CN113808101B - 一种乳腺结节钙化分析装置 - Google Patents
一种乳腺结节钙化分析装置 Download PDFInfo
- Publication number
- CN113808101B CN113808101B CN202111085354.7A CN202111085354A CN113808101B CN 113808101 B CN113808101 B CN 113808101B CN 202111085354 A CN202111085354 A CN 202111085354A CN 113808101 B CN113808101 B CN 113808101B
- Authority
- CN
- China
- Prior art keywords
- calcification
- image
- cals
- grow
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002308 calcification Effects 0.000 title claims abstract description 251
- 206010006272 Breast mass Diseases 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 208000004434 Calcinosis Diseases 0.000 claims abstract description 285
- 238000010276 construction Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000002604 ultrasonography Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000003384 imaging method Methods 0.000 claims abstract description 5
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 206010028980 Neoplasm Diseases 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 210000000481 breast Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Physiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种乳腺结节钙化分析装置,包括图像获取模块:用于获取带有乳腺结节的超声图像;感兴趣结节图像提取模块:用于通过选取若干感兴趣坐标点的方式对所述超声图像的乳腺结节边界进行截取,得到感兴趣结节图像;钙化识别模块:用于通过贝叶斯优化算法识别所述感兴趣结节图像中的钙化点,得到图像Icals_grow;钙化阴影描述子构建模块:用于根据所述图像Icals_grow中的钙化点来构建钙化阴影描述子;钙化几何描述子构建模块:用于根据图像Icals_grow中的钙化点来构建钙化几何描述子;粗钙化和微钙化提取模块:用于通过所述钙化阴影描述子和钙化几何描述子将图像Icals_grow中的钙化点分类为粗钙化或微钙化。本发明能够对钙化点进行有效分析。
Description
技术领域
本发明涉及辅助医学诊断技术领域,特别是涉及一种乳腺结节钙化分析装置。
背景技术
如今,随着对快速准确诊断的需求日益增长,以及临床人员的短缺,计算机分析方法已经越来越多地应用于支持常规临床诊断,并显示出良好的效果。
预计近些年,乳腺癌将成为女性的第二大致命癌症,死亡率为15%。这些统计数据表明,乳腺癌的诊断对于提高预期寿命至关重要,尤其是对女性而言。作为一种常用的临床工具,超声成像是一种无创、无辐射、低成本的癌症诊断技术。然而,由于图像质量较低,从超声中识别乳腺病变和检测癌症体征是一项具有挑战性的任务。
恶性肿瘤的生长和进展可以通过其方向、外观、质地、成分和许多其他因素来反映。作为一种使用良好的工具,灰度超声(US)图像可以可视化许多这些因素,帮助医生更好地观察和理解乳腺结节。然而,在目前的临床实践中,在超声乳腺图像中观察到的特征只能主观或半主观地进行评估,这限制了超声图像的广泛应用。因此,自动准确的乳腺结节定量分析标准对于准确的癌症诊断至关重要。
乳腺成像报告和数据系统(BI-RADS)是科学测量和报告乳腺结节的指南。不幸的是,目前还没有研究定量BI-RADS特征改善乳腺癌分类的诊断性能。
发明内容
本发明所要解决的技术问题是提供一种乳腺结节钙化分析装置,能够对钙化点进行有效分类。
本发明解决其技术问题所采用的技术方案是:提供一种乳腺结节钙化分析装置,包括:
图像获取模块:用于获取带有乳腺结节的超声图像;
感兴趣结节图像提取模块:用于通过选取若干感兴趣坐标点的方式对所述超声图像的乳腺结节边界进行截取,得到感兴趣结节图像;
钙化识别模块:用于通过贝叶斯优化算法识别所述感兴趣结节图像中的钙化点,得到图像Icals_grow;
钙化阴影描述子构建模块:用于根据所述图像Icals_grow中的钙化点来构建钙化阴影描述子;
钙化几何描述子构建模块:用于根据图像Icals_grow中的钙化点来构建钙化几何描述子;
粗钙化和微钙化提取模块:用于通过所述钙化阴影描述子和钙化几何描述子将图像Icals_grow中的钙化点分类为粗钙化或微钙化。
所述粗钙化和微钙化提取模块中的通过所述钙化阴影描述子和钙化几何描述子将图像Icals_grow中的钙化点分类为粗钙化或微钙化,表达式为:
其中,若钙化点的面积SCC大于第一面积阈值tS1,则表示钙化点为粗钙化;若钙化点的面积SCC大于第二面积阈值tS2且钙化点的圆度CirCC大于圆度阈值tCir,则表示钙化点为粗钙化;若钙化阴影描述子ΔCC大于差异阈值tΔ,则表示钙化点为粗钙化;其他情况则表示钙化点为微钙化;所述第二面积阈值tS2小于所述第一面积阈值tS1。
还包括图像性质判断模块:用于根据钙化点分类结果判断图像Icals_grow性质,具体为:若图像Icals_grow中任意一个钙化点为微钙化,则图像Icals_grow为微钙化图像;若图像Icals_grow中所有的钙化点均为粗钙化,则图像Icals_grow为粗钙化图像。
所述钙化阴影描述子构建模块中的根据所述图像Icals_grow中的钙化点来构建钙化阴影描述子,包括:
根据图像Icals_grow中的每个钙化点的大小拟合一最小裁剪窗口;
在每个最小裁剪窗口的正上方设置一长与最小裁剪窗口一致、高为预设高度的上部边界框;
在每个最小裁剪窗口的正下方设置与所述上部边界框大小相同的下部边界框;
根据所述上部边界框和下部边界框构建钙化阴影描述子。
所述上部边界框的表达式为:所述下部边界框的表达式为:/>其中,[A(x,y),B(x,y),C(x,y),D(x,y)]表示最小裁剪窗口的四个顶点坐标,Δtop表示上部边界框在最小裁剪窗口的正上方的位移,Δbot表示下部边界框在最小裁剪窗口的正下方的位移,htop表示上部边界框的高度,hbot表示下部边界框的高度。
所述钙化阴影描述子构建模块中的根据所述上部边界框和下部边界框构建钙化阴影描述子,公式为:其中,Xtop表示所有上部边界框内的像素点集合,Xbot表示所有下部边界框内的像素点集合,Ix,y表示超声图像在像素点(x,y)的亮度值。
所述钙化几何描述子构建模块中的构建钙化几何描述子,包括:
计算所述图像Icals_grow中的每个钙化点的面积;
根据计算得到的每个钙化点的面积构建钙化几何描述子。
所述钙化几何描述子构建模块中的计算所述图像Icals_grow中的每个钙化点的面积,公式为:其中,SCC表示钙化点的面积,XCC表示钙化点的像素坐标集合,(x,y)表示图像Icals_grow中的像素点坐标。
所述钙化几何描述子构建模块中的根据计算得到的每个钙化点的面积构建钙化几何描述子,公式为:
其中,CirCC表示钙化点的圆度,SCC表示任一钙化点的面积,XCC表示钙化点的像素坐标集合,X'CC表示钙化点内被1像素宽度的蝶形结构元素侵蚀的像素坐标集合,PCC表示钙化点形成区域的周长,(x,y)表示图像Icals_grow中的像素点坐标。
还包括钙化比例计算模块:用于构建钙化比例描述子,并通过所述钙化比例描述子计算所述图像Icals_grow中粗钙化和微钙化的比重,公式为:其中,PL表示钙化比例描述子,CC表示图像Icals_grow中所有钙化点的集合,Sg表示图像Icals_grow中的钙化点g的面积,X表示图像Icals_grow中的像素集合,Lg=L表示钙化点g被判断为粗钙化或微钙化的类型。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明能够将乳腺结节的钙化准确分辨为粗钙化和微钙化;本发明通过构建钙化比例描述子能够对粗钙化和微钙化所占图像的比重进行有效评估,有利于从图像中分析钙化的整体情况;本发明能够方便医生对病理部位进行准确判断,为医生更好更快更精确地对病理部位做出准确判断提供有效的数据支撑。
附图说明
图1是本发明实施方式的流程图;
图2是本发明实施方式的超像素分割示意图;
图3是本发明实施方式的钙化阴影描述子构建示意图;
图4是本发明实施方式的钙化识别结果示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种乳腺结节钙化分析装置,请参阅图1,包括:
图像获取模块:用于获取带有乳腺结节的超声图像;
感兴趣结节图像提取模块:用于通过选取若干感兴趣坐标点的方式对所述超声图像的乳腺结节边界进行截取,得到感兴趣结节图像;
钙化识别模块:用于通过贝叶斯优化算法识别所述感兴趣结节图像中的钙化点,得到图像Icals_grow;
钙化阴影描述子构建模块:用于根据所述图像Icals_grow中的钙化点来构建钙化阴影描述子;
钙化几何描述子构建模块:用于根据图像Icals_grow中的钙化点来构建钙化几何描述子;
粗钙化和微钙化提取模块:用于通过所述钙化阴影描述子和钙化几何描述子将图像Icals_grow中的钙化点分类为粗钙化或微钙化;
图像性质判断模块:用于根据钙化点分类结果判断图像Icals_grow性质;
钙化比例占比模块:用于构建钙化比例描述子,并通过所述钙化比例描述子计算所述图像Icals_grow中粗钙化点或微钙化点的面积所占比重。
以下通过一个具体的实施方式对本发明进行详细说明:
本实施方式中,在钙化识别模块之前还包括钙化候选点检测模块,所述钙化候选点检测模块用于将感兴趣结节图像去除边界掩码后,得到图像Ie'rode,并将其划分为若干超像素,并根据对比度和亮度从每个超像素中检测出钙化候选点,得到图像Icals_raw。
钙化候选点检测模块具体包括:通过k-means聚类法的图像分割方法将所述图像Ie'rode分割为200个超像素,得到图像I'SP200,并从所述图像I'SP200中选取平均亮度前100的超像素。
将从图像I'SP200中选取到的平均亮度前100的超像素分割为300个超像素,得到图像I'SP300,并从所述图像I'SP300中选取平均亮度前150的超像素。
将从图像I'SP300中选取到的平均亮度前150的超像素分割为750个超像素,得到图像I'SP750,并从所述图像I'SP750中选取对比度方差前375的超像素,最后,通过6像素或10像素(取决于结节的大小)宽的碟形结构元素进一步腐蚀图像I'SP750的边界掩码,用于去除在边缘检测到的潜在的假钙化候选点,最终得到带有钙化候选点的图像Icals_raw。
关于超像素分割可以见图2,图2中的(a)为感兴趣结节图像,图2中的(b)示出了超像素分割后的图像。
对图像Icals_raw中的每个连通域(即钙化点所占区域像素点集合)进行单独裁剪。进一步地,对图像Icals_raw单独裁剪的每个连通域进行特征提取,共提取了两种特征,它们分别是表达候选区域亮度特征表现的直方图特征与表达候选区域纹理表现的灰度共生矩阵特征,并将直方图特征与灰度共生矩阵特征结合,表达为共6+14=20个数值。通过对真钙化与假钙化之间特征表达区别的统计分析,并结合贝叶斯优化算法,确定了提取特征数值的合理区间。贝叶斯优化算法对每个候选钙化区域进行特征提取并与确定的合理区间进行校验,若特征值处于所定义的区间之外,则在图像Icals_raw中删除该非钙化区域,得到图像Icals_fine。本实施方式还通过区域生长法将图像Icals_fine中的钙化点进行区域生长,并通过SURF描述子标定的能量范围对钙化点的生长区域进行限制,最终生成钙化图像Icals_grow。
根据图像Icals_grow对钙化点进行细分,具体如下:
一、钙化阴影描述子构建模块、钙化阴影识别模块
通常,阴影的出现是鉴别粗钙化的重要特征。在钙化阴影描述子构建模块中,为了构建钙化阴影描述子,首先将最小裁剪窗口拟合到检测到的每个连通域(即钙化点的所占区域像素点集合),由图3中的(a)或(b)可知,最小裁剪窗口的四个顶点为A、B、C、D,本实施方式通过[A(x,y),B(x,y),C(x,y),D(x,y)]来表示最小裁剪窗口的四个框角坐标。除此之外,本实施方式还设置了每个连通域正上方和正下方的两个边界框,分别为上部边界框和下部边界框,用以比较两个边界框的亮度表现,若上部、下部边界框亮度差异明显,则存在阴影,否则不存在;图3中的(a)表示有阴影,(b)表示没有阴影。
上部边界框的公式为:
下部边界框的公式为:
其中,[A(x,y),B(x,y),C(x,y),D(x,y)]表示最小裁剪窗口的四个顶点坐标,Δtop表示上部边界框在最小裁剪窗口的正上方的位移,Δbot表示下部边界框在最小裁剪窗口的正下方的位移,htop表示上部边界框的高度,hbot表示下部边界框的高度。
进一步地,由于钙化的高亮度性质通常会照亮其周围区域,因此本实施方式建议在设置上部边界框和下部边界框时相对最小裁剪窗口有一些偏移,以避免此类影响。因此,本实施方式通过实验将上部边界框在最小裁剪窗口的正上方的位移设置为:Δtop=0,将下部边界框在最小裁剪窗口的正下方的位移设置为:Δbot=15,将上部边界框的高度设置为:htop=10,将下部边界框的高度设置为:hbot=10。
进一步地,钙化阴影识别模块中的钙化阴影描述子的公式为:
其中,Xtop表示所有上部边界框内的像素点集合,Xbot表示所有下部边界框内的像素点集合,Ix,y表示超声图像在像素点(x,y)的亮度值;需要注意的是,在具体阴影识别时,本实施方式基于所述图像Icals_grow中的钙化点,通过所述钙化阴影描述子在所述超声图像中进行阴影识别;若ΔCC>tΔ,则表明钙化点周围存在阴影,若ΔCC≤tΔ,则表明钙化点周围不存在阴影,tΔ表示差异阈值。
二、钙化几何描述子构建模块、粗钙化识别模块
通常,粗钙化以线条状的形式出现在超声图像中,基于此,在钙化几何描述子构建模块中,通过构建钙化几何描述子来识别钙化点的尺寸大小和圆度信息,具体包括:
(一)计算所述图像Icals_grow中的每个钙化点的面积,公式为:
其中,SCC表示钙化点的面积,XCC表示钙化点的像素坐标集合,(x,y)表示图像Icals_grow中的像素点坐标。
(二)根据计算得到的每个钙化点的面积构建钙化几何描述子,公式为:
其中,CirCC表示钙化点的圆度,SCC表示钙化点的面积,XCC表示钙化点的像素坐标集合,X'CC表示钙化点内被1像素宽度的蝶形结构元素侵蚀的像素坐标集合,PCC表示钙化点形成区域的周长,(x,y)表示图像Icals_grow中的像素点坐标。
由于CirCC∝SCC,因此需要注意的是,与尺寸较大的连通域(即钙化点所占区域像素点集合)相比,尺寸较小的连通域的圆度CirCC更小。因此,在应用圆度CirCC进行测量时,有必要设置最小尺寸限制,因为较小的连通域不太可能是粗钙化点。
图4中的(a)示出了从超声图像中检测出的钙化点,分别为三个点状和一个线条状的钙化点,图4中的(b)的亮白色的钙化点即为线条状钙化点,即粗钙化,较暗的点状部分为微钙化。
进一步地,粗钙化和微钙化提取模块中的通过所述钙化阴影描述子和钙化几何描述子将图像Icals_grow中钙化点分类为粗钙化(Macro)或微钙化(Micro),表达式为:
其中,若钙化点的面积SCC大于第一面积阈值tS1,则表示钙化点为粗钙化;若钙化点的面积SCC大于第二面积阈值tS2且钙化点的圆度CirCC大于圆度阈值tCir,则表示钙化点为粗钙化;若钙化阴影描述子ΔCC大于差异阈值tΔ,则表示钙化点为粗钙化;其他情况则表示钙化点为微钙化;所述第二面积阈值tS2小于所述第一面积阈值tS1。
本实施方式中,tS1=200,tS2=95,tCir=0.78,tΔ=50,并且数据均是通过实验得到。
进一步地,在图像性质判断模块中,根据钙化点分类结果判断图像Icals_grow性质,具体为:若图像Icals_grow中任意一个钙化点为微钙化,则图像Icals_grow为微钙化图像;若图像Icals_grow中所有的钙化点均为粗钙化,则图像Icals_grow为粗钙化图像。
进一步地,所述钙化比例占比模块中的构建钙化比例描述子,并通过所述钙化比例描述子计算所述图像Icals_grow中粗钙化点或微钙化点的面积所占比重,公式为:
其中,PL表示钙化比例描述子,CC表示图像Icals_grow中所有钙化点的集合,Sg表示图像Icals_grow中的钙化点g的面积,X表示图像Icals_grow中的像素集合,Lg=L表示钙化点g被判断为粗钙化或微钙化的类型。
由此可见,本发明能够将乳腺结节的钙化准确分类为粗钙化和微钙化;本发明通过构建钙化比例描述子能够对粗钙化和微钙化所占图像的比重进行有效评估,有利于从图像中分析钙化的整体情况。
Claims (8)
1.一种乳腺结节钙化分析装置,其特征在于,包括:
图像获取模块:用于获取带有乳腺结节的超声图像;
感兴趣结节图像提取模块:用于通过选取若干感兴趣坐标点的方式对所述超声图像的乳腺结节边界进行截取,得到感兴趣结节图像;
钙化识别模块:用于通过贝叶斯优化算法识别所述感兴趣结节图像中的钙化点,得到图像Icals_grow;
钙化阴影描述子构建模块:用于根据所述图像Icals_grow中的钙化点来构建钙化阴影描述子,具体为:
根据图像Icals_grow中的每个钙化点的大小拟合一最小裁剪窗口;
在每个最小裁剪窗口的正上方设置一长与最小裁剪窗口一致、高为预设高度的上部边界框;
在每个最小裁剪窗口的正下方设置与所述上部边界框大小相同的下部边界框;
根据所述上部边界框和下部边界框构建钙化阴影描述子;
钙化几何描述子构建模块:用于根据图像Icals_grow中的钙化点来构建钙化几何描述子,具体为:
计算所述图像Icals_grow中的每个钙化点的面积;
根据计算得到的每个钙化点的面积构建钙化几何描述子;
粗钙化和微钙化提取模块:用于通过所述钙化阴影描述子和钙化几何描述子将图像Icals_grow中的钙化点分类为粗钙化或微钙化。
2.根据权利要求1所述的乳腺结节钙化分析装置,其特征在于,所述粗钙化和微钙化提取模块中的通过所述钙化阴影描述子和钙化几何描述子将图像Icals_grow中的钙化点分类为粗钙化或微钙化,表达式为:
其中,若钙化点的面积SCC大于第一面积阈值tS1,则表示钙化点为粗钙化;若钙化点的面积SCC大于第二面积阈值tS2且钙化点的圆度CirCC大于圆度阈值tCir,则表示钙化点为粗钙化;若钙化阴影描述子ΔCC大于差异阈值tΔ,则表示钙化点为粗钙化;其他情况则表示钙化点为微钙化;所述第二面积阈值tS2小于所述第一面积阈值tS1。
3.根据权利要求1所述的乳腺结节钙化分析装置,其特征在于,还包括图像性质判断模块:用于根据钙化点分类结果判断图像Icals_grow性质,具体为:若图像Icals_grow中任意一个钙化点为微钙化,则图像Icals_grow为微钙化图像;若图像Icals_grow中所有的钙化点均为粗钙化,则图像Icals_grow为粗钙化图像。
4.根据权利要求1所述的乳腺结节钙化分析装置,其特征在于,所述上部边界框的表达式为:所述下部边界框的表达式为:其中,[A(x,y),B(x,y),C(x,y),D(x,y)]表示最小裁剪窗口的四个顶点坐标,Δtop表示上部边界框在最小裁剪窗口的正上方的位移,Δbot表示下部边界框在最小裁剪窗口的正下方的位移,htop表示上部边界框的高度,hbot表示下部边界框的高度。
5.根据权利要求1所述的乳腺结节钙化分析装置,其特征在于,所述钙化阴影描述子构建模块中的根据所述上部边界框和下部边界框构建钙化阴影描述子,公式为:其中,Xtop表示所有上部边界框内的像素点集合,Xbot表示所有下部边界框内的像素点集合,Ix,y表示图像超声在像素点(x,y)的亮度值。
6.根据权利要求1所述的乳腺结节钙化分析装置,其特征在于,所述钙化几何描述子构建模块中的计算所述图像Icals_grow中的每个钙化点的面积,公式为:其中,SCC表示钙化点的面积,XCC表示钙化点的像素坐标集合,(x,y)表示图像Icals_grow中的像素点坐标。
7.根据权利要求1所述的乳腺结节钙化分析装置,其特征在于,所述钙化几何描述子构建模块中的根据计算得到的每个钙化点的面积构建钙化几何描述子,公式为:
其中,CirCC表示钙化点的圆度,SCC表示任一钙化点的面积,XCC表示钙化点的像素坐标集合,X'CC表示钙化点内被1像素宽度的蝶形结构元素侵蚀的像素坐标集合,PCC表示钙化点形成区域的周长,(x,y)表示图像Icals_grow中的像素点坐标。
8.根据权利要求1所述的乳腺结节钙化分析装置,其特征在于,还包括钙化比例计算模块:用于构建钙化比例描述子,并通过所述钙化比例描述子计算所述图像Icals_grow中粗钙化和微钙化的比重,公式为:其中,PL表示钙化比例描述子,CC表示图像Icals_grow中所有钙化点的集合,Sg表示图像Icals_grow中的钙化点g的面积,X表示图像Icals_grow中的像素集合,Lg=L表示钙化点g被判断为粗钙化或微钙化的类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085354.7A CN113808101B (zh) | 2021-09-16 | 2021-09-16 | 一种乳腺结节钙化分析装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085354.7A CN113808101B (zh) | 2021-09-16 | 2021-09-16 | 一种乳腺结节钙化分析装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113808101A CN113808101A (zh) | 2021-12-17 |
CN113808101B true CN113808101B (zh) | 2023-11-21 |
Family
ID=78895510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111085354.7A Active CN113808101B (zh) | 2021-09-16 | 2021-09-16 | 一种乳腺结节钙化分析装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113808101B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005124617A (ja) * | 2003-10-21 | 2005-05-19 | Konica Minolta Medical & Graphic Inc | 医用画像診断支援システム |
CN101227861A (zh) * | 2005-07-27 | 2008-07-23 | 柯尼卡美能达医疗印刷器材株式会社 | 异常阴影候补检测方法异常阴影候补检测装置 |
CN101234026A (zh) * | 2008-03-07 | 2008-08-06 | 李立 | 一种乳腺病变定量化影像评价系统及其应用方法 |
JP2010068860A (ja) * | 2008-09-16 | 2010-04-02 | Fujifilm Corp | 内視鏡装置及びその画像処理方法 |
CN101727537A (zh) * | 2009-11-16 | 2010-06-09 | 杭州电子科技大学 | 基于双视角信息融合的乳腺cr图像的计算机确定方法 |
CN104376199A (zh) * | 2014-11-05 | 2015-02-25 | 宁波市科技园区明天医网科技有限公司 | 乳腺报告病灶示意图智能生成方法 |
CN112132808A (zh) * | 2020-09-23 | 2020-12-25 | 沈阳建筑大学 | 基于常态模型学习的乳腺x线图像病变检测方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7231071B2 (en) * | 2001-09-13 | 2007-06-12 | Fujifilm Corporation | Abnormal shadow detecting system |
CN109493328B (zh) * | 2018-08-31 | 2020-08-04 | 上海联影智能医疗科技有限公司 | 医学图像显示方法、查看设备以及计算机设备 |
-
2021
- 2021-09-16 CN CN202111085354.7A patent/CN113808101B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005124617A (ja) * | 2003-10-21 | 2005-05-19 | Konica Minolta Medical & Graphic Inc | 医用画像診断支援システム |
CN101227861A (zh) * | 2005-07-27 | 2008-07-23 | 柯尼卡美能达医疗印刷器材株式会社 | 异常阴影候补检测方法异常阴影候补检测装置 |
CN101234026A (zh) * | 2008-03-07 | 2008-08-06 | 李立 | 一种乳腺病变定量化影像评价系统及其应用方法 |
JP2010068860A (ja) * | 2008-09-16 | 2010-04-02 | Fujifilm Corp | 内視鏡装置及びその画像処理方法 |
CN101727537A (zh) * | 2009-11-16 | 2010-06-09 | 杭州电子科技大学 | 基于双视角信息融合的乳腺cr图像的计算机确定方法 |
CN104376199A (zh) * | 2014-11-05 | 2015-02-25 | 宁波市科技园区明天医网科技有限公司 | 乳腺报告病灶示意图智能生成方法 |
CN112132808A (zh) * | 2020-09-23 | 2020-12-25 | 沈阳建筑大学 | 基于常态模型学习的乳腺x线图像病变检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113808101A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tzikopoulos et al. | A fully automated scheme for mammographic segmentation and classification based on breast density and asymmetry | |
US9959617B2 (en) | Medical image processing apparatus and breast image processing method thereof | |
US20090220138A1 (en) | Fast preprocessing algorithms for digital mammography cad and workstation | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
EP0757544A1 (en) | Computerized detection of masses and parenchymal distortions | |
CN106780451A (zh) | X射线、超声、红外图像融合乳腺肿块图像检测方法 | |
US9430844B2 (en) | Automated mammographic density estimation and display method using prior probability information, system for the same, and media storing computer program for the same | |
Wirth et al. | Segmentation of the breast region in mammograms using snakes | |
Zaheeruddin et al. | Detection and shape feature extraction of breast tumor in mammograms | |
CN111105427B (zh) | 一种基于连通区域分析的肺部图像分割方法及系统 | |
TW201726064A (zh) | 醫療影像處理裝置及其乳房影像處理方法 | |
KR101078756B1 (ko) | 디지털 유방 x-선 영상에서 미세석회화 군집 검출 방법 | |
Saltanat et al. | An efficient pixel value based mapping scheme to delineate pectoral muscle from mammograms | |
CN113808101B (zh) | 一种乳腺结节钙化分析装置 | |
CN113808102B (zh) | 一种乳腺结节钙化阴影识别装置 | |
CN113808100B (zh) | 一种乳腺结节粗钙化识别装置 | |
Widodo et al. | Sample K-means clustering method for determining the stage of breast cancer malignancy based on cancer size on mammogram image basis | |
CN113450326B (zh) | 一种甲状腺结节的血管信息提取装置 | |
CN114098781A (zh) | 一种融合全局和局部信息的乳腺癌辅助检测方法 | |
CN109893100B (zh) | 一种乳腺密度定量化计算的方法 | |
CN113822864B (zh) | 一种乳腺结节钙化检测装置 | |
CN113940704A (zh) | 一种基于甲状腺的肌肉和筋膜检测装置 | |
Siddique et al. | Effective Segmentation of Liver CT images using Marker Controlled Watershed Algorithm | |
Chen et al. | A novel framework for fat, glandular tissue, pectoral muscle and nipple segmentation in full field digital mammograms | |
CN114155204A (zh) | 一种乳腺结节边界锐利度判定装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 201114 room 101-8, building 3, No. 2388, Chenhang Road, Minhang District, Shanghai Applicant after: Shiwei Xinzhi medical technology (Shanghai) Co.,Ltd. Address before: 1628 suzhao Road, Minhang District, Shanghai 201112 Applicant before: Shiwei Xinzhi medical technology (Shanghai) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |