KR20140057130A - Image processing system - Google Patents
Image processing system Download PDFInfo
- Publication number
- KR20140057130A KR20140057130A KR1020130021930A KR20130021930A KR20140057130A KR 20140057130 A KR20140057130 A KR 20140057130A KR 1020130021930 A KR1020130021930 A KR 1020130021930A KR 20130021930 A KR20130021930 A KR 20130021930A KR 20140057130 A KR20140057130 A KR 20140057130A
- Authority
- KR
- South Korea
- Prior art keywords
- tumor
- feature
- score
- candidates
- breast
- Prior art date
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Abstract
Description
아래의 설명은 유방 초음파 영상을 대한 이미지 처리 시스템(image processing system)에 관한 것이다. The following description relates to an image processing system for breast ultrasound images.
유방암은 여성에게 가장 위험한 질병 중의 2번째 질병이며, 유방암의 조기 발견은 사망률을 40% 이상 감소시킨다. 초음파는 유방 x-ray 촬영(x선)의 보조 진단으로써 유방 영상의 형성에 사용된다. 또한, 유방 x-ray 촬영 시 감도가 약하거나 위험성을 가진 방사선이 발생하는 경우, 초음파 자체가 첫 번째 영상 형성 기술로 사용된다. 컴퓨터 보조 진단（CAD: Computer Aided Diagnosis）시스템은 경험이 많지 않는 의사들의 잘못된 진단을 방지하기 위해 사용되며, 정확한 암 진단을 위해 양성 증상을 바이옵시(biopsy)로 검사하는 것을 감소시키고 각종 변화 검출을 줄일 수 있다.Breast cancer is the second most dangerous disease in women, and early detection of breast cancer reduces mortality by over 40%. Ultrasound is an auxiliary diagnosis of breast x-ray (x-ray) and is used for the formation of mammograms. In addition, when radiation is weak or dangerous in mammography, ultrasound itself is used as the first image forming technique. Computer Aided Diagnosis (CAD) system is used to prevent misdiagnosis of inexperienced doctors. It reduces biopsy-inspected positive symptoms for accurate cancer diagnosis and detects various changes. Can be reduced.
컴퓨터 보조 유방 초음파 진단 시스템(computer aided breast ultrasonography diagnosis system)은 종양 검출(tumor detection) 및 종양 분할(tumor segmentation)과 같은 핵심 기술을 포함한다. 종양 분할(tumor segmentation)은 종양이 양성(benign tumor) 또는 악성(malignant tumor)인지 판단하는 결정적인 기술이다. 현재의 종양 검출 방법은 하나의 검출 결과를 출력하고, 종양 분할 처리는 상기 하나의 검출 결과에 대하여 종양 분할을 수행한 것이다. 이런 과정에서 검출 오류 또는 잘못된 검출 결과, 및 부적절하는 파라미터(parameter)를 사용하면 잘못된 분할 결과가 나타날 수 있다. 이와 같이 컴퓨터 보조 유방 초음파 진단은 강력하지 않고 분할 결과도 정확하지 않는다.The computer-aided breast ultrasonography diagnosis system includes key technologies such as tumor detection and tumor segmentation. Tumor segmentation is a crucial technique for determining whether a tumor is benign or malignant. The current tumor detection method outputs one detection result, and the tumor division processing is a tumor division performed on the one detection result. In this process, the use of detection errors or incorrect detection results, and improper parameters, may result in incorrect segmentation results. Thus, computer-assisted breast ultrasound is not powerful and the results of segmentation are not accurate.
일 실시예에 따르면, 유방 초음파 영상에서 복수의 유방 종양(breast tumor)에 대한 관심 영역(Region of Interest; ROI)을 검출하고 각각 스코어링(scoring)하며, 멀티 파라미터에 근거하는 복수의 종양 분할 방법(tumor segmentation method)으로 각각의 관심 영역(ROI)에 대하여 분할 처리를 수행하고 스코어링 하여 복수의 분할 결과에서 가장 높은 종합 수치를 가진 분할 결과를 선택하는 이미지 처리 기술이 제공될 수 있다.According to one embodiment, a method is provided for detecting and scoring each region of interest (ROI) of a plurality of breast tumors in a breast ultrasound image, and performing a plurality of tumor division methods an image processing technique may be provided in which a segmentation process is performed on each ROI using a tumor segmentation method and scored to select a segmentation result having the highest overall value in a plurality of segmentation results.
일 실시예에 따르면, 유방 초음파 영상에 대한 이미지 처리 시스템(image processing system)이 제공될 수 있다. 유방 초음파 영상에서 복수의 유방 종양(breast tumor)에 대한 관심 영역(Region of Interest; ROI)을 검출하고 스코어링(scoring)하며 멀티 파라미터에 근거하는 복수의 종양 분할 방법(tumor segmentation method)으로 각각의 관심 영역(ROI)에 대하여 분할 처리를 수행하고, 각각의 분할된 종양 윤곽에 대하여 복수의 특징을 스코어링할 수 있다. 이후 복수의 분할 결과에서 가장 높은 종합 수치를 가진 분할 결과를 선택할 수 있다. 이런 이미지 처리 기술은 분할 결과가 일부의 정확하지 않는 검출 결과 및/또는 적절하지 않는 분할 파라미터에 대한 영향을 받지 않도록 하고 유방 종양(breast tumor) 검출 및 분할 처리 결과의 안정성을 향상시킬 수 있다. According to one embodiment, an image processing system for breast ultrasound images may be provided. The detection and scoring of regions of interest (ROI) for multiple breast tumors in breast ultrasound images and multiple tumor-segmentation methods based on multi-parameters A segmentation process may be performed for the region ROI and a plurality of features may be scored for each segmented tumor contour. Thereafter, it is possible to select the division result having the highest overall value in the plurality of division results. This image processing technique can prevent segmentation results from being affected by some inaccurate detection results and / or inappropriate segmentation parameters and improve the stability of breast tumor detection and segmentation processing results.
일 실시예에 따르면, 유방 초음파 영상에 대한 이미지 처리 시스템(image processing system)이 제공될 수 있다. 멀티 파라미터에 근거하는 복수의 종양 분할 방법(tumor segmentation method)을 사용하여 복수의 ROI가 이미 표시된 유방 초음파 영상에서 각각의 ROI에 대하여 분할 처리를 수행할 수 있다. 그리고 각각의 분할된 종양 윤곽에 대하여 복수의 특징을 스코어링 하여 가장 높은 특징 점수를 가진 분할 결과를 선택할 수 있다. 이런 이미지 처리 기술은 분할 결과가 일부의 적절하지 않는 분할 파라미터에 대한 영향을 받지 않고 유방 종양(breast tumor) 분할 처리 결과의 안정성을 향상시킬 수 있다. According to one embodiment, an image processing system for breast ultrasound images may be provided. A plurality of ROIs can be segmented for each ROI in a breast ultrasound image in which a plurality of ROIs are already displayed using a plurality of tumor segmentation methods based on a multi-parameter. And a plurality of features can be scored for each divided tumor outline to select a partitioned result with the highest feature score. This image processing technique can improve the stability of the results of the breast tumor segmentation process without the segmentation results being affected by some inadequate segmentation parameters.
일실시예에 따르면, 유방 영상에 대한 이미지 처리 시스템(image processing system)이 제공될 수 있다. 상기 이미지 처리 시스템(image processing system)은, 2D 유방 초음파 영상(2D breast ultrasonic image)을 획득하는 영상 수집부(image acquiring module); 상기 영상 수집부(image acquiring module)에서 획득된 상기 2D 유방 초음파 영상(2D breast ultrasonic image)에서 M(M > 0) 개의 유방 종양(breast tumor)이 포함된 관심 영역(ROI)을 검출하고, 각각의 ROI에 대해 스코어링(scoring) 하여 테스트 점수를 생성하는 종양 검출부(tumor detecting module); 서로 다른 파라미터 및 파라미터 결합 중 적어도 하나에 근거하는 K(K > 0)개의 종양 분할 알고리즘(tumor segmentation algorithm)을 사용하여 상기 M개의 ROI에서 각각 K개의 종양 윤곽 후보(tumor contour candidates)로 분할하고 상기 종양 윤곽 후보(tumor contour candidates)의 각각에 대하여 상기 종양 윤곽 후보(tumor contour candidates)가 분할된 ROI의 테스트 점수를 기록하는 멀티 파라미터 분할부(multi-parameter segmentation module); 미리 설정된(predetermined) 적어도 하나의 특징에 따라, 분할된 M*K개의 종양 윤곽 후보(tumor contour candidates)에 대해 각각 평가 및 스코어링 하여 특징 점수를 생성하는 특징 스코어링부(feature scoring module); 및 상기 M*K개의 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수 및 특징 점수에 따라, 상기 M*K개의 종양 윤곽 후보(tumor contour candidates)에서 하나의 종양 윤곽 후보(tumor contour candidates)를 선택하여 최종 분할된 종양 윤곽을 결정하는 융합부(determining module)를 포함할 수 있다.According to one embodiment, an image processing system for breast imaging may be provided. The image processing system includes an image acquiring module for acquiring a 2D breast ultrasonic image; (ROI) including M (M > 0) breast tumors is detected in the 2D breast ultrasonic image obtained from the image acquiring module, A tumor detecting module that scores the ROI of the ROI to generate a test score; Wherein each of the M ROIs is divided into K tumor contour candidates using K (K> 0) number of tumor segmentation algorithms based on at least one of different parameter and parameter combinations, A multi-parameter segmentation module for recording the test score of the segmented ROI for each tumor contour candidates for each of the tumor contour candidates; A feature scoring module for evaluating and scoring each of the divided M * K tumor contour candidates according to at least one predetermined feature to generate a feature score; And selecting one tumor contour candidates in the M * K tumor contour candidates according to the test score and feature score for the M * K tumor contour candidates And determining a final segmented tumor outline.
상기 이미지 처리 시스템(image processing system)은, 상기 분할된 M*K개의 종양 윤곽 후보(tumor contour candidates)에 대하여 서로의 유사성(similarity)을 계산하고, 미리 설정된 수치보다 유사성이 높은 복수의 종양 윤곽 후보(tumor contour candidates) 중에서 가장 높은 테스트 점수가 아닌 종양 윤곽 후보(tumor contour candidates) 중 적어도 하나를 제외하여 N (N << M * K) 개의 종양 윤곽 후보(tumor contour candidates)를 획득하는 결합부를 더 포함할 수 있다. 상기 특징 스코어링부(feature scoring module)는, 미리 설정된 적어도 하나의 특징에 따라, 상기 N 개의 종양 윤곽 후보(tumor contour candidates)에 대해 각각 평가 및 스코어링 하여 특징 점수를 생성하고, 상기 융합부(determining module)는, 상기 N 개의 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수 및 특징 점수에 따라, 하나의 종양 윤곽 후보(tumor contour candidates)를 선택할 수 있다.Wherein the image processing system is configured to calculate similarity of each of the divided M * K tumor contour candidates and to generate a plurality of tumor contour candidates (N << M * K) tumor contour candidates excluding at least one of the tumor contour candidates that are not the highest test scores among the tumor contour candidates . Wherein the feature scoring module evaluates and scores each of the N tumor contour candidates according to at least one predetermined feature to generate a feature score, May select one tumor contour candidates according to the test score and feature score for the N tumor contour candidates.
상기 이미지 처리 시스템(image processing system)은, 상기 획득된 2D 유방 초음파 영상(2D breast ultrasonic image)에 대하여 전처리(pretreatment)를 수행하는 전처리부(pretreatment module)를 더 포함할 수 있다. 상기 전처리(pretreatment)는 상기 획득된 2D 유방 초음파 영상(2D breast ultrasonic image)에 대한 노이즈 처리 및/또는 이미지 강조 처리(image emphasis processing)를 포함하고, 상기 멀티 파라미터 분할부(multi-parameter segmentation module)는, 상기 전처리된 2D 유방 초음파 영상(2D breast ultrasonic image)에 대하여 상기 종양 분할 처리를 수행할 수 있다.The image processing system may further comprise a pretreatment module for performing a pretreatment on the obtained 2D breast ultrasonic image. The pretreatment may include noise processing and / or image emphasis processing on the obtained 2D breast ultrasonic image, and the multi-parameter segmentation module may further include: Can perform the tumor division processing on the preprocessed 2D breast ultrasonic image.
상기 종양 검출부(tumor detecting module)는, 변형파트 모델링(DPM: Deformable Part Modeling), 템플릿 매칭(template matching), 및 아다부스트 방법(Adboost method) 중 적어도 하나를 이용하여 상기 M개의 유방 종양(breast tumor)이 포함된 ROI에 대한 검출 및 스코어링을 수행할 수 있다.Wherein the tumor detecting module is adapted to detect at least one of the M breast tumors using at least one of Deformable Part Modeling (DPM), template matching, and the Adboost method. ≪ / RTI > can be detected and scored.
상기 서로 다른 파라미터는, 서로 다른 반복 횟수(iterations), 서로 다른 스케일(scale), 및 서로 다른 방법(method) 중 적어도 하나를 의미할 수 있고, 상기 종양 분할 방법(tumor segmentation method)은 레벨 셋 방법(level set method), 그래프 컷 방법(graph cut method), 영역 성장 방법(region growing method), 및 분수계 알고리즘(watershed algorithm) 중 적어도 하나를 의미할 수 있다.The different parameters may refer to at least one of different iterations, different scales, and different methods, and the tumor segmentation method may be a level set method a level set method, a graph cut method, a region growing method, and a watershed algorithm.
상기 특징 스코어링부(feature scoring module)는, 서포트 벡터 회귀(support vector regression; SVR)방법을 사용하며 텍스처 특징, 공간 특징, 강도(strength) 특징, 윤곽 특징 및 종양 특징 중 적어도 하나의 특징에 따라 종양 윤곽 후보(tumor contour candidates) 각각의 자카드 계수(Jaccard coefficients)를 계산하여 특징 점수를 생성할 수 있다.The feature scoring module uses a support vector regression (SVR) method and is based on at least one of a texture feature, a spatial feature, a strength feature, a contour feature, Feature scores can be generated by calculating the Jaccard coefficients of each tumor contour candidates.
상기 윤곽 특징은 그레이 콘트라스트(gray contrast), 강도 콘트라스트, 및 게스타 특징(Gestar features) 중 적어도 하나일 수 있다. The contour feature may be at least one of gray contrast, intensity contrast, and Gestar features.
상기 종양 특징은 후부 에코(posterior echo) 및 에코 모드 특징(echo mode feature) 중 적어도 하나일 수 있다The tumor feature may be at least one of a posterior echo and an echo mode feature
상기 융합부(determining module)는, 각각의 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수 및 특징 점수를 노멀라이제션(normalization)하여 다음과 같은 수학식에 의하여 각각의 종양 윤곽 후보(tumor contour candidates)에 대한 종합 수치를 계산하고 가장 높은 종합 수치를 가진 종양 윤곽 후보(tumor contour candidates)를 선택할 수 있다.
The determining module normalizes the test scores and feature points for each tumor contour candidates and determines each tumor contour candidate by the following equation: candidates can be calculated and the tumor contour candidates with the highest overall score can be selected.
상기
상기 융합부(determining module)는, 에스-스코어 노멀라이제션 알고리즘(s-score normalization algorithm), 민-맥스 노멀라이제션 알고리즘(min-max normalization algorithm), 탄 에스티메이터(Tanh estimator) 및 더블 시그모이드(double sigmoid) 알고리즘 중 적어도 하나를 사용하여 상기 노멀라이제션을 수행할 수 있다.The determining module may include an s-score normalization algorithm, a min-max normalization algorithm, a tanh estimator, and a double- The normalization may be performed using at least one of the double sigmoid algorithms.
상기 특징 스코어링부(feature scoring module)는, 서포트 벡터 회귀 (support vector regression; SVR)방법을 사용하며 텍스처 특징, 공간 특징, 강도 특징, 윤곽 특징 또는 종양 특징 중 적어도 하나의 특징 및 상기 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수에 따라 각각의 종양 윤곽 후보(tumor contour candidates)의 자카드 계수(Jaccard coefficients)를 계산하여 특징 점수를 생성할 수 있다. 상기 융합부(determining module)는 상기 M*K개의 종양 윤곽 후보(tumor contour candidates)에서 가장 높은 특징 점수를 가진 종양 윤곽 후보(tumor contour candidates)를 최종 분할된 종양 윤곽으로 결정할 수 있다.Wherein the feature scoring module uses a support vector regression (SVR) method and includes at least one of a texture feature, a spatial feature, a strength feature, an outline feature, or a tumor feature, tumor contour candidates can be calculated by calculating the Jaccard coefficients of each tumor contour candidates according to the test score for each tumor contour candidates. The determining module may determine the tumor contour candidates having the highest feature score in the M * K tumor contour candidates as the final divided tumor outline.
상기 서로 다른 파라미터는, 서로 다른 반복 횟수, 서로 다른 스케일, 서로 다른 단계, 서로 다른 노이즈 처리 방법 및 서로 다른 이미지 강조 방법 중 적어도 하나를 의미할 수 있다. 상기 종양 분할 방법(tumor segmentation method)은 레벨 셋 방법(level set method), 그래프 컷 방법(graph cut method), 영역 성장 방법(region growing method), 및 분수계 알고리즘(watershed algorithm) 중 적어도 하나를 의미할 수 있다.The different parameters may refer to at least one of different repetition times, different scales, different steps, different noise processing methods, and different image enhancement methods. The tumor segmentation method refers to at least one of a level set method, a graph cut method, a region growing method, and a watershed algorithm. .
일 실시예에 따르면, 유방 영상에 대한 이미지 처리 시스템(image processing system)이 제공된다. 상기 이미지 처리 시스템(image processing system)은, M(M > 0) 개의 ROI을 포함한 2D 유방 초음파 영상(2D breast ultrasonic image)을 획득하는 영상 수집부(image acquiring module); 서로 다른 파라미터 및 파라미터 결합 중 적어도 하나에 근거하는 K(K > 0)개의 종양 분할 알고리즘(tumor segmentation algorithm)을 사용하여 상기 M개의 ROI에서 각각 K개의 종양 윤곽 후보(tumor contour candidates)를 분할하는 멀티 파라미터 분할부(multi-parameter segmentation module); 미리 설정된 적어도 하나의 특징에 따라, 분할된 M*K개의 종양 윤곽 후보(tumor contour candidates)에 대해 각각 평가 및 스코어링 하여 특징 점수를 생성하고, 상기 M*K개의 종양 윤곽 후보(tumor contour candidates)에서 가장 높은 특징 점수를 가진 종양 윤곽 후보(tumor contour candidates)를 최종 분할된 종양 윤곽으로 결정하는 특징 스코어링부(feature scoring module)를 포함할 수 있다.According to one embodiment, an image processing system for breast images is provided. The image processing system includes an image acquiring module for acquiring a 2D breast ultrasonic image including M (M > 0) ROIs; Wherein each of the M ROIs is divided into K tumor contour candidates using K (K> 0) number of tumor segmentation algorithms based on at least one of different parameter and parameter combinations. A multi-parameter segmentation module; Evaluating and scoring each of the divided M * K tumor contour candidates according to at least one predetermined feature to generate a feature score, wherein the M * K tumor contour candidates And a feature scoring module that determines the tumor contour candidates with the highest feature score as the final segmented tumor contour.
상기 서로 다른 파라미터는, 서로 다른 반복 횟수, 서로 다른 스케일, 또는 서로 다른 단계를 의미할 수 있다. 상기 종양 분할 방법(tumor segmentation method)은 레벨 셋 방법(level set method), 그래프 컷 방법(graph cut method), 영역 성장 방법(region growing method), 또는 분수계 알고리즘(watershed algorithm)을 의미할 수 있다.The different parameters may mean different repetition times, different scales, or different steps. The tumor segmentation method may refer to a level set method, a graph cut method, a region growing method, or a watershed algorithm.
상기 특징 스코어링부(feature scoring module)는, SVR(support vector regression) 방법을 사용하며, 텍스처 특징, 공간 특징, 강도 특징, 윤곽 특징 또는 종양 특징 중에 적어도 하나의 특징에 따라 각각의 종양 윤곽 후보(tumor contour candidates)의 자카드 계수(Jaccard coefficient)를 계산하여 특징 점수를 생성할 수 있다.The feature scoring module uses a support vector regression (SVR) method, and each tumor contour candidate according to at least one characteristic of a texture feature, spatial feature, intensity feature, contour feature, contour candidates can be calculated to generate a feature score.
상기 윤곽 특징은 그레이 콘트라스트, 강도 콘트라스트, 또는 게스타 특징(Gestar features)일 수 있다. 상기 종양 특징은 후부 에코(posterior echo) 또는 에코 모드 특징(echo mode feature)일 수 있다.The contour feature may be gray contrast, intensity contrast, or Gestar features. The tumor characteristic may be a posterior echo or an echo mode feature.
일 실시예에 따르면, 유방 영상에 대한 이미지 처리 방법이 제공된다. 상기 이미지 처리 방법은, 2D 유방 초음파 영상(2D breast ultrasonic image)을 획득하는 단계(a); 획득된 상기 2D 유방 초음파 영상(2D breast ultrasonic image)에서 M(M > 0) 개의 유방 종양(breast tumor)이 포함된 관심 영역(ROI)을 검출하고, 각각의 ROI에 대해 스코어링 하여 테스트 점수를 생성하는 단계(b); 서로 다른 파라미터 및/또는 파라미터 결합에 근거하는 K(K > 0)개의 종양 분할 알고리즘(tumor segmentation algorithm)을 사용하여 상기 M개의 ROI에서 각각 K개의 종양 윤곽 후보(tumor contour candidates)로 분할하고 상기 종양 윤곽 후보(tumor contour candidates)의 각각에 대하여 상기 종양 윤곽 후보(tumor contour candidates)가 분할된 ROI의 테스트 점수를 기록하는 단계(c); 미리 설정된 적어도 하나의 특징에 따라, 분할된 M*K개의 종양 윤곽 후보(tumor contour candidates)에 대해 각각 평가 및 스코어링 하여 특징 점수를 생성하는 단계(d); 상기 M*K개의 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수 및 특징 점수에 따라, 상기 M*K개의 종양 윤곽 후보(tumor contour candidates)에서 하나의 종양 윤곽 후보(tumor contour candidates)를 선택하여 최종 분할된 종양 윤곽을 결정하는 단계(e)를 포함할 수 있다According to one embodiment, a method of image processing for a mammary image is provided. The image processing method includes: (a) acquiring a 2D breast ultrasonic image; (ROI) including M (M > 0) breast tumors in the obtained 2D breast ultrasonic image, and scoring each ROI to generate a test score (B); Wherein each of the M ROIs is divided into K tumor contour candidates using K (K > 0) tumor segmentation algorithms based on different parameter and / or parameter combinations, (C) for each of the tumor contour candidates, the tumor contour candidates recording a test score of the divided ROI; (D) evaluating and scoring each of the divided M * K tumor contour candidates according to at least one predetermined feature to generate feature points; One tumor contour candidates is selected from the M * K tumor contour candidates according to the test score and feature score for the M * K tumor contour candidates (E) determining the final segmented tumor outline
상기 이미지 처리 방법은, 상기 분할된 M*K개의 종양 윤곽 후보(tumor contour candidates)에 대하여 서로의 유사성(similarity)을 계산하고, 미리 설정된 수치보다 유사성이 높은 복수의 종양 윤곽 후보(tumor contour candidates) 중에서 가장 높은 테스트 점수가 아닌 종양 윤곽 후보(tumor contour candidates) 중 적어도 하나를 제외하여 N (N << M * K) 개의 종양 윤곽 후보(tumor contour candidates)를 획득하는 단계(g)를 더 포함할 수 있다. 상기 단계(d)에서는, 미리 설정된 적어도 하나의 특징에 따라, 상기 N 개의 종양 윤곽 후보(tumor contour candidates)에 대해 각각 평가 및 스코어링 하여 특징 점수를 생성하고, 상기 단계(e)에서는, 상기 N 개의 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수 및 특징 점수에 따라, 하나의 종양 윤곽 후보(tumor contour candidates)를 선택할 수 있다.The image processing method may further comprise calculating a similarity of each of the divided M * K tumor contour candidates and generating a plurality of tumor contour candidates having a higher similarity than a predetermined value, (G) obtaining N (N << M * K) tumor contour candidates by excluding at least one of the tumor contour candidates that is not the highest test score among the tumor candidate candidates . Wherein in step (d), feature scores are generated by evaluating and scoring each of the N tumor contour candidates according to at least one predetermined feature, and in the step (e) Depending on the test score and feature score for tumor contour candidates, one tumor contour candidates can be selected.
상기 이미지 처리 시스템(image processing system)은, 단계(b)를 수행하기 전에 상기 획득된 2D 유방 초음파 영상(2D breast ultrasonic image)에 대하여 전처리(pretreatment)를 수행하는 단계를 더 포함할 수 있다. 상기 전처리(pretreatment)는 상기 획득된 2D 유방 초음파 영상(2D breast ultrasonic image)에 대한 노이즈 처리 및/또는 이미지 강조 처리(image emphasis processing)를 포함할 수 있다. 상기 단계(c)에서는, 상기 전처리된 2D 유방 초음파 영상(2D breast ultrasonic image)에 대하여 상기 종양 분할 처리가 수행될 수 있다.The image processing system may further comprise performing a pretreatment on the obtained 2D breast ultrasonic image before performing step (b). The pretreatment may include noise processing and / or image emphasis processing on the obtained 2D breast ultrasonic image. In the step (c), the tumor division processing may be performed on the preprocessed 2D breast ultrasonic image.
상기 단계(b)에서는, 변형파트 모델링(DPM: Deformable Part Modeling), 템플릿 매칭(template matching), 또는 아다부스트 방법(Adboost method)으로 상기 M개의 유방 종양(breast tumor)이 포함된 ROI에 대한 검출 및 스코어링이 수행될 수 있다.In the step (b), the detection of the ROI including the M breast tumors by Deformable Part Modeling (DPM), template matching, or the Adboost method And scoring may be performed.
상기 단계(c)에서는, 상기 서로 다른 파라미터는 서로 다른 반복 횟수, 서로 다른 스케일, 또는 서로 다른 단계를 의미할 수 있고, 상기 종양 분할 방법(tumor segmentation method)은 레벨 셋 방법(level set method), 그래프 컷 방법(graph cut method), 영역 성장 방법(region growing method), 또는 분수계 알고리즘(watershed algorithm)을 의미할 수 있다.In the step (c), the different parameters may mean different repetition times, different scales, or different steps. The tumor segmentation method may be a level set method, A graph cut method, a region growing method, or a watershed algorithm.
상기 단계(d)에서는, SVR(support vector regression) 방법을 사용하며 텍스처 특징, 공간 특징, 강도 특징, 윤곽 특징 또는 종양 특징 중에 적어도 하나의 특징에 따라 각각의 종양 윤곽 후보(tumor contour candidates)의 자카드 계수(Jaccard coefficient)를 계산하여 특징 점수를 생성할 수 있다.In the step (d), a support vector regression (SVR) method is used and each tumor contour candidates jacquard according to at least one characteristic of a texture feature, spatial feature, strength feature, contour feature, The feature score can be generated by calculating the Jaccard coefficient.
상기 윤곽 특징은 그레이 콘트라스트, 강도 콘트라스트, 또는 게스타 특징(Gestar features)일 수 있다. 상기 종양 특징은 후부 에코(posterior echo) 또는 에코 모드 특징(echo mode feature)일 수 있다. The contour feature may be gray contrast, intensity contrast, or Gestar features. The tumor characteristic may be a posterior echo or an echo mode feature.
상기 단계(e)에서는, 각각의 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수 및 특징 점수를 노멀라이제션(normalization)하여 다음과 같은 수학식에 의하여 각각의 종양 윤곽 후보(tumor contour candidates)에 대한 종합 수치를 계산하고 가장 높은 종합 수치를 가진 종양 윤곽 후보(tumor contour candidates)를 선택할 수 있다.
In step (e), normalization of test scores and feature points for each tumor contour candidates is performed to obtain tumor contour candidates for each tumor contour according to the following equation: < EMI ID = And the tumor contour candidates with the highest overall score can be selected.
상기
상기 단계(e)에서는, 에스-스코어 노멀라이제션 알고리즘(s-score normalization algorithm), 민-맥스 노멀라이제션 알고리즘(min-max normalization algorithm), 탄 에스티메이터(Tanh estimator) 또는 더블 시그모이드(double sigmoid) 알고리즘을 사용하여 상기 노멀라이제션을 수행할 수 있다.In the step (e), an S-score normalization algorithm, a min-max normalization algorithm, a Tanh estimator or a double sigmoid The normalization can be performed using a double sigmoid algorithm.
상기 단계(d)에서는, SVR(support vector regression) 방법을 사용하며 텍스처 특징, 공간 특징, 강도 특징, 윤곽 특징 또는 종양 특징 중에 적어도 하나의 특징 및 상기 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수에 따라 각각의 종양 윤곽 후보(tumor contour candidates)의 자카드 계수(Jaccard coefficient)를 계산하여 특징 점수를 생성할 수 있다. 상기 단계(e)에서는 상기 M*K개의 종양 윤곽 후보(tumor contour candidates)에서 가장 높은 특징 점수를 가진 종양 윤곽 후보(tumor contour candidates)를 최종 분할된 종양 윤곽으로 결정할 수 있다.Wherein said step (d) uses a support vector regression (SVR) method and comprises at least one of a texture feature, a spatial feature, a strength feature, a contour feature or a tumor feature and a test score for the tumor contour candidates , The feature score can be generated by calculating the Jaccard coefficient of each tumor contour candidates. In the step (e), the tumor contour candidates having the highest feature scores in the M * K tumor contour candidates can be determined as the final divided tumor contours.
상기 서로 다른 파라미터는, 서로 다른 반복 횟수, 서로 다른 스케일, 서로 다른 단계, 서로 다른 노이즈 처리 방법 또는 서로 다른 이미지 강조 방법을 의미할 수 있다. 상기 종양 분할 방법(tumor segmentation method)은 레벨 셋 방법(level set method), 그래프 컷 방법(graph cut method), 영역 성장 방법(region growing method), 또는 분수계 알고리즘(watershed algorithm)을 의미할 수 있다.The different parameters may refer to different repetition times, different scales, different steps, different noise processing methods, or different image enhancement methods. The tumor segmentation method may refer to a level set method, a graph cut method, a region growing method, or a watershed algorithm.
일 실시예에 따르면, 유방 영상에 대한 이미지 처리 방법이 제공된다. 상기 이미지 처리 방법은, M(M > 0)개의 ROI이 표시된 2D 유방 초음파 영상(2D breast ultrasonic image)을 획득하는 단계(a); 서로 다른 파라미터 및/또는 파라미터 결합에 근거하는 K(K > 0)개의 종양 분할 알고리즘(tumor segmentation algorithm)을 사용하여 상기 M개의 ROI에서 각각 K개의 종양 윤곽 후보(tumor contour candidates)를 분할하는 단계(b); 미리 설정된 적어도 하나의 특징에 따라, 분할된 M*K개의 종양 윤곽 후보(tumor contour candidates)에 대해 각각 평가 및 스코어링 하여 특징 점수를 생성하는 단계(c); 상기 M*K개의 종양 윤곽 후보(tumor contour candidates)에서 가장 높은 특징 점수를 가진 종양 윤곽 후보(tumor contour candidates)를 최종 분할된 종양 윤곽으로 결정하는 단계(d)를 포함할 수 있다According to one embodiment, a method of image processing for a mammary image is provided. The image processing method includes: (a) obtaining a 2D breast ultrasonic image in which M (M> 0) ROIs are displayed; Dividing K tumor contour candidates in each of the M ROIs using K (K> 0) tumor segmentation algorithms based on different parameter and / or parameter combinations ( b); (C) evaluating and scoring each of the divided M * K tumor contour candidates according to at least one predetermined feature to generate feature points; (D) determining the tumor contour candidates having the highest feature score in the M * K tumor contour candidates as the final divided tumor contour
상기 단계(b)에서는, 상기 서로 다른 파라미터는 서로 다른 반복 횟수, 서로 다른 스케일, 또는 서로 다른 단계를 의미할 수 있다. 상기 종양 분할 방법(tumor segmentation method)은 레벨 셋 방법(level set method), 그래프 컷 방법(graph cut method), 영역 성장 방법(region growing method), 또는 분수계 알고리즘(watershed algorithm)을 의미할 수 있다.In the step (b), the different parameters may mean different repetition times, different scales, or different steps. The tumor segmentation method may refer to a level set method, a graph cut method, a region growing method, or a watershed algorithm.
상기 단계(c)에서는, SVR(support vector regression) 방법을 사용하며 텍스처 특징, 공간 특징, 강도 특징, 윤곽 특징 또는 종양 특징 중에 적어도 하나의 특징에 따라 각각의 종양 윤곽 후보(tumor contour candidates)의 자카드 계수(Jaccard coefficient)를 계산하여 특징 점수를 생성할 수 있다.In the step (c), a support vector regression (SVR) method is used, and a jerky of each tumor contour candidates is selected according to at least one characteristic of a texture feature, spatial feature, strength feature, contour feature, The feature score can be generated by calculating the Jaccard coefficient.
상기 윤곽 특징은 그레이 콘트라스트, 강도 콘트라스트, 또는 게스타 특징(Gestar features)일 수 있다. 상기 종양 특징은 후부 에코(posterior echo) 또는 에코 모드 특징(echo mode feature)일 수 있다.The contour feature may be gray contrast, intensity contrast, or Gestar features. The tumor characteristic may be a posterior echo or an echo mode feature.
도1은 예시적 실시예에 따른 이미지 처리 시스템(image processing system)을 도시한 블록도 및 이미지 처리를 수행하는 개념도이다.
도2은 예시적 실시예에 따른 이미지 처리 방법을 도시한 흐름도이다.
도3은 예시적 실시예에 따른 이미지 처리 방법에 의하여 분할된 종양 윤곽 후보(tumor contour candidates)를 도시한 것이다.
도 4은 예시적 실시예에 따른 이미지 처리 방법을 도시한 흐름도이다.1 is a block diagram illustrating an image processing system according to an exemplary embodiment and is a conceptual diagram for performing image processing.
2 is a flow chart illustrating an image processing method according to an exemplary embodiment.
Figure 3 illustrates tumor contour candidates segmented by an image processing method according to an exemplary embodiment.
4 is a flow chart illustrating an image processing method according to an exemplary embodiment.
이하, 실시예들을 첨부된 도면을 참조하여 상세히 설명한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings.
도1은 예시적 실시예에 따른 이미지 처리 시스템(image processing system)을 도시한 블록도 및 이미지 처리를 수행하는 개념도이다.1 is a block diagram illustrating an image processing system according to an exemplary embodiment and is a conceptual diagram for performing image processing.
도1을 참조하면, 이미지 처리 시스템(image processing system)은 영상 수집부(image acquiring module)(100), 종양 검출부(tumor detecting module)(110), 멀티 파라미터 분할부(multi-parameter segmentation module)(120), 특징 스코어링부(feature scoring module)(140), 및 융합부(determining module)(150)를 포함한다.Referring to FIG. 1, an image processing system includes an
영상 수집부(image acquiring module)(100)은 2D 유방 초음파 영상(2D breast ultrasonic image)(도1에 도시된 영상 수집부(image acquiring module)의 하단에 표시된 소스 이미지)를 획득한다. 또한 영상 수집부(image acquiring module)(100)은 이와 연결된 초음파 영상 형성 장치로부터 상기 2D 유방 초음파 영상(2D breast ultrasonic image)을 획득하거나 정보 저장 매체로부터 상기 2D 유방 초음파 영상(2D breast ultrasonic image)을 접근할 수 있다. 일 실시예에 따르면, 이미지 처리 시스템(image processing system)은 획득된 2D 유방 초음파 영상(2D breast ultrasonic image)에 대하여 전처리(pretreatment)를 수행하는 전처리부(pretreatment module)(미 도시)를 더 포함할 수 있다. 상기 전처리(pretreatment)는 획득된 2D 유방 초음파 영상(2D breast ultrasonic image)에 대한 노이즈 처리 및/또는 이미지 강조 처리(image emphasis processing)를 포함할 수 있다. 종양 검출부(tumor detecting module)(110)은 전처리된 2D 유방 초음파 영상(2D breast ultrasonic image)에 대하여 종양 검출을 수행할 수 있다. The
종양 검출부(tumor detecting module)(110)은 영상 수집부(image acquiring module)(100)에 획득된(또는 전처리된) 2D 유방 초음파 영상(2D breast ultrasonic image)에서 M(M > 0) 개의 유방 종양(breast tumor)이 포함된 관심 영역(ROI: Region of Interest)을 검출하고, 각각의 관심 영역(ROI)에 대해 스코어링 하여 테스트 점수를 생성한다. 각 ROI은 실제의 종양을 포함하는 사각형 영역일 수 있고, 상기 영역들은 서로 오버랩 될 수 있다. 도 1을 참조하면 종양 검출부(tumor detecting module)(110)의 하단에 복수의 라이트 칼라(light color) 박스로 표시된 ROI가 도시되어 있다. 종양 검출부(tumor detecting module)(110)은 변형파트 모델링(DPM: Deformable Part Modeling), 템플릿 매칭(template matching), 또는 아다부스트 방법(Adboost method)으로 상기 M개의 유방 종양(breast tumor)이 포함된 ROI에 대한 검출 및 스코어링을 수행할 수 있다. 그러나, 실시예들은 상기의 종양 검출 방법에 제한되는 것은 아니다.The
상기 M개의 ROI에 대하여, 멀티 파라미터 분할부(multi-parameter segmentation module)(120)은 서로 다른 파라미터 및/또는 파라미터 결합에 근거하는 K(K > 0)개의 종양 분할 알고리즘(tumor segmentation algorithm)을 사용하여 상기 M개의 ROI 에서 각각 K개의 종양 윤곽 후보(tumor contour candidates)를 분할하고, 상기 종양 윤곽 후보(tumor contour candidates)의 각각에 대하여 상기 종양 윤곽 후보(tumor contour candidates)가 분할된 ROI 의 테스트 점수를 기록한다. 상기 서로 다른 파라미터는, 서로 다른 반복 횟수, 서로 다른 스케일, 또는 서로 다른 단계를 의미할 수 있고(단, 이에 제한되지 않음), 상기 종양 분할 방법(tumor segmentation method)은 레벨 셋 방법(level set method), 그래프 컷 방법(graph cut method), 영역 성장 방법(region growing method), 또는 분수계 알고리즘(watershed algorithm)을 의미할 수 있다(단, 이에 제한되지 않음). 전처리부(pretreatment module)를 포함하는 실시예에서 상기 서로 다른 파라미터는 서로 다른 노이즈 처리 또는 서로 다른 이미지 강조 방법을 더 포함할 수 있다. 이런 과정을 통해 이미지 처리 시스템(image processing system)은 M*K개의 분할된 종양 윤곽 후보(tumor contour candidates)를 획득한다. 도1을 참조하면, 멀티 파라미터 분할부(multi-parameter segmentation module)(120)의 하단에서 상기 과정을 통해 획득된 일부의 종양 윤곽 후보(tumor contour candidates)가 도시되어 있다. 그 중에서 상단에 표시된 2개의 종양 윤곽 후보(tumor contour candidates)가 매우 유사한다. For the M ROIs, a
예시적 실시예에 따르면, 전산 자원 및 시간을 절약하기 위해 이미지 처리 시스템(image processing system)은 결합부(130)를 더 포함할 수 있다. 결합부(130)는 멀티 파라미터 분할부(multi-parameter segmentation module)(120)에 의하여 분할된 M*K개의 종양 윤곽 후보(tumor contour candidates)에 대하여 서로의 유사성을 계산하고, 미리 설정된 수치보다 유사성이 높은 복수의 종양 윤곽 후보(tumor contour candidates) 중에서 가장 높은 테스트 점수가 아닌 종양 윤곽 후보(tumor contour candidates) 중 적어도 하나를 제외하여 N (N << M * K) 개의 종양 윤곽 후보(tumor contour candidates)를 획득한다. 만약 이미지 처리 시스템(image processing system)이 전산 시간 및 처리의 용량을 고려하지 않는 경우, 결합부(130)가 포함되지 않을 수 있다.According to an exemplary embodiment, an image processing system may further include a
특징 스코어링부(feature scoring module)(140)은, 미리 설정된 적어도 하나의 특징에 따라, 분할된 M*K 개의 종양 윤곽 후보(tumor contour candidates) 또는 결합부(130)에 의하여 결합 처리 후 보존된 N개의 종양 윤곽 후보(tumor contour candidates)에 대해 각각 평가 및 스코어링 하여 특징 점수를 생성할 수 있다. 일 실시예에 따르면, 특징 스코어링부(feature scoring module)(140)은 SVR(support vector regression) 방법을 사용하며 텍스처 특징, 공간 특징, 강도 특징, 윤곽 특징 또는 종양 특징 중에 적어도 하나의 특징에 따라 각각의 종양 윤곽 후보(tumor contour candidates)의 자카드 계수(Jaccard coefficient)를 계산하여 특징 점수를 생성할 수 있다. 상기 윤곽 특징은 그레이 콘트라스트, 강도 콘트라스트, 또는 게스타 특징(Gestar features)일 수 있다. 상기 종양 특징은 후부 에코(posterior echo) 또는 에코 모드 특징(echo mode feature)일 수 있다. The
융합부(determining module)(150)은, 상기 M*K 개 또는 N 개의 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수 및 특징 점수에 따라 상기 M*K 개 또는 N 개의 종양 윤곽 후보(tumor contour candidates)에서 하나의 종양 윤곽 후보(tumor contour candidates)를 선택하여 최종 분할된 종양 윤곽을 결정할 수 있다. 구체적으로, 우선 융합부(determining module)(150)은 에스-스코어 노멀라이제션 알고리즘(s-score normalization algorithm), 민-맥스 노멀라이제션 알고리즘(min-max normalization algorithm), 탄 에스티메이터(Tanh estimator) 또는 더블 시그모이드(double sigmoid) 알고리즘을 사용하여 각각의 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수 및 특징 점수에 대해 노멀라이제션을 수행하고, 다음과 같은 수학식에 의하여 각각의 종양 윤곽 후보(tumor contour candidates)에 대한 종합 수치를 계산하고, 가장 높은 종합 수치를 가진 종양 윤곽 후보(tumor contour candidates)를 선택할 수 있다.
The determining
상기
일 실시예에 따르면, 특징 스코어링부(feature scoring module)(140)는 SVR(support vector regression) 방법을 사용하며, 텍스처 특징, 공간 특징, 강도 특징, 윤곽 특징 또는 종양 특징 중에 적어도 하나의 특징 및 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수에 따라 각각의 종양 윤곽 후보(tumor contour candidates)의 자카드 계수(Jaccard coefficient)를 계산하여 특징 점수를 생성할 수 있다. 이 경우, 융합부(determining module)(150)은 상기 M*K 개의 종양 윤곽 후보(tumor contour candidates)에서 가장 높은 특징 점수를 가진 종양 윤곽 후보(tumor contour candidates)를 최종 분할된 종양 윤곽으로 결정한다.According to one embodiment,
일 실시예에 따른 이미지 처리 시스템(image processing system)은 2D 유방 초음파 영상(2D breast ultrasonic image)에서 복수의 ROI를 검출하고, 상기 복수의 ROI를 근거하여 유방 분할을 수행할 수 있다. 또한 본 실시예는 멀티 파라미터를 근거하는 복수의 종양 분할 방법(tumor segmentation method)으로 상기 복수의 ROI에 대하여 종양 분할 처리를 수행하여 더 많은 개수의 종양 윤곽 후보(tumor contour candidates)를 획득하고 각각의 종양 윤곽 후보(tumor contour candidates)에 대하여 복수의 특징에 대한 평가 및 스코어링을 수행할 수 있다. 따라서 이미지 처리 시스템(image processing system)은 검출 과정에 나타난 테스트 점수와 평가 과정에 나타난 특징 점수를 종합하여 일정한 기준으로 가장 높은 종합 수치를 가진 종양 윤곽 후보(tumor contour candidates)를 최종의 종양 분할 결과로 선택한다. 이런 처리 방식은 하나의 종양 영역을 검출하여 상기 하나의 종양 영역에 대한 종양 분할 처리를 수행하는 전통적인 방식보다 더욱 정확하게 안전한 결과를 획득할 수 있고, 어느 하나의 단계에 발생된 오류로부터 영향을 받지 않는다.An image processing system according to an exemplary embodiment may detect a plurality of ROIs in a 2D breast ultrasonic image and perform breast division based on the plurality of ROIs. In addition, the present embodiment may further include performing tumor division processing on the plurality of ROIs by using a plurality of multi-parameter based tumor segmentation methods to obtain a larger number of tumor contour candidates, Evaluation and scoring of a plurality of features can be performed on tumor contour candidates. Therefore, the image processing system combines the test scores in the detection process and the feature points in the evaluation process to obtain tumor contour candidates with the highest overall value as a constant criterion as the final tumor division result Select. This treatment scheme can obtain a more accurate and safe result than the conventional method of detecting one tumor region to perform the tumor division treatment on the one tumor region and is not affected by the error generated in any one step .
컴퓨터 보조 시스템을 사용하기 전에, 의사가 촬영된 유방 초음파 영상에 하나 또는 복수의 종양이 존재하는 영역을 미리 표시할 수도 있다. 이 경우, 이미지 처리 시스템(image processing system)은 2D 유방 초음파 영상(2D breast ultrasonic image) 및 미리 표시된 하나 또는 복수의 종양이 존재된 영역을 입력하여 미리 표시된 하나 또는 복수의 종양이 존재된 영역을 ROI로 처리한다. 다른 실시예에 따른 이미지 처리 시스템(image processing system)은 M(M > 0) 개의 종양 ROI이 표시된 2D 유방 초음파 영상(2D breast ultrasonic image)을 획득하는 영상 수집부(image acquiring module)(100); 서로 다른 파라미터 및/또는 파라미터 결합에 근거하는 K(K > 0)개의 종양 분할 알고리즘(tumor segmentation algorithm)을 사용하여 상기 M개의 ROI에서 각각 K개의 종양 윤곽 후보(tumor contour candidates)를 분할하여 총 M*K 개의 종양 윤곽 후보(tumor contour candidates)를 분할하는 멀티 파라미터 분할부(multi-parameter segmentation module)(120); 미리 설정된 적어도 하나의 특징에 따라, 분할된 M*K개의 종양 윤곽 후보(tumor contour candidates)에 대해 각각 평가 및 스코어링(scoring)하여 특징 점수를 생성하고, 상기 M*K개의 종양 윤곽 후보(tumor contour candidates)에서 가장 높은 특징 점수를 가진 종양 윤곽 후보(tumor contour candidates)를 최종 분할된 종양 윤곽으로 결정하는 특징 스코어링부(feature scoring module)(140)를 포함할 수 있다. 영상 수집부(image acquiring module)(100)은 요구에 따라 표시된 종양 ROI를 수정할 수 있다(예, ROI를 직사각형으로 수정할 수 있다).Before using the computer-assisted system, the surgeon may pre-display the region in which the mammogram has one or more tumors. In this case, the image processing system may include a 2D breast ultrasonic image and an area in which one or more tumors are displayed in advance, Lt; / RTI > An image processing system according to another embodiment includes an
도2- 4를 참조하여 예시적 실시예에 따른 이미지 처리 방법에 대하여 자세히 설명한다.The image processing method according to the exemplary embodiment will be described in detail with reference to FIGS.
도2은 예시적 실시예에 따른 이미지 처리 방법을 도시한 흐름도이다.2 is a flow chart illustrating an image processing method according to an exemplary embodiment.
도2를 참조하면, 단계(S100)에서, 이미지 처리 시스템(image processing system)은 2D 유방 초음파 영상(2D breast ultrasonic image)을 획득한다. 또한 이미지 처리 시스템(image processing system)은 이와 연결된 초음파 영상 형성 장치로부터 상기 2D 유방 초음파 영상(2D breast ultrasonic image)을 획득하거나 정보 저장 매체에서 상기 2D 유방 초음파 영상(2D breast ultrasonic image)을 접근할 수 있다. Referring to FIG. 2, in step S100, an image processing system obtains a 2D breast ultrasonic image. The image processing system may also acquire the 2D breast ultrasonic image from the connected ultrasound image forming apparatus or access the 2D breast ultrasonic image from the information storage medium. have.
초음파 영상 형성 장치를 통해 촬영된 초음파 영상은 스펙클(speckle)과 같은 "노이즈(noise)"를 포함할 수 있다. 일 실시예에 따라, 더욱 좋은 이미지 처리 결과를 획득하기 위해, 단계(S105)에서 이미지 처리 시스템(image processing system)은 획득된 2D 유방 초음파 영상(2D breast ultrasonic image)에 대하여 전처리(pretreatment)를 수행한다. 상기 전처리(pretreatment)는 획득된 2D 유방 초음파 영상(2D breast ultrasonic image)에 대한 노이즈 처리 및/또는 이미지 강조 처리(image emphasis processing)를 포함할 수 있다. 그러나 단계(S105)는 선택적인 단계로써 필수 단계는 아니다. The ultrasound image captured through the ultrasound image forming apparatus may include "noise" such as speckle. According to one embodiment, in order to obtain better image processing results, in step S105, the image processing system performs pretreatment on the obtained 2D breast ultrasonic image do. The pretreatment may include noise processing and / or image emphasis processing on the obtained 2D breast ultrasonic image. However, step S105 is an optional step and not a required step.
이후, 단계(S110)에서는 이미지 처리 시스템(image processing system)을 통해 획득된 (또는 전처리된) 2D 유방 초음파 영상(2D breast ultrasonic image)에서 M(M > 0)개의 유방 종양(breast tumor)이 포함된 ROI를 검출하고 각각의 ROI에 대해 스코어링 하여 테스트 점수를 생성한다. 여기서, 변형파트 모델링(DPM: Deformable Part Modeling), 템플릿 매칭(template matching), 또는 아다부스트 방법(Adboost method)으로 상기 M개의 유방 종양(breast tumor)이 포함된 ROI에 대한 검출 및 스코어링을 수행할 수 있다.Thereafter, in step S110, M (M > 0) breast tumors are included in a 2D breast ultrasonic image acquired (or preprocessed) through an image processing system ≪ / RTI > and generates a test score by scoring for each ROI. Here, the detection and scoring of the ROIs containing the M breast tumors is performed by Deformable Part Modeling (DPM), template matching, or the Adboost method .
단계(S120)에서, 이미지 처리 시스템(image processing system)은 서로 다른 파라미터 및/또는 파라미터 결합에 근거하는 K(K > 0)개의 종양 분할 알고리즘(tumor segmentation algorithm)을 사용하여 상기 M개의 ROI 에서 각각 K개의 종양 윤곽 후보(tumor contour candidates)를 분할하고 각각의 종양 윤곽 후보(tumor contour candidates)에 대하여 상기 종양 윤곽 후보(tumor contour candidates)가 분할된 ROI 의 테스트 점수를 기록한다. 단계(S120)를 통해 M*K 개의 종양 윤곽 후보(tumor contour candidates)를 획득할 수 있다. 도3에 도시된 바와 같이, 좌측의 2D 유방 초음파 영상(2D breast ultrasonic image)에서 하나의 ROI를 검출하고, 3개의 종양 분할 알고리즘(tumor segmentation algorithm)을 사용하여 3개의 분할된 종양 윤곽 후보(tumor contour candidates)를 획득하였다.In step S120, an image processing system may use the K (K > 0) tumor segmentation algorithms based on different parameter and / or parameter combinations, The K contours of tumor contour candidates are divided and the test scores of the ROIs in which the tumor contour candidates are divided are recorded for each tumor contour candidates. M * K tumor contour candidates may be obtained through step S120. As shown in FIG. 3, one ROI is detected in the 2D breast ultrasonic image on the left side, and three divided tumor contour candidates are detected using three tumor segmentation algorithms contour candidates.
여기서, 상기 K개의 종양 분할 알고리즘(tumor segmentation algorithm)은 서로 다른 파라미터 및/또는 파라미터 결합을 사용하는 다중의 종양 분할 알고리즘(tumor segmentation algorithm)이고, 상기 서로 다른 파라미터는 서로 다른 반복 횟수, 서로 다른 스케일, 또는 서로 다른 단계를 의미할 수 있다. 단계(S105)의 전처리(pretreatment)를 수행하면, 상기 서로 다른 파라미터는 서로 다른 노이즈 처리 또는 서로 다른 이미지 강조 방법을 더 포함할 수 있다. 상기 종양 분할 방법(tumor segmentation method)은 레벨 셋 방법(level set method), 그래프 컷 방법(graph cut method), 영역 성장 방법(region growing method), 또는 분수계 알고리즘(watershed algorithm)을 의미할 수 있다.Wherein the K tumor segmentation algorithms are multiple tumor segmentation algorithms using different parameters and / or parameter combinations, wherein the different parameters are different repetition times, different scales , Or may refer to different steps. When performing the pretreatment of step S105, the different parameters may further include different noise processing or different image enhancement methods. The tumor segmentation method may refer to a level set method, a graph cut method, a region growing method, or a watershed algorithm.
이후, 단계(S130)에서, 이미지 처리 시스템(image processing system)은 상기 분할된 M*K개의 종양 윤곽 후보(tumor contour candidates)에 대하여 서로의 유사성을 계산하고, 미리 설정된 수치보다 유사성이 높은 복수의 종양 윤곽 후보(tumor contour candidates) 중에서 가장 높은 테스트 점수가 아닌 종양 윤곽 후보(tumor contour candidates) 중 적어도 하나를 제외하여 N (N << M * K) 개의 종양 윤곽 후보(tumor contour candidates)를 획득한다.Thereafter, in step S130, the image processing system calculates the similarity of the tumor contour candidates to the M * K tumor contour candidates and obtains a plurality of similarities, N (N << M * K) tumor contour candidates are obtained excluding at least one of tumor contour candidates that is not the highest test score among the tumor contour candidates .
이미지 처리 시스템(image processing system)은 전산 시간 및 처리의 용량을 고려하지 않는 경우, 단계(S130)를 수행하지 않을 수 있다.The image processing system may not perform step S130 if the computation time and the capacity of the processing are not considered.
단계(S140)에서, 이미지 처리 시스템(image processing system)은 미리 설정된 적어도 하나의 특징에 따라, 상기 N개의 종양 윤곽 후보(tumor contour candidates)에 대해 각각 평가 및 스코어링 하여 특징 점수를 생성한다. 단계(S130)를 수행하지 않는 경우, 분할된 M*K 개의 종양 윤곽 후보(tumor contour candidates)에 대해 각각 평가 및 스코어링 하여 특징 점수를 생성한다.In step S140, an image processing system evaluates and scores each of the N tumor contour candidates according to at least one predetermined feature to generate a feature score. If the step S130 is not performed, feature scores are generated by evaluating and scoring each of the divided M * K tumor contour candidates.
예시적 실시예에 따라, 이미지 처리 시스템(image processing system)은 SVR(support vector regression) 방법을 사용하며 텍스처 특징, 공간 특징, 강도 특징, 윤곽 특징 또는 종양 특징 중에 적어도 하나의 특징에 따라 각각의 종양 윤곽 후보(tumor contour candidates)의 자카드 계수(Jaccard coefficient)를 계산하여 특징 점수를 생성한다. 상기 윤곽 특징은 그레이 콘트라스트, 강도 콘트라스트, 또는 게스타 특징(Gestar features)일 수 있다. 상기 종양 특징은 후부 에코(posterior echo) 또는 에코 모드 특징(echo mode feature)일 수 있다. 그러나 실시예들은 SVR(support vector regression) 방법에 한정되지 않고, 다른 이미지 특징에 대한 유사성 평가 방법을 사용할 수 있다. 실시예들은 상기 설명된 특징에 대해 평가 및 스코어링을 수행하는 것에 한정되지 않는다.According to an exemplary embodiment, an image processing system employs a support vector regression (SVR) method and is adapted to generate a plurality of images of each tumor according to at least one characteristic of a texture feature, spatial feature, intensity feature, contour feature, The feature score is generated by calculating the Jaccard coefficient of the tumor contour candidates. The contour feature may be gray contrast, intensity contrast, or Gestar features. The tumor characteristic may be a posterior echo or an echo mode feature. However, the embodiments are not limited to support vector regression (SVR) methods, and similarity evaluation methods for other image features can be used. Embodiments are not limited to performing evaluation and scoring on the features described above.
이후, 단계(S150)에서 이미지 처리 시스템(image processing system)은 상기 N개의 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수 및 특징 점수에 따라, 상기 N개의 종양 윤곽 후보(tumor contour candidates)에서 하나의 종양 윤곽 후보(tumor contour candidates)를 선택하여 최종 분할된 종양 윤곽을 결정한다.Thereafter, in step S150, the image processing system determines one of the N tumor contour candidates according to a test score and a feature score for the N tumor contour candidates. The tumor contour candidates are selected to determine the final divided tumor outline.
복수의 종양 윤곽 후보(tumor contour candidates) 및 이에 대한 테스트 점수와 특징 점수를 입력하여 선호성 및 강조(emphasis)에 따라 여러 융합 방법으로 종양 윤곽 후보(tumor contour candidates)에 대한 종합 평가를 수행할 수 있으며, 가장 높은 종합 평가를 가진 종양 윤곽 후보(tumor contour candidates)를 선택하여 최종 분할된 종양 윤곽을 결정할 수 있다.Multiple tumor contour candidates and their test scores and feature scores can be entered to perform a comprehensive evaluation of tumor contour candidates by several fusion methods based on preference and emphasis , Tumor contour candidates with the highest overall score can be selected to determine the final segmented tumor outline.
예시적 실시예에 따라, 이미지 처리 시스템(image processing system)은 각각의 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수 및 특징 점수를 노멀라이제션하여 다음과 같은 수학식에 의하여 각각의 종양 윤곽 후보(tumor contour candidates)에 대한 종합 수치를 계산하고 가장 높은 종합 수치를 가진 종양 윤곽 후보(tumor contour candidates)를 선택할 수 있다.
According to an exemplary embodiment, an image processing system normalizes the test scores and feature points for each tumor contour candidates, and calculates each tumor contour < RTI ID = 0.0 > You can calculate the total number of candidates (tumor contour candidates) and select tumor contour candidates with the highest overall score.
상기
여기서, 에스-스코어 노멀라이제션 알고리즘(s-score normalization algorithm), 민-맥스 노멀라이제션 알고리즘(min-max normalization algorithm), 탄 에스티메이터(Tanh estimator) 또는 더블 시그모이드(double sigmoid) 알고리즘을 사용하여 상기 점수에 대한 노멀라이제션을 수행할 수 있다.Here, an s-score normalization algorithm, a min-max normalization algorithm, a tanh estimator or a double sigmoid, Algorithm can be used to perform normalization on the score.
일 실시예에 따라, 단계(S140)에서, 이미지 처리 시스템(image processing system)은 SVR(support vector regression) 방법을 사용하며 텍스처 특징, 공간 특징, 강도 특징, 윤곽 특징 또는 종양 특징 중에 적어도 하나의 특징 및 상기 종양 윤곽 후보(tumor contour candidates)에 대한 테스트 점수에 따라 각각의 종양 윤곽 후보(tumor contour candidates)의 자카드 계수(Jaccard coefficient)를 계산하여 특징 점수를 생성할 수 있다. 단계(S150)에서 이미지 처리 시스템(image processing system)은 상기 M*K개의 종양 윤곽 후보(tumor contour candidates)에서 가장 높은 특징 점수를 가진 종양 윤곽 후보(tumor contour candidates)를 최종 분할된 종양 윤곽으로 결정한다.According to one embodiment, in step S140, the image processing system uses a support vector regression (SVR) method and includes at least one of a texture feature, a spatial feature, a strength feature, a contour feature, And the Jaccard coefficient of each tumor contour candidates according to the test score for the tumor contour candidates. In step S150, the image processing system determines the tumor contour candidates having the highest feature score in the M * K tumor contour candidates as the final divided tumor outline do.
일 실시예에 따라, 이미지 처리 시스템(image processing system)은 최종의 분할된 종양 윤곽을 출력할 수 있다.According to one embodiment, an image processing system may output the final divided tumor outline.
도 4은 예시적 실시예에 따른 이미지 처리 방법을 도시한 흐름도이다.4 is a flow chart illustrating an image processing method according to an exemplary embodiment.
도4를 참조하면, 단계(S200)에서, 이미지 처리 시스템(image processing system)은 2D 유방 초음파 영상(2D breast ultrasonic image) 및 표시된 하나 또는 복수의 영역을 획득한다. 이미지 처리 시스템(image processing system)은 표시된 각 영역을 ROI로 결정한다. 여기서, M개의 ROI가 가정된다.Referring to FIG. 4, in step S200, an image processing system obtains a 2D breast ultrasonic image and a displayed one or more areas. The image processing system determines each of the displayed areas as an ROI. Here, M ROIs are assumed.
단계(S220)에서, 이미지 처리 시스템(image processing system)은 서로 다른 파라미터 및/또는 파라미터 결합에 근거하는 K(K > 0)개의 종양 분할 알고리즘(tumor segmentation algorithm)을 사용하여 상기 M개의 ROI에서 각각 K개의 종양 윤곽 후보(tumor contour candidates)를 분할한다. 상기 도2에 도시된 단계(S120)과 같이 분할 처리를 수행할 수 있지만 표시된 영역을 입력할 경우에 테스트 점수가 존재하지 않는다.In step S220, an image processing system may use the K (K > 0) tumor segmentation algorithms based on different parameter and / or parameter combinations, Divide K contour candidates (tumor contour candidates). The dividing process can be performed as in the step S120 shown in FIG. 2, but there is no test score when the displayed area is inputted.
단계(S240)에서, 이미지 처리 시스템(image processing system)은 미리 설정된 적어도 하나의 특징에 따라, 분할된 M*K개의 종양 윤곽 후보(tumor contour candidates)에 대해 각각 평가 및 스코어링 하여 특징 점수를 생성하고, 상기 M*K개의 종양 윤곽 후보(tumor contour candidates)에서 가장 높은 특징 점수를 가진 종양 윤곽 후보(tumor contour candidates)를 최종 분할된 종양 윤곽으로 결정한다.In step S240, an image processing system evaluates and scores each of the divided M * K tumor contour candidates according to at least one predetermined feature to generate a feature score , The tumor contour candidates having the highest feature score in the M * K tumor contour candidates are determined as the final divided tumor outline.
예시적 실시예에 따르면, 이미지 처리 시스템(image processing system) 및 방법은 각각의 검출된 ROI에 대하여 멀티 파라미터 분할을 수행하여 복수의 종양 윤곽 후보(tumor contour candidates)를 획득할 수 있고, 상기 복수의 종양 윤곽 후보(tumor contour candidates)의 특징에 대하여 스코어링하고 테스트 점수와 특징 점수를 종합하여 최적의 종양 윤곽 후보(tumor contour candidates)를 최종의 분할 결과로 선택한다. 이런 처리 방식은 하나의 종양 영역을 검출하여 상기 하나의 종양 영역에 대한 종양 분할 처리를 수행하는 전통적인 방식보다 더욱 정확하게 안전한 결과를 획득할 수 있고 어느 하나의 단계에 발생된 오류에게 영향을 받지 않는다.According to an exemplary embodiment, an image processing system and method may perform multi-parameter partitioning on each detected ROI to obtain multiple tumor contour candidates, The tumor contour candidates are scored for features and the optimal tumor contour candidates are selected as the final segmentation result by combining test scores and feature scores. This treatment scheme can obtain a more accurate and safe result than the conventional method of detecting one tumor area to perform the tumor division treatment on the one tumor area, and is not affected by errors generated in any one step.
또한, ROI가 미리 표시된 유방 영상에 대하여 멀티 파라미터 종양 분할을 수행하고 각각의 분할된 종양 윤곽 후보(tumor contour candidates)에 대한 특징 점수에 따라 최적의 종양 윤곽 후보(tumor contour candidates)를 최종의 분할 결과로 선택할 수 있다. 따라서 종양 분할 결과의 안전성이 향상되고 분할 결과는 하나 또는 일부의 적절하지 않는 파라미터 또는 오류에게 영향을 받지 않는다. In addition, a multi-parameter tumor segmentation is performed on the breast images pre-displayed with ROI, and the optimal tumor contour candidates are divided according to the feature score for each divided tumor contour candidates as a final segmentation result . Thus, the safety of tumor splitting results is improved and the splitting results are not affected by one or a few inappropriate parameters or errors.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments. For example, it is to be understood that the techniques described may be performed in a different order than the described methods, and / or that components of the described systems, structures, devices, circuits, Lt; / RTI > or equivalents, even if it is replaced or replaced.
Claims (13)
상기 영상 수집부에서 획득된 상기 2D 유방 초음파 영상에서 M(M > 0) 개의 유방 종양이 포함된 관심 영역(ROI)을 검출하고, 각각의 관심 영역에 대해 스코어링 하여 테스트 점수를 생성하는 종양 검출부;
서로 다른 파라미터 및 파라미터 결합 중 적어도 하나에 근거하는 K(K > 0)개의 종양 분할 알고리즘을 사용하여 상기 M개의 관심 영역에서 각각 K개의 종양 윤곽 후보로 분할하고 상기 종양 윤곽 후보의 각각에 대하여 상기 종양 윤곽 후보가 분할된 관심 영역의 테스트 점수를 기록하는 멀티 파라미터 분할부;
미리 설정된 적어도 하나의 특징에 따라, 분할된 M*K개의 종양 윤곽 후보에 대해 각각 평가 및 스코어링 하여 특징 점수를 생성하는 특징 스코어링부; 및
상기 M*K개의 종양 윤곽 후보에 대한 테스트 점수 및 특징 점수에 따라, 상기 M*K개의 종양 윤곽 후보에서 하나의 종양 윤곽 후보를 선택하여 최종 분할된 종양 윤곽을 결정하는 융합부
를 포함하는 유방 영상에 대한 이미지 처리 시스템.An image collecting unit for acquiring a 2D breast ultrasound image;
A tumor detecting unit that detects ROIs including M (M > 0) breast tumors in the 2D breast ultrasound image acquired by the image collecting unit and generates a test score by scoring each ROI;
(K > 0) tumor segmentation algorithms based on at least one of different parameter and parameter combinations to divide into K tumor contour candidates, respectively, in the M regions of interest, and for each of the tumor contour candidates, A multi-parameter division unit for recording a test score of a region of interest in which the contour candidate is divided;
A feature scoring unit for evaluating and scoring each of the divided M * K tumor contour candidates according to at least one predetermined feature to generate a feature score; And
Determining a final tumor profile by selecting one tumor outline candidate from the M * K tumor outline candidates according to a test score and a feature score for the M * K tumor outline candidates,
And an image processing unit for processing the breast image.
상기 분할된 M*K개의 종양 윤곽 후보에 대하여 서로의 유사성을 계산하고, 미리 설정된 수치보다 유사성이 높은 복수의 종양 윤곽 후보 중에서 가장 높은 테스트 점수가 아닌 종양 윤곽 후보 중 적어도 하나를 제외하여 N (N은 M * K보다 작음) 개의 종양 윤곽 후보를 획득하는 결합부
를 더 포함하고,
상기 특징 스코어링부는,
미리 설정된 적어도 하나의 특징에 따라, 상기 N 개의 종양 윤곽 후보에 대해 각각 평가 및 스코어링 하여 특징 점수를 생성하고, 상기 융합부는, 상기 N 개의 종양 윤곽 후보에 대한 테스트 점수 및 특징 점수에 따라, 하나의 종양 윤곽 후보를 선택하는
유방 영상에 대한 이미지 처리 시스템.The method according to claim 1,
Calculating N (N (N)) out of at least one of the tumor outline candidates that is not the highest test score among a plurality of tumor outline candidates having a similarity higher than a predetermined value, Lt; RTI ID = 0.0 > M * K) < / RTI &
Further comprising:
The feature-
Each of the N tumor contour candidates is evaluated and scored according to at least one predetermined feature to generate a feature point, and the convergence unit generates a feature score based on a test score and a feature score for the N tumor outline candidates, To select tumor contour candidates
Image Processing System for Breast Imaging.
상기 획득된 2D 유방 초음파 영상에 대하여 전처리를 수행하는 전처리부
를 더 포함하고,
상기 전처리는 상기 획득된 2D 유방 초음파 영상에 대한 노이즈 처리 및 이미지 강조 처리를 포함하고,
상기 멀티 파라미터 분할부는,
상기 전처리된 2D 유방 초음파 영상에 대하여 상기 종양 분할 처리를 수행하는
유방 영상에 대한 이미지 처리 시스템The method according to claim 1,
A preprocessing unit for performing preprocessing on the obtained 2D breast ultrasound image,
Further comprising:
Wherein the preprocessing includes noise processing and image enhancement processing on the obtained 2D breast ultrasound image,
Wherein the multi-
And performing the tumor division processing on the preprocessed 2D breast ultrasound image
Image Processing System for Breast Imaging
상기 종양 검출부는,
변형파트 모델링, 템플릿 매칭, 및 아다부스트 방법 중 적어도 하나를 이용하여 상기 M개의 유방 종양이 포함된 관심 영역(ROI)에 대한 검출 및 스코어링을 수행하는
유방 영상에 대한 이미지 처리 시스템.The method according to claim 1,
Wherein the tumor detecting unit comprises:
Performing detection and scoring for the ROIs comprising the M mammary tumors using at least one of transformed part modeling, template matching, and the adaboost method
Image Processing System for Breast Imaging.
상기 서로 다른 파라미터는,
서로 다른 반복 횟수, 서로 다른 스케일, 및 서로 다른 방법 중 적어도 하나이고,
상기 종양 분할 방법은,
레벨 셋 방법, 그래프 컷 방법, 영역 성장 방법, 및 분수계 알고리즘 중 적어도 하나인
유방 영상에 대한 이미지 처리 시스템.The method according to claim 1,
The different parameters are:
At least one of different repetition times, different scales, and different methods,
In the tumor division method,
At least one of a level set method, a graph cut method, an area growth method, and a watershed algorithm
Image Processing System for Breast Imaging.
상기 특징 스코어링부는,
서포트 벡터 회귀 방법을 사용하며 텍스처 특징, 공간 특징, 강도 특징, 윤곽 특징 및 종양 특징 중 적어도 하나의 특징에 따라 종양 윤곽 후보 각각의 자카드 계수를 계산하여 특징 점수를 생성하는
유방 영상에 대한 이미지 처리 시스템.5. The method of claim 4,
The feature-
Using the support vector regression method, the Jacquard coefficients of each tumor contour candidate are calculated according to at least one of the features of texture, spatial, intensity, contour, and tumor characteristics to generate a feature score
Image Processing System for Breast Imaging.
상기 융합부는,
종양 윤곽 후보의 각각에 대한 테스트 점수 및 특징 점수를 노멀라이제션 하여
에 의하여 각각의 종양 윤곽 후보에 대한 종합 수치를 계산하고 가장 높은 종합 수치를 가진 종양 윤곽 후보를 선택하고,
상기
이미지 처리 시스템.The method according to claim 1,
Wherein the fusion unit comprises:
The test scores and feature scores for each of the tumor contour candidates were normalized
To compute an overall score for each tumor outline candidate, select a tumor outline candidate with the highest overall score,
remind
Image processing system.
상기 융합부는,
에스-스코어 노멀라이제션 알고리즘, 민-맥스 노멀라이제션 알고리즘, 탄 에스티메이터 및 더블 시그모이드 알고리즘 중 적어도 하나를 사용하여 상기 노멀라이제션을 수행하는
유방 영상에 대한 이미지 처리 시스템.8. The method of claim 7,
Wherein the fusion unit comprises:
The normalization is performed using at least one of an S-score normalization algorithm, a min-max normalization algorithm, a tan estimator, and a double sigmoid algorithm
Image Processing System for Breast Imaging.
상기 특징 스코어링부는,
서포트 벡터 회귀 방법을 사용하며 텍스처 특징, 공간 특징, 강도 특징, 윤곽 특징 및 종양 특징 중 적어도 하나의 특징 및 상기 종양 윤곽 후보에 대한 테스트 점수에 따라 각각의 종양 윤곽 후보의 자카드 계수를 계산하여 특징 점수를 생성하고,
상기 융합부는,
상기 M*K개의 종양 윤곽 후보에서 가장 높은 특징 점수를 가진 종양 윤곽 후보를 최종 분할된 종양 윤곽으로 결정하는
유방 영상에 대한 이미지 처리 시스템.5. The method of claim 4,
The feature-
Using the support vector regression method, the Jacquard coefficients of each tumor contour candidate are calculated according to at least one characteristic of the texture feature, spatial feature, intensity feature, contour feature, and tumor feature, and test score for the tumor contour candidate, Lt; / RTI >
Wherein the fusion unit comprises:
The tumor contour candidate having the highest feature score in the M * K tumor contour candidates is determined as the final divided tumor contour
Image Processing System for Breast Imaging.
상기 서로 다른 파라미터는,
서로 다른 반복 횟수, 서로 다른 스케일, 서로 다른 단계, 서로 다른 노이즈 처리 방법 및 서로 다른 이미지 강조 방법 중 적어도 하나이고,
상기 종양 분할 방법은,
레벨 셋 방법, 그래프 컷 방법, 영역 성장 방법, 및 분수계 알고리즘 중 적어도 하나인
유방 영상에 대한 이미지 처리 시스템.The method of claim 3,
The different parameters are:
At least one of different repetition times, different scales, different steps, different noise processing methods, and different image enhancement methods,
In the tumor division method,
At least one of a level set method, a graph cut method, an area growth method, and a watershed algorithm
Image Processing System for Breast Imaging.
서로 다른 파라미터 및 파라미터 결합 중 적어도 하나에 근거하는 K(K > 0)개의 종양 분할 알고리즘을 사용하여 상기 M개의 관심 영역(ROI)에서 각각 K개의 종양 윤곽 후보를 분할하는 멀티 파라미터 분할부; 및
미리 설정된 적어도 하나의 특징에 따라, 분할된 M*K개의 종양 윤곽 후보에 대해 각각 평가 및 스코어링하여 특징 점수를 생성하고, 상기 M*K개의 종양 윤곽 후보에서 가장 높은 특징 점수를 가진 종양 윤곽 후보를 최종 분할된 종양 윤곽으로 결정하는 특징 스코어링부
를 포함하는 유방 영상에 대한 이미지 처리 시스템.An image collecting unit for acquiring a 2D breast ultrasound image including M (M > 0) ROIs;
A multi-parameter partitioning unit for partitioning K tumor contour candidates in each of the M ROIs using K (K > 0) tumor partitioning algorithms based on at least one of different parameter and parameter combinations; And
Evaluating and scoring each of the divided M * K tumor contour candidates according to at least one predetermined feature to generate a feature score and generating a tumor contour candidate having the highest feature score in the M * K tumor contour candidates A feature scoring unit that determines the final segmented tumor outline
And an image processing unit for processing the breast image.
상기 서로 다른 파라미터는,
서로 다른 반복 횟수, 서로 다른 스케일, 및 서로 다른 단계 중 적어도 하나이고,
상기 종양 분할 방법은,
레벨 셋 방법, 그래프 컷 방법, 영역 성장 방법, 및 분수계 알고리즘 중 적어도 하나인
유방 영상에 대한 이미지 처리 시스템.12. The method of claim 11,
The different parameters are:
At least one of different repetition times, different scales, and different stages,
In the tumor division method,
At least one of a level set method, a graph cut method, an area growth method, and a watershed algorithm
Image Processing System for Breast Imaging.
상기 특징 스코어링부는,
서포트 벡터 회귀 방법을 사용하며, 텍스처 특징, 공간 특징, 강도 특징, 윤곽 특징 및 종양 특징 중 적어도 하나의 특징에 따라 종양 윤곽 후보 각각의 자카드 계수를 계산하여 특징 점수를 생성하는
유방 영상에 대한 이미지 처리 시스템.
12. The method of claim 11,
The feature-
Using the support vector regression method, the Jacquard coefficients of each tumor contour candidate are calculated according to at least one of the features of texture, spatial, intensity, contour, and tumor characteristics to generate a feature score
Image Processing System for Breast Imaging.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210411592.7A CN103778600B (en) | 2012-10-25 | 2012-10-25 | Image processing system |
| CN201210411592.7 | 2012-10-25 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20140057130A true KR20140057130A (en) | 2014-05-12 |
| KR102128325B1 KR102128325B1 (en) | 2020-07-01 |
Family
ID=50570799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020130021930A KR102128325B1 (en) | 2012-10-25 | 2013-02-28 | Image Processing System |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102128325B1 (en) |
| CN (1) | CN103778600B (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160066926A (en) * | 2014-12-03 | 2016-06-13 | 삼성전자주식회사 | Apparatus and method for classification of data, apparatus and method for segmentation of region of interest |
| US10019794B2 (en) | 2015-03-31 | 2018-07-10 | Electronics And Telecommunications Research Institute | Method and apparatus for breast lesion diagnosis |
| CN115641430A (en) * | 2022-10-12 | 2023-01-24 | 阿里巴巴（中国）有限公司 | Interest plane determination method, device, medium and computer equipment |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3298581A1 (en) * | 2015-05-18 | 2018-03-28 | Koninklijke Philips N.V. | Self-aware image segmentation methods and systems |
| CN105488800A (en) * | 2015-11-30 | 2016-04-13 | 上海联影医疗科技有限公司 | Feature extracting method and computer-aided diagnosis method and system |
| WO2017092615A1 (en) | 2015-11-30 | 2017-06-08 | 上海联影医疗科技有限公司 | Computer aided diagnosis system and method |
| CN106683137B (en) * | 2017-01-11 | 2019-12-31 | 中国矿业大学 | Artificial mark based monocular and multiobjective identification and positioning method |
| CN110569837B (en) * | 2018-08-31 | 2021-06-04 | 创新先进技术有限公司 | Method and device for optimizing damage detection result |
| CN114375179A (en) * | 2019-11-04 | 2022-04-19 | 深圳迈瑞生物医疗电子股份有限公司 | Ultrasonic image analysis method, ultrasonic imaging system, and computer storage medium |
| CN111554383B (en) * | 2020-04-24 | 2023-09-05 | 浙江杜比医疗科技有限公司 | Neural network for breast tumor detection and detection system thereof |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000513897A (en) * | 1997-02-06 | 2000-10-17 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Image segmentation and object tracking method and corresponding system |
| JP2005193017A (en) * | 2003-12-15 | 2005-07-21 | General Electric Co <Ge> | Method and system for classifying diseased part of mamma |
| KR20070021420A (en) * | 2005-08-18 | 2007-02-23 | 주식회사 메디슨 | Apparatus and method for processing an ultrasound image in an ultrasound image diagnostic system |
| JP2007275589A (en) * | 2006-03-31 | 2007-10-25 | Given Imaging Ltd | System and method for assessment of patient's condition |
| JP2009525800A (en) * | 2006-02-10 | 2009-07-16 | ノルディック・ビオサイエンス・エー／エス | Breast tissue density measurement |
| KR20120054920A (en) * | 2010-11-22 | 2012-05-31 | 한국전자통신연구원 | Method of segmenting lesions in images |
| JP2012512672A (en) * | 2008-12-22 | 2012-06-07 | ザ メディパターン コーポレイション | Method and system for automatically detecting lesions in medical images |
| US8218850B2 (en) * | 2006-02-10 | 2012-07-10 | Synarc Inc. | Breast tissue density measure |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887514B (en) * | 2009-05-13 | 2013-10-30 | 联咏科技股份有限公司 | Human face detecting device and human face detecting method thereof |
| JP5544764B2 (en) * | 2009-06-09 | 2014-07-09 | ソニー株式会社 | Image processing apparatus and method, and program |
| CN102467741A (en) * | 2010-11-18 | 2012-05-23 | 索尼公司 | Method and device for detecting spot area in image |
| KR101240469B1 (en) * | 2010-11-23 | 2013-03-11 | 현대모비스 주식회사 | Object recognition system, sysetm for recognizing obstacle for a vehicle and method thereof |
-
2012
- 2012-10-25 CN CN201210411592.7A patent/CN103778600B/en active Active
-
2013
- 2013-02-28 KR KR1020130021930A patent/KR102128325B1/en active IP Right Grant
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000513897A (en) * | 1997-02-06 | 2000-10-17 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Image segmentation and object tracking method and corresponding system |
| JP2005193017A (en) * | 2003-12-15 | 2005-07-21 | General Electric Co <Ge> | Method and system for classifying diseased part of mamma |
| KR20070021420A (en) * | 2005-08-18 | 2007-02-23 | 주식회사 메디슨 | Apparatus and method for processing an ultrasound image in an ultrasound image diagnostic system |
| JP2009525800A (en) * | 2006-02-10 | 2009-07-16 | ノルディック・ビオサイエンス・エー／エス | Breast tissue density measurement |
| US8218850B2 (en) * | 2006-02-10 | 2012-07-10 | Synarc Inc. | Breast tissue density measure |
| JP2007275589A (en) * | 2006-03-31 | 2007-10-25 | Given Imaging Ltd | System and method for assessment of patient's condition |
| US20070255095A1 (en) * | 2006-03-31 | 2007-11-01 | Gilreath Mark G | System and method for assessing a patient condition |
| JP2012512672A (en) * | 2008-12-22 | 2012-06-07 | ザ メディパターン コーポレイション | Method and system for automatically detecting lesions in medical images |
| KR20120054920A (en) * | 2010-11-22 | 2012-05-31 | 한국전자통신연구원 | Method of segmenting lesions in images |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160066926A (en) * | 2014-12-03 | 2016-06-13 | 삼성전자주식회사 | Apparatus and method for classification of data, apparatus and method for segmentation of region of interest |
| US10019794B2 (en) | 2015-03-31 | 2018-07-10 | Electronics And Telecommunications Research Institute | Method and apparatus for breast lesion diagnosis |
| CN115641430A (en) * | 2022-10-12 | 2023-01-24 | 阿里巴巴（中国）有限公司 | Interest plane determination method, device, medium and computer equipment |
| CN115641430B (en) * | 2022-10-12 | 2024-01-30 | 阿里巴巴（中国）有限公司 | Method, device, medium and computer equipment for determining interest surface |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103778600A (en) | 2014-05-07 |
| KR102128325B1 (en) | 2020-07-01 |
| CN103778600B (en) | 2019-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20140057130A (en) | Image processing system | |
| CN107480677B (en) | Method and device for identifying interest region in three-dimensional CT image | |
| KR102204437B1 (en) | Apparatus and method for computer aided diagnosis | |
| Tan et al. | Computer-aided lesion diagnosis in automated 3-D breast ultrasound using coronal spiculation | |
| US10102622B2 (en) | Processing apparatus, processing method, and non-transitory computer-readable storage medium | |
| US8634622B2 (en) | Computer-aided detection of regions of interest in tomographic breast imagery | |
| KR101805619B1 (en) | Apparatus and method for creating optimal 2-dimensional medical image automatically from 3-dimensional medical image | |
| US8831311B2 (en) | Methods and systems for automated soft tissue segmentation, circumference estimation and plane guidance in fetal abdominal ultrasound images | |
| US10405834B2 (en) | Surface modeling of a segmented echogenic structure for detection and measurement of anatomical anomalies | |
| KR20170053685A (en) | Method and system for fetal visualization by computing and displaying an ultrasound measurment and graphical model | |
| US7555152B2 (en) | System and method for detecting ground glass nodules in medical images | |
| Shariaty et al. | Texture appearance model, a new model-based segmentation paradigm, application on the segmentation of lung nodule in the CT scan of the chest | |
| Ye et al. | Improved mass detection in 3D automated breast ultrasound using region based features and multi-view information | |
| Ben-Cohen et al. | Automated method for detection and segmentation of liver metastatic lesions in follow-up CT examinations | |
| Cerrolaza et al. | Fetal skull segmentation in 3D ultrasound via structured geodesic random forest | |
| Cerrolaza et al. | Quantification of kidneys from 3D ultrasound in pediatric hydronephrosis | |
| Ogiela et al. | Computer analysis of gallbladder ultrasonic images towards recognition of pathological lesions | |
| Ohmshankar et al. | Haralick fetaures based mammogram classification system | |
| JP2007511013A (en) | System and method for filtering and automatically detecting candidate anatomical structures in medical images | |
| CN111383323B (en) | Ultrasonic imaging method and system and ultrasonic image processing method and system | |
| Muñoz-Meza et al. | A feature selection methodology for breast ultrasound classification | |
| KR101856200B1 (en) | Method for classifying a skull feature | |
| Heryan et al. | Automatic extraction of the pelvicalyceal system for preoperative planning of minimally invasive procedures | |
| Ala’a et al. | Automatic Enlarged Lymph Node Detection from 3D Mediastinum CT Images | |
| US20230277156A1 (en) | Ultrasound method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |