CN111815610B - 一种病变图像的病灶检测方法及装置 - Google Patents
一种病变图像的病灶检测方法及装置 Download PDFInfo
- Publication number
- CN111815610B CN111815610B CN202010669037.9A CN202010669037A CN111815610B CN 111815610 B CN111815610 B CN 111815610B CN 202010669037 A CN202010669037 A CN 202010669037A CN 111815610 B CN111815610 B CN 111815610B
- Authority
- CN
- China
- Prior art keywords
- feature map
- preset
- priori
- lesion
- background
- 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
- 230000003902 lesion Effects 0.000 title claims abstract description 146
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 230000004927 fusion Effects 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000007499 fusion processing Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000003211 malignant effect Effects 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 9
- 210000000481 breast Anatomy 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 238000002604 ultrasonography Methods 0.000 description 6
- 208000026310 Breast neoplasm Diseases 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 206010006187 Breast cancer Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请公开了一种病变图像的病灶检测方法及装置，方法包括：根据预置先验聚类算法在预置病变图像中提取背景先验特征图；通过自适应阈值分割算法在背景先验特征图中获取潜在目标区域，并计算潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；采用预置Log‑Gabor滤波器对预置病变图像进行带通滤波处理，得到频率先验特征图；将背景先验特征图、中心先验特征图和频率先验特征图进行特征图融合处理，得到融合先验特征图；采用预置图像分割算法对融合先验特征图进行平滑优化处理，得到目标病灶检测结果。本申请解决了现有技术对图像质量较差、病灶面积较小且边界较为模糊的病变图像的检测效果较差的技术问题。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种病变图像的病灶检测方法及装置。
背景技术
乳腺癌作为全世界妇女最常见的癌症，是目前导致全世界女性死亡的主要癌症之一。有数据显示，乳腺癌的发病率呈逐年上升的趋势，发病也逐渐年轻化。近几年的临床研究发现，如果乳腺肿瘤能够早期发现并进行有效治疗，则可以很大的提高治愈成功率，所以，早期的诊断检测方法至关重要。
目前乳腺超声是乳腺癌筛查的主要手段，乳腺超声图像中病变的自动检测对人工智能时代的计算机辅助诊断具有重要意义。在传统的乳腺超声病灶诊断中，医生通过观察乳腺超声图像中病灶区的情况来为病人提供正确诊断结果，因此，为了获得正确的诊断，放射科医生必须有丰富的临床经验和专家知识。为了降低人类主观依赖性，获得准确可靠的诊断结果，提高诊断效率，针对计算机辅助诊断技术开始出现。乳腺病灶区自动检测是计算机辅助诊断技术中重要的组成部分，自动检测技术不需要人工介入，可以节省大量的人力和时间，对于病灶的多样性变化具有很好的鲁棒性，有利于减轻医生的工作负担，提高诊断效率，为医生的诊断提供了有效的辅助作用。
但是现有病灶区域自动检测技术要么是采用设定的阈值进行区域划分确认，对病灶图像的像素质量要求较高；要么就是采用网络模型进行病灶检测，但是，模型的构建训练成本较高，且时效性较差，导致现有技术对图像质量较差，病灶面积较小，且边界较为模糊的病变图像的检测效果太差。
发明内容
本申请提供了一种病变图像的病灶检测方法及装置，用于解决现有技术对图像质量较差、病灶面积较小且边界较为模糊的病变图像的检测效果较差的技术问题。
有鉴于此，本申请第一方面提供了一种病变图像的病灶检测方法，包括：
根据预置先验聚类算法在预置病变图像中提取背景先验特征图；
通过自适应阈值分割算法在所述背景先验特征图中获取潜在目标区域，并计算所述潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；
采用预置Log-Gabor滤波器对所述预置病变图像进行带通滤波处理，得到频率先验特征图；
将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图；
采用预置图像分割算法对所述融合先验特征图进行平滑优化处理，得到目标病灶检测结果。
优选地，所述根据预置先验聚类算法在预置病变图像中提取背景先验特征图，之前还包括：
对原始病变超声图像进行预处理操作，得到所述预置病变图像。
优选地，所述根据预置先验聚类算法在预置病变图像中提取背景先验特征图，具体包括：
获取所述预置病变图像的边界，并将所述边界作为背景种子；
将所述背景种子采用所述预置先验聚类算法进行均值聚类处理，并构造全局色差矩阵和全局空间距离矩阵；
根据所述全局色差矩阵和全局空间距离矩阵生成所述背景先验特征图。
优选地，所述根据预置先验聚类算法在预置病变图像中提取背景先验特征图，之后还包括：
通过预置元胞自动技术构造的预置影响因子矩阵和预置相干矩阵对所述背景先验特征图进行优化处理，得到优化后的背景先验特征图。
优选地，所述将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图，包括：
根据预置融合公式将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图，所述预置融合公式为：
其中，Sfinl为所述融合先验特征图，θ1、θ2为两个权重参数，SF为所述频率先验特征图，Sc为所述中心先验特征图，Sopt为所述背景先验特征图，λ为平衡参数。
本申请第二方面提供了一种病变图像的病灶检测装置，包括：
第一特征模块，用于根据预置先验聚类算法在预置病变图像中提取背景先验特征图；
第二特征模块，用于通过自适应阈值分割算法在所述背景先验特征图中获取潜在目标区域，并计算所述潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；
第三特征模块，用于采用预置Log-Gabor滤波器对所述预置病变图像进行带通滤波处理，得到频率先验特征图；
融合模块，用于将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图；
检测模块，用于采用预置图像分割算法对所述融合先验特征图进行平滑优化处理，得到目标病灶检测结果。
优选地，还包括：
预处理模块，用于对原始病变超声图像进行预处理操作，得到所述预置病变图像。
优选地，所述第一特征模块具体包括：
边界子模块，用于获取所述预置病变图像的边界，并将所述边界作为背景种子；
聚类子模块，用于将所述背景种子采用所述预置先验聚类算法进行均值聚类处理，并构造全局色差矩阵和全局空间距离矩阵；
生成子模块，用于根据所述全局色差矩阵和全局空间距离矩阵生成所述背景先验特征图。
优选地，还包括：
优化模块，用于通过预置元胞自动技术构造的预置影响因子矩阵和预置相干矩阵对所述背景先验特征图进行优化处理，得到优化后的背景先验特征图。
优选地，所述融合模块具体用于：
根据预置融合公式将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图，所述预置融合公式为：
其中，Sfinl为所述融合先验特征图，θ1、θ2为两个权重参数，SF为所述频率先验特征图，Sc为所述中心先验特征图，Sopt为所述背景先验特征图，λ为平衡参数。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中，提供了一种病变图像的病灶检测方法，包括：根据预置先验聚类算法在预置病变图像中提取背景先验特征图；通过自适应阈值分割算法在背景先验特征图中获取潜在目标区域，并计算潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；采用预置Log-Gabor滤波器对预置病变图像进行带通滤波处理，得到频率先验特征图；将背景先验特征图、中心先验特征图和频率先验特征图进行特征图融合处理，得到融合先验特征图；采用预置图像分割算法对融合先验特征图进行平滑优化处理，得到目标病灶检测结果。
本申请提供的病变图像的病灶检测方法，采用不同的方法提取预置病变图像的不同特征图，而不是通过单一的特征描述病变图像，不同的特征提取既能够避免图像质量不一造成特征提取障碍，还能够增强图像的特征表达能力，更加有助于病灶的检测；对于图像质量差、病灶面积小且边界模糊的病变图像，采用自适应阈值分割算法可以增强图像的对比度，从而提升检测效率，采用预置Log-Gabor滤波器进行滤波处理，能够增强纹理特征的表达；而融合图像则在消除病变图像中的背景噪声和模糊噪声的同时，还能提高病灶的检测准确率。因此，本申请解决了现有技术对图像质量较差、病灶面积较小且边界较为模糊的病变图像的检测效果较差的技术问题。
附图说明
图1为本申请实施例提供的一种病变图像的病灶检测方法的一个流程示意图；
图2为本申请实施例提供的一种病变图像的病灶检测方法的另一个流程示意图；
图3为本申请实施例提供的一种病变图像的病灶检测装置的结构示意图；
图4为本申请实施例提供的可视化检测结果边界热图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅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。
为了便于理解，请参阅图1，本申请提供的一种病变图像的病灶检测方法的实施例一，包括：
步骤101、根据预置先验聚类算法在预置病变图像中提取背景先验特征图。
需要说明的是，预置先验聚类算法是根据实际情况提出，用于计算背景先验特征图的；预置病变图像是经过基本去噪处理或者预处理操作的病变超声图像；具体的背景先验特征图的提取过程是以预置病变图像的背景进行聚类分析，构造不同的色差矩阵和空间矩阵，然后进行结合性的背景先验图的生成操作，背景先验特征图是指包括目标区域和背景区域的图像，但是基于背景为先验知识的图像。
步骤102、通过自适应阈值分割算法在背景先验特征图中获取潜在目标区域，并计算潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图。
需要说明的是，自适应阈值分割算法其实就是阈值是改变的，并非固定的，自适应阈值的优势就是针对不同质量的图像都能够达到较好的分割效果，自适应阈值分割算法较多，例如，阈值的变化取值主要与图像的灰度值有关，那么，可以将背景先验特征图的灰度值根据不同的区间进行划分，然后根据不同的灰度区间设置不同图像的阈值计算方法，得到不同的图像的阈值，通过不同的阈值对背景先验特征图进行自适应的分割，从而确定目标区域；还可以采用OSTU算法生成的自适应阈值来分割图像，具体的不作限定，可根据情况选择；通常情况下，大于阈值的区域视作潜在目标区域。确定潜在目标区域后，需要找到该区域的潜在目标中心，然后将潜在目标中心进行归一化，得到归一化坐标，由此，可以得到中心先验特征图。
步骤103、采用预置Log-Gabor滤波器对预置病变图像进行带通滤波处理，得到频率先验特征图。
需要说明的是，Log-Gabor滤波器可以通过任意的带宽建立起来，同时，带宽可以被优化用来生成一个最小空间域范围的一种滤波器。Log-Gabor滤波器主要是对预置病变图像的3个通过到在CIELAB颜色空间进行带通滤波处理，该处理有利于提取病灶的边界纹理特征，病灶的边界信息是医生诊断病灶类型的一个重要参考因素，特别是边界较为模糊的恶性病灶；频率先验特征图能够增强图像的纹理表达能力，从而提升检测准确率。
步骤104、将背景先验特征图、中心先验特征图和频率先验特征图进行特征图融合处理，得到融合先验特征图。
需要说明的是，背景先验特征图、中心先验特征图和频率先验特征图是针对预置病变图像的不同特点的特征图，将这些特征图进行融合处理相当于从不同角度分析预置病变图像，不论是全局还是局部，均存在特征支撑，因此，融合先验特征图包含的特征更加丰富，更有利于准确的进行病灶检测。
步骤105、采用预置图割算法对融合先验特征图进行平滑优化处理，得到目标病灶检测结果。
需要说明的是，预置图像分割算法可以是现有效率较高的分割技术，例如最大流最小割原理，也可以是上述自适应阈值分割算法，在此不作赘述，具体根据实际情况选择即可。进行平滑优化处理的目的是为了得到更加清晰的病灶边界，边界是辨别病灶类型重要的参考因素，也是医师最为关注的焦点。由于病灶自身的因素，往往良性病灶的边界在乳腺超声图像上表现较为清晰，恶性病灶则表现较为模糊，所以，良恶性病灶检测结果存在差异。为了更直观地反映良恶性病灶边界之间差异，可以将超声图像病灶的最终检测结果叠加到原始图像的方式生成边界热图，边界热图能够可视化病灶的边界模糊程度，更好地解释了不同病灶类型之间检测结果的差异，因此，边界热图有利于辅助医师检测和识别乳腺病灶类型，提高病灶检测准确率和效率。
本申请提供的病变图像的病灶检测方法，采用不同的方法提取预置病变图像的不同特征图，而不是通过单一的特征描述病变图像，不同的特征提取既能够避免图像质量不一造成特征提取障碍，还能够增强图像的特征表达能力，更加有助于病灶的检测；对于图像质量差、病灶面积小且边界模糊的病变图像，采用自适应阈值分割算法可以增强图像的对比度，从而提升检测效率，采用预置Log-Gabor滤波器进行滤波处理，能够增强纹理特征的表达；而融合图像则在消除病变图像中的背景噪声和模糊噪声的同时，还能提高病灶的检测准确率。因此，本申请解决了现有技术对图像质量较差、病灶面积较小且边界较为模糊的病变图像的检测效果较差的技术问题。
为了便于理解，请参阅图2，本申请提供了一种病变图像的病灶检测方法的实施例二，包括：
步骤201、对原始病变超声图像进行预处理操作，得到预置病变图像。
需要说明的是，为了提升后续病灶检测的准确率，原始病变超声图像需要进行一些预处理操作，例如，采用中值滤波器对原始病变超声图像进行平滑处理，可以有效的减少斑点噪声的干扰，较好的保持图像边缘细节信息。为了提高图像处理效率，还可以对原始病变超声图像进行适度的基于经验累积分布函数的自适应阈值分割处理，通过不同的阈值对背景先验特征图进行自适应的分割，从而确定待研究区域。具体定义公式为：
其中，I为分割后的图像，x表示分割当前的图像灰度值，l和h是通过对病灶超声图像进行直方图统计，然后使用经验累积分布函数F(t)，一般情况下，l＝F(0.1)，h＝F(0.8)。
步骤202、获取预置病变图像的边界，并将边界作为背景种子。
步骤203、将背景种子采用预置先验聚类算法进行均值聚类处理，并构造全局色差矩阵和全局空间距离矩阵。
步骤204、根据全局色差矩阵和全局空间距离矩阵生成背景先验特征图。
需要说明的是，预置先验聚类算法中包括的聚类算法是指K均值聚类，也就是将预置病变图像的边界，即背景种子进行K均值聚类处理，然后构造基于聚类边界种子的全局色差矩阵S＝[sk,i]K×N和全局空间距离矩阵W＝[wk,i]K×N，将这两个矩阵相乘后结合至一个基于背景先验的图中，生成背景先验特征图每个超像素特征值可以表示为：
其中，
其中，sk,i为超像素i与第k聚类中的所有背景种子之间的颜色差异，||ci,cj||为超像素i和超像素j在CIE LAB颜色空间的欧式距离，wk,i为超像素i与第k类中所有背景种子之间的空间距离，ri和rj分别是超像素i和超像素j的坐标，pk为属于聚类k的边界超像素，θ是第一平衡参数，用于平衡颜色和空间位置距离之间的重要性，σ1、σ2和β均为第二平衡参数。
步骤205、通过预置元胞自动技术构造的预置影响因子矩阵和预置相干矩阵对背景先验特征图进行优化处理，得到优化后的背景先验特征图。
需要说明的是，本实施例中的预置元胞自动技术设计的是单元胞自动机技术，在单元胞自动机中，每个超像素表示一个单元；由于具有相似颜色特征的超像素单元对相邻单元的影响更大，且每个单元的下一个状态是由单元本身和它周围的相邻单元状态决定的，所以可以构建相应的预置影响因子矩阵和预置相干矩阵，通过两个矩阵更新所有单元的状态。预置影响因子矩阵可以表达为M＝|fij|N×N，其中，fij定义为：
其中，σ3为用于控制相似度强度的参数，N(i)为超像素单元i的相邻单元集。而预置相干矩阵C＝diag{c1,c2,...,cN}，相干因子ci可以表示为：
通过两个矩阵对所有单元进行更新，即对背景先验特征图进行优化处理，具体可以表示为：
ST+1＝C·ST+(Id-C)·M·ST；
其中，Id为单位矩阵，当T＝0时，ST＝Sbg，因此，背景先验特征图Sbg在经过T次迭代后可以得到较优的更新结果，将优化后的结果进行平滑细化处理就可以得到优化后的背景先验特征图Sopt。
步骤206、通过自适应阈值分割算法在背景先验特征图中获取潜在目标区域，并计算潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图。
需要说明的是，自适应阈值分割算法其实就是阈值是改变的，并非固定的，自适应阈值的优势就是针对不同质量的图像都能够达到较好的分割效果，自适应阈值分割算法较多，例如，阈值的变化取值主要与图像的灰度值有关，那么，可以将背景先验特征图的灰度值根据不同的区间进行划分，然后根据不同的灰度区间设置不同图像的阈值计算方法，得到不同的图像的阈值，通过不同的阈值对背景先验特征图进行自适应的分割，从而确定目标区域；还可以采用OSTU算法生成的自适应阈值来分割图像，具体的不作限定，可根据情况选择。通常情况下，大于阈值的区域视作潜在目标区域。确定潜在目标区域后，需要找到该区域的潜在目标中心(xc,yc)，然后将潜在目标中心进行归一化，得到归一化坐标，由此，可以得到中心先验特征图，可以表示为：
Sc(x,y)＝exp(-3((x-xc)2+(y-yc)2))；
其中，(x,y)为图像像素归一化坐标。
步骤207、采用预置Log-Gabor滤波器对预置病变图像进行带通滤波处理，得到频率先验特征图。
需要说明的是，Log-Gabor滤波器主要是对预置病变图像的3个通过到在CIELAB颜色空间进行带通滤波处理，该处理有利于提取病灶的边界纹理特征，病灶的边界信息是医生诊断病灶类型的一个重要参考因素，特别是边界较为模糊的恶性病灶。将得到的频率先验特征图定义为SF，计算过程为：
L＝F-1(F(IL)*G)；
A＝F-1(F(IA)*G)；
B＝F-1(F(IB)*G)；
其中，F和F-1为傅里叶变换和傅里叶反变换，IL、IA和IB分别是图像在CIE LAB颜色空间的三个通道，传递函数G在频率域中的定义为：
其中u为频域坐标，ω0为滤波器的中心频率，实际情况中可以设置为ω0＝0.002，σF为滤波器的带宽，可以设置为σF＝6.2。
步骤208、根据预置融合公式将背景先验特征图、中心先验特征图和频率先验特征图进行特征图融合处理，得到融合先验特征图。
需要说明的是，预置融合公式为：
其中，Sfinl为融合先验特征图，θ1、θ2为两个权重参数，SF为频率先验特征图，Sc为中心先验特征图，Sopt为背景先验特征图，在本实施例中，Sopt为优化后的背景先验特征图，λ为平衡参数。
步骤209、采用预置图像分割算法对融合先验特征图进行平滑优化处理，得到目标病灶检测结果。
需要说明的是，预置图像分割算法可以是现有效率较高的分割技术，例如最大流最小割原理，也可以是上述自适应阈值分割算法，在此不作赘述，具体根据实际情况选择即可。进行平滑优化处理的目的是为了得到更加清晰的病灶边界，边界是辨别病灶类型重要的参考因素，也是医师最为关注的焦点。由于病灶自身的因素，往往良性病灶的边界在病灶超声图像上表现较为清晰，恶性病灶则表现较为模糊，所以，良恶性病灶检测结果存在差异，具体请参阅如下表1。为了更直观地刻画良恶性病灶边界之间差异，可以将超声图像病灶的最终检测结果叠加到原始图像的方式生成边界热图，边界热图能够可视化病灶的边界模糊程度，更好地解释了不同病灶类型之间检测结果的差异，因此，边界热图有利于辅助医师检测和识别乳腺病灶类型，提高病灶检测准确率和效率，具体请参阅图4。
表1良恶性病灶检测结果
| 病灶类型 | 良性病灶 | 恶性病灶 |
| 准确率 | 98.69％ | 93.25％ |
为了便于理解，请参阅图3，本申请还提供了一种病变图像的病灶检测装置的实施例，包括：
第一特征模块301，用于根据预置先验聚类算法在预置病变图像中提取背景先验特征图；
第二特征模块302，用于通过自适应阈值分割算法在背景先验特征图中获取潜在目标区域，并计算潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；
第三特征模块303，用于采用预置Log-Gabor滤波器对预置病变图像进行带通滤波处理，得到频率先验特征图；
融合模块304，用于将背景先验特征图、中心先验特征图和频率先验特征图进行特征图融合处理，得到融合先验特征图；
检测模块305，用于采用预置图像分割算法对融合先验特征图进行平滑优化处理，得到目标病灶检测结果。
进一步地，还包括：
预处理模块306，用于对原始病变超声图像进行预处理操作，得到预置病变图像。
进一步地，第一特征模块301具体包括：
边界子模块3011，用于获取预置病变图像的边界，并将边界作为背景种子；
聚类子模块3012，用于将背景种子采用预置先验聚类算法进行均值聚类处理，并构造全局色差矩阵和全局空间距离矩阵；
生成子模块3013，用于根据全局色差矩阵和全局空间距离矩阵生成背景先验特征图。
进一步地，还包括：
优化模块307，用于通过预置元胞自动技术构造的预置影响因子矩阵和预置相干矩阵对背景先验特征图进行优化处理，得到优化后的背景先验特征图。
进一步地，融合模块304具体用于：
根据预置融合公式将背景先验特征图、中心先验特征图和频率先验特征图进行特征图融合处理，得到融合先验特征图，预置融合公式为：
其中，Sfinl为融合先验特征图，θ1、θ2为两个权重参数，SF为频率先验特征图，Sc为中心先验特征图，Sopt为背景先验特征图，λ为平衡参数。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种病变图像的病灶检测方法，其特征在于，包括：
根据预置先验聚类算法在预置病变图像中提取背景先验特征图；
通过自适应阈值分割算法在所述背景先验特征图中获取潜在目标区域，并计算所述潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；
采用预置Log-Gabor滤波器对所述预置病变图像进行带通滤波处理，得到频率先验特征图，所述频率先验特征图定义为SF，计算过程为：
L＝F-1(F(IL)*G)；
A＝F-1(F(IA)*G)；
B＝F-1(F(IB)*G)；
其中，F和F-1为傅里叶变换和傅里叶反变换，IL、IA和IB分别是图像在CIE LAB颜色空间的三个通道，传递函数G在频率域中的定义为：
其中u为频域坐标，ω0为滤波器的中心频率，实际情况中可以设置为ω0＝0.002，σF为滤波器的带宽，设置为σF＝6.2；
将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图，具体过程包括：
根据预置融合公式将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图，所述预置融合公式为：
其中，Sfinl为所述融合先验特征图，θ1、θ2为两个权重参数，SF为所述频率先验特征图，Sc为所述中心先验特征图，Sopt为所述背景先验特征图，λ为平衡参数；
采用预置图像分割算法对所述融合先验特征图进行平滑优化处理，得到目标病灶检测结果。
2.根据权利要求1所述的病变图像的病灶检测方法，其特征在于，所述根据预置先验聚类算法在预置病变图像中提取背景先验特征图，之前还包括：
对原始病变超声图像进行预处理操作，得到所述预置病变图像。
3.根据权利要求1所述的病变图像的病灶检测方法，其特征在于，所述根据预置先验聚类算法在预置病变图像中提取背景先验特征图，具体包括：
获取所述预置病变图像的边界，并将所述边界作为背景种子；
将所述背景种子采用所述预置先验聚类算法进行均值聚类处理，并构造全局色差矩阵和全局空间距离矩阵；
根据所述全局色差矩阵和全局空间距离矩阵生成所述背景先验特征图。
4.根据权利要求1所述的病变图像的病灶检测方法，其特征在于，所述根据预置先验聚类算法在预置病变图像中提取背景先验特征图，之后还包括：
通过预置元胞自动技术构造的预置影响因子矩阵和预置相干矩阵对所述背景先验特征图进行优化处理，得到优化后的背景先验特征图。
5.一种病变图像的病灶检测装置，其特征在于，包括：
第一特征模块，用于根据预置先验聚类算法在预置病变图像中提取背景先验特征图；
第二特征模块，用于通过自适应阈值分割算法在所述背景先验特征图中获取潜在目标区域，并计算所述潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；
第三特征模块，用于采用预置Log-Gabor滤波器对所述预置病变图像进行带通滤波处理，得到频率先验特征图，所述频率先验特征图定义为SF，计算过程为：
L＝F-1(F(IL)*G)；
A＝F-1(F(IA)*G)；
B＝F-1(F(IB)*G)；
其中，F和F-1为傅里叶变换和傅里叶反变换，IL、IA和IB分别是图像在CIE LAB颜色空间的三个通道，传递函数G在频率域中的定义为：
其中u为频域坐标，ω0为滤波器的中心频率，实际情况中可以设置为ω0＝0.002，σF为滤波器的带宽，设置为σF＝6.2；
融合模块，用于将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图，所述融合模块具体用于：
根据预置融合公式将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图，所述预置融合公式为：
其中，Sfinl为所述融合先验特征图，θ1、θ2为两个权重参数，SF为所述频率先验特征图，Sc为所述中心先验特征图，Sopt为所述背景先验特征图，λ为平衡参数；
检测模块，用于采用预置图像分割算法对所述融合先验特征图进行平滑优化处理，得到目标病灶检测结果。
6.根据权利要求5所述的病变图像的病灶检测装置，其特征在于，还包括：
预处理模块，用于对原始病变超声图像进行预处理操作，得到所述预置病变图像。
7.根据权利要求5所述的病变图像的病灶检测装置，其特征在于，所述第一特征模块具体包括：
边界子模块，用于获取所述预置病变图像的边界，并将所述边界作为背景种子；
聚类子模块，用于将所述背景种子采用所述预置先验聚类算法进行均值聚类处理，并构造全局色差矩阵和全局空间距离矩阵；
生成子模块，用于根据所述全局色差矩阵和全局空间距离矩阵生成所述背景先验特征图。
8.根据权利要求5所述的病变图像的病灶检测装置，其特征在于，还包括：
优化模块，用于通过预置元胞自动技术构造的预置影响因子矩阵和预置相干矩阵对所述背景先验特征图进行优化处理，得到优化后的背景先验特征图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010669037.9A CN111815610B (zh) | 2020-07-13 | 2020-07-13 | 一种病变图像的病灶检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010669037.9A CN111815610B (zh) | 2020-07-13 | 2020-07-13 | 一种病变图像的病灶检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111815610A CN111815610A (zh) | 2020-10-23 |
| CN111815610B true CN111815610B (zh) | 2023-09-12 |
Family
ID=72841818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010669037.9A Active CN111815610B (zh) | 2020-07-13 | 2020-07-13 | 一种病变图像的病灶检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815610B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488937B (zh) * | 2020-11-27 | 2022-07-01 | 河北工业大学 | 针对分割任务的医学影像特征增强方法 |
| CN112884759B (zh) * | 2021-03-12 | 2023-04-07 | 广东工业大学 | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 |
| CN113808090A (zh) * | 2021-09-08 | 2021-12-17 | 中国科学院深圳先进技术研究院 | 一种磁共振图像处理方法、终端设备及计算机存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203430A (zh) * | 2016-07-07 | 2016-12-07 | 北京航空航天大学 | 一种基于前景聚集度和背景先验的显著性物体检测方法 |
| CN106778776A (zh) * | 2016-11-30 | 2017-05-31 | 武汉大学深圳研究院 | 一种基于位置先验信息的时空域显著度检测方法 |
| CN107977660A (zh) * | 2017-10-13 | 2018-05-01 | 天津工业大学 | 基于背景先验和前景节点的感兴趣区域检测方法 |
| CN108416347A (zh) * | 2018-01-04 | 2018-08-17 | 天津大学 | 基于边界先验和迭代优化的显著目标检测算法 |
| CN109583450A (zh) * | 2018-11-27 | 2019-04-05 | 东南大学 | 基于前馈神经网络融合视觉注意先验的显著区域检测方法 |
| CN110458859A (zh) * | 2019-07-01 | 2019-11-15 | 南开大学 | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 |
-
2020
- 2020-07-13 CN CN202010669037.9A patent/CN111815610B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203430A (zh) * | 2016-07-07 | 2016-12-07 | 北京航空航天大学 | 一种基于前景聚集度和背景先验的显著性物体检测方法 |
| CN106778776A (zh) * | 2016-11-30 | 2017-05-31 | 武汉大学深圳研究院 | 一种基于位置先验信息的时空域显著度检测方法 |
| CN107977660A (zh) * | 2017-10-13 | 2018-05-01 | 天津工业大学 | 基于背景先验和前景节点的感兴趣区域检测方法 |
| CN108416347A (zh) * | 2018-01-04 | 2018-08-17 | 天津大学 | 基于边界先验和迭代优化的显著目标检测算法 |
| CN109583450A (zh) * | 2018-11-27 | 2019-04-05 | 东南大学 | 基于前馈神经网络融合视觉注意先验的显著区域检测方法 |
| CN110458859A (zh) * | 2019-07-01 | 2019-11-15 | 南开大学 | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于特征融合视觉显著性的医学图像分割;吴迪;胡胜;刘伟峰;胡灵芝;胡俊华;;中国医学物理学杂志(第06期);第1-5页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111815610A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111815610B (zh) | 一种病变图像的病灶检测方法及装置 | |
| CN113034426B (zh) | 超声图像病灶描述方法、装置、计算机设备和存储介质 | |
| CN108198184B (zh) | 造影图像中血管分割的方法和系统 | |
| CN108010021B (zh) | 一种医学图像处理系统和方法 | |
| CN110782474B (zh) | 基于深度学习的预测消融术后肝脏肿瘤形态变化的方法 | |
| Xie et al. | Mci-net: multi-scale context integrated network for liver ct image segmentation | |
| Roth et al. | A new 2.5 D representation for lymph node detection using random sets of deep convolutional neural network observations | |
| CN110503649B (zh) | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 | |
| Guo et al. | A new method of detecting micro-calcification clusters in mammograms using contourlet transform and non-linking simplified PCNN | |
| Nguyen et al. | Unsupervised region-based anomaly detection in brain MRI with adversarial image inpainting | |
| Huang et al. | A new deep learning approach for the retinal hard exudates detection based on superpixel multi-feature extraction and patch-based CNN | |
| WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
| Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
| Wu et al. | Ultrasound image segmentation method for thyroid nodules using ASPP fusion features | |
| WO2021129324A1 (zh) | 超声图像病灶的分割方法、装置和计算机设备 | |
| CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
| Deepak et al. | Detection and discrimination of disease-related abnormalities based on learning normal cases | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| Meng et al. | Enhancing medical image registration via appearance adjustment networks | |
| Liu et al. | Left atrium segmentation in CT volumes with fully convolutional networks | |
| Zhou et al. | Extension of the virtual electric field model using bilateral-like filter for active contours | |
| Li et al. | A level set image segmentation method based on a cloud model as the priori contour | |
| CN116485819A (zh) | 一种耳鼻喉检查图像分割方法及系统 | |
| Sebastian et al. | A novel model of feature extraction for lung cysts detection in CT image using Minutiae based Mumford and Shah functional model | |
| Fang et al. | Automatic detection of ultrasound breast lesions: a novel saliency detection model based on multiple priors |
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 |