KR20180115725A - 이미지 내의 대상의 시각화와 특징화를 위한 시스템 및 방법 - Google Patents
이미지 내의 대상의 시각화와 특징화를 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20180115725A KR20180115725A KR1020187026011A KR20187026011A KR20180115725A KR 20180115725 A KR20180115725 A KR 20180115725A KR 1020187026011 A KR1020187026011 A KR 1020187026011A KR 20187026011 A KR20187026011 A KR 20187026011A KR 20180115725 A KR20180115725 A KR 20180115725A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- color space
- multidimensional color
- applying
- multidimensional
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 156
- 238000012800 visualization Methods 0.000 title claims description 51
- 238000012512 characterization method Methods 0.000 title description 14
- 210000000481 breast Anatomy 0.000 claims description 239
- 210000001519 tissue Anatomy 0.000 claims description 198
- 230000006870 function Effects 0.000 claims description 172
- 238000012546 transfer Methods 0.000 claims description 114
- 206010028980 Neoplasm Diseases 0.000 claims description 70
- 201000011510 cancer Diseases 0.000 claims description 57
- 206010006187 Breast cancer Diseases 0.000 claims description 50
- 208000026310 Breast neoplasm Diseases 0.000 claims description 50
- 230000003902 lesion Effects 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 30
- 210000000577 adipose tissue Anatomy 0.000 claims description 18
- 238000002604 ultrasonography Methods 0.000 claims description 18
- 239000003086 colorant Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000002591 computed tomography Methods 0.000 claims description 8
- 150000002894 organic compounds Chemical class 0.000 claims description 8
- 239000003550 marker Substances 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- 208000024827 Alzheimer disease Diseases 0.000 claims description 5
- 208000024172 Cardiovascular disease Diseases 0.000 claims description 5
- 235000019646 color tone Nutrition 0.000 claims description 5
- 208000030533 eye disease Diseases 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 5
- 201000006417 multiple sclerosis Diseases 0.000 claims description 5
- 239000000090 biomarker Substances 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 206010005949 Bone cancer Diseases 0.000 claims 2
- 208000018084 Bone neoplasm Diseases 0.000 claims 2
- 208000003174 Brain Neoplasms Diseases 0.000 claims 2
- 208000008839 Kidney Neoplasms Diseases 0.000 claims 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims 2
- 206010060862 Prostate cancer Diseases 0.000 claims 2
- 208000000236 Prostatic Neoplasms Diseases 0.000 claims 2
- 206010038389 Renal cancer Diseases 0.000 claims 2
- 201000010982 kidney cancer Diseases 0.000 claims 2
- 201000007270 liver cancer Diseases 0.000 claims 2
- 208000014018 liver neoplasm Diseases 0.000 claims 2
- 201000005202 lung cancer Diseases 0.000 claims 2
- 208000020816 lung neoplasm Diseases 0.000 claims 2
- 230000007847 structural defect Effects 0.000 claims 2
- 208000000453 Skin Neoplasms Diseases 0.000 claims 1
- 201000000849 skin cancer Diseases 0.000 claims 1
- 230000008569 process Effects 0.000 description 46
- 238000012545 processing Methods 0.000 description 41
- 238000001514 detection method Methods 0.000 description 36
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 22
- 201000010099 disease Diseases 0.000 description 21
- 239000000463 material Substances 0.000 description 18
- 238000013459 approach Methods 0.000 description 17
- 238000003384 imaging method Methods 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 13
- 230000009466 transformation Effects 0.000 description 13
- 208000004434 Calcinosis Diseases 0.000 description 12
- 238000002595 magnetic resonance imaging Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000008676 import Effects 0.000 description 9
- 238000001574 biopsy Methods 0.000 description 8
- 230000002596 correlated effect Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007620 mathematical function Methods 0.000 description 6
- 230000002308 calcification Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 201000009030 Carcinoma Diseases 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 208000031513 cyst Diseases 0.000 description 4
- 206010020718 hyperplasia Diseases 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 230000007170 pathology Effects 0.000 description 4
- 238000012831 peritoneal equilibrium test Methods 0.000 description 4
- 238000012636 positron electron tomography Methods 0.000 description 4
- 238000012877 positron emission topography Methods 0.000 description 4
- 230000003252 repetitive effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 210000003491 skin Anatomy 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 241000271897 Viperidae Species 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 210000002307 prostate Anatomy 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000000779 thoracic wall Anatomy 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 208000003200 Adenoma Diseases 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 2
- 206010011732 Cyst Diseases 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 208000009956 adenocarcinoma Diseases 0.000 description 2
- 230000033115 angiogenesis Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002950 fibroblast Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 230000002390 hyperplastic effect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 208000024312 invasive carcinoma Diseases 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 230000009245 menopause Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 230000008733 trauma Effects 0.000 description 2
- 206010001233 Adenoma benign Diseases 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000007659 Fibroadenoma Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241000533950 Leucojum Species 0.000 description 1
- 241000985694 Polypodiopsida Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 208000035269 cancer or benign tumor Diseases 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000002445 nipple Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000027758 ovulation cycle Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
Images
Classifications
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4312—Breast evaluation or disorder diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G06K9/4652—
-
- G06K9/4671—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/48—Analysis of texture based on statistical description of texture using fractals
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/46—Colour picture communication systems
- H04N1/465—Conversion of monochrome to colour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/46—Colour picture communication systems
- H04N1/56—Processing of colour picture signals
- H04N1/60—Colour correction or control
- H04N1/6027—Correction or control of colour gradation or colour contrast
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/40—Animals
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30081—Prostate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30084—Kidney; Renal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Reproductive Health (AREA)
- Gynecology & Obstetrics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하여, 제1 이미지와 상이한 제2 이미지를 생성함에 의해 이미지 내의 대상의 시각화, 특징화 및 검출하는 방법이고, 모든 유사한 대상은 제2 이미지 내의 유사한 패턴이나 컬러로 수렴한다.
Description
본 발명은 일반적으로 이미지 프로세싱에 관한 것이고, 좀 더 구체적으로, 이미지 내의 대상의 시각화와 특징화를 위한 컨버젼스-기반의 시스템 및 방법에 관한 것이다.
일 실시예에서, 제1 그레이스케일 이미지 내의 모든 특징부를 시각화 및 특징화하는 컨버젼스-기반의 방법이 있어서, 제1 이미지는 동일한 휘도값을 가진 적어도 두 개의 채널 내로 복사되고, 그리고 나서, 각각의 복사 채널의 입력값의 적어도 일부를 변환하는 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 적용하여, 각각의 복사 채널의 출력 픽셀값은 복사 채널의 입력 픽셀값 및 다른 모든 복사 채널의 출력 픽셀값과 상이하도록 하고, 그리고 나서, 제1 이미지와 상이한 제2 이미지를 프로세스로서 집합적으로 생성하는 각각의 채널 내의 각각의 벡터에 대한 값을 맵핑하기 위해 룩업 테이블을 사용한다.
채널은 그레이스케일, 알파, 컬러 정보 채널 또는 이들의 조합으로 생성될 수 있다.
추가적인 실시예에서, 상기 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘과 상이하고 구별되는 제2 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제2 이미지에 적용하는 단계를 포함하여, 제1 이미지 및 제2 이미지와 상이하고 구별되는 제3 이미지를 생성한다.
추가적인 실시예에서, 하나 이상의 추가적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 순차적으로 적용함에 의해, 제3 이미지를 변경하여, 제4 이미지를 생성한다.
추가적인 실시예에서, 제1 이미지, 제2 이미지, 제3 이미지 또는 제4 이미지 중 하나 이상을 결합하는 단계를 더 포함하여, 원래의 제1 이미지, 제2 이미지, 제3 이미지 또는 제4 이미지와 상이하고 구별되는 제5 이미지를 생성한다.
추가적인 실시예에서, 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스는 하나 이상의 이전 타입의 다차원(다채널) 이미지 변환을 포함한다.
추가적인 실시예에서, 다차원 이미지 변환은 16진수 코드나 문자로서 디지털 파일 포맷으로 프로필 룩-업 테이블(PLUT)로 표현될 수 있다.
추가적인 실시예에서, 다차원 이미지 변환은 하나 이상의 매트릭스로서 디지털 파일 포맷으로 PLUT로 저장될 수 있다.
추가적인 실시예에서, 로컬 마이크로-콘트라스트 컨버젼스 알고리즘은 PLUT에 명시된 메트릭을 사용하여 변환의 시퀀스를 정의하고 프로세스할 수 있는데, 상기 PLUT는 특정 물질 타입을 나타내는 이미지 입력 픽셀값을 이미지 출력 픽셀값으로 번역하여서, 이웃하는 픽셀 그룹 간의 관계가 물질의 구조 및 그 이미징 양상에 대한 관계와 일치하는 예측가능한 컬러와 명도 패턴으로 모이도록 한다.
추가적인 실시예에서, 로컬 마이크로-콘트라스트 컨버젼스, 다차원 이미지 변환은 디지털 파일 포맷으로 PLUT로 저장될 수 있는데, 한 세트의 2차원 입력 함수 F1(x,y,i), F2(x,y,i), ... ,FN(x,y,i)은 공간 변수(x,y) 및 휘도 변수(i)를 가진 한 세트의 2차원 출력 함수 G1(x,y,i), G2(x,y,i), ... ,GN(x,y,i)으로 맵핑된다.
추가적인 실시예에서, 다차원 이미지 변환은 디지털 파일 포맷으로 PLUT로서 저장될 수 있는데, 한 세트의 2차원 입력 함수 F1(x,y,i), F2(x,y,i), ... ,FN(x,y,i)은 공간 변수(x,y), 휘도 변수(i), 및 알파 또는 컬러 채널(j,k,l)을 가진 서브-매트릭스의 형태로 한 세트의 2차원보다 많은 출력 함수 G1(x,y,i,j,k,l), G2(x,y,i,j,k,l), ... ,GN(x,y,i,j,k,l)으로 맵핑된다.
추가적인 실시예에서, 제1 그레이스케일 이미지는 제1 다차원 공간으로 복제될 수 있는데, 다차원 공간의 각각의 층 차원은 제1 이미지의 복제본이다.
추가적인 실시예에서, 다차원 공간 내의 차원의 수는 2 이상이다.
추가적인 실시예에서, 다차원 공간 내의 차원의 수는 휘도와 컬러 성분 붉은색, 녹색 및 파란색을 포함하는 4개와 동일하다.
추가적인 실시예에서, 다차원 공간 내의 차원의 수는 HSL, XYZ, 및 CMYK와 같은 컬러 공간의 N 차원과 동일하다.
추가적인 실시예에서, 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스에 의해 생성되었던 다차원 컬러 공간 이미지를 단채널[차원] 그레이스케일 이미지로 전환하는 단계를 포함한다.
추가적인 실시예에서, 제1 이미지 내의 컬러의 휘도값이 그레이스케일(불포화된) 이미지 내에서 표현되기 때문에, 이들 휘도값을 미분적으로 변경함에 의해, 다차원 컬러 공간 이미지를 단일 채널 그레이스케일 이미지로 전환하는 단계를 포함한다.
추가적인 실시예에서, 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스 내에서 사용되는 함수는, 두 개의 서로 다른 로컬 마이크로-콘트라스트 알고리즘 시퀀스로부터 둘 이상의 결과로 나온 이미지를 사용하는 중첩 연산자, 가산 연산자 또는 미분 연산자를 포함할 수 있다.
추가적인 실시예에서, 하나 이상의 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스는, 이미지 내의 노이즈를 선명하게 하거나 감소시키기 위한 M x M 임펄스 응답 어레이를 가진 유한 영역 콘볼루션 필터를 사용할 수 있다.
추가적인 실시예에서, 시각화되고 특징화된 결과로 나온 특징부는 주어진 제1 그레이스케일 이미지의 맥락에서 표현될 수 있는데, 각각의 대상이나 물질 타입은 이러한 타입의 유사한 패턴이나 컬러 특징화로 수렵되어서, 알고리즘 시퀀스에 응답하여 고유한 특징을 표현한다.
추가적인 실시예에서, 서로 다른 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스들은 동일한 주어진 제1 그레이스케일 이미지에 대해 사용되어서, 모든 유사한 물질이 유사한 패턴이나 컬러로 수렴되도록 함에 의해, 그 이미지 내의 물질의 서로 다른 수렴형 시각화와 특징화를 표현할 수 있다.
추가적인 실시예에서, 서로 다른 알고리즘 시퀀스들은, 대상 경계, 텍스쳐, 미세 구조 및 대산 내의 변경과 같이, 이미지 내의 구별되는 물질 특성의 특징화를 최적화하기 위해, 생성되고 적용될 수 있다.
추가적인 실시예에서, 제1 이미지는 제1 이미지는 x-레이, 초음파, 적외선, 자외선, MRI, CT 스캔, PET 스캔, 그레이스케일, 컬러, 가시광, 밀리미터 파 또는 레이져 스캔에 의해 생성된 이미지이다.
추가적인 실시예에서, 사람이나 동물의 유방 조직, 유방, 전립선, 신장, 간, 골, 폐, 뇌 또는 피부의 암, 낭포 또는 임의의 이상은 이미지 내의 다른 모든 구조의 맥락과 패턴 내에서 시각화되고 특징화될 수 있다.
추가적인 실시예에서, 심혈관계 질환, 알츠하이머 질환, 눈의 질환 또는 다발성 경화증 병소에 대한 바이오마커는 이미지 내의 다른 모든 구조의 맥락과 패턴 내에서 시각화되고 특징화될 수 있다.
추가적인 실시예에서, 고체 유기 화합물이나 액체 유기 화합물에 대한 화학적 마커는 이미지 내의 다른 모든 구조의 맥락과 패턴 내에서 시각화되고 특징화될 수 있다.
추가적인 실시예에서, 구조 결합이나 이상은 이미지 내의 다른 모든 구조의 맥락과 패턴 내에서 시각화되고 특징화될 수 있다.
일 실시예에서, 본 명세서에 기술된 임의의 방법에 따라, 이미지 내의 특징부의 존재를 시각적으로나 디지털적으로 표현하기 위한 위양성오류율을 줄이기 위한 시스템이 있다.
일 실시예에서, 제1 이미지와 상이한 제2 이미지를 생성하기 위해, 로컬 마이크로-콘트라스트 조직 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계를 포함하는, 이미지 내의 특징부의 존재를 시각적으로나 디지털적으로 표현하기 위해 위음성오류율을 줄이는 방법이 있다.
추가적인 실시예에서, 제1 이미지는 x-레이, 초음파, 적외선, 자외선, MRI, CT 스캔, PET 스캔, 그레이스케일, 컬러, 가시광, 밀리미터 파 또는 레이져 스캔에 의해 생성된 이미지이다.
추가적인 실시예에서, 사람이나 동물의 유방 조직, 유방, 전립선, 신장, 간, 골, 폐, 뇌 또는 피부의 암, 낭포 또는 임의의 이상은 이미지 내의 다른 모든 구조의 맥락과 패턴 내에서 시각화되고 특징화될 수 있다.
추가적인 실시예에서, 심혈관계 질환, 알츠하이머 질환, 눈의 질환 또는 다발성 경화증 병소에 대한 바이오마커는 이미지 내의 다른 모든 구조의 맥락과 패턴 내에서 시각화되고 특징화될 수 있다.
추가적인 실시예에서, 고체 유기 화합물이나 액체 유기 화합물에 대한 화학적 마커는 이미지 내의 다른 모든 구조의 맥락과 패턴 내에서 시각화되고 특징화될 수 있다.
추가적인 실시예에서, 구조 결합이나 이상은 이미지 내의 다른 모든 구조의 맥락과 패턴 내에서 시각화되고 특징화될 수 있다.
추가적인 실시예에서, 방사선 전문의에 의해 제2 (즉, 이후의) 이미지 내에서 검출되거나 시각화된 유방 암에 대한 위음성율은 정상 유방에 대해 16% 미만이고, 고밀도 조직의 부분을 가진 유방에 대해 60% 미만이다.
일 실시예에서, 본 명세서에 기술된 임의의 방법에 따른, 이미지 내의 특징부를 검출하거나 나타내는 위음성오류율을 줄이는 시스템이 있다.
일 실시예에서, 적어도 하나의 프로그램을 각각 저장하도록 작동가능한 하나 이상의 메모리 유닛과, 하나 이상의 메모리 유닛에 통신적으로 연결된 적어도 하나의 프로세서를 포함하는 시스템이 있는데, 상기 적어도 하나의 프로그램은 적어도 하나의 프로세서에 의해 실행될 때, 적어도 하나의 프로세서가, 이미지를 수신하는 단계와, 이미지의 픽셀값을 초기 다차원 컬러 공간으로 맵핑하는 단계와 하나 이상의 로컬 마이크로-콘트라스트 컨버젼스 전달 함수를 이미지의 초기 다차원 컬러 공간에 적용하는 단계를 포함하여 로컬 마이크로-콘트라스트 컨버젼스를 야기하고, 다차원 컬러 공간을 가진 프로세스된 이미지를 생성하고, 프로세스된 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 단계를 수행하도록 한다.
추가적인 실시예에서, 프로세스된 다차원 컬러 공간 이미지를 단일 채널 그레이스케일 이미지로 전환하는 단계를 포함한다.
추가적인 실시예에서, 다차원 컬러 공간 이미지는 휘도값을 가진 휘도 차원을 포함한다.
추가적인 실시예에서, 제1 이미지 내의 컬러의 휘도값이 이미지 디스플레이나 분석을 위해, 그레이스케일(불포화된) 이미지 내에서 표현되기 때문에, 이들 휘도값을 미분적으로 변경함에 의해, 프로세스된 다차원 컬러 공간을 단일 채널 그레이스케일 이미지로 전환하는 단계를 포함한다.
추가적인 실시예에서, 다차원 컬러 공간은 RGB 컬러 공간이다.
어떤 실시예에서, 다차원 컬러 공간은 HSV, HLS, HSB, XYZ, CMYK, CIEXYZ 또는 CIELAB 중 하나 일 수 있다.
추가적인 실시예에서, 시스템은 유방 이미지(마모그램, CT, MRI 또는 초음파)의 프로세싱하고, 중간값 필터를 초기 다차원 컬러 공간에 적용하는 것을 더 포함하되, 하나 이상의 PLUT를 초기 다차원 컬러 공간에 적용하는 것은, 저밀도 지방 유방 조직을 약화시키기 위해 제1 세트의 PLUT 함수를 적용하는 것과, 지방 유방 조직을 제1 컬러로 나타나게 하고, 다른 컬러를 사용하여 더 고밀도 유방 조직을 구별시키기 위해, 제2 세트의 PLUT 함수를 적용하는 것과, 낮은 픽셀값을 증폭하고, 제1 컬러와 관련된 컬러 공간 층 내의 높은 픽셀값을 약화시키기 위해 제3 세트의 PLUT 함수를 적용하는 것과, 디스플레이될 때, 이미지의 배경을 검은색이나 다른 원하는 휘도값이나 컬러값으로 변경하기 위해 제4 세트의 PLUT 함수를 적용하는 것을 포함한다.
추가적인 실시예에서, 시스템은, 제2 이미지를 수신하는 것 - 제2 이미지는 제1 이미지와 실질적으로 유사함 - 과, 제2 이미지의 픽셀값을 제2 초기 다차원 컬러 공간으로 맵핑하는 것과, 제2 프로세스된 다차원 컬러 공간을 생성하기 위해, 중간값 필터와 콘볼루션 필터를 초기 다차원 컬러 공간에 적용하는 것과, 제1 이미지와 관련된 프로세스된 다차원 컬러 공간과 제2 이미지와 관련된 제2 프로세스된 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 것을 더 포함하되, 하나 이상의 PLUT 함수를 제1 이미지와 관련된 초기 다차원 컬러 공간에 적용하는 것은 이미지의 더 어두운값을 상승시키고, 중간 톤을 약화시키기 위해, 제1 세트의 PLUT 함수를 적용하는 것과, 미묘한 컬러 색조를 추가하기 위해 다차원 컬러 공간에 제2 세트의 PLUT 함수를 적용하는 것과, 암과 관련된 색상값을 확장하기 위해, 제3 세트의 PLUT 함수를 적용하는 것을 포함한다.
추가적인 실시예에서, 시스템은, 제1 이미지의 콘트라스트를 조절하고 구조적 세부사항을 강조하기 위해, 다차원 컬러 공간의 감마 레벨을 조절하는 것 을 더 포함하되, 하나 이상의 PLUT 함수를 제1 이미지와 관련된 초기 다차원 컬러 공간에 적용하는 것은 휘도 레벨을 약간 감소시키기 위해 제1 세트의 PLUT 함수를 적용하는 것과, 휘도와 관련된 초기 다차원 컬러 공간의 반전값에 제2 세트의 혜LUT 함수를 적용하는 것을 포함한다.
추가적인 실시예에서, 제1 이미지는 고밀도 조직과 지방 조직을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는, 제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와, 제2 다차원 컬러 공간을 생성하기 위해 중간값 필터를 제1 다차원 컬러 공간에 적용하는 단계와, 제3 다차원 컬러 공간을 생성하기 위해 제2 다차원 컬러 공간을 반전시키는 단계와, 제4 다차원 컬러 공간을 생성하고, 지방 유방 조직이 하나의 컬러로 나타내고, 다른 컬러를 사용하여 더 고밀도 유방 조직을 구별시키기 위해, 제1 세트의 하나 이상의 비선형 전달 함수를 제3 다차원 컬러 공간에 적용하는 단계와, 제5 다차원 컬러 공간을 생성하고, 높은 픽셀값을 증폭시키고 낮은 픽셀값을 약화시키고, 유방 영역 구조를 강조하기 위해, 제2 세트의 하나 이상의 전달 함수를 제5 다차원 컬러 공간에 적용하는 단계와, 제5 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 단계를 포함한다.
추가적인 실시예에서, 제1 이미지는 고밀도 조직과 지방 조직을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는, 제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와, 제2 다차원 컬러 공간을 생성하고, 지방 유방 조직이 하나의 컬러로 나타내고, 다른 컬러를 사용하여 더 고밀도 유방 조직을 구별시키기 위해, 제1 세트의 하나 이상의 전달 함수를 제1 다차원 컬러 공간에 적용하는 단계와, 제2 다차원 컬러 공간을 HLS 컬러 공간 내의 제3 다차원 컬러 공간으로 전환하는 단계와, 제3 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 단계를 포함한다.
추가적인 실시예에서, 제1 이미지는 고밀도 조직과 지방 조직을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는, 제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와, 제2 다차원 컬러 공간을 생성하고, 지방 유방 조직이 하나의 컬러로 나타내고, 다른 컬러를 사용하여 더 고밀도 유방 조직 내의 세부 구조물을 구별하고 나타내기 위해, 제1 세트의 하나 이상의 전달 함수를 제1 다차원 컬러 공간에 적용하는 단계와, 제2 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 단계를 포함한다.
추가적인 실시예에서, 제1 이미지는 고밀도 조직과 지방 조직을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는, 제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와, 제2 다차원 컬러 공간을 생성하고, 지방 유방 조직이 투명하게 나타내고, 다른 컬러를 사용하여 더 고밀도 유방 조직을 구별시키고, 작은 점형 구조물을 구별시키기 위해, 제1 세트의 하나 이상의 전달 함수를 제1 다차원 컬러 공간에 적용하는 단계와, 제2 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 단계를 포함한다.
추가적인 실시예에서, 제1 이미지는 고밀도 조직과 지방 조직을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는, 제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와, 제2 다차원 컬러 공간을 생성하기 위해 중간값 필터를 제1 다차원 컬러 공간에 적용하는 단계와, 제3 다차원 컬러 공간을 생성하기 위해 콘볼루션 필터를 제2 다차원 컬러 공간에 적용하는 단계와, 복사본 제1 이미지를 임포팅하는 단계와, 이미지 픽셀값을 제4 다차원 컬러 공간으로 맵핑하는 단계와, 제5 다차원 컬러 공간을 생성하고 콘트라스트를 설정하고 지방 유방 조직을 어둡게하기 위해, 제1 세트의 하나 이상의 전달 함수를 제4 다차원 컬러 공간에 적용하는 단계와, 제6 다차원 컬러 공간을 생성하고 콘트라스트를 설정하고 지방 유방 조직을 어둡게하기 위해, 제2 세트의 하나 이상의 전달 함수를 제5 다차원 컬러 공간에 적용하는 단계와, 제7 다차원 컬러 공간을 생성하고, 지방 유방 조직 휘도를 반전시켜서 하나의 컬러로 나타내고, 다른 컬러를 사용하여 고밀도 유방 조직 내의 세부 구조를 구별시키고 나타내기 위해, 제3 세트의 하나 이상의 전달 함수를 제6 다차원 컬러 공간에 적용하는 단계와, 제8 다차원 컬러 공간을 생성하고 유방 경계를 정의하기 위해, 제4 세트의 하나 이상의 전달 함수를 제7 다차원 컬러 공간에 적용하는 단계와, 제9 다차원 컬러 공간을 생성하기 위해 제3 다차원 컬러 공간과 제8 다차원 컬러 공간을 합병하는 단계와, 제9 다차원 컬러 공간을 그레이스케일값으로 전환하고 제9 다차원 컬러 공간을 나타내는 이미지를 디스플레이하는 단계를 포함한다.
추가적인 실시예에서, 제1 이미지는 고밀도 유방 조직과 지방 유방 조직의 그림을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는, 제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와, 제2 다차원 컬러 공간을 생성하고 이미지 픽셀값이 비선형적으로 반전되도록 하기 위해, 제1 세트의 하나 이상의 전달 함수를 제1 다차원 컬러 공간에 적용하는 단계와, 제3 다차원 컬러 공간을 생성하고, 지방 유방 조직이 하나의 컬러로 나타나고, 다른 컬러를 사용하여 고밀도 유방 조직 내의 세부 구조를 구별시키고 나타내기 위해, 제2 세트의 하나 이상의 전달 함수를 제2 다차원 컬러 공간에 적용하는 단계와, 제4 다차원 컬러 공간을 생성하고, 지방 유방 조직이 하나의 컬러로 나타나고, 다른 컬러를 사용하여 고밀도 유방 조직 내의 세부 구조를 구별시키고 나타내기 위해, 제3 세트의 하나 이상의 전달 함수를 제3 다차원 컬러 공간에 적용하는 단계와, 제4 다차원 컬러 공간을 HLS 컬러 공간 내의 제5 다차원 컬러 공간으로 전환하는 단계와, 제6 다차원 컬러 공간을 생성하기 위해 어두워진 블렌드(darken blend)를 사용함에 의해, 제5 다차원 컬러 공간과 제1 다차원 컬러 공간을 합병하는 단계와, 제7 다차원 컬러 공간을 생성하기 위해 제6 다차원 컬러 공간의 불투명성을 조절하는 단계와, 제7 다차원 컬러 공간을 그레이스케일값으로 전환하고, 제7 다차원 컬러 공간을 나타내는 이미지를 디스플레이하는 단계를 포함한다.
추가적인 실시예에서, 제1 이미지는 고밀도 조직과 지방 조직을 포함하는 유방 조직의 그림을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는, 제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와, 제2 다차원 컬러 공간을 생성하기 위해 중간값 필터를 제1 다차원 컬러 공간에 적용하는 단계와, 제3 다차원 컬러 공간을 생성하고, 지방 조직의 콘트라스트를 변경하고 명도를 줄이기 위해, 제1 세트의 하나 이상의 전달 함수를 제2 다차원 컬러 공간에 적용하는 단계와, 제4 다차원 컬러 공간을 생성하고, 더 고밀도인 유방 조직을 제외한 유방 조직을 컬러화하기 위해, 제2 세트의 하나 이상의 전달 함수를 제3 다차원 컬러 공간에 적용하는 단계와, 제5 다차원 컬러 공간을 생성하고, 지방 조직을 거의 솔리드 컬러로 줄이기 위해, 제3 세트의 하나 이상의 전달 함수를 제4 다차원 컬러 공간에 적용하는 단계와, 제6 다차원 컬러 공간을 생성하기 위해 제5 다차원 컬러 공간의 컬러를 반전시키는 단계와, 제7 다차원 컬러 공간을 생성하고 유방 조직의 경계 외부로부터 유방 조직을 구별시키기 위해, 제4 세트의 하나 이상의 전달 함수를 제6 다차원 컬러 공간에 적용하는 단계와, 제7 다차원 컬러 공간을 HLS 컬러 공간 내의 제8 다차원 컬러 공간으로 전환하고, 제9 다차원 컬러 공간을 생성하기 위해 제8 다차원 컬러 공간의 HLS 특성을 조절하는 단계와, 제9 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 단계를 포함한다.
일 실시예에서, 본 명세서에 기술된 시스템에 의해 수행된 방법이 있다.
본 발명의 실시예의 상기 요약은 물론 이하의 상세한 설명은, 예시적인 실시예의 첨부 도면과 함께 읽을 때, 더 잘 이해될 것이다. 그러나, 본 발명은 정확한 방식과 준비된 수단에 제한되지 않는다는 것을 이해해야 한다.
도면에서,
도 1a는 본 발명의 적어도 어떤 실시예에 따른, 반복 함수 모듈의 요소를 나타내는 다이어그램이다.
도 1b는 본 발명의 적어도 어떤 실시예에 따른, 암의 패턴을 나타내기 위한, 두 개의 상이한 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스로 원래의 마모그램(mammogram)을 프로세싱한 이후의 두 개의 결과적인 이미지 표현을 나타낸다.
도 1c는 본 발명의 적어도 어떤 실시예에 따른, 곡선의 형상이 입력값을 출력값으로 변경하기 위해 조절되었던 2개의 결정점(앵커)을 가진 특징적인 비선형 휘도 변형 "톤 조절 곡선"을 나타낸다.
도 1d는 본 발명의 적어도 어떤 실시예에 따라 구현된 이미지 프로세싱과 분석의 레벨의 계층 구조를 나타낸다.
도 1e는 본 발명의 적어도 어떤 실시예에 따른 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 1f는 본 발명의 적어도 어떤 실시예에 의해 사용되는 비선형 전달 함수를 나타내는 좌표계에서의 플롯을 나타낸다.
도 1g는 본 발명의 적어도 어떤 실시예에 의해 사용되는 그레이스케일 이미지 내의 유방 조직 컬러를 나타내는 좌표계에서의 플롯을 나타낸다.
도 2a는 본 발명의 적어도 어떤 실시예에 따른, 새로운 프로필 룩업 테이블(PLUT) 입력값과 출력값을 생성하는데 사용될 수 있는 수학적 함수를 나타낸다.
도 2b는 본 발명의 적어도 어떤 실시예에 따른 8-비트 그레이스케일 이미지에 대한 룩업 테이블(LUT)을 나타낸다.
도 2c는 본 발명의 적어도 어떤 실시예에 따른 하나 이상의 방법을 수행하기 위한 전자 장치를 나타내는 블록도를 나타낸다.
도 3a는 이미지의 가장 밝은 영역에서 암을 포함하는 예시적인 고밀도 원래의 X-레이 마모그램을 나타낸다.
도 3b는 본 발명의 적어도 어떤 실시예에 따른 하나 이상의 방법을 사용하여, 결과로 나온 이미지를 생성하기 위해, 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 적용한 이후의 예시적인 마모그램 이미지를 나타낸다.
도 4a 내지 4k는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 컬러 이미지 내의 유방 이상을 나타내기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 5a 내지 5i는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 그레이스케일 이미지 내의 저 약독화 유방 조직을 나타내기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 6a 내지 6i는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 그레이스케일 이미지 내의 고밀도 유방 조직 내의 세부사항을 나타내기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 7a 내지 7j는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 그레이스케일 이미지 내의 고밀도 유방 조직 내의 미세석회화의 존재를 나타내기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 8a 내지 8u는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 그레이스케일 이미지 내의 매우 미세한 유방 조직 구조의 세부사항을 나타내기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 9a 내지 9q는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 그레이스케일 이미지 내의 유방 이상을 나타내기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 10a 내지 10w는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 그레이스케일 이미지 내의 유방 이상을 격리시키기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 11a 내지 11d는 본 발명의 적어도 어떤 실시예에 따른 하나의 로컬 마이크로-콘트라스트 컨버젼스 알고리즘로부터의 동일한 패턴을 나타내는 4개의 상이한 이미지 획득 양상으로부터 생성된 4개의 상이한 마모그램에 적용된 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스을 나타낸다.
도 11e는 수술적으로 제거된 유방 암 조직의 X-레이 이미지를 나타낸다.
도 11f는 본 발명의 적어도 어떤 실시예에 따른 도 11e의 X-레이에 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 적용한 후의 결과를 나타낸다.
도 11g는 암의 존재를 나타내는 마모그래픽 X-레이 이미지의 확대도를 나타낸다.
도 11h는 도 11g 내의 X-레이에 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 적용한 후의 결과를 나타낸다.
도면에서,
도 1a는 본 발명의 적어도 어떤 실시예에 따른, 반복 함수 모듈의 요소를 나타내는 다이어그램이다.
도 1b는 본 발명의 적어도 어떤 실시예에 따른, 암의 패턴을 나타내기 위한, 두 개의 상이한 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스로 원래의 마모그램(mammogram)을 프로세싱한 이후의 두 개의 결과적인 이미지 표현을 나타낸다.
도 1c는 본 발명의 적어도 어떤 실시예에 따른, 곡선의 형상이 입력값을 출력값으로 변경하기 위해 조절되었던 2개의 결정점(앵커)을 가진 특징적인 비선형 휘도 변형 "톤 조절 곡선"을 나타낸다.
도 1d는 본 발명의 적어도 어떤 실시예에 따라 구현된 이미지 프로세싱과 분석의 레벨의 계층 구조를 나타낸다.
도 1e는 본 발명의 적어도 어떤 실시예에 따른 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 1f는 본 발명의 적어도 어떤 실시예에 의해 사용되는 비선형 전달 함수를 나타내는 좌표계에서의 플롯을 나타낸다.
도 1g는 본 발명의 적어도 어떤 실시예에 의해 사용되는 그레이스케일 이미지 내의 유방 조직 컬러를 나타내는 좌표계에서의 플롯을 나타낸다.
도 2a는 본 발명의 적어도 어떤 실시예에 따른, 새로운 프로필 룩업 테이블(PLUT) 입력값과 출력값을 생성하는데 사용될 수 있는 수학적 함수를 나타낸다.
도 2b는 본 발명의 적어도 어떤 실시예에 따른 8-비트 그레이스케일 이미지에 대한 룩업 테이블(LUT)을 나타낸다.
도 2c는 본 발명의 적어도 어떤 실시예에 따른 하나 이상의 방법을 수행하기 위한 전자 장치를 나타내는 블록도를 나타낸다.
도 3a는 이미지의 가장 밝은 영역에서 암을 포함하는 예시적인 고밀도 원래의 X-레이 마모그램을 나타낸다.
도 3b는 본 발명의 적어도 어떤 실시예에 따른 하나 이상의 방법을 사용하여, 결과로 나온 이미지를 생성하기 위해, 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 적용한 이후의 예시적인 마모그램 이미지를 나타낸다.
도 4a 내지 4k는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 컬러 이미지 내의 유방 이상을 나타내기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 5a 내지 5i는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 그레이스케일 이미지 내의 저 약독화 유방 조직을 나타내기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 6a 내지 6i는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 그레이스케일 이미지 내의 고밀도 유방 조직 내의 세부사항을 나타내기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 7a 내지 7j는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 그레이스케일 이미지 내의 고밀도 유방 조직 내의 미세석회화의 존재를 나타내기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 8a 내지 8u는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 그레이스케일 이미지 내의 매우 미세한 유방 조직 구조의 세부사항을 나타내기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 9a 내지 9q는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 그레이스케일 이미지 내의 유방 이상을 나타내기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 10a 내지 10w는 본 발명의 적어도 어떤 실시예에 따른, 결과로 나온 그레이스케일 이미지 내의 유방 이상을 격리시키기 위해, 마모그래픽 이미지를 프로세스하기 위한 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 나타낸다.
도 11a 내지 11d는 본 발명의 적어도 어떤 실시예에 따른 하나의 로컬 마이크로-콘트라스트 컨버젼스 알고리즘로부터의 동일한 패턴을 나타내는 4개의 상이한 이미지 획득 양상으로부터 생성된 4개의 상이한 마모그램에 적용된 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스을 나타낸다.
도 11e는 수술적으로 제거된 유방 암 조직의 X-레이 이미지를 나타낸다.
도 11f는 본 발명의 적어도 어떤 실시예에 따른 도 11e의 X-레이에 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 적용한 후의 결과를 나타낸다.
도 11g는 암의 존재를 나타내는 마모그래픽 X-레이 이미지의 확대도를 나타낸다.
도 11h는 도 11g 내의 X-레이에 예시적인 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스를 적용한 후의 결과를 나타낸다.
도면을 자세히 참조하면, 유사한 참조 번호는 전반에 걸쳐 유사한 요소를 나타내고, 도 1a - 11h에 도시된 시스템, 장치 및 방법은 본 발명의 예시적인 실시예에 따라 일반적으로 설계된다.
도입부
의료계에서 대부분의 이미지 프로세싱과 분석 방법론은 이미지 내의 영역이 관심 영역(AOI)으로서, 다이버지하거나(diverge), 바이퍼케이트(bifurcate)하거나 격리되도록 설계된다. 이들 프로세스에서, AOI는 세그멘테이션 알고리즘의 하나 이상의 시퀀스를 적용함에 의해 격리된다. 컴퓨터 자동 검출(CAD) 프로세스로 알려진 많은 이미지 프로세싱과 분석 방법론은 마모그램 내의 유방암, 다른 양상에서 다른 질환의 존재를 식별하고 및 의료 분야 외의 응용예에서 사용되도록 설계된다. 연구 결과는, 유방 이미지 분석에서 사용되는 CAD 프로세스는 5,000 내지 1까지의 위양성율(false positive rate)을 가지는 것을 나타냈다. 위양성은 양성으로 잘못 카테고리된 음성 이벤트의 수(위양성)와 실제 음성 이벤트의 전체 수 간의 비율이다.
관심 대상의 시각적 또는 데이터 세그멘테이션, 이미지 내의 대상의 바이퍼케이트, 및/또는 이미지의 다른 조직으로부터의 이후의 격리(divergence)는 임상의에게 이러한 기술의 효과를 매우 제한하는 프로세스이다. 바이퍼케이팅/세그멘팅 프로세스가 AOI가 발생하는 임의의 더 큰 맥락으로부터 주변 물체/조직의 맥락을 제거하기 때문에, 의사에게 이러한 프로세스의 진단값은 매우 제한되는데, 왜냐하면, 유방 내의 질환이나 이상(abnormality)의 위치 및 주변 조직이 가능한 결과와 치료에 대한 개선된 임상적 결정을 내리는데 사용을 제한하기 때문이다.
이미지 내의 국부적 특성을 사용함에 의해 원래의 그레이스케일 이미지를 검사하기 위해, 휘도값, 연속 평균 필터, 고무-밴드 직선화 변형, 의심되는 관심 영역에서 환상성(circularity)의 측정, 텍스처, 그래디언트 히스토그램 및 그레이 레벨 증가 분석과 같은 많은 수학적 접근법이 발명되었다. 이들 접근법의 대다수는 검출된 대상이 주변 이웃값들의 값과 매우 유사한, 이미지의 영역 내의 허용 가능한 결과를 생성하는데 실패한다. 암이 검출될 수 있으나, 그 암의 가장자리(경계)는 명확하게 설정되지 않을 수 있다. 지도와 분석될 이미지 내의 알려지지 않은 세트의 이미지 메트릭 간의 유사성에 기초하여, 나머지 것들은 알려진 병리학의 지도가 개연성을 결정하기 위해 프로세스될 이미지와 비교되는 기계 학습을 사용한다.
또한, 많은 CAD 방법론은, 이상 정도를 시각적으로 확인하거나 정상 조직으로부터 이상의 특징을 구별시키기 위해, 방사선 전문의에게 도움으로서, 프로세스된 이미지 내의 대상의 시각화와 특징화를 개선하지 않는다. 그 대신에, CAD 접근법은 원래의 마모그램 이미지 내의 위치 마커를 간단하게 배치한다. 이는, 추가적인 시각 정보를 판별하는 것이 마커의 타당성을 평가할 수 없다는 점에서, 방사선 전문의에 대한 딜레마를 더욱 제공한다. CAD 방법론을 사용하면, 방사선 전문의는 암이나 다른 이상의 존재에 대해 원래의 이미지를 평가할뿐만 아니라, CAD 프로세스와 관련된 매우 높은 위양성율을 인식하면서, 주어진 마커의 타당성도 평가해야만 한다. 유사한 결핍이 CAD 방법론이나 이미지 세그멘테이션 알고리즘 접근법을 사용하는 필드의 넓은 스펙트럼에 존재한다.
그러므로, CAD, 바이퍼케이팅 또는 다이버젼스-기반의 프로세스를 넘는 이미지-프로세싱 기술을 개선하는 것이 기술 분야에서 필요하다.
유방암 이미징 도메인 응용예
마모그래피는 사람의 유방의 이미지를 생성하여, 유방암이나 다른 이상의 가능한 존재를 검출하기 위해 X-레이 방사선 사진을 사용하는 것이다. 마모그램의 사용이 유방암을 검출하기 위해 스크리닝 하는데 현재 가장 우수한 방법론이지만, 암을 가진 10% 내지 30%의 여성이 음성(즉, 암 없음)으로 보고된다. 이는 부분적으로 매우 복잡하고, 종종 마모그래픽 이미지 내의 암을 검출의 매우 미묘한 성질 때문일 수 있고, 유방암을 가질 더 높은 가능성을 가진 고밀도 유방 조직을 가진 여성에 대해 특히 심각한 문제이다. 마모그램에서의 암은 하얗게 나타나고, 유방은 하얗고(가령, 고밀도 유방 조직) 어둡게(가령, 지방 유방 조직) 나타나는 비-암적인 요소를 포함한다. 방사선 전문의는 지방 조직 내의 암을 용이하게 관측하지만, 고밀도 유방 조직 내에서 발생하는 암은 주변 조직으로부터 구별하기 매우 어렵다. 거의 40%의 여성이 고밀도 조직의 적어도 일부를 포함한 유방을 가지는데, 결과적으로, 여성의 유방 조직 내의 밀도의 레벨 또는 상대적인 양과 무관하게 암적인 병소를 구별할 수 있는 필요성이 매우 크다.
게다가, 방사선 전문의가 유방암이 마모그램 내에 존재한다고 결정할 때, 여러 가능한 후속 시술(follow-up procedure)이 사용될 수 있다. 이들은 초음파의 사용, 콘트라스트를 가진 MRI, 유방 CT 스캔, 및 생체 검사를 포함할 수 있다. 이들 후속 시술은 비싸고, 환자와 그 가족에게 빈번하게 감정적으로 트라우마가 되며, 일부의 경우, 물리적 트라우마를 야기할 수 있다. 생체 검사에 대한 필요성을 나타낼 때, 초음파의 양성 예측 값(positive predictive value)은 단지 9%이다. 임상학적으로, 초음파 이후에 생체 검사를 한 91%의 환자는 병리학에 의해 암을 가지지 않은 것으로 확인된다. 마찬가지로, MRI를 가지고 생체 검사를 한 60%의 환자는 암을 가지지 않았다. 본 명세서에서 사용된 바와 같이, 양성 예측 값은 양성 스크리닝 테스트를 가진 대상이 질환을 가질 확률을 말한다. 본 명세서에서 사용된 바와 같이, 음성 예측 값은 음성 스크리닝 테스트를 가진 대상이 질환을 가지지 않을 확률을 말한다.
마모그램에서 가능한 질환의 표시를 가진 초음파 환자는 초음파 검사나 콘트라스트를 가진 MRI 검사로 보내질 수 있다. 초음파가 수행되고, 방사선 전문의가 초음파 이미지로부터 암이 존재할 수 있다고 결정할 때, 생체 검사가 종종 추천된다. 초음파에 기초하여, 후속 생체 검사를 받은 환자들 중에서, 91%는 암을 가지지 않았다.
높은 정도의 민감도와 특이도로 암을 나타낼 수 있고, 표준 스크리닝과 비싸지 않은 이미징(가령, 마모그램)을 사용하는 접근법은 오늘날의 암 검출 환경에서 돌파구를 제공할 것이다. 대략 90%의 유방암은 유방 조직의 도관을 라이닝하는 세포에서 발생한다. 유방암의 초기 검출은 이미지 내에 존재할 수 있는 이러한 변화를 구별하는 임상학적인 능력에 의존한다. 다시 말해, 국부적이거나 일반적인 고밀도 유방 조직의 존재는 이것이 매우 어려운 임무로 만든다. 유방 밀도에 따라, 고밀도 유방은 5% 내지 95% 고밀도 유방 조직을 포함하는 것으로 이해될 수 있다. 전형적으로, 밀도는 유방 부피 전반에 걸쳐서, 다른(가령, 상이하거나 이웃하는) 영역 보다 더 많은 밀도 또는 더 적은 밀도를 가진 일부 국부적인 영역에 따라 가변한다. 전반적으로, 여성의 유방 내의 특정 영역이 매우 고밀도이고, 지방 조직을 포함하는 매우 저밀도의 다른 영역일 수 있다. 어떤 여성은, 전체 유방이 매우 고밀도인 반면, 다른 여성은 고밀도가 발생한 점만 있다. 밀도의 정도가 여성의 유방의 높은 퍼센트에도 불구하고, 고밀도 영역 내에서 발생하는 임의의 암은 오진단되는데, 왜냐하면, 유방암은 마모그램에서, 고밀도 유방 조직과 마찬가지로 종종 하얗게 나타나고, 이는 종종 방사선 전문의가 고밀도와 암 자체를 구별할 수 없도록 하기 때문이다.
유방암은 정상 조직에서 하나 이상의 상이한 변형의 진행으로 진화될 수 있다. 정상 조직 진화는 정상에서 과형성으로, 비정형 과형성으로, 관상피내암(DCIS)으로 침습성 DCIS로 진행될 수 있다. 조직은 정상에서 중간 단계 없이 침습성 암종으로 진화될 수 있다. 종양이 관을 넘어 성장하면, 침습성 암종이라고 한다.
현재, 병소의 크기가 1 mm 이하일 때에, 1% 유방암만이 검출될 수 있다.
조직의 국부적이거나 보편적인 가변 밀도를 나타내는 이미지 내의 암을 검출하기 위해, 컴퓨터 자동 검출과 기계-학습 테크닉을 사용하는 것의 문제는, 살아있는 조직 내에서 발생할 수 있는 동적인 구조 문제와 관련된 가변성에 의해 악화된다는 것이다. 가능한 조합의 수와 관련된 질환의 세그멘테이션은, 위양성의 낮은 수를 유지하면서, 암을 일관적으로 검출하기 위해 컴퓨터를 트레이닝하기에 매우 어렵게한다.
표준 기계 학습 프로토콜과 같은 테크닉, 세그멘테이션 알고리즘의 사용 및 이미지 내에서 질환과 관련된 픽셀만을 격리(즉, 세그멘트 또는 바이퍼케이트)시키는 프로세스는 질환을 정확하게 식별하기 위한 가능성으로서 너무 많은 조합을 가지는 문제가 있다. 이들 프로세스는, 관심 대상과 관련된 고유한 경계를 가진 단일 대상이 있을 때, 최고로 기능한다. 예를 들어, 현미경을 통해 생성된 이미지 내의 박테리아를 식별하는 것은, 박테리아가 명확한 형상과 크기를 가지고, 세포 경계가 다른 가능한 조합을 제한하기 때문에 도움이 된다. 이름이 내포하듯이, 이미지의 바이퍼케이션은 이진(네/아니오) 결과를 야기하는 갑작스러운 변경을 야기하고, 이미지 내용의 주어진 도메인 내의 경계에서 미묘한 차이를 허용하지 않는다.
이에 반해, 유방암은 물론 다른 질환과 이상은 경계가 확산된다. 암은 종종 비정형이고, 멀티-패턴화된다. 또한, 조직은 다양한 천이 단계에 있을 수 있다. 병소는 비정형 과형성 상태에 있음은 물론 관상피내암, 그리고 침습성이 되는 세포를 가질 수 있다. 또한, 정상 유방 상태와 이상 유방 상태는,
침상 및 석회화의 존재,
괴사 조직의 존재,
내장된 암과 관련된 고밀도 섬유유선 조직의 풍부와,
이전의 수술, 생체 검사 또는 몸무게 증가와,
여자의 월경 주기에 대한 변경이나 폐경으로부터의 변경을 포함하거나, 이에 의해 영향을 받을 수 있다.
종래의 CAD 접근법
일반적으로, 유방암과 관련된 방사선 사진 결과는 일반적으로 두 개의 상이한 타입의 구조의 존재를 식별하는 것과 관련되는데, 매스(masses)와 미세석회화이다. 일반적으로 병리학과 관련된 미세석회화는 도관에서 발생하고, 신생물(neoplasm)과 관련된다. 매스는 종종 이상과 상관되고, 양성이나 암성일 수 있다. 유방 내의 섬유유선 조직은 매스를 흐릿하게 하여, 프로세스되지 않은 이미지에서 검출을 어렵게한다.
마모그래피에서, 두 개의 마모그래픽 뷰는 일반적으로 각각의 유방에 대해 생성되어서(크래니얼/코들 CC 및 미디얼 래터럴 오블리크(medial lateral oblique, MLO)), 모든 유방 실질(parenchyma)이 뷰에 포함된다. 이는, 두 개의 상이한 뷰 사이에서의 구조의 존재와 치수를 상관시키기 어렵다는 점에서, 암 검출과 정량화의 임무를 더 복잡하게 한다.
기존의 컴퓨터화된 진단 방법론은 전형적으로 다음의 프로세싱 시퀀스를 사용하는데, 병소 의심하기 > 병소 추출 > 병소 특징화 > 분류 > 악성 확률 예측 > 확률 보고이다.
이들 방법론에서, 가능성있는 악성에 대한 영역을 분석하기 위한, 걱정되는 부분을 세그먼트하거나 추출(가령, 나누기 위해)하는 것이 중요하다. 예를 들어, 이미지에 대해 이퀄리제이션 프로세스나 다이버젼스 프로세스를 적용하는 것은 좀 더 고밀도 조직으로부터 지방 조직을 구별시키는 것이다. 이퀄리제이션 프로세스는, 선형 프로세스이고 모든 마모그램에 대해 최적인 특정 스레숄딩이 없다는 점에서, 한계가 있다. 다이버젼스-타입 세그멘테이션 알고리즘은 고밀도 조직으로부터 지방 조직을 분리시키는데 사용되지만, 하얀 고밀도 유방 조직 내의 하얀 암 영역의 구별은 효과적으로 지원하지 않는다.
이진 프로세스는 전형적으로, 특정 질환을 찾도록 설계되지만, 유방의 구조적 왜곡, 유방 간의 비대칭 정도, 젖꼭지 수축, 확장된 관 및 피부 병소와 같은, 마모그래픽이나 다른 의료적 이미지 내의 다른 진단적으로 중요한 특징을 해결하지 못한다. 암적인 것은 아니지만, 이들 특징은 임상의와 그의 환자에게 여전히 중요하다. 세그멘테이션과 바이퍼케이팅 다이버젼스 알고리즘 접근법이 암에 집중되지만, 이들은 이미지 내의 모든 조직의 전반적인 구조를 해결하도록 설계되지 않는다.
이들 세그멘테이션 테크닉은 종종 픽셀 내의 그레이 레벨 증가의 분석을 사용하여, 가능한 병소의 경계를 정의한다. 다른 테크닉은 픽셀의 확률적 보간법을 사용하지만, 보간 방법은 병소 조직과 고밀도 조직 간의 극도의 유사성에 의해 다시 제한된다.
로컬 마이크로-콘트라스트-기반의 컨버젼스
본 발명의 일부 실시예에서, 주어진 이미지의 맥락에서 모든 구조와 특징을 차동적이고 예측적으로 시각화하고 특징화함에 의해, 모든 조직의 맥락을 유지하고 시각화를 개선하도록 설계된 이미지 프로세싱 방법론과 관련된 시스템과 방법이 개신된다. 이들 실시예는, 각각의 물질 타입과 관련된 로컬 마이크로-콘트라스트 패턴이 합쳐지고(coalesce)(또는 컨버지) 결과로 나온 프로세스된 이미지 내의 명확한 특징적인 패턴으로 표현되도록 하는, 이미지 프로세싱 기능의 반복적인 시퀀싱의 프로세스를 사용한다. 다시 말해, 이들 실시예는, 조직의 나머지의 맥락 외부의 식별된 조직 타입을 추출하거나 제거하려고 시도하기 보다는, 조직의 나머지의 맥락 내에서 모든 조직 타입의 특징화를 위한 접근법을 제공한다.
실제 세상 내의 많은 대상, 가령, 생물학적 성장, 뉴론의 패턴, 강의 줄기, 파이프의 부식 및 눈송이의 형성은 통계적으로 자기유사(self-similar)이고, 이러한 진화의 패턴은 많은 확대 스케일에서 동일한 통계적 특성을 나타낸다. 이들 패턴에서, 대상이나 패턴의 작은 조각은 더 큰 스케일에서의 패턴과 유사하다. 이들 자기유사 자연 패턴은 이미지 내의 캡쳐된 이산 픽셀 이웃으로 표현된다. 본 명세서에 기술된 본 발명의 적어도 일부의 실시예에서 사용된 바와 같은, 로컬 마이크로-콘트라스트 컨버젼스 방법론에서 사용될 수 있는 반복적인 프로세스는, 이미지 내의 임의의 스케일에서 이들 자기유사 패턴을 명시적으로 시각화하고 특징화하도록 기능적으로 설계된다.
도 1a는 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스 경로 접근법의 일 실시예에다. 원래의 이미지(101), 가령, 그레이스케일 이미지(101)는 반복 함수 모듈 프로세싱 시퀀스 내로 입력된다. 그리고 나서, 이미지(101)는 이미지 프로세싱 함수(102)에 의해 프로세스되고, 이는 결과로 나온 이미지(103)가 되거나, 함수(102)와 상이한 제2 이미지 프로세싱 함수에 의해 추가로 프로세스된다. 반복 프로세스(104)는 0 부터 n 번까지 적용될 수 있다.
암과 같은 질환은 그 성장에 있어서 자기 유사와 같이 나타나고, 그 성장은 로컬 마이크로-콘트라스트 프로세스를 사용하여 임의의 스케일에서 특징화되고 시각화될 수 있는데, 매우 작은 암적인 병소는 큰 병소와 동일한 표현된 패턴으로 나타난다.
프랙털 기하학이 수학적 함수의 반복을 통해 자연의 패턴을 생성할 수 있는 반면, 실시예의 이러한 세트에서 예시화된 접근법은 생물계에서 생성된 프랙털 패턴을 이미지 내의 픽셀 데이터의 식별가능하고 측정가능한 표현으로 수학적으로 분해된다. 결과적으로, 본 명세서에 기술된 로컬 마이크로-콘트라스트 컨버젼스 알고리즘은 반복 프로세스에 수학적으로 병렬적일 수 있고, 유방 경계와 같은 조직 패턴, 암적이고 양성인 병소 가장 자리와 중심, 및 마모그래픽 이미지에 존재할 수 있는 유방 비대칭의 특징을 시각화할 수 있다.
본 명세서에서 사용된 바와 같이, 로컬 마이크로-콘트라스트 컨버젼스는 프로필 룩업 테이블(PLUT) 함수를 사용하는 이미지 변환의 반복 시퀀싱을 말할 수 있다.
본 명세서에서 사용된 바와 같이, PLUT 함수는 이미지의 입력값과 출력값을 명시하는 매트릭스/어레이인 수학 표현을 말하는데, 소스 이미지 내의 국부적이고 자기유사 이미지 콘트라스트 픽셀 변수(가령, 이웃 픽셀관계의 통계-기반의 공통 발생 - 가령, 텍스쳐)는 이산 세트의 값(재구성 레벨이라 함)을 가지는데, 소스 이미지 내의 각각의 국부적인 이웃 내의 픽셀(가령, 유사한 특징을 가진 픽셀)은 결과로 나온 출력 이미지 내의 단색값이나 휘도값으로 할당된다.
로컬 마이크로-콘트라스트 컨버젼스 프로세스 내의 PLUT와 그 밖의 함수의 한 번의 적용 또는 반복 적용은 이웃하는 픽셀 그룹들 간의 관계가 물질의 구조와 이미징 양상에 대한 관계와 일관된 반복적이고 예측가능한 컬러 및/또는 평도 패턴으로 컨버지 또는 합쳐지도록 할 수 있다. 조직/물질 타입이 현저하게 가변할 수 있더라도, 각각의 조직/물질 타입은 공통의 기본적인 픽셀 이웃 관계를 프로세스한다. 이미지의 각각의 영역에 표현된 결과로 나온 로컬 마이크로-콘트라스트 컨버젼스 패턴은, 상이한 타입의 물질을 둘러싸고 오버레이하는 물질의 존재에 관계없이, 각각의 대상이나 물질에 대한 휘도값의 통계적으로-기반된 분포에 기초하여 특징적인 컬러 패턴을 시각적으로 표현할 수 있다. 예를 들어, 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 사용하여, 마모그램 내의 유방암 병소는, 어두운 지방이나 높은 위도 고밀도 유방 조직일 지라도, 이와 관계없이, 특정한 시각적으로-관측가능하고 고유한 정량화할 수 있는 패턴을 특징으로 할 수 있다.
도 1b는 원래의 마모그램 이미지(105)와, 본 발명의 적어도 일부의 실시예를 사용하여 생성된 두 개의 결과로 나온 이미지(107, 108)를 나타낸다. 암의 영역의 윤곽을 보여주는 박스는 106에 도시된다. 두 개의 결과로 나온 이미지는 두 개의 상이한 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스에 의해 생성되고, 107과 108에 도시된 바와 같이, 암의 구별되는 패턴을 나타낸다. 반복 프로세싱 시퀀스는 유방의 원래의 X-레이의 미묘한 그레이스케일 패턴을 에지, 경계, 내부 구조, 텍스쳐, 침상 및 휘도값과 암 응답과 관려된 컬러와 같이, 특징적인 패턴 응답으로 변환시켰다.
도 1c는 109에서 2개의 결절점을 사용하여, 이미지 변환을 플롯하는데 사용되는 표준 포토그래픽 좌표계를 나타낸다. 본 명세서에서 사용된 바와 같이, 결절점은, 곡선의 방향이 변경되는 곡선 상의 특이점을 말한다. 곡선 상의 임의의 결절점을 이동시키는 것은 곡선의 주변 양태를 변경한다. 원래의 이미지의 입력값은 플롯의 바닥(x 축)을 따라 표시되고, 이미지값의 출력은 수직축에 표시된다. 이러한 접근법에 한계가 있다. 결절점은 "곡선"의 형상을 변경하고, 이미지의 입력값과 출력값 사이의 관계를 수정한다. 그러나, 결절점은 곡선의 모든 부분이 연속적이기 위해 링크되어야만 한다. 그러므로, 연속적이고 링크된 값으로 무엇이 맵핑될 수 있는지에 대한 한계가 있다. 결절점을 사용하는 비선형 변환은, 거의 동일한 밀도의 대상의 분리가 요구될 때, 열악하게 수행한다.
현재, 특징 추출은, 대상이 이미지의 픽셀 데이터로부터 성공적으로 세그먼트되거나 추출되는 정도에 완전히 의존된다. 기존 알고리즘이 가능한 병소의 가장 밝은 영역을 찾도록 설계되지만, 이들은 병소의 외부 경계, 진단에서 중요한 영역을 구별하여, 어디에 혈관 형성이 발생하는지 결정하는데 종종 실패한다.
이러한 응용예에서, 하나 이상의 로컬 마이크로-콘트라스트 컨버젼스 함수는 결절점을 사용하지 않아서, 이미지는 병소(또는 다른 관심 특징)의 가능한 외부 경계를 적절힌 정의하기 위해 프로세스될 수 있다.
도 1d는 로컬 마이크로-콘트라스트 컨버젼스 프로세스의 실행을 위한 계층적 접근법을 나타낸다. 시퀀스는 삼각형의 바닥으로터 상단으로 진행되고, 프로세싱 집적화의 더 높은 레벨과 관련된다.
멀티 이미지 양상 융합은 로컬 마이크로-콘트라스트 컨버젼스 프로세스에서 지원된다. 본 출원의 실시예와 관련되는 양상 융합은 상이한 타입의 이미징 양상으로부터 이미지의 입력값을 각색하는 프로세스인데, 동일하거나 약간 수정된 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스가 상이한 이미징 양상 간의 동일한 타입의 조직을 시각화하고 특징화할 수 있도록 한다. 그리고 나서, 로컬 마이크로-콘트라스트 컨버젼스 패턴은, X-레이, 초음파, 유방 CT 및 MRI 스캔으로 볼 때, 환자의 암과 유사할 것이다. 이는, 원칙적인 방법으로 상이한 입력 양상으로부터 정보를 결합하도록 허용한다. 이미징-기반의 융합 접근법은, 신호가 이미지 특징 레벨에서 통합되는 이전 융합 및 정보가 사후-프로세싱 이미지 특징 분석 툴을 사용하여 세맨틱 레벨에서 통합되는 나중 융합을 가능하게 한다.
이들 데이터는 하나 이상의 벡터 좌표에서 국부화된 응답 패턴에 상관된 하나 이상의 확률 분포 함수를 생성하는데 사용될 수 있어서, 조직/물질이 다른 조직/물질 타입과 오버레이 될 때에도, 정상, 양성 및 암성의 유방-조직-타입과 같은 물질을 특징화하고, 그 데이터를 X-레이, MRI, 또는 초음파 이미지의 다중성으로부터의 그 데이터를 상관시킨다.
일부 실시예에서, 멀티-프로세싱 시퀀싱, 멀티-이미지 합성 및 양상 융합, 결과로 나온 이미지는 분석되고, 전문가 시스템에서 이들 이미지 중에 데이터 상관될 수 있다. 모든 조직이 로컬 마이크로-콘트라스트 컨버젼스 프로세스에서 시각화되기 때문에, 질환은 검출될 수 있고, 원래의 장기 내에서 질환의 발생과 질환의 병리학이 상관될 수 있다. 이는 질환 예방 및 약물/처리 치료에서 진보된 연구에 기회를 제공한다.
본 명세서에 기술된 본 발명의 적어도 일부의 실시예는 이미지 내의 조직/물질 타입을 일관적으로 특징화할 수 있는데, 의료계에서의 프로세스와 같이, 자연 프로세스의 이미지 내에 표현된 성장/진화의 패턴과 관련된 복합 확률적 비-유클리드 프랙털 형상 때문에, 순수하게 결정론이거나 간단한 랜덤 성분으로 결정론으로 구축된 다른 수학저 모델은 실패한다.
일부 실시예에서, 방법은 구조물 내의 구조물을 식별할 수 있도록 구체적으로 설계된다. 예를 들어, 의료 이미징 응용예에서, 최종 이미지는 이미지 내의 나머지 구조물의 맥락에서 이상 조직의 존재와 구조에 관한 시각적 증거를 제공한다. 최종 이미지는 또한, 이상 대상과 다른 정상과 이상 조직 타입을 상관시키는 메카니즘을 제공할 수 있다. 예를 들어, 수유관 내에 있는 암성의 병소는 림프절과 관련되어 나타나거나 침습성이 되는 병소와 관심의 레벨이 싱아하다. 마찬가지로, 미세석화와 인접한 암종은 흉벽 옆의 암종이나 유방의 현저한 비대칭이 있는 상황에서의 암종과 비교할 때, 상이한 임상 해석을 요한다.
반복 이미지 프로세스의 예시는 도 1e에 도시된다. 구체적으로, 도 1e는 로컬 마이크로-콘트라스트 컨버젼스 프로세스의 예시적인 기본 시퀀싱을 나타내어서, 반복 함수 모듈(110) 접근법이 제1 이미지(111)를 취하고, 이를 제1 세트의 하나 이상의 비선형 전달 함수(112)(가령, 로컬 마이크로-콘트라스트 컨버젼스 알고리즘)로 프로세스한다. 생성된 제2 이미지는 최종 결과로 나온 이미지(120)가 되거나, 다음 프로세싱 단계가 알고리즘의 일부로 설계된다면, 제1 반복 이미지(113)가 제2 함수(114)(가령, 제2 세트의 하나 이상의 비선형 전달 함수)로 추가로 프로세스되어서 이미지(115)를 낳는다. 프로세스는 결과로 나온 이미지(120)를 출력하기 위해, 주어진 알고리즘 시퀀스(116 내지 119) 내에서 적용되는 상이한 세트의 비선형 전달 함수(가령, 제3 세트의 하나 이상의 비선형 전달 함수 또는 제4 세트의 하나 이상의 비선형 전달 함수)로 반복될 수 있다.
일부 실시예에서, 동일한 소스 이미지(111)를 사용하여, 제2 반복적 함수 모듈은 동일한 이미지(111)에 적용될 수 있으나, 상이한 특징화와 조직들 간의 관계를 나타내기 위해 상이한 함수와 수의 반복을 적용할 수 있다. 결과적으로, 이러한 멀티-프로세스 시퀀싱 접근법은 동일한 원래 이미지 내의 동일한 대상의 두 개의 구별되는 특징화를 제공할 수 있다.
일부 실시예에서, 둘 이상의 결과로 나온 이미지는 멀티-이미지 합성 프로세스에서 결합되거나 합병될 수 있어서, 두 개의 결과로 나온 이미지들의 합성 또는 하나의 결과로 나온 이미지와 원래의 이미지의 합성인 새로운 결과로 나온 이미지를 생성할 수 있다. 이러한 합성 이미지는 추가로 프로세스되거나 다른 결과로 나온 이미지와 결합될 수 있다.
도 1f는 본 발명의 적어도 하나의 실시예에 따른 불연속적인 비선형 전달 함수(121)를 나타내는 좌표계에서의 플롯을 도시한다. 도 1f는 x-축을 따라 입력 이미지의 입력값 및 y-축을 따라 출력 이미지의 출력값을 맵핑하는 하나의 예시를 나타낸다. PLUT로부터 생성된 그래픽 플롯은 이미지에 적용하기 위한 불연속적인 변환을 설계하기 위한 전위를 나타낸다. 로컬 마이크로-콘트라스트 컨버젼스 알고리즘의 설계에서 불연속점을 가진 PLUT를 사용함에 의해, 반복 변형 모듈 프로세스의 적어도 일부의 실시예는, 암이 고밀도 유방 조직에 내장될 때에도, 주변 조직으로부터 암의 가장자리를 더 잘 구별시킬 수 있다. 이것은 결절점 플롯팅의 사용으로 매우 제한되는 능력이거나 이미지 내에서 입력값을 출력값으로 변환할 때, 전혀 할 수 없다.
도 1g는 마모그램 이미지 내의 유방 조직의 휘도값을 나타내는 좌표계에서의 플롯을 나타낸다. 도 1g는 x-축을 따라 입력값 및 y-축을 따라 출력값을 맵핑하는 하나의 예시를 도시한다. 지방 조직 그림(122)은 지방 조직을 포함하는 유방 이미지의 휘도 영역에 표시되고, 고밀도 조직 그림(123)은 고밀도 조직을 포함하는 유방 이미지의 휘도 영역을 표시한다. 전형적으로, 유방암은 지방 조직보다 훨씬 높은 광도를 가진다. 결과적으로, 고밀도 조직으로부터 지방 조직을 분리시키는 것이 중요하다. 붉은색 대각선 아래의 광도의 임의의 재맵핑은 이미지의 그 부분을 더 어둡게 하고 밀도(124)를 감소시키는 반면, 그 선 위의 것은 값을 더 밝게 하고 밀도(125)를 증가시킨다. PLUT 설계 내에 형성된, 불연속적인 비선형 변형과 이러한 이미지 특성 분포의 상관도는 새로운 질환과 이미징 양상에 대한 새로운 알고리즘을 개발하는데 필요한 시간을 줄인다.
도 2a는 하나의 실시예를 나타내는데, 복수의 수학적 함수는 복수의 이미지 채널에 대한 가능한 PLUT 값을 생성하는데 사용될 수 있어서, 새로운 질환이 있는 응용예, 양상 및 의료 분야 넘는 응용예에서의 사용을 위해, 로컬 마이크로-콘트라스트 컨버젼스 알고리즘의 상이한 반복을 생성한다. PLUT 시퀀스의 컴퓨터-기반의 생성을 사용하는 것은 새로운 질환이나 이상을 시각화하기 위한 새로운 알고리즘 시퀀스를 개발하는 프로세스의 매우 빠르게 할 수 있다.
도 2a에서, x축과 y축은 이미지의 입력값과 출력값을 반영하는 반면, 중점(126)은 좌표계에 대한 중점의 하나의 가능한 위치를 명시한다. 도 2a는 휘도 및 복수의 컬러 채널 맵핑에 대해 가능한 256개의 데이터 점을 가진 8-비트 이미지의 휘도 및 컬러값을 나타낸다. 3개의 수학적 함수(127)는 자동으로 그려졌고, 이들의 값은 플롯 내에 표시되었다. 파란색 곡선(파란 채널)(128)은 f(x)=sin(x)을 사용하여 생성되었다. 붉은 채널(129)은 g(x)=tan(x)를 사용하여 생성되었고, 휘도 채널(130)은 h(x)=sec(x)를 사용하여 생성되었다. 중점(126)(또는 영점)은, 까다로운 수동 프로세스 보다는, 자동으로 조직/물질 시각화와 특징화의 최적화를 위해 PLUT로 맵핑될 수 있는 수학 함수의 맵핑을 가장 잘 지원하는 좌표계 내에서의 임의의 위치에 놓일 수 있다.
도 2b는 8-비트 그레이스케일 이미지에 대한 그레이스케일 2D 룩업 테이블을 나타내는 매트릭스를 도시한다. 검은색을 나타내는 레벨 0은 그리드의 좌측 상단 구석인 131에 있다. 그레이스케일 휘도 레벨은 단계식으로 좌측에서 우측으로, 상단에서 하단으로, 순수한 하얀 레벨 255이 우측 하단 구석인 132에 도달할 때까지, 증가한다.
예시적인 컴퓨터 시스템
도 2c는 본 발명의 하나 이상의 실시예에 따라 하나 이상의 방법을 수행하기 위한 전자 장치(250)를 나타내는 블록도를 도시한다.
전자 장치(250)는 사용자나 원격 장치로부터의 데이터, 프로세싱 데이터를 수신하고, 데이터를 생성 및/또는 디스플레이 하기 위한 임의의 컴퓨팅 장치일 수 있다. 전자 장치(250)는 통신 인프라구조(251), 프로세서(252), 메모리(253), 사용자 인터페이스(254) 및 통신 인터페이스(255)를 포함할 수 있다.
프로세서(252)는, 특수 목적이나 범용 목적인 디지털 신호 프로세서를 포함하지만, 이에 제한되지 않는 임의의 타입의 프로세서일 수 있다. 본 실시예에서, 프로세서(252)는 통신 인프라구조(251)(가령, 버스나 네트워크)에 연결된다. 다양한 소프트웨어 실행은 이러한 예시적인 컴퓨터 시스템과 관련하여 기술된다.
메모리(253)는, 랜덤 액세스 메모리(RAM), 하드 디스크 드라이브 및 플로피 디스크 드라이브, 자기 테이프 드라이브 또는 광학 디스크 드라이브 등과 같은 삭제가능한 저장 드라이브 중 적어도 하나를 포함할 수 있다. 삭제가능한 저장 드라이브는 삭제가능한 저장 유닛으로 부터 리드(read)하거나 및/또는 라이트(write) 한다. 삭제가능한 저장 유닛은 플로피 디스크, 자기 테이프, 광학 디스크 등 일 수 있고, 이는 삭제가능한 저장 드라이브에 의해 리드되고 라이트된다. 메모리(253)는 전자 장치(250)의 임의의 컴퓨팅 기능을 수행하기 위해, 컴퓨터 소프트웨어 프로그램 및/또는 데이터가 저장된 컴퓨터 사용가능한 저장 매체를 포함할 수 있다. 컴퓨터 소프트웨어 프로그램(컴퓨터 제어 논리부라고도 함)은 실행될 때, 전자 장치(250)가 본 명세서에서 논의된 본 발명의 실시예를 실행하도록 할 수 있다. 따라서, 이러한 컴퓨터 소프트웨어 프로그램은 전자 장치(250)의 제어기를 나타낸다. 메모리(253)는 이미징 데이터, 소프트웨어 파일 또는 임의의 다른 타입의 데이터 파일을 저장하는 하나 이상의 데이터 저장소를 포함할 수 있다.
사용자 인터페이스(254)는 전자 장치(250)의 디스플레이(미도시)를 제어하는 프로그램일 수 있다. 사용자 인터페이스(254)는 키보드나 마우스와 같은 하나 이상의 주변 사용자 인터페이스 부품을 포함할 수 있다. 사용자는 전자 장치(250)와 상호작용하기 위해 주변 사용자 인터페이스 부품을 사용할 수 있다. 사용자 인터페이스(254)는 마우스 입력이나 키보드 입력과 같은 사용자 입력을 마우스나 키보드 사용자 인터페이스 부품으로부터 수신할 수 있다. 사용자 인터페이스(254)는 전자 장치(250)의 디스플레이 상에 이미징 데이터를 디스플레이할 수 있다.
통신 인터페이스(255)는 이미징 데이터가 전자 장치(250)와 원격 장치 사이에서 전송될 수 있도록 한다. 통신 인터페이스(255)의 예시는 모뎀, 네트워크 인터페이스(가령, 이더넷 카드), 통신 포트, 개인 컴퓨터 메모리 카드 인터네셔널 연합(PCMCIA) 슬롯 및 카드 등을 포함할 수 있다. 통신 인터페이스(251)를 통해 전송된 이미징 데이터는 신호의 형태이고, 이는 전자 신호, 전자기 신호, 광학 신호 또는 통신 인터페이스에 의해 전송되거나 수신될 수 있는 그 밖의 다른 신호일 수 있다. 이들 신호는 통신 인터페이스(251)로 제공되거나 이로부터 수신된다.
예시적인 로컬 마이크로-콘트라스트 알고리즘
도 3a는 300에서 윤곽을 나타낸 고밀도를 가진 매우 고밀도 유방을 포함하는 마모그램을 나타낸다. 301에서의 윤곽은 302에 암을 포함하는 극도의 밀도의 경계를 정의한다.
도 3b는 본 명세서에 기술된 하나 이상의 방법을 사용하여, 이미지를 프로세싱한 이후의 예시적인 마모그램 이미지를 나타낸다. 본 실시예에서, 유방의 가장 높은 밀도 영역만 컬러로 나타난다. 유방 이미지의 지방 영역과 다른 저밀도 영역은 303에서 검은색으로 표시된다. 밀도 증가는 녹색(300)으로 외부 경계로부터 진행되어, 파란색(302)으로 내부로 진행되고, 암의 가장 많은 진화가 있는 중심(303)에는 마지막으로 검은 영역으로 단계적으로 표시된다. 각각의 컬러는 유방 밀도를 정량화하여 상이한 레벨로 나타낸다. 이러한 정량화는 American College of Radiology BI-RADS 스펙에 대해 정밀한 보고를 제공하여서, 여성의 마모그램 내의 고밀도 유방의 존재를 나타낸다. 그러나, 추가적으로 이러한 프로세스는 BI-RADS 보고 시스템을 확장하여 유방 밀도의 간단한 전반적인 퍼센티지 넘어로 갈 수 있다. 그 시스템은 유방 밀도의 복수의 레벨을 정량화하고, 이들의 분포를 명시하고, 여성에 대한 가능한 위험을 추정할 수 있다. 이들 방법은 유방의 크기 차이, 유방의 밀도, 임신 중 변화, 나이 드는 것과 폐경의 변화, 낭포의 진화에 기초한 변경, 피브로 아데노마스(fibro adenomas), 석회화, 병소의 존재 및 트라우마, 수술 및 생체 검사에 의한 상처에 의해 영향을 받은 마모그래픽 이미지 제시에서 극도의 가변성에 대해 적응적이고 보상한다.
CI 알고리즘
CI 알고리즘의 실시예는, 원래의 그레이스케일 마모그램을 프로세싱하고 이상의 경계와 내부 구조를 나타냄에 의해, 유방 조직 내의 고밀도 이상의 표현을 최적화하도록 설계된다. 알고리즘 시퀀스는 이상과 다른 정상 조직 간에 현저한 컬러와 밝기 차이를 제공하여서, 임상의와 환자가 걱정 영역을 용이하게 관측할 수 있도록 한다.
도 4k는 본 발명의 적어도 하나의 실시예에 따라, 그레이스케일 이미지로부터 시각화를 생성하기 위한 방법(400)을 나타내는 순서도이다.
단계(401)에서, 프로세서(252)는 그레이스케일 이미지를 임포트한다. 도 4a는 본 발명의 적어도 하나의 실시예에 따른 마모그램의 예시적인 그레이스케일 이미지를 나타낸다. 도 4d는 도 4a의 수평 그래디언트 그림을 나타낸다. 상이한 마모그램 범위와 비교할 때, 그래디언트 그레이스케일 이미지는 전체 범위의 휘도 레벨을 제공하여서, 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스 내에 표현된 컬러의 전체 범위가 나타날 수 있다. 도 4k에 기술된 알고리즘 시퀀스의 각 단계는, 설명과 비교를 위해 다시 한번 마모그램과 그래디언트에 모두 적용될 수 있다.
일부 실시예에서, 프로세서(252)는 이미지(가령, 그레이스케일)를 수신하거나 임포트한다. 일부 실시예에서, 이미지는 메모리(253)로부터 임포팅된다. 다른 실시예에서, 이미지는 통신 인터페이스(251)를 통해 원격 장치로부터 임포팅된다.
일부 실시예에서, 그레이스케일 이미지는 x 및 y 픽셀 치수와 그레이스케일이나 컬러 깊이의 z 비트를 가진 입력 어레이나 매트릭스로서, 프로세싱을 위해 임포팅된다. 일부 실시예에서, 매트릭스는 8, 10, 12, 14 또는 16 비트의 픽셀당 휘도값(Lp)을 포함할 수 있다. (Lp)는 원래의 이미지 내의 위치(x, y)에서 각각의 픽셀(p)의 휘도값이다. 비트의 수가 증가함에 따라, 픽셀값 내의 베리에이션의 더 많은 수도 증가한다. 예를 들어, 8비트가 사용되면, 28개의 가능한 픽셀값이 각각의 픽셀로 할당될 수 있다. 다른 한 편으로, 16 비트가 사용되면, 216개의 가능한 픽셀값이 각각의 픽셀로 할당될 수 있다. 가능한 픽셀값의 수가 증가함에 의해, 본 명세서에 기술된 이미지 프로세싱 방법은 최종 이미지 내의 베리에이션을 증가시킬 수 있다.
단계(402)에서, 프로세서(252)는 그레이스케일 이미지를 다차원 컬러 공간으로 맵핑한다.
일부 실시예에서, 그레이스케일 이미지를 맵핑하기 위해, 그레이스케일 이미지는 각각의 컬러 성분과 휘도값에 대해 동일한 x/y 좌표의 추가적인 매트릭스 내로 복제되어서, 컬러 공간층의 n-차원의 중첩된 매트릭스 공간을 형성하는데, 여기서, n >1 은 복셀을 포함하는 새로운 매트릭스 세트를 형성한다.
일부 실시예에서, 그레이스케일 이미지는 다음 방정식을 사용하여 복제된다.
f(Lp) = Cp,
여기서, 원래 이미지 내에서 각각의 x/y 좌표에서의 픽셀값은 C의 다차원 컬러 공간의 각각의 컬러 공간층 내의 대응되는 x/y 좌표로 맵핑된다.
n = 4인 일 실시예에서, RGB 다차원 컬러 공간은 4개의 상이 한 성분, 휘도, 붉은색, 녹색 및 파란색에 관하여 정의될 수 있다. 이들 실시예에서, RGB 다차원 컬러 공간은 휘도 컬러 공간층 및 파란색, 붉은색 및 녹색에 각각 대응되는 제1, 제2 및 제3 컬러 공간 층을 포함한다. 새로운 매트릭스(C)는 픽셀값을 포함할 것인데, 각각의 픽셀값에 대해 R=G=B=휘도이고, 이들 픽셀값은 그레이스케일 이미지 휘도값(Lp)와 동일하다. 일부 실시예에서, 채널에 있는 것이 별도의 휘도만 있을 수 있거나, 또는 다른 실시예에서, 휘도는 세 개의 다른 채널의 합성으로 생성될 수 있다. 또 다른 실시예에서, 값은 n 의 다른 값에 대해 표현될 수도 있는데, 가령, n은 3개의 값 - 휘도, 포화도 및 색조를 가진다.
기술 분야의 당업자는, 이들 실시예가 본 명세서에 기술된 컬러 이미지 포맷이 아닌 넓은 범위의 컬러 이미지 포맷으로 시각화될 수 잇는 n-차원의 매트릭스 상에서 작동할 수 있다는 것을 인식할 것이다. 각각의 마모그램(또는 다른 이미지)의 프로세싱은 멀티-채널 매트릭스 또는 이미지로 시작한다. 추가적인 컬러 공간은 또한, xyz 또는 원통형 컬러 공간을 사용하여, HSV, CMYK, CIEXYZ 또는 CIELAB와 같은 컬러 공간에서 발생할 수 있다.
단계(403)에서, 프로세서(252)는 중간값 필터를 다차원 컬러 공간에 적용한다. 일부 실시예에서, 중간값 필터는 비선형 디지털 이미지 프로세싱 테크닉을 말하는데, 이는 다차원 컬러 공간 내에 대상의 에지를 보존하면서 노이즈를 제거한다. 노이즈 감소는 나중의 프로세싱의 결과를 개선할 수 있다.
일부 실시예에서, 중간값 필터는 각각의 픽셀값을 이웃하는 픽셀값의 중간값으로 대체함에 의해, 다차원 컬러 공간 내의 각각의 픽셀에 적용된다. 이웃의 패턴은 "윈도우"라고 할 수 있는데, 이는 전체 이미지에 걸쳐 픽셀당 슬라이드 된다. 일부 실시예에서, 중간값 필터는 3x3 또는 반경 = 1 중간값 필터이다. 다른 실시예에서, 1 보다 큰 반경 및 5x5, 7x7와 같은 매트릭스 조합이 사용될 수 있다.
단계(404)에서, 프로세서(252)는 이미지를 반전시켜서, 검은색(0)이 하얀색(255)이 되고, 하얀색은 검은색이 된다. 다른 모든 값은 이미지값의 중점을 제외하고 비례적으로 반전된다.
단계(405)에서, 프로세서(252)는 제1 세트의 하나 이상의(가령, PLUT) 비선형 전달 함수를 다차원 컬러 공간(가령, RGB)에 적용한다. 결과로 나온 이미지의 그림은 도 4b 및 4e에 도시된다.
도 4g는, 이미지가 도 4a에 적용된 이후에, 이러한 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스 내의 유방 구조를 나타내기에 최적화된 CI PLUT 1 (2D 룩업 테이블)의 컬러값을 나타낸다.
도 4i는, 본 발명의 적어도 하나의 실시예에 따라 저밀도 유방 조직을 약화시키기 위해, 프로세서(252)에 의해 다차원 컬러 공간에 적용되는 예시적(가령, PLUT) 전달 함수의 그림을 아타내는 카테시안 플롯을 나타낸다. 이러한 카테시안 플롯에서, 컬러 공간층 입력은 x-축에 도시되고, 값은 -128에서 +128의 범위이다. (가령, PLUT) 전달 함수 이후에 대응되는 출력이 y-축에 도시되는데, 여기서 이미지의 휘도값의 중점은 0에 있고, 값은 -128에서 +128의 범위이다. 좌표 플롯에서 0 위치는 x/y 좌표 공간에서 임의의 위치에 놓일 수 있다는 것이 관측될 수 있다.
도 4i에서, 붉은 채널이 408에 도시되고, 녹색 채널이 409이고, 휘도 채널이 410이다. 일부 실시예에서, 제1 (가령, PLUT) 전달 함수(도 4i에 도시된 바와 같이)는 휘도 컬러 공간층에 적용되어서 저밀도 지방 유방 조직을 약화시킨다. 일부 실시예에서, 저밀도 지방 유방 조직은 50% 범위보다 낮은, 40% 범위보다 낮은, 30% 범위보다 낮은, 20% 범위보다 낮은, 10% 범위보다 낮은 휘도값을 가진다.
프로세싱의 이러한 단계에서, 암이 있을 확률을 갖지 않는 영역은, 가능한 암 또는 다른 이상이 발생할 수 있는 것으로부터 분리되어야 한다. 또한, 이미지 내의 임의의 병소는 이제 경계를 형성하기 시작하고, 마이크로-콘트라스트 이웃 커버리지로서 내부 형태적 구조를 표현한다. 확산 그레이스케일 마모그래픽 이미지와 비교할 때, 시각적으로 구별가능한 경계가 조직 구조에 기초하여 형성되었다. 중심-주변 효과로 알려진 현상와 관련된 문제 및 인간의 시각적 인지의 한계가 최소화되거나 제거되었다. 그레이값은 대상 주위에 있는 것에 기초하여 인간 시각 시스템에 의해 차별적으로 해석된다. 동일한 대상은 어두운 배경에 대해 더 밝게 볼 수 있고, 밝은 배경에 대해 더 어둡게 볼 수 있다. 본 발명의 적어도 일부 실시예는 마모그램 내의 암의 인지와 검출에 영향을 주는 중심 주변 문제를 제거하도록 PLUT 값이 결정될 수 있도록 할 수 있고, 컬러 인지 이론에 기초한 인간 시각 구별에 대한 최적의 설정에 기초하여, 변환 이후에 임상의가 보는 이미지는 검사되는 조직에 대해 상당히 향상된 진단력을 제공한다.
도 4k로 되돌아와 서, 단계(406)에서, 프로세서(252)는 제2 세트의 하나 이상의 전달 함수를 다차원 컬러 공간에 적용한다.
도 4h는, 도 4b에서 이미지에 적용된 이후에, 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스 내의 유방 조직을 나타내기 위해 최적화된 CI PLUT 2(2D 룩업 테이블)의 컬러값을 나타낸다.
도 4i는 프로세서(252)에 의해 다차원 컬러 공간에 적용된 예시적인(가령, PLUT) 세트의 전달 함수의 그림을 나타내는 카테시안 플롯을 도시한다. 도 4i에서, 붉은 채널은 411로 나타내고, 412에서의 휘도 채널은 도 4h의 CI PLUT 2 룩업 테이블의 그래픽 그림이다.
이러한 카테시안 플롯 도 4i에서, 컬러 공간층 입력은 x-축에 도시되고, 값은 -128 내지 +128의 범위이다. 전달 함수(도 4i에 시각적으로 도시된) 이후에 대응되는 출력은 y-cnrdp 도시되고, 이미지의 휘도 레벨의 중점은 0에 있고, 값은 -128 내지 +128의 범위이다. 이들 실시예에서, 값은 도 4b의 결과로 나온 이미지에 적용되어서, 지방 유방 조직이 도 4c에서 하나의 컬러로 나타나고(가령, 파란색 및 마젠타), 다른 컬러로 더 고밀도인 유방 조직(금색 및 빨간색)과 유방 조직(녹색)을 구별시킨다.
도 4c 및 4f는, 본 발명의 실시예에 따라, 예시적인 제2 세트의 하나 이상의 비선형 전달 함수를 적용한 이후에, 저밀도 유방 조직이 하나의 컬러로 나타나고, 고밀도 유방 조직과 구별하도록 하기 위해, 다차원 컬러 공간에 기초하여 마모그램의 예시적인 이미지 그림과 그래디언트 이미지를 나타낸다. 도 4c에서, 암은 금색(413)으로 나타나고, 검은색에 의해 주변이 나타난다.
413에서, 도 4c의 RGB 값에서 측정된 유방 이미지의 고밀도 영역의 값은 붉은색 > 250 / 녹색 > 165 / 파란색 <50이다.
일부 실시예에서, 이들 전달 함수의 설계 개념은 유방 조직의 마모그램 외부의 영역에서 픽셀값을 약화시키기 위해 사용된다. 그 결과, PLUT 내의 전달 함수값의 한 성분은, 유방 영역 내부의 패턴과 상관하지 않도록 하기 위해 유방의 마모그램 외부의 영역에 값을 할당함에 의해, 최종 이미지에서 임상의에 대해 눈의 피로를 줄여준다.
단계(407)에서, 프로세서(252)는 프로세스된 다차원 컬러 공간에 기초하여 시각화 이미지(가령, 도 4c)를 디스플레이한다.
이러한 프로세스의 각 단계는 그레이스케일 마모그램(및 유방의 MRI와 초음파 이미지에 대해서도 작용함)을 크기와 무관하게, 정상 유방 조직의 구조를 나타냄은 물론 이상 조직의 경계를 명확하게 정의하는 컬러 패턴으로 변환시킨다. 이러한 이미지 시각화에서, 암적인 병소는 그 자신을 다른 모든 이상 조직 구조와 정상 조직 구조로부터 분리시키는, 구별되는 패턴을 가진다.
CI 시각화에서, 시각화 내의 암과 양성 병소의 특징화에서의 차이는 히스토그램 분석을 사용하여 구별될 수 있다. 암의 경계는 CI 시각화에서 명확하게 정의된다. 또한, 암의 경계 내부의 구조 차이는 특징적인 컬러와 형상으로 표시된다. 이는 방사선 전문의가 암적인 구조와 양성 구조의 경계를 용이하게 식별할 수 있도록 한다. 예를 들어, CI 시각화에서, 암의 경계 내에서 컬러 변화의 수가 더 많을 수록, 암적인 조직의 진화가 더욱 진행된다. 암적인 병소와 양성 병소를 둘러싸는 조직에서의 변화도 CI 시각화에서 나타난다. CI 시각화는 암적인 병소의 경계에서 발생하는 혈관 형성을 나타낼 수 있다.
상기 기술된 차이에 추가로, CI 시각화에서, 반경방향의 상처 대 암적인 병소 및 암적인 병소 대 피브로 아데노마는 구별된다. 또한, CI 시각화는 침습성이나 주변 유방 조직이 되기 전에, 수유관 내의 진화된 암의 존재를 나타낸다. 암적인 조직은 미세석회화의 존재와 상관될 수 있다.
암적인 병소는 물론 다른 모든 구조물은 가령 크래니얼-코들(CC 또는 위에서부터 뷰) 및 미디오래터럴-오블리크(MLO 또는 각진 뷰)와 같이 여성에 대한 마모그램의 상이한 뷰들 간에 상관될 수 있고, 상이한 시간에서의 연구들 간의 데이터를 상관시키는데 사용된다. 이들 방법에 의해 암에 대한 특징화된 내부 구조는 매우 정확하고, 생체 검사, 소괴 절제술을 수행하는 외과의사를 가이드하는데 사용될 수 있고, 암에 대한 치료 중인 환자에 대한 진화를 결정하는데 사용될 수 있다.
LD 알고리즘
LD 알고리즘에 관한 본 발명의 실시예는, 이미지의 매우 저밀도 영역에서 발생하는 이미지(가령, 원래의 마모그램) 내의 극히 미세 구조물과 세부사항을 강조하도록 설계된 시각화를 제공한다. 침상과 저 약독화 병소와 같은 진단하기에 중요한 구조물이 명확하게 정의된다.
도 5i는 본 발명의 적어도 하나의 실시예에 따른, 그레이스케일 이미지로부터 LD 시각화를 생성하기 위한 방법(500)을 나타낸 순서도이다.
단계(501)에서, 프로세서(252)는 그레이스케일 이미지를 임포트한다. 도 5a는 본 발명의 적어도 하나의 실시예에 따른, 마모그램의 예시적인 그레이스케일 이미지를 나타낸다. 도 5d는 검은색에서 하얀색으로 256개의 그레이스케일 값의 수평 그래디언트 그림을 나타낸다.
단계(502)에서, 프로세서(252)는 그레이스케일 이미지를 다차원 컬러 공간으로 맵핑한다. 단계(502)에서의 그레이스케일 맵핑은 상기 단계(402)에서의 그레이스케일 맵핑과 실질적으로 유사하다.
단계(503)에서, 프로세서(252)는 제1 세트의 하나 이상의 전달 함수(가령, 로컬 마이크로-콘트라스트 컨버젼스 알고리즘(PLUT))를 다차원 컬러 공간에 적용한다. 하나 이상의 전달 함수의 예시는 도 5g 및 5h에 도시된다.
도 5h는 본 발명의 적어도 하나의 실시예에 따라, 프로세서(252)에 의해 적용된 예시적(가령, PLUT) 전달 함수의 그림을 나타내는 카테시안 플롯을 도시한다. 일부 실시예에서, 제1 전달 함수가 휘도 컬러 공간층(508)에 적용되어서 유방 이미지의 저밀도 영역을 밝게하는 반면, 고밀도 유방 영역을 약화시킨다. 붉은 채널(509)을 나타내는 제2 전달 함수는 유방 실질을 컬러화하는 반면, 고밀도 조직을 어둡게 둔다. 일부 실시예에서, 저밀도 지방 유방 조직은 50% 범위보다 낮은, 40% 범위보다 낮은, 30% 범위보다 낮은, 20% 범위보다 낮은, 10% 범위보다 낮은 휘도값을 가진다. 이러한 로컬 마이크로-콘트라스트 컨버젼스 알고리즘의 설계 및 이와 관련된 PLUT 값은 유방 내의 저밀도의 퍼센티지와 무관하게, 이미지의 임의의 부분 내의 세부사항을 나타내는 기능을 한다.
단계(503) 이후에 생성된 결과로 나온 이미지의 그림은 도 5b 및 5e에 도시된다.
단계(504)에서, (도 5bdp 도시된 컬러 이미지로 나타난) 다차원 컬러 공간은 이제 HSL 컬러 공간으로 전환된다. 본 실시예에서, RGB 값은, 다음 아래 예시에 도시된 바와 같이, 휘도, 색조 및 포화도값으로 전환된다.
(색조, 포화도, 밝기, 존)
(0.0, 0.0, 0.2, 붉은색)
(0.0, 0.0, 0.1, 시안)
(0.0, -1.0, 0, 마스터)
이미지는 RGB 컬러에서 우선 디스플레이될 수 있고, 또는 단계(505)에서 HSL 컬러 공간에서의 전환 이후에 디스플레이될 수 있다.
도 5c의 이미지(및 대응되는 이미지 5f)는 HLs 컬러 공간에서 모든 색조에 대해 마스터 포화도를 -100% 포화도로 설정함에 의해, 도 5b 및 5e 내의 이미지로부터 생성된다. 그 결과, 색조는 이미지의 표현에서 인자가 더 이상 되지 않는다. 그러나, 휘도값은 여전히 조절가능하고, 컬러 공간 내의 다양한 색조의 휘도값을 변경하는 것은 이들 값의 그레이스케일 그림을 변경할 수 있다. 일부 실시예에서, 붉은색 및 시안 휘도값은 각각 0.2 및 0.1로 조절된다. 이는 일반적인 유방 배경의 그레이값을 밝게 하고, 암적인 병소와 같은 고밀도 조직의 내부 부분을 강조하고, 미세 구조물과 유방의 지방 조직 간의 분리를 생성한다. 이미지는 단계(507)(및 도 5c에서 도시됨)에서 휘도만 포함하는 단일 채널 이미지로 전환될 수 있다.
프로세싱의 본 단계에서, 고밀도 휘도값과 관련된 매우 미세한 구조의 영역은 유방 실질, 경계 및 흉벽의 저밀도, 저주파수 영역(510)으로부터 분리된다. 그레이스케일 마모그래픽 이미지를 확산하는 것에 비해, 시각적으로 구별가능한 경계는 조직 구조물에 기초하여 형성되었다.
HD 알고리즘
HD 알고리즘과 관련된 본 발명의 tfl시예는 이미지의 가장 고밀도 영역에서 발생하는 이미지(가령, 원래의 마모그램) 내의 세부사항을 나타내도록 설계된 시각화를 제공한다. 유방 이상과 암적인 병소와 같은 구조물은 주변 고밀도 밝은/하얀 영역으로부터 나타나고, 명확히 정의된다.
도 6i는 본 발명의 적어도 하나의 실시예에 따른, 그레이스케일 이미지로부터 HD 시각화를 생성하기 위한 방법(600)을 나타내는 순서도이다.
단계(601)에서, 프로세서(252)는 그레이스케일 이미지를 임포트한다. 도 6a는 본 발명의 적어도 하나의 실시예에 따른, 마모그램의 예시적인 그레이스케일 이미지를 나타낸다.
단계(602)에서, 프로세서(252)는 그레이스케일 이미지를 다차원 컬러 공간으로 맵핑한다.
단계(603)에서, 프로세서(252)는 제1 세트의 하나 이상의 비선형 전달 함수(가령, HD PLUT 1 로컬 마이크로-콘트라스트 알고리즘)을 다차원 컬러 공간에 적용한다. 제1 세트의 하나 이상의 비선형 전달 함수의 그림은 도 6g와 6h에 각각 도시된다. 도 6g는 마모그래픽 이미지 내의 유방 구조물을 나타내기에 최적화된 LD PLUT(룩업 테이블)의 컬러값을 나타낸다. 도 6h는 좌표계에서의 그래픽 그림(가령, 도 6h 내의 PLUT로부터 생성될 수 있음)을 나타낸다. 이들 실시예에서, 제1 전달 함수는 휘도 컬러 공간층에 적용되어서 유방 이미지의 휘도값(606)을 반전시킨다. 붉은 채널(607)은 이미지의 저밀도 영역을 증폭시키지만, 고밀도 유방 영역을 약화시킨다. 녹색 채널값의 불연속적인 맵핑으로서 도 6h에 그래픽적으로 도시된 녹색 채널(608)은 유방 경계를 컬러화하고, 유방 배경을 노란색으로 만들기 위해 붉은 채널의 원인이 된다. 일부 실시예에서, 고밀도 유방 조직은 50% 범위보다 낮은, 40% 범위보다 낮은, 30% 범위보다 낮은, 20% 범위보다 낮은, 10% 범위보다 낮은 휘도값을 가진다. 파란 채널(609)은 컬러를 추가하여, 유방의 외부 경계를 정의한다. 이러한 로컬 마이크로-콘트라스트 컨버젼스 알고리즘의 설계 및 이와 관련된 PLUT 값은 유방 내의 고밀도의 퍼센티지와 무관하게, 이미지의 임의의 부분 내의 세부사항을 나타내는 기능을 한다.
프로세싱의 본 단계에서, 매우 고밀도 구조물(610)을 포함하는 이미지의 영역은 유방 실질, 경계 및 흉벽의 저밀도 영역(611)으로부터 분리되고, 암은 유방의 다른 고밀도 영역으로부터 더욱 구별된다. 확산 그레이스케일 마모그래픽 이미지와 비교할 때, 시각적으로 구별가능한 경계가 조직 구조물에 기초하여 형성되었다.
그리고 나서, 이미지는 다차원 컬러 공간 단계(604)에서 디스플레이되거나(가령, 도 6b에 도시된 바와 같이) 또는 R, G 및 B 값의 가중화된 전환을 사용하여, 디스플레이되기 전에(도 6c) 단계 605에서 그레이스케일 이미지로 전환되어서, 다음 공식 0.30*R + 0.59*G + 0.11*B = 휘도값에 따라 휘도값을 달성한다.
MC 알고리즘
MC 알고리즘과 관련된 본 발명의 실시예는 이미지의 매우 고밀도 영역에서 발생하는 이미지(가령, 원래의 마모그램) 내의 세부사항을 나타내도록 설계된 시각화를 제공하는데, 주로 석회화와 같은 작은 구조물이 주변 고밀도 밝은/하얀 영역으로부터 나타나고, 명확히 정의된다.
도 7j는 본 발명의 적어도 하나의 실시예에 따른, 그레이스케일 이미지로부터 MC 시각화를 생성하기 위한 방법(700)을 나타내는 순서도이다.
단계(701)에서, 프로세서(252)는 그레이스케일 이미지를 임포트한다. 도 7a는 본 발명의 적어도 하나의 실시예에 따라, 마모그램의 예시적인 그레이스케일 이미지를 나타낸다.
단계(702)에서, 프로세서(252)는 그레이스케일 이미지를 다차원 컬러 공간으로 맵핑한다.
단계(703)에서, 프로세서(252)는 제1 세트의 하나 이상의 전달 함수(가령, MC PLUT 1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘)를 다차원 컬러 공간에 적용한다. 로컬 마이크로-콘트라스트 컨버젼스 알고리즘의 그림은 도 7h 및 7i에 도시된다. 도 7h는 마모그래픽 이미지 내의 유방 구조물을 나타내기에 최적화된 MC PLUT(룩업 테이블)의 컬러값을 나타낸다. 도 7i는 좌표계에서 그래픽 그림을 나타낸다. 이들 실시예에서, 전달 함수는 휘도 공간(706)에 적용되어서, 유방 이미지의 휘도값을 불연속적으로 반전시킨다. 붉은 채널(707)은 붉은 채널값의 불연속적인 맵핑을 사용하는 이미지의 대부분을 약화시킨다. 녹색 채널(708) 값은 유방의 고밀도 영역에 갈색 톤을 생성하는 원인이 된다. 파란 채널(709)은 유방의 지방 조직 영역에 약간의 색을 가한다.
이러한 로컬 마이크로-콘트라스트 컨버젼스 알고리즘의 설계 및 이와 관련된 PLUT 값은 유방 내의 고밀도의 퍼센티지와 무관하게, 이미지의 임의의 부분 내의 마이크로-석회화의 존재를 나타내는 기능을 한다.
프로세싱의 본 단계에서, 마이크로-석회화 구조물은, 이미지의 매우 고밀도 영역에 있더라도, 유방의 다른 고밀도 영역으로부터 분리된다. 확산 그레이스케일 마모그래픽 이미지와 비교할 때, 시각적으로 구별가능한 석회화가 좀 더 명확히 나타난다.
그리고 나서, 이미지는 단계(704)(가령, 도 7b)에서 다차원 컬러 공간에 디스플레이되거나, 또는 R, G 및 B 값의 가중화된 전환을 사용하여 그레이스케일 이미지로 전환되어서, 다음 공식 0.30*R + 0.59*G + 0.11*B = 휘도값에 따라 휘도값을 달성한다. 도 7c는, 그레이스케일로 전환된 이후의, 도 7b에서의 이미지의 확대 부분이다. 작고 검은 미세석회화(710)는 원래의 이미지에서 보다 좀 더 용이하게 밝은 배경으로부터 구별될 수 있다.
RF 알고리즘
RF 알고리즘과 관련된 본 발명의 실시예는 이미지(가령, 원래의 마모그램) 내의 극히 미세 구조물과 세부사항을 강조하도록 설계된 시각화를 제공한다. 침상과 수유관과 같은 구조는 암의 구조를 포함하는 나머지 고밀도 영역 내의 구조와 같이 명확하게 정의된다. 일부 실시예에서, 릴리프 시각화는 원래의 이미지 상에 오버레이로 도시되어서, 사용자(가령, 방사선 전문의)에 의한 가시성을 향상시킨다.
도 8u는 본 발명의 적어도 하나의 실시예에 따라, 그레이스케일 이미지로부터 RF 시각화를 생성하기 위한 방법(800)을 나타내는 순서도이다.
도 8b, 8c, 8l, 8m 에서 8s는 도 8a에서의 원래의 마모그램에서 시작하여 반복적으로 복수의 로컬 마이크로-콘트라스트 컨버젼스 변환을 적용함에 의해 획득된 결과를 나타낸다. 도 8e, 8f, 8n, 8o 에서 8t는 8d에서의 원래의 그래디언트 그레이스케일 이미지에 적용된 것과 같은 동일한 RF 변환 시퀀스 단계의 결과를 나타낸다.
도 8g, 8h, 8p 및 8q는 마모그래픽 이미지 내의 유방 구조물을 나타내기에 최적화된 RF PLUT(룩업 테이블)의 컬러값을 나타낸다. 도 8i, 8j, 8k 및 8r은 좌표계(가령, 도 8g, 8h, 8p 및 8q에서 PLUT로부터 생성될 수 있음)에서 그래픽 그림을 나타낸다.
단계(801)에서, 프로세서(252)는 그레이스케일 이미지를 임포트한다. 도 8a는 본 발명의 적어도 하나의 실시예에 따라, 마모그램의 예시적인 그레이스케일 이미지를 나타낸다.
단계(802)에서, 프로세서(252)는 원래의 그레이스케일 이미지를 다차원 컬러 공간으로 맵핑한다.
단계(803)에서, 프로세서(252)는 반경 1의 중간값 필터를 원래의 그레이스케일 이미지의 다차원 컬러 공간에 적용한다.
단계(804)에서, 프로세서(252)는 콘볼루션 필터를 원래의 이미지의 다차원 컬러 공간에 적용한다. 일부 실시예에서, 콘볼루션 필터링은 이미지의 공간 주파수 특징을 수정하는데 사용될 수 있다.
동작시, 콘볼루션 필터(804)는 각각의 픽셀값을 픽셀값의 가중 평균과 그 이웃하는 픽셀값으로 대체함에 의해, 다차원 컬러 공간 내의 각각의 픽셀에 적용된다. 이웃하는 픽셀값의 패턴이 "윈도우"라고 하는데, 이는 픽셀당 전체 이미지에 걸쳐 적용된다. 일부 실시예에서, 콘볼루션 필터는 3x3이거나 반경 = 1 콘볼루션 필터이다. 다른 실시예에서, 5x5, 8x8와 같은 매트릭스 조합이 사용될 수 있다.
일 실시예에서, 3x3 콘볼루션 필터 매트릭스의 값은 다음과 같이 표 1에 도시된다.
| -4 | -1 | 0 |
| 0 | 1 | -1 |
| 6 | 0 | 1 |
단계(805)에서, 프로세서(252)는 단계(804) 이후에, 프로세스된 이미지의 다차원 컬러 공간을 복사한다.
단계(806)에서, 프로세서(252)는 단계(801)에 사용된 것과 동일한 그레이스케일 원래의 이미지의 복사본을 임포트한다.
단계(807)에서, 프로세서(252)는 복사본 이미지를 다차원 컬러 공간으로 맵핑한다.
단계(808)에서, 프로세서(252)는 제1 세트의 하나 이상의 전달 함수(가령, 로컬 마이크로-콘트라스트 컨버젼스 전달 함수(RF PLUT 1))를 복사본 이미지의 다차원 컬러 공간에 적용한다. 이들 실시예에서, 제1 전달 함수(가령, 로컬 마이크로-콘트라스트 컨버젼스 함수(RF PLUT 1))는 휘도 컬러 공간(814)에 적용되어서, 이미지의 더 어두운 값을 상승시키고, 중간 톤을 약화시킨다.
이들 실시예에서, 제2 전달 함수(가령, 로컬 마이크로-콘트라스트 컨버젼스 함수(RF PLUT 2))는 휘도 컬러 공간(815)에 적용되어서, 중간 톤을 더욱 약화시킨다. 이들 실시예에서, 중간 톤은 8-비트 그레이스케일 휘도 범위(0 - 255)의 이미지에서 1의 휘도값인 최소로 약화된다. 일부 실시예에서, 지방 조직은 최대 피크 레벨 47에 약간 상승되고 71로 변환된다. 그 결과, 지방 조직(816)은 유방의 고밀도 영역(817)으로부터 분리된다.
도 8i, 8j, 8k 및 8r은 본 발명의 적어도 하나의 실시예에 따른, 예시적인 PLUT 전달 함수의 그림(가령, 프로세서(252)에 의해 적용된 PLUT로부터 생성됨)을 나타낸 카테시안 플롯을 도시한다. 이들 카테시안 플롯에서, 컬러 공간, 좌표 및 값은 이전에 기술되고 도 2a에서 기술되었다.
도 8b는, 본 발명의 적어도 하나의 실시예에 따라, 이미지의 더 어두운 값을 상승시키고 중간 값을 약화시키기 위해 제1 세트의 하나 이상의 전달 함수를 적용한 이후의 다차원 컬러 공간에 기초한 마모그램의 예시적 이미지를 나타낸다.
도 8c는 본 발명의 적어도 하나의 실시예에 따라, 중간 값을 더욱 약화시키기 위해 제2 세트의 하나 이상의 전달 함수를 적용한 이후의 다차원 컬러 공간에 기초한 마모그램의 예시적 이미지를 나타낸다.
도 8l에서, 단계(810)에서, 프로세서(252)는 제3 세트의 하나 이상의 전달 함수(가령, 로컬 마이크로-콘트라스트 컨버젼스 함수(RF PLUT 3))를 도 8c 내의 이미지의 다차원 컬러 공간에 적용하여서, 도 8l에 도시된 이미지를 낳는다. 이들 실시예에서, 제3 전달 함수는 휘도 컬러 공간(818)에 적용되어서 휘도값에서 불연속적인 반전을 생성한다.
이들 실시예에서, 제3 세트의 전달 함수의 다른 "컬러" 함수(819)는 미묘한 컬러 색조를 추가하기 위해 컬러 공간 층에 적용될 수 있다.
단계(811)에서, 프로세서(252)는 제4 세트의 하나 이상의 전달 함수(가령, 로컬 마이크로-콘트라스트 컨버젼스 함수(RF PLUT 4))를 도 8l 내의 이미지의 다차원 컬러 공간에 적용하여서, 도 8m에 도시된 이미지를 낳는다. 일부 실시예에서, 도 8q에 그래픽적으로 도시된 RF PLUT 4는 휘도 채널(820)에 적용되어서, 이미지의 더 낮은 밀도의 휘도값의 증가를 생성하고, 암과 관련된 색상값을 확장하고, 유방 경계를 더욱 정의한다.
단계(812)에서, 프로세서(252)는 멀티플라이 블렌드를 사용하여, 단계(811)(가령, 도 8m))에서의 이미지로부터 프로세스된 다차원 컬러 공간과 단계(805)(가령, 도 8a)로부터의 복사된 이미지를 합병한다. 일부 실시예에서, 두 개의 이미지들은 100%의 불투명성으로 블렌드된다. 그 결과, 합병된 이미지는 고주파수 구조물에서 강조되고, 나머지 컬러에서 가장 높은 밀도를 가진 저주파수 정보가 약화된다.
이들 실시예 및 합병 함수를 사용하는 다른 실시예에서, 합병 함수는 수학 함수가 하나 이상의 결과로 나온 이미지에 적용되도록 허용하는데 사용될 수 있어서, 상기 하나 이상의 결과로 나온 이미지는 특수 목적을 위한 결합 이미지의 각각으로부터 최적의 양을 사용한다. 예를 들어, 이미지 내의 암 조직의 경계를 표현하는 이미지는 고주파수 정보를 표현하는 이미지와 결합될 수 있다. 이러한 결합은 종양 내의 침상과 석회화와 같은 가능한 고주파수 구조물과 관련되기 때문에, 암의 정도를 동시에 나타낼 수 있다.
도 8t는, 본 발명의 적어도 하나의 실시예에 따른, 단계(812)에서, 805와 811로부터의 두 개의 이미지의 컬러 공간의 합병하는 단계, 50%의 합병 함수의 적용하는 단계, 단계(813)에서 그레이스케일로 전환하는 단계 이후의 마모그램의 예시적인 이미지를 나타낸다.
일부 실시예에서, 이미지는, 추가적인 이미지를 포함하는 추가적인 매트릭스(층) 또는 검은색과 하얀색으로의 전환과 같은 프로세싱 함수 또는 하이패스 필터링과 같은 이전 프로세싱으로부터 생성된 통합 층과 중첩될 수 있다. 특징부는 뉴 함수, 페이스트 함수, 플래튼 함수, 복제 함수, 메이크 조정 층 함수 및 합병 함수를 포함하나 이에 제한되지 않는다.
GI 알고리즘
GI 알고리즘과 관련된 본 발명의 실시예는 이미지(가령, 원래의 마모그램) 내의 고밀도 구조물과 세부사항을 격리, 시각화 및 특징화하고, 이들을 그레이스케일 결과로 나온 이미지에 디스플레이하는 시각화를 제공한다. 고밀도 유방 조직 내의 베리에이션은 이미지의 더 어두운 영역에서 반사된다. 암적인 병소와 양성 병소와 같은 구조물은 고밀도 영역 내의 구조물로 명확하게 정의된다. 일부 실시예에서, GI 시각화는 사용자(가령, 방사선 전문의)에 의해 이상의 시각화를 개선하도록 설계된다.
도 9q는 본 발명의 적어도 하나의 실시예에 따른, 그레이스케일 이미지로부터 GI 시각화를 생성하기 위한 방법(900)의 순서도이다.
도 9b, 9c, 9m, 9n은 도 9a의 원래의 마모그램에서 시작하여 복수의 로컬 마이크로-콘트라스트 컨버젼스 변환을 반복적으로 적용함에 의해 획득된 결과를 나타낸다. 도 9e, 9f, 9o, 9p는 9d에서의 원래의 그래디언트 그레이스케일 이미지에 적용된 것과 동일한 변환 시퀀스 단계의 결과를 나타낸다.
도 9g, 9h, 9k는 마모그래픽 이미지 내의 유방 구조물을 나타내기에 최적화된 RF PLUT(룩업 테이블)의 컬러값을 나타낸다. 도 9i, 9j 및 9l은 좌표계 내의 그래픽 그림(가령, 도 9g, 9h 및 9k 내의 PLUT로부터 각각 생성됨)을 나타낸다.
이제 도 9q를 참조하면, 단계(901)에서, 프로세서(252)는 그레이스케일 이미지를 임포트한다. 도 9a는 본 발명의 적어도 하나의 실시예에 따라, 마모그램의 예시적인 그레이스케일 이미지를 나타낸다.
단계(902)에서, 프로세서(252)는 원래의 그레이스케일 이미지를 다차원 컬러 공간으로 맵핑한다.
단계(903)에서, 프로세서(252)는 제1 세트의 하나 이상의 전달 함수(가령, 로컬 마이크로-콘트라스트 컨버젼스 전달 함수(GI PLUT 1))를 이미지의 다차원 컬러 공간에 적용한다. 이들 실시예에서, 하나 이상의 전달 함수는 휘도 컬러 공간(912)에 적용되어서, 이미지의 휘도값을 비선형적으로 반전시킨다(가령, 도 9g에서 볼 수 있는 바와 같이, 도 9i의 GI PLUT 1 룩업 테이블 및 PLUT의 그래픽 그림).
단계(904)에서, 프로세서(252)는 제2 세트의 하나 이상의 전달 함수(가령, 로컬 마이크로-콘트라스트 컨버젼스 함수 도 9h GI PLUT 2)를 적용하여, 도 9b에 도시된 다차원 컬러 공간 이미지를 프로세스 한다.
도 9c는 본 발명의 적어도 하나의 실시예에 따른, 단계(904)를 수행한 이후에, 마모그램의 고밀도 영역을 추가로 격리시키기 위해, 다차원 컬러 공간에 기초한 마모그램의 예시적인 이미지를 나타낸다.
단계(904)에서 수행된 프로세스는, 붉은 채널(914)의 불연속적인 맵핑으로 이미지에 컬러를 추가하고, 녹색 채널(915) 내의 낮은 값 비선형 세트의 값을 추가하면서, 휘도 채널(913)을 불연속적으로 변경한다. 이들 실시예에서, 도 9c의 결과로 나온 이미지는 저밀도 톤이 오렌지 색깔로 되는 것을 나타낸다. 일부 실시예에서, 저밀도의 붉은 값은 원래 이미지 내의 분포에 의존하여 174와 175 사이의 값을 가진다. 고밀도 영역은 밝고, 고밀도 영역의 경계는 어두워진다.
단계(905)에서, 프로세서(252)는 제3 세트의 하나 이상의 전달 함수(가령, 로컬 마이크로-콘트라스트 컨버젼스 함수(GI PLUT 3))를 도 9c의 이미지의 다차원 컬러 공간에 적용하여, 도 9m에 도시된 이미지를 낳는다. 이들 실시예에서, 제3 전달 함수는 휘도 채널(916)에 적용되어서, 도 9k와 9l에서 볼수 있는 바와 같이, 증폭된 값들 사이의 약화된 값으로 낮은, 중간 및 높은 값을 증폭시킨다. 이는 결과로 나온 이미지 내의 색상값을 현저하게 분리시키고, 배경으로부터 유방을 분리시키고, 유방의 가능한 암적인 영역을 강조하고, 파란색(918)으로 가능한 병소의 코어를 더욱 정의한다. 일부 병소 내의 값은 파란색 = 200 +/- 5의 값을 가진다.
제3 세트의 전달 함수의 붉은 채널(917)은 컬러 공간 층에 적용되어서 구별되는 컬러 색조를 유방(919)에 추가한다.
도 9m에 도시된 컬러 이미지는 이제 단계(904)에서 HSL 컬러 공간으로 전환되고, RGB 값은 휘도 및 포화도 값으로 전환된다. 이미지는 RGB 컬러로 우선 디스플레이될 수 있고, 또는 단계(906)에서 HSL 컬러 공간에서 전환 이후에 디스플레이될 수 있다.
결과로 나온 이미지(가령, 도 9n)는 프로세스된 다차원 컬러 공간에 기초하여 단계(907)에서 디스플레이될 수 있다.
도 9m의 이미지는, HSL 컬러 공간에서 모든 색조에 대한 포화도를 -100% 포화도록 설정함에 의해, 단계(908)에서 변경된다. 그 결과, 색조는 이미지의 표현에서 더 이상 인자가 되지 못한다.
단계(909)에서, 도 9m의 불포화된 HSL 컬러 이미지는 어두워진 블렌드를 사용하여 도 9a의 원래의 이미지와 합병(블렌드)된다. 프로세스된 이미지의 픽셀이 원래의 이미지 상의 픽셀보다 더 어둡다면, 이 픽셀은 이미지에서 유지된다. 프로세스된 이미지의 픽셀이 더 밝다면, 이들은 원래의 톤으로 대체된다.
단계(910)에서, 프로세서(252)는 불투명성을 조절하여서, 블렌딩은 그 전체 효과의 60%로 변경된다.
블렌딩되고나서 합병된 이미지는 단일 휘도 채널로 전환되어서, 도9n에 도시된 바와 같은 그레이스케일 이미지를 형성한다. 최종 이미지 내의 세부사항은 유방의 상측에 큰 암적인 종양을 나타낸다. GI 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 프로세스는 병소(920)의 정도, 그 정의된 경계 및 병소의 코어 내에 나타난 세부사항을 나타냈다. 본 문헌에서 구현된 다른 로컬 마이크로-콘트라스트 컨버젼스 알고리즘 시퀀스의 사용은 추가 분석을 위해 식별된 영역에 상관될 수 있고, 정상 고밀도 조직, 양성 병소 및 암적인 병소를 차별하기 위해 상관될 수 있다.
이미지는 R, G 및 B 값의 가중화된 전환을 사용하여, 단계(911)에서 휘도만 포함하는 단일 채널 이미지로 전환되어서, 다음 공식 0.30*R + 0.59*G + 0.11*B = 휘도값에 따라 휘도값을 달성할 수 있다.
RB 알고리즘
RB 알고리즘과 관련된 본 발명의 실시예는, 암의 영역을 포함하는 유방의 고밀도 영역 내의 경계와 내부 구조물을 격리시키고 명확히 정의하면서, 유방의 나머지는 어두운 그레이로 나타내도록 설계된 시각화를 제공한다.
도 10w는 본 발명의 적어도 하나의 실시예에 따른, 그레이스케일 이미지로부터 RB 시각화를 생성하기 위한 방법(100)을 나타내는 순서도이다.
도 10b, 10c, 10m, 10n, 10s, 10t는 도 10a에서 원래의 마모그램으로 시작하여, 복수의 로컬 마이크로-콘트라스트 컨버젼스 변환을 반복적으로 적용함에 의해 획득된 결과를 나타낸다. 도 10e, 10f, 10o, 10p, 10u, 10v는 도 10d에 도시된 바와 같이, 원래의 그래디언트 그레이스케일 이미지에 적용된 것과 동일한 RB 변환 시퀀스 단계의 결과를 나타낸다.
도 10g, 10h, 10k, 및 10q는 마모그래픽 이미지 내의 유방 구조물을 나타내기에 최적화된 RB PLUT(룩업 테이블)의 컬러값을 나타낸다. 도 10i, 10j, 10l 및 10r는 좌표계의 그래픽 그림을 나타낸다(가령, 도 10g, 10h, 10k, 및 10q의 RB PLUT로부터 각각 생성됨).
단계(1001)에서, 프로세서(252)는 그레이스케일 이미지를 임포트한다. 도 10a는 본 발명의 적어도 하나의 실시예에 따른, 마모그램의 예시적 그레이스케일 이미지를 나타낸다.
단계(1002)에서, 프로세서(252)는 원래의 그레이스케일 이미지를 다차원 컬러 공간으로 맵핑한다.
단계(1003)에서, 프로세서(252)는 반경 3의 중간값 필터를 원래의 그레이스케일 이미지의 다차원 컬러 공간에 적용한다.
단계(1004)에서, 프로세서(252)는 제1 세트의 하나 이상의 전달 함수(가령, 로컬 마이크로-콘트라스트 컨버젼스 전달 함수(RB PLUT 1))를 복사본 이미지의 다차원 컬러 공간에 적용한다. 이들 실시예에서, 제1 세트의 하나 이상의 전달 함수(도 10g에 도시된 바와 같이, 및 도 10i의 휘도 전달 함수(1012))는 도 10b 및 10e에 도시된 바와 같이, 휘도 채널(1012)을 불연속적으로 어둡게하고, 이미지의 저밀도 영역값과 중밀도 영역값을 어둡게하도록 설계된다.
이들 실시예에서, 단계(1005)에서, 프로세서(252)는 제2 세트의 하나 이상의 전달 함수(가령, 로컬 마이크로-콘트라스트 컨버젼스 함수(RB PLUT 2))(10h)를 다차원 컬러 공간에 적용한다. 예를 들어, 도 10j에서, 전달 함수는 휘도 컬러 공간층(1013), 붉은색 컬러 공간층(1014) 및 파란색 컬러 공간층(1015)에 적용된다. 도 10c는, 본 발명의 적어도 하나의 실시예에 따라, 제2 세트의 하나 이상의 전달 함수를 적용한 이후에, 다차원 컬러 공간에 기초하여 마모그램의 예시적이 이미지를 나타낸다.
휘도 채널이 변경되어서, 이미지의 콘트라스트를 증가시킨다. 붉은 채널은 이미지의 어두운 영역을 불연속적으로 상승시키고, 하이라이트를 감소시키고, 중간 톤을 "플랫-라인"한다. 파란 채널은 컬러 이미지 내의 색상값을 제어하기 위해 값이 감소된다.
단계(1006)에서, 프로세서(252)는 제3 세트의 하나 이상의 전달 함수(가령, 도 10k와 플롯 101에서 제3 로컬 마이크로-콘트라스트 컨버젼스 함수(RB PLUT 3))를 도 10c의 이미지의 다차원 컬러 공간에 적용하여서, 도 10m에 도시된 이미지를 생성한다. 일부 실시예에서, 전달 함수는 휘도 채널(1016)에 적용되어서, 이미지의 저밀도 영역 내의 불연속적인 "평평한 선"을 생성하고, 중간-톤을 약화시키고, 고밀도 휘도값을 약간 줄인다. 붉은, 녹색 및 파란 채널(1017)은 유방 영역의 저밀도 영역을 컬러화하도록 적용된 전달 함수를 가진다. 이들 실시예에서, 제3 세트의 전달 함수의 다른 "컬러" 함수는 균일한 컬러 색조를 유방 이미지에 추가하기 위해, 컬러 공간층에 적용된다.
단계(1007)에서, 도 10m에 도시된 이미지의 컬러는 반전되어서, 마모그램 내의 도 10n 및 그래디언트의 10p의 결과로 나온 이미지를 생성한다.
단계(1008)에서, 프로세서(252)는 제4 세트의 하나 이상의 전달 함수(가령, 제4 로컬 마이크로-콘트라스트 컨버젼스 함수(RB PLUT 4))를 도 10n의 다차원 컬러 공간 이미지에 적용하여서, 도 10s에 도시된 이미지를 낳는다. 도 10r은 저밀도의 휘도값(1018)이 모든 휘도값(<74)에 대해 최대 255 레벨로 가져오고, 이미지의 중간 톤에 대해 및 가장 밝은 영역에 대해 또 다른 피크가 있다. 붉은 채널(1019)은 저밀도를 약화시키는 반면, 값으로 고밀도를 최대화시키는 것은 모든 휘도값(>160)에 대해 255에 설정된다. 녹색 채널(1020)은 배경과 유방 조직의 컬러 색조의 원인이 된다. 이들 실시예에서, 도 10q의 RB PLUT 4 , 또한 도 10r에 그래픽적으로 도시된바와 같이, 휘도 컬러 공간에 적용되어서 유방 경계의 외부로부터 유방을 구별시킨다.
단계(1009)에서, 도 10s에 도시된 컬러 이미지는 HSL 컬러 공간으로 전환되는데, RGB 값은 휘도, 색조 및 포화도 값으로 전환된다. 이미지는 RGB 컬러로 우선 디스플레이될 수 있거나, 단계(1010)에서 HSL 컬러 공간에서 전환 이후에 디스플레이될 수 있다. 예시적인 HSL 컬러 공간 전환은 다음과 같다.
(색조, 포화도, 발기, 존)
(0.0, -1.0, -0.3, 마젠타)
(0.0, -1.0, 0.3, 붉은색)
(0.0, -1.0, -0.4, 노란색)
(0.0, -1.0, -0.4, 시안)
(0.0, -1.0, 0.2, 파란색)
(0.0, -1.0, -0.1, 녹색)
도 10t의 최종 이미지는 HSL 컬러 공간의 모든 색조에 대한 마스터 포화도를 -100% 포화도로 설정함에 의해, 도 10s의 이미지로부터 생성된다. 그 결과, 색조는 이미지의 표현에서 더 이상 인자가 되지 못한다. 그러나, 휘도값은 여전히 조절가능하고, 컬러 공간에서 다양한 색조의 휘도값을 변경하는 것은 이들 값의 그레이스케일 그림을 변경할 수 있다.
단계(1011)에서, 이미지는 휘도만 포함하는 단일 채널 이미지로 전환된다. 이러한 실시예에서, 비-병리학의 모든 영역은 유방 이미지 영역의 균일한 그레이(1021)에서 나타나는데, 평균 휘도값은 130일 수 있다. 이상(1022)의 가능한 영역의 분리는 방사선 전문의에 대해 "드웰 타임(dwell time)" 즉, 암이 발생할 수 있는 가장 가능성 있는 영역을 찾기 위해, 이미지의 모든 영역을 검사하는데 소비되는 시간을 줄인다.
로컬 마이크로-콘트라스트 컨버젼스 알고리즘의 일관성
도 11a 내지 11d는 본 출원의 하나의 실시예가 상이한 이미징 양상에 걸쳐 수행되는 일관성을 나타낸다. 유방 이미지에 대한 패턴 응답은 도 11a의 양상 3D 단층영상합성법(Tomosynthesis), 도 11b의 3D로부터 합성 2D, 도 11c의 FFDM( Full Field Digital Mammography), 도 11d의 디지털화된 필름에 대해 일관적인 컬러와 조직 특징화를 나타낸다. 이는, 환자의 이미지가 상이한 이미지 양상을 사용하여 역사적으로 생성되었더라도, 방사선 전문의와 이들의 환자에게 오직 하나의 세트의 알고리즘을 사용하여 시간에 따라 변화를 비교하기 위한 능력을 제공한다. 이들 결과는, 도 1ddml 양상 융합으로 식별된 특징의 로컬 마이크로-콘트라스트 컨버젼스 계층에서 표시된 바와 같은 로컬 마이크로-콘트라스트 컨버젼스 접근법에 내재하는 능력들 중 하나를 입증한다.
도 11e는 수술에서 제거된 유방 조직으로부터 생성된 예시적인 마모그램 이미지 내의 암의 X-레이 뷰를 나타낸다. 도 11f는 본 명세서에 기술된 하나 이상의 방법을 사용하여 이미지를 프로세싱한 이후의 예시적인 마모그램 이미지를 나타낸다. 원래의 이미지는 본 문헌의 이전에 기술된 CI 알고리즘을 사용하여 프로세스되었다. 암(1101)의 검고 마젠타 경계는 명확하게 정의되고, 암 진화의 정도를 나타내는 경계(1102)의 내부에 컬러의 변화도 나타낸다.
본 명세서에 기술된 본 발명의 실시예는, 맥락, 이미지에서 특징부의 시각화와 특징활르 위한, 멀티-알고리즘, 다차원, 컴퓨터-기반의 프로세스를 사용하는 방법을 포함한다. 이들 로컬 마이크로-콘트라스트 컨버젼스 방법은 특징부는 1 mm 이하의 크기이거나, 900 미크론 이하의 크기이거나, 850 미크론 이하의 크기이거나, 800 미크론 이하의 크기이거나, 750 미크론 이하의 크기인 응용예에 적용가능하다.
도 11g는 암(1103)을 포함하는 것으로 알려진 마모그래픽 X-레이의 확대도를 나타낸다. 도 11h는 본 명세서에 기술된 하나 이상의 방법을 사용하여 이미지를 프로세싱한 이후의 예시적인 마모그램 이미지를 나타낸다. 도 11h에서, 도 4a-4k에서 이전에 기술된 CI 알고리즘 프로세스를 사용하여 암(1104)의 검은 경계는 명확하게 정의되고, 암의 코어의 내부의 세부사항도 명확하게 정의된다. 암 내부의 노란색으로부터 붉은색으로, 파란색으로의 진화는, 파란색 코어(1105)의 작은 크기가 오직 980 미크론의 크기인 암 진화의 과정을 나타낸다. 본 발명의 실시예인 복수의 알고리즘 표현은 동일한 조직의 상이한 특징화와 시각화를 제공한다.
이들 방법은 관심 특징부가 또 다른 특징부 내에 위치되고, 관심 특징부가 900 미크론 이하의 크기이거나, 850 미크론 이하의 크기이거나, 800 미크론 이하의 크기이거나, 750 미크론 이하의 크기인 응용예에서도 적용가능하고, 제1 특징부는 1 mm 이상의 크기이다. 일부 실시예에서, 관심 특징부는 700 미크론 내지 900 미크론 크기이다.
일부 실시예에서, 750 II(미크론) 만큼 작은 구조물이 상기 방법을 사용하여 식별된다. 픽셀이 75 II 크기인 유방 조직의 치수를 나타내는 X-레이 이미지에 기초하여, 암 코어는 750 II 내지 1 mm의 크기로 표현되고 특징화될 수 있다. 임상 테스팅을 통해, 500 II(미크론) 만큼 작은 구조물이 나타날 수 있도록 결정되고, 픽셀 치수가 50 II 이하인 이미지에서 구별된다. 결과적으로, 관상피내암과 전암 비정형 과형성은 물론 다양한 형태의 암은 이들 방법을 사용하여 나타난다.
대안적인 실시예 - 상이한 프로세싱 조합
이전 단락은 로컬 마이크로-콘트라스트 컨버젼스의 이미지 시각화에 대한 상이한 실시예를 기술하지만, 기술 분야의 당업자는 일 실시예에서 수행된 하나 이상의 프로세싱 단계가 임의의 순서로 및/또는 다른 실시예에 적용될 수 있다는 것을 알 것인데, 이는 감마 레벨 조절 또는 레벨링, 콘볼루션 필터링, 샤프닝 필터, 스무딩 필터, 중간값 필터, 하이패스 필터, 로우패스 필터, 합병 함수, 이미지 멀티플레케이션 함수, 이미지 차감 함수, 이미지 추가 함수, 이미지 블렌딩 함수, 웨이블릿 함수 및 이미지 레이어링 함수, 본 명세서에 기술된 것을 포함하나 이에 제한되지 않는다.
대안적인 실시예 - 상이한 양상
본 발명의 실시예는, 의료 이미징(가령, 마모그래피, MRI, PET 또는 CAT 스캔, 초음파, 3-D 단층영상합성법), 폭탄 검출, 액체 폭팔 검출, 위성 이미징, 구조 분석, 산업, 스트레스, 품질 제어, 웰드 및 물질 분석(가령, 높은-텐션 와이어, 비행기 날개, 핵 발전소 내의 파이프의 크랙이나 균열에 대한 체크), 및 포렌식 등을 포함하지만, 이에 제한되지 않는, 복수의 상이한 분야에 응용력을 가진다. 그러므로, 상이한 이미징 양상(가령, 마모그램, x-레이, 초음파, 적외선, 자외선, MRI, CT 스캔, PET 스캔, 그레이스케일, 컬러, 가시광(가령, 포토 마이크로스코피), 레이져 스캔)은 본 명세서에 기술된 상이학 시각화 방법론을 사용하여 프로세스될 수 있다. 또한, 기술 분야의 당업자는 본 발명의 실시예가 본 명세서에 기술된 분야에 제한되지 않고, 이미지를 생성하는 이미지 양상이나 에너지 소스와 무관하게, 이미지 내의 픽셀 데이터 분석을 요하는 임의ㅡ이 분야에 적용가능하다는 것을 인식할 것이다.
대안적인 실시예 - 암/질환
본 발명의 실시예는 인간과 동물의 전립선, 신장, 간, 골, 페, 뇌 및 피부을 포함하되, 이에 제한되지 않는 여러 다양한 암을 시각화하고, 특징화하고 검출하기 위한 적응력을 가진다. 기술 분야의 당업자는 본 발명의 실시예가 본 명세서에 기술된 암에 한정되지 않고, 다른 유사한 암에도 적용된다는 것을 인식할 것이다.
본 발명의 실시예는 심혈관계 질환, 망막 스캔에서 알츠하이머 병의 검출, 눈의 질환, 다발성 경화증 병소 맵핑, 포토 마이크로스코피를 포함하되, 이에 제한되지 않는 여러 다양한 질환을 검출하기 위한 적응력을 가진다. 기술 분야의 당업자는 본 명세서에 기술된 질환으로 제한되지 않고, 다른 유사한 질환에도 적용된다는 것을 인식할 것이다.
위양성율/위음성율을 개선하기 위한 실시예
가령, 의료 응용예에서 본 명세서에 기술된 하나 이상의 마이크로-콘트라스트 컨버젼스 알고리즘을 적용하는 것은 사용자(가령, 방사선 전문의)가 관심 구조물(가령, 암)을 용이하게 검출하도록 하는 이미지 시각화를 생성한다. 그 결과, 위양성율과 위음성율은 상당히 감소된다.
일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위양성율은 내과의에 의해 결정된 것에 비해 10% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위양성율은 내과의에 의해 결정된 것에 비해 5% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위양성율은 내과의에 의해 결정된 것에 비해 1% 미만이다.
일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 60% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 50% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 45% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 40% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 35% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 30% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 25% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 20% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 15% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 10% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 5% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 4% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 3% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 2% 미만이다. 일부 실시예에서, 유방이 고밀도 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 1% 미만이다.
일부 실시예에서, 유방이 정상 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 16% 미만이다. 일부 실시예에서, 유방이 정상 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 15% 미만이다. 일부 실시예에서, 유방이 정상 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 10% 미만이다. 일부 실시예에서, 유방이 정상 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 5% 미만이다. 일부 실시예에서, 유방이 정상 유방 조직의 적어도 일부를 포함하는 마모그램 이미지에서, 일련의 100번의 시도에 걸쳐 유방암 검출에 대한 위음성율은 내과의에 의해 결정된 것에 비해 1% 미만이다.
특징부 추출
본 발명의 실시예를 실행함에 의해, 특징부 식별(가령, 방사선 전문의에 의해)을 개선하는 향상된 방식으로 조직 구조물을 시각화하고 특징화하여 이미지가 생성되었다.
일부 실시예에서, 프로세서(252)는 하나 이상의 생성된 이미지 시각화에 대해 하나 이상의 컴퓨터 자동 검출(CAD)를 실행하여, 암적인 구조물을 식별할 수 있다. 수백개의 정보 특징부에 적용가능한 대량 패턴 인식 시스템은 이러한 특징 제1차, 제2차 및 제3차 이미지 분석을 포함하여, 이미지 비교(가령, 알려진 암적인 구조와 이미지 시각과의 일부 간의)를 사용할 수 있다.
로컬 마이크로-콘트라스트 컨버젼스 알고리즘 접근법을 사용하여 본 출원에서 사용된 프로세스는, 마모그램과 같은 이미지 내의 이러한 조직 타입이 특징적인 컬러와 그레이스케일 특성을 가정하도록 야기하고, 이는 조직과 조직의 경계를 고유하게 특징화하고, 특징 식별과 추출을 정확한 식별에 대해 매우 효과적이도록 한다. 이들 특성은, 형태학, 기하학, 컬러, 텍스쳐, 상이한 조직 구조(가령, 유방 조직 내의 미세석회화와 병소의 존재와의 상관성), 병소 경계의 형상, 침상의 존재, 에지-그레디언트, 누적 에지-그레디언트 분포, 아키텍쳐 왜곡, 병소 내의 컬러의 분포, 콘트라스ㅌ, 일시적 안정성(마모그래픽 검사들 간의 변화), 및 상이한 뷰들 간의 특징의 상관성(CC 와 MLO 마모그래픽 이미지 뷰들 간의 복수의 뷰 상관성)을 포함하지만, 이에 제한되지 않는다.
유방암 검출 도메인에서의 기계 학습 프로세스는, 양성 낭포, 피브로아데노마스, 암종, 및 침습성 암과 같은 질환과 상관된 특징부를 추출함에 의해 시작된다. 이미지의 트레이닝 세트는 마모그램의 암 영역과 암이 아닌 여역 간의 비교를 위한 기준을 개발하는데 사용된다.
관련 특징부는 각각의 프로세스된 이미지 내의 주어진 좌표 영역으로부터의 로컬 마이크로-콘트라스트 컨버젼스 프로세스 조직 특징화 패턴을 야기한 픽셀 휘도와 컬러값의 클러스터로서 추출된다. 로컬 마이크로-콘트라스트 컨버젼스 프로세스된 이미지의 다중성은 분석될 수 있고, 특징부는 본 명세서에 기술된 하나 이상의 시각화 알고리즘 시퀀스를 통해 생성되었던 각각의 별도의 이미지로부터 추출되었다. 검사되는 모든 프로세스된 이미지는 중첩될 수 있어서, 상이한 프로세스된 이미지들 간에 관심 영역에 완벽한 등록이 있다.
일부 실시예에서, 프로세서(252)는 하나 이상의 비선형 전달 함수를 생성하여, 이미지에 적용하고, 관심 특징부를 식별할 수 있다. 이들 실시예에서, 프로세서(252)는 다양한 시도를 실행할 수 있는데, 다양한 세트의 로컬 마이크로-콘트라스트 컨버젼스 전달 함수는 각각의 시도에 대해 사용된다. 일부 실시예에서, 로컬 마이크로-콘트라스트 컨버젼스 전달 함수는 불규칙하게 생성될 수 있다. 일부 실시예에서, 로컬 마이크로-콘트라스트 컨버젼스 전달 함수는 디폴트 함수(가령, 삼각 함수)에 기초하여 생성된다. 디폴트 함수에 기초하여 로컬 마이크로-콘트라스트 컨버젼스 전달 함수를 생성한 예시는 도 2a에 도시된다.
본 좌표 플롯 내의 휘도값을 맵핑할 수 있는 휘도값의 범위가 풀어져 있다. 시도의 결과로서, 프로세서(252)는 선호되는 세트의 비선형 전달 함수를 선택하여서, 위양성 및/또는 위음성의 가장 낮은 확률에 기초하여 이미지에 적용할 수 있다.
특징 분석은 데이ㅓ로부터 높은 가분성 특징 추출(HSFE), 이미지의 표준 및 고급 특징부 모두에 대한 바이어싱 및 Co-Occurrences, Gabor, SIFT, LBP, Histograms of Oriented Gradients, Random Ferns 및 Hough Forests를 포함하는 시계열을 포함할 수 있다.
기계 학습, 데이터 마이닝 및 통계적 모델링 테크닉이 에이다부스트, 유전 프로그래밍, 서포트 벡터 머신, 신경망, 글로벌 최적화 및 학습 벡터 양자화와 같은 이러한 프로세스를 사용하여, 프로세스된 이미지 내의 실시간 대상 인식과 국부화를 위해 적용될 수 있다.
추출될 수 있는 특징부의 수 또는 특징부 들 중에 생성될 수 있는 상관성의 수에 이론적으로 제한이 없다. 알고리즘 개발은, R, Pig, Strom, MySQL, MongoDB 및 Hadoop을 사용하여, 빅 데이터 애플리케이션에 사용될 수 있다.
적어도 하나의 실시예에서, 하나 이상의 프로세서와 메모리9가령, 하나 이상의 비휘발성 저장 장치)를 가진 하나 이상의 컴퓨터가 포함된다. 일부 실시예에서, 메모리 또는 메모리의 컴퓨터 판독가능한 저장 매체는, 프로그램, 모듈, 및 데이터 구조 또는 프로세서가 본 명세서에 개시된 다양한 시스템과 방법을 제어하고 실행하기 위해 서브세트를 저장한다. 일 실시예에서, 프로세서에 의해 실행될 때, 컴퓨터-실행가능한 명령어가 저장되는 비휘발성 컴퓨터 판독가능한 저장 매체는 본 명세서에 개시된 하나 이상의 방법을 수행한다.
상기 기술되고 도시된 예시적인 실시예의 넓은 발명적인 개념에서 벗어남 없이, 이러한 실시예에 대한 변경이 이루어질 수 있다는 것은 기술 분야의 당업자에 의해 인식될 것이다. 그러므로, 본 발명은 도시되고 기술된 예시적인 실시예에만 제한되는 것이 아니라, 청구항에 의해 정의된 본 발명의 사상과 범위 내의 수정예를 커버하려는 것으로 이해된다. 예를 들어, 예시적인 실시예의 구체적인 특징은 청구된 발명의 일부이거나 일부가 아닐 수 있고, 개시된 실시예의 특징이 조합될 수 있다. 본 명세서에 구체적으로 제시되지 않는 한, 용어 "한", "하나" 및 "그"는 하나의 요소로 제한되지 않고, 다만 "적어도 하나"의 의미로 읽혀야 한다.
본 발명의 도면과 상세한 설명 중 적어도 일부는 본 발명의 명확한 이해를 위해 관련된 요소에 초점을 맞추기 위해 간략화되었고, 간결성을 위해 기술 분양의 당업자가 본 발명의 일부를 포함할 수 있다는 것으로 인식하는 것을 제거하였다는 것을 이해해야 한다. 그러나, 이러한 요소가 기술 분야에 잘 알려져 있기 때문에, 그리고, 이러한 요소들이 반드시 본 발명의 더 잘 이해하도록 하는 것이 아니기 때문에, 이러한 요소의 설명은 본 명세서에서 제공되지 않는다.
또한, 본 방법이 본 명세서에 제시된 특정 순서의 단계에 의존하지 않으므로, 특정 순서의 단계는 청구항에 대해 제한적으로 해석되어서는 아니된다. 본 발명의 방법에 관한 청구항은 기재된 순서로 이들의 단계의 수행에 제한되지 않고, 기술 분야의 당업자는 단계가 바뀌어질 수 있고, 여전히 본 발명의 사상과 범위 내에서 유지될 수 있다는 것을 용이하게 인식할 수 있다.
Claims (47)
- 이미지 내의 특징부를 시각화 및 특징화하는 방법에 있어서, 상기 방법은,
제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계를 포함하여, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하되, 상기 제2 이미지는 상기 특징부를 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 제 1 항에 있어서,
상기 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘과 상이하고 구별되는 제2 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계를 더 포함하여, 제1 이미지 및 제2 이미지와 상이하고 구별되는 제3 이미지를 생성하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 제 2 항에 있어서,
제3 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제3 이미지에 순차적으로 적용하는 단계를 더 포함하여, 제4 이미지를 생성하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 제 2 항에 있어서,
제1 이미지, 제2 이미지, 제3 이미지 또는 제4 이미지 중 하나 이상을 결합하는 단계를 더 포함하여, 원래의 제1 이미지, 제2 이미지, 제3 이미지 또는 제4 이미지와 상이하고 구별되는 제5 이미지를 생성하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 제 1 항에 있어서, 제1 마이크로-콘트라스트 컨버젼스 알고리즘을 적용하는 단계는, 하나 이상의 비선형 불연속적인 전달 함수를 제1 이미지에 적용하는 단계를 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 5 항에 있어서, 하나 이상의 비선형 불연속적인 전달 함수를 제 1 이미지에 적용하는 단계는 비선형 불연속적인 전달 함수를 나타내는 그레이스케일이나 컬러 프로필 룩업 테이블 중 하나 이상을 사용하는 단계를 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 1 항에 있어서, 제1 이미지는 픽셀값을 가진 그레이스케일 이미지이고, 상기 방법은,
제1 다차원 컬러 공간 내의 그레이스케일 이미지의 픽셀값을 복제하는 단계를 더 포함하되, 제1 다차원 컬러 공간의 각각의 차원은 그레이스케일 이미지의 픽셀값의 복제본인, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 제 7 항에 있어서, 제1 다차원 컬러 공간은 4개의 성분인 휘도, 붉은색, 녹색 및 파란색을 포함하는 4차원을 포함하고, 제2 이미지는 휘도 및 휘도, 붉은색, 녹색 및 파란색인 3개의 상이한 컬러 차원을 포함하는 RGB 다차원 컬러 공간인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 1 항에 있어서, 제1 이미지 및 제2 이미지는 다차원 컬러 공간 이미지인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 9 항에 있어서,
제2 다차원 컬러 공간 이미지를 일차원 그레이스케일 이미지로 전환하는 단계를 더 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 제 10 항에 있어서, 제1 다차원 컬러 공간 이미지는, 제1 다차원 컬러 공간 이미지의 각각의 픽셀에 대응되는 휘도값을 가진 휘도 차원을 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 11 항에 있어서, 제2 다차원 컬러 공간 이미지를 일차원 그레이스케일 이미지로 전환하는 단계는, 일차원 그레이스케일 이미지로 전환하기 위해, 제2 다차원 컬러 공간 이미지 내의 각각의 픽셀의 각각의 컬러 공간의 휘도값을 변경하는 단계를 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 1 항에 있어서, 제1 이미지는 x-레이, 초음파, 적외선, 자외선, MRI, CT 스캔, PET 스캔, 그레이스케일, 컬러, 가시광, mm 파 또는 레이져 스캔에 의해 생성된 이미지인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 1 항에 있어서, 상기 특징부는 유방암, 전립선암, 신장암, 간암, 골암, 폐암, 뇌종양 또는 피부암인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 1 항에 있어서, 상기 특징부는 심혈관계 질환, 알츠하이머 병, 눈의 질환, 또는 다발성 경화증 병소의 바이오마커인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 1 항에 있어서, 상기 특징부는 고체 유기 화합물이나 액체 유기 화합물에 대한 화학적 마커인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 1 항에 있어서, 상기 특징부는 구조 결함인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 14 항에 있어서, 유방암에 대한 위양성율이 10% 미만인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 14 항에 있어서, 유방암에 대한 위양성율이 5% 미만인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 14 항에 있어서, 유방암에 대한 위양성율이 1% 미만인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 14 항에 있어서, 유방암에 대한 위음성율은 1% 미만인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 1 항에 있어서, 상기 이미지는 고밀도 유방 조직을 포함하는 유방의 마모그램 이미지이고, 상기 특징부는 유방암이고, 위음성율은 60% 미만인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 1 항에 있어서, 상기 이미지는 고밀도 유방 조직을 포함하는 유방의 마모그램 이미지이고, 상기 특징부는 유방암이고, 위음성율은 50% 미만인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 1 항에 있어서, 상기 이미지는 고밀도 유방 조직을 포함하는 유방의 마모그램 이미지이고, 상기 특징부는 유방암이고, 위음성율은 0.1% 내지 59.9% 인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 제 14 항에 있어서, 상기 특징부의 크기는 1 mm 이상인, 이미지 내의 특징부를 시각화 및 특징화하는 방법.
- 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법에 있어서, 상기 방법은,
로컬 마이크로-콘트라스트 조직 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계를 포함하여, 청구항 제 1 항에 따라 제1 이미지와 상이한 제2 이미지를 생성하고, 제1 특징부 내의 제2 특징부의 크기는 700-900 미크론이고, 제1 특징부의 크기는 1 mm 이상인, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법. - 제 26 항에 있어서, 제1 이미지는 픽셀당 35 미크론 내지 125 미크론의 레졸루션을 가지는, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법.
- 제 26 항에 있어서, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 조직 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는,
상기 제1 이미지를 수신하는 단계와,
상기 제1 이미지의 픽셀값을 초기 다차원 컬러 공간으로 맵핑하는 단계와,
하나 이상의 비선형 전달 함수를 초기 다차원 컬러 공간에 적용하여 로컬 마이크로-콘트라스트 컨버젼스를 야기하고, 프로세스된 다차원 컬러 공간을 생성하는 단계와,
프로세스된 다차원 컬러 공간에 기초하여 제2 이미지의 이미지 시각화를 디스플레이하는 단계를 포함하는, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법. - 제 28 항에 있어서, 로컬 마이크로-콘트라스트 컨버젼스는, 이웃하는 픽셀 그룹들 간의 관계가 미리정의된 컬러와 명도 패턴으로 모이도록 하는데 사용되는 전달 함수의 시퀀스를 나타내는, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법.
- 제 28 항에 있어서, 다차원 컬러 공간은 RGB 컬러 공간, HSV 컬러 공간, HLS 컬러 공간, HSB 컬러 공간, XYZ 컬러 공간, CMYK 컬러 공간, CIEXYZ 컬러 공간 또는 CIELAB 컬러 공간 중 하나인, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법.
- 제 28 항에 있어서,
중간값 필터를 초기 다차원 컬러 공간에 적용하는 단계를 더 포함하되,
하나 이상의 비선형 전달 함수를 초기 다차원 컬러 공간에 적용하는 단계는,
저밀도 지방 유방 조직을 약화시키기 위해 제1 세트의 비선형 전달 함수를 적용하는 단계와,
지방 유방 조직이 제1 컬러로 나타나고, 다른 컬러를 사용하여 더 고밀도인 유방 조직을 구별하도록 하기 위해 제2 세트의 비선형 전달 함수를 적용하는 단계와,
낮은 픽셀값을 증폭하고 제1 컬럴와 관련된 컬러 공간층 내의 높은 픽셀값을 약화시키기 위해 제3 세트의 비선형 전달 함수를 적용하는 단계와,
디스플레이될 때 이미지의 배경이 검은색으로 변경하도록 하기 위해 제4 세트의 비선형 전달 함수를 적용하는 단계를 포함하는, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법. - 제 28 항에 있어서,
제2 이미지를 수신하는 단계 - 상기 제2 이미지는 제1 이미지와 실질적으로 유사함 - 와,
제2 이미지의 픽셀값을 제2 초기 다차원 컬러 공간으로 맵핑하는 단계와,
제2 프로세스된 다차원 컬러 공간을 생성하기 위해, 중간값 필터와 콘볼루션 필터를 초기 다차원 컬러 공간에 적용하는 단계와,
제1 이미지와 관련된 프로세스된 다차원 컬러 공간 및 제2 이미지와 관련된 제2 프로세스된 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 단계를 더 포함하되,
하나 이상의 비선형 전달 함수를 제1 이미지와 관련된 초기 다차원 컬러 공간에 적용하는 단계는,
제1 이미지의 더 어두운 값을 올리고 중간 톤을 약화시키기 위해, 제1 세트의 비선형 전달 함수를 적용하는 단계와,
미묘한 컬러 색조를 추가하기 위해 제2 세트의 비선형 전달 함수를 다차원 컬러 공간에 적용하는 단계와,
암과 관련된 색상값을 확장하기 위해 제3 세트의 비선형 전달 함수를 적용하는 단계를 포함하는, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법. - 제 28 항에 있어서,
제1 이미지의 콘트라스트를 조절하고 구조적 세부사항을 강조하기 위해, 다차원 컬러 공간의 감마 레벨을 조절하는 단계를 더 포함하되,
비선형 전달 함수를 제1 이미지와 관련된 초기 다차원 컬러 공간에 적용하는 단계는,
다차원 컬러 공간의 휘도 레벨을 줄이기 위해 제1 세트의 비선형 전달 함수를 적용하는 단계와,
제2 세트의 비선형 전달 함수를 휘도와 관련된 초기 다차원 컬러 공간의 반전값에 적용하는 단계를 포함하는, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법. - 제 28 항에 있어서, 수신된 이미지는 x-레이, 초음파, 적외선, 자외선, MRI, CT 스캔, PET 스캔, 그레이스케일, 컬러, 가시광 mm 파 또는 레이져 스캔에 의해 생성된 이미지인, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법.
- 제 28 항에 있어서, 수신된 이미지는 특징부를 포함하고, 상기 특징부는 유방암, 전립선암, 신장암, 간암, 골암, 폐암, 뇌종양 또는 피부암인, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법.
- 제 28 항에 있어서, 수신된 이미지는 특징부를 포함하고, 상기 특징부는 심혈관계 질환, 알츠하이머 병, 눈의 질환, 또는 다발성 경화증 병소의 바이오마커인, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법.
- 제 28 항에 있어서, 수신된 이미지는 특징부를 포함하고, 상기 특징부는 고체 유기 화합물이나 액체 유기 화합물에 대한 화학적 마커인, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법.
- 제 28 항에 있어서, 수신된 이미지는 특징부를 포함하고, 상기 특징부는 구조 결함인, 관심있는 제1 특징부를 포함하는 제1 이미지 내의 제2 특징부를 나타내는 방법.
- 제 1 항에 있어서, 제1 이미지는 고밀도 유방 조직과 지방 유방 조직의 그림을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는,
제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와,
제2 다차원 컬러 공간을 생성하기 위해 중간값 필터를 제1 다차원 컬러 공간에 적용하는 단계와,
제3 다차원 컬러 공간을 생성하기 위해 제2 다차원 컬러 공간을 반전시키는 단계와,
제4 다차원 컬러 공간을 생성하고, 지방 유방 조직이 하나의 컬러러 나타나고, 다른 컬러를 사용하여 고밀도 유방 조직을 구별시키기 위해, 제1 세트의 하나 이상의 비선형 전달 함수를 제3 다차원 컬러 공간에 적용하는 단계와,
제5 다차원 컬러 공간을 생성하고, 높은 픽셀값을 증폭시키고, 낮은 픽셀값을 약화시키고, 유방 영역 구조를 강조하기 위해, 제2 세트의 하나 이상의 전달 함수를 제4 다차원 컬러 공간에 적용하는 단계와,
제5 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 단계를 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 제 1 항에 있어서, 제1 이미지는 고밀도 유방 조직과 지방 유방 조직의 그림을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는,
제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와,
제2 다차원 컬러 공간을 생성하고, 지방 유방 조직이 하나의 컬러러 나타나고, 다른 컬러를 사용하여 고밀도 유방 조직을 구별시키기 위해, 제1 세트의 하나 이상의 전달 함수를 제1 다차원 컬러 공간에 적용하는 단계와,
제2 다차원 컬러 공간을 HLS 컬러 공간 내의 제3 다차원 컬러 공간으로 전환하는 단계와,
제3 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 단계를 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 제 1 항에 있어서, 제1 이미지는 고밀도 유방 조직과 지방 유방 조직의 그림을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는,
제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와,
제2 다차원 컬러 공간을 생성하고, 지방 유방 조직이 하나의 컬러러 나타나고, 다른 컬러를 사용하여 고밀도 유방 조직 내의 세부 구조를 구별시키고 나타내기 위해, 제1 세트의 하나 이상의 전달 함수를 제1 다차원 컬러 공간에 적용하는 단계와,
제2 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 단계를 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 제 1 항에 있어서, 제1 이미지는 고밀도 유방 조직과 지방 유방 조직의 그림을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는,
제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와,
제2 다차원 컬러 공간을 생성하고, 지방 유방 조직이 투명하게 나타나고, 다른 컬러를 사용하여 고밀도 유방 조직 내의 세부 구조를 구별시키고, 지방 유방 조직과 고밀도 유방 조직 내의 작은 점형 구조물을 구별시키기 위해, 제1 세트의 하나 이상의 전달 함수를 제1 다차원 컬러 공간에 적용하는 단계와,
제2 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 단계를 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 제 1 항에 있어서, 제1 이미지는 고밀도 유방 조직과 지방 유방 조직의 그림을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는,
제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와,
제2 다차원 컬러 공간을 생성하기 위해 중간값 필터를 제1 다차원 컬러 공간에 적용하는 단계와,
제3 다차원 컬러 공간을 생성하기 위해 콘볼루션 필터를 제2 다차원 컬러 공간에 적용하는 단계와,
복사본 제1 이미지를 임포팅하는 단계와,
이미지 픽셀값을 제4 다차원 컬러 공간으로 맵핑하는 단계와,
제5 다차원 컬러 공간을 생성하고 콘트라스트를 설정하고 지방 유방 조직을 어둡게하기 위해, 제1 세트의 하나 이상의 전달 함수를 제4 다차원 컬러 공간에 적용하는 단계와,
제6 다차원 컬러 공간을 생성하고 콘트라스트를 설정하고 지방 유방 조직을 어둡게하기 위해, 제2 세트의 하나 이상의 전달 함수를 제5 다차원 컬러 공간에 적용하는 단계와,
제7 다차원 컬러 공간을 생성하고, 지방 유방 조직 휘도를 반전시켜서 하나의 컬러로 나타내고, 다른 컬러를 사용하여 고밀도 유방 조직 내의 세부 구조를 구별시키고 나타내기 위해, 제3 세트의 하나 이상의 전달 함수를 제6 다차원 컬러 공간에 적용하는 단계와,
제8 다차원 컬러 공간을 생성하고 유방 경계를 정의하기 위해, 제4 세트의 하나 이상의 전달 함수를 제7 다차원 컬러 공간에 적용하는 단계와,
제9 다차원 컬러 공간을 생성하기 위해 제3 다차원 컬러 공간과 제8 다차원 컬러 공간을 합병하는 단계와,
제9 다차원 컬러 공간을 그레이스케일값으로 전환하고 제9 다차원 컬러 공간을 나타내는 이미지를 디스플레이하는 단계를 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 제 1 항에 있어서, 제1 이미지는 고밀도 유방 조직과 지방 유방 조직의 그림을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는,
제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와,
제2 다차원 컬러 공간을 생성하고 이미지 픽셀값이 비선형적으로 반전되도록 하기 위해, 제1 세트의 하나 이상의 전달 함수를 제1 다차원 컬러 공간에 적용하는 단계와,
제3 다차원 컬러 공간을 생성하고, 지방 유방 조직이 하나의 컬러로 나타나고, 다른 컬러를 사용하여 고밀도 유방 조직 내의 세부 구조를 구별시키고 나타내기 위해, 제2 세트의 하나 이상의 전달 함수를 제2 다차원 컬러 공간에 적용하는 단계와,
제4 다차원 컬러 공간을 생성하고, 지방 유방 조직이 하나의 컬러로 나타나고, 다른 컬러를 사용하여 고밀도 유방 조직 내의 세부 구조를 구별시키고 나타내기 위해, 제3 세트의 하나 이상의 전달 함수를 제3 다차원 컬러 공간에 적용하는 단계와,
제4 다차원 컬러 공간을 HLS 컬러 공간 내의 제5 다차원 컬러 공간으로 전환하는 단계와,
제6 다차원 컬러 공간을 생성하기 위해 어두워진 블렌드(darken blend)를 사용함에 의해, 제5 다차원 컬러 공간과 제1 다차원 컬러 공간을 합병하는 단계와,
제7 다차원 컬러 공간을 생성하기 위해 제6 다차원 컬러 공간의 불투명성을 조절하는 단계와,
제7 다차원 컬러 공간을 그레이스케일값으로 전환하고, 제7 다차원 컬러 공간을 나타내는 이미지를 디스플레이하는 단계를 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 제 1 항에 있어서, 제1 이미지는 고밀도 조직과 지방 조직을 포함하는 유방 조직의 그림을 포함하는 마모그램이고, 제1 이미지와 상이하고 구별되는 제2 이미지를 생성하기 위해 제1 로컬 마이크로-콘트라스트 컨버젼스 알고리즘을 제1 이미지에 적용하는 단계는,
제1 이미지의 픽셀값을 제1 다차원 컬러 공간으로 맵핑하는 단계와,
제2 다차원 컬러 공간을 생성하기 위해 중간값 필터를 제1 다차원 컬러 공간에 적용하는 단계와,
제3 다차원 컬러 공간을 생성하고, 지방 조직의 콘트라스트를 변경하고 명도를 줄이기 위해, 제1 세트의 하나 이상의 전달 함수를 제2 다차원 컬러 공간에 적용하는 단계와,
제4 다차원 컬러 공간을 생성하고, 더 고밀도인 유방 조직을 제외한 유방 조직을 컬러화하기 위해, 제2 세트의 하나 이상의 전달 함수를 제3 다차원 컬러 공간에 적용하는 단계와,
제5 다차원 컬러 공간을 생성하고, 지방 조직을 실질적으로 솔리드 컬러로 줄이기 위해, 제3 세트의 하나 이상의 전달 함수를 제4 다차원 컬러 공간에 적용하는 단계와,
제6 다차원 컬러 공간을 생성하기 위해 제5 다차원 컬러 공간의 컬러를 반전시키는 단계와,
제7 다차원 컬러 공간을 생성하고 유방 조직의 경계 외부로부터 유방 조직을 구별시키기 위해, 제4 세트의 하나 이상의 전달 함수를 제6 다차원 컬러 공간에 적용하는 단계와,
제7 다차원 컬러 공간을 HLS 컬러 공간 내의 제8 다차원 컬러 공간으로 전환하고, 제9 다차원 컬러 공간을 생성하기 위해 제8 다차원 컬러 공간의 HLS 특성을 조절하는 단계와,
제9 다차원 컬러 공간에 기초하여 이미지 시각화를 디스플레이하는 단계를 포함하는, 이미지 내의 특징부를 시각화 및 특징화하는 방법. - 적어도 하나의 프로그램을 각각 저장하도록 작동가능한 하나 이상의 메모리 유닛과,
하나 이상의 메모리 유닛에 통신적으로 연결된 적어도 하나의 프로세서 - 상기 적어도 하나의 프로그램은 적어도 하나의 프로세서에 의해 실행될 때, 적어도 하나의 프로세서가 청구항 제 1 항 내지 제 45 항 중 어느 한 항에 따른 단계를 수행하도록 함 - 를 포함하는 시스템. - 프로세서에 의해 실행될 때, 청구항 제 1 항 내지 제 45 항 중 어느 한 항에 따른 단계를 수행하는, 컴퓨터-실행가능한 명령어가 저장된 비일시적 컴퓨터 판독가능한 저장 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201662292413P | 2016-02-08 | 2016-02-08 | |
| US62/292,413 | 2016-02-08 | ||
| PCT/US2017/016999 WO2017139367A1 (en) | 2016-02-08 | 2017-02-08 | System and method for the visualization and characterization of objects in images |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20180115725A true KR20180115725A (ko) | 2018-10-23 |
Family
ID=59564041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020187026011A KR20180115725A (ko) | 2016-02-08 | 2017-02-08 | 이미지 내의 대상의 시각화와 특징화를 위한 시스템 및 방법 |
Country Status (9)
| Country | Link |
|---|---|
| US (3) | US10873681B2 (ko) |
| EP (2) | EP3399916B1 (ko) |
| JP (2) | JP7065038B2 (ko) |
| KR (1) | KR20180115725A (ko) |
| CN (1) | CN108882902B (ko) |
| CA (1) | CA3013926A1 (ko) |
| MA (1) | MA43593A (ko) |
| MX (1) | MX2018009566A (ko) |
| WO (1) | WO2017139367A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220011099A (ko) | 2020-07-20 | 2022-01-27 | 펄스나인 주식회사 | 인공지능을 이용한 편집된 이미지 검출 방법 및 시스템 |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11944486B2 (en) * | 2016-06-27 | 2024-04-02 | Taihao Medical Inc. | Analysis method for breast image and electronic apparatus using the same |
| US10430984B2 (en) * | 2016-12-16 | 2019-10-01 | General Electric Company | Fused slice or cine-loop image for multi-mode DBT acquisitions |
| US20180174294A1 (en) * | 2016-12-16 | 2018-06-21 | General Electric Company | Multi-Layer Color Display In Synthetic 2D Images |
| US10187637B2 (en) | 2017-03-07 | 2019-01-22 | Filmic Inc. | Inductive micro-contrast evaluation method |
| US10789712B2 (en) * | 2017-07-11 | 2020-09-29 | MESC Health Ltd | Method and system for image analysis to detect cancer |
| US11026641B2 (en) * | 2017-10-16 | 2021-06-08 | Mayo Foundation For Medical Education And Research | System and method for tomography-based radiomic mass analysis |
| JP7153261B2 (ja) * | 2017-11-16 | 2022-10-14 | 国立大学法人九州大学 | 画像処理装置および画像処理装置の作動方法並びに画像処理プログラム |
| CN109003248B (zh) * | 2018-07-23 | 2020-12-08 | 中国石油大学(华东) | 一种细粒沉积岩纹层结构的表征方法 |
| AU2019349684A1 (en) * | 2018-09-24 | 2021-03-11 | Hologic, Inc. | Breast mapping and abnormality localization |
| CN109949274B (zh) | 2019-02-25 | 2020-12-25 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置及系统 |
| KR102039138B1 (ko) * | 2019-04-02 | 2019-10-31 | 주식회사 루닛 | 적대적 학습에 기반한 도메인 어댑테이션 방법 및 그 장치 |
| US11209817B2 (en) * | 2019-05-06 | 2021-12-28 | Argo AI, LLC | Method and system for real-time diagnostics and fault monitoring in a robotic system |
| JP7209599B2 (ja) * | 2019-07-29 | 2023-01-20 | 富士フイルム株式会社 | 画像処理装置、方法およびプログラム |
| JP7203705B2 (ja) | 2019-09-17 | 2023-01-13 | 富士フイルム株式会社 | 画像処理装置、方法およびプログラム、並びに画像表示装置、方法およびプログラム |
| CN110751648B (zh) * | 2019-10-29 | 2023-02-28 | 国网黑龙江省电力有限公司电力科学研究院 | 基于图像处理技术的杆塔基础异常检测方法 |
| US20230338002A1 (en) * | 2020-03-02 | 2023-10-26 | Vayyar Imaging Ltd. | Imaging system and device for breast cancer detection |
| CN111583320B (zh) * | 2020-03-17 | 2023-04-07 | 哈尔滨医科大学 | 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 |
| CN112164020B (zh) * | 2020-03-31 | 2024-01-23 | 苏州润迈德医疗科技有限公司 | 精确提取血管中心线的方法、装置、分析系统和存储介质 |
| US11151755B1 (en) * | 2020-07-29 | 2021-10-19 | Adobe Inc. | Image processing for increasing visibility of obscured patterns |
| US20220101518A1 (en) * | 2020-09-25 | 2022-03-31 | GE Precision Healthcare LLC | System and method for stylizing a medical image |
| CN112164012B (zh) * | 2020-10-14 | 2023-05-12 | 上海影卓信息科技有限公司 | 人像彩色浮雕效果的实现方法及系统 |
| WO2024112579A1 (en) * | 2022-11-23 | 2024-05-30 | Subtle Medical, Inc. | Systems and methods for mri contrast synthesis under light-weighted framework |
| CN117315415B (zh) * | 2023-07-13 | 2024-06-11 | 东南大学 | 一种店铺招牌健康性能评估方法与装置 |
Family Cites Families (55)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL106691A (en) | 1993-08-13 | 1998-02-08 | Sophis View Tech Ltd | System and method for diagnosis of living tissue diseases |
| GB9619119D0 (en) * | 1996-09-12 | 1996-10-23 | Discreet Logic Inc | Processing image |
| US5859891A (en) | 1997-03-07 | 1999-01-12 | Hibbard; Lyn | Autosegmentation/autocontouring system and method for use with three-dimensional radiation therapy treatment planning |
| JP2003532934A (ja) * | 1997-08-28 | 2003-11-05 | クァリア・コンピューティング・インコーポレーテッド | クラスタ化された微小カルシウム沈着をディジタル乳房ｘ線像から自動検出するための方法およびシステム |
| US6031935A (en) | 1998-02-12 | 2000-02-29 | Kimmel; Zebadiah M. | Method and apparatus for segmenting images using constant-time deformable contours |
| DE10139708A1 (de) * | 2001-08-11 | 2003-02-20 | Philips Corp Intellectual Pty | Vorrichtung und Verfahren zur Verarbeitung von Digitalbildern |
| EP1680757A4 (en) | 2003-10-08 | 2006-11-22 | Lifespan Biosciences Inc | AUTOMATED MAPPING OF TISSUE SAMPLES ON MICROSCOPE BLADE AND ACQUISITION OF IMAGES |
| US20050078861A1 (en) | 2003-10-10 | 2005-04-14 | Usikov Daniel A. | Tomographic system and method for iteratively processing two-dimensional image data for reconstructing three-dimensional image data |
| JP2005111946A (ja) * | 2003-10-10 | 2005-04-28 | Tokukin Kagi Kofun Yugenkoshi | ハーフトーンスクリーンの非線形較正方法 |
| US7907762B2 (en) | 2004-05-26 | 2011-03-15 | Guardian Technologies International, Inc. | Method of creating a divergence transform for identifying a feature of interest in hyperspectral data |
| US7840048B2 (en) | 2004-05-26 | 2010-11-23 | Guardian Technologies International, Inc. | System and method for determining whether there is an anomaly in data |
| US20060269140A1 (en) | 2005-03-15 | 2006-11-30 | Ramsay Thomas E | System and method for identifying feature of interest in hyperspectral data |
| US7496218B2 (en) | 2004-05-26 | 2009-02-24 | Ramsay Thomas E | System and method for identifying objects of interest in image data |
| KR20070061893A (ko) | 2004-09-22 | 2007-06-14 | 트리패스 이미징, 인코포레이티드 | 유방암 예후를 평가하기 위한 방법 및 조성물 |
| US20060127880A1 (en) | 2004-12-15 | 2006-06-15 | Walter Harris | Computerized image capture of structures of interest within a tissue sample |
| US20090324097A1 (en) | 2005-03-15 | 2009-12-31 | Ramsay Thomas E | System and method for using a template in a predetermined color space that characterizes an image source |
| US8538099B2 (en) | 2005-03-23 | 2013-09-17 | General Electric Company | Method and system for controlling image reconstruction |
| US20100266179A1 (en) * | 2005-05-25 | 2010-10-21 | Ramsay Thomas E | System and method for texture visualization and image analysis to differentiate between malignant and benign lesions |
| ATE512421T1 (de) | 2005-11-23 | 2011-06-15 | Cedara Software Corp | Verfahren und system zur verbesserung von digitalen bildern |
| US7768652B2 (en) | 2006-03-16 | 2010-08-03 | Carl Zeiss Meditec, Inc. | Methods for mapping tissue with optical coherence tomography data |
| US7805183B2 (en) | 2006-06-22 | 2010-09-28 | Wisconsin Alumni Research Foundation | Stromal collagen in the diagnosis and characterization of breast cancer |
| US8897528B2 (en) | 2006-06-26 | 2014-11-25 | General Electric Company | System and method for iterative image reconstruction |
| US8571287B2 (en) | 2006-06-26 | 2013-10-29 | General Electric Company | System and method for iterative image reconstruction |
| US20090174712A1 (en) * | 2006-07-31 | 2009-07-09 | Sandviken Intellectual Property Ab | Method, apparatus and computer-readable medium for scale-based visualization of an image dataset |
| JP2008067296A (ja) * | 2006-09-11 | 2008-03-21 | Canon Inc | 画像処理方法及び画像処理装置 |
| US7916912B2 (en) | 2006-09-14 | 2011-03-29 | Siemens Israel Ltd. | Efficient border extraction of image feature |
| US20080085040A1 (en) | 2006-10-05 | 2008-04-10 | General Electric Company | System and method for iterative reconstruction using mask images |
| WO2008157843A1 (en) | 2007-06-21 | 2008-12-24 | Guardian Technologies International Inc. | System and method for the detection, characterization, visualization and classification of objects in image data |
| US7949181B2 (en) | 2007-06-28 | 2011-05-24 | General Electric Company | Segmentation of tissue images using color and texture |
| US8270691B2 (en) | 2007-10-09 | 2012-09-18 | Siemens Aktiengesellschaft | Method for fusing images acquired from a plurality of different image acquiring modalities |
| WO2009058915A1 (en) | 2007-10-29 | 2009-05-07 | The Trustees Of The University Of Pennsylvania | Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri) |
| CN101919230B (zh) | 2007-12-25 | 2013-02-13 | 梅迪奇视觉-脑科技有限公司 | 降低图像噪声的方法 |
| EP2252973A2 (en) | 2008-03-06 | 2010-11-24 | Philips Intellectual Property & Standards GmbH | Method of selectively and interactively processing data sets with fusion |
| EP2262410B1 (en) | 2008-04-08 | 2015-05-27 | National University of Singapore | Retinal image analysis systems and method |
| US8358453B2 (en) | 2008-05-27 | 2013-01-22 | Xerox Corporation | Control based iterative profiling methods |
| US8660330B2 (en) | 2008-06-27 | 2014-02-25 | Wolfram Jarisch | High efficiency computed tomography with optimized recursions |
| WO2010003044A2 (en) * | 2008-07-03 | 2010-01-07 | Nec Laboratories America, Inc. | Epithelial layer detector and related methods |
| US8718340B2 (en) | 2008-09-03 | 2014-05-06 | Trustees Of The University Of Pennsylvania | System and method for accurate and rapid identification of diseased regions on biological images with applications to disease diagnosis and prognosis |
| JP2010218271A (ja) | 2009-03-17 | 2010-09-30 | Tokyo Institute Of Technology | パラメータ制御処理装置及び画像処理装置 |
| CA2783935A1 (en) | 2009-09-18 | 2011-03-24 | Andrew Janowczyk | High-throughput biomarker segmentation utilizing hierarchical normalized cuts |
| AU2010307140B2 (en) | 2009-10-12 | 2014-05-15 | Ventana Medical Systems, Inc. | Multi-modality contrast and brightfield context rendering for enhanced pathology determination and multi-analyte detection in tissue |
| US8897544B2 (en) | 2009-12-10 | 2014-11-25 | Indiana University Research And Technology Corp. | System and method for segmentation of three-dimensional image data |
| EP2564355A1 (en) | 2010-04-30 | 2013-03-06 | Vucomp, Inc. | Malignant mass detection and classification in radiographic images |
| US9996929B2 (en) | 2010-10-27 | 2018-06-12 | Varian Medical Systems International Ag | Visualization of deformations using color overlays |
| US8705833B2 (en) | 2011-04-25 | 2014-04-22 | The General Hospital Corporation | Computer-aided staining of multispectral images |
| US9159129B2 (en) | 2011-07-12 | 2015-10-13 | Definiens Ag | Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images |
| US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
| US9607374B2 (en) | 2011-11-10 | 2017-03-28 | Cadess Medical Ab | Color decomposition in histology |
| US9256977B2 (en) | 2012-02-01 | 2016-02-09 | Siemens Medical Solutions Usa, Inc. | System for reconstruction of virtual frequency selective inversion MR images |
| US8594407B2 (en) * | 2012-02-03 | 2013-11-26 | Siemens Aktiengesellschaft | Plane-by-plane iterative reconstruction for digital breast tomosynthesis |
| DE102012217301B4 (de) | 2012-09-25 | 2021-10-14 | Bayer Pharma Aktiengesellschaft | Kombination aus Kontrastmittel und Mammographie-CT-System mit vorgegebenem Energiebereich und Verfahren zur Erzeugung tomographischer Mammographie-CT-Aufnahmen durch diese Kombination |
| US9730655B2 (en) | 2013-01-21 | 2017-08-15 | Tracy J. Stark | Method for improved detection of nodules in medical images |
| WO2015054666A1 (en) | 2013-10-10 | 2015-04-16 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multi-classifier ensemble schemes |
| DE102015204957A1 (de) | 2014-03-27 | 2015-10-01 | Siemens Aktiengesellschaft | Bildgebendes Tomosynthesesystem, insbesondere Mammographiesystem |
| US9805248B2 (en) | 2014-08-29 | 2017-10-31 | Definiens Ag | Applying pixelwise descriptors to a target image that are generated by segmenting objects in other images |
-
2017
- 2017-02-08 CA CA3013926A patent/CA3013926A1/en active Pending
- 2017-02-08 US US15/533,451 patent/US10873681B2/en active Active
- 2017-02-08 CN CN201780022416.5A patent/CN108882902B/zh active Active
- 2017-02-08 EP EP17750690.4A patent/EP3399916B1/en active Active
- 2017-02-08 MX MX2018009566A patent/MX2018009566A/es unknown
- 2017-02-08 EP EP23192820.1A patent/EP4273799A3/en active Pending
- 2017-02-08 JP JP2018560735A patent/JP7065038B2/ja active Active
- 2017-02-08 KR KR1020187026011A patent/KR20180115725A/ko not_active Application Discontinuation
- 2017-02-08 MA MA043593A patent/MA43593A/fr unknown
- 2017-02-08 WO PCT/US2017/016999 patent/WO2017139367A1/en active Application Filing
-
2020
- 2020-12-21 US US17/129,133 patent/US11734911B2/en active Active
-
2022
- 2022-04-25 JP JP2022071438A patent/JP2022105079A/ja active Pending
-
2023
- 2023-08-17 US US18/451,656 patent/US20240096048A1/en active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220011099A (ko) | 2020-07-20 | 2022-01-27 | 펄스나인 주식회사 | 인공지능을 이용한 편집된 이미지 검출 방법 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3399916B1 (en) | 2023-08-23 |
| CA3013926A1 (en) | 2017-08-17 |
| EP4273799A3 (en) | 2023-12-06 |
| US20180109698A1 (en) | 2018-04-19 |
| EP3399916A1 (en) | 2018-11-14 |
| WO2017139367A1 (en) | 2017-08-17 |
| JP2022105079A (ja) | 2022-07-12 |
| EP3399916A4 (en) | 2019-08-07 |
| US20210258451A1 (en) | 2021-08-19 |
| US10873681B2 (en) | 2020-12-22 |
| MA43593A (fr) | 2018-11-14 |
| JP2019511342A (ja) | 2019-04-25 |
| EP3399916C0 (en) | 2023-08-23 |
| EP4273799A2 (en) | 2023-11-08 |
| CN108882902B (zh) | 2022-08-30 |
| MX2018009566A (es) | 2019-05-30 |
| JP7065038B2 (ja) | 2022-05-11 |
| US11734911B2 (en) | 2023-08-22 |
| CN108882902A (zh) | 2018-11-23 |
| US20240096048A1 (en) | 2024-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11734911B2 (en) | System and method for the visualization and characterization of objects in images | |
| US11935215B2 (en) | System and method for the visualization and characterization of objects in images | |
| EP0811205B1 (en) | System and method for diagnosis of living tissue diseases | |
| US5946407A (en) | System and method for scanning medical images using adjustable exposure time and brightness | |
| EP3716202A1 (en) | Systems and methods to facilitate review of liver tumor cases | |
| Sinha et al. | Medical image processing | |
| Duarte et al. | Evaluating geodesic active contours in microcalcifications segmentation on mammograms | |
| Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
| ITRM20060213A1 (it) | Metodo di elaborazione di immagini biomediche | |
| Dhahbi et al. | False-positive reduction in computer-aided mass detection using mammographic texture analysis and classification | |
| Ganvir et al. | Filtering method for pre-processing mammogram images for breast cancer detection | |
| EP3025306B1 (en) | Computer-implemented method for classification of a picture | |
| de Oliveira et al. | A cross-cutting approach for tracking architectural distortion locii on digital breast tomosynthesis slices | |
| Pezeshki et al. | Mass classification of mammograms using fractal dimensions and statistical features | |
| da Cruz | Automatic analysis of mammography images | |
| RU136612U1 (ru) | Устройство диагностики области новообразования типа "рак молочной железы" на маммографических снимках | |
| Radhi et al. | Segmentation of breast mammogram images using level set method | |
| Wu et al. | Intelligent breast tumor detection system with texture and contrast features | |
| Naeppi et al. | Mammographic feature generator for evaluation of image analysis algorithms | |
| Babu | Multi-tumor Detection and Analysis Based on Advance Region Quantitative Approach of Breast MRI | |
| Olaleke et al. | Automated Detection of Breast Cancer’s Indicators in Mammogram via Image Processing Techniques | |
| Pöhlmann | Breast Imaging beyond 2D: from Screening to Treatment | |
| Vlachos et al. | Intuitionistic fuzzy processing of mammographic images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |