CN113940702A - 一种甲状腺结节回声分析装置 - Google Patents
一种甲状腺结节回声分析装置 Download PDFInfo
- Publication number
- CN113940702A CN113940702A CN202111181810.8A CN202111181810A CN113940702A CN 113940702 A CN113940702 A CN 113940702A CN 202111181810 A CN202111181810 A CN 202111181810A CN 113940702 A CN113940702 A CN 113940702A
- Authority
- CN
- China
- Prior art keywords
- image
- nodule
- echo
- thyroid
- detection
- 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
- 208000009453 Thyroid Nodule Diseases 0.000 title claims abstract description 52
- 208000024770 Thyroid neoplasm Diseases 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 95
- 210000003205 muscle Anatomy 0.000 claims abstract description 48
- 210000003195 fascia Anatomy 0.000 claims abstract description 46
- 210000001685 thyroid gland Anatomy 0.000 claims abstract description 42
- 210000003437 trachea Anatomy 0.000 claims abstract description 38
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 35
- 238000002604 ultrasonography Methods 0.000 claims abstract description 32
- 210000004907 gland Anatomy 0.000 claims abstract description 28
- 230000000762 glandular Effects 0.000 claims abstract description 17
- 230000002792 vascular Effects 0.000 claims abstract description 16
- 238000002592 echocardiography Methods 0.000 claims abstract description 14
- 230000003387 muscular Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 201000002510 thyroid cancer Diseases 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 101100272669 Aromatoleum evansii boxA gene Proteins 0.000 description 1
- 206010006272 Breast mass Diseases 0.000 description 1
- 208000004434 Calcinosis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 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
- 238000012805 post-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003248 secreting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- 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
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
-
- 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
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- 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
- A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- 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
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Quality & Reliability (AREA)
- Vascular Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种甲状腺结节回声分析装置,包括图像获取模块:用于获取带有甲状腺结节的超声图像;感兴趣结节图像提取模块:用于根据超声图像得到感兴趣结节图像;甲状腺结节腺体检测模块:用于根据超声图像得到腺体参考;检测区域生成模块:用于基于超声图像生成第一检测区域和第二检测区域;甲状腺肌肉和筋膜检测模块:用于根据第一检测区域得到肌肉和筋膜参考;甲状腺气管和血管检测模块:用于根据第二检测区域得到气管和血管参考;甲状腺结节回声检测模块:用于根据所述腺体参考、所述肌肉和筋膜参考和所述气管和血管参考对结节回声进行检测。本发明能够对甲状腺结节的回声进行有效检测。
Description
技术领域
本发明涉及辅助医学诊断技术领域,特别是涉及一种甲状腺结节回声分析装置。
背景技术
甲状腺癌是全球女性最常见的癌症之一,女性的发病率是男性的三倍。2018年,每20例女性癌症确诊病例中就有一例是甲状腺癌。超声成像是一种无创、无辐射、低成本的肿瘤诊断技术。然而由于超声图像质量较低,从超声图像中识别甲状腺结节和检测肿瘤征象是一项具有挑战性的任务。
通常,恶性肿瘤的生长和发展可以通过其形状、外观、质地、成分和许多其他因素来反映。作为一种有效的工具,灰度超声(US)图像可以将这些因素可视化,帮助医生更好地观察和理解病理部位的表现。然而,在目前的临床实践中,超声图像特征的读取极大依赖于超声医师对图像进行的主观或半主观的分析,这限制了超声的广泛应用。因此,自动准确的结节定量分析对于癌症的准确诊断至关重要。
甲状腺成像报告和数据系统(TI-RADS)是科学测量和报告甲状腺结节与乳腺结节的指南。但目前还没有对于TI-RADS进行定量特征分析来提高甲状腺癌分类的诊断性能的研究。
发明内容
本发明所要解决的技术问题是提供一种甲状腺结节回声分析装置,能够对甲状腺结节的回声进行有效检测。
本发明解决其技术问题所采用的技术方案是:提供一种甲状腺结节回声分析装置,包括:
图像获取模块:用于获取带有甲状腺结节的超声图像;
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甲状腺结节边界进行截取,得到感兴趣结节图像;
甲状腺腺体检测模块:用于以所述感兴趣结节图像中的结节为基准,对所述超声图像进行腺体检测,得到腺体参考;
检测区域生成模块:用于基于所述超声图像生成第一检测区域和第二检测区域;
甲状腺肌肉和筋膜检测模块:用于根据所述第一检测区域对甲状腺周围的肌肉和筋膜进行检测,得到肌肉和筋膜参考;
甲状腺气管和血管检测模块:用于根据所述第二检测区域对甲状腺周围的气管和血管进行检测,得到气管和血管参考;
甲状腺结节回声检测模块:用于根据所述腺体参考、所述肌肉和筋膜参考和所述气管和血管参考对结节回声进行检测。
还包括超声图像预处理模块:用于通过不同窗口尺寸的自适应中值滤波器对所述超声图像进行滤波,用于去除超声图像中的斑点噪声;再通过拉普拉斯滤波器对去除斑点噪声后的超声图像进行滤波,用于对超声图像的对比度和边缘进行增强,最后生成图像Ifilt。
所述甲状腺腺体检测模块中的对所述感兴趣结节图像进行腺体检测之前包括:在甲状腺结节边界外部构建一带状区域,再以甲状腺结节中心为基准按预设分割角度将所述带状区域分割为R个子带状区域,并将每个子带状区域划分为n个子切片区域。
所述甲状腺腺体检测模块中的以所述感兴趣结节图像中的结节为基准,对所述超声图像进行腺体检测时,若第i子带状区域Ri满足则表示子带状区域Ri为腺体,其中,a1表示第一预设值,a2表示第二预设值,a3表示第三预设值,表示从j=1至n进行逻辑与运算,表示第i个子带状区域Ri中第j个子切片区域内的像素的集合,表示集合内所有像素亮度的平均值且Ix,y表示超声图像I在像素点(x,y)的亮度值。
所述检测区域生成模块中的基于所述超声图像生成第一检测区域,包括:
对所述超声图像I进行二值化处理生成图像IB,再对所述图像IB进行形态学开放操作生成掩码图像IBM;
通过第一边界框标记出所述掩码图像IBM中最大的连通域,得到掩码图像IBU;
通过第二边界框标记出所述掩码图像IBU中结节的位置;
在掩码图像IBU中、且在结节位置的上方生成一图像IBF,并将所述图像IBF作为第一检测区域。
所述甲状腺肌肉和筋膜检测模块中的根据所述第一检测区域对甲状腺周围的肌肉和筋膜进行检测,公式为:其中,Ix,y表示超声图像I中像素点(x,y)的亮度值,XMF表示第一检测区域内的所有像素点坐标的集合,(j,k)表示XMF中的像素点;
当像素点(x,y)检测结果为True时,则表明像素点(x,y)为肌肉或筋膜;当像素点(x,y)检测结果为False时,则表明像素点(x,y)不是肌肉或筋膜。
所述检测区域生成模块中的基于所述超声图像生成第二检测区域,包括:
对所述超声图像I进行二值化处理生成图像IB,再对所述图像IB进行形态学开放操作生成掩码图像IBM;
通过第一边界框标记出所述掩码图像IBM中最大的连通域,得到掩码图像IBU;
在所述掩码图像IBU中结节的两侧截取一不包含结节的图像IBV,所述图像IBV的长度与图像IBU的长度相同、宽度为结节的高度,并将所述图像IBV作为第二检测区域。
当像素点(x,y)检测结果为True时,则表明像素点(x,y)为气管和血管;当像素点(x,y)检测结果为False时,则表明像素点(x,y)不是气管和血管。
所述甲状腺结节回声检测模块中的根据所述腺体参考、所述肌肉和筋膜参考和所述气管和血管参考对结节回声进行检测,包括:
根据所述腺体参考、所述肌肉和筋膜参考和所述气管和血管参考确定结节的无/极低回声、极低/低回声、低/等回声、等/高回声的临界值;
其中,所述腺体参考为腺体的亮度中值;所述肌肉和筋膜参考为肌肉和筋膜的亮度中值;所述气管和血管参考为气管和血管的亮度中值;
根据确定好的临界值找出不同回声类型的比例分布,公式为:其中,Echoi表示结节内不同回声类型的比例分布且Σx∈ iEchox=1,i表示回声类型,no表示无回声,vlow表示极低回声,low表示低回声,med表示等回声,high表示高回声,Xi表示不同回声类型对应的结节内像素坐标的集合。
所述甲状腺结节回声检测模块中的根据所述腺体参考、所述肌肉和筋膜参考和所述气管和血管参考对结节回声进行检测,还包括:确定结节内的各类回声的比例分布是否达到用于判断结节回声的标准,公式为:其中,ti表示预设阈值。
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:本发明能够对甲状腺的腺体、肌肉和筋膜、气管和血管进行有效检测,方便医生更好更快更精确地对甲状腺结节的相关病理特征做出判断;本发明通过检测到的腺体、肌肉和筋膜、气管和血管能够对结节的回声的类型,以及每种回声类型所占比例进行有效分析。
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声图像进行预处理前后对比图;
图3是本发明实施方式的将带状区域分割为R个子带状区域示意图;
图4是本发明实施方式的腺体检测结果示意图;
图5是本发明实施方式的超声图像I示意图;
图6是本发明实施方式的掩码图像IBU示意图;
图7是本发明实施方式的图像IBF示意图;
图8是本发明实施方式的肌肉或筋膜检测结果示意图;
图9是本发明实施方式的超声图像I*示意图;
图11是本发明实施方式的图像IBV示意图;
图12是本发明实施方式的气管和血管检测结果示意图;
图13是本发明实施方式的回声检测结果示意图。
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甲状腺结节回声分析装置,请参阅图1,包括:
图像获取模块:用于获取带有甲状腺结节的超声图像;
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甲状腺结节边界进行截取,得到感兴趣结节图像;
甲状腺腺体检测模块:用于对所述感兴趣结节图像进行腺体检测,得到腺体参考;
检测区域生成模块:用于基于所述超声图像生成第一检测区域和第二检测区域;
甲状腺肌肉和筋膜检测模块:用于根据所述第一检测区域对甲状腺周围的肌肉和筋膜进行检测,得到肌肉和筋膜参考;
甲状腺气管和血管检测模块:用于根据所述第二检测区域对甲状腺周围的气管和血管进行检测,得到气管和血管参考;
甲状腺结节回声检测模块:用于根据所述腺体参考、所述肌肉和筋膜参考和所述气管和血管参考对结节回声进行检测。
还包括超声图像预处理模块:用于通过不同窗口尺寸的自适应中值滤波器对所述超声图像进行滤波,用于去除超声图像中的斑点噪声;再通过拉普拉斯滤波器对去除斑点噪声后的超声图像进行滤波,用于对超声图像的对比度和边缘进行增强,最后生成图像Ifilt。
以下通过一个具体实施方式对本发明进行详细说明:
斑点噪声是一种固有存在于医学超声图像中的颗粒样干扰,会导致所测得预期信号的偏差。斑点噪声的存在会极大地降低超声图像质量,并容易在进一步分析时产生误导。因此,为了使图像分析更为准确,有必要减少斑点噪声的影响。
在超声图像预处理模块中,本实施方式使用自适应中值滤波器对超声图像图像进行预处理,以消除斑点噪声的干扰。自适应中值滤波器可有效地减少图像中孤立的亮或暗像素(即噪声),其工作原理是将图像中的每个像素与其邻域像素(在预定义窗口内)进行比较,如果中心像素值与相邻像素差异较大,则将该中心像素值视为噪声,然后用邻域中像素的中值替换该中心像素值,否则自适应中值滤波器将在更大的窗口内搜索,直到达到最大窗口尺寸的大小。重复此过程,直到从图像中删除所有噪声像素。与传统方法不同,传统方法通常将窗口预定义为固定值,进而导致去噪效果不理想。考虑到甲状腺结节的大小各不相同,因此需要对窗口进行调整以最大限度地提高滤波性能,具体定义如下:
其中,Dmin表示超声图像图像的最小尺寸;当感兴趣结节图像的最小尺寸Dmin≥250,则自适应中值滤波器的最大窗口尺寸当超声图像图像的最小尺寸120≤Dmin<250,则自适应中值滤波器的最大窗口尺寸当超声图像图像的最小尺寸0<Dmin<120,则自适应中值滤波器的最大窗口尺寸
尽管自适应中值滤波器可以显著降低图像中包含的斑点噪声,但是,应用自适应中值滤波器会使图像中的局部信息失真。因此,本实施方式进一步在中值滤波后的图像上应用拉普拉斯滤波器,以恢复图像中的潜在损失。拉普拉斯滤波器是一种基于对拉普拉斯金字塔进行直接校正的边缘感知型图像滤波器,可在不劣化边缘或产生光晕的情况下大大细化图像内容。拉普拉斯滤波器包含两个基本参数,一个用于控制边缘的增强与衰减,表示为σ,另一个用于控制细节的平滑,表示为α,公式如下:
其中,表示信号i的重映函数,g表示信号i所在的高斯金字塔的系数,信号i表示图像的亮度信息,α用于控制细节平滑度,σ用于控制边缘的增强或衰减。通过实验发现拉普拉斯滤波器在σ=1.2和α=0.8时产生最好的效果。
本实施方式将自适应中值滤波器和拉普拉斯滤波器进行组合对超声图像图像进行预处理,图2中的(a)表示预处理前的图像,图2中的(b)表示预处理后的图像Ifilt,不难看出通过预处理,本实施方式在保留图像局部纹理信息的同时,显著降低了图像中的斑点噪声,这对超声图像的进一步分析有很大的好处。
(一)腺体检测
在甲状腺腺体检测模块中,甲状腺的腺体是一个分泌激素的大细胞群,常见于甲状腺内。腺体通常在回声分析中作为等回声的参照。由于甲状腺结节通常生长在腺体上,因此可以从结节外部周围的区域获得腺体的参考。
请参阅图3,本实施方式在寻找腺体的参考时,首先在甲状腺结节边界LB外部构建一带状区域(由由LB和OL组成),再将带状区域分割为R个子带状区域,为简单起见,本实施方式将带状区域视为圆环形,以结节中心为基准对将带状区域进行360度分割,分割公式如下:
其中,θ表示分割角度,图3中的分割角度为45度,将结节划分为8个子带状区域,这些子带状区域可以对局部回声的外观进行更鲁棒和精确的估计。
在实际检测腺体时,本实施方式将带状区域分割为36个子带状区域,即|R|=36。在研究结节的外观时,本实施方式具体在外部子带状区域中构建了5个宽度为5像素的连续子切片区域(子切片区域是沿着结节边缘方向逐步向外构建的),这些子切片区域总共覆盖了甲状腺结节外部1-25像素的区域。本实施方式将结节周围的子带状区域表示为Ri(i=1,...,36),并定义子带状区域Ri中第j个子切片区域内像素的集合为如果子带状区域Ri同时满足以下两个条件,则认为子带状区域Ri是腺体参考的有效区域,公式如下:
请参阅图4,图4中的(a)白色圈出来的部分为结节,图4中的(b)若干个近似方形的区域表示检测出的腺体。
检查完所有子带状区域后,计算每个有效的子带状区域的亮度中值,这些亮度中值的中值最终被用作检测腺体的参考值,并被视为等回声的参照,表示为GRef。
(二)肌肉和筋膜检测
进一步地,甲状腺周边的肌肉(通常为颈浅层肌肉或胸锁乳突肌)和筋膜有时可以在超声图像中被发现,肌肉和筋膜通常在回声分析中作为低回声的参照。然而,肌肉和筋膜的位置在很大程度上取决于图像捕捉的角度,其中筋膜作为皮肤和肌肉的混合物,通常出现在超声图像的顶部,同时肌肉在理想情况下也会出现在甲状腺腺体上方的两侧。
检测区域生成模块具体包括:在寻找此类参考时,本实施方式首先对超声图像I(详见图5,白色圈为医生标注的结节区域)进行二值化,并将扫描出的超声图像从黑色背景中分离出来,从而生成图像IB。然后使用一个100×100像素大小的矩形结构元素对图像IB进行形态学开放操作,以去除背景纹理和人为标注,从而生成一个新的二值化掩码图像,表示为IBM。接下来,通过第一边界框标记出图像IBM中多个的矩形连通域(即像素点的集合),并取最大的矩形连通域作为最终的候选掩码图像IBU(详见图6)。与此同时,本实施方式通过第二边界框(即图7下方的用于框出结节的矩形框)标记出结节,根据标记出的结节的位置,在掩码图像IBM中、且在结节位置的上方生成第一检测区域(即图7上方的矩形框),表示为IBF(详见图7),用于最终对肌肉和筋膜进行分析。在甲状腺肌肉和筋膜检测模块中,假设XMF表示图像IBF中标记区域内的所有像素点坐标的集合,那么每个像素点(x,y)的肌肉和筋膜检测规则可用如下公式表示:
其中,Ix,y表示超声图像I中像素点(x,y)的亮度值,(j,k)表示XMF中的像素点。最终,所有标记为真(True)的像素点将被识别为肌肉或筋膜区域的一部分(详见图8)。
进一步地,当肌肉和筋膜区域被检测出来后,本实施方式计算该区域的亮度中值,并将亮度中值作为肌肉和筋膜的参考,即低回声的参照,表示为MFRef。
(三)气管和血管检测
在甲状腺的超声图像中,有时能找到气管和血管,气管和血管通常在回声分析中作为无回声的参照。然而,气管和血管的位置同样在很大程度上取决于图像拍摄捕捉的角度,在大多数情况下,气管和血管应该出现在甲状腺腺体的两侧。
为区别起见,本实施方式中气管和血管检测使用的超声图像不同于肌肉和筋膜检测的超声图像。在寻找气管和血管参考时,首先对超声图像I*(详见图9)进行二值化,并将超声波扫描从黑色背景中分离出来,从而生成图像然后,然后使用一个100×100像素大小的矩形结构元素对图像进行形态学开放操作,以去除背景纹理和人为标注,从而生成一个新的二值化掩码图像,表示为接下来,通过第一边界框标记出图像中多个的矩形连通域(即像素点的集合),并取最大的矩形连通域作为最终的候选掩码图像(详见图10)。最后,基于先前对气管和血管位置的理解,本实施方式在掩码图像中结节的两侧截取一不包含结节的图像,标记为IBV(详见图11),将IBV作为进一步分析的第二检测区域。由于气管和血管在定义上是无回声的,并且很容易受到斑点噪声的影响,本实施方式通过自适应中值滤波器和拉普拉斯滤波器事先对超声图像I*进行预处理,从而生成滤波图像Ifilt。然后,在图像Ifilt上施加掩码图像IBV,并在所保留的区域中进一步的检测血管和气管。假设XTV表示中标记区域IBV内标记的所有像素点坐标的集合,那么每个像素点(x,y)处气管和血管检测的规则可用如下公式表示:
进一步地,在检测到气管或血管的区域后,本实施方式计算该面积的亮度中值,并将亮度中值作为气管或血管的参考,即无回声的参照,表示为TVRef。
(四)回声分析
甲状腺结节的回声类型分为5种,分别是无回声、极低回声、低回声、等回声和高回声,为了检测五种类型回声分布,本实施方式首先使用自适应中值滤波器和拉普拉斯滤波器对原始图像进行预处理,以减少斑点噪声,从而生成滤波图像Ifilt。除此之外,在对回声进行进一步的全局分析时,本实施方式还将图像Ifilt进一步转换为超像素图像,并移除在超像素图像上检测到的钙化区域以及粗钙化下方的阴影区域,得到图像Iclean,便于后续回声分析。
根据定义,甲状腺的腺体被视为等回声,肌肉和筋膜被视为低回声,气管和血管被视为无回声。因此,本实施方式可以通过使用腺体参考GRef、肌肉/筋膜参考MFRef、气管/血管参考TVRef分别定义无/极低回声、极低/低回声、低/等回声、等/高回声之间的临界值,简单地推导出不同回声类型的强度范围。这些临界值通过三种参考值的比率来表示,对于从无/极低回声到等/高回声的临界值,这些参考值通过实验确定为:{1.1TVRef,1.3MFRef,0.9GRef,1.6GRef}。即,[0,1.1TVRef]表示无回声的范围、[1.1TVRef,1.3MFRef]表示极低回声的范围、[1.3MFRef,0.9GRef]表示低回声的范围、[0.9GRef,1.6GRef]表示等回声的范围、[1.6GRef,255]表示高回声的范围。需要注意的是,气管/血管参考TVRef和肌肉/筋膜参考MFRef并不总是有效的,因为气管/血管、肌肉/筋膜并不可能总是出现在超声图像上。在对应参考缺失或无效的情况下,本实施方式将TVRef替换为0.1GRef、将MFRef替换为0.3GRef。根据定义好的范围,图像Iclean中的每个候选像素根据其亮度可以分为不同类型的回声。
作为回声分类的最后一步,本实施方式将形态学开放操作应用于最终的检测结果中,以对检测到的回声区域进行优化。更详细地说,极低回声和低回声区域均通过10像素宽的碟形结构元素的进行形态学开放操作,无回声区域通过5像素宽的碟形结构元素进行形态学开放操作。
作为回声分析的描述,本实施方式以百分比值的形式列出了不同回声级别的分布,以对其进行描述和量化。用Xno、Xvlow、Xlow、Xmed和Xhigh表示甲状腺结节内所检测到的最终分别属于无、极低、低、等和高回声的像素坐标的集合。不同回声Echoi的百分比可以表示为:
其中,∑x∈iEchox=1。
除了计算出的分布比例外,本实施方式还定义了一组阈值t{no,vlow,low,med,high},用于确定结节内的各类回声的比例分布是否达到用于判断结节回声的标准,如果满足以下情况,则相应类型的回声将被认定为存在于结节内(即满足回声判断标准,将相应的回声在结节内标出):
其中,阈值t{no,vlow,low,med,high}通过实验确定为:
{tno=0.05,tlow=0.06,tvlow=0.1,tmed=0.05,thigh=0.05}
图13示出了回声检测的结果,数字1代表的区域为极低回声,数字2代表的区域为低回声,数字3代表的区域为等回声,并且由于数字1代表的极低回声所占的区域较小,因此极低回声的部分被忽略不记。
由此可见,本发明能够对甲状腺的腺体、肌肉和筋膜、气管和血管进行有效检测,方便医生更好更快更精确地对甲状腺结节的相关病理特征做出判断;本发明通过检测到的腺体、肌肉和筋膜、气管和血管能够对结节的回声的类型,以及每种回声类型所占比例进行有效分析。
Claims (10)
1.一种甲状腺结节回声分析装置,其特征在于,包括:
图像获取模块:用于获取带有甲状腺结节的超声图像;
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甲状腺结节边界进行截取,得到感兴趣结节图像;
甲状腺腺体检测模块:用于以所述感兴趣结节图像中的结节为基准,对所述超声图像进行腺体检测,得到腺体参考;
检测区域生成模块:用于基于所述超声图像生成第一检测区域和第二检测区域;
甲状腺肌肉和筋膜检测模块:用于根据所述第一检测区域对甲状腺周围的肌肉和筋膜进行检测,得到肌肉和筋膜参考;
甲状腺气管和血管检测模块:用于根据所述第二检测区域对甲状腺周围的气管和血管进行检测,得到气管和血管参考;
甲状腺结节回声检测模块:用于根据所述腺体参考、所述肌肉和筋膜参考和所述气管和血管参考对结节回声进行检测。
2.根据权利要求1所述的甲状腺结节回声分析装置,其特征在于,还包括超声图像预处理模块:用于通过不同窗口尺寸的自适应中值滤波器对所述超声图像进行滤波,用于去除超声图像中的斑点噪声;再通过拉普拉斯滤波器对去除斑点噪声后的超声图像进行滤波,用于对超声图像的对比度和边缘进行增强,最后生成图像Ifilt。
3.根据权利要求1所述的甲状腺结节回声分析装置,其特征在于,所述甲状腺腺体检测模块中的对所述感兴趣结节图像进行腺体检测之前包括:在甲状腺结节边界外部构建一带状区域,再以甲状腺结节中心为基准按预设分割角度将所述带状区域分割为R个子带状区域,并将每个子带状区域划分为n个子切片区域。
5.根据权利要求1所述的甲状腺结节回声分析装置,其特征在于,所述检测区域生成模块中的基于所述超声图像生成第一检测区域,包括:
对所述超声图像I进行二值化处理生成图像IB,再对所述图像IB进行形态学开放操作生成掩码图像IBM;
通过第一边界框标记出所述掩码图像IBM中最大的连通域,得到掩码图像IBU;
通过第二边界框标记出所述掩码图像IBU中结节的位置;
在掩码图像IBU中、且在结节位置的上方生成一图像IBF,并将所述图像IBF作为第一检测区域。
7.根据权利要求1所述的甲状腺结节回声分析装置,其特征在于,所述检测区域生成模块中的基于所述超声图像生成第二检测区域,包括:
对所述超声图像I进行二值化处理生成图像IB,再对所述图像IB进行形态学开放操作生成掩码图像IBM;
通过第一边界框标记出所述掩码图像IBM中最大的连通域,得到掩码图像IBU;
在所述掩码图像IBU中结节的两侧截取一不包含结节的图像IBV,所述图像IBV的长度与图像IBU的长度相同、宽度为结节的高度,并将所述图像IBV作为第二检测区域。
9.根据权利要求1所述的甲状腺结节回声分析装置,其特征在于,所述甲状腺结节回声检测模块中的根据所述腺体参考、所述肌肉和筋膜参考和所述气管和血管参考对结节回声进行检测,包括:
根据所述腺体参考、所述肌肉和筋膜参考和所述气管和血管参考确定结节的无/极低回声、极低/低回声、低/等回声、等/高回声的临界值;
其中,所述腺体参考为腺体的亮度中值;所述肌肉和筋膜参考为肌肉和筋膜的亮度中值;所述气管和血管参考为气管和血管的亮度中值;
根据确定好的临界值找出不同回声类型的比例分布,公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111181810.8A CN113940702B (zh) | 2021-10-11 | 2021-10-11 | 一种甲状腺结节回声分析装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111181810.8A CN113940702B (zh) | 2021-10-11 | 2021-10-11 | 一种甲状腺结节回声分析装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113940702A true CN113940702A (zh) | 2022-01-18 |
CN113940702B CN113940702B (zh) | 2024-08-23 |
Family
ID=79330334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111181810.8A Active CN113940702B (zh) | 2021-10-11 | 2021-10-11 | 一种甲状腺结节回声分析装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113940702B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035021A (zh) * | 2022-04-20 | 2022-09-09 | 什维新智医疗科技(上海)有限公司 | 一种乳腺结节侧方回声分析装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3029634A1 (en) * | 2014-12-01 | 2016-06-08 | AmCad BioMed Corporation | Echogenicity quantification method and calibration method for ultrasonic device using echogenicity index |
CN107886506A (zh) * | 2017-11-08 | 2018-04-06 | 华中科技大学 | 一种超声甲状腺结节自动定位方法 |
WO2021169452A1 (zh) * | 2020-09-27 | 2021-09-02 | 平安科技(深圳)有限公司 | 甲状腺结节图像的处理方法、装置和计算机设备 |
CN113393452A (zh) * | 2021-06-28 | 2021-09-14 | 什维新智医疗科技(上海)有限公司 | 一种甲状腺结节血管数目探测装置 |
CN113450327A (zh) * | 2021-06-28 | 2021-09-28 | 什维新智医疗科技(上海)有限公司 | 一种甲状腺结节的血管分布信息识别装置 |
CN113450325A (zh) * | 2021-06-28 | 2021-09-28 | 什维新智医疗科技(上海)有限公司 | 一种甲状腺结节良恶性识别装置 |
-
2021
- 2021-10-11 CN CN202111181810.8A patent/CN113940702B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3029634A1 (en) * | 2014-12-01 | 2016-06-08 | AmCad BioMed Corporation | Echogenicity quantification method and calibration method for ultrasonic device using echogenicity index |
CN107886506A (zh) * | 2017-11-08 | 2018-04-06 | 华中科技大学 | 一种超声甲状腺结节自动定位方法 |
WO2021169452A1 (zh) * | 2020-09-27 | 2021-09-02 | 平安科技(深圳)有限公司 | 甲状腺结节图像的处理方法、装置和计算机设备 |
CN113393452A (zh) * | 2021-06-28 | 2021-09-14 | 什维新智医疗科技(上海)有限公司 | 一种甲状腺结节血管数目探测装置 |
CN113450327A (zh) * | 2021-06-28 | 2021-09-28 | 什维新智医疗科技(上海)有限公司 | 一种甲状腺结节的血管分布信息识别装置 |
CN113450325A (zh) * | 2021-06-28 | 2021-09-28 | 什维新智医疗科技(上海)有限公司 | 一种甲状腺结节良恶性识别装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035021A (zh) * | 2022-04-20 | 2022-09-09 | 什维新智医疗科技(上海)有限公司 | 一种乳腺结节侧方回声分析装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113940702B (zh) | 2024-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0757544A1 (en) | Computerized detection of masses and parenchymal distortions | |
JPH06121792A (ja) | ディジタル胸部レントゲン写真の肺小結節自動検出における正常例の誤診を分析する方法およびそのシステム | |
CN115661135A (zh) | 一种心脑血管造影的病灶区域分割方法 | |
CN101901342A (zh) | 影像目标区域的提取方法和装置 | |
EP2027567A2 (en) | Method for processing biomedical images | |
CN110610498A (zh) | 乳腺钼靶图像处理方法、系统、存储介质及设备 | |
CN116523802B (zh) | 一种用于肝脏超声图像的增强优化方法 | |
CN115546232B (zh) | 一种肝脏超声图像工作区域提取方法、系统及电子设备 | |
Zebari et al. | Suspicious region segmentation using deep features in breast cancer mammogram images | |
CN114155202A (zh) | 基于特征融合和迁移学习的甲状腺结节超声图像分类方法 | |
Beheshti et al. | Classification of abnormalities in mammograms by new asymmetric fractal features | |
Janan et al. | RICE: A method for quantitative mammographic image enhancement | |
CN113924046A (zh) | 用于将器官肿块分类为囊肿的基于计算机的方法 | |
Jiang et al. | Automated detection of breast mass spiculation levels and evaluation of scheme performance | |
CN113940702B (zh) | 一种甲状腺结节回声分析装置 | |
CN117522862A (zh) | 一种基于ct影像肺炎识别的图像处理方法及处理系统 | |
CN113940704A (zh) | 一种基于甲状腺的肌肉和筋膜检测装置 | |
CN115082379A (zh) | 一种活性污泥相差显微图像絮体和丝状菌分割方法 | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
CN114155205A (zh) | 一种乳腺结节边界清晰度判定装置 | |
CN113940701A (zh) | 一种基于甲状腺的气管和血管检测装置 | |
CN113940703A (zh) | 一种甲状腺腺体检测装置 | |
Tamiselvi | Effective segmentation approaches for renal calculi segmentation | |
CN116630256B (zh) | 一种超声造影图像识别方法、系统、电子设备及存储介质 | |
CN118314134B (zh) | 一种产科超声检查影像智能处理方法 |
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 | ||
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 |