CN113393475A - 一种乳腺钼靶图像分割的装置、电子设备、医疗设备和介质 - Google Patents
一种乳腺钼靶图像分割的装置、电子设备、医疗设备和介质 Download PDFInfo
- Publication number
- CN113393475A CN113393475A CN202110734983.1A CN202110734983A CN113393475A CN 113393475 A CN113393475 A CN 113393475A CN 202110734983 A CN202110734983 A CN 202110734983A CN 113393475 A CN113393475 A CN 113393475A
- Authority
- CN
- China
- Prior art keywords
- mammary gland
- target image
- molybdenum target
- breast
- region
- 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
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 title claims abstract description 132
- 229910052750 molybdenum Inorganic materials 0.000 title claims abstract description 132
- 239000011733 molybdenum Substances 0.000 title claims abstract description 132
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 103
- 238000003709 image segmentation Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000007405 data analysis Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims abstract description 13
- 210000000481 breast Anatomy 0.000 claims description 109
- 230000011218 segmentation Effects 0.000 claims description 96
- 230000006870 function Effects 0.000 claims description 33
- 238000003384 imaging method Methods 0.000 claims description 8
- 206010039722 scoliosis Diseases 0.000 claims description 2
- 210000000062 pectoralis major Anatomy 0.000 abstract description 21
- 230000003902 lesion Effects 0.000 abstract description 17
- 210000002445 nipple Anatomy 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 5
- 210000000038 chest Anatomy 0.000 description 5
- 210000003205 muscle Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000004907 gland Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000762 glandular Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请实施例提供一种乳腺钼靶图像分割的装置、电子设备、医疗设备和介质,该电子设备包括存储器和处理器,所述存储器被配置为存储计算机程序,其中,所述处理器通过执行所述程序以实现如下乳腺钼靶图像分割的方法:获取乳腺钼靶图像;根据所述乳腺钼靶图像上非零像素的平均值确定目标分割线;根据所述目标分割线从所述乳腺钼靶图像上获取乳腺区域;基于所述乳腺区域进行数据分析,能够高效准确的从乳腺钼靶图像中获取乳腺区域,从而降低病灶检测过程中的噪音干扰(例如:在病灶检测过程中由胸大肌区域带来的噪音干扰),提升后续数据分析的准确率。
Description
技术领域
本申请实施例涉及图像分割领域,具体涉及一种乳腺钼靶图像分割的装置、电子设备、医疗设备和介质。
背景技术
相关技术中,关于乳腺钼靶图像的分割,通常使用传统的机器学习来分割乳头区域和胸大肌区域。但相关技术中的方法,存在一定的局限性,仅分割胸大肌区域会导致,在计算腺体分型、病灶检测等过程中降低准确率,其次,基于深度学习的钼靶图像分割方法还需要较多的调整参数的过程,降低了分割效率。
因此,如何排除非乳腺区域对乳腺区域病灶检测的噪音干扰,提升后续数据分析的准确率成为亟待解决的问题。
发明内容
本申请实施例提供一种乳腺钼靶图像分割的装置、电子设备、医疗设备和介质,通过本申请的一些实施例至少能够高效准确的对乳腺钼靶图像的乳腺区域和非乳腺区域进行分割,获取更加准确的乳腺区域,从而降低非乳腺区域带来的噪音干扰,提升后续数据分析的准确率。
第一方面,本申请的一些实施例提供一种电子设备,包括存储器和处理器,所述存储器被配置为存储计算机程序,其中,所述处理器通过执行所述程序以实现如下乳腺钼靶图像分割的方法:获取乳腺钼靶图像;根据所述乳腺钼靶图像上非零像素的平均值确定目标分割线;根据所述目标分割线从所述乳腺钼靶图像上获取乳腺区域;基于所述乳腺区域进行数据分析。
因此,区别于相关技术中使用神经网络识别胸大肌区域和非胸大肌区域的方法,本申请实施例依据乳腺钼靶图像上的非零像素的平均值,确定用于分割乳腺区域和非乳腺区域的目标分割线,能够降低由于钼靶图像上区域分割不准确(例如:相关技术中只分割胸大肌区域),导致的对病灶检测过程的干扰(例如:计算腺体分型不准确),从而提升了病灶检测的准确率,同时,还可以实现对大量的乳腺钼靶图像进行快速批量化的预处理,提升检测速度。
结合第一方面,在一种实施方式中,所述目标分割线上的非零像素的平均值小于参考区域对应的非零像素的平均值,其中,所述参考区域包括所述乳腺钼靶图像中除所述目标分割线以外的多个区域。
因此,本申请实施例中,利用乳腺钼靶图像上乳腺区域与非乳腺区域的像素特征,使目标分割线上的非零像素的平均值小于其他所有参考区域的非零像素的平均值,能够准确的分割乳腺区域和非乳腺区域,从而去除非乳腺区域(包括胸大肌区域和空白区域)的噪音数据,减少由于钼靶图像分割不准确,导致在后续检测过程中的干扰。
结合第一方面,在一种实施方式中,所述处理器通过执行所述程序还用于实现如下方法:根据所述乳腺钼靶图像上非零像素的平均值,确认目标旋转角度;根据所述目标旋转角度确认所述目标分割线。
因此,本申请实施例通过先确认目标旋转角度,再确认目标分割线,能够获得与拍摄乳腺钼靶图像时的摄影管壁旋转角度相近的目标旋转角度,从而使目标分割线准确的分割乳腺区域和非乳腺区域。
结合第一方面,在一种实施方式中,所述处理器通过执行所述程序还用于实现如下方法:根据所述乳腺钼靶图像上的非零像素的平均值和代价函数,确定所述目标旋转角度。
因此,本申请实施例通过乳腺钼靶图像上的非零像素的平均值和代价函数,确定目标旋转角度,能够通过代价函数将目标分割线上的像素特征具体表示,从而获得准确的目标旋转角度。
结合第一方面,在一种实施方式中,所述乳腺钼靶图像包括拍摄对象乳房的侧斜位图像;所述处理器通过执行所述程序还用于实现如下方法:根据所述侧斜位图像计算获得初始分割线;根据所述初始分割线上的所述非零像素的平均值和所述代价函数,确定所述目标旋转角度。
因此,本申请实施例通过首先确认初始分割线,再确认目标旋转角度,能够在计算的过程中,依据对初始分割线所对应的初始旋转角度进行计算,获得目标旋转角度。
结合第一方面,在一种实施方式中,所述代价函数的公式为:
其中,theta表示初始旋转角度,pixelvalue(x,y)表示所述初始分割线上各非零像素点所对应的像素值,|pixels|表示所述初始分割线上非零像素点的数量。
结合第一方面,在一种实施方式中,通过如下公式获取所述目标旋转角度:
其中,theta*表示所述目标旋转角度,theta表示所述初始旋转角度,costfunction(theta)为所述代价函数。
因此,本申请实施例通过代价函数和目标旋转角度的求解过程,能够获得准确的目标旋转角度,从而获得能准确分割乳腺区域和非乳腺区域的目标分割线。
结合第一方面,在一种实施方式中,所述乳腺钼靶图像包括所述拍摄对象乳房的头尾位图像;所述处理器通过执行所述程序还用于实现如下方法:根据所述头尾位图像和所述侧斜位图像,设定所述初始旋转角度;根据所述初始旋转角度计算获得所述初始分割线。
第二方面,本申请的一些实施例提供一种医疗设备,包括:成像单元,被配置采集乳腺钼靶图像;处理单元,被配置为接收所述乳腺钼靶图像,并对所述乳腺钼靶图像进行如下处理:获取所述乳腺钼靶图像;根据所述乳腺钼靶图像上非零像素的平均值确定目标分割线;根据所述目标分割线从所述乳腺钼靶图像上获取乳腺区域;基于所述乳腺区域进行数据分析。
第三方面,本申请的一些实施例提供一种乳腺钼靶图像分割的装置,所述装置包括:获取模块,被配置为获取乳腺钼靶图像;确定模块,被配置为根据所述乳腺钼靶图像上非零像素的平均值确定目标分割线;分割模块,被配置为根据所述目标分割线从所述乳腺钼靶图像上获取乳腺区域;检测模块,被配置为基于所述乳腺区域进行数据分析。
结合第三方面,在一种实施方式中,所述目标分割线上的非零像素的平均值小于参考区域对应的非零像素的平均值,其中,所述参考区域包括所述乳腺钼靶图像中除所述目标分割线以外的多个区域。
结合第三方面,在一种实施方式中,所述确定模块还被配置为:根据所述乳腺钼靶图像上非零像素的平均值,确认目标旋转角度;根据所述目标旋转角度确认所述目标分割线。
结合第三方面,在一种实施方式中,所述确定模块还被配置为:根据所述乳腺钼靶图像上的非零像素的平均值和代价函数,确定所述目标旋转角度。
结合第三方面,在一种实施方式中,所述乳腺钼靶图像包括拍摄对象乳房的侧斜位图像;所述确定模块还被配置为:根据所述侧斜位图像计算获得初始分割线;根据所述初始分割线上的所述非零像素的平均值和所述代价函数,确定所述目标旋转角度。
结合第三方面,在一种实施方式中,所述代价函数的公式为:
其中,theta表示初始旋转角度,pixelvalue(x,y)表示所述初始分割线上各非零像素点所对应的像素值,|pixels|表示所述初始分割线上非零像素点的数量。
结合第三方面,在一种实施方式中,通过如下公式获取所述目标旋转角度:
其中,theta*表示所述目标旋转角度,theta表示所述初始旋转角度,costfunction(theta)为所述代价函数。
结合第三方面,在一种实施方式中,所述乳腺钼靶图像包括所述拍摄对象乳房的头尾位图像;所述确定模块还被配置为:根据所述头尾位图像和所述侧斜位图像,设定所述初始旋转角度;根据所述初始旋转角度计算获得所述初始分割线。
第四方面,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被执行时实现如下处理:获取乳腺钼靶图像;根据所述乳腺钼靶图像上非零像素的平均值确定目标分割线;根据所述目标分割线从所述乳腺钼靶图像上获取乳腺区域;基于所述乳腺区域进行数据分析。
附图说明
图1为本申请实施例示出的一种医疗设备;
图2为本申请实施例示出的一种乳腺钼靶图像分割的方法实施流程;
图3为本申请实施例示出的头尾位乳腺钼靶图像;
图4为本申请实施例示出的左侧侧斜位乳腺钼靶图像;
图5为本申请实施例示出的右侧侧斜位乳腺钼靶图像;
图6为本申请实施例示出的乳腺钼靶图像分割方法的具体实施例;
图7为本申请实施例示出的一种乳腺钼靶图像分割的装置;
图8为本申请实施例示出的一种电子设备。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对附图中提供的本申请的实施例的详情描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,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,都属于本申请保护范围。
下文示例性的描述相关技术基于乳腺钼靶图像进行病灶区域(即对应于本申请的乳腺区域或者相关技术的非胸大肌区域)识别存在的问题。例如,随着乳腺钼靶图像的阅片量不断增加,相关技术中,关于乳腺钼靶图像的分割,通常使用传统的机器学习来分割非胸大肌区域(作为病灶区域进行病灶检测)和胸大肌区域。但相关技术的方法,存在一定的局限性,具体地,相关技术基于胸大肌来识别病灶区域,在计算腺体分型、病灶检测等过程中降低准确率。其次,基于深度学习的钼靶图像分割方法还需要较多的调整参数的过程,降低了分割效率。本申请的一些实施例改进了传统基于机器学习分割乳腺钼靶图像的方式,例如,本申请的一些实施例通过获取的乳腺钼靶图像上非零像素的平均值来确定目标分割线,之后再根据该目标分割线可以准确的分割出乳腺区域(即本申请示例的病灶区域),由于采用本申请的一些实施例获取的病灶区域更准确因而相应提升了对于病灶的检出的准确性和处理速度。
需要说明的是,上述的进一步的数据分析可以是病灶检测,也可以是计算乳腺类型,本申请实施例不限于此。
在本申请一些实施例中,至少为了解决上述问题,本申请根据乳腺钼靶图像上非零像素的平均值确定目标分割线,使用目标分割线对乳腺区域进行分割并基于乳腺区域进行后续的数据分析的方法,能够降低由于区域分割不准确,导致的对病灶检测过程的噪音干扰,从而提升了病灶检测的准确率。
下面结合附图详细描述本申请实施例中的方法步骤。
如图1所示,本申请一些实施例提供一种医疗设备100,该医疗设备100包括:成像单元110和处理单元120。需要说明的是,处理单元120可以是任意的处理器。
图1的成像单元110,被配置为采集乳腺钼靶图像。需要说明的是,成像单元可以是X光摄像单元。
图1的处理单元120,被配置为接收乳腺钼靶图像,并对乳腺钼靶图像进行如下处理:获取乳腺钼靶图像;根据乳腺钼靶图像上非零像素的平均值确定目标分割线;根据目标分割线从乳腺钼靶图像上获取乳腺区域;基于乳腺区域进行数据分析。本申请一些实施例的处理单元120包括CPU、DSP等处理器或者具有信息处理能力的单元。
也就是说,本申请一些实施例提供的,医疗设备100中的成像单元110对拍摄对象的乳房区域的X光图像进行采集,获得乳腺钼靶图像。处理单元120被配置为接收乳腺钼靶图像,并执行乳腺钼靶图像分割的方法,从而能够完成对于病灶自动识别辅助检测部分的图像预处理。
需要说明的是,图1的处理单元可以通过有线方式从成像单元110获取乳腺钼靶图像。在本申请的一些实施例中,医疗设备100还包括存储单元(图中未示出),该存储单元用于存储计算机程序。相应的处理单元120通过总线(图中未示出)获取存储单元存储的计算机程序。在本申请的一些实施例中,处理单元通过有线或者无线方式从其他设备获取计算机程序并执行的。
下文将描述本申请实施例中由上述处理单元120执行的乳腺钼靶图像分割的方法。
本申请的一些实施例中提供一种如图2所示的乳腺钼靶图像分割的方法,该方法包括:S210,获取乳腺钼靶图像;S220,根据乳腺钼靶图像上非零像素的平均值确定目标分割线;S230,根据目标分割线从乳腺钼靶图像上获取乳腺区域;S240,基于乳腺区域进行数据分析。
在一些实施例中,目标分割线上的非零像素的平均值小于参考区域对应的非零像素的平均值,其中,参考区域包括乳腺钼靶图像中除目标分割线以外的多个区域。
也就是说,在乳腺钼靶图像中,胸大肌区域的像素值与乳腺区域的像素值较大,而分割乳腺区域和非乳腺区域的目标分割线上的像素值较小,其中,非乳腺区域包括胸大肌区域和空白区域(即胸大肌区域与乳腺区域之间的区域)。本申请实施例中,依据上述特征,使目标分割线上的非零像素的平均值小于所有参考区域的非零像素的平均值,从而使用求得的目标分割线精确的分割乳腺区域和非乳腺区域。
需要说明的是,参考区域包括乳腺钼靶图像中除目标分割线以外的乳腺区域、胸大肌区域以及部分与乳腺区域和胸大肌区域相邻的区域等,本申请实施例不限于此。
本申请一些实施例,以乳腺钼靶图像上像素点的像素特征为依据,使用如下方法计算获得目标分割线,进而可以根据目标分割线获取比相关技术更加准确的乳腺区域作为后续数据分析的分析区域,进而提升了后续数据分析的速度和准确度。
下面示例性阐述本申请一些实施例获取目标分割线的过程。
第一步,如图3所示,获取乳腺钼靶图像中的头尾位X片图像,设置头尾位X片图像的像素阈值设定为10,以使能够清晰的展示乳房轮廓。确定乳房轮廓边缘曲线后,定位乳腺钼靶头尾位图像的乳头位置D(m,n),并计算乳头位置D到胸部平面的垂直距离,记为dist。
需要说明的是,获取头尾位图像之后设置的像素阈值可以是10,也可以20,以能够清楚的展现乳房轮廓为准,本申请实施例不限于此。
第二步,根据头尾位图像和侧斜位图像,设定初始旋转角度,再根据初始旋转角度计算获得初始分割线。
在本申请的一些实施例中,乳腺钼靶图像包括拍摄对象乳房的头尾位图像(如图3所示);根据乳腺钼靶图像上非零像素的平均值确定目标分割线,包括:根据头尾位图像和侧斜位图像,设定初始旋转角度;根据初始旋转角度计算获得初始分割线。
也就是说,在第一步骤中根据头尾位图像确定的乳头位置D和dist之后,由于拍摄对象的乳头位置D到胸部平面的垂直距离是固定的(即头尾位图像与侧斜位图像中的乳头位置D到胸部平面的垂直距离dist相等),因此,本申请实施例中根据侧斜位图像中乳头位置D设定初始旋转角度theta,并且根据胸部平面、乳头位置D、乳头位置D到胸部平面的垂直距离dist和初始旋转角度theta之间固定的几何特征,定位乳腺区域和非乳腺区域的初始分割线。
作为本申请中确定初始分割线的具体实施例,如图4所示的拍摄对象左侧乳房的侧斜位图像,包括:左侧胸大肌区域411、左侧空白区域421、左侧初始分割线431(与y轴交于B1点,与x轴交于A1点)、左侧初始旋转角度theta 1、左侧乳腺区域441、左侧乳头位置D1,其中,左侧胸大肌区域441和左侧空白区域421组成左侧非乳腺区域。根据左侧侧斜位图像中的宽、高和上述侧斜位图像中各区域的几何特征,通过公式(3)计算获得左侧乳房侧斜位图像的左侧初始分割线431,如公式(3)所示:
Line A1B1:y=-x*tan(theta1)+b1 (3)
其中,LineA1B1表示左侧侧斜位图像的初始分割线,theta 1表示左侧初始旋转角度,b1表示LineA1B1与x轴的交点到原点O1之间的距离,b1的表达式为:
A1点表示初始分割线A1B1与x轴的交点,A1的表达式为:
B1点表示初始分割线A1B1与y轴的交点,B1的表达式为:
B(0,b1)
O1表示坐标系原点,O1的表达式为:
O1(0,0)
同理,基于右侧乳房的侧斜位图像,如图5所示,包括:右侧胸大肌区域412、右侧空白区域422、右侧初始分割线432(与y轴交于B2点,与x轴交于A2点)、右侧初始旋转角度theta 2、右侧乳腺区域442、右侧乳头位置D2,其中,右侧胸大肌区域442和右侧空白区域422组成右侧非乳腺区域。根据右侧侧斜位图像中的宽、高和上述侧斜位图像中各区域的几何特征,通过公式(4)计算获得右侧乳房侧斜位图像的右侧初始分割线432,如公式(4)所示:
Line A2B2:y=x*tan(theta 2)+b2 (4)
其中,LineA2B2表示右侧侧斜位图像的初始分割线,theta 2表示右侧初始旋转角度,b2表示LineA2B2与y轴的交点到原点O2之间的距离,width表示侧斜位图像的宽度,b2的表达式为:
A2点表示右侧初始分割线A2B2与右侧测斜位图像的边的交点,A2的表达式为:
B2点表示初始分割线A2B2与y轴的交点,B2的表达式为:
B2(0,b2)
O2表示坐标系原点,O2的表达式为:
O2(0,width-1)
需要说明的是,上述计算初始目标分割线的方法仅为示例,本申请实施例不限于此。
第三步,根据乳腺钼靶图像上非零像素的平均值,确认目标旋转角度,再根据目标旋转角度得到目标分割线。
在本申请的一些实施例中,S220中涉及的根据乳腺钼靶图像上非零像素的平均值,确认目标旋转角度,包括:根据乳腺钼靶图像上的非零像素的平均值和代价函数,确定目标旋转角度。
在本申请的一些实施例中,乳腺钼靶图像包括拍摄对象乳房的侧斜位图像(如图4和图5所示),相应的,S220中涉及的根据乳腺钼靶图像上的非零像素的平均值和代价函数,确定目标旋转角度,包括:根据侧斜位图像计算获得初始分割线;根据初始分割线上的非零像素的平均值和代价函数,确定目标旋转角度。
也就是说,在本申请的一些实施例中确定初始分割线后,依据胸大肌区域和乳腺区域像素值较大,而目标分割线上所有非零像素点的像素平均值较小的特征,使初始分割线上的非零像素的平均值小于参考区域的非零像素的平均值(即,使初始分割线上的非零像素的平均值小于其他任何区域的非零像素的平均值),从而使用求得的目标分割线精确的分割乳腺区域和非乳腺区域。
在本申请的一些实施例中,S220涉及的根据初始分割线上的非零像素的平均值,确认目标旋转角度的过程包括:根据初始分割线上的非零像素的平均值和代价函数,确定目标旋转角度,再根据目标旋转角度得到目标分割线,例如:使用代价函数,建立初始分割线上的非零像素的平均值与目标旋转角度之间的关系,再求解上述代价函数,获得目标旋转角度,从而确认目标分割线。
作为本申请中获得目标旋转角度的具体实施例,代价函数如公式(1)所示:
其中,theta表示初始旋转角度(可以是theta 1或theta 2),pixelvalue(x,y)表示所述初始分割线上各非零像素点所对应的像素值,|pixels|表示所述初始分割线上非零像素点的数量。
左侧乳房侧斜位图像中的像素值可以表示为:
(x,y)∈{(x,y)|y=-x*tan(theta)+b,x≥0,y≥0,pixelvalue(x,y)>0}
右侧乳房侧斜位图像中的像素值可以表示为:
(x,y)∈{(x,y)|y=x*tan(theta)+b,x≥0,y≥0,pixelvalue(x,y)>0}
通过如下公式(2)获取目标旋转角度:
其中,theta*表示目标旋转角度,theta表示初始旋转角度,cost function(theta)为代价函数。
由于侧斜位图像与拍片过程中的摄影管壁旋转角度相关,且摄影管壁旋转角度随着拍摄对象的身高体重会有不同程度的变化,通常情况下,高瘦者所需角度为50~60°,较胖者为30~40°,一般身高体重者为40~50°,为了包括各种情况下的摄影管壁旋转角度,在本申请的一些实施例中将上述公式涉及的角度范围(例如,初始旋转角度和目标旋转角度所在的范围)设置为:theta∈[30°,60°]。
在求解上述公式(2)获得目标旋转角度后,代入LineA1B1和LineA2B2的方程中,获得分割乳腺区域和非乳腺区域的左侧目标分割线和右侧目标分割线,同时,获得在LineA1B1和LineA2B2上的点集。
上文描述了本申请实施例中S220中的具体实施方式,下文将描述S230的具体实施方式。
根据S220获得的乳腺区域和非乳腺区域的目标分割线和原始图像数据可得到侧斜位图像的乳腺和非乳腺分割区域,具体的,首先通过S220中获得的LineA1B1和LineA2B2上的点集,获得乳腺区域与非乳腺区域之间的分区;对乳腺区域与非乳腺区域之间的分区和原始的侧斜位图像数据求二进制按位与运算,可得到非乳腺区域的二值mask图;对二值mask图和原始图像数据,分别求其二进制按位与和按位异或运算,可得到乳腺钼靶X光片的乳腺区域和非乳腺区域;根据乳腺区域和非乳腺区域的mask图,找到乳腺钼靶X光片的乳腺区域和非乳腺区域的边界点的集合,即可得到最终的乳腺区域和非乳腺区域的分割效果图。
上文描述了本申请实施例中由电子设备执行的乳腺钼靶图像分割的方法,下文将描述本申请实施例中乳腺钼靶图像分割的具体实施方式。
如图6所示,在本申请的一些实施例中,由处理单元执行的乳腺钼靶图像分割的方法包括:S610:获取乳腺钼靶图像的侧斜位(MLO位)图像和头尾位(CC位)图像610(即对应图2中的S210);S620,定位CC位图像乳头位置坐标,以及乳头位置坐标到乳房平面之间的距离(即对应上述的第一步);由于拍摄对象的乳头位置固定,因此可以基于CC位图像乳头位置坐标,执行S630定位MLO位图像乳头位置坐标(即对应上述第一步);基于乳头位置执行S640,计算MLO图像的初始旋转角度对应的初始分割线(即对应上述第二步);基于初始分割线上的非零像素点的像素值的平均值,执行S650,计算MLO图像的目标旋转角度,并确定目标分割线(即对应上述第三步);基于二值掩码执行S660,分别得到乳腺区域和非乳腺区域660(即对应图2中的S230)。
上文描述了本申请实施例中乳腺钼靶图像分割的具体实施方式,下文将描述本申请实施例中乳腺钼靶图像分割的装置。
如图7所示,本申请一些实施例提供一种乳腺钼靶图像分割的装置700,该乳腺钼靶图像分割的装置700包括:获取模块710、确定模块720、分割模块730和检测模块740。
在一种实施方式中,本申请实施例提供一种乳腺钼靶图像分割的装置700,所述装置包括:获取模块710,被配置为获取乳腺钼靶图像;确定模块720,被配置为根据所述乳腺钼靶图像上非零像素的平均值确定目标分割线;分割模块730,被配置为根据所述目标分割线从所述乳腺钼靶图像上获取乳腺区域;检测模块740,被配置为基于所述乳腺区域进行数据分析。
在一种实施方式中,所述目标分割线上的非零像素的平均值小于参考区域对应的非零像素的平均值,其中,所述参考区域包括所述乳腺钼靶图像中除所述目标分割线以外的多个区域。
在一种实施方式中,所述确定模块720还被配置为:根据所述乳腺钼靶图像上非零像素的平均值,确认目标旋转角度;根据所述目标旋转角度确认所述目标分割线。
在一种实施方式中,所述确定模块720还被配置为:根据所述乳腺钼靶图像上的非零像素的平均值和代价函数,确定所述目标旋转角度。
在一种实施方式中,所述乳腺钼靶图像包括拍摄对象乳房的侧斜位图像;所述确定模块720还被配置为:根据所述侧斜位图像计算获得初始分割线;根据所述初始分割线上的所述非零像素的平均值和所述代价函数,确定所述目标旋转角度。
在一种实施方式中,所述代价函数的公式为:
其中,theta表示初始旋转角度,pixelvalue(x,y)表示所述初始分割线上各非零像素点所对应的像素值,|pixels|表示所述初始分割线上非零像素点的数量。
在一种实施方式中,通过如下公式获取所述目标旋转角度:
其中,theta*表示所述目标旋转角度,theta表示所述初始旋转角度,costfunction(theta)为所述代价函数。
在一种实施方式中,所述乳腺钼靶图像包括所述拍摄对象乳房的头尾位图像;所述确定模块720还被配置为:根据所述头尾位图像和所述侧斜位图像,设定所述初始旋转角度;根据所述初始旋转角度计算获得所述初始分割线。
在本申请实施例中,图7所示模块能够实现图1至图6方法实施例中的各个过程。图7中的各个模块的操作和/或功能,分别为了实现图1至图6中的方法实施例中的相应流程。具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
如图8所示,本申请实施例提供一种电子设备800,包括:处理器810、存储器820和总线830,所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,用于实现如上述所有实施例中任一项所述的方法,具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
其中,总线用于实现这些组件直接的连接通信。其中,本申请实施例中处理器可以是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。存储器中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,可以执行上述实施例中所述的方法。
可以理解,图8所示的结构仅为示意,还可包括比图8中所示更多或者更少的组件,或者具有与图8所示不同的配置。图8中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被执行时实现如下处理:获取乳腺钼靶图像;根据乳腺钼靶图像上非零像素的平均值确定目标分割线;根据目标分割线从乳腺钼靶图像上获取乳腺区域;基于乳腺区域进行数据分析,具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (11)
1.一种电子设备,其特征在于,包括存储器和处理器,所述存储器被配置为存储计算机程序,其中,所述处理器通过执行所述程序以实现如下乳腺钼靶图像分割的方法:
获取乳腺钼靶图像;
根据所述乳腺钼靶图像上非零像素的平均值确定目标分割线;
根据所述目标分割线从所述乳腺钼靶图像上获取乳腺区域;
基于所述乳腺区域进行数据分析。
2.根据权利要求1所述的电子设备,其特征在于,
所述目标分割线上的非零像素的平均值小于参考区域对应的非零像素的平均值,其中,所述参考区域包括所述乳腺钼靶图像中除所述目标分割线以外的多个区域。
3.根据权利要求1-2任一项所述的电子设备,其特征在于,所述处理器通过执行所述程序还用于实现如下方法:
根据所述乳腺钼靶图像上非零像素的平均值,确认目标旋转角度;
根据所述目标旋转角度确认所述目标分割线。
4.根据权利要求3所述的电子设备,其特征在于,所述处理器通过执行所述程序还用于实现如下方法:
根据所述乳腺钼靶图像上的非零像素的平均值和代价函数,确定所述目标旋转角度。
5.根据权利要求4所述的电子设备,其特征在于,所述乳腺钼靶图像包括拍摄对象乳房的侧斜位图像;
所述处理器通过执行所述程序还用于实现如下方法:
根据所述侧斜位图像计算获得初始分割线;
根据所述初始分割线上的所述非零像素的平均值和所述代价函数,确定所述目标旋转角度。
8.根据权利要求7所述的电子设备,其特征在于,所述乳腺钼靶图像包括拍摄对象乳房的头尾位图像;
所述处理器通过执行所述程序还用于实现如下方法:
根据所述头尾位图像和所述侧斜位图像,设定所述初始旋转角度;
根据所述初始旋转角度计算获得初始分割线。
9.一种医疗设备,其特征在于,包括:
成像单元,被配置为采集乳腺钼靶图像;
处理单元,被配置为接收所述乳腺钼靶图像,并基于所述乳腺钼靶图像进行如下处理:获取所述乳腺钼靶图像;根据所述乳腺钼靶图像上非零像素的平均值确定目标分割线;根据所述目标分割线从所述乳腺钼靶图像上获取乳腺区域;基于所述乳腺区域进行数据分析。
10.一种乳腺钼靶图像分割的装置,其特征在于,所述装置包括:
获取模块,被配置为获取乳腺钼靶图像;
确定模块,被配置为根据所述乳腺钼靶图像上非零像素的平均值确定目标分割线;
分割模块,被配置为根据所述目标分割线从所述乳腺钼靶图像上获取乳腺区域;
检测模块,被配置为基于所述乳腺区域进行数据分析。
11.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被执行时实现如下处理:获取乳腺钼靶图像;根据所述乳腺钼靶图像上非零像素的平均值确定目标分割线;根据所述目标分割线从所述乳腺钼靶图像上获取乳腺区域;基于所述乳腺区域进行数据分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110734983.1A CN113393475B (zh) | 2021-06-30 | 2021-06-30 | 一种乳腺钼靶图像分割的装置、电子设备、医疗设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110734983.1A CN113393475B (zh) | 2021-06-30 | 2021-06-30 | 一种乳腺钼靶图像分割的装置、电子设备、医疗设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393475A true CN113393475A (zh) | 2021-09-14 |
CN113393475B CN113393475B (zh) | 2024-02-20 |
Family
ID=77624786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110734983.1A Active CN113393475B (zh) | 2021-06-30 | 2021-06-30 | 一种乳腺钼靶图像分割的装置、电子设备、医疗设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393475B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742753A (zh) * | 2022-03-02 | 2022-07-12 | 清华大学 | 基于神经网络的图像评估方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110039896A (ko) * | 2009-10-12 | 2011-04-20 | 서울대학교산학협력단 | 디지털 유방 x-선 영상에서 유방 밀도 자동 측정 방법 |
CN102956035A (zh) * | 2011-08-25 | 2013-03-06 | 深圳市蓝韵实业有限公司 | 用于乳腺x线图像中提取乳腺区域的预处理方法及系统 |
KR101258814B1 (ko) * | 2011-11-09 | 2013-04-26 | 서울여자대학교 산학협력단 | 동적조영증강 유방 mr 영상에서 조직별 밝기값 보정 및 종양 강성 제약을 적용한 비강체 정합 방법 및 시스템 |
CN104182965A (zh) * | 2014-01-22 | 2014-12-03 | 上海联影医疗科技有限公司 | 一种乳腺图像中分割胸肌的方法 |
CN104881858A (zh) * | 2014-02-27 | 2015-09-02 | 上海联影医疗科技有限公司 | 一种乳房内增强背景组织的提取方法和装置 |
CN105447879A (zh) * | 2015-12-15 | 2016-03-30 | 上海联影医疗科技有限公司 | 乳房图像中检测胸肌的方法及装置 |
CN110610498A (zh) * | 2019-08-13 | 2019-12-24 | 上海联影智能医疗科技有限公司 | 乳腺钼靶图像处理方法、系统、存储介质及设备 |
CN111554380A (zh) * | 2019-02-11 | 2020-08-18 | 东软医疗系统股份有限公司 | 乳腺图像文件生成方法和装置、乳腺图像加载方法和装置 |
CN111598862A (zh) * | 2020-05-13 | 2020-08-28 | 北京推想科技有限公司 | 一种乳腺钼靶图像的分割方法、装置、终端及存储介质 |
WO2021009804A1 (ja) * | 2019-07-12 | 2021-01-21 | Eizo株式会社 | 閾値の学習方法 |
-
2021
- 2021-06-30 CN CN202110734983.1A patent/CN113393475B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110039896A (ko) * | 2009-10-12 | 2011-04-20 | 서울대학교산학협력단 | 디지털 유방 x-선 영상에서 유방 밀도 자동 측정 방법 |
CN102956035A (zh) * | 2011-08-25 | 2013-03-06 | 深圳市蓝韵实业有限公司 | 用于乳腺x线图像中提取乳腺区域的预处理方法及系统 |
KR101258814B1 (ko) * | 2011-11-09 | 2013-04-26 | 서울여자대학교 산학협력단 | 동적조영증강 유방 mr 영상에서 조직별 밝기값 보정 및 종양 강성 제약을 적용한 비강체 정합 방법 및 시스템 |
CN104182965A (zh) * | 2014-01-22 | 2014-12-03 | 上海联影医疗科技有限公司 | 一种乳腺图像中分割胸肌的方法 |
CN104881858A (zh) * | 2014-02-27 | 2015-09-02 | 上海联影医疗科技有限公司 | 一种乳房内增强背景组织的提取方法和装置 |
CN105447879A (zh) * | 2015-12-15 | 2016-03-30 | 上海联影医疗科技有限公司 | 乳房图像中检测胸肌的方法及装置 |
CN111554380A (zh) * | 2019-02-11 | 2020-08-18 | 东软医疗系统股份有限公司 | 乳腺图像文件生成方法和装置、乳腺图像加载方法和装置 |
WO2021009804A1 (ja) * | 2019-07-12 | 2021-01-21 | Eizo株式会社 | 閾値の学習方法 |
CN110610498A (zh) * | 2019-08-13 | 2019-12-24 | 上海联影智能医疗科技有限公司 | 乳腺钼靶图像处理方法、系统、存储介质及设备 |
CN111598862A (zh) * | 2020-05-13 | 2020-08-28 | 北京推想科技有限公司 | 一种乳腺钼靶图像的分割方法、装置、终端及存储介质 |
Non-Patent Citations (5)
Title |
---|
KAMILA CZAPLICKA 等: "Automatic Breast-Line and Pectoral Muscle Segmentation", 《SCHEDAE INFORMATICAE》, vol. 20 * |
PRAVIN PALKAR等: "Analysis of Digital Mammogram Based on Statistical Parameter’s Direction Verses Offset Plot", 《INTERNATIONAL JOURNAL OF LATEST ENGINEERING SCIENCE》, vol. 02, no. 01, pages 6 - 11 * |
STYLIANOS D. TZIKOPOULOS 等: "A fully automated scheme for mammographic segmentation and classification based on breast density and asymmetry", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》, vol. 102, pages 47 - 63, XP028175229, DOI: 10.1016/j.cmpb.2010.11.016 * |
SZE MAN KWOK 等: "Automatic Pectoral Muscle Segmentation on Mediolateral Oblique View Mammograms", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》, vol. 23, no. 9, pages 1129 - 1140 * |
魏平: "数字乳腺钼靶图像的软拷贝显示技术研究", 中国知网博士电子期刊 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742753A (zh) * | 2022-03-02 | 2022-07-12 | 清华大学 | 基于神经网络的图像评估方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113393475B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245662B (zh) | 检测模型训练方法、装置、计算机设备和存储介质 | |
CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
CN110211076B (zh) | 图像拼接方法、图像拼接设备和可读存储介质 | |
CN110363817B (zh) | 目标位姿估计方法、电子设备和介质 | |
CN112446838A (zh) | 一种基于局部统计信息的图像噪声检测方法、装置 | |
CN110517262B (zh) | 目标检测方法、装置、设备及存储介质 | |
CN107622501B (zh) | 一种医学图像的边界检测的方法 | |
CN112257698B (zh) | 环视图车位检测结果的处理方法、装置、设备和存储介质 | |
WO2020119467A1 (zh) | 高精度稠密深度图像的生成方法和装置 | |
CN113393475A (zh) | 一种乳腺钼靶图像分割的装置、电子设备、医疗设备和介质 | |
CN110418607B (zh) | 图像处理方法 | |
CN115512381A (zh) | 文本识别方法、装置、设备、存储介质及作业机械 | |
CN110826557A (zh) | 一种骨折检出的方法及装置 | |
CN112580499A (zh) | 文本识别方法、装置、设备及存储介质 | |
US10970592B2 (en) | Adhering substance detection apparatus and adhering substance detection method | |
CN112287993A (zh) | 模型生成方法、图像分类方法、装置、电子设备及介质 | |
CN113159037B (zh) | 图片矫正方法、装置、计算机设备及存储介质 | |
CN110245674A (zh) | 模板匹配方法、装置、设备及计算机存储介质 | |
CN113034613B (zh) | 相机的外部参数标定方法及相关装置 | |
CN115546476A (zh) | 基于多尺度特征的多对象检测方法与数据平台 | |
CN112184776A (zh) | 一种目标跟踪方法、装置及存储介质 | |
JP7152506B2 (ja) | 撮像装置 | |
CN113723406A (zh) | 一种对冠脉造影图像进行支架定位的处理方法和装置 | |
CN111915645A (zh) | 影像匹配方法、装置、计算机设备及计算机可读存储介质 | |
CN117078913B (zh) | 对象倾斜矫正方法、装置、电子设备和存储介质 |
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 |