CN112241947B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112241947B
CN112241947B CN201910753226.1A CN201910753226A CN112241947B CN 112241947 B CN112241947 B CN 112241947B CN 201910753226 A CN201910753226 A CN 201910753226A CN 112241947 B CN112241947 B CN 112241947B
Authority
CN
China
Prior art keywords
breast
training
abnormal
heat maps
images
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
CN201910753226.1A
Other languages
English (en)
Other versions
CN112241947A (zh
Inventor
詹凯轩
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.)
Institute for Information Industry
Original Assignee
Institute for Information Industry
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 Institute for Information Industry filed Critical Institute for Information Industry
Publication of CN112241947A publication Critical patent/CN112241947A/zh
Application granted granted Critical
Publication of CN112241947B publication Critical patent/CN112241947B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A61B5/015—By temperature mapping of body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • A61B5/748—Selection of a region of interest, e.g. using a graphics tablet
    • A61B5/7485—Automatic selection of region of interest
    • 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
    • A61B6/44—Constructional features of apparatus for radiation diagnosis
    • A61B6/4417—Constructional features of apparatus for radiation diagnosis related to combined acquisition of different diagnostic modalities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/20081—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
    • G06T2207/30—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
    • 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
    • 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
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Quality & Reliability (AREA)
  • Optics & Photonics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

一种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。多视角乳房影像分析方法包含：输入多个乳房影像；利用病征辨识模型判断乳房影像是否具有对应的异常状态，产生乳房影像对应的多个热图；利用假阳性滤除模型判断热图是否具有假阳性特征，以产生对应于热图的异常机率值；以及利用第一门槛值判断异常机率值，如果异常机率值大于第一门槛值，侦测并输出热图对应的病灶位置。借此，达到自动侦测乳房病灶以及降低误报机率的功效。

Description

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
技术领域
本案是有关于一种影像分析方法、系统以及非暂态计算机可读取媒体，且特别是有关于一种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。
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。
但目前的乳房影像分析技术大多针对单张影像进行分类与侦测，此种方式容易造成假阳性率过高(误判)的状况。因此，如何利用乳房影像分析技术判断乳房摄影的影像是否具有病灶，且进一步判断判断病灶的结果是否错误，达到自动侦测乳房病灶以及降低误报机率是本领域待解决的问题。
发明内容
为达成上述目的，本案的第一态样是在提供一种多视角乳房影像分析方法，此方法包含以下步骤：输入多个乳房影像；利用病征辨识模型判断乳房影像是否具有对应的异常状态，产生乳房影像对应的多个热图；利用假阳性滤除模型判断热图是否具有假阳性特征，以产生对应于热图的异常机率值；以及利用第一门槛值判断异常机率值，如果异常机率值大于第一门槛值，侦测并输出热图对应的病灶位置。
根据本案一实施例，还包含：输入多个训练影像区块，其中，从多个训练影像中撷取所述多个训练影像区块，所述多个训练影像区块分别对应至一标记结果；以及利用所述多个训练影像区块以及所述多个训练影像区块对应的该标记结果作为训练数据，以产生该病征辨识模型。
根据本案一实施例，还包含：将所述多个训练影像输入该病征辨识模型以产生多个训练热图，其中所述多个训练热图包含一异常标记；以及利用所述多个训练热图以及所述多个训练热图对应的该异常标记作为训练数据，以产生该假阳性滤除模型。
根据本案一实施例，还包含：利用一第二门槛值判断所述多个训练热图的其中之一是否具有一异常区域，如果所述多个训练热图的其中之一具有该异常区域，标记该异常区域对应的座标位置。
根据本案一实施例，还包含：侦测所述多个训练影像分别对应的一第一边界以及一第二边界，其中，该第一边界包含多个第一像素；分别计算所述多个第一像素对应的曲率，并将具有最大曲率值的所述多个第一像素标记为一特征位置；计算该特征位置到该第二边界的一第一距离，利用该第一距离将对应的训练影像分为多个第一深度区域；判断该异常区域对应的座标位置是否位于所述多个第一深度区域的其中之一，以产生一深度特征数据；以及利用该深度特征数据作为训练数据，以产生该假阳性滤除模型。
根据本案一实施例，侦测并输出所述多个热图对应的该病灶位置，还包含：利用一第三门槛值判断所述多个热图的其中之一是否具有一乳房异常区域，如果所述多个热图的其中之一具有该乳房异常区域，标记该乳房异常区域对应的座标位置。
根据本案一实施例，将该乳房异常区域对应的座标位置映射至对应的乳房影像中以产生该病灶位置。
根据本案一实施例，还包含：侦测所述多个乳房影像分别对应的一第三边界以及一第四边界，其中，该第三边界包含多个第三像素；分别计算所述多个第三像素对应的曲率，并将具有最大曲率值的第三像素标记为一乳房特征位置；计算该乳房特征位置到该第四边界的一第二距离，利用该第二距离将对应的乳房影像分为多个第二深度区域；判断该乳房异常区域对应的座标位置是否位于所述多个第二深度区域的其中之一，以产生一第二深度特征数据；以及将所述多个热图以及所述多个热图对应的该第二深度特征数据输入该假阳性滤除模型，判断所述多个热图是否具有该假阳性特征，以产生对应于所述多个热图的该异常机率值。
本案的第二态样是在提供一种多视角乳房影像分析系统，其包含：储存装置以及处理器。处理器与储存装置电性连接。储存装置用以储存多个训练影像以及多个乳房影像。处理器包含：异常分析元件、假阳性分析元件以及异常位置分析元件。异常分析元件用以利用病征辨识模型判断乳房影像是否具有对应的异常状态，产生乳房影像对应的多个热图。假阳性分析元件与异常分析元件电性连接，用以利用假阳性滤除模型判断热图是否具有假阳性特征，以产生对应于热图的异常机率值。异常位置分析元件与假阳性分析元件电性连接，用以利用第一门槛值判断异常机率值，如果异常机率值大于第一门槛值，侦测并输出热图对应的病灶位置。
根据本案一实施例，还包含：一病征辨识模型建立元件，与该异常分析元件电性连接，用以输入多个训练影像区块，其中，从多个训练影像中撷取所述多个训练影像区块，所述多个训练影像区块分别对应至一标记结果；以及利用所述多个训练影像区块以及所述多个训练影像区块对应的该标记结果作为训练数据，以产生该病征辨识模型。
根据本案一实施例，还包含：一假阳性滤除模型建立元件，与该病征辨识模型建立元件以及该假阳性分析元件电性连接，用以将所述多个训练影像输入该病征辨识模型以产生多个训练热图，其中所述多个训练热图包含一异常标记；以及利用所述多个训练热图以及所述多个训练热图对应的该异常标记作为训练数据，以产生该假阳性滤除模型。
根据本案一实施例，该假阳性滤除模型建立元件更用以利用一第二门槛值判断所述多个训练热图的其中之一是否具有一异常区域，如果所述多个训练热图的其中之一具有该异常区域，标记该异常区域对应的座标位置。
根据本案一实施例，还包含：一深度数据训练元件，与该病征辨识模型建立元件以及该假阳性滤除模型建立元件电性连接，用以侦测所述多个训练影像分别对应的一第一边界以及一第二边界，其中，该第一边界包含多个第一像素；分别计算所述多个第一像素对应的曲率，并将具有最大曲率值的所述多个第一像素标记为一特征位置；计算该特征位置到该第二边界的一第一距离，利用该第一距离将对应的训练影像分为多个第一深度区域；判断该异常区域对应的座标位置是否位于所述多个第一深度区域的其中之一，以产生一深度特征数据；以及利用该深度特征数据作为训练数据，以产生该假阳性滤除模型。
根据本案一实施例，该异常位置分析元件更用以利用一第三门槛值判断所述多个热图的其中之一是否具有一乳房异常区域，如果所述多个热图的其中之一具有该乳房异常区域，标记该乳房异常区域对应的座标位置。
根据本案一实施例，将该乳房异常区域对应的座标位置映射至对应的乳房影像中以产生该病灶位置。
根据本案一实施例，该异常位置分析元件更用以侦测所述多个乳房影像分别对应的一第三边界以及一第四边界，其中，该第三边界包含多个第三像素；分别计算所述多个第三像素对应的曲率，并将具有最大曲率值的第三像素标记为一乳房特征位置；计算该乳房特征位置到该第四边界的一第二距离，利用该第二距离将对应的乳房影像分为多个第二深度区域；判断该乳房异常区域对应的座标位置是否位于所述多个第二深度区域的其中之一，以产生一第二深度特征数据；以及将所述多个热图以及所述多个热图对应的该第二深度特征数据输入该假阳性滤除模型，判断所述多个热图是否具有该假阳性特征，以产生对应于所述多个热图的该异常机率值。
本案的第三态样是在提供一种非暂态计算机可读取媒体包含至少一指令程序，由处理器执行至少一指令程序以实行多视角乳房影像分析方法，其包含以下步骤：输入多个乳房影像；利用病征辨识模型判断乳房影像是否具有对应的异常状态，产生乳房影像对应的多个热图；利用假阳性滤除模型判断热图是否具有假阳性特征，以产生对应于热图的异常机率值；以及利用第一门槛值判断异常机率值，如果异常机率值大于第一门槛值，侦测并输出热图对应的病灶位置。
本发明的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，其主要是改进以往乳房影像分析技术仅针对单张影像进行分类与侦测的功能，利用训练完的病征辨识模型判断复数张影像是否具有异常状态，再利用假阳性滤除模型判断病征辨识模型产生的热图前述判断的异常状态是否错误，自动侦测乳房病灶以及降低误报机率的功能。
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多视角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多视角乳房影像分析方法的流程图；
图4A及图4B是根据本案的一些实施例所绘示的训练影像区块的示意图；
图5A是根据本案的一些实施例所绘示的乳房影像的示意图；
图5B是根据本案的一些实施例所绘示的乳房影像的示意图；
图5C是根据本案的一些实施例所绘示的乳房影像对应的热图的示意图；
图5D是根据本案的一些实施例所绘示的乳房影像对应的热图的示意图；
图6是根据本案的一些实施例所绘示的建立假阳性滤除模型的流程图；
图7A是根据本案的一些实施例所绘示的训练影像对应的热图的示意图；
图7B是根据本案的一些实施例所绘示的训练影像对应的热图的示意图；
图8是根据本案的一些实施例所绘示的建立假阳性滤除模型的流程图；
图9A是根据本案的一些实施例所绘示的训练影像对应的乳房边缘的示意图；
图9B是根据本案的一些实施例所绘示的训练影像的深度区域的示意图；
图10是根据本案的一些实施例所绘示的多视角乳房影像分析方法的流程图；
图11A是根据本案的一些实施例所绘示的乳房影像的示意图；
图11B是根据本案的一些实施例所绘示的乳房影像的示意图；
图11C是根据本案的一些实施例所绘示的乳房影像对应的热图的示意图；
图11D是根据本案的一些实施例所绘示的乳房影像对应的热图的示意图；
图12A是根据本案的一些实施例所绘示的乳房影像对应的乳房边缘的示意图；以及
图12B是根据本案的一些实施例所绘示的乳房影像对应的乳房边缘的示意图。
【符号说明】
100：多视角乳房影像分析系统
110：储存装置
120：处理器
130：显示器
DB1：病征辨识模型
DB2：假阳性滤除模型
121：异常分析元件
122：假阳性分析元件
123：异常位置分析元件
124：病征辨识模型建立元件
125：假阳性滤除模型建立元件
126：深度数据训练元件
300、1000：多视角乳房影像分析方法
Img1、Img2、Img3、Img4：乳房影像
TImg1、TImg2：训练影像
TP1、TP2：影像区块
R1、R2、R3、R4、R5：乳房区域
L1、L2、L3、L4：亮色区域
HImg1、HImg2、HTImg1、HTImg2、HImg3、HImg4：热图
E1、E2、E31、E41、E42：边界
P1、P2、P3：座标位置
DA1、DA2、DA3、BDA1、BDA2、BDA3：深度区域
D1、D2、D3：距离
F1、F2、F3：特征位置
S310～S340、S610～S620、S810～S870、S1010～S1070：步骤
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多视角乳房影像分析系统100的示意图。如图1所绘示，多视角乳房影像分析系统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用以储存多张乳房训练影像、病征辨识模型DB1以及假阳性滤除模型DB2。于一实施例中，多张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用以显示经过病征辨识以及假阳性判断后的乳房影像或是显示分析报告。处理器120用以对多张乳房影像进行病征辨识以及假阳性判断的判断。
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包含异常分析元件121、假阳性分析元件122、异常位置分析元件123、病征辨识模型建立元件124、假阳性滤除模型建立元件125以及深度数据训练元件126。假阳性分析元件122与异常分析元件121、异常位置分析元件123以及假阳性滤除模型建立元件125电性连接，病征辨识模型建立元件124与异常分析元件121以及深度数据训练元件126电性连接，深度数据训练元件126与病征辨识模型建立元件124以及假阳性滤除模型建立元件125电性连接。
请参阅图3。图3是根据本案的一些实施例所绘示的多视角乳房影像分析方法300的流程图。于一实施例中，图3所示的多视角乳房影像分析方法300可以应用于图1的多视角乳房影像分析系统100上，处理器120用以根据下列多视角乳房影像分析方法300所描述的步骤，针对多张乳房影像进行病征辨识以及假阳性判断的判断。
承上述，多视角乳房影像分析方法300首先执行步骤S310，输入多张乳房影像，以及步骤S320，利用病征辨识模型DB1判断乳房影像是否具有异常状态，产生乳房影像对应的多张热图。执行步骤S320之前需要先建立病征辨识模型DB1，首先输入多个训练影像区块，其中，从多张训练影像中撷取训练影像区块。
请一并参考图4A及图4B，图4A及图4B是根据本案的一些实施例所绘示的训练影像区块的示意图。如图4A所示，病征辨识模型建立元件124用以从训练影像TImg1撷取多个训练影像区块TP1，每一训练影像区块TP1具有对应的标记结果。乳房区域R1中具有乳腺组织以及脂肪组织(图未示)，训练影像区块TP1包含正常乳房的影像内容，即包含乳腺组织以及脂肪组织的影像内容，因此训练影像区块TP1中包含的是正常乳房的影像内容，训练影像区块TP1对应的标记结果为“正常”。于图4A中仅绘示一个训练影像区块TP1，实际上在训练病征辨识模型DB1时会输入多个训练影像区块TP1。
接着，如图4B所示，病征辨识模型建立元件124用以从训练影像TImg2撷取多个训练影像区块TP2，每一训练影像区块TP2具有对应的标记结果。乳房区域R2中具有乳腺组织以、脂肪组织(图未示)以及异常组织，在训练病征辨识模型时，会撷取异常组织的影像。因此训练影像区块TP2包含异常乳房的影像内容，训练影像区块TP2对应的标记结果为“异常”。值得注意的是，由于异常组织(肿瘤或钙化区域)的乳房影像在乳房摄影中属于较少部分的影像，因此如果训练的异常影像数据量太少时，也可以对现有的异常影像数据进行数据扩增，透过将影像内容旋转、小范围平移、镜射等方式将异常影像数据扩增。
承上述，利用训练影像区块TP1及TP2、训练影像区块TP1对应的标记结果(“正常”)以及训练影像区块TP2对应的标记结果(“异常”)作为训练数据，以产生病征辨识模型DB1。值得注意的是，在训练模型阶段异常的标记结果会利用人工方式标记，使得输入的训练数据较为准确，以训练出较为准确的辨识模型。
于一实施例中，利用卷积神经网络(Convolutional Neural Networks，CNN)训练前述提及的训练数据，在卷积神经网络训练时经过全连结层(Fully Connected Layers)后，会产生卷积神经网络训练的结果，即判断输入影像“正常”与“异常”对应的机率值。于本揭露的实施例中，病征辨识模型DB1会产生输入影像对应的热图，因此在进行卷积神经网络训练病征辨识模型DB1时，会移除全域性平均池化(Global Average Pooling，GAP)的计算，直接进入全连结层的计算以产生输入影像对应的热图。
承上述，于步骤S320中，将乳房影像输入卷积神经网络训练出的病征辨识模型DB1后，可以产生对应输入乳房影像的热图。请一并参考图5A及图5B，图5A是根据本案的一些实施例所绘示的乳房影像Img1的示意图，图5B是根据本案的一些实施例所绘示的乳房影像Img2的示意图。于一实施例中，将乳房影像Img1及Img2一起输入病征辨识模型DB1以判断乳房影像是否具有异常状态。值得注意的是，乳房影像Img1及Img2为同侧的乳房影像，两者差异在于拍摄的角度不同。乳房影像Img1为上下照像(CC view)所采集到的乳房影像，乳房影像Img2为内协侧照像(MLO view)所采集到的乳房影像。
值得注意的是，由于乳房摄影所产生的影像具有大面积的黑色区域(如图4A及图4B所示以“网格”表示的区域)，因此训练影像在进行训练前以及乳房影像在输入病征辨识模型DB1前，会先进行影像分割、亮度校正等前处理的操作，前述提到的技术为习知技术，在此不在赘述。
接着，请一并参考图5C及图5D，图5C是根据本案的一些实施例所绘示的乳房影像Img1对应的热图HImg1的示意图，图5D是根据本案的一些实施例所绘示的乳房影像Img2对应的热图HImg2的示意图。如图5C及图5D所示，乳房影像Img1经过病征辨识模型DB1处理后产生热图HImg1，乳房影像Img2经过病征辨识模型DB1处理后产生热图HImg2。热图HImg1为全黑影像，表示经过病征辨识模型DB1的判断后乳房影像Img1为正常的乳房影像。热图HImg2中具有亮色区域L1，表示经过病征辨识模型DB1的判断后乳房影像Img2为具有异常区域的乳房影像。
接着，多视角乳房影像分析方法300执行步骤S330，利用假阳性滤除模型DB2判断热图是否具有假阳性特征，以产生对应于热图的异常机率值。执行步骤S330之前需要先建立假阳性滤除模型DB2。请参考图6，图6是根据本案的一些实施例所绘示的建立假阳性滤除模型的流程图。如图6所示，首先执行步骤S610，将训练影像TImg1及TImg2输入病征辨识模型DB1以产生训练热图HTImg1以及HTImg1。
请一并参考图7A及图7B，图7A是根据本案的一些实施例所绘示的训练影像TImg1对应的热图HTImg1的示意图，图7B是根据本案的一些实施例所绘示的训练影像TImg2对应的热图HTImg2的示意图。如图7A所示，热图HTImg1为全黑影像，表示经过病征辨识模型DB1的判断后训练影像TImg1为正常的乳房影像。如图7B所示，热图HTImg2中具有亮色区域L2，表示经过病征辨识模型DB1的判断后训练影像TImg2为具有异常区域的乳房影像，因此热图HTImg2具有“异常”状态的标记。
承上述，执行步骤S630，利用训练热图HTImg1及HTImg2以及训练热图HTImg1及HTImg2对应的该异常标记作为训练数据，以产生假阳性滤除模型。接续上述实施例，将热图HTImg1、热图HTImg2以及热图HTImg2对应的“异常”状态的标记输入至卷积神经网络训练，再次判断输入影像“正常”与“异常”对应的机率值。值得注意的是，由于会一次输入多张影像进行训练，可能是单侧多张影像或双侧多张影像，因此在进入卷积神经网络前，须先进行卷积计算，以将多张影像的资讯合并。
承上述，在乳房摄影的影像中，如果乳房有异常状况发生，通常在上下照像以及内协侧照像也都会发现有肿瘤或钙化。然而，由于个人身体状况不同，处理器120也可能将乳腺组织或脂肪组织标记为异常状况(肿瘤或钙化)，如果是此种情况，通常在上下照像或内协侧照像中不会同时发现有异常状况，或是发现异常状况的位置不同。因此，通过在训练时会参考不同角度(多张影像)的资讯，可以过滤误判的情况，进而提升判定的准确率。
承上述，假阳性滤除模型DB2训练完毕后，于步骤S330中，将热图HImg1及热图HImg2输入假阳性滤除模型DB2，并利用假阳性滤除模型DB2判断热图HImg1及HImg2是否具有假阳性特征，以产生对应于热图HImg1及HImg2的异常机率值。接着，多视角乳房影像分析方法300进一步执行步骤S340，利用第一门槛值判断异常机率值，如果异常机率值大于第一门槛值，侦测并输出热图对应的病灶位置。
于一实施例中，再利用第一门槛值过滤异常机率值较低的状况，如果异常机率值低于第一门槛值，表示异常状况不明显，有可能是误判(假阳性)情况。于图5A至图5D所示的实施例中，图5A及图5B皆为正常的乳房影像，然而在步骤S320的判断中将图5B误判为异常的乳房影像(热图HImg2具有亮色区域L1)。当进行假阳性判断后，热图HImg2对应的异常机率值会低于第一门槛值，因此将图5B判断为异常的乳房影像的判断结果会被滤除。
于另一实施例中，可以利用额外的深度资讯协助训练假阳性滤除模型DB2，使得假阳性滤除模型DB2训练后的结果可以更准确。请参考图8，图8是根据本案的一些实施例所绘示的建立假阳性滤除模型的流程图。如图8所示，步骤S810的操作与步骤S610相同，在此不再赘述。接着，执行步骤S820，利用第二门槛值判断训练热图的其中之一是否具有异常区域，如果训练热图的其中之一具有异常区域，标记异常区域对应的座标位置。以图7B所示的训练热图HTImg2为例，由于亮色区域L1属于灰阶值较高的区域，因此利用第二门槛值将灰阶值较低的区域滤除，可以计算出亮色区域L1的中心座标(hx1,hy1)。
承上述，执行步骤S830，侦测训练影像分别对应的第一边界以及第二边界。请参考图9A，图9A是根据本案的一些实施例所绘示的训练影像TImg2对应的乳房边缘的示意图。如图9A所示，首先会侦测乳房以及胸大肌的边缘，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，因此可以利用门槛值过滤出乳房区域R3的像素。接着，找出乳房区域R3的像素后，将乳房区域R3内邻近背景区域的像素标记为第一边界E1的像素。接着，由于胸大肌区域R4在乳房影响中属于较亮色的区域，因此可以针对训练影像TImg2进行测边计算，以找出第二边界E2(胸大肌的边缘)。
承上述，进一步执行步骤S840，分别计算第一像素对应的曲率，并将具有最大曲率值的第一像素标记为特征位置。接着，利用曲率公式计算第一边界E1中的多个第一像素对应的曲率。当第一边界E1上弧度越大的地方曲率值会越大，将曲率最大的地方标记为特征位置F1。在此情况中，曲率最大的地方通常为乳头的位置，因此将乳头的位置标记为特征位置F1。于另一实施例中，也可利用门槛值过滤出曲率较大的位置，再进一步计算出乳头位置，本揭露不限于此。
接着，进一步执行步骤S850，计算特征位置F1到第二边界E2的第一距离D1，利用第一距离D1将对应的训练影像TImg2分为多个第一深度区域。如图9A所示，计算出特征位置F1后，可以计算出特征位置F1到第二边界E2的垂直距离D1，接着根据距离D1的长度将乳房区域R3区分为多个深度区域。请参考图9B，图9B是根据本案的一些实施例所绘示的训练影像TImg2的深度区域的示意图。如图9B所示，多个深度区域包含深度区域DA1、深度区域DA2以及深度区域DA3。其中，区分深度区域DA1、DA2及DA3的分割线皆与距离D1垂直。
接着，进一步执行步骤S860，判断异常区域对应的座标位置是否位于第一深度区域的其中之一，以产生第一深度特征数据。如图7B以及图9B所示，图7B中的异常区域为亮色区域L1，并且亮色区域L1的中心座标为(hx1,hy1)，因此亮色区域L1可以映射至图9B中的相同座标位置P1，座标位置P1位于深度区域DA3中，深度特征数据可以以向量形式表示。于此实施例中，训练影像TImg2对应的深度特征数据可以表示为(0,0,1)，表示深度区域DA3中具有异常区域。
接着，进一步执行步骤S870，利用训练热图、训练热图对应的该异常标记以及深度特征数据作为训练数据，以产生假阳性滤除模型DB2。步骤S870的操作类似于步骤S630，两者的差异在于步骤S870进一步输入深度特征数据作为训练数据。值得注意的是，每一张训练影像皆对应一组深度特征数据，再进行训练时，可利用向量串接的方式与训练影像一起进入全连结层进行计算。
承上述，值得注意的是，除了可以利用深度特征数据作为训练数据之外，也可以利用辅助数据作为训练数据，举例而言，可以利用患者年龄作为辅助数据(例如，年龄越高权重值越高)，再以向量形式表示与深度特征数据以及训练影像一起进入全连结层进行计算，本揭示不限于此。
于一实施例中，如果在训练假阳性滤除模型DB2有采用深度特征数据进行训练，在侦测乳房影像时也需计算乳房影像对应的深度特征数据。请参阅图10。图10是根据本案的一些实施例所绘示的多视角乳房影像分析方法1000的流程图。多视角乳房影像分析方法1000首先执行步骤S1010，输入多张乳房影像，以及步骤S1020，利用病征辨识模型DB1判断乳房影像是否具有异常状态，产生乳房影像对应的多张热图。步骤S1010以及步骤S1020的操作与步骤S310及S320相同，在此不再赘述。
承上述，请一并参考图11A至图11D，图11A是根据本案的一些实施例所绘示的乳房影像Img3的示意图，图11B是根据本案的一些实施例所绘示的乳房影像Img4的示意图，图11C是根据本案的一些实施例所绘示的乳房影像Img3对应的热图HImg3的示意图，图11D是根据本案的一些实施例所绘示的乳房影像Img4对应的热图HImg4的示意图。将乳房影像Img3及Img4一起输入病征辨识模型DB1以判断乳房影像是否具有异常状态，接着病征辨识模型DB1输出乳房影像Img3及Img4对应的热图HImg3及HImg4。
承上述，如图11C及图11D所示，热图HImg3中具有亮色区域L3，表示经过病征辨识模型DB1的判断后乳房影像Img3为具有异常区域的乳房影像，热图HImg4中具有亮色区域L4，表示经过病征辨识模型DB1的判断后乳房影像Img4为具有异常区域的乳房影像。
接着，多视角乳房影像分析方法1000执行步骤S1030，利用第三门槛值判断热图HImg3及HImg4的其中之一是否具有乳房异常区域，如果热图的其中之一具有乳房异常区域，标记乳房异常区域对应的座标位置。于此实施例中，步骤S1030的操作与步骤S820类似，在此不再赘述。利用第三门槛值可以计算出亮色区域L3的中心座标(hx2,hy2)，以及亮色区域L4的中心座标(hx3,hy3)。
接着，多视角乳房影像分析方法1000执行步骤S1040，侦测训练影像分别对应的第三边界以及第四边界，分别计算第三像素对应的曲率，并将具有最大曲率值的第三像素标记为乳房特征位置。于此实施例中，步骤S1040的操作与步骤S830及步骤S840类似，在此不再赘述。
请参考图12A，图12A是根据本案的一些实施例所绘示的乳房影像Img3对应的乳房边缘的示意图。如图12A所示，将乳房影像Img3的乳房区域边缘标记为第三边界E31，由于图12A为乳房影像Img3为上下照像，因此在此类照像中，不会有胸大肌的影像区域，因此将影像的边界作为胸大肌的边缘，并标记为第四边界E41。接着，利用曲率公式计算第三边界E31中的多个第三像素对应的曲率，并找出具有最大取率的第三像素，将具有最大取率的第三像素标记为乳房特征位置F2。
承上述，请参考图12B，图12B是根据本案的一些实施例所绘示的乳房影像Img4对应的乳房边缘的示意图。依照前述的操作，在乳房影像Img4中标记出第三边界E32(乳房区域边缘)以及第四边界E42(胸大肌边缘)。接着，利用曲率公式计算第三边界E32中的多个第三像素对应的曲率，并找出具有最大取率的第三像素，将具有最大取率的第三像素标记为乳房特征位置F3。
接着，多视角乳房影像分析方法1000执行步骤S1050，计算乳房特征位置到第四边界的第二距离，利用第二距离将对应的乳房影像分为多个第二深度区域。于此实施例中，步骤S1050的操作与步骤S850类似，在此不再赘述。如图12A所示，计算出乳房特征位置F2后，可以计算出乳房特征位置F2到第四边界E41的垂直距离D2，接着根据距离D2的长度将乳房区域R4区分为深度区域BDA1、深度区域BDA2以及深度区域BDA3。其中，区分深度区域BDA1、BDA2及BDA3的分割线皆与距离D2垂直。
承上述，类似的，如图12B所示，计算出乳房特征位置F3后，可以计算出乳房特征位置F3到第四边界E42的垂直距离D3，接着根据距离D3的长度将乳房区域R5区分为深度区域BDA1、深度区域BDA2以及深度区域BDA3。其中，区分深度区域BDA1、BDA2及BDA3的分割线皆与距离D3垂直。
接着，多视角乳房影像分析方法1000执行步骤S1060，判断乳房异常区域对应的座标位置是否位于第二深度区域的其中之一，以产生第二深度特征数据，并将热图以及热图对应的第二深度特征数据输入假阳性滤除模型，判断热图是否具有假阳性特征，以产生对应于热图的异常机率值。于此实施例中，步骤S1060的操作与步骤S860及步骤S870类似，在此不再赘述。如图11C及图12A所示，图11C中的异常区域为亮色区域L3，并且亮色区域L3的中心座标为(hx2,hy2)，因此亮色区域L3可以映射至图12A中的相同座标位置P2，座标位置P2位于深度区域BDA2中。于此实施例中，乳房影像Img3对应的第二深度特征数据可以表示为(0,1,0)，表示深度区域BDA2中具有异常区域。
类似的，如图11D及图12B所示，图11D中的异常区域为亮色区域L4，并且亮色区域L4的中心座标为(hx3,hy3)，因此亮色区域L4可以映射至图12B中的相同座标位置P3，座标位置P3位于深度区域BDA2中。于此实施例中，乳房影像Img4对应的第二深度特征数据可以表示为(0,1,0)，表示深度区域BDA2中具有异常区域。接着，将乳房影像TImg3对应的第二深度特征(0,1,0)与乳房影像TImg4对应的第二深度特征(0,1,0)串接，产生的向量为(0,1,0,0,1,0)。
承上述，接着利用热图HImg3及HImg4以及热图HImg3及HImg4对应的第二深度特征数据输入假阳性滤除模型，判断热图HImg3及HImg4是否具有假阳性特征，以产生对应于热图HImg3及HImg4的异常机率值。接着，多视角乳房影像分析方法1000执行步骤S1070，利用第一门槛值判断异常机率值，如果异常机率值大于第一门槛值，将乳房异常区域(亮色区域L3及L4)对应的座标位置(P2及P3)映射至对应的乳房影像中以产生病灶位置。
承上述，于一实施例中，图11A及图11B所示的实施例在进行步骤S1020的判断后，将图11A及图11B判断为异常的乳房影像。当进行假阳性判断后，热图HImg3及HImg4对应的异常机率值会高于第一门槛值，因此会进一步将步骤S1030计算出的乳房异常区域(亮色区域L3及L4)对应的座标位置分别映射至对应的乳房影像Img3及Img4中以产生病灶位置。
由上述本案的实施方式可知，主要是改进以往乳房影像分析技术仅针对单张影像进行分类与侦测的功能，利用训练完的病征辨识模型判断复数张影像是否具有异常状态，再利用假阳性滤除模型判断病征辨识模型产生的热图前述判断的异常状态是否错误，自动侦测乳房病灶以及降低误报机率的功能。
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 (17)

1.一种多视角乳房影像分析方法，其特征在于，包含：
输入多个乳房影像，其中所述多个乳房影像至少包括两乳房影像，所述两乳房影像为由同侧的上下照像及内协侧照像所采集；
利用一病征辨识模型判断所述多个乳房影像是否具有对应的异常状态，产生所述多个乳房影像对应的多个热图；
利用一假阳性滤除模型判断所述多个热图是否具有一假阳性特征，以产生对应于所述多个热图的一异常机率值，其中所述假阳性滤除模型是由所述上下照像及所述内协侧照像所采集的多张训练影像所训练；以及
利用一第一门槛值判断该异常机率值，如果该异常机率值大于该第一门槛值，侦测并输出所述多个热图对应的一病灶位置。
2.根据权利要求1所述的多视角乳房影像分析方法，其特征在于，还包含：
输入多个训练影像区块，其中，从多个训练影像中撷取所述多个训练影像区块，所述多个训练影像区块分别对应至一标记结果；以及
利用所述多个训练影像区块以及所述多个训练影像区块对应的该标记结果作为训练数据，以产生该病征辨识模型。
3.根据权利要求2所述的多视角乳房影像分析方法，其特征在于，还包含：
将所述多个训练影像输入该病征辨识模型以产生多个训练热图，其中所述多个训练热图包含一异常标记；以及
利用所述多个训练热图以及所述多个训练热图对应的该异常标记作为训练数据，以产生该假阳性滤除模型。
4.根据权利要求3所述的多视角乳房影像分析方法，其特征在于，还包含：
利用一第二门槛值判断所述多个训练热图的其中之一是否具有一异常区域，如果所述多个训练热图的其中之一具有该异常区域，标记该异常区域对应的座标位置。
5.根据权利要求4所述的多视角乳房影像分析方法，其特征在于，还包含：
侦测所述多个训练影像分别对应的一第一边界以及一第二边界，其中，该第一边界包含多个第一像素；
分别计算所述多个第一像素对应的曲率，并将具有最大曲率值的所述多个第一像素标记为一特征位置；
计算该特征位置到该第二边界的一第一距离，利用该第一距离将对应的训练影像分为多个第一深度区域；
判断该异常区域对应的座标位置是否位于所述多个第一深度区域的其中之一，以产生一第一深度特征数据；以及
利用该第一深度特征数据作为训练数据，以产生该假阳性滤除模型。
6.根据权利要求1所述的多视角乳房影像分析方法，其特征在于，侦测并输出所述多个热图对应的该病灶位置，还包含：
利用一第三门槛值判断所述多个热图的其中之一是否具有一乳房异常区域，如果所述多个热图的其中之一具有该乳房异常区域，标记该乳房异常区域对应的座标位置。
7.根据权利要求6所述的多视角乳房影像分析方法，其特征在于，将该乳房异常区域对应的座标位置映射至对应的乳房影像中以产生该病灶位置。
8.根据权利要求6所述的多视角乳房影像分析方法，其特征在于，还包含：
侦测所述多个乳房影像分别对应的一第三边界以及一第四边界，其中，该第三边界包含多个第三像素；
分别计算所述多个第三像素对应的曲率，并将具有最大曲率值的第三像素标记为一乳房特征位置；
计算该乳房特征位置到该第四边界的一第二距离，利用该第二距离将对应的乳房影像分为多个第二深度区域；
判断该乳房异常区域对应的座标位置是否位于所述多个第二深度区域的其中之一，以产生一第二深度特征数据；以及
将所述多个热图以及所述多个热图对应的该第二深度特征数据输入该假阳性滤除模型，判断所述多个热图是否具有该假阳性特征，以产生对应于所述多个热图的该异常机率值。
9.一种多视角乳房影像分析系统，其特征在于，包含：
一储存装置，用以储存多个训练影像以及多个乳房影像，其中所述多个乳房影像至少包括两乳房影像，所述两乳房影像为由同侧的上下照像及内协侧照像所采集；
一处理器，与该储存装置电性连接，该处理器包含：
一异常分析元件，用以利用一病征辨识模型判断所述多个乳房影像是否具有对应的异常状态，产生所述多个乳房影像对应的多个热图；
一假阳性分析元件，与该异常分析元件电性连接，用以利用一假阳性滤除模型判断所述多个热图是否具有一假阳性特征，以产生对应于所述多个热图的一异常机率值，其中所述假阳性滤除模型是由所述上下照像及所述内协侧照像所采集的多张训练影像所训练；以及
一异常位置分析元件，与该假阳性分析元件电性连接，用以利用一第一门槛值判断该异常机率值，如果该异常机率值大于该第一门槛值，侦测并输出所述多个热图对应的一病灶位置。
10.根据权利要求9所述的多视角乳房影像分析系统，其特征在于，还包含：
一病征辨识模型建立元件，与该异常分析元件电性连接，用以输入多个训练影像区块，其中，从所述多个训练影像中撷取所述多个训练影像区块，所述多个训练影像区块分别对应至一标记结果；以及利用所述多个训练影像区块以及所述多个训练影像区块对应的该标记结果作为训练数据，以产生该病征辨识模型。
11.根据权利要求10所述的多视角乳房影像分析系统，其特征在于，还包含：
一假阳性滤除模型建立元件，与该病征辨识模型建立元件以及该假阳性分析元件电性连接，用以将所述多个训练影像输入该病征辨识模型以产生多个训练热图，其中所述多个训练热图包含一异常标记；以及利用所述多个训练热图以及所述多个训练热图对应的该异常标记作为训练数据，以产生该假阳性滤除模型。
12.根据权利要求11所述的多视角乳房影像分析系统，其特征在于，该假阳性滤除模型建立元件更用以利用一第二门槛值判断所述多个训练热图的其中之一是否具有一异常区域，如果所述多个训练热图的其中之一具有该异常区域，标记该异常区域对应的座标位置。
13.根据权利要求12所述的多视角乳房影像分析系统，其特征在于，还包含：
一深度数据训练元件，与该病征辨识模型建立元件以及该假阳性滤除模型建立元件电性连接，用以侦测所述多个训练影像分别对应的一第一边界以及一第二边界，其中，该第一边界包含多个第一像素；分别计算所述多个第一像素对应的曲率，并将具有最大曲率值的所述多个第一像素标记为一特征位置；计算该特征位置到该第二边界的一第一距离，利用该第一距离将对应的训练影像分为多个第一深度区域；判断该异常区域对应的座标位置是否位于所述多个第一深度区域的其中之一，以产生一第一深度特征数据；以及利用该第一深度特征数据作为训练数据，以产生该假阳性滤除模型。
14.根据权利要求9所述的多视角乳房影像分析系统，其特征在于，该异常位置分析元件更用以利用一第三门槛值判断所述多个热图的其中之一是否具有一乳房异常区域，如果所述多个热图的其中之一具有该乳房异常区域，标记该乳房异常区域对应的座标位置。
15.根据权利要求14所述的多视角乳房影像分析系统，其特征在于，将该乳房异常区域对应的座标位置映射至对应的乳房影像中以产生该病灶位置。
16.根据权利要求14所述的多视角乳房影像分析系统，其特征在于，该异常位置分析元件更用以侦测所述多个乳房影像分别对应的一第三边界以及一第四边界，其中，该第三边界包含多个第三像素；分别计算所述多个第三像素对应的曲率，并将具有最大曲率值的第三像素标记为一乳房特征位置；计算该乳房特征位置到该第四边界的一第二距离，利用该第二距离将对应的乳房影像分为多个第二深度区域；判断该乳房异常区域对应的座标位置是否位于所述多个第二深度区域的其中之一，以产生一第二深度特征数据；以及将所述多个热图以及所述多个热图对应的该第二深度特征数据输入该假阳性滤除模型，判断所述多个热图是否具有该假阳性特征，以产生对应于所述多个热图的该异常机率值。
17.一种非暂态计算机可读取媒体，其特征在于，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多视角乳房影像分析方法，其包含：
输入多个乳房影像，其中所述多个乳房影像至少包括两乳房影像，所述两乳房影像为由同侧的上下照像及内协侧照像所采集；
利用一病征辨识模型判断所述多个乳房影像是否具有对应的异常状态，产生所述多个乳房影像对应的多个热图；
利用一假阳性滤除模型判断所述多个热图是否具有一假阳性特征，以产生对应于所述多个热图的一异常机率值，其中所述假阳性滤除模型是由所述上下照像及所述内协侧照像所采集的多张训练影像所训练；以及
利用一第一门槛值判断该异常机率值，如果该异常机率值大于该第一门槛值，侦测并输出所述多个热图对应的一病灶位置。
CN201910753226.1A 2019-07-19 2019-08-15 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 Active CN112241947B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW108125726 2019-07-19
TW108125726A TWI707663B (zh) 2019-07-19 2019-07-19 多視角乳房影像分析方法、多視角乳房影像分析系統及非暫態電腦可讀取媒體

Publications (2)

Publication Number Publication Date
CN112241947A CN112241947A (zh) 2021-01-19
CN112241947B true CN112241947B (zh) 2024-02-13

Family

ID=74091789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910753226.1A Active CN112241947B (zh) 2019-07-19 2019-08-15 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

Country Status (3)

Country Link
US (1) US11145056B2 (zh)
CN (1) CN112241947B (zh)
TW (1) TWI707663B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7314091B2 (ja) * 2020-03-31 2023-07-25 富士フイルム株式会社 情報処理装置、情報処理方法、及び情報処理プログラム
US11710231B2 (en) * 2020-08-31 2023-07-25 Ping An Technology (Shenzhen) Co., Ltd. Method and apparatus for mammographic multi-view mass identification

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446911A (zh) * 2016-09-13 2017-02-22 李志刚 一种基于图像边缘线弯曲度和距离特征的人手识别方法
TWI587844B (zh) * 2016-01-28 2017-06-21 太豪生醫股份有限公司 醫療影像處理裝置及其乳房影像處理方法
CN106940816A (zh) * 2017-03-22 2017-07-11 杭州健培科技有限公司 基于3d全连接卷积神经网络的ct图像肺结节检测系统
CN108389190A (zh) * 2018-02-08 2018-08-10 贵州联科卫信科技有限公司 一种基于深度学习方法的肺结节自动检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6553356B1 (en) 1999-12-23 2003-04-22 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Multi-view computer-assisted diagnosis
US7646902B2 (en) * 2005-02-08 2010-01-12 Regents Of The University Of Michigan Computerized detection of breast cancer on digital tomosynthesis mammograms
US10140709B2 (en) 2017-02-27 2018-11-27 International Business Machines Corporation Automatic detection and semantic description of lesions using a convolutional neural network
CN107730507A (zh) * 2017-08-23 2018-02-23 成都信息工程大学 一种基于深度学习的病变区域自动分割方法
US10565707B2 (en) * 2017-11-02 2020-02-18 Siemens Healthcare Gmbh 3D anisotropic hybrid network: transferring convolutional features from 2D images to 3D anisotropic volumes
CN107886514B (zh) * 2017-11-22 2021-04-23 浙江中医药大学 基于深度残差网络的乳腺钼靶图像肿块语义分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI587844B (zh) * 2016-01-28 2017-06-21 太豪生醫股份有限公司 醫療影像處理裝置及其乳房影像處理方法
CN106446911A (zh) * 2016-09-13 2017-02-22 李志刚 一种基于图像边缘线弯曲度和距离特征的人手识别方法
CN106940816A (zh) * 2017-03-22 2017-07-11 杭州健培科技有限公司 基于3d全连接卷积神经网络的ct图像肺结节检测系统
CN108389190A (zh) * 2018-02-08 2018-08-10 贵州联科卫信科技有限公司 一种基于深度学习方法的肺结节自动检测方法

Also Published As

Publication number Publication date
US20210019880A1 (en) 2021-01-21
CN112241947A (zh) 2021-01-19
TW202103630A (zh) 2021-02-01
US11145056B2 (en) 2021-10-12
TWI707663B (zh) 2020-10-21

Similar Documents

Publication Publication Date Title
CN109543596B (zh) 一种水位监测方法、装置、电子设备及存储介质
JP6496987B2 (ja) 目標検出方法及び目標検出装置
US9311533B2 (en) Device and method for detecting the presence of a logo in a picture
CN105453153B (zh) 交通灯检测
WO2022063198A1 (zh) 一种肺部图像处理方法、装置及设备
CN111160291B (zh) 基于深度信息与cnn的人眼检测方法
KR102519515B1 (ko) 정보 처리 장치, 정보 처리 방법, 컴퓨터 프로그램
US20150125074A1 (en) Apparatus and method for extracting skin area to block harmful content image
JP2013257866A5 (ja) テキストを自動的に検出する方法
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
CN109344864B (zh) 用于密集物体的图像处理方法及装置
US11200443B2 (en) Image processing apparatus, image processing method, and image processing system
WO2006129442A1 (ja) 画像処理装置及び対象領域追跡プログラム
CN103852034B (zh) 一种电梯导轨垂直度检测方法
US20210312605A1 (en) Information processing apparatus, information processing method of information processing apparatus, and storage medium
CN111882568A (zh) 火灾图像边缘提取处理方法、终端及系统
JP2020024741A (ja) 読取システム、読取方法、プログラム、及び記憶媒体
CN112288780B (zh) 多特征动态加权的目标跟踪算法
JP6980208B2 (ja) 構造物維持管理業務支援システム
CN111401102A (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN111222371A (zh) 舌下静脉特征提取装置及方法
TWI675646B (zh) 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
CN108074229A (zh) 一种气管树提取方法及装置
CN109447948B (zh) 一种基于病灶彩色视网膜眼底图像的视盘分割方法
CN116309780A (zh) 一种基于目标检测的水尺水位识别方法

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