CN116363155B - 一种胸大肌区域智能分割方法、装置和存储介质 - Google Patents

一种胸大肌区域智能分割方法、装置和存储介质 Download PDF

Info

Publication number
CN116363155B
CN116363155B CN202310595856.7A CN202310595856A CN116363155B CN 116363155 B CN116363155 B CN 116363155B CN 202310595856 A CN202310595856 A CN 202310595856A CN 116363155 B CN116363155 B CN 116363155B
Authority
CN
China
Prior art keywords
image
ffdm
pectoral
segmentation
pixel point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310595856.7A
Other languages
English (en)
Other versions
CN116363155A (zh
Inventor
马乐
廖生武
刘敬雯
林淑仪
冯晨雅
张子越
蔡裕兴
陈卫国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Hospital Southern Medical University
Original Assignee
Southern Hospital Southern Medical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southern Hospital Southern Medical University filed Critical Southern Hospital Southern Medical University
Priority to CN202310595856.7A priority Critical patent/CN116363155B/zh
Publication of CN116363155A publication Critical patent/CN116363155A/zh
Application granted granted Critical
Publication of CN116363155B publication Critical patent/CN116363155B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种胸大肌区域智能分割方法、装置和存储介质，其中，胸大肌区域智能分割方法包括：获取FFDM影像和DBT影像；所述FFDM影像和所述DBT影像为对同一乳腺的内外侧斜位采集得到；对所述FFDM影像进行胸大肌分割处理，获得分割矩阵；对所述DBT影像与所述分割矩阵进行卷积，获得第一分割图像。本发明实现了对DBT影像的胸大肌分割处理，先基于FFDM影像得到胸大肌的分割矩阵，再将该矩阵应用到DBT影像上分割胸大肌，使后续模型的计算量减少、准确度增加。

Description

一种胸大肌区域智能分割方法、装置和存储介质
技术领域
本发明涉及医学图像处理领域，尤其涉及一种胸大肌区域智能分割方法。
背景技术
有效的筛查实施可以实现乳腺疾病的早诊断、早治疗，是降低死亡率的关键，能够给患者的健康带来保障的同时也可以大大减轻患者和社会的经济负担。
乳腺癌筛查方式中，超声对微小病灶和钙化敏感度较低；MRI成像清晰，但具有价格昂贵、检查等候时间长等缺点；FFDM影像具有简单便捷、无创等优点，但是FFDM影像上腺体组织容易与病灶重叠在一起，这降低了肿块性病变的检出率，导致部分病灶无法显示或者显示不清晰；相较于FFDM影像，DBT可以有效减少组织重叠的影响，提高致密性乳腺的病变检出率，降低召回率。
可知，DBT影像的效果比FFDM影像好，但是DBT影像也有不足之处。乳腺检查体位分为头尾位（craniocaudal，CC）和内外侧斜位（mediolateral oblique，MLO）。在MLO影像上，除了清晰显示乳腺实质外，胸大肌也投影于影像内。由于胸大肌灰阶度与腺体较为相似，直接使用DBT的MLO影像进行三维乳腺模型构建及病灶特征提取，胸大肌的存在容易造成干扰。目前的胸大肌切割方法多基于FFDM影像上进行，缺乏针对DBT影像的分割技术。
术语解释：
MRI：是Magnetic Resonance Imaging的缩写，表示磁共振成像。
FFDM：是Full-field digital mammography的缩写，表示全视野数字化乳腺摄影。
DBT：是Digital breast tomosynthesis的缩写，表示数字乳腺断层摄影。
发明内容
本发明的目的在于针对上述问题，本发明提出一种胸大肌区域智能分割方法、装置和存储介质，可有效避免因胸大肌存在而导致模型计算量增加和准确率下降的问题。
本发明所采取的技术方案是：
第一方面，本发明实施例提供了一种胸大肌区域智能分割方法，所述胸大肌区域智能分割方法包括：获取FFDM影像和DBT影像；所述FFDM影像和所述DBT影像为对同一乳腺的内外侧斜位采集得到；
对所述FFDM影像进行胸大肌分割处理，获得分割矩阵；
对所述DBT影像与所述分割矩阵进行卷积，获得第一分割图像。
进一步地，所述对所述FFDM影像进行胸大肌分割处理，获得分割矩阵这一步骤，具体包括：
对所述FFDM影像进行预处理；
将预处理后的所述FFDM影像进行乳腺轮廓提取，得到乳腺轮廓；
将所述乳腺轮廓进行识别和聚类计算，得到FFDM二维图像；
将所述FFDM二维图像划分胸大肌和乳腺区域，得到第三分割图像；
将所述第三分割图像矩阵二值化，得到二值化分割矩阵。
进一步地，所述对所述FFDM影像进行预处理这一步骤，具体包括：
利用离散化后的高斯函数，得到高斯滤波器的模板；
将所述高斯滤波器的模板归一化转换成整数模板；
将所述FFDM影像去除背景，得到第二分割图像；
所述整数模板与所述第二分割图像的灰度矩阵进行卷积操作，得到去除噪声并平滑后的FFDM影像。
进一步地，所述将预处理后的所述FFDM影像进行乳腺轮廓提取，得到乳腺轮廓这一步骤，具体包括：
将所述FFDM影像使用边缘检测算子返回水平和垂直方向的一阶导数值；
确定所述FFDM影像像素点的梯度和方向；
在跨越梯度方向的两个相邻像素之间进行非极大值抑制；
将第一像素点与第一像素值进行像素强度比较，若第一像素点的像素强度最大，则保留第一像素点为边缘像素点，否则抑制第一像素点；所述第一像素点为所述FFDM影像的像素点，所述第一像素值是第一像素点与相邻像素点通过线性插值计算得到的像素梯度值；
设置高、低阈值；
如果所述边缘像素点的梯度值大于高阈值，则将所述边缘像素点标记为强边缘像素；
如果所述边缘像素点的梯度值大于低阈值并且小于高阈值，则将所述边缘像素点标记为弱边缘像素；
如果所述边缘像素点的梯度值小于低阈值，则抑制所述边缘像素点；
得到去除背景的乳腺轮廓。
进一步地，所述将所述乳腺轮廓进行识别和聚类计算，得到FFDM二维图像这一步骤，具体包括：
将所述FFDM影像的像素点作为潜在的聚类中心，随机生成所述聚类中心；
通过隶属度函数计算隶属度值，生成最大聚类中心数；
利用分配系数函数确定最佳聚类数目；
将所述最佳聚类数目代入自适应模糊c均值聚类算法，计算划分模糊矩阵；
更新所述聚类中心，得到经聚类计算后的FFDM二维图像。
进一步地，所述将所述FFDM二维图像划分胸大肌和乳腺区域，得到第三分割图像这一步骤，具体包括：
在所述FFDM影像中确定一个超平面；
计算支持向量到所述超平面的距离；
根据所述支持向量到所述超平面的距离对所述FFDM二维图像进行线性划分，获得所述FFDM二维图像中的乳腺区域作为所述第三分割图像。
进一步地，所述将所述第三分割图像矩阵二值化，得到二值化分割矩阵这一步骤，具体包括：
设置阈值；
将像素点与所述阈值进行比较，若所述像素点高于所述阈值，则将所述像素点的像素值赋1，若所述像素点低于所述阈值，则将所述像素点的像素值赋0。
进一步地，所述对所述DBT影像与所述分割矩阵进行卷积，获得第一分割图像这一步骤，具体包括：
使用MATLAB对所述DBT影像的头文件信息进行判断；若所述判断结果为右侧乳腺，则不对所述DBT影像进行翻转；若所述判断结果为左侧乳腺，则对所述DBT影像进行180°翻转；
将所述DBT影像进行缩放，使所述DBT影像与所述分割矩阵的大小一致；
对所述DBT影像与所述分割矩阵进行卷积，获得所述第一分割图像。
第二方面，本发明实施例还提供了一种胸大肌区域智能分割装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行如上述第一方面所述的胸大肌区域智能分割方法。
第三方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如上述第一方面所述的胸大肌区域智能分割方法。
根据本发明提供的实施例的胸大肌区域智能分割方法、装置和存储介质，具有如下有益效果：本发明针对三维乳腺模型构建及病灶特征提取时，能够减少计算量，提高模型准确率。由于胸大肌区域的灰阶度与乳房组织接近，会导致模型的计算量增加，降低模型精度及其准确性。本发明实现了对DBT影像的胸大肌分割处理，先基于FFDM影像得到胸大肌的分割矩阵，再将该矩阵应用到DBT影像上分割胸大肌，使后续模型的计算量减少、准确度增加。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
图1是本发明实施例提供的胸大肌区域智能分割方法的流程图；
图2是本发明一个实施例提供的胸大肌区域智能分割方法中获得分割矩阵的流程图；
图3是本发明另一实施例提供的胸大肌区域智能分割方法中获得去除胸大肌的DBT影像的流程图；
图4是本发明实施例中未分割胸大肌的MLO位FFDM影像；
图5是本发明实施例中二值化分割矩阵D的效果图；
图6是本发明实施例中去除胸大肌的MLO位DBT影像效果图。
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、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，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，以下对在附图中提供的本申请的实施例的详细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，都属于本申请保护的范围。
考虑到现有技术中胸大肌切割方法多基于FFDM影像上进行，缺乏针对DBT影像的分割技术，本申请实施例提供了一种胸大肌区域智能分割方法、装置和存储介质，实现对DBT影像的胸大肌分割处理，可有效避免因胸大肌存在而导致模型计算量增加和准确率下降的问题。
下面结合附图，对本发明实施例作进一步阐述。
第一方面，本发明实施例提供了一种胸大肌区域智能分割方法。
本实施例公开了一种胸大肌区域智能分割方法，该方法可以从拍摄得到的MLO位的DBT影像中提取到精确的乳腺区域目标图像，具体地，该方法包括但不限于步骤S100、步骤S200、步骤S300、步骤S210、步骤S220、步骤S230、步骤S240、步骤S250、步骤S211、步骤S212、步骤S213、步骤S214、步骤S221、步骤S222、步骤S223、步骤S224、步骤S225、步骤S226、步骤S227、步骤S228、步骤S229、步骤S231、步骤S232、步骤S233、步骤S234、步骤S235、步骤S241、步骤S242、步骤S243、步骤S251、步骤S252、步骤S310、步骤S320和步骤S330。
实施例一
本发明实施例公开了一种胸大肌区域智能分割方法，具体地，参照图1，该方法包括：
S100、获取FFDM影像和DBT影像；FFDM影像和DBT影像为对同一乳腺的内外侧斜位采集得到；
S200、对FFDM影像进行胸大肌分割处理，获得分割矩阵；
S300、对DBT影像与分割矩阵进行卷积，获得第一分割图像。
本步骤中，第一分割图像为去除胸大肌的DBT三维图像。
可以理解的是，DBT与FFDM相比，可以有效减少组织重叠的影响。胸大肌的存在会对三维乳腺模型构建及病灶特征提取造成干扰，所以需要在影像上分割出胸大肌区域，目前胸大肌切割方法多基于FFDM影像上进行，缺乏DBT的胸大肌分割技术，因此，本实施例中，FFDM影像和DBT影像采集的是同一MLO位区域，是为了确保从FFDM影像计算得到的分割矩阵适用在DBT影像上卷积计算能得到精确的乳腺区域目标图像。
实施例二
基于上一个实施例，本实施例具体公开了步骤S200FFDM影像进行胸大肌分割处理，获得分割矩阵的具体实现方式，具体地，参照图2，本实施例的胸大肌区域智能分割方法包括：
S210、对FFDM影像进行预处理；
可以理解的是，对FFDM影像进行预处理是为了能够平滑图像，去除噪声，预处理后的未分割胸大肌的MLO位FFDM影像如图4。
S220、将预处理后的FFDM影像进行乳腺轮廓提取，得到乳腺轮廓；
S230、将乳腺轮廓进行识别和聚类计算，得到FFDM二维图像；
S240、将FFDM二维图像划分胸大肌和乳腺区域，得到第三分割图像；
本步骤中，第三分割图像为FFDM二维图像中的乳腺区域图像。
S250、将第三分割图像矩阵二值化，得到二值化分割矩阵。
本步骤中，获得的二值化分割矩阵D的效果图如图5。
实施例三
基于上一个实施例，本实施例具体公开了步骤S210FFDM影像进行预处理的具体实现方式，具体地，本实施例的胸大肌区域智能分割方法包括：
S211、利用离散化后的高斯函数，得到高斯滤波器的模板；
本步骤中，是通过公式1计算所得的数值作为系数，可得到一个高斯滤波器的模板；其中，公式1为：
假设模板放在大小为(2k+1)*( 2k+1)的矩阵M中，原点在矩阵中间设为(0,0)，其左右设为(-1,0)、(1,0)，以此类推。σ是高斯分布的标准差，数值为0.5。i、j分别为矩阵M中某点的坐标，M(i,j)为该点经过高斯函数运算得到的系数。
S212、将高斯滤波器的模板归一化转换成整数模板；
本步骤中，是通过公式2将整个模板归一化转换成整数模板。其中，公式2为：
M(i,j)为归一化前的某位置系数，m(i,j)为归一化后的某位置系数，H为固定系数，数值为3，[ ]为取整符号。
S213、将FFDM影像去除背景，得到第二分割图像；
本步骤中，第二分割图像为去除背景的FFDM影像。
S214、整数模板与第二分割图像的灰度矩阵进行卷积操作，得到去除噪声并平滑后的FFDM影像。
实施例四
基于上一个实施例，本实施例具体公开了步骤S220将预处理后的FFDM影像进行乳腺轮廓提取，得到乳腺轮廓的具体实现方式，具体地，本实施例的胸大肌区域智能分割方法包括：
S221、将FFDM影像使用边缘检测算子返回水平和垂直方向的一阶导数值；
S222、确定FFDM影像像素点的梯度和方向；
本步骤中，利用公式3和公式4确定像素点的梯度和方向，其中，公式3为：
G为梯度强度，分别为水平和垂直方向的一阶导数值。Gx=m（i+1,j）- m（i,j）/d。
公式4为：
θ表示梯度方向，arctan为反正切函数。
S223、在跨越梯度方向的两个相邻像素之间进行非极大值抑制；
S224将第一像素点与第一像素值进行像素强度比较，若第一像素点的像素强度最大，则保留第一像素点为边缘像素点，否则抑制第一像素点；第一像素点为FFDM影像的像素点，第一像素值是第一像素点与相邻像素点通过线性插值计算得到的像素梯度值；
S225、设置高、低阈值；
S226、如果边缘像素点的梯度值大于高阈值，则将边缘像素点标记为强边缘像素；
S227、如果边缘像素点的梯度值大于低阈值并且小于高阈值，则将边缘像素点标记为弱边缘像素；
S228、如果边缘像素点的梯度值小于低阈值，则抑制边缘像素点；
本步骤中，强边界点可被直接认为真实边界点。对于弱边界点，若其8个领域像素，只要有1个为强边界点，即可保留为真实边界点。
S229、得到去除背景的乳腺轮廓。
实施例五
基于上一个实施例，本实施例具体公开了步骤S230将乳腺轮廓进行识别和聚类计算，得到FFDM二维图像的具体实现方式，具体地，本实施例的胸大肌区域智能分割方法包括：
S231、将FFDM影像的像素点作为潜在的聚类中心，随机生成聚类中心；
本步骤中，可先将每个像素点作为潜在的聚类中心，随机初始化生成2个聚类中心。
S232、通过隶属度函数计算隶属度值，生成最大聚类中心数；
本步骤中，通过公式5隶属度函数计算其隶属度值，直到生成最大聚类中心数。其中，公式5为：
c是聚类数目，2≤c≤n，n是像素总个数，m是加权数值，数值大小为2，表示像素在i的隶属度值，/>-/>表示像素/>和聚类中心/>之间的距离。
S233、利用分配系数函数确定最佳聚类数目；
本步骤中，利用公式6，是用于性能评估的分配系数函数，确定最佳聚类数目。其中，公式6为：
表示像素/>在i的隶属度值，可借助公式5求出。/>越小，则性能越好。
S234、将最佳聚类数目代入自适应模糊c均值聚类算法，计算划分模糊矩阵；
本步骤中，在步骤S233中得到的最佳聚类数目代入自适应模糊c均值聚类算法，根据公式5计算划分模糊矩阵。
S235、更新聚类中心，得到经聚类计算后的FFDM二维图像。
本步骤中，根据公式7更新聚类中心，直到满足公式8的条件后，可得到经聚类划分后的FFDM二维图像。其中，公式7为：
， 1≤i≤c，/>表示聚类中心。
公式8为：
||-/>||≤ε…，其中，ε为阈值，例如，其数值设置为0.00001。
实施例六
基于上一个实施例，本实施例具体公开了步骤S240将FFDM二维图像划分胸大肌和乳腺区域，得到第三分割图像的具体实现方式，具体地，本实施例的胸大肌区域智能分割方法包括：
S241、在FFDM影像中确定一个超平面；
本步骤中，在划分聚类后的FFDM图像中依据公式9确定一个超平面。其中，公式9为：
x+b=0 ……
w、x均为向量，是w的转置，b是实数。
S242、计算支持向量到超平面的距离；
本步骤中，通过公式10得到支持向量到该平面的距离。其中，公式10为：
d为任意一点到超平面的距离公式，w、b可进行缩放，此时距离d不改变。
S243、根据支持向量到超平面的距离对FFDM二维图像进行线性划分，获得FFDM二维图像中的乳腺区域作为第三分割图像。
本步骤中，包括通过公式11对向量进行缩放，可得到一个线性划分胸大肌和乳房区域后的FFDM图像，即为第三分割图像。其中，公式11为：
(/>)
实施例七
基于上一个实施例，本实施例具体公开了步骤S250将第三分割图像矩阵二值化，得到二值化分割矩阵的具体实现方式，具体地，本实施例的胸大肌区域智能分割方法包括：
S251、设置阈值；
S252、将像素点与阈值进行比较，若像素点高于阈值，则将像素点的像素值赋1，若像素点低于阈值，则将像素点的像素值赋0。
可以理解的是，将第三分割图像矩阵二值化，得到二值化分割矩阵D，是为了使分割矩阵更加简化。
实施例八
基于上一个实施例，本实施例具体公开了步骤S300对DBT影像与分割矩阵进行卷积，获得第一分割图像的具体实现方式，参照图3，具体地，本实施例的胸大肌区域智能分割方法包括：
S310、使用MATLAB对DBT影像的头文件信息进行判断；若判断结果为右侧乳腺，则不对DBT影像进行翻转；若判断结果为左侧乳腺，则对DBT影像进行180°翻转；
S320、将DBT影像进行缩放，使DBT影像与分割矩阵的大小一致；
本步骤中，分割矩阵为二值化分割矩阵D。实际过程中，FFDM与DBT在长度、宽度上并不一致，因此，需要对DBT影像进行缩放，保证DBT影像与二值化分割矩阵D的大小一致，可使用的缩放比例r。
其中，缩放比例r=FFDM长/DBT长，或者r=FFDM宽/DBT宽
S330、对DBT影像与分割矩阵进行卷积，获得第一分割图像。
本步骤中，将FFDM图像中去除胸大肌的二值化分割矩阵D与缩放后的DBT影像进行卷积，得到去除胸大肌的DBT三维图像，参照图6，即为第一分割图像。
第二方面，本发明实施例还提供了一种胸大肌区域智能分割装置，该胸大肌区域智能分割装置，包括存储器和处理器，存储器用于存储至少一个程序，处理器用于加载至少一个程序以执行如上述第一方面的胸大肌区域智能分割方法。
处理器和存储器可以通过总线或者其他方式连接。存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的胸大肌区域智能分割方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的胸大肌区域智能分割方法。
第三方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该计算机可读存储介质，处理器可执行的程序在由处理器执行时用于执行如上述第一方面的胸大肌区域智能分割方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

Claims (8)

1.一种胸大肌区域智能分割方法，其特征在于，所述胸大肌区域智能分割方法包括：
获取FFDM影像和DBT影像；所述FFDM影像和所述DBT影像为对同一乳腺的内外侧斜位采集得到；
对所述FFDM影像进行胸大肌分割处理，获得分割矩阵；
对所述DBT影像与所述分割矩阵进行卷积，获得第一分割图像；
所述对所述FFDM影像进行胸大肌分割处理，获得分割矩阵这一步骤，具体包括：
对所述FFDM影像进行预处理；
将预处理后的所述FFDM影像进行乳腺轮廓提取，得到乳腺轮廓；
将所述乳腺轮廓进行识别和聚类计算，得到FFDM二维图像；
将所述FFDM二维图像划分胸大肌和乳腺区域，得到第三分割图像；
将所述第三分割图像矩阵二值化，得到二值化分割矩阵；
所述将预处理后的所述FFDM影像进行乳腺轮廓提取，得到乳腺轮廓这一步骤，具体包括：
将所述FFDM影像使用边缘检测算子返回水平和垂直方向的一阶导数值；
确定所述FFDM影像像素点的梯度和方向；
在跨越梯度方向的两个相邻像素之间进行非极大值抑制；
将第一像素点与第一像素值进行像素强度比较，若第一像素点的像素强度最大，则保留第一像素点为边缘像素点，否则抑制第一像素点；所述第一像素点为所述FFDM影像的像素点，所述第一像素值是第一像素点与相邻像素点通过线性插值计算得到的像素梯度值；
设置高、低阈值；
如果所述边缘像素点的梯度值大于高阈值，则将所述边缘像素点标记为强边缘像素；
如果所述边缘像素点的梯度值大于低阈值并且小于高阈值，则将所述边缘像素点标记为弱边缘像素；
如果所述边缘像素点的梯度值小于低阈值，则抑制所述边缘像素点；
得到去除背景的乳腺轮廓。
2.根据权利要求1所述的胸大肌区域智能分割方法，其特征在于，所述对所述FFDM影像进行预处理这一步骤，具体包括：
利用离散化后的高斯函数，得到高斯滤波器的模板；
将所述高斯滤波器的模板归一化转换成整数模板；
将所述FFDM影像去除背景，得到第二分割图像；
所述整数模板与所述第二分割图像的灰度矩阵进行卷积操作，得到去除噪声并平滑后的FFDM影像。
3.根据权利要求1所述的胸大肌区域智能分割方法，其特征在于，所述将所述乳腺轮廓进行识别和聚类计算，得到FFDM二维图像这一步骤，具体包括：
将所述FFDM影像的像素点作为潜在的聚类中心，随机生成所述聚类中心；
通过隶属度函数计算隶属度值，生成最大聚类中心数；
利用分配系数函数确定最佳聚类数目；
将所述最佳聚类数目代入自适应模糊c均值聚类算法，计算划分模糊矩阵；
更新所述聚类中心，得到经聚类计算后的FFDM二维图像。
4.根据权利要求1所述的胸大肌区域智能分割方法，其特征在于，所述将所述FFDM二维图像划分胸大肌和乳腺区域，得到第三分割图像这一步骤，具体包括：
在所述FFDM影像中确定一个超平面；
计算支持向量到所述超平面的距离；
根据所述支持向量到所述超平面的距离对所述FFDM二维图像进行线性划分，获得所述FFDM二维图像中的乳腺区域作为所述第三分割图像。
5.根据权利要求1所述的胸大肌区域智能分割方法，其特征在于，所述将所述第三分割图像矩阵二值化，得到二值化分割矩阵这一步骤，具体包括：
设置阈值；
将像素点与所述阈值进行比较，若所述像素点高于所述阈值，则将所述像素点的像素值赋1，若所述像素点低于所述阈值，则将所述像素点的像素值赋0。
6.根据权利要求1所述的胸大肌区域智能分割方法，其特征在于，所述对所述DBT影像与所述分割矩阵进行卷积，获得第一分割图像这一步骤，具体包括：
使用MATLAB对所述DBT影像的头文件信息进行判断；若所述判断结果为右侧乳腺，则不对所述DBT影像进行翻转；若所述判断结果为左侧乳腺，则对所述DBT影像进行180°翻转；
将所述DBT影像进行缩放，使所述DBT影像与所述分割矩阵的大小一致；
对所述DBT影像与所述分割矩阵进行卷积，获得所述第一分割图像。
7.一种胸大肌区域智能分割装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-6任一项所述的方法。
8.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-6任一项所述的方法。
CN202310595856.7A 2023-05-25 2023-05-25 一种胸大肌区域智能分割方法、装置和存储介质 Active CN116363155B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310595856.7A CN116363155B (zh) 2023-05-25 2023-05-25 一种胸大肌区域智能分割方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310595856.7A CN116363155B (zh) 2023-05-25 2023-05-25 一种胸大肌区域智能分割方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN116363155A CN116363155A (zh) 2023-06-30
CN116363155B true CN116363155B (zh) 2023-08-15

Family

ID=86926653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310595856.7A Active CN116363155B (zh) 2023-05-25 2023-05-25 一种胸大肌区域智能分割方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN116363155B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956632A (zh) * 2020-01-02 2020-04-03 广州柏视医疗科技有限公司 钼靶图像中胸大肌区域自动检测方法及装置
CN113935961A (zh) * 2021-09-29 2022-01-14 西安邮电大学 一种鲁棒性乳腺钼靶mlo视角图像胸肌分割方法
CN114972322A (zh) * 2022-06-24 2022-08-30 浙江树人学院 联合ffdm图像与dbt图像的乳腺微钙化簇检测方法
WO2022221712A1 (en) * 2021-04-15 2022-10-20 Curemetrix, Inc. Detecting, scoring and predicting disease risk using multiple medical-imaging modalities

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017054775A1 (en) * 2015-09-30 2017-04-06 Shanghai United Imaging Healthcare Co., Ltd. System and method for determining a breast region in a medical image
EP3432263B1 (en) * 2017-07-17 2020-09-16 Siemens Healthcare GmbH Semantic segmentation for cancer detection in digital breast tomosynthesis

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956632A (zh) * 2020-01-02 2020-04-03 广州柏视医疗科技有限公司 钼靶图像中胸大肌区域自动检测方法及装置
WO2022221712A1 (en) * 2021-04-15 2022-10-20 Curemetrix, Inc. Detecting, scoring and predicting disease risk using multiple medical-imaging modalities
CN113935961A (zh) * 2021-09-29 2022-01-14 西安邮电大学 一种鲁棒性乳腺钼靶mlo视角图像胸肌分割方法
CN114972322A (zh) * 2022-06-24 2022-08-30 浙江树人学院 联合ffdm图像与dbt图像的乳腺微钙化簇检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
全视野数字化乳腺摄影结合数字乳腺三维断层摄影技术对乳腺疾病的诊断价值;叶华秀;蔡裕兴;徐维敏;林袁碧;马乐;;现代医院(第05期);148-150 *

Also Published As

Publication number Publication date
CN116363155A (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
Chan et al. Effective pneumothorax detection for chest X‐ray images using local binary pattern and support vector machine
JP6267710B2 (ja) 医用画像中の肺結節を自動検出するためのシステム及び方法
EP0757544B1 (en) Computerized detection of masses and parenchymal distortions
US7961967B2 (en) Adaptive density mapping in computed tomographic images
Kimori Mathematical morphology-based approach to the enhancement of morphological features in medical images
US9230320B2 (en) Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules
CN116152505B (zh) 基于x光数据的骨骼目标识别分割方法
JP6329697B2 (ja) 体組織の自動的なセグメンテーションおよび定量化のための方法
JPH11501538A (ja) 医用画像において病巣を検出する方法及びシステム
CN102934126A (zh) 放射摄影图像中的微钙化检测和分级
CN107633514B (zh) 一种肺结节周边血管量化评估系统及方法
JP2002523123A (ja) 病変の分割および分類のための方法およびシステム
CN102324109A (zh) 基于模糊隶属度模型的非实质性肺结节三维分割方法
CN113989407B (zh) Ct影像中肢体部位识别模型训练方法及系统
Schilham et al. Multi-scale nodule detection in chest radiographs
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN116363155B (zh) 一种胸大肌区域智能分割方法、装置和存储介质
CN117218200A (zh) 一种基于精准识别的骨肿瘤病灶定位方法及装置
CN112862785B (zh) Cta影像数据识别方法、装置及存储介质
CN112862787B (zh) Cta影像数据处理方法、装置及存储介质
CN112862786B (zh) Cta影像数据处理方法、装置及存储介质
CN116934885A (zh) 肺部分割方法、装置、电子设备及存储介质
Karssemeijer Detection of masses in mammograms
CN114066885A (zh) 下肢骨骼模型构造方法、装置、电子设备及存储介质
CN111275719A (zh) 钙化假阳识别及其模型训练的方法、装置、终端及介质

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