分析系统100上,处理器120用以根据下列乳房影像分析方法300所描述的步骤,针对成对乳房影像进行不对称的判断,如果乳房影像内有不对称会进一步侦测发生不对称的区域。
请一并参考图4,图4是根据本案的一些实施例所绘示的成对乳房影像的示意图。乳房影像分析方法300首先执行步骤S310输入第一乳房影像Img1以及第二乳房影像Img2。每次执行不对称侦测时都会输入成对乳房影像。其中,第一乳房影像Img1包含乳房区域R1以及第二乳房影像Img2包含乳房区域R2。如图4所示的实施例中,在乳房区域R1及R2中具有乳腺组织以及脂肪组织(图未示),区域A1是属于胸部肌肉组织;而区域A2则表示为非正常组织,在X光摄影的乳房影像中区域A2会具有较高的亮度值。乳房区域R1在图4中以比较松散的“·”表示。乳房区域R2在图4中以比较密集的“·”表示。而在X光摄影中,乳房区域R1及R2之外的背景区域则是黑色区域,且背景区域具有较低的亮度值(图4中以“网格”表示)。
接着,乳房影像分析方法300执行步骤S320撷取第一乳房影像Img1的多个第一特征以及第二乳房影像Img2的多个第二特征。步骤S320还包含步骤S321~S323,请一并参考图5及图6A,图5是根据本案的一些实施例所绘示的步骤S320的流程图,图6A是根据本案的一些实施例所绘示的乳房边缘的示意图。如图5所示的实施例,乳房影像分析方法300进一步执行步骤S321利用第一门槛值找出乳房区域R1的第一边界E1,以及利用第一门槛值,找出乳房区域R2的第二边界E2。如图6A所示,利用第一门槛值对第一乳房影像Img1中所有的像素进行筛选,大于第一门槛值的像素即为乳房区域R1的像素。通常乳房影像分为背景区域以及乳房区域,背景区域通常是由深色的像素组成,因此利用第一门槛值可以过滤出乳房区域R1或乳房区域R2的像素。接着,找出乳房区域R1的像素后,将乳房区域R1内邻近背景区域的像素标记为第一边界E1的像素。利用同样方式对第二乳房影像Img2进行处理,最后会找出第二乳房影像Img2的第二边界E2。
接着,乳房影像分析方法300进一步执行步骤S322计算第一边界E1的像素以及第二边界E2的像素分别对应的曲率。于一实施例中,请进一步参考图6A,假设第一边界E1和第二边界E2都是由多个像素组成。第一边界E1中的一像素P与邻近的像素组合成为长度为L的一像素集合,像素P位于像素集合的中心位置,根据《公式1》计算像素P的曲率,其中x'和y'分别表示像素集合中像素x轴座标和像素y轴座标一次微分,以及x”和y”分别表示像素集合中像素x轴座标和像素y轴座标二次微分。第一边界E1中4个像素P1、P2、P3及P4分别对应的曲率值c1、c2、c3及c4,而弧线上弧度越大的地方曲率值会越大。第二边界E2上的像素P5、P6、P7、P8及P9也可利用上述的曲率计算方式得出对应的曲率值c5、c6、c7、c8及c9。
接着,乳房影像分析方法300进一步执行步骤S323判断第一边界E1的像素以及第二边界E2的像素分别对应的曲率是否大于第二门槛值,并且将大于第二门槛值的第一边界E1的像素标记为第一特征,大于第二门槛值的第二边界E2的像素标记为第二特征。请一并参考图6B,图6B是根据本案的一些实施例所绘示的乳房边缘特征点的示意图。于一实施例中,利用第二门槛值过滤曲率比较小的像素,曲率比较小的像素通常是比较平缓没有弧度变化的区域,如图6B所示,假设像素P1、P5及P7的曲率小于第二门槛值,如此一来,像素P1、P5及P7不符合特征点的条件,第一边界E1的特征点为像素P2、P3及P4,因此第一边界E1有特征点F2、F3及F4共3个特征点,第二边界E2的特征点为像素P6、P8及P9,因此第二边界E2有特征点F6、F8及F9共3个特征点。
接着,乳房影像分析方法300执行步骤S330根据第一特征以及第二特征校正第一乳房影像Img1以及第二乳房影像Img2,以产生第一校准影像以及第二校准影像。步骤S330还包含步骤S331~S334,请一并参考图7及图8A,图7是根据本案的一些实施例所绘示的步骤S330的流程图,图8A是根据本案的一些实施例所绘示的特征点对应关系的示意图。乳房影像分析方法300进一步执行步骤S331建立第一边界E1的第一特征点F2、F3及F4以及第二边界E2的第二特征点F6、F8及F9之间的位置对应关系。于一实施例中,计算第一边界E1的第一特征点F2、F3及F4以及第二边界E2的第二特征点F6、F8及F9之间的成本矩阵,成本矩阵的计算如《公式2》所示,s(i,j)为成本系数,c1(i)为第一边界E1的第i个特征点的曲率值,c2(j)为第二边界E2的第j个特征点的曲率值。于此实施例中,第一边界E1的第一特征点F2、F3及F4以及第二边界E2的第二特征点F6、F8及F9之间的成本矩阵即为3*3的矩阵。第一边界E1的3个第一特征点F2、F3及F4分别对应第二边界E2的3个第二特征点F6、F8及F9。接着,如图8A所示,再利用动态时间校正(dynamic time warping)对成本矩阵进行最短路径的搜寻,根据搜寻结果产生第一边界E1的第一特征点F2、F3及F4以及第二边界E2的第二特征点F6、F8及F9之间的关联性。
s(i,j)=|c1(i)-c2(j)| 《公式2》
接着,乳房影像分析方法300进一步执行步骤S332基于第一乳房影像Img1与位置对应关系产生第一转换矩阵且基于第二乳房影像Img2与位置对应关系产生第二转换矩阵。于一实施例中,找到特征点之间的对应关系后,可以利用对应关系找出第一乳房影像Img1及第二乳房影像Img2的转换矩阵,转换矩阵得计算如《公式3》所示,(Xi,Yi)为第一边界E1的第i个特征点座标,(Uj,Vj)为第二边界E2的第j个特征点座标。《公式3》计算出的是第一转换矩阵,相反的第二转换矩阵可以由《公式4》产生。
接着,乳房影像分析方法300进一步执行步骤S333根据第一转换矩阵将第二乳房影像Img2转换成第二校准影像COImg2,接着根据第一乳房影像Img1的亮度值调整第二校准影像COImg2的亮度值。请参考图8B,图8B是根据本案的一些实施例所绘示的第一乳房影像Img1与第二校准影像COImg2的示意图。如图8B所示,在利用第一转换矩阵将第二乳房影像Img2转换成第二校准影像COImg2后,第二校准影像COImg2的乳房区域R2的形状将会与第一乳房影像Img1的乳房区域R1类似,换句话说,步骤S332中所得出的第一转换矩阵以及第二转换矩阵可以改变乳房区域R1及R2的形状。接着,利用直方图匹配的转换函数调整第二校准影像COImg2的亮度值。由图4以及图8B所示,校准前的第二乳房影像Img2(乳房区域R2)的亮度较第一乳房影像Img1(乳房区域R1)暗,第二校准影像COImg2的乳房区域R2在进行亮度一致化处理后,第二校准影像COImg2的乳房区域R2的亮度值会与第一乳房影像Img1的乳房区域R1的亮度值类似,意即乳房区域R2的亮度被调亮(图8B中以比较松散的“·”表示乳房区域R1及R2的像素值)。
接着,乳房影像分析方法300进一步执行步骤S334根据第二转换矩阵将第一乳房影像Img1转换成第一校准影像COImg1,接着根据第二乳房影像Img2的亮度值调整第一校准影像的亮度值COImg1。请参考图8C,图8C是根据本案的一些实施例所绘示的第一校准影像COImg1与第二乳房影像Img2的示意图。如图8C所示,在利用第二转换矩阵将第一乳房影像Img1转换成第一校准影像COImg1后,第一校准影像COImg1的乳房区域R1的形状将会与第二乳房影像Img2的乳房区域R2类似。接着,如同上方实施力的操作,利用直方图匹配的转换函数调整第一校准影像COImg1的亮度值。由图4以及图8C所示,校准前的第一乳房影像Img1(乳房区域R1)的亮度较第一乳房影像Img2(乳房区域R2)亮,第一校准影像COImg1的乳房区域R1在进行亮度一致化处理后,第一校准影像COImg1的乳房区域R1的亮度值会与第二乳房影像Img2的乳房区域R2的亮度值类似,意即乳房区域R1的亮度被调暗(图8B中以比较密集的“·”表示乳房区域R1及R2的像素值)。
在经过上述的影像校准操作后,第一乳房影像Img1与第二校准影像COImg2,以及第一校准影像COImg1与第二乳房影像Img2,乳房区域R1及R2的形状与亮度会被调整的较为相似,此操作是为了降低影像之间的差异,使得之后在进行不对称判断时能够更为准确。因为影像之间亮度的不一致或是乳房区域R1及R2的形状不一致都会影响不对称判断的准确率。
接着,乳房影像分析方法300执行步骤S340计算第一乳房影像Img1与第二校准影像COImg2的第一差异影像DiffImg1,以及计算第一校准影像COImg1与第二乳房影像Img2的第二差异影像DiffImg2。请一并参考图4及图9,图9是根据本案的一些实施例所绘示的第一差异影像与第二差异影像的示意图。于一实施例中,第一差异影像DiffImg1是经由将第一乳房影像Img1的像素值减去第二校准影像COImg2的像素值所产生,第二差异影像DiffImg2是经由将第二乳房影像Img2的像素值减去第一校准影像COImg1的像素值所产生。如图9所示,经过步骤S340的计算后,在第一差异影像DiffImg1以及第二差异影像DiffImg2中区域A1的特征将会不明显,意即与周围的乳房组织以及乳腺组织具有相近的灰阶值像素值(图9中以“+”表示)。然而,图4中的区域A2是属于病变的部分在第一差异影像DiffImg1以及第二差异影像DiffImg2中仍然是较明显的区域。区域A3(图9中以“白底”表示)以及区域A4(图9中以密集黑点表示)的差异是在于像素值亮度的不同(因为影像相减造成),区域A3有较亮的像素值,区域A4则是有较暗的像素值。
于一实施例中,乳房影像分析方法300执行步骤S350利用影像分析模型DB分别判断第一差异影像DiffImg1与第二差异影像DiffImg2是否对称,其中于第一差异影像DiffImg1与第二差异影像DiffImg2为对称时,产生对称结果,于第一差异影像DiffImg1与第二差异影像DiffImg2为不对称时,产生不对称结果。在执行步骤S350之前需要先建立影像分析模型DB,根据上述产生的第一差异影像DiffImg1、第二差异影像DiffImg2以及各自对应的标记结果来产生影像分析模型DB。
承上述,计算完第一差异影像DiffImg1以及第二差异影像DiffImg2后,分别对第一差异影像DiffImg1以及第二差异影像DiffImg2分别进行标记以产生第一标记结果与第二标记结果。标记结果是标示差异影像对应的乳房影像是否发生不对称情况,如果发生不对称情况标记结果设定为“1”,如果没有发生不对称的情况,标记结果设定为“0”。当然也可以用其他标记方式,举例而言,如果发生不对称情况标记为“Y”,如果没有发生不对称情况则标记为“N”,本揭露不限于此。于此实施例中,第二差异影像DiffImg2就会被标记为“1”,表示在第二乳房影像Img2中发生不对称的情况。
承上述,接着利用第一差异影像DiffImg1、第二差异影像DiffImg2、第一标记结果以及第二标记作为训练分类器的训练数据。于一实施例中,可以采用支持向量机(Supportvector machine,SVM)、卷积神经网路(Convolutional neural network,CNN)或K-最近邻居法(K-Nearest neighbor algorithm,KNN)等方式来训练分类器(Classifier)。训练好的分类器即为影像分析模型DB可以用来对成对乳房影像自动进行不对称的判断,当输入的差异影像以及标记结果越多,影像分析模型DB在进行不对称判断时可以更准确。
承上述,影像分析模型DB建立完成后会储存在储存装置110中,使用时处理器120会从储存装置110中读取,以用来判断第一差异影像DiffImg1与第二差异影像DiffImg2是否对称,并产生对称结果或不对称结果。于一实施例中,乳房影像分析方法300执行步骤S360如果判断第一差异影像DiffImg1与第二差异影像DiffImg2为不对称时,计算第一差异影像DiffImg1与第二差异影像DiffImg2的其中之一的不对称区域。请参阅图9,如果在步骤S350中影像分析模型对第二差异影像DiffImg2的标记为“1”,标记“1”即为第二差异影像DiffImg2的判断结果,如此一来,判断结果即为“不对称”,因此会进一步对第二差异影像DiffImg2执行不对称区域的计算。
承上述,步骤S360还包含步骤S361~S365,请一并参考图10及图11A,图10是根据本案的一些实施例所绘示的步骤S360的流程图,图11A是根据本案的一些实施例所绘示的计算影像的示意图。乳房影像分析方法300执行步骤S361将第一差异影像DiffImg1以及第二差异影像DiffImg2的其中之一作为计算影像CalImg。接续上方实施例,计算影像CalImg是对应前述的判断结果,如果第二差异影像DiffImg2的标记为“1”即为“不对称”,第二差异影像DiffImg2即为计算影像CalImg。
承上述,乳房影像分析方法300执行步骤S362根据计算影像中每个像素的像素值,将计算影像CalImg区分为多个区域。于一实施例中,会利用影像视窗(Window)扫描计算影像CalImg,接着分别判断影像视窗内的中心像素的像素值与中心像素周围的每个邻近像素的像素值之间的差异值是否小于第四门槛值,如果小于第四门槛值,将中心像素与对应差异值的邻近像素划分为同一区域;以及如果大于第四门槛值,将中心像素与对应差异值的邻近像素划分为不同区域。举例而言,如果影像视窗为3*3的影像视窗,本案并不限于此,也可以是5*5的影像视窗或是7*7的影像视窗。在此以3*3的影像视窗为例,如果某一像素的像素值是125,其周围邻近的8个像素的像素值分别是{128,125,122,120,126,129,130、125},这8个像素的像素值与125的差异值小于第四门槛值(像素值差异小于5),因此可以将这9个像素视为同一区域。如此一来,可以根据每一像素的像素值与邻近像素的像素值的比较结果将计算影像CalImg分成多个区域。
接着,乳房影像分析方法300执行步骤S363计算每一区域对应的平均像素值,步骤S364判断每一区域对应的平均像素值是否大于第三门槛值,以及步骤S365将平均像素值大于第三门槛值的每一区域作为不对称区域。请一并参考图11B,图11B是根据本案的一些实施例所绘示的不对称区域A5的示意图。接续上方实施例,将计算影像CalImg分成多个区域后必须计算每个区域的平均像素值,计算完平均像素值后,再利用第三门槛值过滤平均像素值较低的区域,最后留下平均像素值大于第三门槛值的区域A5也就是发生不对称的区域。
接着,乳房影像分析方法300执行步骤S370根据对称结果或不对称结果产生分析报告。于一实施例中判断成对乳房影像是否对称(Asymmetry)的信息,在标准化乳房影像报告分类系统(Breast Imaging-Reporting and Data System,BI-RADS)中属于关键的特征信息,因此前述的判断结果可以是此分析报告中的一重要信息。接续上方实施例,如果第一乳房影像Img1的判断结果为“0”,分析报告上可以显示为“对称”。反之,如果第二乳房影像Img2的判断结果为“1”,在分析报告上会显示为“不对称”,如果发现第二乳房影像Img2具有不对称状态可以进一步在报告中显示第二乳房影像内发生不对称的区域(步骤S360的执行结果)。
由上述本案的实施方式可知,主要是改进以往计算机辅助分析软件仅有侦测乳房病灶类型的功能,先撷取乳房成对影像的特征以校准乳房成对影像,计算乳房成对影像的乳房差异影像,再将乳房差异影像输入分类器训练影像分析模型,训练后的影像分析模型可以判断乳房影像是否对称,如果乳房影像有不对称,再进一步判定乳房影像内发生不对称的区域,达到自动判定乳房不对称以及侦测乳房不对称区域的功能。
另外,上述例示包含依序的示范步骤,但这些步骤不必依所显示的顺序被执行。以不同顺序执行这些步骤皆在本揭示内容的考量范围内。在本揭示内容的实施例的精神与范围内,可视情况增加、取代、变更顺序及/或省略这些步骤。
虽然本案已以实施方式揭示如上,然其并非用以限定本案,任何熟悉此技艺者,在不脱离本案的精神和范围内,当可作各种的更动与润饰,因此本案的保护范围当视所附的权利要求书所界定的范围为准。
Claims (13)
1.一种乳房影像分析方法,其特征在于,包含:
输入一第一乳房影像以及一第二乳房影像;
撷取该第一乳房影像的多个第一特征以及该第二乳房影像的多个第二特征;
根据所述多个第一特征以及所述多个第二特征校正该第一乳房影像以及该第二乳房影像,以产生一第一校准影像以及一第二校准影像;
计算该第一乳房影像与该第二校准影像的一第一差异影像,以及计算该第一校准影像与该第二乳房影像的一第二差异影像;
利用一影像分析模型分别判断该第一差异影像与该第二差异影像是否对称,其中于该第一差异影像与该第二差异影像为对称时,产生一对称结果,于该第一差异影像与该第二差异影像为不对称时,产生一不对称结果;以及
产生代表该对称结果或该不对称结果的一分析报告,其中,根据所述多个第一特征以及所述多个第二特征校正该第一乳房影像以及该第二乳房影像,还包含:
建立所述多个第一特征以及所述多个第二特征之间的一位置对应关系;
基于该第一乳房影像与该位置对应关系产生一第一转换矩阵且基于该第二乳房影像与该位置对应关系产生一第二转换矩阵;
根据该第二转换矩阵将该第一乳房影像转换成该第一校准影像,以及根据该第一转换矩阵将该第二乳房影像转换成该第二校准影像;以及
根据该第一乳房影像的亮度值调整该第二校准影像的亮度值,以及根据该第二乳房影像的亮度值调整该第一校准影像的亮度值。
2.根据权利要求1所述的乳房影像分析方法,其特征在于,还包含:
将该第一差异影像以及该第二差异影像分别进行标记以产生一第一标记结果与一第二标记结果;以及
利用该第一差异影像、该第二差异影像、该第一标记结果以及该第二标记结果作为训练数据,以产生该影像分析模型。
3.根据权利要求1所述的乳房影像分析方法,其特征在于,撷取该第一乳房影像的所述多个第一特征以及该第二乳房影像的所述多个第二特征,还包含:
利用一第一门槛值找出一第一乳房区域的一第一边界,以及利用该第一门槛值找出一第二乳房区域的一第二边界;其中,该第一边界包含多个第一像素,该第二边界包含多个第二像素;
分别计算所述多个第一像素以及所述多个第二像素对应的曲率;
分别判断所述多个第一像素以及所述多个第二像素对应的曲率是否大于一第二门槛值;以及
将大于该第二门槛值的所述多个第一像素标记为所述多个第一特征,且将大于该第二门槛值的所述多个第二像素标记为所述多个第二特征。
4.根据权利要求1所述的乳房影像分析方法,其特征在于,利用该影像分析模型分别判断该第一差异影像与该第二差异影像是否对称,还包含:
若判断该第一差异影像与该第二差异影像为不对称时,计算该第一差异影像与该第二差异影像的其中之一的一不对称区域。
5.根据权利要求4所述的乳房影像分析方法,其特征在于,计算该不对称区域,还包含:
将该第一差异影像以及该第二差异影像的其中之一作为一计算影像;
根据该计算影像中每个像素的像素值,将该计算影像区分为多个区域;
计算每一该区域对应的一平均像素值;
判断每一该区域对应的该平均像素值是否大于一第三门槛值;以及
将该平均像素值大于该第三门槛值的每一该区域作为该不对称区域。
6.根据权利要求5所述的乳房影像分析方法,其特征在于,根据该计算影像中每个像素的像素值,将该计算影像区分为所述多个区域,还包含:
利用一影像视窗依序扫描该计算影像;
分别判断该影像视窗内的一中心像素的像素值与该中心像素周围的每个邻近像素的像素值之间的一差异值是否小于一第四门槛值;
若该差异值小于该第四门槛值,将该中心像素与对应该差异值的该邻近像素划分为同一区域;以及
若该差异值大于该第四门槛值,将该中心像素与对应该差异值的该邻近像素划分为不同区域。
7.一种乳房影像分析系统,其特征在于,包含:
一储存装置,用以储存一第一乳房影像以及一第二乳房影像;
一处理器,与该储存装置电性连接,该处理器包含:
一特征撷取元件,用以撷取该第一乳房影像的多个第一特征以及该第二乳房影像的多个第二特征;
一影像校正元件,与该特征撷取元件电性连接,用以根据所述多个第一特征以及所述多个第二特征校正该第一乳房影像以及该第二乳房影像,以产生一第一校准影像以及一第二校准影像;
一差异影像产生元件,与该影像校正元件电性连接,用以计算该第一乳房影像与该第二校准影像的一第一差异影像,以及计算该第一校准影像与该第二乳房影像的一第二差异影像;
一对称分析元件,与该差异影像产生元件电性连接,用以利用一影像分析模型分别判断该第一差异影像与该第二差异影像是否对称,于该第一差异影像与该第二差异影像为对称时,该对称分析元件产生一对称结果,于该第一差异影像与该第二差异影像为不对称时,该对称分析元件产生一不对称结果;以及
一报告产生元件,与该对称分析元件电性连接,用以产生代表该对称结果或该不对称结果的一分析报告,
其中,该影像校正元件更用以建立所述多个第一特征以及所述多个第二特征之间的一位置对应关系,基于该第一乳房影像与该位置对应关系产生一第一转换矩阵,基于该第二乳房影像与该位置对应关系产生一第二转换矩阵,根据该第二转换矩阵将该第一乳房影像转换成该第一校准影像,根据该第一转换矩阵将该第二乳房影像转换成该第二校准影像,根据该第一乳房影像的亮度值调整该第二校准影像的亮度值,且根据该第二乳房影像的亮度值调整该第一校准影像的亮度值。
8.根据权利要求7所述的乳房影像分析系统,其特征在于,还包含:
一分析模型建立元件,与该差异影像产生元件与该对称分析元件电性连接,用以将该第一差异影像以及该第二差异影像分别进行标记以产生一第一标记结果与一第二标记结果;以及利用该第一差异影像、该第二差异影像、该第一标记结果以及该第二标记结果作为训练数据,以产生该影像分析模型。
9.根据权利要求7所述的乳房影像分析系统,其特征在于,该特征撷取元件更用以利用一第一门槛值找出一第一乳房区域的一第一边界,利用该第一门槛值找出一第二乳房区域的一第二边界;其中,该第一边界包含多个第一像素,该第二边界包含多个第二像素;分别计算所述多个第一像素以及所述多个第二像素对应的曲率,分别判断所述多个第一像素以及所述多个第二像素对应的曲率是否大于一第二门槛值,将大于该第二门槛值的所述多个第一像素标记为所述多个第一特征,且将大于该第二门槛值的所述多个第二像素标记为所述多个第二特征。
10.根据权利要求7所述的乳房影像分析系统,其特征在于,该对称分析元件更用以当该对称分析元件判断该第一差异影像与该第二差异影像为不对称时,计算该第一差异影像与该第二差异影像的其中之一的一不对称区域。
11.根据权利要求10所述的乳房影像分析系统,其特征在于,该对称分析元件于计算该不对称区域时,该对称分析元件将该第一差异影像以及该第二差异影像的其中之一作为一计算影像,根据该计算影像中每个像素的像素值将该计算影像区分为多个区域,计算每一该区域对应的一平均像素值,判断每一该区域对应的该平均像素值是否大于一第三门槛值,且将该平均像素值大于该第三门槛值的每一该区域作为该不对称区域。
12.根据权利要求11所述的乳房影像分析系统,其特征在于,该对称分析元件将该计算影像区分为所述多个区域时,该对称分析元件利用一影像视窗依序扫描该计算影像,分别判断该影像视窗内的一中心像素的像素值与该中心像素周围的每个邻近像素的像素值之间的一差异值是否小于一第四门槛值,其中若该差异值小于该第四门槛值,该对称分析元件将该中心像素与对应该差异值的该邻近像素划分为同一区域,且若该差异值大于该第四门槛值,该对称分析元件将该中心像素与对应该差异值的该邻近像素划分为不同区域。
13.一种非暂态计算机可读取介质,包含至少一指令程序,由一处理器执行该至少一指令程序以实行一乳房影像分析方法,其特征在于,包含:
输入一第一乳房影像以及一第二乳房影像;
撷取该第一乳房影像的多个第一特征以及该第二乳房影像的多个第二特征;
根据所述多个第一特征以及所述多个第二特征校正该第一乳房影像以及该第二乳房影像,以产生一第一校准影像以及一第二校准影像;
计算该第一乳房影像与该第二校准影像的一第一差异影像,以及计算该第一校准影像与该第二乳房影像的一第二差异影像;
利用一影像分析模型分别判断该第一差异影像与该第二差异影像是否对称,其中于该第一差异影像与该第二差异影像为对称时,产生一对称结果,于该第一差异影像与该第二差异影像为不对称时,产生一不对称结果;以及
产生代表该对称结果或该不对称结果产生一分析报告,其中,根据所述多个第一特征以及所述多个第二特征校正该第一乳房影像以及该第二乳房影像,还包含:
建立所述多个第一特征以及所述多个第二特征之间的一位置对应关系;
基于该第一乳房影像与该位置对应关系产生一第一转换矩阵且基于该第二乳房影像与该位置对应关系产生一第二转换矩阵;
根据该第二转换矩阵将该第一乳房影像转换成该第一校准影像,以及根据该第一转换矩阵将该第二乳房影像转换成该第二校准影像;以及
根据该第一乳房影像的亮度值调整该第二校准影像的亮度值,以及根据该第二乳房影像的亮度值调整该第一校准影像的亮度值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107135445A TWI675646B (zh) | 2018-10-08 | 2018-10-08 | 乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體 |
TW107135445 | 2018-10-08 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091895A CN111091895A (zh) | 2020-05-01 |
CN111091895B true CN111091895B (zh) | 2023-04-07 |
Family
ID=69189072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811277282.4A Active CN111091895B (zh) | 2018-10-08 | 2018-10-30 | 乳房影像分析方法、系统及非暂态计算机可读取介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10825174B2 (zh) |
CN (1) | CN111091895B (zh) |
TW (1) | TWI675646B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11657497B2 (en) * | 2019-03-26 | 2023-05-23 | The Johns Hopkins University | Method and apparatus for registration of different mammography image views |
CN111681205B (zh) * | 2020-05-08 | 2023-04-07 | 上海联影智能医疗科技有限公司 | 图像分析方法、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101529430A (zh) * | 2006-08-16 | 2009-09-09 | 梅维斯胸部护理两合公司 | 用于呈现对象图像的呈现方法、呈现设备和计算机程序 |
CN105611876A (zh) * | 2013-09-30 | 2016-05-25 | 富士胶片株式会社 | 乳房厚度测定装置和乳房厚度测定方法 |
CN105960204A (zh) * | 2013-11-29 | 2016-09-21 | 普兰梅德有限公司 | 用于断层合成的乳房x射线摄影成像布置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6996549B2 (en) * | 1998-05-01 | 2006-02-07 | Health Discovery Corporation | Computer-aided image analysis |
US20100266179A1 (en) * | 2005-05-25 | 2010-10-21 | Ramsay Thomas E | System and method for texture visualization and image analysis to differentiate between malignant and benign lesions |
EP1780651A1 (en) * | 2005-10-25 | 2007-05-02 | Bracco Imaging, S.P.A. | Method and system for automatic processing and evaluation of images, particularly diagnostic images |
US8285019B2 (en) * | 2006-02-10 | 2012-10-09 | Synarc Inc. | Breast tissue density measure |
US10055842B2 (en) * | 2016-07-29 | 2018-08-21 | Case Western Reserve University | Entropy-based radiogenomic descriptions on magnetic resonance imaging (MRI) for molecular characterization of breast cancer |
US11449985B2 (en) * | 2016-12-02 | 2022-09-20 | Regents Of The University Of Minnesota | Computer vision for cancerous tissue recognition |
-
2018
- 2018-10-08 TW TW107135445A patent/TWI675646B/zh active
- 2018-10-30 CN CN201811277282.4A patent/CN111091895B/zh active Active
- 2018-11-13 US US16/188,319 patent/US10825174B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101529430A (zh) * | 2006-08-16 | 2009-09-09 | 梅维斯胸部护理两合公司 | 用于呈现对象图像的呈现方法、呈现设备和计算机程序 |
CN105611876A (zh) * | 2013-09-30 | 2016-05-25 | 富士胶片株式会社 | 乳房厚度测定装置和乳房厚度测定方法 |
CN105960204A (zh) * | 2013-11-29 | 2016-09-21 | 普兰梅德有限公司 | 用于断层合成的乳房x射线摄影成像布置 |
Also Published As
Publication number | Publication date |
---|---|
CN111091895A (zh) | 2020-05-01 |
US10825174B2 (en) | 2020-11-03 |
TW202014149A (zh) | 2020-04-16 |
US20200111211A1 (en) | 2020-04-09 |
TWI675646B (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
US10388018B2 (en) | Image processing apparatus, image processing method, and storage medium | |
US9697611B2 (en) | Apparatus and method for detecting error in lesion contour, apparatus and method for correcting error in lesion contour, and apparatus for inspecting error in lesion contour | |
JP6115214B2 (ja) | パターン処理装置、パターン処理方法、パターン処理プログラム | |
CN109635871B (zh) | 一种基于多特征融合的胶囊内窥镜图像分类方法 | |
CN105009170A (zh) | 物体识别设备、方法和存储介质 | |
CN106326887B (zh) | 一种光学字符识别结果的校验方法及装置 | |
KR102519515B1 (ko) | 정보 처리 장치, 정보 처리 방법, 컴퓨터 프로그램 | |
US20110013232A1 (en) | Image processing device, image processing system, image processing method and computer readable medium | |
JP2007236939A (ja) | 乳房辺縁検出のための方法および装置 | |
JP2016009984A (ja) | 画像処理装置、内視鏡システム及び画像処理方法 | |
CN110782428B (zh) | 一种用于构建临床脑部ct图像roi模板的方法及系统 | |
JPWO2017109854A1 (ja) | 学習画像自動選別装置、学習画像自動選別方法および学習画像自動選別プログラム | |
CN111091895B (zh) | 乳房影像分析方法、系统及非暂态计算机可读取介质 | |
US20120140996A1 (en) | Striped pattern image examination support device, striped pattern image examination support method and program | |
CN112164043A (zh) | 一种用于多眼底图像拼接的方法及系统 | |
US11900664B2 (en) | Reading system, reading device, reading method, and storage medium | |
CN112381811A (zh) | 一种实现医学影像数据标注的方法、装置及设备 | |
JP2020024741A (ja) | 読取システム、読取方法、プログラム、及び記憶媒体 | |
CN112241947B (zh) | 多视角乳房影像分析方法、系统及非暂态计算机可读取媒体 | |
JP6643301B2 (ja) | 欠陥検査装置及び欠陥検査方法 | |
JP7019104B2 (ja) | 閾値の学習方法 | |
CN110033466B (zh) | 一种基于多灰度级的冠脉拉直图像分割边界确定方法 | |
JP2022147713A (ja) | 画像生成装置、学習装置、及び、画像生成方法 | |
JP2019145182A (ja) | 読取システム、読取方法、プログラム、及び記憶媒体 |
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 |