CN112150426A - 基于非参数核密度估计的数字乳腺层析合成摄影重建方法 - Google Patents

基于非参数核密度估计的数字乳腺层析合成摄影重建方法 Download PDF

Info

Publication number
CN112150426A
CN112150426A CN202010977821.6A CN202010977821A CN112150426A CN 112150426 A CN112150426 A CN 112150426A CN 202010977821 A CN202010977821 A CN 202010977821A CN 112150426 A CN112150426 A CN 112150426A
Authority
CN
China
Prior art keywords
mammary
frame
reconstruction
detector
ray
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.)
Granted
Application number
CN202010977821.6A
Other languages
English (en)
Other versions
CN112150426B (zh
Inventor
喻春雨
李翰林
陈刚
刘明睿
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010977821.6A priority Critical patent/CN112150426B/zh
Publication of CN112150426A publication Critical patent/CN112150426A/zh
Application granted granted Critical
Publication of CN112150426B publication Critical patent/CN112150426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/025—Tomosynthesis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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
    • G06T2207/10112—Digital tomosynthesis [DTS]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明揭示了一种基于非参数核密度估计的数字乳腺层析合成摄影重建方法，步骤如下：S1、获取设定角度范围内n个不同角度的乳腺X射线投影；S2、对所获取的投影进行亮度均匀校正及降噪处理；S3、根据数字层析合成摄影的位移公式及所需重建层面的深度，依次对投影进行位移处理；S4、对投影分别进行乳腺区域提取并配准；S5、对乳腺区域采用非参数核密度估计方法进行聚焦信息估计，得到初步重建层；S6、对初步重建层进行二值化处理及引导滤波处理；S7、对初步重建层进行对比度增强处理，得到最终重建层。本发明可以有效地改善乳腺层析图像的重建层面质量，使得图像信息能够更完整的得以保留，便于医生对患者病情的诊断与筛查。

Description

基于非参数核密度估计的数字乳腺层析合成摄影重建方法
技术领域
本发明具体涉及一种基于非参数核密度估计的数字乳腺层析合成摄影重建方法，属于医学图像处理技术领域。
背景技术
乳腺癌是发生在乳腺上皮组织的恶性肿瘤，在西欧、北美等发达国家，乳腺癌的发病率占女性恶性肿瘤首位，而处于相对低发区的中国，发病率也呈逐年上升的趋势。2018年，世界卫生组织报告世界上有210万女性成为新增的乳腺癌患者，是癌症病发率排行榜的第二名。
当前研究已经证实癌症早期检测可以大大地降低病死率。传统的对于乳腺癌的筛查方式主要包括乳腺X线钼靶摄影、核磁共振成像(MRI)以及乳腺超声(B-US)。其中，乳腺X线钼靶摄影因病理结构和腺体组织重叠，容易造成漏诊；MRI又易造成假阳性判断；乳腺超声无法检测到微小钙化现象；因此，以上三种现有技术均存在较大的局限性。
数字乳腺层析技术(Digital Breast Tomosynthesis，DBT)是一种更为新型的乳腺疾病影像筛查技术。该技术利用设备在有限的角度对组织投影，重建出乳腺的伪三维断层图像，解决了因病理结构和腺体组织重叠的问题，并且对于乳腺中的钙化点簇、肿块、纤维瘤等病灶都有清晰的显示，可提供丰富的诊断信息，能够有效地降低误诊率和漏诊率。同时DBT的扫描范围一般只有15°～60°，采集投影数量也只有10多个，故其辐射剂量远远低于其他检测技术，适合于大范围推广乳腺疾病的筛查。
DBT常用的图像重建算法主要分为解析重建算法和迭代重建算法两大类，现阶段DBT图像重建算法主要包括以下三种：基于平移-叠加的DBT重建算法、基于傅里叶变化域的滤波反投影的DBT重建算法以及基于迭代重建的DBT重建算法。但是上述各种方法在实际应用过程中普遍存在着一些细节问题，诸如图像质量的稳定性较差、图像细节存在部分缺失，算法运行效率交底等，这些细节问题也对上述方法的推广应用产生了一定的影响。
综上所述，为了克服现有技术中所存在的诸多缺陷，提出一种新型的、快速且有效的DBT重建技术，也就成为了本领域内技术人员所共同关注的问题。
发明内容
鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于非参数核密度估计的数字乳腺层析合成摄影重建方法，具体如下。
一种基于非参数核密度估计的数字乳腺层析合成摄影重建方法，包括如下步骤：
S1、获取设定角度范围内n个不同角度的乳腺X射线投影；
S2、对所获取的n个所述乳腺X射线投影进行亮度均匀校正及降噪处理；
S3、根据数字层析合成摄影的位移及所需重建层面的深度，依次对经S2处理后的n个所述乳腺X射线投影进行位移处理；
S4、对经S3处理后的n个所述乳腺X射线投影分别进行乳腺区域提取并配准；
S5、对配准后的n个所述乳腺区域采用非参数核密度估计方法进行聚焦信息估计，得到初步重建层；
S6、对所述初步重建层进行二值化处理，然后依据处理结果对所述初步重建层做引导滤波处理；
S7、对滤波后的所述初步重建层采用对比度受限的自适应直方图均衡进行对比度增强，然后将优化后的图像输出、即得到最终重建层。
优选地，在所述S1中，包括如下步骤：
使X射线源在压迫板上方绕乳腺体进行小范围弧形运动，保证平板探测器与所述X射线源在水平方向上保持相对运动关系，等间隔角度采集投影，得到设定角度范围内n个不同角度的乳腺X射线投影。
优选地，在所述S2中，包括如下步骤：
S21、关闭所述X射线源并开启所述平板探测器，分别在每个角度连续采集多帧暗场图像，使用帧平均法获得每个角度下的一帧稳定的暗场图像；
S22、开启所述X射线源和所述平板探测器，分别在每个角度连续采集多帧光场图像，使用帧平均法获得每个角度下的一帧稳定的光场图像；
S23、开启所述X射线源和所述平板探测器，依次采集不同角度下的所述乳腺X射线投影并分别进行图像均匀校正，则第n个角度下所述乳腺X射线投影的图像均匀校正的公式为
Figure BDA0002686468330000041
其中，
Figure BDA0002686468330000042
为一帧稳定的暗场图像，
Figure BDA0002686468330000043
为一帧稳定的光场图像，
Figure BDA0002686468330000044
为所述乳腺X射线投影的校正前图像，mean为取均值，
Figure BDA0002686468330000045
为所述乳腺X射线投影的校正后图像；
S24、根据噪声程度高低，使用S23中的公式进行多次操作，对
Figure BDA0002686468330000046
进行初步降噪，
当噪声程度较低时，采用帧平均法进行降噪处理；
当噪声程度较高时，采用基于二阶统计量的盲源分离算法进行降噪处理。
优选地，所述基于二阶统计量的盲源分离算法包括奇异值分解算法及权值调整二阶盲辨识算法。
优选地，在所述S3中，包括如下步骤：
以所述探测器运动轨迹的中心为原点、所述水平探测器的运动方向为X轴、所述垂直探测器的运动方向为Z轴建立空间直角坐标系，记所述X线源到所述探测器平面的距离为D，所述X线源运动到第n个角度时的坐标为(an,D)，此时探测器中点坐标为bn＝an(zf/(zf-D))，将此时待成像平面结构在Z轴上的坐标标记为z、则所述探测器上投影的横坐标为xn(z)＝an(1-(D/(D-z)))；
得到待重建层面与探测器中心位置的相对位移公式为
Figure BDA0002686468330000051
其中，xn(z)为此时所述探测器上投影的横坐标，bn为所述探测器的中点坐标，(an,D)为此成像角度下的所述X线源的坐标，z为待成像平面结构在Z轴上的坐标，zf为待成像平面结构在Z轴上的投影坐标。
优选地，在所述S4中，包括如下步骤：
S41、采用canny算子对经S3处理后的所述乳腺X射线投影进行边缘检测，粗略提取出乳腺区域并对其进行自适应二值化处理，然后对所得到的二值乳腺区域图像进行填充，利用bwareaopen函数删除小面积单元，再进行腐蚀、膨胀操作，最后利用处理后的二值乳腺区域图像对所述乳腺X射线投影的原图再次进行乳腺区域提取操作，重复上述过程、依次提取n个投影角度的所述乳腺区域；
S42、对由S41中所提取的n个投影角度的所述乳腺区域的外轮廓采用刚性配准方法进行处理、局部细节采用非刚性配准方法进行处理。
优选地，所述非刚性配准方法为基于图像灰度信息的方法。
优选地，在所述S5中，包括如下步骤：
S51、使用概率论中的方差计算公式计算n个所述乳腺区域中相应位置的像素值方差σ2；
S52、提取n个所述乳腺区域中相应位置的像素组成样本序列X＝{x1,x2,...,xn}，第t帧像素的核密度估计模型可建立为
Figure BDA0002686468330000061
其中，Pr(xt)为第t帧像素强度的概率密度值，即核密度估计值；
Figure BDA0002686468330000062
为高斯核函数；xi为样本序列中第i帧样本的像素值；xt为样本序列中第t帧的样本像素值；
S53、选取样本序列中最大核密度估计值的像素点作为聚焦层像素点输出，将第一帧的当前像素核密度估计值Pr(x1)设置为初始阈值th。
若Pr(xt)≥th，则将当前时刻像素的核密度Pr(xt)更新为th，并将当前时刻像素值作为特征保留。
若Pr(xt)<th，则将当前像素置为0，通过比较下一帧的核密度与当前背景的阈值th，得到初次更新的聚焦层信息；
S54、重复更新聚焦层信息，更新n-1次后估计得到初步重建层。
本发明的优点主要体现在：
本发明提出了一种基于非参数核密度估计的数字乳腺层析合成摄影重建方法，利用自适应非参数核密度估计技术对位移后的图像序列进行聚焦层信息估计、以达到重建目的。相较于现有技术，本发明可以有效地改善乳腺层析图像的重建层面质量，使得图像信息能够更完整的得以保留，便于医生对患者病情的诊断与筛查。
此外，本发明中所使用的算法复杂度较低、计算量小，能够在保证输出质量的前提下最大限度地缩短算法的运行时间、提升算法的运行效率。方法整体的应用前景广阔并具有极高的使用价值。
以下便结合附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明的方法流程示意图；
图2为本发明中乳腺层析图像的采集示意图；
图3为本发明中计算多角度投影位移的几何示意图。
具体实施方式
本发明提出了一种新型的、快速且有效的DBT重建技术，可用于改善数字乳腺层析图像的重建层面质量，使图像细节保留更完整。本发明的具体方案如下。
如图1所示，一种基于非参数核密度估计的数字乳腺层析合成摄影重建方法，包括如下步骤：
S1、获取设定角度范围内n个不同角度的乳腺X射线投影；
S2、对所获取的n个所述乳腺X射线投影进行亮度均匀校正及降噪处理；
S3、根据数字层析合成摄影的位移及所需重建层面的深度，依次对经S2处理后的n个所述乳腺X射线投影进行位移处理；
S4、对经S3处理后的n个所述乳腺X射线投影分别进行乳腺区域提取并配准；
S5、对配准后的n个所述乳腺区域采用非参数核密度估计方法进行聚焦信息估计，得到初步重建层；
S6、对所述初步重建层进行二值化处理，然后依据处理结果对所述初步重建层做引导滤波处理；
S7、对滤波后的所述初步重建层采用对比度受限的自适应直方图均衡(ContrastLimited Adaptive Histogram Equalization,CLAHE)进行对比度增强，然后将优化后的图像输出、即得到最终重建层。
以下针对上述步骤中的部分步骤进行进一步的补充说明。
在所述S1中，包括如下步骤：
使X射线源在压迫板上方绕乳腺体进行小范围弧形运动，保证平板探测器与所述X射线源在水平方向上保持相对运动关系，等间隔角度采集投影，得到设定角度范围内的n个不同角度的乳腺X射线投影。采集的过程如图2所示，在本实施例中以n＝15为例、即获取15个角度下的所述乳腺X射线投影。
在所述S2中，包括如下步骤：
S21、关闭所述X射线源并开启所述平板探测器，分别在每个角度连续采集多帧(如100帧)暗场图像，使用帧平均法获得每个角度下的一帧稳定的暗场图像；
S22、开启所述X射线源和所述平板探测器，分别在每个角度连续采集多帧(如100帧)光场图像，使用帧平均法获得每个角度下的一帧稳定的光场图像；
S23、开启所述X射线源和所述平板探测器，依次采集不同角度下的所述乳腺X射线投影并分别进行图像均匀校正，则第n个角度投影的图像均匀校正公式为
Figure BDA0002686468330000091
其中，
Figure BDA0002686468330000092
为一帧稳定的暗场图像，
Figure BDA0002686468330000093
为一帧稳定的光场图像，
Figure BDA0002686468330000094
为所述乳腺X射线投影的校正前图像，mean为取均值，
Figure BDA0002686468330000095
为所述乳腺X射线投影的校正后图像；
S24、根据噪声程度高低，使用S23中的公式进行多次操作，对
Figure BDA0002686468330000096
进行初步降噪；
当噪声程度较低时，采用简单快捷的帧平均法进行降噪处理；
当噪声程度较高时，采用基于二阶统计量的盲源分离算法进行降噪处理。
此处所述基于二阶统计量的盲源分离算法包括奇异值分解算法(Singular ValueDecomposition，SVD)及权值调整二阶盲辨识算法(Weight-Adjusted Variant SecondOrder Blind Identification,WASOBI)。
在所述S3中，根据所述X线源与所述探测器运动位置的几何特性计算位移量，计算位移过程的几何示意如图3所示，包括如下步骤：
以所述探测器运动轨迹的中心为原点、所述水平探测器的运动方向为X轴、所述垂直探测器的运动方向为Z轴建立空间直角坐标系，记所述X线源到所述探测器平面的距离为D，所述X线源运动到第n个角度时的坐标为(an,D)，此时探测器中点坐标为bn＝an(zf/(zf-D))，将此时待成像平面结构在Z轴上的坐标标记为z、则所述探测器上投影的横坐标为xn(z)＝an(1-(D/(D-z)))；
得到待重建层面与探测器中心位置的相对位移公式为
Figure BDA0002686468330000101
其中，xn(z)为此时所述探测器上投影的横坐标，bn为所述探测器的中点坐标，(an,D)为此成像角度下的所述X线源的坐标，z为待成像平面结构在Z轴上的坐标，zf为待成像平面结构在Z轴上的投影坐标。
在所述S4中，包括如下步骤：
S41、采用canny算子对经S3处理后的所述乳腺X射线投影进行边缘检测，粗略提取出乳腺区域并对其进行自适应二值化处理，然后对所得到的二值乳腺区域图像进行填充，利用bwareaopen函数删除小面积单元，再进行腐蚀、膨胀操作，最后利用处理后的二值乳腺区域图像对经S3处理后的所述乳腺X射线投影的原图再次进行乳腺区域提取操作，依次提取n个投影角度的所述乳腺区域；
S42、对由S41中所提取的n个投影角度的所述乳腺区域的外轮廓采用刚性配准方法进行处理、局部细节采用非刚性配准方法进行处理。
此处所述非刚性配准方法为基于图像灰度信息的方法，以避免特征提取过程所带来的误差。
在所述S5中，包括如下步骤：
S51、使用概率论中的方差计算公式计算n个所述乳腺区域中相应位置的像素值方差σ2。
S52、建立核密度估计模型，提取n个所述乳腺区域中相应位置的像素组成样本序列X＝{x1,x2,...,xn}，第t帧像素的核密度估计模型可建立为
Figure BDA0002686468330000111
其中，Pr(xt)为第t帧像素强度的概率密度值、即核密度估计值，
Figure BDA0002686468330000112
为高斯核函数，xi为样本序列中第i帧样本的像素值，xt为样本序列中第t帧的样本像素值。
S53、提取聚焦层信息、即选取样本序列中最大核密度估计值的像素点作为聚焦层像素点输出，将第一帧的当前像素核密度估计值Pr(x1)设置为初始阈值th；
若Pr(xt)≥th，则将当前时刻像素的核密度Pr(xt)更新为th，并将当前时刻像素值作为特征保留；
若Pr(xt)<th，则将当前像素置为0，通过比较下一帧的核密度与当前背景的阈值th，得到初次更新的聚焦层信息。
此处为避免聚焦层信息更新运算对乳腺边缘像素点产生干扰，在实际操作中需增加一个区域边缘保护条件，即判断序列中对应像素点中是否有一半及以上的像素值为0。有则判定该像素点不属于所述乳腺区域，并将该点像素值置为0，否则该像素点属于所述乳腺区域。
S54、重复更新聚焦层信息，更新n-1次后估计得到初步重建层。
总体而言，本发明的方法利用自适应非参数核密度估计技术对位移后的图像序列进行聚焦层信息估计、以达到重建目的，相较于现有技术，本发明可以有效地改善乳腺层析图像的重建层面质量，使得图像信息能够更完整的得以保留，便于医生对患者病情的诊断与筛查。
此外，本发明中所使用的算法复杂度较低、计算量小，能够在保证输出质量的前提下最大限度地缩短算法的运行时间、提升算法的运行效率。方法整体的应用前景广阔并具有极高的使用价值。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
最后，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.一种基于非参数核密度估计的数字乳腺层析合成摄影重建方法，其特征在于，包括如下步骤：
S1、获取设定角度范围内n个不同角度的乳腺X射线投影；
S2、对所获取的n个所述乳腺X射线投影进行亮度均匀校正及降噪处理；
S3、根据数字层析合成摄影的位移及所需重建层面的深度，依次对经S2处理后的n个所述乳腺X射线投影进行位移处理；
S4、对经S3处理后的n个所述乳腺X射线投影分别进行乳腺区域提取并配准；
S5、对配准后的n个所述乳腺区域采用非参数核密度估计方法进行聚焦信息估计，得到初步重建层；
S6、对所述初步重建层进行二值化处理，然后依据处理结果对所述初步重建层做引导滤波处理；
S7、对滤波后的所述初步重建层采用对比度受限的自适应直方图均衡进行对比度增强，然后将优化后的图像输出、即得到最终重建层。
2.根据权利要求1所述的基于非参数核密度估计的数字乳腺层析合成摄影重建方法，其特征在于，在所述S1中，包括如下步骤：
使X射线源在压迫板上方绕乳腺体进行小范围弧形运动，保证平板探测器与所述X射线源在水平方向上保持相对运动关系，等间隔角度采集投影，得到设定角度范围内n个不同角度的乳腺X射线投影。
3.根据权利要求2所述的基于非参数核密度估计的数字乳腺层析合成摄影重建方法，其特征在于，在所述S2中，包括如下步骤：
S21、关闭所述X射线源并开启所述平板探测器，分别在每个角度连续采集多帧暗场图像，使用帧平均法获得每个角度下的一帧稳定的暗场图像；
S22、开启所述X射线源和所述平板探测器，分别在每个角度连续采集多帧光场图像，使用帧平均法获得每个角度下的一帧稳定的光场图像；
S23、开启所述X射线源和所述平板探测器，依次采集不同角度下的所述乳腺X射线投影并分别进行图像均匀校正，则第n个角度下所述乳腺X射线投影的图像均匀校正的公式为
Figure FDA0002686468320000021
其中，
Figure FDA0002686468320000022
为一帧稳定的暗场图像，
Figure FDA0002686468320000023
为一帧稳定的光场图像，
Figure FDA0002686468320000024
为所述乳腺X射线投影的校正前图像，mean为取均值，
Figure FDA0002686468320000025
为所述乳腺X射线投影的校正后图像；
S24、根据噪声程度高低，使用S23中的公式进行多次操作，对
Figure FDA0002686468320000026
进行初步降噪，
当噪声程度较低时，采用帧平均法进行降噪处理；
当噪声程度较高时，采用基于二阶统计量的盲源分离算法进行降噪处理。
4.根据权利要求3所述的基于非参数核密度估计的数字乳腺层析合成摄影重建方法，其特征在于：所述基于二阶统计量的盲源分离算法包括奇异值分解算法及权值调整二阶盲辨识算法。
5.根据权利要求3所述的基于非参数核密度估计的数字乳腺层析合成摄影重建方法，其特征在于，在所述S3中，包括如下步骤：
以所述探测器运动轨迹的中心为原点、所述水平探测器的运动方向为X轴、所述垂直探测器的运动方向为Z轴建立空间直角坐标系，记所述X线源到所述探测器平面的距离为D，所述X线源运动到第n个角度时的坐标为(an,D)，此时探测器中点坐标为bn＝an(zf/(zf-D))，将此时待成像平面结构在Z轴上的坐标标记为z、则所述探测器上投影的横坐标为xn(z)＝an(1-(D/(D-z)))；
得到待重建层面与探测器中心位置的相对位移公式为
Figure FDA0002686468320000031
其中，xn(z)为此时所述探测器上投影的横坐标，bn为所述探测器的中点坐标，(an,D)为此成像角度下的所述X线源的坐标，z为待成像平面结构在Z轴上的坐标，zf为待成像平面结构在Z轴上的投影坐标。
6.根据权利要求5所述的基于非参数核密度估计的数字乳腺层析合成摄影重建方法，其特征在于，在所述S4中，包括如下步骤：
S41、采用canny算子对经S3处理后的所述乳腺X射线投影进行边缘检测，粗略提取出乳腺区域并对其进行自适应二值化处理，然后对所得到的二值乳腺区域图像进行填充，利用bwareaopen函数删除小面积单元，再进行腐蚀、膨胀操作，最后利用处理后的二值乳腺区域图像对所述乳腺X射线投影的原图再次进行乳腺区域提取操作，重复上述过程、依次提取n个投影角度的所述乳腺区域；
S42、对由S41中所提取的n个投影角度的所述乳腺区域的外轮廓采用刚性配准方法进行处理、局部细节采用非刚性配准方法进行处理。
7.根据权利要求6所述的基于非参数核密度估计的数字乳腺层析合成摄影重建方法，其特征在于：所述非刚性配准方法为基于图像灰度信息的方法。
8.根据权利要求6所述的基于非参数核密度估计的数字乳腺层析合成摄影重建方法，其特征在于，在所述S5中，包括如下步骤：
S51、使用概率论中的方差计算公式计算n个所述乳腺区域中相应位置的像素值方差σ2；
S52、提取n个所述乳腺区域中相应位置的像素组成样本序列X＝{x1,x2,...,xn}，第t帧像素的核密度估计模型可建立为
Figure FDA0002686468320000041
其中，Pr(xt)为第t帧像素强度的概率密度值，即核密度估计值；
Figure FDA0002686468320000042
为高斯核函数；xi为样本序列中第i帧样本的像素值；xt为样本序列中第t帧的样本像素值；
S53、选取样本序列中最大核密度估计值的像素点作为聚焦层像素点输出，将第一帧的当前像素核密度估计值Pr(x1)设置为初始阈值th；
若Pr(xt)≥th，则将当前时刻像素的核密度Pr(xt)更新为th，并将当前时刻像素值作为特征保留；
若Pr(xt)<th，则将当前像素置为0，通过比较下一帧的核密度与当前背景的阈值th，得到初次更新的聚焦层信息；
S54、重复更新聚焦层信息，更新n-1次后估计得到初步重建层。
CN202010977821.6A 2020-09-17 2020-09-17 基于非参数核密度估计的数字乳腺层析合成摄影重建方法 Active CN112150426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010977821.6A CN112150426B (zh) 2020-09-17 2020-09-17 基于非参数核密度估计的数字乳腺层析合成摄影重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010977821.6A CN112150426B (zh) 2020-09-17 2020-09-17 基于非参数核密度估计的数字乳腺层析合成摄影重建方法

Publications (2)

Publication Number Publication Date
CN112150426A true CN112150426A (zh) 2020-12-29
CN112150426B CN112150426B (zh) 2022-08-30

Family

ID=73892365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010977821.6A Active CN112150426B (zh) 2020-09-17 2020-09-17 基于非参数核密度估计的数字乳腺层析合成摄影重建方法

Country Status (1)

Country Link
CN (1) CN112150426B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314988A (zh) * 2023-11-29 2023-12-29 南京邮电大学 一种多角度投影配准的dbt重建法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184835A (zh) * 2015-09-15 2015-12-23 上海联影医疗科技有限公司 乳腺断层图像重建方法和装置
CN107545551A (zh) * 2017-09-07 2018-01-05 广州华端科技有限公司 数字乳腺体层合成图像的重建方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184835A (zh) * 2015-09-15 2015-12-23 上海联影医疗科技有限公司 乳腺断层图像重建方法和装置
CN107545551A (zh) * 2017-09-07 2018-01-05 广州华端科技有限公司 数字乳腺体层合成图像的重建方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314988A (zh) * 2023-11-29 2023-12-29 南京邮电大学 一种多角度投影配准的dbt重建法
CN117314988B (zh) * 2023-11-29 2024-02-20 南京邮电大学 一种多角度投影配准的dbt重建法

Also Published As

Publication number Publication date
CN112150426B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
JP3001232B2 (ja) 画像処理方法および装置
Isaac et al. Super resolution techniques for medical image processing
US7916912B2 (en) Efficient border extraction of image feature
US6956975B2 (en) Method for improving breast cancer diagnosis using mountain-view and contrast-enhancement presentation of mammography
CN111968195A (zh) 用于低剂量ct图像降噪及去伪影的双注意力生成对抗网络
Chan et al. Digitization requirements in mammography: Effects on computer‐aided detection of microcalcifications
US20100266188A1 (en) Chest x-ray registration, subtraction and display
CN104616255B (zh) 基于乳腺x线图像的自适应增强方法
Sujlana et al. Digital breast tomosynthesis: Image acquisition principles and artifacts
Baltruschat et al. When does bone suppression and lung field segmentation improve chest x-ray disease classification?
CN114241077B (zh) 一种ct图像分辨率优化方法及装置
Rizzi et al. Computer aided detection of microcalcifications in digital mammograms adopting a wavelet decomposition
CN111340825A (zh) 一种纵膈淋巴结分割模型的生成方法及系统
Ganvir et al. Filtering method for pre-processing mammogram images for breast cancer detection
Loizou et al. Despeckle Filtering for Ultrasound Imaging and Video, Volume II: Selected Applications
CN112150426B (zh) 基于非参数核密度估计的数字乳腺层析合成摄影重建方法
Shahzad et al. A patient-specific coronary density estimate
WO2020087780A1 (zh) 电子计算机断层扫描前端设备、系统、方法及存储介质
CN111477304A (zh) 一种pet和mri图像相融合的肿瘤照射成像组合方法
Na'am et al. Filter technique of medical image on multiple morphological gradient (MMG) method
CN111915514B (zh) 一种基于权值调整二阶盲辨识的数字乳腺层析合成摄影的重建方法
CN110648333A (zh) 基于中智学理论的乳腺超声视频图像实时分割系统
CN115619693A (zh) 一种基于嵌套多尺度变换的时空融合模型
Yadav et al. Comparative analysis of different enhancement method on digital mammograms
Roy Breast cancer Classification with Multi-Fusion Technique and Correlation Analysis.

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