TW201726064A - 醫療影像處理裝置及其乳房影像處理方法 - Google Patents

Abstract

本發明提出一種醫療影像處理裝置及其乳房影像處理方法。此處理方法至少包括（但不僅限於）下列步驟。取得至少一片段的乳房影像。透過乳腺組織偵測器偵測各片段乳房影像中的乳腺組織。而此乳腺組織偵測器是基於紋理特徵分析。據此，可輔助乳腺組織密度分析且有效降低電腦輔助偵測系統之偽陽性。此外，基於乳腺組織密度分析的結果，本發明實施例更可進一步判斷泌乳量及呈現左右乳房之乳腺組織密度圖。本發明實施例亦可基於肋骨資訊來區分出乳房影像中的乳房區域。

Description

醫療影像處理裝置及其乳房影像處理方法

本發明是有關於一種影像處理技術，且特別是有關於一種醫療影像處理裝置及其乳房影像處理方法。

乳腺癌（mammary carcinoma）是女性常見的惡性腫瘤之一，其主要癥狀包括乳房腫瘤（tumor）、異常分泌物或形狀變異等。提早篩檢出乳房的異常癥狀，將有助於盡早針對腫瘤進行治療，以降低癌細胞惡化或擴散等問題。諸如臨床或自我乳房檢測、活體組織檢查、乳房攝影術（mammography）、超音波（ultrasound）或磁共振（magnetic resonance）顯像等篩檢方式已廣泛在臨床上使用或成為學術研究的重要議題。

據研究指出，與低密度乳房相比，擁有高密度乳房之女性具有相對高的風險罹患乳癌。因此，乳房及乳腺組織的密度分析亦是乳癌評估的重要因素之一。另一方面，雖然現今臨床上已使用電腦輔助偵測（Computer Aided Detection；CADe）系統來自動辨識腫瘤、腫塊或鈣化點，但仍存在高偽陽性率的風險。

本發明提供一種醫療影像處理裝置及其乳房影像處理方法，其可輔助乳腺組織密度分析且有效降低電腦輔助偵測系統之偽陽性。

本發明提出一種乳房影像處理方法，其適用於醫療影像處理裝置，且至少包括（但不僅限於）下列步驟。取得至少一片段（slice）的乳房影像。透過乳腺組織偵測器偵測各片段乳房影像中的乳腺組織。而此乳腺組織偵測器是基於紋理特徵（texture characteristic）分析。

在本發明一實施例中，上述取得乳房影像之後，更包括下列步驟。將第一視圖的乳房影像轉換成第二視圖的轉向乳房影像。此第一視圖不同於第二視圖。依據轉向乳房影像決定肋骨資訊。依據肋骨資訊決定轉向乳房影像中的乳房區域。

另一觀點而言，本發明提出一種醫療影像處理裝置，其至少包括（但不僅限於）儲存單元及處理單元。儲存單元儲存至少一片段的乳房影像，且記錄數個模組。而處理單元耦接儲存單元，且存取並執行此儲存單元所記錄的模組。而這些模組包括影像輸入模組及乳腺偵測模組。影像輸入模組取得乳房影像。而乳腺偵測模組透過乳腺組織偵測器偵測各乳房影像中的乳腺組織。此乳腺組織偵測器是基於紋理特徵分析。

基於上述，本發明實施例所提出的醫療影像處理裝置及其乳房影像處理方法，其可基於紋理特徵分析而偵測乳房影像中的乳腺組織。據此，本發明實施例便能提昇偵測乳腺組織的準確性，更能助於乳腺組織密度分析及減少電腦輔助偵測系統之偽陽性。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

圖1是依據本發明一實施例說明醫療影像處理裝置的方塊圖。請參照圖1，醫療影像處理裝置100至少包括（但不僅限於）儲存單元110及處理單元150。醫療影像處理裝置100可以是伺服器、用戶端、桌上型電腦、筆記型電腦、網路電腦、工作站、個人數位助理（personal digital assistant；PDA）、平板個人電腦（personal computer；PC）等電子裝置，且不以此為限。

儲存單元110可以是任何型態的固定或可移動隨機存取記憶體（random access memory，RAM）、唯讀記憶體（read-only memory，ROM）、快閃記憶體（flash memory）或類似元件或上述元件的組合。在本實施例中，儲存單元110係用以儲存至少一片段的乳房影像及乳房訓練影像、程式碼、裝置組態、緩衝的或永久的資料，並記錄影像輸入模組111、乳腺偵測模組113、乳房區域切割模組114、偵測訓練模組115、密度量化模組116、偽陽性（false positive）比對模組117、泌乳量評估模組118及左右乳房乳腺密度對稱性測量模組119等軟體程式。處理單元150可存取並執行前述模組，且其詳細運作內容待稍後實施例詳細說明。本實施例中所述的儲存單元110並未限制是單一記憶體元件，上述之各軟體模組亦可以分開儲存在兩個或兩個以上相同或不同型態之記憶體元件中。

處理單元150的功能可藉由使用諸如中央處理單元（central processing unit；CPU）、微處理器、微控制器、數位信號處理（digital signal processing；DSP）晶片、場可程式化邏輯閘陣列（Field Programmable Gate Array；FPGA）等可程式化單元來實施。處理單元150的功能亦可用獨立電子裝置或積體電路（integrated circuit；IC）實施，且處理單元150亦可用硬體或軟體實施。

為了方便理解本發明實施例的操作流程，以下將舉諸多實施例詳細說明本發明實施例中醫療影像處理裝置100進行乳房影像處理的流程。圖2是依據本發明一實施例說明一種乳房影像處理方法流程圖。請參照圖2，本實施例的方法適用於圖1中的醫療影像處理裝置100。下文中，將搭配醫療影像處理裝置100中的各項元件及模組說明本發明實施例所述之方法。本方法的各個流程可依照實施情形而隨之調整，且並不僅限於此。

在步驟S210中，影像輸入模組111取得至少一片段的乳房影像。此乳房影像可以是自動乳房超音波（automated breast ultrasound；ABUS）、數位乳房斷層層析（digital breast tomosynthesis；DBT）、磁共振顯影（magnetic resonance imaging：MRI）等針對乳房部位的二維或三維醫療影像。在篩檢中，三維影像技術可為癌症風險提供更加可靠乳房密度評估，但本發明實施例不僅限於三維影像。

影像輸入模組111可自儲存單元110、透過無線或有線通訊單元（例如，Wi-Fi、乙太網路（Ethernet））、醫學影像掃描器（例如，ABUS掃描儀器、MRI掃描儀器等）或儲存裝置（例如，DVD、隨身碟、硬碟等）取得乳房影像。

在步驟S230中，乳腺偵測模組113透過乳腺組織偵測器偵測各乳房影像中的乳腺組織（Mammary Glandular Tissue）。而此乳腺組織偵測器是基於紋理特徵（texture characteristic）分析。在本實施例中，偵測訓練模組115可基於紋理特徵分析訓練乳腺組織偵測器。

具體而言，在乳腺偵測模組113透過乳腺組織偵測器進行偵測之前，偵測訓練模組115可依據多張乳房訓練影像訓練乳房組織偵測器。偵測訓練模組115可將多張乳房訓練影像的內容區分成數種特徵類型。這些特徵類型至少包括（但不僅限於）乳腺組織類型、皮下脂肪（Subcutaneous Fat）類型、乳腺後脂肪（Retromammary Fat）及胸肌（Pectroralis Muscle）類型以及陰影（shadow）類型。

圖3是區分類型的範例。請參照圖3，醫療影像處理裝置100可透過顯示單元（例如，液晶顯示器（liquid crystal display；LCD）、電漿顯示器面板（plasma display panel；PDP）、有機發光二極體（organic light emitting diode；OLED）等）顯示乳房訓練影像310，並提供輸入單元（例如，觸控裝置、鍵盤、滑鼠等），以接收使用者在乳房訓練影像310上的區分操作。偵測訓練模組115可偵測區分操作對應的特徵類型及乳房訓練影像310上的選擇區域（或位置）。乳房訓練影像330是經特徵類型區分後的影像，其可能包括乳腺組織類型331、皮下脂肪類型333、乳腺後脂肪及胸肌類型335以及陰影類型337

偵測訓練模組115對這些乳房訓練影像中的數個影像區塊進行該紋理特徵分析。偵測訓練模組115可先定義影像區塊的單位大小（例如，11 * 11、12 * 12或15 * 20像素（pixels）等）。舉例而言，圖4是影像區塊的範例。請參照圖4，乳房訓練影像410中的部份影像411可以11 * 11像素作為影像區塊的單位大小（例如，影像區塊411_1）。

接著，偵測訓練模組115針對各乳房訓練影像中的各影像區塊萃取紋理特徵。例如，偵測訓練模組115可利用灰度共生矩陣（gray-level co-occurrence matrix；GLCM）方法，取得八個不同GLCM估測的平均及標準差（standard deviation）、能量（energy）、熵（entropy）、相關度（correlation）、差矩（difference moment）、慣量（inertia）、群聚陰暗度（cluster shade）、群聚突出度（cluster prominence）及哈拉利克相關度（Haralick’s correlation）其中之一或其組合的紋理特徵。需說明的是，偵測訓練模組115亦可採用諸如馬可夫隨機場（Markov Random Field；MRF）、賈柏濾波器（Gabor Filter）等任何紋理特徵相關的演算法來萃取所需的紋理特徵，本發明實施例不以此為限。

偵測訓練模組115針對這些特徵類型，基於各影像區塊的紋理特徵分析訓練分類器。換句而言，偵測訓練模組115可判斷所萃取的紋理特徵對應的影像區塊屬於乳腺組織類型、皮下脂肪類型、乳腺後脂肪及胸肌類型以及陰影類型中的何者，且分別針對不同特徵類型，以對應的紋理特徵對分類器進行訓練。

在本實施例中，偵測訓練模組115可透過例如（但不僅限於）邏輯迴歸（Logistic Regression）、支持向量機器（Support Vector Machine；SVM）、類神經網路（Neural network；NN）等將各影像區塊中所萃取的紋理特徵來訓練分類器。

舉例而言，圖5是訓練分類器的流程示意圖。請參照圖5，偵測訓練模組115取得乳房訓練影像510，且依據使用者對於各特徵類型的區分操作（步驟S515），產生乳房訓練影像530。乳房訓練影像530中以不同底色表示不同特徵類型。在步驟S535，偵測訓練模組115針對不同特徵類型對應的影像區塊進行分類，以產生分別對應於乳腺組織類型、皮下脂肪類型、乳腺後脂肪及胸肌類型以及陰影類型的影像區塊群組551、553、555、557。各影像區塊群組551～557中可能具有一或多個影像區塊，相同特徵類型的影像區塊屬於相同的影像區塊群組。在步驟S559中，偵測訓練模組115對各影像區塊群組551～557擷取紋理特徵。而在步驟S570中，偵測訓練模組115以邏輯迴歸模型訓練可區分出不同特徵類型的分類器。

在本實施例中，偵測訓練模組115可將此分類器中針對乳腺組織類型的一者作為乳腺組織偵測器。換句而言，偵測訓練模組115所訓練的分類器可作為乳腺組織類型、皮下脂肪類型、乳腺後脂肪及胸肌類型以及陰影類型等特徵類型的偵測器。

在訓練完成乳腺組織偵測器之後，乳腺偵測模組113便能以乳腺組織偵測器來對影像輸入模組111所取得之乳房影像進行偵測。乳腺偵測模組113可利用偵測訓練模組115所使用的紋理特徵相關演算法來擷取各片段乳房影像中所有或部份影像區塊的紋理特徵，並透過分類器來與偵測訓練模組115所記錄的紋理特徵進行比對，以對影像區塊進行分類。舉例而言，圖6為乳腺組織偵測的範例。請參照圖6，乳房影像610中的影像區域611（以白底色呈現）為經乳腺組織偵測器偵測出乳腺組織的區域。

由於乳腺組織偵測器是以影像區塊為單位大小（例如，11 * 11、12 * 12或15 * 20像素等）來進行分類，因此經分類器分類的乳房影像會以影像區塊的形式呈現（例如，圖6的乳房影像610由數個影像區塊所組成）。在一實施例中，乳腺偵測模組113進一步對經分類的乳房影像進行影像後處理，以調整乳腺組織的形狀。

乳腺偵測模組113可填補經分類器分類的乳房影像中乳腺組織的至少一個中空區域。乳腺偵測模組113判斷第一影像區塊鄰近是否存在經分類為乳腺組織的至少兩個第二影像區塊。舉例而言，圖7是乳腺組織填補的範例。請參照圖7，左圖是經分類的乳房影像中的部份影像區塊。影像區塊711、713、715經分類器分類成乳腺組織類型，且影像區塊721經分類器分類成皮下脂肪類型。乳腺偵測模組113判斷影像區塊721鄰近存在至少兩個經分類為乳腺組織類別的影像區塊（即，影像區塊711、713、715），便透過填補作業（步驟S750）將影像區塊721轉換成乳腺組織類型。右圖所示為經填補作業的部份影像區塊，影像區塊711、713、715、721皆屬於乳腺組織類別。

需說明的是，將非屬乳腺組織類型的影像區塊轉換成乳腺組織類型的決策機制亦可能是，判斷鄰近影像區塊是否存在一、二或四個屬於乳腺組織類型的影像區塊，且不以此為限。

圖8是乳腺組織填補的另一範例。請參照圖8，經分類的乳房影像810中的影像區塊811、813、814未經分類器分類成乳腺組織類別。在步驟S830中，由於影像區塊811、813、814鄰近存在至少兩個屬於乳腺組織類別的影像區塊，因此乳腺偵測模組113將影像區塊811、813、814進行填補作業，以將這些影像區塊811、813、814轉換成乳腺組織類別。經填補作業的乳房影像850中可區分成分別屬於乳腺組織類別及非屬乳腺組織類別（例如，皮下脂肪類型、陰影類型等）的影像區域851（以白底色呈現）、853（以黑色網點呈現），乳房影像810中的影像區塊811、813、814皆屬於影像區域851。

在一實施例中，乳腺偵測模組113可進一步去除乳腺組織中的雜點區塊。具體而言，經分類的乳房影像中可能存在數個屬於乳腺組織類別且相連的影像區塊，乳腺偵測模組113可決定一或多個相連影像區塊所形成的影像區域（例如，圖8的影像區域851）作為乳腺組織類別的決策影像區域。接著，乳腺偵測模組113將未與決策影像區域相連且屬於乳腺組織類別的影像區塊作為雜點區塊來去除（即，轉換成非屬乳腺組織類別）。舉例而言，圖9是雜點去除作業的範例。圖9的乳房影像850存在影像區塊951、953、955，其未與屬於乳腺組織類別的最大影像區域851相連，即為雜點區塊。乳腺偵測模組113可進行雜點去除作業，以將影像區塊951、953、955轉換成非屬乳腺組織類別的影像區域853。

接著，乳腺偵測模組113可進一步取得乳腺組織的輪廓。乳腺偵測模組113可將以影像區塊呈現的乳腺組織輪廓轉換成平滑輪廓。舉例而言，圖10是輪廓轉換的流程範例。請參照圖10，乳腺偵測模組113對乳房影像1010（例如，經雜點去除作業的乳房影像）進行侵蝕（erosion），再利用高斯濾波器（Gaussian filter）進行模糊化（步驟S1020），以形成乳房影像1030。接著，乳腺偵測模組113利用大律二值化（Otsu thresholding；或稱最大類間方差）將乳腺組織轉換成二值化乳房影像1050（步驟S1040）。而此二值化乳房影像1050中的乳腺組織區域1051（以白底色呈現）便是乳腺偵測模組113最後決定的乳腺組織。

在一實施例中，為了判斷是否為緻密乳房（乳腺及結締組織較多，但脂肪較少），密度量化模組116可計算各乳房影像中的乳腺組織面積，且基於乳房影像中的乳腺組織面積，計算乳腺組織量化值。具體而言，密度量化模組116分別前述乳腺偵測模組113所取得各片段乳房影像中乳腺組織面積，將各片段乳房影像的乳腺組織面積除以所屬片段乳房影像的總面積，以計算出各片段乳房影像的乳腺組織密度。密度量化模組116可平均所有片段乳房影像的乳腺組織密度，以計算出乳腺組織量化值。密度量化模組116可進一步依據密度門檻值，判斷乳腺組織量化值是否超過密度門檻值，以決定為緻密乳房。反之，若乳腺組織量化值未超過密度門檻值，則決定為非緻密乳房。

在另一實施例中，偽陽性比對模組117可利用電腦輔助偵測（CADe）系統偵測至少一個異常位置，且將這些異常位置與對應乳房影像中的乳腺組織進行比對。具體而言，偽陽性比對模組117可記錄前述乳腺偵測模組113所取得各片段乳房影像中乳房組織的乳腺組織位置。處理單元150可另外載入透過電腦輔助偵測程式或經由外部電腦輔助偵測系統，以取得步驟S210所輸入乳房影像中的可疑病變（lesion）（例如，腫瘤、腫塊等）位置（即，異常位置）。偽陽性比對模組117將乳腺組織位置及可疑病變位置進行比對，判斷可疑病變位置是否與乳腺組織位置重疊。由於臨床統計多數病變會沿著腺體長出，故將非位於乳腺組織位置上的可疑病變排除可降低偽陽性（電腦輔助偵測系統判斷為病變，但事實非病變）。換句而言，若偽陽性比對模組117判斷可疑病變位置與乳腺組織位置重疊，則可進一步確認此可疑病變位置上發生病變的機率極高（例如，大於50％、75％、80％等），從而讓醫療人員後續針對此可疑病變位置進一步診斷。

此外，由於乳汁是由乳房中腺體所分泌，因此決定泌乳量的多寡與乳腺的發育及完整度有關。在一實施例中，泌乳量評估模組118可依據密度量化模組116之量化結果以評估泌乳量。乳腺組織越多表示泌乳量越高，並通常存在正相關。例如，泌乳量評估模組118可判斷乳腺組織量化值是否大於泌乳量門檻值，以判斷受量測者的泌乳量較高。或者，泌乳量評估模組118可設定5、7或10等層級的泌乳量層級，並判斷乳腺組織量化值位於這些泌乳量層級中的何者。

再一實施例中，左右乳房腺體密度對稱性測量模組119則使用密度量化模組116同時量化左右乳房之乳腺組織密度，並藉由比較左右乳房之乳腺組織密度來判斷對稱性（例如，相差比例等）。左右乳房腺體密度對稱性測量模組119亦可同時透過顯示單元以視覺化方式顯示左右乳房之乳腺組織密度圖（例如，乳腺密度以不同顏色表示不同密度程度）。

又一實施例中，在前述步驟S210之後，醫療影像處理裝置100可自乳房影像中切割出乳房區域，再進行步驟S230的乳腺組織偵測作業。圖11是依據本發明一實施例說明切割乳房區域之方法流程圖。請參照圖11，本實施例的方法適用於圖1中的醫療影像處理裝置100。下文中，將搭配醫療影像處理裝置100中的各項元件及模組說明本實施例所述之方法。本方法的各個流程可依照實施情形而隨之調整，且並不僅限於此。

在步驟S1110中，乳房區域切割模組114將第一視圖的乳房影像轉換成第二視圖的轉向乳房影像。此第一視圖不同於第二視圖。具體而言，自動乳房超音波影像一般對鎖骨（collar bones）往下至乳頭的區域進行掃描，且通常是呈現橫剖（transverse）視圖。請參照圖12A是一範例說明橫剖視圖的片段乳房影像1210。由於在橫剖視圖中不同組織的紋理差異較不明顯，因此通常較難以分辨組織，從而區分乳房區域。

為了便於後續處理，本實施例初步進行前期處理（pre-processing）程序。在本實施例中，第一視圖為橫剖視圖，且第二視圖為矢狀（sagittal）視圖。換句而言，在步驟S210接收橫剖視圖的至少一片段乳房影像後，乳房區域切割模組114將橫剖視圖的這些乳房影像轉換成矢狀視圖的轉向乳房影像。請參照圖12B是一範例說明將圖12A轉換成矢狀視圖的轉向乳房影像1250。相較於圖12A所示的橫剖視圖，矢狀視圖可提供大量資訊以辨認不同組織類型（例如，肋骨（rib）、肋骨陰影（影像中肋骨下方超音波無法通過的黑色區域）、皮膚等）。

接著，乳房區域切割模組114可利用影像增強濾波器（例如，S形（sigmoid）濾波器、直方圖等化（histogram equalization；HE））增強轉向乳房影像的對比度，以使得具有已降低像素強度（intensity）肋骨陰影區域與具有已提昇像素強度的其他組織之間的差異更加明顯。

此外，乳房區域切割模組114亦可對轉向乳房影像進行雜訊去除作業。例如，乳房區域切割模組114使用邊緣保存（edge preserving）濾波器對轉向乳房影像平滑化，並利用異方性（anisotropic）擴散（diffusion）濾波器去除斑點雜訊（speckle noise）。

舉例而言，圖13是一範例說明將圖12B之轉向乳房影像調整後的示意圖。請參照圖13，調整後之轉向乳房影像1310是透過S形及異方性擴散濾波器處理，其肋骨陰影對比度將增強且已降低斑點雜訊。

在完成前期處理後，乳房區域切割模組114可取得比未處理前之影像更高對比度、更低雜訊的模糊化（blurry）影像。而在步驟S1120中，乳房區域切割模組114依據（調整後之）轉向乳房影像決定肋骨資訊。具體而言，本實施例結合局部（local）資訊及整體（globe）資訊來分割胸壁（chest wall）線。此局部資訊是來自單一片段，而全體資訊是來自整組的轉向乳房影像。

在一實施例中，肋骨資訊包括肋骨陰影資訊。自肋骨陰影資訊中，可助於觀察胸廓（chest cage）。由於各片段轉向乳房影像僅提供部份的肋骨陰影資訊，因此仍需要整體資訊。乳房區域切割模組114可計算所有的轉向乳房影像中的畫素的投影值，且依據這些畫素的投影值決定胸壁參考線。

在本實施例中，乳房區域切割模組114可利用平均投影方法，將不同片段轉向乳房影像中對應於相同座標位置的畫素沿著片段軸進行投影以取得投影值，並計算所有片段轉向乳房影像中對應於相同座標位置的平均強度值。在相同座標位置上，以各像素的平均強度值作為門檻值，以將投影結果分為兩類（例如，第一類畫素及第二類畫素）。乳房區域切割模組114可判斷各片段轉向乳房影像中的各畫素的強度值是否大於所屬座標位置的平均強度值，且保留及/或紀錄強度值大於所屬座標位置的平均強度值的畫素（以下稱第一類畫素）。而若某一畫素（以下稱第二類畫素）之強度值未大於所屬座標位置的平均強度值，則乳房區域切割模組114會捨棄此第二類畫素及/或以不同於第一類畫素所紀錄數字、符號、代碼、樣式的方式來紀錄。例如，乳房區域切割模組114將第一類畫素設為1，且將第二類畫素設為0。

藉此，各片段的部份肋骨陰影資訊將組合成為整體胸部資訊（例如，胸廓的輪廓及肋骨分佈），從而決定胸壁參考線。舉例而言，圖14是一範例說明對圖13之轉向乳房影像進行平均投影過濾後所形成胸壁參考線1411的示意圖。請參照圖14，在平均投影過濾後之轉向乳房影像1410中，以白色區域代表在胸部中所有肋骨位置，其說明了肋骨位置橫剖區域（此區域包括所有肋骨，且包括整體肋骨陰影位置資訊）。另一方面，以黑色區域代表胸部區域，其說明了乳房影像中的所有乳房組織的分佈區域。而白色及黑色區域交界線即為胸壁參考線1411。

在另一實施例中，肋骨資訊包括肋骨陰影資訊。乳房區域切割模組114可透過影像切割法（例如，大律二值化、區域成長（region growing）等方法）決定各轉向乳房影像中的肋骨陰影資訊。而此肋骨陰影資訊包括胸壁線。

在本實施例中，乳房區域切割模組114可對（透過S形及異方性擴散濾波器調整後之）轉向乳房影像分割肋骨陰影區域，且執行分類（clustering）基礎的影像二值化處理，從而將轉向乳房影像區分成前景部份（肋骨陰影區域）及背景部份（其他組織）。而影像二值化處理所使用的二值化值為最大類間變異數（maximum between-class variance）。

舉例而言，圖15是一範例說明對圖13之轉向乳房影像進行大律二值化後所形成肋骨圖（rip map）的示意圖。請參照圖15，在二值化之轉向乳房影像1510中，以白底色呈現的肋骨陰影區域1515可視為肋骨圖，且以黑底色呈現其他組織區域1513。而自各片段轉向乳房影像所取得的局部肋骨影陰影資訊（即，局部資訊）將包括局部肋骨位置（例如，肋骨的長與寬資訊）。而這些肋骨之間的區域（肋間（intercostal）空間）不屬於乳房區域且將在稍後程序進行移除。

在步驟S1130中，乳房區域切割模組114依據肋骨資訊決定轉向乳房影像中的乳房區域。具體而言，在前述程序之後，乳房區域切割模組114可取得整體資訊及各片段轉向乳房影像的局部資訊，從而依據這些資訊來區分胸壁。在一實施例中，乳房區域切割模組114可依據胸腔參考線調整各轉向乳房影像中的胸壁線。

以圖14及圖15為例，乳房區域切割模組114可紀錄各片段肋骨圖（例如，圖15所示）中肋骨陰影的最高點Hr。而此最高點Hr說明了此片段轉向乳房影像中的最小胸部厚度。乳房區域切割模組114取得此最高點Hr在轉向乳房影像中的座標，自肋骨圖中紀錄此座標的行列數，且找尋圖14中胸壁參考線1411的對應行列數的座標位置（即，參考點Rb）。

乳房區域切割模組114可依據最高點Hr及參考點Rb，將胸壁參考線1411與對應行列數進行對準，且移植各片段肋骨圖上的胸壁線畫素。換句而言，乳房區域切割模組114將轉向乳房影像1410及1510重疊，將參考點Rb對準至最高點Hr，並依據其他組織區域1513與胸壁參考線1411交界處將肋骨陰影區域1515對應行列數的畫素調整至胸壁參考線1411。而針對肋骨陰影區域1515與胸壁參考線1411交界處，則保留此行列數的輪廓。藉此，可調整胸壁線以讓其他組織區域1513去除肋間空間。

舉例而言，圖16A是一範例說明對將轉向乳房影像1510依據胸壁參考線1411調整後的示意圖。請參照圖16A，在轉向乳房影像1610中，白色（代表胸腔區域1615（例如，包括肋骨、肋骨陰影、肋間等））及黑色區域（代表胸部區域1613，但包括胸大肌（pectoral muscles））交界線即為調整後之胸壁線1611。

接著，乳房區域切割模組114自調整的轉向乳房影像中移除胸大肌部份，以決定乳房區域。具體而言，乳房區域切割模組114依據胸大肌的平均厚度（大約1.5～2.0公分），將胸部區域（例如，圖16A中的胸部區域1613）的厚度自最下方減去胸大肌的平均厚度，從而調整為胸壁線1631（例如，向上平移），進而將胸部區域1613去除胸大肌部份。

調整後之胸壁線（例如，胸壁線1611）的高度減去胸大肌的平均厚度，以去除胸大肌部份，從而進一步調整胸壁線。舉例而言，圖16B是一範例說明對將轉向乳房影像1610依據胸大肌的平均厚度調整後的示意圖。在轉向乳房影像1630中，白色（代表非胸部區域1635（例如，包括肋骨、肋骨陰影、肋間、胸大肌（pectoral muscles）等））及黑色區域（代表胸部區域1633）交界線即為調整後之胸壁線1631。即，圖16A中胸部區域1613的厚度減去胸大肌的平均厚度所形成之胸壁線1631。

在部份實施例中，乳房區域切割模組114可進一步將胸部區域（例如，圖16B之胸部區域1633）中的皮膚部份刪除。以圖16B為例，乳房區域切割模組114將胸部區域1633自最上方減去1.5至1.7釐米之皮膚厚度，從而調整胸部區域1633。

接著，乳房區域切割模組114可依據胸部區域（例如，圖16B之胸部區域1633）將原先經轉換成矢狀視圖的轉向乳房影像中胸壁線（例如，圖16B之胸壁線1631）以下之區域去除，從而取得僅包括胸部區域之轉向乳房影像。請參照圖16C是一範例說明取得圖12B中轉向乳房影像1250中胸部區域的示意圖。在轉向乳房影像1650中，僅保留胸部區域1653的影像。

再一實施例中，乳房區域切割模組114可將轉向乳房影像還原成橫剖視圖或其他視圖的乳房影像，以方便後續作業。

在一些實施例中，處理單元150可進一步透過顯示單元呈現諸如乳腺組織量化值、緻密乳房判斷結果、可疑病變位置、乳腺組織位置、泌乳量、不同視圖的乳房影像、左右乳房之乳腺組織密度圖及病變提示訊息等其中的一者或其組合，以協助醫療人員清楚得知檢測狀況。

綜上所述，本發明實施例所提出的醫療影像處理裝置及其乳房影像處理方法，其基於諸如灰度共生矩陣、馬可夫隨機場或賈柏濾波器等紋理特徵分析方法來偵測乳房影像中的乳腺組織，且進一步依據偵測出的乳腺組織來計算乳腺組織量化值，並輔助確認電腦輔助偵測系統所偵測的可疑病變。據此，本發明實施例可助於提昇偵測乳腺組織的準確性，更能降低電腦輔助偵測系統之偽陽性。另一方面，本發明實施例亦能依據肋骨資訊來區分出乳房影像中的乳房區域，從而助於後續密度結果的相關性。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

100‧‧‧醫療影像處理裝置
1615‧‧‧胸腔區域
110‧‧‧儲存單元
1631‧‧‧胸壁線
111‧‧‧影像輸入模組
1635‧‧‧非胸部區域
113‧‧‧乳腺偵測模組
Hr‧‧‧肋骨陰影的最高點
114‧‧‧乳房區域切割模組
Rb‧‧‧參考點
115‧‧‧偵測訓練模組
116‧‧‧密度量化模組
117‧‧‧偽陽性比對模組
118‧‧‧泌乳量評估模組
119‧‧‧左右乳房乳腺密度對稱性測量模組
150‧‧‧處理單元
S210～S230、S515、S535、S559、S570、S750、S830、S1020、S1040、S1110～S1130‧‧‧步驟
310、330、410、510、530‧‧‧乳房訓練影像
331‧‧‧乳腺組織類型
333‧‧‧皮下脂肪類型
335‧‧‧乳腺後脂肪及胸肌類型
337‧‧‧陰影類型
411‧‧‧部份影像
411_1、711、713、715、721、811、813、814、951、953、955‧‧‧影像區塊
551、553、555、557‧‧‧影像區塊群組
610、810、850、1010、1030、1050、1210‧‧‧乳房影像
611、851、853‧‧‧影像區域
1051‧‧‧乳腺組織區域
1250、1310、1410、1510、1610、1650‧‧‧轉向乳房影像
1141‧‧‧胸壁參考線
1513‧‧‧其他組織區域
1515‧‧‧肋骨陰影區域
1613、1633、1653‧‧‧胸部區域

圖1是依據本發明一實施例說明醫療影像處理裝置的方塊圖。 圖2是依據本發明一實施例說明一種乳房影像處理方法流程圖。 圖3是區分類型的範例。 圖4是影像區塊的範例。 圖5是訓練分類器的流程示意圖。 圖6為乳腺組織偵測的範例。 圖7是乳腺組織填補的範例。 圖8是乳腺組織填補的另一範例。 圖9是雜點去除作業的範例。 圖10是輪廓轉換的流程範例。 圖11是依據本發明一實施例說明切割乳房區域之方法流程圖 圖12A是一範例說明橫剖視圖的片段乳房影像。 圖12B是一範例說明將圖12A轉換成矢狀視圖的轉向乳房影像。 圖13是一範例說明將圖12B之轉向乳房影像調整後的示意圖。 圖14是一範例說明對圖13之轉向乳房影像進行平均投影過濾後所形成胸壁參考線的示意圖。 圖15是一範例說明對圖13之轉向乳房影像進行大律二值化後所形成肋骨圖（rip map）的示意圖。 圖16A是一範例說明對將轉向乳房影像依據胸壁參考線調整後的示意圖。 圖16B是一範例說明對將轉向乳房影像依據胸大肌的平均厚度調整後的示意圖。 圖16C是一範例說明取得圖12B中轉向乳房影像中胸部區域的示意圖。

S210~S230‧‧‧步驟

Claims (10)

1. 一種乳房影像處理方法，適用於一醫療影像處理裝置，所述方法包括： 取得至少一乳房影像；以及 透過一乳腺組織偵測器偵測各該至少一乳房影像中的一乳腺組織，其中該乳腺組織偵測器是基於一紋理特徵分析。
2. 如申請專利範圍第1項所述的乳房影像處理方法，其中透過該乳腺組織偵測器偵測各該至少一乳房影像中的該乳腺組織的步驟之前，更包括： 將多張乳房訓練影像的內容區分成多種特徵類型，其中該些特徵類型包括一乳腺組織（Mammary Glandular Tissue）類型、一皮下脂肪（Subcutaneous Fat）類型、一乳腺後脂肪（Retromammary Fat）及胸肌（Pectroralis Muscle）類型以及一陰影類型； 對該些乳房訓練影像中的多個影像區塊進行該紋理特徵分析；以及 針對該些特徵類型，基於各該些影像區塊的該紋理特徵分析訓練一分類器，其中將該分類器中針對該乳腺組織類型的一者作為該乳腺組織偵測器。
3. 如申請專利範圍第1項所述的乳房影像處理方法，其中透過該乳腺組織偵測器偵測各該至少一乳房影像中的該乳腺組織的步驟，包括： 填補各該至少一乳房影像中的該乳腺組織； 去除該乳腺組織中的雜點區塊；以及 取得該乳腺組織的輪廓。
4. 如申請專利範圍第1項所述的乳房影像處理方法，其中透過該乳腺組織偵測器偵測各該至少一乳房影像中的該乳腺組織的步驟之後，更包括： 計算各該至少一乳房影像中的一乳腺組織面積；以及 基於該至少一乳房影像中的該乳腺組織面積，計算一乳腺組織量化值。
5. 如申請專利範圍第1項所述的乳房影像處理方法，其中透過該乳腺組織偵測器偵測各該至少一乳房影像中的該乳腺組織的步驟之後，更包括： 利用一電腦輔助偵測（Computer Aided Detection；CADe）系統偵測至少一異常位置；以及 將該至少一異常位置與該至少一乳房影像中的乳腺組織進行比對。
6. 如申請專利範圍第1項所述的乳房影像處理方法，其中透過該乳腺組織偵測器偵測各該至少一乳房影像中的該乳腺組織的步驟，包括： 將一第一視圖的該至少一乳房影像轉換成一第二視圖的至少一轉向乳房影像，其中該第一視圖不同於該第二視圖； 依據該至少一轉向乳房影像決定一肋骨（rib）資訊；以及 依據該肋骨資訊決定該至少一轉向乳房影像中的一乳房區域。
7. 如申請專利範圍第6項所述的乳房影像處理方法，其中該肋骨資訊包括一胸壁（chest wall）參考線及一肋骨陰影資訊，而依據該至少一轉向乳房影像決定該肋骨資訊的步驟，包括： 計算所有的該至少一轉向乳房影像中的多個畫素的投影值； 依據該些畫素的該投影值決定該胸壁參考線；以及 透過影像切割法決定各該至少一轉向乳房影像中的該肋骨陰影資訊，其中該肋骨陰影資訊包括一胸壁線。
8. 如申請專利範圍第7項所述的乳房影像處理方法，其中依據該肋骨資訊決定該至少一轉向乳房影像中的一乳房區域的步驟，包括： 依據該胸腔參考線調整各該至少一轉向乳房影像中的該胸壁線；以及 自調整的該至少一轉向乳房影像中移除一胸大肌部份，以決定該乳房區域。
9. 如申請專利範圍第6項所述的乳房影像處理方法，其中該第一視圖為一橫剖（transverse）視圖，且該第二視圖為一矢狀（sagittal）視圖，而將該第一視圖的該至少一乳房影像轉換成該第二視圖的該至少一轉向乳房影像的步驟包括： 將該橫剖視圖的該至少一乳房影像轉換成該矢狀視圖的該至少一轉向乳房影像。
10. 一種醫療影像處理裝置，包括： 一儲存單元，儲存至少一乳房影像，且記錄多個模組；以及 一處理單元，耦接該儲存單元，且存取並執行該儲存單元所記錄的該些模組，該些模組包括：       一影像輸入模組，取得該至少一乳房影像；以及       一乳腺偵測模組，透過一乳腺組織偵測器偵測各該至少一乳房影像中的一乳腺組織，其中該乳腺組織偵測器是基於一紋理特徵分析。