CN111462065B - 超声、红外序列图像融合的乳腺癌检测方法及其系统 - Google Patents

超声、红外序列图像融合的乳腺癌检测方法及其系统 Download PDF

Info

Publication number
CN111462065B
CN111462065B CN202010233605.0A CN202010233605A CN111462065B CN 111462065 B CN111462065 B CN 111462065B CN 202010233605 A CN202010233605 A CN 202010233605A CN 111462065 B CN111462065 B CN 111462065B
Authority
CN
China
Prior art keywords
image
frequency information
low
fusion
ultrasonic
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
CN202010233605.0A
Other languages
English (en)
Other versions
CN111462065A (zh
Inventor
李世维
马贝
高爽
谢晓青
何芸芸
容若文
张国旺
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.)
Zhejiang Dolby Medical Technology Co ltd
Original Assignee
Zhejiang Dolby Medical Technology Co ltd
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 Zhejiang Dolby Medical Technology Co ltd filed Critical Zhejiang Dolby Medical Technology Co ltd
Priority to CN202010233605.0A priority Critical patent/CN111462065B/zh
Publication of CN111462065A publication Critical patent/CN111462065A/zh
Application granted granted Critical
Publication of CN111462065B publication Critical patent/CN111462065B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10048Infrared image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10132Ultrasound image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20048Transform domain processing
    • G06T2207/20064Wavelet transform [DWT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20212Image combination
    • G06T2207/20221Image fusion; Image merging
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20212Image combination
    • G06T2207/20224Image subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30068Mammography; Breast
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本申请公开了一种超声、红外序列图像融合的乳腺癌检测方法及其系统,方法包括:分别获取乳腺红外图像和超声图像,基于离散二维小波变换,分别获取序列乳腺红外图像、超声图像的高频信息和低频信息;基于融合规则获取图像的总高频信息和总低频信息;基于所述总高频信息和总低频信息,在离散二维小波逆变换的作用下进行图像融合,形成作为诊断判断的乳腺图像。在本申请实施例中,采用对人体无害的影像学检测方法,融合了序列乳腺红外图像的动态强度信息以及超声图像包含纹理、边缘信息,通过帧差法和伪彩色处理,使得融合后的图像具有的颜色信息,同时纹理、边缘等信息更加明显,便于观察,有利于进行准确的进行乳腺癌的检测。

Description

超声、红外序列图像融合的乳腺癌检测方法及其系统
技术领域
本申请涉及技术领域,尤其涉及一种超声、红外序列图像融合的乳腺癌检测方法及其系统。
背景技术
乳腺癌作为女性最常见的恶性肿瘤之一,发病率占全身各种恶性肿瘤的7-10%,已成为威胁妇女健康的主要病因,因此对于乳腺癌的检测具有非常重要的临床意义。目前现有乳腺癌的影像学检测方法主要是依靠红外,钼靶、超声、MRI图像等,由于单一乳腺图像可提供的信息有限,而且各种乳腺图像所包含的特征不一样,此外,钼靶和MRI对人体都有辐射。
发明内容
为了解决上述技术问题,本申请实施例提供一种超声、红外序列图像融合的乳腺癌检测方法、系统及可存储介质。
本申请实施例第一方面提供了一种超声、红外序列图像融合的乳腺癌检测方法,可包括:
分别获取乳腺红外图像和超声图像,基于离散二维小波变换,分别获取序列乳腺红外图像的高频信息和低频信息、超声图像的高频信息和低频信息;
基于区域方差的融合规则以及区域能量的融合规则获取图像的总高频信息和总低频信息;
基于所述总高频信息和总低频信息,在离散二维小波逆变换的作用下进行图像融合,形成作为诊断判断的乳腺图像。
进一步地,所述分别获取乳腺红外图像和超声图像,基于离散二维小波变换,分别获取序列乳腺红外图像的高频信息和低频信息、超声图像的高频信息和低频信息具体包括:
获取同一患者同一时刻同一部位下的乳腺红外图像和超声图像,并进行线性滤波;
基于离散二维小波变换对滤波之后的两种图像进行变换,分别形成各自的高频信息和低频信息。
进一步地,所述基于区域方差的融合规则以及区域能量的融合规则获取图像的总高频信息和总低频信息具体包括:
基于区域方差的融合规则将所述乳腺红外图像的高频信息和超声图像的高频信息进行融合,获取图像的总高频信息;
基于区域能量的融合规则将所述乳腺红外图像的低频信息和超声图像的低频信息进行融合,获取图像的总低频信息。
进一步地,所述基于所述总高频信息和总低频信息,在离散二维小波逆变换的作用下进行图像融合,形成作为诊断判断的乳腺图像具体包括:
获取总高频信息的图像以及总低频信息的图像,利用离散二维小波逆变换进行图像融合,得到融合图像;
基于所述融合图像,利用帧差法进行处理后再利用伪彩色处理,输出所得到的融合图像。
本申请实施例第二方面提供了一种超声、红外序列图像融合的乳腺癌检测系统,包括:
图像获取单元,用于获取乳腺红外图像和超声图像;
图像分离单元,用于分离图像形成高频信息图像和低频信息图像;
图像融合单元,用于融合乳腺红外图像的高频信息图像和超声图像的高频信息图像获得总高频信息图像,融合乳腺红外图像的低频信息图像和超声图像的低频信息图像获得总低频信息图像,
图像输出单元,基于所述总高频信息和总低频信息,在离散二维小波逆变换的作用下进行图像融合,形成作为诊断判断的乳腺图像并输出。
进一步地,所述图像获取单元中所获取的乳腺红外图像和超声图像为同一患者同一时刻同一部位下所采集获得;
所述图像获取单元对所获取的图像进行线性滤波。
进一步地,所述图像分离单元用于对图像获取单元处理后的图像进行离散二维小波变换,分别获取序列乳腺红外图像的高频信息图像和低频信息图像、超声图像的高频信息图像和低频信息图像。
进一步地,所述图像融合单元具体包括:
高频图像获取单元,用于将所述乳腺红外图像的高频信息图像和超声图像的高频信息图像基于区域方差的融合规则进行融合,获取图像的总高频信息图像;
低频图像获取单元,用于将所述乳腺红外图像的低频信息图像和超声图像的低频信息图像基于区域能量的融合规则进行融合,获取图像的总低频信息图像。
进一步地,所述图像输出单元具体包括:
图像逆变换单元,用于对所获取总高频信息图像和总低频信息图像利用离散二维小波逆变换进行图像融合;
图像输出单元,用于将所述图像逆变换单元所得到的融合图像,利用帧差法进行处理后再利用伪彩色处理,获得所需要输出的融合图像。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现上述第一方面的方法。
在本申请实施例中,采用对人体无害的影像学检测方法,融合了序列乳腺红外图像的动态强度信息以及超声图像包含纹理、边缘信息,通过帧差法和伪彩色处理,使得融合后的图像具有的颜色信息,同时纹理、边缘等信息更加明显,便于观察,有利于进行准确的进行乳腺癌的检测。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的方法流程示意图;
图2是本申请实施例提供的系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
本方法采用对人体无害的影像学检测方法,融合了序列乳腺红外图像的动态强度信息以及超声图像包含纹理、边缘信息,通过帧差法和伪彩色处理,使得融合后的图像具有的颜色信息,同时纹理、边缘等信息更加明显,便于观察,有利于进行准确的进行乳腺癌的检测。
具体地包括:
S101:分别获取乳腺红外图像和超声图像,基于离散二维小波变换,分别获取序列乳腺红外图像的高频信息和低频信息、超声图像的高频信息和低频信息。
可以理解的是,作为数据采集的相关内容,本申请中获取同一患者同一时刻同一部位下的乳腺红外图像和超声图像,并进行线性滤波。
将不同时间下的同一患者同一时刻同一部位的乳腺红外图像
Figure BDA0002428831720000061
和超声图像/>
Figure BDA0002428831720000062
经过一维线性滤波,其中一维线性滤波器为/>
Figure BDA0002428831720000063
式中:/>
Figure BDA0002428831720000064
为一维线性滤波器后图像,/>
Figure BDA0002428831720000065
表示原始的序列乳腺红外图像/>
Figure BDA0002428831720000066
或超声图像/>
Figure BDA0002428831720000067
G为1×3的模板窗口,其数值为[0.25,0.5,0.25],U是乳腺红外图像采集系统得到的人体红外乳腺图像序列的帧数,其值为13或23(本实施例中选择23)。一维线性滤波的目的在于滤除源图像在采集过程中由于外界环境等引起的噪声,而这些噪声通过是以离散的点的形式分布在图像中,因此,采用一维线性滤波器,可以在尽可能保留源图像的同时,去掉异常的噪声点。
由于傅里叶变换是一种全局性的变换,在对信号进行处理分析的过程中,其只能提取信号的频率信息,但是不能精确的定位到具体的时域,而小波可以对信号进行时频分析,能够得到信号多尺度多分辨率的下的高低频信息,其中高频信息主要包含图像的边缘、纹理、形状等细节信息,低频信息主要包含了图像的强度等近似信息。小波变换从数学角度来看,其主要核心为小波基函数,本算法采用的小波基函数为db4,见公式
Figure BDA0002428831720000071
为连续的小波基函数,为了得到离散二维小波变换,需要对a,b这两个因子离散化的选择。
假设令a0>1且b0>1,则离散二维小波变换的基函数可以定义为如式:
Figure BDA0002428831720000072
假设f(x1,x2)∈L2(R)表示二维图像,通过对其进行伸缩、平移变换就可以得到二维小波基函数/>
Figure BDA0002428831720000073
见式/>
Figure BDA0002428831720000074
其中a、b1、b2是进行伸缩,平移过程中所涉及到的比例系数,进一步可表示为
Figure BDA0002428831720000075
这里的Wf表示/>
Figure BDA0002428831720000076
通过线性扩展的闭包集合。由于离散二维小波变换可以看作是图像通过低通滤波H(n)加上高通滤波G(n)后分解与合成,/>
Figure BDA0002428831720000077
式中:Hr和Hc表示高通滤波器;Gr和Gc表示低通滤波器;r表示图像的行、c表示图像的列;i和j分别表示图像任意点的横、纵坐标,其范围为1≤i≤r,1≤j≤c;Cq+1表示图像的低频子带;/>
Figure BDA0002428831720000078
分别表示图像在x,y,xy方向的边缘细节信息,即高频子带。
S201:基于区域方差的融合规则以及区域能量的融合规则获取图像的总高频信息和总低频信息。
可以理解的是,在分别得到各自的高频信息和低频信息之后,由于高频信息主要包含图像的细节信息,采用区域方差的融合规则可以提高高频信息的对比度;低频信息主要包含是图像的近似信息,采用区域能量的融合规则可以提高整体图像的清晰度,充分保留红外乳腺图像的强度信息。
作为一个具体的实施例,低频子带图像融合规则,用平均区域能量的最大作为图像融合的算法,计算公式采用
Figure BDA0002428831720000081
表示乳腺红外图像的低频子带,/>
Figure BDA0002428831720000082
表示超声图像的低频子带,均采用上面的公式计算得到;区域大小设置为3×3,区域能量/>
Figure BDA0002428831720000083
Figure BDA0002428831720000084
表示乳腺红外图像的区域能量,/>
Figure BDA0002428831720000085
表示超声图像的区域能量,I表示大小为M×N的区域。由于区域能量可以直观反映源图像的强度信息,因此为了便于后续进行强度分析,这里采用区域能量融合的方法,可以保留源图像的强度信息。
高频子带图像融合规则用区域方差最大作为图像融合的算法
Figure BDA0002428831720000086
其中Dq+1代表/>
Figure BDA0002428831720000087
的高频子带信息,区域大小设置为3×3,区域方差Std(I),其表达式为/>
Figure BDA0002428831720000088
式中,/>
Figure BDA0002428831720000089
表示乳腺红外图像的高频子带,/>
Figure BDA0002428831720000091
表示超声图像的高频子带,
Figure BDA0002428831720000092
表示乳腺红外图像的高频子带的区域方差,/>
Figure BDA0002428831720000093
表示超声图像的高频子带的区域方差,I表示大小为M×N的区域,I(i,j)表示区域I中像素点(i,j)的灰度值,/>
Figure BDA0002428831720000094
表示区域I的灰度平均值。区域方差可以反映区域信息的含量,能够很好的保留源图像的比如纹理、边缘等细节信息,有效的提高图像的对比度。
S301:基于所述总高频信息和总低频信息,在离散二维小波逆变换的作用下进行图像融合,形成作为诊断判断的乳腺图像。
可以理解的是,在获取了融合图像之后,需要将两种图像进行融合以得到最终所能够针对其内容进行乳腺癌诊断的数据图像,在本申请中利用离散二维小波逆变换就可以得到融合图像,重复这一过程,就可以得到序列图像的融合图像。
为了更好的提高融合图像的对比度和视觉效果,利用帧差法和伪彩处理,得到融合后的伪彩图像,根据纹理、边缘等信息,结合伪彩图像随时间的颜色分布和深浅就可以进行乳腺癌诊断。
作为一个具体的实施例,离散二维小波逆变换根据上述融合后的系数{Cq+1,Dq+1},采用离散二维小波逆变换,见式,
Figure BDA0002428831720000095
重复上述过程,就可以得到融合图像It,t=1,2...U,U为所融合的图像的个数,这里所采用的低通滤波H(n)以及高通滤波G(n)均为之前在进行离散二维小波变换时所涉及到的低通滤波和高通滤波。
为了得到融合图像随时间对光强的吸收变化,采用帧差法即以t1时刻的融合图像I1(i,j)为基准,后续的每一帧图像都减去该融合图像,见式,Ft(i,j)=It(i,j)-I1(i,j),Ft(i,j)表示经过帧差法处理后的融合图像。
针对融合图像的源图像中乳腺红外图像中无氧血红蛋白对光的吸收强度很微弱,其强度变化很小,无法进行直观判断。
为了提高其对比度,便于视觉观察,可以加入伪彩色处理方式:
计算所有融合图像绝对值的最大值
Figure BDA0002428831720000101
设定颜色阈值thld范围/>
Figure BDA0002428831720000102
其中k=1,2,...256,这样就可以得到不同灰度范围下,其对应映射的颜色信息。
将融合图像Ft中各个灰度值转换成对应的r,g,b的值。当Ft(i,j)≥thld(k)且Ft(i,j)≤thld(k+1)时,
Figure BDA0002428831720000103
其中map(k,1)、map(k,2)、map(k,3)为r、g、b的线性颜色表,这样就可以得到了包含颜色信息的融合图像/>
Figure BDA0002428831720000104
本申请实施例还提供一种超声、红外序列图像融合的乳腺癌检测系统,该系统用于执行前述任一项上述识别方法。具体地,参见图2,本实施例的系统包括图像获取单元310、图像分离单元320、图像融合单元330和图像输出单元340。
图像获取单元310用于获取乳腺红外图像和超声图像,具体地,获取的乳腺红外图像和超声图像为同一患者同一时刻同一部位下所采集获得,图像获取单元310利用一级线性滤波器对图像进行滤波。
图像分离单元320,用于离散二维小波变换,分别获取序列乳腺红外图像的高频信息图像和低频信息图像、超声图像的高频信息图像和低频信息图像。
具体地,图像分离单元320内部包括高频图像获取单元321和低频图像获取单元322,高频图像获取单元321用于将乳腺红外图像的高频信息图像和超声图像的高频信息图像基于区域方差的融合规则进行融合后获取图像的总高频信息图像,低频图像获取单元322用于将所述乳腺红外图像的低频信息图像和超声图像的低频信息图像基于区域能量的融合规则进行融合后获取图像的总低频信息图像。
图像融合单元330,用于融合乳腺红外图像的高频信息图像和超声图像的高频信息图像获得总高频信息图像,融合乳腺红外图像的低频信息图像和超声图像的低频信息图像获得总低频信息图像。
图像输出单元340,基于总高频信息和总低频信息,在离散二维小波逆变换的作用下进行图像融合,形成作为诊断判断的乳腺图像并输出。
具体图像输出单元340包括:
图像逆变换单元341,用于对所获取总高频信息图像和总低频信息图像利用离散二维小波逆变换进行图像融合;
图像输出单元342,用于将所述图像逆变换单元所得到的融合图像,利用帧差法进行处理后再利用伪彩色处理,获得所需要输出的融合图像,结合伪彩图像随时间的颜色分布和深浅就可以进行乳腺癌诊断。
以上详细描述了本发明的优选实施方式,但是本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等),这些等同变换均属于本发明的保护。

Claims (4)

1.一种超声、红外序列图像融合的乳腺癌检测方法,其特征在于,包括:
S101:分别获取乳腺红外图像和超声图像,基于离散二维小波变换,分别获取序列乳腺红外图像的高频信息和低频信息、超声图像的高频信息和低频信息;
S201:基于区域方差的融合规则以及区域能量的融合规则获取图像的总高频信息和总低频信息;
S301:基于所述总高频信息和总低频信息,在离散二维小波逆变换的作用下进行图像融合,形成作为诊断判断的乳腺图像;
所述S101具体包括:
获取同一患者同一时刻同一部位下的乳腺红外图像和超声图像,并进行线性滤波;
基于离散二维小波变换对滤波之后的两种图像进行变换,分别形成各自的高频信息和低频信息;
所述S201具体包括:
基于区域方差的融合规则将所述乳腺红外图像的高频信息和超声图像的高频信息进行融合,获取图像的总高频信息;
基于区域能量的融合规则将所述乳腺红外图像的低频信息和超声图像的低频信息进行融合,获取图像的总低频信息;
所述S301具体包括:
获取总高频信息的图像以及总低频信息的图像,利用离散二维小波逆变换进行图像融合,得到融合图像;
基于所述融合图像,利用帧差法进行处理后再利用伪彩色处理,输出所得到的融合图像。
2.一种超声、红外序列图像融合的乳腺癌检测系统,其特征在于,包括:
图像获取单元,用于获取乳腺红外图像和超声图像;
图像分离单元,用于分离图像形成高频信息图像和低频信息图像;
图像融合单元,用于融合乳腺红外图像的高频信息图像和超声图像的高频信息图像获得总高频信息图像,融合乳腺红外图像的低频信息图像和超声图像的低频信息图像获得总低频信息图像,
图像输出单元,基于所述总高频信息和总低频信息,在离散二维小波逆变换的作用下进行图像融合,形成作为诊断判断的乳腺图像并输出;
其中,所述图像获取单元中所获取的乳腺红外图像和超声图像为同一患者同一时刻同一部位下所采集获得;
所述图像获取单元对所获取的图像进行线性滤波;
所述图像分离单元用于对图像获取单元处理后的图像进行离散二维小波变换,分别获取序列乳腺红外图像的高频信息图像和低频信息图像、超声图像的高频信息图像和低频信息图像;
所述图像融合单元具体包括:
高频图像获取单元,用于将所述乳腺红外图像的高频信息图像和超声图像的高频信息图像基于区域方差的融合规则进行融合,获取图像的总高频信息图像;
低频图像获取单元,用于将所述乳腺红外图像的低频信息图像和超声图像的低频信息图像基于区域能量的融合规则进行融合,获取图像的总低频信息图像。
3.根据权利要求2所述的超声、红外序列图像融合的乳腺癌检测系统,其特征在于,
所述图像输出单元具体包括:
图像逆变换单元,用于对所获取总高频信息图像和总低频信息图像利用离散二维小波逆变换进行图像融合;
图像输出单元,用于将所述图像逆变换单元所得到的融合图像,利用帧差法进行处理后再利用伪彩色处理,获得所需要输出的融合图像。
4.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该计算机程序被处理器执行时,实现上述权利要求1所述的方法。
CN202010233605.0A 2020-03-27 2020-03-27 超声、红外序列图像融合的乳腺癌检测方法及其系统 Active CN111462065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010233605.0A CN111462065B (zh) 2020-03-27 2020-03-27 超声、红外序列图像融合的乳腺癌检测方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010233605.0A CN111462065B (zh) 2020-03-27 2020-03-27 超声、红外序列图像融合的乳腺癌检测方法及其系统

Publications (2)

Publication Number Publication Date
CN111462065A CN111462065A (zh) 2020-07-28
CN111462065B true CN111462065B (zh) 2023-06-27

Family

ID=71683557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010233605.0A Active CN111462065B (zh) 2020-03-27 2020-03-27 超声、红外序列图像融合的乳腺癌检测方法及其系统

Country Status (1)

Country Link
CN (1) CN111462065B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116004B (zh) * 2020-09-18 2021-11-02 推想医疗科技股份有限公司 病灶分类方法及装置、病灶分类模型的训练方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000055644A1 (en) * 1999-03-16 2000-09-21 De Montfort University Methods and apparatus for imaging
CN105654432A (zh) * 2015-12-23 2016-06-08 华中科技大学 一种气动热辐射效应的频域校正方法
CN106780451A (zh) * 2016-12-07 2017-05-31 西安电子科技大学 X射线、超声、红外图像融合乳腺肿块图像检测方法
WO2018086289A1 (zh) * 2016-11-10 2018-05-17 武汉精测电子集团股份有限公司 显示面板自动光学检测中的背景抑制方法及检测装置
WO2018120936A1 (en) * 2016-12-27 2018-07-05 Zhejiang Dahua Technology Co., Ltd. Systems and methods for fusing infrared image and visible light image
CN108694708A (zh) * 2017-04-07 2018-10-23 南京理工大学 基于图像边缘提取的小波变换图像融合方法
CN110110786A (zh) * 2019-05-06 2019-08-09 电子科技大学 一种基于nsct与dwt的红外与可见光图像融合方法
KR20190122606A (ko) * 2019-10-11 2019-10-30 엘지전자 주식회사 차량 내 객체 모니터링 장치 및 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6898331B2 (en) * 2002-08-28 2005-05-24 Bae Systems Aircraft Controls, Inc. Image fusion system and method
WO2010032401A1 (ja) * 2008-09-19 2010-03-25 パナソニック株式会社 ズームレンズ系、撮像装置及びカメラ
US9307958B2 (en) * 2010-08-05 2016-04-12 Kabushiki Kaisha Toshiba Ultrasonic diagnostic apparatus and an ultrasonic image processing apparatus
CN102637297B (zh) * 2012-03-21 2014-02-05 武汉大学 一种基于Curvelet变换的可见光与红外图像融合方法
CN104376549B (zh) * 2014-11-20 2017-07-18 华北电力大学(保定) 血管内超声与血管内oct图像的融合方法
CN106022218B (zh) * 2016-05-06 2019-07-05 浙江工业大学 一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法
CN106611409B (zh) * 2016-11-18 2019-07-16 哈尔滨工程大学 一种基于二次图像融合的小目标增强检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000055644A1 (en) * 1999-03-16 2000-09-21 De Montfort University Methods and apparatus for imaging
CN105654432A (zh) * 2015-12-23 2016-06-08 华中科技大学 一种气动热辐射效应的频域校正方法
WO2018086289A1 (zh) * 2016-11-10 2018-05-17 武汉精测电子集团股份有限公司 显示面板自动光学检测中的背景抑制方法及检测装置
CN106780451A (zh) * 2016-12-07 2017-05-31 西安电子科技大学 X射线、超声、红外图像融合乳腺肿块图像检测方法
WO2018120936A1 (en) * 2016-12-27 2018-07-05 Zhejiang Dahua Technology Co., Ltd. Systems and methods for fusing infrared image and visible light image
CN108694708A (zh) * 2017-04-07 2018-10-23 南京理工大学 基于图像边缘提取的小波变换图像融合方法
CN110110786A (zh) * 2019-05-06 2019-08-09 电子科技大学 一种基于nsct与dwt的红外与可见光图像融合方法
KR20190122606A (ko) * 2019-10-11 2019-10-30 엘지전자 주식회사 차량 내 객체 모니터링 장치 및 방법

Also Published As

Publication number Publication date
CN111462065A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
Wu et al. Evaluation of various speckle reduction filters on medical ultrasound images
Zhang et al. Wavelet and fast bilateral filter based de-speckling method for medical ultrasound images
CN109961411B (zh) 非下采样剪切波变换医学ct图像去噪方法
CN110101362B (zh) 一种关于oct和octa的图像噪声去除的方法
CN104240203A (zh) 基于小波变换和快速双边滤波的医学超声图像去噪方法
CN109598680B (zh) 基于快速非局部均值和tv-l1模型的剪切波变换医学ct图像去噪方法
EP2531094A1 (en) Photoacoustic apparatus and a method for its use to acquire biofunctional information
KR20110013026A (ko) 2차원 초음파 영상에 대응하는 2차원 ct 영상을 제공하는 시스템 및 방법
Morin et al. Alternating direction method of multipliers framework for super-resolution in ultrasound imaging
CN104318527A (zh) 基于小波变换和引导滤波器的医学超声图像去噪方法
CN116342444B (zh) 一种双通道多模态图像融合方法及电子设备
CN111462065B (zh) 超声、红外序列图像融合的乳腺癌检测方法及其系统
Raj et al. Ultrasound medical image denoising using hybrid bilateral filtering
CN109035156B (zh) 基于dnst的医学ct图像去噪方法
KR100778823B1 (ko) 초음파 영상 처리 시스템 및 방법
CN105225237B (zh) 光声显微血管图像分割和量化方法及装置
CN111242853A (zh) 基于光流处理的医学ct图像去噪方法
Nicolae et al. Image analysis of kidney using wavelet transform
EP2168494A1 (en) Ultrasound volume data processing
JP2017516590A (ja) 微細構造解析データのデータ品質を評価し向上させる方法
CN102599910A (zh) 磁共振动态成像方法及系统
Rawat et al. Investigation and assessment of disorder of ultrasound B-mode images
Kumar et al. Denoising of Iris image using stationary wavelet transform
Tamilselvan et al. Brain tumor detection from clinical CT and MRI images using WT-FCM algorithm
CN102646270A (zh) 一种超声图像噪声抑制方法

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