CN112529900A - 匹配乳腺图像中roi的方法、装置、终端与存储介质 - Google Patents
匹配乳腺图像中roi的方法、装置、终端与存储介质 Download PDFInfo
- Publication number
- CN112529900A CN112529900A CN202011591636.XA CN202011591636A CN112529900A CN 112529900 A CN112529900 A CN 112529900A CN 202011591636 A CN202011591636 A CN 202011591636A CN 112529900 A CN112529900 A CN 112529900A
- Authority
- CN
- China
- Prior art keywords
- roi
- picture
- region
- matching
- network
- 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
Links
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims description 60
- 210000000481 breast Anatomy 0.000 claims description 48
- 210000002445 nipple Anatomy 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 9
- 210000000779 thoracic wall Anatomy 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000000704 physical effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 12
- 230000006835 compression Effects 0.000 description 8
- 238000007906 compression Methods 0.000 description 8
- 210000002976 pectoralis muscle Anatomy 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 230000003902 lesion Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 206010006187 Breast cancer Diseases 0.000 description 4
- 208000026310 Breast neoplasm Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 208000004434 Calcinosis Diseases 0.000 description 3
- 230000002308 calcification Effects 0.000 description 3
- 206010048782 Breast calcifications Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
Abstract
本发明实施例公开了匹配乳腺图像中ROI的方法、装置、终端与存储介质，该方法包括：步骤1、获取第一图片与第二图片；步骤2、获取乳腺的物理属性参数和第一图片上ROI的位置参数；步骤3、将位置参数和物理属性参数输入基于BP网络的ROI位置匹配区域模型，得到第二图片上ROI的预测位置参数；步骤4、基于预测位置参数在第二图片上进行正负方向的延展，以确定匹配预测区域；步骤5、将对应匹配预测区域的图片输入基于Faster‑RCNN网络的ROI定位模型，得到第二图片中ROI的位置。本发明的方案可以快速准确地匹配CC位和MLO位图像之间的对应ROI位置。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及匹配乳腺图像中ROI的方法、装置、终端与存储介质。
背景技术
乳腺癌是影响女性健康的最主要的恶性肿瘤之一，而乳腺癌的早期筛查和诊断有助于降低其发病率和死亡率。影像学检查是乳腺癌筛查中最常用的手段之一，该类检查不需要进行活检或其他侵入性检查，主要包括B超、CT(Computed Tomography，即电子计算机断层扫描)、MRI(Magnetic Resonance Imaging，磁共振成像)、基于X射线进行钼靶摄影等。目前，对乳腺进行钼靶摄影是乳腺癌筛查的首选方法，已被世界卫生组织证明是最有效的筛查方法，通常采集每个乳腺的CC(Cranio Caudal，头尾)位图像和MLO(Medio LateralOblique，内外斜)位图像。放射科医生通过读取CC位和MLO位图像来确定ROI(region ofinterest，感兴趣区域)位置从而进行分析和诊断。
匹配CC位和MLO位病灶位置的方法主要包括两个步骤：几何空间上确定匹配区域和特征相似性分析确定位置。在一个乳腺的不同位图(如CC位和MLO位)中，某个病灶的几何位置信息和图像纹理信息是相关的，可以利用相关信息在不同视图中完成相应ROI的位置匹配。但是由于乳腺在不同角度的成像过程中存在高度压缩变形，故在CC位和MLO位图像上快速定位相应的ROI对放射科医生是一个挑战。因此，通过计算机辅助放射科医生匹配CC位和MLO位的对应ROI位置是目前的一个重要研究方向。
目前已有很多关于CC位和MLO位视图的相应ROI配准的研究。如Hadjiiski等(L.Hadjiiski,H.P.Chan,B.Sahiner,N.Petrick,and M.A.Helvie,"Automatedregistration of breast lesions in temporal pairs of mammograms for intervalchange analysis—Local affine transformation for improved localization,"Medical physics,vol.28,no.6,pp.1070-1079,2001.)首先利用CC位图像中已知ROI到如乳头的径向距离，将该距离映射到MLO位图像中进而确定一个弧形匹配区域，然后在该匹配区域上利用相似性度量的方法确定相应ROI位置。再例如Pu等(J.Pu,B.Zheng,J.K.Leader,and D.Gur,"An ellipse-fitting based method for efficient registration ofbreast masses on two mammographic views,"Medical physics,vol.35,pp.487-494,2008.)首先通过对图像中的乳腺轮廓进行椭圆拟合，然后在CC位和MLO位视图中，分别以椭圆的长轴、短轴以及其交点作为X轴、Y轴和原点建立局部笛卡尔坐标系。以某个视图中ROI到X轴的轴向距离作为已知条件，将该轴向距离映射到另一个视图中局部坐标系中，可以得到一个条形的匹配区域带，进而在区域带内寻找对应ROI位置。再例如Kita等(Y.Kita,R.Highnam,and M.Brady,"Correspondence between different view breast X raysusing curved epipolar lines,"Computer vision and image understanding,vol.83,no.1,pp.38-56,2001.)根据通过建立非线性数学模型来模拟乳腺在不同视图成像中压缩变形的规律，利用CC位图像中已知的一点，在MLO位图像上可以确定该点相对应位置的曲线。Duan等(X.Duan et al."Matching Corresponding Regions of Interest on Cranio-Caudal and Medio-Lateral Oblique View Mammograms,"IEEE Access,vol.7,pp.31586-31597,2019.)在Kita方法的基础上提出了一种结合几何匹配模型和相似性搜索的感兴趣区域匹配方法，该方法首先利用改进的几何模型确定感兴趣区域中心可能存在的区域，然后通过相似性搜索确定感兴趣区域中心的具体位置，但是该方法在确定ROI匹配区域的过程中需要人工参与，增加了工作量。
上述几种方法分别利用已知视图的ROI位置信息，在另一视图中得到ROI相应位置的条形匹配区域或弧形匹配区域，然后通过相似性搜索确定相关ROI位置，但是由于在CC位和MLO位视图成像过程中乳腺组织高度变形，上述的条形或弧形的刚性匹配CC位和MLO位图像上相应ROI位置误差比较大。同样由于成像过程中乳腺组织的重叠程度大，只是通过相似性搜索原理遍历整个匹配区域确定ROI位置不仅精确度不高并且耗时长，不适合实际的应用。
发明内容
有鉴于此，本发明提出了匹配乳腺图像中ROI的方法、装置、终端与存储介质，通过本方案分步骤逐渐缩小匹配搜索区域的策略，同时具备ROI位置匹配的高精确、高效率以及强稳定性。
具体的，本发明提出了以下具体的实施例：
本发明实施例提出了一种匹配乳腺图像中ROI的方法，包括：
步骤1、获取第一图片与第二图片；所述第一图片与所述第二图片为对应同一所述乳腺且类型不同的图片；所述类型包括：CC位图和MLO位图；
步骤2、获取乳腺的物理属性参数和所述第一图片上ROI的位置参数；
步骤3、将所述位置参数和所述物理属性参数输入基于BP网络的ROI位置匹配区域模型，得到所述第二图片上所述ROI的预测位置参数；
步骤4、基于所述预测位置参数在所述第二图片上进行正负方向的延展，以确定匹配预测区域；
步骤5、将对应所述匹配预测区域的图片输入基于Faster-RCNN网络的ROI定位模型，得到所述第二图片中所述ROI的位置。
在一个具体的实施例中，所述位置参数是通过以下步骤获取的：
步骤10、提取所述第一图片上的乳腺区域；
步骤11、在所述乳腺区域建立局部坐标系；其中，所述局部坐标系的Y轴平行于胸壁线、所述局部坐标系的X轴垂直于所述胸壁线、所述局部坐标系的原点为乳头；
步骤12、基于所述局部坐标系，确定所述ROI在所述乳腺区域中的位置参数。
在一个具体的实施例中，所述步骤10包括：通过阈值分割的方式对所述第一图片上的乳腺区域进行提取。
在一个具体的实施例中，所述基于BP网络的ROI位置匹配区域模型，是通过以下步骤训练获得的：
步骤20、获取第一数据、第二数据与第三数据；所述第一数据为作为样本的所述乳腺的物理属性参数、所述第二数据为作为样本的所述第一图片上ROI的位置参数、所述第三数据为作为样本的所述第二图片上ROI的位置参数；
步骤21、将所述第一数据和所述第二数据输入BP网络，得到BP网络输出值；
步骤22、通过所述第三数据与所述BP网络输出值进行比较，以调整所述BP网络的参数；
步骤23、若所述第三数据与所述BP网络输出值的差值小于预设值，则确认所述参数调整完成，得到基于BP网络的ROI位置匹配区域模型。
在一个具体的实施例中，所述基于BP网络的ROI位置匹配区域模型包括：条形区域预测模型与弧形区域预测模型；其中，所述条形区域预测模型用于对条形区域进行预测匹配；所述弧形区域预测模型用于对弧形区域进行预测匹配；
所述条形区域与所述弧形区域是通过以下步骤确定的：
步骤31、在所述局部坐标系的基础上，基于预设的抛物线将所述乳腺区域分为多个区域块；
步骤32、对各所述区域块进行标注，以将所述乳腺区域分为条形区域和弧形区域。
在一个具体的实施例中，当所述ROI位于所述第一图片中的所述弧形区域时，得到的所述第二图片上所述ROI的预测位置参数为所述ROI到所述乳头的径向距离；当所述ROI位于所述第一图片中的所述条形区域时，得到的所述第二图片上所述ROI的预测位置参数为所述ROI到所述乳头的轴向距离。
在一个具体的实施例中，所述Faster-RCNN网络包括RPN模块与Fast-RCNN模块；
所述基于Faster-RCNN网络的ROI定位模型，是通过以下步骤训练得到的：
步骤41、获取作为样本的所述第一图片与所述第二图片，并分别设置为第一样本图与第二样本图；
步骤42、对所述第一样本图与所述第二样本图进行预处理；所述预处理包括：归一化处理、去除噪声处理；
步骤43、将经过预处理后的所述第一样本图与所述第二样本图转换为3通道图片；
步骤44、分别在进行了转换后的所述第一样本图与所述第二样本图中提取以所述ROI为中心的预设区域作为第一训练图与第二训练图；
步骤45、对所述第一训练图与所述第二训练图进行扩充；
步骤46、通过扩充后所述第一训练图与所述第二训练图对所述RPN模块与所述Fast-RCNN模块进行训练；
步骤47、当训练后输出的ROI预测区域边框与所述第二训练图中所述ROI的实际区域边框两者的IoU大于预设阈值，则所述训练完成，得到基于Faster-RCNN网络的ROI定位模型。
本发明实施例还提出了一种匹配乳腺图像中ROI的装置，包括：
第一获取模块，用于获取第一图片与第二图片；所述第一图片与所述第二图片为对应同一所述乳腺且类型不同的图片；所述类型包括：CC位图和MLO位图；
第二获取模块，用于获取乳腺的物理属性参数和所述第一图片上ROI的位置参数；
第一匹配模块，用于将所述位置参数和所述物理属性参数输入基于BP网络的ROI位置匹配区域模型，得到所述第二图片上所述ROI的预测位置参数；
延展模块，用于基于所述预测位置参数在所述第二图片上进行正负方向的延展，以确定匹配预测区域；
第二匹配模块，用于将对应所述匹配预测区域的图片输入基于Faster-RCNN网络的ROI定位模型，得到所述第二图片中所述ROI的位置。
本发明实施例还提出了一种终端，包括处理器与存储器，包括处理器与存储器，所述存储器中存储有应用程序，所述应用程序在所述处理器上运行时执行上述的匹配乳腺图像中ROI的方法。
本发明实施例还提出了一种存储介质，所述应用程序在处理器上运行时执行上述的匹配乳腺图像中ROI的方法。
相较于现有技术，本方案具有以下技术效果：
本发明的方案通过联合基于BP网络的ROI位置匹配区域模型和基于Faster-RCNN网络的ROI定位模型进行逐步匹配预测，可以快速准确地匹配CC位和MLO位图像之间的对应ROI位置，具有很高的应用价值。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本发明实施例提出的一种匹配乳腺图像中ROI的方法的流程示意图；
图2示出了本发明实施例提出的一种匹配乳腺图像中ROI的方法中提取CC位和MLO位图像的乳腺区域以及确定MLO位乳腺胸肌线夹角β，并分别在两个乳腺轮廓上以乳头为原点建立局部笛卡尔坐标系的示意图；
图3中的(a)乳腺在成像过程中成像参数X射线剂量D、压迫力度F和压缩厚度T的示意图；图3中的(b)为ROI空间位置参数(xr,yr)示意图，其中(xi,y1)和(xi,y2)分别表示经过ROI质心点(xi,yi)并且平行于Y轴的白色虚线与乳腺上下轮廓的交点，Dn为乳头位置到胸肌线的垂直距离；
图4中的(a)-(c)示出了CC位和MLO位图像之间常用的条形匹配和弧形匹配方法，AD和RD分别为已知ROI质心到乳头的轴向距离和径向距离；图4中的(d)本发明实施例提出的一种匹配乳腺图像中ROI的方法中把乳腺图像块划分为相应的条形区域和弧形区域的示意图；
图5示出了为使用建立的匹配区域模型在MLO图像上预测的弧形匹配区域，其中虚线为预测的径向距离，实线是以虚线为中心轴线向正负方向分别延伸20mm后所得；
图6中的(a)示出了在CC位图像中以肿块质心为中心取一定大小的图片，图6中的(b)-(i)为90°旋转、180°旋转、270°旋转、垂直翻转、水平翻转、对比度增加和对比度降低对数据进行扩充；
图7示出了使用建立的ROI定位模型在弧形匹配区域上预测的对应肿块位置的示意图；
图8示出了本发明实施例提出的一种匹配乳腺图像中ROI的装置的结构示意图；
图9示出了本发明实施例提出的一种终端的结构框架示意图；
图10示出了本发明实施例提出的一种存储介质的结构框架示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
实施例1
本发明实施例1公开了一种匹配乳腺图像中ROI的方法，如图1所示，包括：
步骤100、获取第一图片与第二图片；第一图片与第二图片为对应同一乳腺且类型不同的图片；类型包括：CC位图和MLO位图；以此，当第一图片为CC位图时，第二图片为MLO位图；而当第一图片为MLO位图时，第二图片为CC位图。
步骤200、获取乳腺的物理属性参数和第一图片上ROI的位置参数；
具体的，乳腺的物理属性参数可以包括：压迫力度(F)、压缩厚度(T)、射线剂量(D)、腺体密度、乳腺位置(具体的用于标识乳腺位于人体的左侧还是右侧)、乳腺面积、病人年龄。物理属性参数可以通过测量记录以及问询得到。
而位置参数则可以通过以下步骤来进行获取：
步骤10、提取第一图片上的乳腺区域；进一步的，步骤10包括：通过阈值分割的方式对第一图片上的乳腺区域进行提取。具体的，乳腺区域的灰度值与其他部分不一样，因此可以基于灰度阈值的设置，将两者分离，从而提取出乳腺区域。
步骤11、在乳腺区域建立局部坐标系；其中，局部坐标系的Y轴平行于胸壁线、局部坐标系的X轴垂直于胸壁线、局部坐标系的原点为乳头；
具体的，通过在乳腺轮廓线的拐点处做切线延伸来去除腋窝区域，并分别确定两个视图中的乳腺胸肌线。如图2所示，CC位图像的胸肌线为图像左侧垂直边缘；对于MLO位图像，通过放射科医生预先标记3个胸肌走向的特征点，然后通过最小二乘法进行拟合得到对应的胸肌线，胸肌线和图像垂直边缘的夹角为β。取乳腺轮廓上垂直到胸肌线距离最长的点为乳头位置，如图2中“×”所示，以乳头位置为原点，以平行于胸肌线走向为X轴，以垂直于胸肌线走向为Y轴，建立局部笛卡尔坐标系。
步骤12、基于局部坐标系，确定ROI在乳腺区域中的位置参数。
具体的，在建立有局部坐标系之后，确定ROI在乳腺区域中的位置参数，可以用几个参数表示ROI在乳腺中的位置参数，分别是MLO中胸肌线夹角(β)、ROI质心点到乳头的径向距离RD和轴向距离AD、空间位置参数(xr,yr)。如图3中的(b)所示，用(xi,y1)和(xi,y2)分别表示经过ROI质心点(xi,yi)并且平行于Y轴的白色虚线与乳腺上下轮廓的交点，则(xr,yr)的计算公式如下所示：
如图3中的(a)所示，乳腺图像的成像参数如压迫力度(F)、压缩厚度(T)、射线剂量(D)等乳腺的物理属性与CC位图像和MLO位图像的非线性压缩规律相关，因此将其选为物理属性参数。
步骤300、将位置参数和物理属性参数输入基于BP网络的ROI位置匹配区域模型，得到第二图片上ROI的预测位置参数；
具体的，当第一图片为CC位图时，基于步骤2得到的第二图片上ROI的预测位置参数就是MLO位图上ROI的预测位置参数；而当第一图片为MLO位图时，基于步骤2得到的第二图片上ROI的预测位置参数就是CC位图上ROI的预测位置参数。
具体的，步骤2中的基于BP网络的ROI位置匹配区域模型，是通过以下步骤训练获得的：
步骤20、获取第一数据、第二数据与第三数据；第一数据为作为样本的乳腺的物理属性参数(也即样本乳腺的物理属性参数)、第二数据为作为样本的第一图片上ROI的位置参数(也即第一样本图片上的ROI的位置参数，第一样本图片是作为样本的第一图片)、第三数据为作为样本的第二图片上ROI的位置参数(也即第二样本图片上的ROI的位置参数，第二样本图片是作为样本的第二图片)；进一步的，作为样本的第一图片与作为样本的第二图片均为乳腺钙化点图像；由于钙化点具有尺寸小、密度大、边缘清晰等优点，易于精确确定其质心位置，故收集钙化点ROI图像中的相关参数用于BP神经网络训练。
步骤21、将第一数据和第二数据输入BP网络，得到BP网络输出值；
步骤22、通过第三数据与BP网络输出值进行比较，以调整BP网络的参数；
步骤23、若第三数据与BP网络输出值的差值小于预设值，则确认参数调整完成，得到基于BP网络的ROI位置匹配区域模型。
具体的，第一数据、第二数据、第三数据如表1所示：
表1：
其中，轴向距离(AD)或径向距离(RD)是BP网络的输出，其他参数为BP网络的输入。基于表1中的参数，即可完成对BP网络的训练，得到基于BP网络的ROI位置匹配区域模型。具体的调整完成参数如表2所示：
表2：
而进一步的，相较于图4中(a)-(c)所示的在CC图像上测量得到ROI质心点到乳头的轴向距离(Axial Distance,AD)和径向距离(Radial Distance,RD)，在MLO图像上分别以AD和RD画出对应的直线和弧线的常规方法，本方案中还可以基于抛物线对乳腺区域进行更详细的划分，具体划分后如图4中的(d)所示，而具体的抛物线公式如下所示，其中Dn是乳头位置到胸肌线的垂直距离，k＝1,2,3,…,m，m是图像上抛物线的条数，Pk是抛物线系数；Xk为抛物线的交叉点的位置；
y2＝-2pk(x-xk)
pk＝(Dn-xk)×(-k+m+1)
xk＝k/m×Dn
进一步的，基于BP网络的ROI位置匹配区域模型包括：条形区域预测模型与弧形区域预测模型；其中，条形区域预测模型用于对条形区域进行预测匹配；弧形区域预测模型用于对弧形区域进行预测匹配；
条形区域与弧形区域是通过以下步骤确定的：
步骤31、在局部坐标系的基础上，基于预设的抛物线将乳腺区域分为多个区域块；
步骤32、对各区域块进行标注，以将乳腺区域分为条形区域和弧形区域。
由此，通过对大量钙化点图像区域预测规律的观察总结，把乳腺图像块划分为相应的条形匹配区域(也即条形区域)和弧形匹配区域(也即弧形区域)，如图4中的(d)所示。后续则分别基于条形区域与弧形区域的上述样本数据，训练得到条形区域预测模型与弧形区域预测模型。
在此情况下，当ROI位于第一图片中的弧形区域时，得到的第二图片上ROI的预测位置参数为ROI到乳头的径向距离；当ROI位于第一图片中的条形区域时，得到的第二图片上ROI的预测位置参数为ROI到乳头的轴向距离。
步骤400、基于预测位置参数在第二图片上进行正负方向的延展，以确定匹配预测区域；
具体的，如图5所示的CC位图像，在CC位图像中病灶的质心点(对应ROI，由放射科医生预先标记)位于弧形匹配区域块；其为左侧乳腺，CC位图像中病灶质心到乳头的径向距离分别是69.68mm。经过提取表1中的输入参数，使用上述建立的模型预测得到MLO图像中病灶的质心点到乳头位置的径向距离为73.61mm，如图5中的虚线所示，由于病灶的面积一般比较大，以该虚线为中心轴线向正负方向分别延伸20mm作为匹配预测区域块，如图5中的实线所示。至此在BP神经网路预测模型的基础上，缩小了肿块的匹配区域范围，确定了匹配预测区域的图像。
步骤500、将第二图片上匹配预测区域的图片输入基于Faster-RCNN网络的ROI定位模型，得到第二图片中ROI的位置。
具体的，Faster-RCNN网络包括RPN模块与Fast-RCNN模块；
基于Faster-RCNN网络的ROI定位模型，是通过以下步骤训练的：
步骤41、获取作为样本的第一图片与第二图片，并分别设置为第一样本图与第二样本图；
步骤42、对第一样本图与第二样本图进行预处理；预处理包括：归一化处理、去除噪声处理；
步骤43、将经过预处理后的第一样本图与第二样本图转换为3通道图片；
步骤44、分别在进行了转换后的第一样本图与第二样本图中提取以ROI为中心的预设区域作为第一训练图与第二训练图；
步骤45、对第一训练图与第二训练图进行扩充；
步骤46、通过扩充后第一训练图与第二训练图对RPN模块与Fast-RCNN模块进行训练；
步骤47、当训练后输出的ROI预测区域边框与第二训练图中ROI的实际区域边框两者的IoU大于预设阈值，则训练完成，得到基于Faster-RCNN网络的ROI定位模型。
具体的，首先对作为样本的乳腺图像进行归一化和去除噪声的预处理过程，把灰度值归一化至[-1,1]区间内以减少异常数据对训练结果的影响。Faster-RCNN网络的输入是3通道的图片，因此需要把CC位和MLO位的灰度图像分别转换为JPG图片数据，其中每个通道都是预处理后的灰度图像。如图6中的(a)所示，以肿块质心位置为中心取800×800大小的图片作为网络训练输入，输出即是标记ROI位置的对应图片。受限于医学图像数据的有限性，可以分别通过旋转(90°、180°、270°)、翻转(水平和垂直)和对比度变换(增加和降低)对训练数据进行了8倍扩充，如图6中的(b)-(i)所示；例如收集了105对CC和MLO为的肿块病灶图像，分别提取CC位和MLO位图像上已知的肿块位置图片，经多倍数据扩充后可以得到1728张图片作为训练数据集用于后续的网络训练过程。
在训练时，由于Faster-RCNN网络包括RPN(Region Proposal Network，区域生成网络)模块与Fast-RCNN模块组成；而RPN主要是用来生成候选框，Fast-RCNN是对该候选框的位置和目标类别进行更精细的计算。在训练过程中，训练数据集随机分为训练集和验证集，比率为8:2，使用预先训练好的网络模型VGG-16对RPN模块和Fast-RCNN模块进行初始化，分为四步交替训练RPN模块和Fast-RCNN模块，训练迭代次数分别为8000次和4000次。至此，建立了基于Faster-RCNN网络ROI定位模型。
在建立有基于Faster-RCNN网络ROI定位模型后，需要判断其预测精度；具体的，如图7所示输出即是在匹配区域上预测的肿块位置。预测结果的精度通过定量参数IoU(Intersection-over-union，交并比)进行评价，即ROI的预测边框PB的面积(也即area(PB))与实际边框GT的面积(也即area(GT))交集除以相应面积并集，具体如以下公式所示：
具体的，当IoU>0.5时，认为预测边框和实际边框具有很高的相似性。在本例的具体测试过程中，IoU结果为0.78，耗时平均约为0.56s，快速准确地定位了ROI肿块的位置，由此可知本发明的方案通过联合基于BP网络的ROI位置匹配区域模型和基于Faster-RCNN网络的ROI定位模型进行逐步匹配预测，可以快速准确地匹配CC位和MLO位图像之间的对应ROI位置，具有很高的应用价值。
实施例2
本发明实施例2还公开了一种匹配乳腺图像中ROI的装置，如图8所示，包括：
第一获取模块201，用于获取第一图片与第二图片；第一图片与第二图片为对应同一乳腺且类型不同的图片；类型包括：CC位图和MLO位图；
第二获取模块202，用于获取乳腺的物理属性参数和第一图片上ROI的位置参数；
第一匹配模块203，用于将位置参数和物理属性参数输入基于BP网络的ROI位置匹配区域模型，得到第二图片上ROI的预测位置参数；第一图片与第二图片为对应同一乳腺且类型不同的图片；类型包括：CC位图和MLO位图；
延展模块204，用于基于预测位置参数在第二图片上进行正负方向的延展，以确定匹配预测区域；
第二匹配模块205，用于将对应匹配预测区域的图片输入基于Faster-RCNN网络的ROI定位模型，得到第二图片中ROI的位置。
在一个具体的实施例中，位置参数是通过以下步骤获取的：
步骤10、提取第一图片上的乳腺区域；
步骤11、在乳腺区域建立局部坐标系；其中，局部坐标系的Y轴平行于胸壁线、局部坐标系的X轴垂直于胸壁线、局部坐标系的原点为乳头；步骤12、基于局部坐标系，确定ROI在乳腺区域中的位置参数。
在一个具体的实施例中，步骤10包括：通过阈值分割的方式对第一图片上的乳腺区域进行提取。
在一个具体的实施例中，基于BP网络的ROI位置匹配区域模型，是通过以下步骤训练获得的：
步骤20、获取第一数据、第二数据与第三数据；第一数据为作为样本的乳腺的物理属性参数、第二数据为作为样本的第一图片上ROI的位置参数、第三数据为作为样本的第二图片上ROI的位置参数；步骤21、将第一数据和第二数据输入BP网络，得到BP网络输出值；步骤22、通过第三数据与BP网络输出值进行比较，以调整BP网络的参数；步骤23、若第三数据与BP网络输出值的差值小于预设值，则确认参数调整完成，得到基于BP网络的ROI位置匹配区域模型。
在一个具体的实施例中，作为样本的第一图片与作为样本的第二图片均为乳腺钙化点图像。
在一个具体的实施例中，基于BP网络的ROI位置匹配区域模型包括：条形区域预测模型与弧形区域预测模型；其中，条形区域预测模型用于对条形区域进行预测匹配；弧形区域预测模型用于对弧形区域进行预测匹配；
条形区域与弧形区域是通过以下步骤确定的：步骤31、在局部坐标系的基础上，基于预设的抛物线将乳腺区域分为多个区域块；步骤32、对各区域块进行标注，以将乳腺区域分为条形区域和弧形区域。
在一个具体的实施例中，当ROI位于第一图片中的弧形区域时，得到的第二图片上ROI的预测位置参数为ROI到乳头的径向距离；
当ROI位于第一图片中的条形区域时，得到的第二图片上ROI的预测位置参数为ROI到乳头的轴向距离。
在一个具体的实施例中，Faster-RCNN网络包括RPN模块与Fast-RCNN模块；
基于Faster-RCNN网络的ROI定位模型，是通过以下步骤训练得到的：步骤41、获取作为样本的第一图片与第二图片，并分别设置为第一样本图与第二样本图；步骤42、对第一样本图与第二样本图进行预处理；预处理包括：归一化处理、去除噪声处理；步骤43、将经过预处理后的第一样本图与第二样本图转换为3通道图片；步骤44、分别在进行了转换后的第一样本图与第二样本图中提取以ROI为中心的预设区域作为第一训练图与第二训练图；步骤45、对第一训练图与第二训练图进行扩充；步骤46、通过扩充后第一训练图与第二训练图对RPN模块与Fast-RCNN模块进行训练；步骤47、当训练后输出的ROI预测区域边框与第二训练图中ROI的实际区域边框两者的IoU大于预设阈值，则训练完成，得到基于Faster-RCNN网络的ROI定位模型。
实施例3
本发明实施例3还公开了一种终端，如图9所示，包括处理器与存储器，存储器中存储有应用程序，应用程序在处理器上运行时执行实施例1中的匹配乳腺图像中ROI的方法。
实施例4
本发明实施例4还公开了一种存储介质，如图10所示，存储介质中存储有应用程序，应用程序在处理器上运行时执行实施例1中的匹配乳腺图像中ROI的方法。
本发明实施例提出了ROI的方法、装置、终端与存储介质，该方法包括：步骤1、获取第一图片与第二图片；第一图片与第二图片为对应同一乳腺且类型不同的图片；类型包括：CC位图和MLO位图；步骤2、获取乳腺的物理属性参数和第一图片上ROI的位置参数；步骤3、将位置参数和物理属性参数输入基于BP网络的ROI位置匹配区域模型，得到第二图片上ROI的预测位置参数；步骤4、基于预测位置参数在第二图片上进行正负方向的延展，以确定匹配预测区域；步骤5、将对应匹配预测区域的图片输入基于Faster-RCNN网络的ROI定位模型，得到第二图片中ROI的位置。本发明的方案通过联合基于BP网络的ROI位置匹配区域模型和基于Faster-RCNN网络的ROI定位模型进行逐步匹配预测，可以快速准确地匹配CC位和MLO位图像之间的对应ROI位置，具有很高的应用价值。
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，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本发明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，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种匹配乳腺图像中ROI的方法，其特征在于，包括：
步骤1、获取第一图片与第二图片；所述第一图片与所述第二图片为对应同一所述乳腺且类型不同的图片；所述类型包括：CC位图和MLO位图；
步骤2、获取乳腺的物理属性参数和所述第一图片上ROI的位置参数；
步骤3、将所述位置参数和所述物理属性参数输入基于BP网络的ROI位置匹配区域模型，得到所述第二图片上所述ROI的预测位置参数；
步骤4、基于所述预测位置参数在所述第二图片上进行正负方向的延展，以确定匹配预测区域；
步骤5、将对应所述匹配预测区域的图片输入基于Faster-RCNN网络的ROI定位模型，得到所述第二图片中所述ROI的位置。
2.如权利要求1所述的方法，其特征在于，所述位置参数是通过以下步骤获取的：
步骤10、提取所述第一图片上的乳腺区域；
步骤11、在所述乳腺区域建立局部坐标系；其中，所述局部坐标系的Y轴平行于胸壁线、所述局部坐标系的X轴垂直于所述胸壁线、所述局部坐标系的原点为乳头；
步骤12、基于所述局部坐标系，确定所述ROI在所述乳腺区域中的位置参数。
3.如权利要求2所述的方法，其特征在于，所述步骤10包括：通过阈值分割的方式对所述第一图片上的乳腺区域进行提取。
4.如权利要求1所述的方法，其特征在于，所述基于BP网络的ROI位置匹配区域模型，是通过以下步骤训练获得的：
步骤20、获取第一数据、第二数据与第三数据；所述第一数据为作为样本的所述乳腺的物理属性参数、所述第二数据为作为样本的所述第一图片上ROI的位置参数、所述第三数据为作为样本的所述第二图片上ROI的位置参数；
步骤21、将所述第一数据和所述第二数据输入BP网络，得到BP网络输出值；
步骤22、通过所述第三数据与所述BP网络输出值进行比较，以调整所述BP网络的参数；
步骤23、若所述第三数据与所述BP网络输出值的差值小于预设值，则确认所述参数调整完成，得到基于BP网络的ROI位置匹配区域模型。
5.如权利要求2所述的方法，其特征在于，所述基于BP网络的ROI位置匹配区域模型包括：条形区域预测模型与弧形区域预测模型；其中，所述条形区域预测模型用于对条形区域进行预测匹配；所述弧形区域预测模型用于对弧形区域进行预测匹配；
所述条形区域与所述弧形区域是通过以下步骤确定的：
步骤31、在所述局部坐标系的基础上，基于预设的抛物线将所述乳腺区域分为多个区域块；
步骤32、对各所述区域块进行标注，以将所述乳腺区域分为条形区域和弧形区域。
6.如权利要求5所述的方法，其特征在于，
当所述ROI位于所述第一图片中的所述弧形区域时，得到的所述第二图片上所述ROI的预测位置参数为所述ROI到所述乳头的径向距离；
当所述ROI位于所述第一图片中的所述条形区域时，得到的所述第二图片上所述ROI的预测位置参数为所述ROI到所述乳头的轴向距离。
7.如权利要求1所述的方法，其特征在于，所述Faster-RCNN网络包括RPN模块与Fast-RCNN模块；
所述基于Faster-RCNN网络的ROI定位模型，是通过以下步骤训练得到的：
步骤41、获取作为样本的所述第一图片与所述第二图片，并分别设置为第一样本图与第二样本图；
步骤42、对所述第一样本图与所述第二样本图进行预处理；所述预处理包括：归一化处理、去除噪声处理；
步骤43、将经过预处理后的所述第一样本图与所述第二样本图转换为3通道图片；
步骤44、分别在进行了转换后的所述第一样本图与所述第二样本图中提取以所述ROI为中心的预设区域作为第一训练图与第二训练图；
步骤45、对所述第一训练图与所述第二训练图进行扩充；
步骤46、通过扩充后所述第一训练图与所述第二训练图对所述RPN模块与所述Fast-RCNN模块进行训练；
步骤47、当训练后输出的ROI预测区域边框与所述第二训练图中所述ROI的实际区域边框两者的IoU大于预设阈值，则所述训练完成，得到基于Faster-RCNN网络的ROI定位模型。
8.一种匹配乳腺图像中ROI的装置，其特征在于，包括：
第一获取模块，用于获取第一图片与第二图片；所述第一图片与所述第二图片为对应同一所述乳腺且类型不同的图片；所述类型包括：CC位图和MLO位图；
第二获取模块，用于获取乳腺的物理属性参数和所述第一图片上ROI的位置参数；
第一匹配模块，用于将所述位置参数和所述物理属性参数输入基于BP网络的ROI位置匹配区域模型，得到所述第二图片上所述ROI的预测位置参数；
延展模块，用于基于所述预测位置参数在所述第二图片上进行正负方向的延展，以确定匹配预测区域；
第二匹配模块，用于将对应所述匹配预测区域的图片输入基于Faster-RCNN网络的ROI定位模型，得到所述第二图片中所述ROI的位置。
9.一种终端，其特征在于，包括处理器与存储器，所述存储器中存储有应用程序，所述应用程序在所述处理器上运行时执行权利要求1-7中任意一项所述的匹配乳腺图像中ROI的方法。
10.一种存储介质，其特征在于，所述存储介质中存储有应用程序，所述应用程序在处理器上运行时执行权利要求1-7中任意一项所述的匹配乳腺图像中ROI的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011591636.XA CN112529900B (zh) | 2020-12-29 | 2020-12-29 | 匹配乳腺图像中roi的方法、装置、终端与存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011591636.XA CN112529900B (zh) | 2020-12-29 | 2020-12-29 | 匹配乳腺图像中roi的方法、装置、终端与存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112529900A true CN112529900A (zh) | 2021-03-19 |
| CN112529900B CN112529900B (zh) | 2024-03-29 |
Family
ID=74977056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011591636.XA Active CN112529900B (zh) | 2020-12-29 | 2020-12-29 | 匹配乳腺图像中roi的方法、装置、终端与存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529900B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991339A (zh) * | 2021-04-27 | 2021-06-18 | 浙江杜比医疗科技有限公司 | 一种肿瘤级别分析装置及相关组件 |
| CN114255835A (zh) * | 2021-11-15 | 2022-03-29 | 四川大学华西医院 | 一种基于人工智能的病例大数据管理方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090080604A1 (en) * | 2007-08-23 | 2009-03-26 | Fischer Medical Technologies, Inc. | Computed tomography breast imaging and biopsy system |
| CN108392215A (zh) * | 2018-02-09 | 2018-08-14 | 南方医科大学 | 一种同侧异位乳腺钼靶图像的点位置关联方法 |
| CN108765387A (zh) * | 2018-05-17 | 2018-11-06 | 杭州电子科技大学 | 基于Faster RCNN乳腺DBT影像肿块自动检测方法 |
| CN109598702A (zh) * | 2018-10-30 | 2019-04-09 | 南方医科大学南方医院 | 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统 |
| CN110136117A (zh) * | 2019-05-15 | 2019-08-16 | 东软医疗系统股份有限公司 | 一种钼靶图像的处理方法、系统、图像处理机及存储介质 |
| CN110123347A (zh) * | 2019-03-22 | 2019-08-16 | 杭州深睿博联科技有限公司 | 用于乳腺钼靶的图像处理方法及装置 |
| US20190287241A1 (en) * | 2016-07-19 | 2019-09-19 | Volpara Health Technologies Limited | System and apparatus for clinical decision optimisation |
| CN111428709A (zh) * | 2020-03-13 | 2020-07-17 | 平安科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-29 CN CN202011591636.XA patent/CN112529900B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090080604A1 (en) * | 2007-08-23 | 2009-03-26 | Fischer Medical Technologies, Inc. | Computed tomography breast imaging and biopsy system |
| US20190287241A1 (en) * | 2016-07-19 | 2019-09-19 | Volpara Health Technologies Limited | System and apparatus for clinical decision optimisation |
| CN108392215A (zh) * | 2018-02-09 | 2018-08-14 | 南方医科大学 | 一种同侧异位乳腺钼靶图像的点位置关联方法 |
| CN108765387A (zh) * | 2018-05-17 | 2018-11-06 | 杭州电子科技大学 | 基于Faster RCNN乳腺DBT影像肿块自动检测方法 |
| CN109598702A (zh) * | 2018-10-30 | 2019-04-09 | 南方医科大学南方医院 | 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统 |
| CN110123347A (zh) * | 2019-03-22 | 2019-08-16 | 杭州深睿博联科技有限公司 | 用于乳腺钼靶的图像处理方法及装置 |
| CN110136117A (zh) * | 2019-05-15 | 2019-08-16 | 东软医疗系统股份有限公司 | 一种钼靶图像的处理方法、系统、图像处理机及存储介质 |
| CN111428709A (zh) * | 2020-03-13 | 2020-07-17 | 平安科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| GUSTAVO CARNEIRO等: "Unregistered Multiview Mammogram Analysis with Pre-trained Deep Learning Models", 《MICCAI 2015: MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION》, 18 November 2015 (2015-11-18), pages 652, XP047337317, DOI: 10.1007/978-3-319-24574-4_78 * |
| SINA FAMOURI等: "A Deep Learning Approach for Efficient Registration of Dual View Mammography", 《ANNPR 2020: ARTIFICIAL NEURAL NETWORKS IN PATTERN RECOGNITION》, 2 September 2020 (2020-09-02), pages 162, XP047560282, DOI: 10.1007/978-3-030-58309-5_13 * |
| 李利明: "乳腺X线图像的分类研究与实现", 《中国优秀硕士学位论文全文数据库：信息科技辑》, no. 3, 15 March 2015 (2015-03-15), pages 1 - 64 * |
| 王红玉: "基于视觉认知模型的乳腺肿块诊断算法研究", 《中国优秀博士学位论文全文数据库：医药卫生科技》, no. 1, 15 January 2019 (2019-01-15), pages 1 - 135 * |
| 郑光远等: "医学影像计算机辅助检测与诊断系统综述", 《软件学报》, vol. 29, no. 5, 11 January 2018 (2018-01-11), pages 1471 - 1514 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991339A (zh) * | 2021-04-27 | 2021-06-18 | 浙江杜比医疗科技有限公司 | 一种肿瘤级别分析装置及相关组件 |
| CN112991339B (zh) * | 2021-04-27 | 2021-09-17 | 浙江杜比医疗科技有限公司 | 一种肿瘤级别分析装置及相关组件 |
| CN114255835A (zh) * | 2021-11-15 | 2022-03-29 | 四川大学华西医院 | 一种基于人工智能的病例大数据管理方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112529900B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Shape–intensity prior level set combining probabilistic atlas and probability map constrains for automatic liver segmentation from abdominal CT images | |
| US7876938B2 (en) | System and method for whole body landmark detection, segmentation and change quantification in digital images | |
| EP2916738B1 (en) | Lung, lobe, and fissure imaging systems and methods | |
| JP4999163B2 (ja) | 画像処理方法および装置ならびにプログラム | |
| US8837789B2 (en) | Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images | |
| JP2023507109A (ja) | 医用画像による自動化された腫瘍識別およびセグメンテーション | |
| CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| US10405834B2 (en) | Surface modeling of a segmented echogenic structure for detection and measurement of anatomical anomalies | |
| US9092867B2 (en) | Methods for segmenting images and detecting specific structures | |
| CN109363697B (zh) | 一种乳腺影像病灶识别的方法及装置 | |
| CN112529900B (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
| Moreno et al. | Study of medical image processing techniques applied to lung cancer | |
| Maklad et al. | Blood vessel‐based liver segmentation using the portal phase of an abdominal CT dataset | |
| Liu et al. | Pectoral muscle detection in mammograms using local statistical features | |
| Zhou et al. | Computerized image analysis: texture‐field orientation method for pectoral muscle identification on MLO‐view mammograms | |
| CN111798424B (zh) | 一种基于医学图像的结节检测方法、装置及电子设备 | |
| Dhalia Sweetlin et al. | Patient-Specific Model Based Segmentation of Lung Computed Tomographic Images. | |
| Zhou et al. | A universal approach for automatic organ segmentations on 3D CT images based on organ localization and 3D GrabCut | |
| de Brito Silva et al. | Classification of breast masses in mammograms using geometric and topological feature maps and shape distribution | |
| CN113469942B (zh) | 一种ct图像病变检测方法 | |
| KR102332472B1 (ko) | 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법 | |
| US11295451B2 (en) | Robust pulmonary lobe segmentation | |
| Shaziya et al. | Comprehensive review of automatic lung segmentation techniques on pulmonary CT images | |
| Rodriguez Ruiz | Artificial intelligence and tomosynthesis for breast cancer detection | |
| Li et al. | SIFT-GVF-based lung edge correction method for correcting the lung region in CT images |
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 |