CN117598731A - 一种基于多模态超声成像的乳腺肿瘤识别系统 - Google Patents
一种基于多模态超声成像的乳腺肿瘤识别系统 Download PDFInfo
- Publication number
- CN117598731A CN117598731A CN202311687887.1A CN202311687887A CN117598731A CN 117598731 A CN117598731 A CN 117598731A CN 202311687887 A CN202311687887 A CN 202311687887A CN 117598731 A CN117598731 A CN 117598731A
- Authority
- CN
- China
- Prior art keywords
- breast
- breast tumor
- suspicious region
- ultrasonic
- suspicious
- 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.)
- Pending
Links
- 206010028980 Neoplasm Diseases 0.000 title claims description 24
- 210000005075 mammary gland Anatomy 0.000 title claims description 9
- 238000003384 imaging method Methods 0.000 title abstract description 21
- 208000026310 Breast neoplasm Diseases 0.000 claims abstract description 175
- 206010006187 Breast cancer Diseases 0.000 claims abstract description 167
- 210000000481 breast Anatomy 0.000 claims abstract description 138
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 51
- 238000002604 ultrasonography Methods 0.000 claims description 53
- 238000012285 ultrasound imaging Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 14
- 238000004195 computer-aided diagnosis Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 6
- 230000004807 localization Effects 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 208000030270 breast disease Diseases 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- A61B8/0825—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
- A61B8/08—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
- A61B8/48—Diagnostic techniques
- A61B8/488—Diagnostic techniques involving Doppler signals
-
- 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
- A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
- A61B8/5246—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from the same or different imaging techniques, e.g. color Doppler and B-mode
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Vascular Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及计算机辅助诊断领域，尤其是一种基于多模态超声成像的乳腺肿瘤识别系统。本发明所提供乳腺肿瘤识别系统可执行下述步骤：获取第一超声模态乳腺图像，在第一超声模态乳腺图中定位第一乳腺肿瘤可疑区域；获取第二超声模态乳腺图像，并将第二超声模态乳腺图像与第一超声模态乳腺图像对齐；根据对齐结果，在第二超声模态乳腺图像中定位与第一乳腺肿瘤可疑区域对应的第二乳腺肿瘤可疑区域；根据第二乳腺肿瘤可疑区域中微小血管分布状况，识别第二乳腺肿瘤可疑区域中乳腺肿瘤可信度。本发明所提供的基于多模态超声成像的乳腺肿瘤识别系统，结合第一超声模态和第二超声模态下乳腺图像，实现了更准确地乳腺肿瘤识别和定位，提高了检测的准确性。
Description
技术领域
本发明涉及计算机辅助诊断领域，尤其是一种基于多模态超声成像的乳腺肿瘤识别系统。
背景技术
乳腺健康是女性健康的重要组成部分，而乳腺肿瘤是乳腺疾病中最常见的一种。乳腺肿瘤包括良性和恶性病变，其中乳腺癌是最为担忧的，因为它可能会对患者的生命产生严重威胁。早期发现乳腺肿瘤对于治疗成功和提高患者生存率至关重要。
传统的单一模态乳腺图像检测在提供详细信息方面受到限制，无法全面准确地反映肿瘤的性质和分布情况。多模态超声成像技术的引入为乳腺肿瘤的准确检测和评估提供了革命性的工具。多模态超声成像技术结合了不同超声模态，使医生能够更全面地了解乳腺肿瘤的特性，从而更好地进行诊断和治疗规划。
发明内容
基于现有技术的不足以及实际应用的需求，本发明提供了一种基于多模态超声成像的乳腺肿瘤识别系统，旨在利用多模态超声成像实现更为精准的乳腺肿瘤识别。
本发明书提供的基于多模态超声成像的乳腺肿瘤识别系统，包括存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述程序指令当被所述处理器执行时，使所述处理器执行如下步骤：获取第一超声模态乳腺图像，在所述第一超声模态乳腺图中定位第一乳腺肿瘤可疑区域，所述第一超声模态乳腺图像为灰阶乳腺图像；获取第二超声模态乳腺图像，并将所述第二超声模态乳腺图像与所述第一超声模态乳腺图像对齐，所述第二超声模态乳腺图像为超微血管乳腺图像；根据对齐结果，在所述第二超声模态乳腺图像中定位与所述第一乳腺肿瘤可疑区域对应的第二乳腺肿瘤可疑区域；根据所述第二乳腺肿瘤可疑区域中微小血管分布状况，识别第二乳腺肿瘤可疑区域中乳腺肿瘤可信度。本发明所提供的基于多模态超声成像的乳腺肿瘤识别系统，通过灰阶乳腺图像和超微血管乳腺图像，实现了更准确地乳腺肿瘤识别和定位，提高了检测的准确性，有望在乳腺疾病的早期检测和治疗中产生积极的影响，为患者提供更好的医疗服务和更好的治疗结果。
可选地，所述获取第一超声模态乳腺图像，包括如下步骤：提供B模式超声设备，并利用所述B模式超声设备对目标乳腺进行扫描，获取第一超声模态乳腺图像。本可选项提供了一种简便有效的途径，以获取第一超声模态乳腺图像，为后续的多模态成像和识别提供基础。
可选地，所述获取第二超声模态乳腺图像，包括如下步骤：提供彩色多普勒模式超声设备，并利用所述彩色多普勒模式超声设备对目标乳腺进行扫描，获得第二超声模态乳腺图像。本可选项提供了一种简便有效的途径，以获得第二超声模态乳腺图像，为后续的多模态成像和识别提供基础。
可选地，所述在所述第一超声模态乳腺图中定位第一乳腺肿瘤可疑区域，包括如下步骤：设定目标分辨率，并基于所述目标分辨率将所述第一超声模态乳腺图坐标化，并获取坐标化后第一超声模态乳腺图中每个像素的坐标和灰度值；设置初始定位框的大小，通过调整所述初始定位框的中心坐标框定不同判断区域；根据判断区域中超声乳腺图的灰度值分布，定位第一超声模态乳腺图中第一乳腺肿瘤可疑区域。本可选项提供了一种精细而高效的乳腺肿瘤定位方法，通过设定目标分辨率，将乳腺图像坐标化，然后根据灰度值分布定位肿瘤可疑区域，以更准确地确定患者的乳腺肿瘤位置。
可选地，所述在所述第一超声模态乳腺图中定位第一乳腺肿瘤可疑区域，还包括如下步骤：通过调整所述初始定位框的大小，框定不同判断区域。本可选项允许在肿瘤识别过程中根据具体情况自定义不同的判断区域。这对于处理不同患者的乳腺图像和肿瘤特征非常重要，因为每个病例可能都有独特的特点。通过动态调整判断区域，可以更好地适应不同情况，提高了乳腺肿瘤的准确定位和识别。
可选地，所述根据判断区域中超声乳腺图的灰度值分布，定位第一超声模态乳腺图中第一乳腺肿瘤可疑区域，包括如下步骤：获取第一超声模态乳腺图像的全局灰度均值，所述全局灰度均值满足如下公式：/>其中，m表示最大横坐标值，n表示最大纵坐标值，p(i,j)表示坐标为(x,y)的像素灰度值；基于所述全局灰度均值设置可疑定位坐标像素阈值，所述可疑定位坐标像素阈值满足如下公式：/>其中，/>K表示阈值系数，Pmax表示第一超声模态乳腺图中最大灰度值，表示在第一超声模态乳腺图中中超过全局灰度均值/>且出现次数最多的灰度值；根据判断区域中超声乳腺图的灰度值分布，定位判断区域中灰度值大于所述可疑定位坐标像素阈值的目标像素坐标；汇总所述目标像素坐标形成一个或者多个初始可疑区域，所述初始可疑区域为由多个相邻目标像素的边缘形成的闭合区域；构建可疑区域定位模型，利用所述可疑区域定位模型定位所述初始可疑区域的第一中心坐标，所述可疑区域定位模型满足如下公式：/>其中，(xk,yk)Sk表示在判断区域中第k个初始可疑区域的第一中心坐标，xa表示第k个初始可疑区域中最小横坐标，xb表示第k个初始可疑区域中最大横坐标，yc表示第k个初始可疑区域中最小纵坐标，yd表示第k个初始可疑区域中最大纵坐标；利用所述初始可疑区域的第一中心坐标定位第一超声模态乳腺图中第一乳腺肿瘤可疑区域，任一个第一乳腺肿瘤可疑区域中包括对应的初始可疑区域中的全部像素坐标。本可选项结合了全局灰度均值和像素阈值，能够准确识别出乳腺图像中灰度值明显高于平均水平的区域，从而定位潜在的肿瘤。同时，通过构建可疑区域定位模型，还能够精确计算初始可疑区域的中心坐标，提高了定位的精度。
可选地，所述根据对齐结果，在所述第二超声模态乳腺图像中定位与所述第一乳腺肿瘤可疑区域对应的第二乳腺肿瘤可疑区域，包括如下步骤：根据对齐结果，在所述第二超声模态乳腺图像中标记与所述第一中心坐标对应的第二中心坐标，并标记与第二中心坐标关联的像素坐标；基于所述第二超声模态乳腺图像中的中心坐标，以及中心坐标关联的像素坐标，生成一个或者多个第二乳腺肿瘤可疑区域，任一个第二乳腺肿瘤可疑区域中包括一个第二中心坐标和与第二中心坐标关联的全部像素坐标。本可选项通过在第二超声模态乳腺图像中标记第一乳腺肿瘤的位置，然后基于这些标记生成第二乳腺肿瘤的可疑区域，可以更准确地定位患者的乳腺肿瘤。
可选地，所述根据对齐结果，在所述第二超声模态乳腺图像中定位与所述第一乳腺肿瘤可疑区域对应的第二乳腺肿瘤可疑区域，还包括如下步骤：设定肿瘤面积阈值，通过所述可疑肿瘤面积阈值筛选第二乳腺肿瘤可疑区域。本可选项肿瘤面积阈值以减少虚假阳性的检测结果，提高了乳腺肿瘤的检测精度。
可选地，所述根据所述第二乳腺肿瘤可疑区域中微小血管分布状况，识别第二乳腺肿瘤可疑区域中乳腺肿瘤可信度，包括如下步骤：区分所述第二乳腺肿瘤可疑区域中的主干血管和微小血管，并对所述主干血管和所述微小血管的数量分别进行计数；构建乳腺肿瘤可信度模型，并利用所述乳腺肿瘤可信度模型结合所述主干血管和所述微小血管的数量，识别第二乳腺肿瘤可疑区域中乳腺肿瘤可信度，所述乳腺肿瘤可信度模型满足如下公式：其中，/>表示第二乳腺肿瘤可疑区域S′k中乳腺肿瘤可信度，Q表示第二乳腺肿瘤可疑区域S′k中主干血管的数量，Ii表示第二乳腺肿瘤可疑区域S′k中第i条主干血管曲率均值，α表示主干血管曲率权重系数，/>表示第二乳腺肿瘤可疑区域S′k中第i条主干血管所对应的微小血管的数量，β表示主干血管分叉权重系数。本可选项通过构建的乳腺肿瘤可信度模型，利用主干血管和微小血管的数量来评估第二乳腺肿瘤可疑区域中的乳腺肿瘤可信度，以提高乳腺肿瘤的诊断准确性，有助于更早地发现患者的病变。
可选地，所述的基于多模态超声成像的乳腺肿瘤识别系统，还包括处理器、输入设备、输出设备，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用并执行所述程序指令。本发明所提供的多模态超声成像的乳腺肿瘤识别系统，结合了不同超声成像模式，借助计算机程序和处理器，通过多模态成像和计算机辅助分析，能够提供更精确和可信的肿瘤诊断结果，医生可以更准确地判断肿瘤的性质，提供更早的诊断和更有效的治疗方案。
附图说明
图1为本发明所提供的基于多模态超声成像的乳腺肿瘤识别方法流程图；
图2为本发明所提供的第一超声模态乳腺图像和第二超声模态乳腺图像；
图3为本发明所提供的基于多模态超声成像的乳腺肿瘤识别系统结构图。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
在一个可选的实施例中，请参见图1，图1为本发明所提供的基于多模态超声成像的乳腺肿瘤识别方法流程图。如图1所示，所述基于多模态超声成像的乳腺肿瘤识别方法，包括如下步骤：
S01、获取第一超声模态乳腺图像，在所述第一超声模态乳腺图中定位第一乳腺肿瘤可疑区域，所述第一超声模态乳腺图像为灰阶乳腺图像。
可以理解，本发明所获取的第一超声模态乳腺图像即为通过不同的灰度级别来表示组织密度的灰阶乳腺图像。通常情况下，所述第一超声模态乳腺图像可以采用B模式超声成像(Br ightness Mode，又称2D超声成像)的超声成像设备来生成。
具体地，在一个或者一些实施例中，步骤S01中所述的获取第一超声模态乳腺图像，包括如下步骤：提供B模式超声设备，并利用所述B模式超声设备对目标乳腺进行扫描，获取第一超声模态乳腺图像，所述的第一超声模态乳腺图像通过不同灰度值来表征所处位置乳腺组织的密度，如图2中(A)图所示。
进一步地，为更加快速且精准地在第一超声模态乳腺图像中确定可能存在乳腺肿瘤的区域，一个可选的实施例中，步骤S01中所述的在所述第一超声模态乳腺图中定位第一乳腺肿瘤可疑区域，包括如下步骤：
S011、设定目标分辨率，并基于所述目标分辨率将所述第一超声模态乳腺图坐标化，并获取坐标化后第一超声模态乳腺图中每个像素的坐标和灰度值。
由于生物体内组织的声衰减系数与超声频率成线性关系：超声频率越低，波长越长，其幅度衰减越小，则探测深度越大，但分辨率差；超声频率越高，探测深度越小，但分辨率高。因此，步骤S011所述的设定目标分辨率具体可以通过根据特定的医学需求、超声成像设备的性能和/或探测目标范围大小的需求来确定。
在本实施例中，目标分辨率即为第一超声模态乳腺图所能达到的最佳图像精度水平，该最佳图像精度水平取决实际获取第一超声模态乳腺图的超声设备性能。
S012、设置初始定位框的大小，通过调整所述初始定位框的中心坐标框定不同判断区域。
为更好框选和定位肿瘤区域，在本实施例中，所述初始定位框包括矩形框，其大小通过长度(L)和宽度(W)表征。在其他的一个或者一些实施例中，所述初始定位框还包括圆、椭圆等规则或者不规则封闭线框。
所述初始定位框中心坐标可以根据图像特性和医生的需求进行设置。例如，可以将初始定位框的中心放在乳腺区域的中央，然后通过改变框的中心坐标来创建不同位置处的判断区域，以查找潜在的肿瘤。
基于上述坐标化结果，在本实施例中，所述初始定位框中心坐标(X,Y)满足如下可选模型：其中，(x0,y0)表示坐标化后第一超声模态乳腺图的原点坐标(左下角坐标)，(xm,ym)表示坐标化后第一超声模态乳腺图的终点坐标(右上角坐标)，L表示初始定位框的长度，具体以单位像素的个数进行表征，W表示初始定位框的宽度，具体以单位像素的个数进行表征。
在其他的一个或者一些可选的实施例中，除了上述实施例中通过改变初始定位框中心坐标以创建不同判断区域，还通过调整初始定位框的大小，以框定不同判断区域。例如，可以将初始定位框的中心放在第一超声模态乳腺图中的任一个位置，然后通过改变框的大小来创建不同大小的判断区域，以查找潜在的肿瘤。
S013、根据判断区域中超声乳腺图的灰度值分布，定位第一超声模态乳腺图中第一乳腺肿瘤可疑区域。
在又一个可选的实施例中，步骤S013所述的根据判断区域中超声乳腺图的灰度值分布，定位第一超声模态乳腺图中第一乳腺肿瘤可疑区域，包括如下步骤：
S0131、获取第一超声模态乳腺图像的全局灰度均值。
在本实施例中，所述全局灰度均值满足如下公式：其中，m表示最大横坐标值，n表示最大纵坐标值，p(i,j)表示坐标为(x,y)的像素灰度值。
进一步地，所述全局灰度均值代表乳腺组织在整个图像中密度分布。例如，第一超声模态乳腺图像的尺寸是400x400像素，通过遍历所有像素并计算它们的灰度值，可以得出全局灰度均值为110。
S0132、基于所述全局灰度均值设置可疑定位坐标像素阈值。
在本实施例中，所述可疑定位坐标像素阈值满足如下公式：其中，K表示阈值系数，Pmax表示第一超声模态乳腺图中最大灰度值，表示在第一超声模态乳腺图中中超过全局灰度均值/>且出现次数最多的灰度值。
在步骤S0132中，利用全局灰度均值，设置一个可疑定位坐标像素阈值PH；然后，检查判断区域中的每个像素的灰度值，筛选出那些大于PH的像素。这些像素被认为可能属于乳腺肿瘤。
S0133、根据判断区域中超声乳腺图的灰度值分布，定位判断区域中灰度值大于所述可疑定位坐标像素阈值的目标像素坐标。
在本实施例中，阈值系数K＝1.2，最大灰度值Pmax＝255。如果全局灰度均值那么可疑定位坐标像素阈值PH＝1.2×110＝132。遍历判断区域中的每个像素，如果其灰度值大于132，则被选中为目标像素坐标。
S0134、汇总所述目标像素坐标形成一个或者多个初始可疑区域，所述初始可疑区域为由多个相邻目标像素的边缘形成的闭合区域。
在本实施例中，若在一个判断区域形成了一组或者多组灰度值大于132的连续的像素点，对应汇总后成为一个或者多个初始可疑区域；如在该判断区域中并无灰度值大于132的连续的像素点集合，进行下一个判断区域的初始可疑区域的判定。
S0135、构建可疑区域定位模型，利用所述可疑区域定位模型定位所述初始可疑区域的第一中心坐标。
在本实施例中，所述可疑区域定位模型满足如下公式： 其中，(xk,yk)Sk表示在判断区域中第k个初始可疑区域的第一中心坐标，xa表示第k个初始可疑区域中最小横坐标，xb表示第k个初始可疑区域中最大横坐标，yc表示第k个初始可疑区域中最小纵坐标，yd表示第k个初始可疑区域中最大纵坐标。
S0135、利用所述初始可疑区域的第一中心坐标定位第一超声模态乳腺图中第一乳腺肿瘤可疑区域，任一个第一乳腺肿瘤可疑区域中包括对应的初始可疑区域中的全部像素坐标。
在本实施例中，将任一个初始可疑区域认定为一个可能的乳腺肿瘤位置，所以将这些区域的中心坐标，以及与中心坐标相关的全部像素坐标(灰度值大于132)作为最终的定位结果，用于后续第二乳腺肿瘤可疑区域的定位。
S02、获取第二超声模态乳腺图像，并将所述第二超声模态乳腺图像与所述第一超声模态乳腺图像对齐，所述第二超声模态乳腺图像为超微血管乳腺图像。
容易理解的是，所述超微血管乳腺图像是一种特殊类型的医学超声图像，用于观察和分析乳腺组织中微小血管的分布和血流情况，如图2中(B)图所示。这种图像通常使用彩色多普勒超声成像技术获得，其主要特征是能够显示血管的位置、形态和血流速度。
在一个可选的实施例中，步骤S02中所述的获取第二超声模态乳腺图像，包括如下步骤：提供彩色多普勒模式超声设备，并利用所述彩色多普勒模式超声设备对目标乳腺进行扫描，获得第二超声模态乳腺图像。
由于第一超声模态乳腺图像和第二超声模态图像通常是在不同时间或使用不同参数获得的，因此两者位置可能不完全一致。进一步地，可以通过两个图像中选择一个共同的特征或参考点，如乳腺中的某个标志性结构。然后，通过拉伸、旋转、调整第二超声模态图像的位置，使得这些参考点对齐。
在其他的一个或者一些实施例中，可以使用图像处理软件，自动识别和匹配两个图像中的对应特征，以实现对齐操作。
S03、根据对齐结果，在所述第二超声模态乳腺图像中定位与所述第一乳腺肿瘤可疑区域对应的第二乳腺肿瘤可疑区域。
为在将第一乳腺肿瘤可疑区域在第二超声模态乳腺图像中定位出来，在一个可选的实施例中，步骤S03所述的根据对齐结果，在所述第二超声模态乳腺图像中定位与所述第一乳腺肿瘤可疑区域对应的第二乳腺肿瘤可疑区域，包括如下步骤：
S031、根据对齐结果，在所述第二超声模态乳腺图像中标记与所述第一中心坐标对应的第二中心坐标，并标记与第二中心坐标关联的像素坐标。
在第二超声模态乳腺图像中，首先标记与第一乳腺肿瘤可疑区域对应的第二中心坐标，这个中心坐标通常是第一乳腺肿瘤可疑区域的几何中心或其他表示位置的关键坐标。然后，标记与第二中心坐标关联的像素坐标，这些像素坐标构成了第二乳腺肿瘤可疑区域的边界或轮廓。
S032、基于所述第二超声模态乳腺图像中的中心坐标，以及中心坐标关联的像素坐标，生成一个或者多个第二乳腺肿瘤可疑区域，任一个第二乳腺肿瘤可疑区域中包括一个第二中心坐标和与第二中心坐标关联的全部像素坐标。
基于步骤S031中标记的第二中心坐标和关联的像素坐标，生成一个或多个第二乳腺肿瘤可疑区域。这些第二乳腺肿瘤可疑区域通常由具有相同或类似特征的像素组成，构成了第二乳腺肿瘤的候选区域。
在其他的一个或者一些实施例中，步骤S03所述的根据对齐结果，在所述第二超声模态乳腺图像中定位与所述第一乳腺肿瘤可疑区域对应的第二乳腺肿瘤可疑区域，还包括如下步骤：
S033、设定肿瘤面积阈值，通过所述可疑肿瘤面积阈值筛选第二乳腺肿瘤可疑区域。
所述肿瘤面积阈值通常由专业医生根据实际经验进行设定，以像素为单位，用于筛选出存在乳腺肿瘤可能性较强的第二乳腺肿瘤可疑区域。具体地，如果某个第二乳腺肿瘤可疑区域的面积大于或等于设定的肿瘤面积阈值，那么它将被保留，否则将被排除。
S04、根据所述第二乳腺肿瘤可疑区域中微小血管分布状况，识别第二乳腺肿瘤可疑区域中乳腺肿瘤可信度。
在一个可选的实施例中，所述根据所述第二乳腺肿瘤可疑区域中微小血管分布状况，识别第二乳腺肿瘤可疑区域中乳腺肿瘤可信度，包括如下步骤：
S041、区分所述第二乳腺肿瘤可疑区域中的主干血管和微小血管，并对所述主干血管和所述微小血管的数量分别进行计数。
所述主干血管是在第二乳腺肿瘤可疑区域中相对较大的血管，通常具有明显的曲率和分支。所述微小血管是由第二乳腺肿瘤可疑区域中主干血管支出的细小的血管。
S042、构建乳腺肿瘤可信度模型，并利用所述乳腺肿瘤可信度模型结合所述主干血管和所述微小血管的数量，识别第二乳腺肿瘤可疑区域中乳腺肿瘤可信度。
在本实施例中，所述乳腺肿瘤可信度模型满足如下公式： 其中，/>表示第二乳腺肿瘤可疑区域S′k中乳腺肿瘤可信度，Q表示第二乳腺肿瘤可疑区域S′k中主干血管的数量，Ii表示第二乳腺肿瘤可疑区域S′k中第i条主干血管曲率均值，α表示主干血管曲率权重系数，/>表示第二乳腺肿瘤可疑区域S′k中第i条主干血管所对应的微小血管的数量，β表示主干血管分叉权重系数。进一步地，通过所述乳腺肿瘤可信度模型可以计算出识别第二乳腺肿瘤可疑区域中乳腺肿瘤可信度。
在其他的一个或者一些实施例中，进一可通过设定乳腺肿瘤可信度阈值，以筛选出具有足够高的乳腺肿瘤可信度的第二乳腺肿瘤可疑区域，作为乳腺肿瘤区域进行下一步检测或者治疗。
本发明所提供的基于多模态超声成像的乳腺肿瘤识别方法结合灰阶乳腺图像和超微血管乳腺图像，实现了更准确地乳腺肿瘤识别和定位，提高了检测的准确性，有望在乳腺疾病的早期检测和治疗中产生积极的影响，为患者提供更好的医疗服务和更好的治疗结果。
在一个可选的实施例，请参见图3，图3为本发明所提供的基于多模态超声成像的乳腺肿瘤识别系统结构图。如图2所示，本发明还提供了一种基于多模态超声成像的乳腺肿瘤识别系统，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如上述的基于多模态超声成像的乳腺肿瘤识别方法。
其中，所述处理器用于执行系统中的各种计算和分析任务，并用于将协调不同功能模块之间的数据交换和信息传递。具体地，所述处理器可以是一台高性能计算机或嵌入式处理器。
所述输入设备用于获取第一超声模态乳腺图像和第二超声模态乳腺图像。通常，所述输入设备通常是彩色多普勒模式超声设备，用于获取不同超声模态的图像数据。例如，通过彩色多普勒模式超声设备的超声探头对乳腺进行扫描来获得第一超声模态乳腺图像和第二超声模态乳腺图像。
所述输出设备用于向医生或操作人员呈现结果，如可疑区域的定位、肿瘤可信度和其他相关信息。具体地，所述输出设备可以是计算机显示屏、打印机或其他图形用户界面设备。
所述存储器用于存储图像数据、计算机程序和中间结果。这包括保存原始乳腺图像(第一超声模态乳腺图像和第二超声模态乳腺图像)、处理后的图像、各种模型和相关数据。存储器的容量通常需要足够大，以保存大量的高分辨率图像。
本发明所提供的多模态超声成像的乳腺肿瘤识别系统，结合了不同超声成像模式，借助计算机程序和处理器，通过多模态成像和计算机辅助分析，能够提供更精确和可信的肿瘤诊断结果，医生可以更准确地判断肿瘤的性质，提供更早的诊断和更有效的治疗方案。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于多模态超声成像的乳腺肿瘤识别系统，其特征在于，包括存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述程序指令当被所述处理器执行时，使所述处理器执行如下步骤：
获取第一超声模态乳腺图像，在所述第一超声模态乳腺图中定位第一乳腺肿瘤可疑区域，所述第一超声模态乳腺图像为灰阶乳腺图像；
获取第二超声模态乳腺图像，并将所述第二超声模态乳腺图像与所述第一超声模态乳腺图像对齐，所述第二超声模态乳腺图像为超微血管乳腺图像；
根据对齐结果，在所述第二超声模态乳腺图像中定位与所述第一乳腺肿瘤可疑区域对应的第二乳腺肿瘤可疑区域；
根据所述第二乳腺肿瘤可疑区域中微小血管分布状况，识别第二乳腺肿瘤可疑区域中乳腺肿瘤可信度。
2.根据权利要求1所述的基于多模态超声成像的乳腺肿瘤识别系统，其特征在于，所述获取第一超声模态乳腺图像，包括如下步骤：提供B模式超声设备，并利用所述B模式超声设备对目标乳腺进行扫描，获取第一超声模态乳腺图像。
3.根据权利要求1所述的基于多模态超声成像的乳腺肿瘤识别系统，其特征在于，所述获取第二超声模态乳腺图像，包括如下步骤：提供彩色多普勒模式超声设备，并利用所述彩色多普勒模式超声设备对目标乳腺进行扫描，获得第二超声模态乳腺图像。
4.根据权利要求1所述的基于多模态超声成像的乳腺肿瘤识别系统，其特征在于，所述在所述第一超声模态乳腺图中定位第一乳腺肿瘤可疑区域，包括如下步骤：
设定目标分辨率，并基于所述目标分辨率将所述第一超声模态乳腺图坐标化，并获取坐标化后第一超声模态乳腺图中每个像素的坐标和灰度值；
设置初始定位框的大小，通过调整所述初始定位框的中心坐标框定不同判断区域；
根据判断区域中超声乳腺图的灰度值分布，定位第一超声模态乳腺图中第一乳腺肿瘤可疑区域。
5.根据权利要求4所述的基于多模态超声成像的乳腺肿瘤识别系统，其特征在于，所述在所述第一超声模态乳腺图中定位第一乳腺肿瘤可疑区域，还包括如下步骤：
通过调整所述初始定位框的大小，框定不同判断区域。
6.根据权利要求4所述的基于多模态超声成像的乳腺肿瘤识别系统，其特征在于，所述根据判断区域中超声乳腺图的灰度值分布，定位第一超声模态乳腺图中第一乳腺肿瘤可疑区域，包括如下步骤：
获取第一超声模态乳腺图像的全局灰度均值，所述全局灰度均值满足如下公式：其中，m表示最大横坐标值，n表示最大纵坐标值，p(i,j)表示坐标为(x,y)的像素灰度值；
基于所述全局灰度均值设置可疑定位坐标像素阈值，所述可疑定位坐标像素阈值满足如下公式：其中，/>K表示阈值系数，Pmax表示第一超声模态乳腺图中最大灰度值，/>表示在第一超声模态乳腺图中中超过全局灰度均值/>且出现次数最多的灰度值；
根据判断区域中超声乳腺图的灰度值分布，定位判断区域中灰度值大于所述可疑定位坐标像素阈值的目标像素坐标；
汇总所述目标像素坐标形成一个或者多个初始可疑区域，所述初始可疑区域为由多个相邻目标像素的边缘形成的闭合区域；
构建可疑区域定位模型，利用所述可疑区域定位模型定位所述初始可疑区域的第一中心坐标，所述可疑区域定位模型满足如下公式： 其中，/>表示在判断区域中第k个初始可疑区域的第一中心坐标，xa表示第k个初始可疑区域中最小横坐标，xb表示第k个初始可疑区域中最大横坐标，yc表示第k个初始可疑区域中最小纵坐标，yd表示第k个初始可疑区域中最大纵坐标；
利用所述初始可疑区域的第一中心坐标定位第一超声模态乳腺图中第一乳腺肿瘤可疑区域，任一个第一乳腺肿瘤可疑区域中包括对应的初始可疑区域中的全部像素坐标。
7.根据权利要求6所述的基于多模态超声成像的乳腺肿瘤识别系统，其特征在于，所述根据对齐结果，在所述第二超声模态乳腺图像中定位与所述第一乳腺肿瘤可疑区域对应的第二乳腺肿瘤可疑区域，包括如下步骤：
根据对齐结果，在所述第二超声模态乳腺图像中标记与所述第一中心坐标对应的第二中心坐标，并标记与第二中心坐标关联的像素坐标；
基于所述第二超声模态乳腺图像中的中心坐标，以及中心坐标关联的像素坐标，生成一个或者多个第二乳腺肿瘤可疑区域，任一个第二乳腺肿瘤可疑区域中包括一个第二中心坐标和与第二中心坐标关联的全部像素坐标。
8.根据权利要求7所述的基于多模态超声成像的乳腺肿瘤识别系统，其特征在于，所述根据对齐结果，在所述第二超声模态乳腺图像中定位与所述第一乳腺肿瘤可疑区域对应的第二乳腺肿瘤可疑区域，还包括如下步骤：
设定肿瘤面积阈值，通过所述可疑肿瘤面积阈值筛选第二乳腺肿瘤可疑区域。
9.根据权利要求7所述的基于多模态超声成像的乳腺肿瘤识别系统，其特征在于，所述根据所述第二乳腺肿瘤可疑区域中微小血管分布状况，识别第二乳腺肿瘤可疑区域中乳腺肿瘤可信度，包括如下步骤：
区分所述第二乳腺肿瘤可疑区域中的主干血管和微小血管，并对所述主干血管和所述微小血管的数量分别进行计数；
构建乳腺肿瘤可信度模型，并利用所述乳腺肿瘤可信度模型结合所述主干血管和所述微小血管的数量，识别第二乳腺肿瘤可疑区域中乳腺肿瘤可信度，所述乳腺肿瘤可信度模型满足如下公式：其中，/>表示第二乳腺肿瘤可疑区域S′k中乳腺肿瘤可信度，Q表示第二乳腺肿瘤可疑区域S′k中主干血管的数量，Ii表示第二乳腺肿瘤可疑区域S′k中第i条主干血管曲率均值，α表示主干血管曲率权重系数，/>表示第二乳腺肿瘤可疑区域S′k中第i条主干血管所对应的微小血管的数量，β表示主干血管分叉权重系数。
10.根据权利要求1-9任一项所述的基于多模态超声成像的乳腺肿瘤识别系统，其特征在于，还包括处理器、输入设备、输出设备，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用并执行所述程序指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311687887.1A CN117598731A (zh) | 2023-12-11 | 2023-12-11 | 一种基于多模态超声成像的乳腺肿瘤识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311687887.1A CN117598731A (zh) | 2023-12-11 | 2023-12-11 | 一种基于多模态超声成像的乳腺肿瘤识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117598731A true CN117598731A (zh) | 2024-02-27 |
Family
ID=89944276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311687887.1A Pending CN117598731A (zh) | 2023-12-11 | 2023-12-11 | 一种基于多模态超声成像的乳腺肿瘤识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117598731A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118196088A (zh) * | 2024-05-15 | 2024-06-14 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于图像分析的卵巢肿瘤风险评估方法 |
-
2023
- 2023-12-11 CN CN202311687887.1A patent/CN117598731A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118196088A (zh) * | 2024-05-15 | 2024-06-14 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于图像分析的卵巢肿瘤风险评估方法 |
| CN118196088B (zh) * | 2024-05-15 | 2024-07-26 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于图像分析的卵巢肿瘤风险评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107492097B (zh) | 一种识别mri图像感兴趣区域的方法及装置 | |
| CN106102585B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
| JP2009512527A (ja) | 画像登録方法及び前記画像登録方法を実施するためのアルゴリズム及び前記アルゴリズムを用いて画像を登録するためのプログラム及び対象の移動による画像アーチファクトを低減するための生体医学画像の取り扱い方法 | |
| TWI501754B (zh) | 影像辨識方法及影像辨識系統 | |
| US20080171932A1 (en) | Method and System for Lymph Node Detection Using Multiple MR Sequences | |
| JP6643827B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| CN117598731A (zh) | 一种基于多模态超声成像的乳腺肿瘤识别系统 | |
| CN107106128B (zh) | 用于分割解剖目标的超声成像装置和方法 | |
| WO2016064921A1 (en) | Automatic detection of regions of interest in 3d space | |
| CN113633315B (zh) | 采用超声图处理系统的超声图处理方法 | |
| Sparks et al. | Fully automated prostate magnetic resonance imaging and transrectal ultrasound fusion via a probabilistic registration metric | |
| CN112568933B (zh) | 超声成像方法、设备和存储介质 | |
| US11250564B2 (en) | Methods and systems for automatic measurement of strains and strain-ratio calculation for sonoelastography | |
| WO2021120059A1 (zh) | 三维体数据的测量方法、测量系统、医疗器械及存储介质 | |
| Mukherjee et al. | Automatic detection and measurement of femur length from fetal ultrasonography | |
| CN116109610A (zh) | 一种超声检查报告图像中乳腺肿瘤分割方法和系统 | |
| CN113409275B (zh) | 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置 | |
| US20210251601A1 (en) | Method for ultrasound imaging and related equipment | |
| JP2895414B2 (ja) | 超音波体積演算装置 | |
| WO2023133929A1 (zh) | 一种基于超声的人体组织对称性检测分析方法 | |
| Park et al. | Automatic extraction of soft tissue tumor from ultrasonography using ART2 based intelligent image analysis | |
| Wan Zaki et al. | A new approach of skull fracture detection in CT brain images | |
| CN112634191A (zh) | 医学影像分析方法、超声成像设备及计算机存储介质 | |
| JP7534735B2 (ja) | 超音波画像解析装置及び超音波画像解析方法 | |
| US20220240898A1 (en) | Ultrasound diagnostic apparatus, medical image processing apparatus, and medical image processing method |
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 |