TWI675646B - 乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體 - Google Patents

乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體 Download PDF

Info

Publication number
TWI675646B
TWI675646B TW107135445A TW107135445A TWI675646B TW I675646 B TWI675646 B TW I675646B TW 107135445 A TW107135445 A TW 107135445A TW 107135445 A TW107135445 A TW 107135445A TW I675646 B TWI675646 B TW I675646B
Authority
TW
Taiwan
Prior art keywords
image
breast
difference
breast image
features
Prior art date
Application number
TW107135445A
Other languages
English (en)
Other versions
TW202014149A (zh
Inventor
曾易聰
Yi Chong Zeng
Original Assignee
財團法人資訊工業策進會
Institute For Information Industry
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 財團法人資訊工業策進會, Institute For Information Industry filed Critical 財團法人資訊工業策進會
Priority to TW107135445A priority Critical patent/TWI675646B/zh
Priority to CN201811277282.4A priority patent/CN111091895B/zh
Priority to US16/188,319 priority patent/US10825174B2/en
Application granted granted Critical
Publication of TWI675646B publication Critical patent/TWI675646B/zh
Publication of TW202014149A publication Critical patent/TW202014149A/zh

Links

Classifications

    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/68—Analysis of geometric attributes of symmetry
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

一種乳房影像分析方法，包含輸入第一乳房影像以及第二乳房影像；擷取第一乳房影像的複數個第一特徵以及第二乳房影像的複數個第二特徵；根據第一特徵以及第二特徵校正第一乳房影像以及第二乳房影像，以產生第一校準影像以及第二校準影像；計算第一乳房影像與第二校準影像的第一差異影像，以及計算該第一校準影像與該第二乳房影像的第二差異影像；利用影像分析模型分別判斷第一差異影像與第二差異影像是否對稱以產生對稱結果以及不對稱結果；以及根據對稱結果或不對稱結果產生分析報告。

Description

乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體
本案是有關於一種影像分析方法、影像分析系統以及非暫態電腦可讀取媒體，且特別是有關於一種乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體。
乳房攝影檢查技術主要是利用低劑量的X光檢查人類的乳房，其能檢查腫塊、鈣化點等病灶，該技術比人工觸診方式更能夠準確地發現乳房的病灶類型與位置，因此乳房攝影的影像在早期乳癌的篩檢扮演重要的角色。但乳房攝影的影像需要具備專業醫學知識的人員來判斷影像中的乳房是否有病灶或不對稱，非常耗費人力及時間，並且以人工判定的準確度差異甚大。因此，如何利用乳房影像分析技術自動判斷乳房攝影的影像是否對稱，並且進一步判斷乳房 影像內發生不對稱的區域，達到自動偵測乳房不對稱的功能是本領域待解決的問題。
本發明之主要目的係在提供一種乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體，其主要係改進以往電腦輔助分析軟體僅有偵測乳房病灶類型的功能，先擷取乳房成對影像的特徵以校準乳房成對影像，計算乳房成對影像的乳房差異影像，再將乳房差異影像輸入分類器訓練影像分析模型，訓練後的影像分析模型可以判斷乳房影像是否對稱，如果乳房影像有不對稱，再進一步判定乳房影像內發生不對稱的區域，達到自動判定乳房不對稱以及偵測乳房不對稱區域的功能。
為達成上述目的，本案之第一態樣是在提供一種乳房影像分析方法，此方法包含以下步驟：輸入第一乳房影像以及第二乳房影像；擷取第一乳房影像的複數個第一特徵以及第二乳房影像的複數個第二特徵；根據第一特徵以及第二特徵校正第一乳房影像以及第二乳房影像，以產生第一校準影像以及第二校準影像；計算第一乳房影像與第二校準影像的第一差異影像，以及計算該第一校準影像與該第二乳房影像的第二差異影像；利用影像分析模型分別判斷第一差異影像與第二差異影像是否對稱，其中於第一差異影像與第二差異影像為對稱時，產生對稱結果，於第一差異影像與第二差異影像為不對稱時，產生不對稱結果；以及產生代表對 稱結果或不對稱不對稱結果的分析報告。
本案之第二態樣是在提供一種乳房影像分析系統，其包含：儲存裝置、處理器以及顯示器。處理器與儲存裝置及顯示器電性連接。儲存裝置用以儲存第一乳房影像以及第二乳房影像，顯示器用以顯示分析報告。處理器包含：特徵擷取元件、影像校正元件、差異影像產生元件、對稱分析元件以及報告產生元件。特徵擷取元件用以擷取第一乳房影像的複數個第一特徵以及第二乳房影像的複數個第二特徵。影像校正元件與特徵擷取元件電性連接，用以根據第一特徵以及第二特徵校正第一乳房影像以及第二乳房影像，以產生第一校準影像以及第二校準影像。差異影像產生元件與影像校正元件電性連接，用以計算第一乳房影像與第二校準影像的第一差異影像，以及計算第一校準影像與第二乳房影像的第二差異影像。對稱分析元件與差異影像產生元件電性連接，用以利用影像分析模型分別判斷第一差異影像與第二差異影像是否對稱，於第一差異影像與第二差異影像為對稱時，對稱分析元件產生對稱結果，於第一差異影像與第二差異影像為不對稱時，對稱分析元件產生不對稱結果。報告產生元件與對稱分析元件電性連接，用以產生代表對稱結果或不對稱結果的分析報告。
本案之第三態樣是在提供一種非暫態電腦可讀取媒體包含至少一指令程序，由處理器執行至少一指令程序以實行影像分析方法，其包含以下步驟：輸入第一乳房影像以及第二乳房影像；擷取第一乳房影像的複數個第一特徵以 及第二乳房影像的複數個第二特徵；根據第一特徵以及第二特徵校正第一乳房影像以及第二乳房影像，以產生第一校準影像以及第二校準影像；計算第一乳房影像與第二校準影像的第一差異影像，以及計算該第一校準影像與該第二乳房影像的第二差異影像；利用影像分析模型分別判斷第一差異影像與第二差異影像是否對稱，其中於第一差異影像與第二差異影像為對稱時，產生對稱結果，於第一差異影像與第二差異影像為不對稱時，產生不對稱結果；以及根據對稱結果或不對稱結果產生分析報告。
本發明之乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體，其主要係改進以往電腦軟體僅有偵測乳房病灶類型的功能，先擷取乳房成對影像的特徵以校準乳房成對影像，計算乳房成對影像的乳房差異影像，再將乳房差異影像輸入分類器訓練影像分析模型，訓練後的影像分析模型可以判斷乳房影像是否對稱，如果乳房影像有不對稱，再進一步判定乳房影像內發生不對稱的區域，達到自動判定乳房不對稱以及偵測乳房不對稱區域的功能。
100‧‧‧乳房影像分析系統
110‧‧‧儲存裝置
120‧‧‧處理器
130‧‧‧顯示器
DB‧‧‧影像分析模型
121‧‧‧特徵擷取元件
122‧‧‧影像校正元件
123‧‧‧差異影像產生元件
124‧‧‧對稱分析元件
125‧‧‧報告產生元件
126‧‧‧分析模型建立元件
300‧‧‧乳房影像分析方法
Img1、Img2‧‧‧影像
R1、R2‧‧‧乳房區域
A1、A2、A3、A4、A5‧‧‧區域
E1、E2‧‧‧邊界
P1、P2、P3、P4、P5、P6、P7、P8、P9‧‧‧像素
F2、F3、F4、F6、F8、F9‧‧‧特徵點
COImg1、COImg2‧‧‧校準影像
DiffImg1、DiffImg2‧‧‧差異影像
CalImg‧‧‧計算影像
S310~S370、S321~S323、S331~S334、S361~S365‧‧‧步驟
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖係根據本案之一些實施例所繪示之一種乳房影像分析系統的示意圖；第2圖係根據本案之一些實施例所繪示之處理器的示 意圖；第3圖係根據本案之一些實施例所繪示之一種乳房影像分析方法的流程圖；第4圖係根據本案之一些實施例所繪示之成對乳房影像的示意圖；第5圖係根據本案之一些實施例所繪示之步驟S320的流程圖；第6A圖係根據本案之一些實施例所繪示之乳房邊緣的示意圖；第6B圖係根據本案之一些實施例所繪示之乳房邊緣特徵點的示意圖；第7圖係根據本案之一些實施例所繪示之步驟S330的流程圖；第8A圖係根據本案之一些實施例所繪示之特徵點對應關係的示意圖；第8B圖係根據本案之一些實施例所繪示之第一乳房影像與第二校準影像的示意圖；第8C圖係根據本案之一些實施例所繪示之第一校準影像與第二乳房影像的示意圖；第9圖係根據本案之一些實施例所繪示之第一差異影像與第二差異影像的示意圖；第10圖係根據本案之一些實施例所繪示之步驟S360的流程圖；第11A圖係根據本案之一些實施例所繪示之計算影像 的示意圖；以及第11B圖係根據本案之一些實施例所繪示之不對稱區域的示意圖。
以下揭示提供許多不同實施例或例證用以實施本發明的不同特徵。特殊例證中的元件及配置在以下討論中被用來簡化本揭示。所討論的任何例證只用來作為解說的用途，並不會以任何方式限制本發明或其例證之範圍和意義。此外，本揭示在不同例證中可能重複引用數字符號且/或字母，這些重複皆為了簡化及闡述，其本身並未指定以下討論中不同實施例且/或配置之間的關係。
請參閱第1圖。第1圖係根據本案之一些實施例所繪示之一種乳房影像分析系統100的示意圖。如第1圖所繪示，乳房影像分析系統100包含儲存裝置110、處理器120以及顯示器130。處理器120電性連接至儲存裝置110以及顯示器130，儲存裝置110用以儲存多張成對乳房影像以及影像分析模型DB，成對乳房影像包含第一乳房影像以及第二乳房影像。於一實施例中，成對乳房影像可以是指同一時間拍攝的左側乳房影像和右側乳房影像，或是指不同時間拍攝的左側乳房影像，或是指不同時間拍攝的右側乳房影像。顯示器130用以顯示經過不對稱判斷後的乳房影像或是顯示分析報告。處理器120用以對成對乳房影像進行不對稱的判斷，如果乳房影像有發生不對稱會進一步偵測發生不對稱的 區域。
於本發明各實施例中，處理器120可以實施為積體電路如微控制單元(microcontroller)、微處理器(microprocessor)、數位訊號處理器(digital signal processor)、特殊應用積體電路(application specific integrated circuit，ASIC)、邏輯電路或其他類似元件或上述元件的組合。儲存裝置110可以實施為記憶體、硬碟、隨身碟、記憶卡等。
請參閱第2圖。第2圖係根據本案之一些實施例所繪示之處理器120的示意圖。處理器120包含特徵擷取元件121、影像校正元件122、差異影像產生元件123、對稱分析元件124、報告產生元件125以及分析模型建立元件126。影像校正元件122與特徵擷取元件121以及差異影像產生元件123電性連接，對稱分析元件124與差異影像產生元件123以及報告產生元件125電性連接，分析模型建立元件126與差異影像產生元件123以及對稱分析元件124電性連接，並且對稱分析元件124會利用分析模型建立元件126所產生的影像分析模型DB進行乳房影像的分析。
請參閱第3圖。第3圖係根據本案之一些實施例所繪示之一種乳房影像分析方法300的流程圖。於一實施例中，第3圖所示之乳房影像分析方法300可以應用於第1圖的乳房影像分析系統100上，處理器120用以根據下列乳房影像分析方法300所描述之步驟，針對成對乳房影像進行不對稱的判斷，如果乳房影像內有不對稱會進一步偵測發生不對 稱的區域。
請一併參考第4圖，第4圖係根據本案之一些實施例所繪示之成對乳房影像的示意圖。乳房影像分析方法300首先執行步驟S310輸入第一乳房影像Img1以及第二乳房影像Img2。每次執行不對稱偵測時都會輸入成對乳房影像。其中，第一乳房影像Img1包含乳房區域R1以及第二乳房影像Img2包含乳房區域R2。如第4圖所示的實施例中，在乳房區域R1及R2中具有乳腺組織以及脂肪組織(圖未示)，區域A1是屬於胸部肌肉組織；而區域A2則表示為非正常組織，在X光攝影的乳房影像中區域A2會具有較高的亮度值。乳房區域R1在第4圖中以比較鬆散的“‧”表示。乳房區域R2在第4圖中以比較密集的“‧”表示。而在X光攝影中，乳房區域R1及R2之外的背景區域則是黑色區域，且背景區域具有較低的亮度值(第4圖中以“網格”表示)。
接著，乳房影像分析方法300執行步驟S320擷取第一乳房影像Img1的複數個第一特徵以及第二乳房影像Img2的複數個第二特徵。步驟S320更包含步驟S321~S323，請一併參考第5圖及第6A圖，第5圖係根據本案之一些實施例所繪示之步驟S320的流程圖，第6A圖係根據本案之一些實施例所繪示之乳房邊緣的示意圖。如第5圖所示的實施例，乳房影像分析方法300進一步執行步驟S321利用第一門檻值找出乳房區域R1的第一邊界E1，以及利用第一門檻值，找出乳房區域R2的第二邊界E2。如第6A圖所示，利用第一門檻值對第一乳房影像Img1中所有的像素進 行篩選，大於第一門檻值的像素即為乳房區域R1的像素。通常乳房影像分為背景區域以及乳房區域，背景區域通常是由深色的像素組成，因此利用第一門檻值可以過濾出乳房區域R1或乳房區域R2的像素。接著，找出乳房區域R1的像素後，將乳房區域R1內鄰近背景區域的像素標記為第一邊界E1的像素。利用同樣方式對第二乳房影像Img2進行處理，最後會找出第二乳房影像Img2的第二邊界E2。
接著，乳房影像分析方法300進一步執行步驟S322計算第一邊界E1的像素以及第二邊界E2的像素分別對應的曲率。於一實施例中，請進一步參考第6A圖，假設第一邊界E1和第二邊界E2都是由複數個像素組成。第一邊界E1中的一像素P與鄰近的像素組合成為長度為L的一像素集合，像素P位於像素集合的中心位置，根據《公式1》計算像素P的曲率，其中x'和y'分別表示像素集合中像素x軸座標和像素y軸座標一次微分，以及x"和y"分別表示像素集合中像素x軸座標和像素y軸座標二次微分。第一邊界E1中4個像素P1、P2、P3及P4分別對應的曲率值c1、c2、c3及c4，而弧線上弧度越大的地方曲率值會越大。第二邊界E2上的像素P5、P6、P7、P8及P9也可利用上述的曲率計算方式得出對應的曲率值c5、c6、c7、c8及c9。
Figure TWI675646B_D0001
接著，乳房影像分析方法300進一步執行步驟S323判斷第一邊界E1的像素以及第二邊界E2的像素分別對應的曲率是否大於第二門檻值，並且將大於第二門檻值的 第一邊界E1的像素標記為第一特徵，大於第二門檻值的第二邊界E2的像素標記為第二特徵。請一併參考第6B圖，第6B圖係根據本案之一些實施例所繪示之乳房邊緣特徵點的示意圖。於一實施例中，利用第二門檻值過濾曲率比較小的像素，曲率比較小的像素通常是比較平緩沒有弧度變化的區域，如第6B圖所示，假設像素P1、P5及P7的曲率小於第二門檻值，如此一來，像素P1、P5及P7不符合特徵點的條件，第一邊界E1的特徵點為像素P2、P3及P4，因此第一邊界E1有特徵點F2、F3及F4共3個特徵點，第二邊界E2的特徵點為像素P6、P8及P9，因此第二邊界E2有特徵點F6、F8及F9共3個特徵點。
接著，乳房影像分析方法300執行步驟S330根據第一特徵以及第二特徵校正第一乳房影像Img1以及第二乳房影像Img2，以產生第一校準影像以及第二校準影像。步驟S330更包含步驟S331~S334，請一併參考第7圖及第8A圖，第7圖係根據本案之一些實施例所繪示之步驟S330的流程圖，第8A圖係根據本案之一些實施例所繪示之特徵點對應關係的示意圖。乳房影像分析方法300進一步執行步驟S331建立第一邊界E1的第一特徵點F2、F3及F4以及第二邊界E2的第二特徵點F6、F8及F9之間的位置對應關係。於一實施例中，計算第一邊界E1的第一特徵點F2、F3及F4以及第二邊界E2的第二特徵點F6、F8及F9之間的成本矩陣，成本矩陣的計算如《公式2》所示，s(i,j)為成本係數，c1(i)為第一邊界E1的第i個特徵點的曲率值，c2(j)為第二邊 界E2的第j個特徵點的曲率值。於此實施例中，第一邊界E1的第一特徵點F2、F3及F4以及第二邊界E2的第二特徵點F6、F8及F9之間的成本矩陣即為3*3的矩陣。第一邊界E1的3個第一特徵點F2、F3及F4分別對應第二邊界E2的3個第二特徵點F6、F8及F9。接著，如第8A圖所示，再利用動態時間校正(dynamic time warping)對成本矩陣進行最短路徑的搜尋，根據搜尋結果產生第一邊界E1的第一特徵點F2、F3及F4以及第二邊界E2的第二特徵點F6、F8及F9之間的關聯性。
s(i,j)=|c 1(i)-c 2(j)| 《公式2》
接著，乳房影像分析方法300進一步執行步驟S332基於第一乳房影像Img1與位置對應關係產生第一轉換矩陣且基於第二乳房影像Img2與位置對應關係產生第二轉換矩陣。於一實施例中，找到特徵點之間的對應關係後，可以利用對應關係找出第一乳房影像Img1及第二乳房影像Img2的轉換矩陣，轉換矩陣得計算如《公式3》所示，(Xi,Yi)為第一邊界E1的第i個特徵點座標，(Uj,Vj)為第二邊界E2的第j個特徵點座標。《公式3》計算出的是第一轉換矩陣，相反的第二轉換矩陣可以由《公式4》產生。
Figure TWI675646B_D0002
Figure TWI675646B_D0003
接著，乳房影像分析方法300進一步執行步驟S333根據第一轉換矩陣將第二乳房影像Img2轉換成第二校準影像COImg2，接著根據第一乳房影像Img1的亮度值調整第二校準影像COImg2的亮度值。請參考第8B圖，第8B圖係根據本案之一些實施例所繪示之第一乳房影像Img1與第二校準影像COImg2的示意圖。如第8B圖所示，在利用第一轉換矩陣將第二乳房影像Img2轉換成第二校準影像COImg2後，第二校準影像COImg2的乳房區域R2的形狀將會與第一乳房影像Img1的乳房區域R1類似，換句話說，步驟S332中所得出的第一轉換矩陣以及第二轉換矩陣可以改變乳房區域R1及R2的形狀。接著，利用直方圖匹配的轉換函數調整第二校準影像COImg2的亮度值。由第4圖以及第8B圖所示，校準前的第二乳房影像Img2(乳房區域R2)的亮度較第一乳房影像Img1(乳房區域R1)暗，第二校準影像COImg2的乳房區域R2在進行亮度一致化處理後，第二校準影像COImg2的乳房區域R2的亮度值會與第一乳房影像Img1的乳房區域R1的亮度值類似，意即乳房區域R2的亮度被調亮(第8B圖中以比較鬆散的“‧”表示乳房區域R1及R2的像素值)。
接著，乳房影像分析方法300進一步執行步驟S334根據第二轉換矩陣將第一乳房影像Img1轉換成第一校準影像COImg1，接著根據第二乳房影像Img2的亮度值調整第一校準影像的亮度值COImg1。請參考第8C圖，第8C圖係根據本案之一些實施例所繪示之第一校準影像 COImg1與第二乳房影像Img2的示意圖。如第8C圖所示，在利用第二轉換矩陣將第一乳房影像Img1轉換成第一校準影像COImg1後，第一校準影像COImg1的乳房區域R1的形狀將會與第二乳房影像Img2的乳房區域R2類似。接著，如同上方實施例的操作，利用直方圖匹配的轉換函數調整第一校準影像COImg1的亮度值。由第4圖以及第8C圖所示，校準前的第一乳房影像Img1(乳房區域R1)的亮度較第一乳房影像Img2(乳房區域R2)亮，第一校準影像COImg1的乳房區域R1在進行亮度一致化處理後，第一校準影像COImg1的乳房區域R1的亮度值會與第二乳房影像Img2的乳房區域R2的亮度值類似，意即乳房區域R1的亮度被調暗(第8C圖中以比較密集的“‧”表示乳房區域R1及R2的像素值)。
在經過上述的影像校準操作後，第一乳房影像Img1與第二校準影像COImg2，以及第一校準影像COImg1與第二乳房影像Img2，乳房區域R1及R2的形狀與亮度會被調整的較為相似，此操作是為了降低影像之間的差異，使得之後在進行不對稱判斷時能夠更為準確。因為影像之間亮度的不一致或是乳房區域R1及R2的形狀不一致都會影響不對稱判斷的準確率。
接著，乳房影像分析方法300執行步驟S340計算第一乳房影像Img1與第二校準影像COImg2的第一差異影像DiffImg1，以及計算第一校準影像COImg1與第二乳房影像Img2的第二差異影像DiffImg2。請一併參考第4圖及第9圖，第9圖係根據本案之一些實施例所繪示之第一差 異影像與第二差異影像的示意圖。於一實施例中，第一差異影像DiffImg1是經由將第一乳房影像Img1的像素值減去第二校準影像COImg2的像素值所產生，第二差異影像DiffImg2是經由將第二乳房影像Img2的像素值減去第一校準影像COImg1的像素值所產生。如第9圖所示，經過步驟S340的計算後，在第一差異影像DiffImg1以及第二差異影像DiffImg2中區域A1的特徵將會不明顯，意即與周圍的乳房組織以及乳腺組織具有相近的灰階值像素值(第9圖中以“+”表示)。然而，第4圖中的區域A2是屬於病變的部分在第一差異影像DiffImg1以及第二差異影像DiffImg2中仍然是較明顯的區域。區域A3(第9圖中以“白底”表示)以及區域A4(第9圖中以密集黑點表示)的差異是在於像素值亮度的不同(因為影像相減造成)，區域A3有較亮的像素值，區域A4則是有較暗的像素值。
於一實施例中，乳房影像分析方法300執行步驟S350利用影像分析模型DB分別判斷第一差異影像DiffImg1與第二差異影像DiffImg2是否對稱，其中於第一差異影像DiffImg1與第二差異影像DiffImg2為對稱時，產生對稱結果，於第一差異影像DiffImg1與第二差異影像DiffImg2為不對稱時，產生不對稱結果。在執行步驟S350之前需要先建立影像分析模型DB，根據上述產生的第一差異影像DiffImg1、第二差異影像DiffImg2以及各自對應的標記結果來產生影像分析模型DB。
承上述，計算完第一差異影像DiffImg1以及第 二差異影像DiffImg2後，分別對第一差異影像DiffImg1以及第二差異影像DiffImg2分別進行標記以產生第一標記結果與第二標記結果。標記結果是標示差異影像對應的乳房影像是否發生不對稱情況，如果發生不對稱情況標記結果設定為“1”，如果沒有發生不對稱的情況，標記結果設定為“0”。當然也可以用其他標記方式，舉例而言，如果發生不對稱情況標記為“Y”，如果沒有發生不對稱情況則標記為“N”，本揭露不限於此。於此實施例中，第二差異影像DiffImg2就會被標記為“1”，表示在第二乳房影像Img2中發生不對稱的情況。
承上述，接著利用第一差異影像DiffImg1、第二差異影像DiffImg2、第一標記結果以及第二標記作為訓練分類器的訓練資料。於一實施例中，可以採用支持向量機(Support vector machine，SVM)、卷積神經網路(Convolutional neural network，CNN)或K-最近鄰居法(K-Nearest neighbor algorithm，KNN)等方式來訓練分類器(Classifier)。訓練好的分類器即為影像分析模型DB可以用來對成對乳房影像自動進行不對稱的判斷，當輸入的差異影像以及標記結果越多，影像分析模型DB在進行不對稱判斷時可以更準確。
承上述，影像分析模型DB建立完成後會儲存在儲存裝置110中，使用時處理器120會從儲存裝置110中讀取，以用來判斷第一差異影像DiffImg1與第二差異影像DiffImg2是否對稱，並產生對稱結果或不對稱結果。於一 實施例中，乳房影像分析方法300執行步驟S360如果判斷第一差異影像DiffImg1與第二差異影像DiffImg2為不對稱時，計算第一差異影像DiffImg1與第二差異影像DiffImg2的其中之一的不對稱區域。請參閱第9圖，如果在步驟S350中影像分析模型對第二差異影像DiffImg2的標記為“1”，標記“1”即為第二差異影像DiffImg2的判斷結果，如此一來，判斷結果即為“不對稱”，因此會進一步對第二差異影像DiffImg2執行不對稱區域的計算。
承上述，步驟S360更包含步驟S361~S365，請一併參考第10圖及第11A圖，第10圖係根據本案之一些實施例所繪示之步驟S360的流程圖，第11A圖係根據本案之一些實施例所繪示之計算影像的示意圖。乳房影像分析方法300執行步驟S361將第一差異影像DiffImg1以及第二差異影像DiffImg2的其中之一作為計算影像CalImg。接續上方實施例，計算影像CalImg係對應前述的判斷結果，如果第二差異影像DiffImg2的標記為“1”即為“不對稱”，第二差異影像DiffImg2即為計算影像CalImg。
承上述，乳房影像分析方法300執行步驟S362根據計算影像中每個像素的像素值，將計算影像CalImg區分為複數個區域。於一實施例中，會利用影像視窗(Window)掃描計算影像CalImg，接著分別判斷影像視窗內的中心像素的像素值與中心像素周圍的每個鄰近像素的像素值之間的差異值是否小於第四門檻值，如果小於第四門檻值，將中心像素與對應差異值的鄰近像素劃分為同一區 域；以及如果大於第四門檻值，將中心像素與對應差異值的鄰近像素劃分為不同區域。舉例而言，如果影像視窗為3*3的影像視窗，本案並不限於此，也可以是5*5的影像視窗或是7*7的影像視窗。在此以3*3的影像視窗為例，如果某一像素的像素值是125，其周圍鄰近的8個像素的像素值分別是{128，125，122，120，126，129，130、125}，這8個像素的像素值與125的差異值小於第四門檻值(像素值差異小於5)，因此可以將這9個像素視為同一區域。如此一來，可以根據每一像素的像素值與鄰近像素的像素值的比較結果將計算影像CalImg分成多個區域。
接著，乳房影像分析方法300執行步驟S363計算每一區域對應的平均像素值，步驟S364判斷每一區域對應的平均像素值是否大於第三門檻值，以及步驟S365將平均像素值大於第三門檻值的每一區域作為不對稱區域。請一併參考第11B圖，第11B圖係根據本案之一些實施例所繪示之不對稱區域A5的示意圖。接續上方實施例，將計算影像CalImg分成多個區域後必須計算每個區域的平均像素值，計算完平均像素值後，再利用第三門檻值過濾平均像素值較低的區域，最後留下平均像素值大於第三門檻值的區域A5也就是發生不對稱的區域。
接著，乳房影像分析方法300執行步驟S370根據對稱結果或不對稱結果產生分析報告。於一實施例中判斷成對乳房影像是否對稱(Asymmetry)的資訊，在標準化乳房影像報告分類系統(Breast Imaging-Reporting and Data System，BI-RADS)中屬於關鍵的特徵資訊，因此前述的判斷結果可以是此分析報告中的一重要資訊。接續上方實施例，如果第一乳房影像Img1的判斷結果為“0”，分析報告上可以顯示為“對稱”。反之，如果第二乳房影像Img2的判斷結果為“1”，在分析報告上會顯示為“不對稱”，如果發現第二乳房影像Img2具有不對稱狀態可以進一步在報告中顯示第二乳房影像內發生不對稱的區域(步驟S360的執行結果)。
由上述本案之實施方式可知，主要係改進以往電腦輔助分析軟體僅有偵測乳房病灶類型的功能，先擷取乳房成對影像的特徵以校準乳房成對影像，計算乳房成對影像的乳房差異影像，再將乳房差異影像輸入分類器訓練影像分析模型，訓練後的影像分析模型可以判斷乳房影像是否對稱，如果乳房影像有不對稱，再進一步判定乳房影像內發生不對稱的區域，達到自動判定乳房不對稱以及偵測乳房不對稱區域的功能。
另外，上述例示包含依序的示範步驟，但該些步驟不必依所顯示的順序被執行。以不同順序執行該些步驟皆在本揭示內容的考量範圍內。在本揭示內容之實施例的精神與範圍內，可視情況增加、取代、變更順序及/或省略該些步驟。
雖然本案已以實施方式揭示如上，然其並非用以限定本案，任何熟習此技藝者，在不脫離本案之精神和範圍內，當可作各種之更動與潤飾，因此本案之保護範圍當視 後附之申請專利範圍所界定者為準。

Claims (15)

  1. 一種乳房影像分析方法，包含：輸入一第一乳房影像以及一第二乳房影像；擷取該第一乳房影像的複數個第一特徵以及該第二乳房影像的複數個第二特徵；根據該些第一特徵以及該些第二特徵校正該第一乳房影像以及該第二乳房影像，以產生一第一校準影像以及一第二校準影像；計算該第一乳房影像與該第二校準影像的一第一差異影像，以及計算該第一校準影像與該第二乳房影像的一第二差異影像；利用一影像分析模型分別判斷該第一差異影像與該第二差異影像是否對稱，其中於該第一差異影像與該第二差異影像為對稱時，產生一對稱結果，於該第一差異影像與該第二差異影像為不對稱時，產生一不對稱結果；以及產生代表該對稱結果或該不對稱結果的一分析報告。
  2. 如請求項1所述的乳房影像分析方法，更包含：將該第一差異影像以及該第二差異影像分別進行標記以產生一第一標記結果與一第二標記結果；以及利用該第一差異影像、該第二差異影像、該第一標記結果以及該第二標記作為訓練資料，以產生該影像分析模型。
  3. 如請求項1所述的乳房影像分析方法，其中，擷取該第一乳房影像的該些第一特徵以及該第二乳房影像的該些第二特徵，更包含：利用一第一門檻值找出一第一乳房區域的一第一邊界，以及利用該第一門檻值找出一第二乳房區域的一第二邊界；其中，該第一邊界包含複數個第一像素，該第二邊界包含複數個第二像素；分別計算該些第一像素以及該些第二像素對應的曲率；分別判斷該些第一像素以及該些第二像素對應的曲率是否大於一第二門檻值；以及將大於該第二門檻值的該些第一像素標記為該些第一特徵，且將大於該第二門檻值的該些第二像素標記為該些第二特徵。
  4. 如請求項1所述的乳房影像分析方法，其中，根據該些第一特徵以及該些第二特徵校正該第一乳房影像以及該第二乳房影像，更包含：建立該些第一特徵以及該些第二特徵之間的一位置對應關係；基於該第一乳房影像與該位置對應關係產生一第一轉換矩陣且基於該第二乳房影像與該位置對應關係產生一第二轉換矩陣；根據該第二轉換矩陣將該第一乳房影像轉換成該第一校準影像，以及根據該第一轉換矩陣將該第二乳房影像轉換成該第二校準影像；以及根據該第一乳房影像的亮度值調整該第二校準影像的亮度值，以及根據該第二乳房影像的亮度值調整該第一校準影像的亮度值。
  5. 如請求項1所述的乳房影像分析方法，其中，利用該影像分析模型分別判斷該第一差異影像與該第二差異影像是否對稱，更包含：若判斷該第一差異影像與該第二差異影像為不對稱時，計算該第一差異影像與該第二差異影像的其中之一的一不對稱區域。
  6. 如請求項5所述的乳房影像分析方法，其中，計算該不對稱區域，更包含：將該第一差異影像以及該第二差異影像的其中之一作為一計算影像；根據該計算影像中每個像素的像素值，將該計算影像區分為複數個區域；計算每一該區域對應的一平均像素值；判斷每一該區域對應的該平均像素值是否大於一第三門檻值；以及將該平均像素值大於該第三門檻值的每一該區域作為該不對稱區域。
  7. 如請求項6所述的乳房影像分析方法，其中，根據該計算影像中每個像素的像素值，將該計算影像區分為該些區域，更包含：利用一影像視窗依序掃描該計算影像；分別判斷該影像視窗內的一中心像素的像素值與該中心像素周圍的每個鄰近像素的像素值之間的一差異值是否小於一第四門檻值；若該差異值小於該第四門檻值，將該中心像素與對應該差異值的該鄰近像素劃分為同一區域；以及若該差異值大於該第四門檻值，將該中心像素與對應該差異值的該鄰近像素劃分為不同區域。
  8. 一種乳房影像分析系統，包含：一儲存裝置，用以儲存一第一乳房影像以及一第二乳房影像；一處理器，與該儲存裝置電性連接，該處理器包含：一特徵擷取元件，用以擷取該第一乳房影像的複數個第一特徵以及該第二乳房影像的複數個第二特徵；一影像校正元件，與該特徵擷取元件電性連接，用以根據該些第一特徵以及該些第二特徵校正該第一乳房影像以及該第二乳房影像，以產生一第一校準影像以及一第二校準影像；一差異影像產生元件，與該影像校正元件電性連接，用以計算該第一乳房影像與該第二校準影像的一第一差異影像，以及計算該第一校準影像與該第二乳房影像的一第二差異影像；一對稱分析元件，與該差異影像產生元件電性連接，用以利用一影像分析模型分別判斷該第一差異影像與該第二差異影像是否對稱，於該第一差異影像與該第二差異影像為對稱時，該對稱分析元件產生一對稱結果，於該第一差異影像與該第二差異影像為不對稱時，該對稱分析元件產生一不對稱結果；以及一報告產生元件，與該對稱分析元件電性連接，用以產生代表該對稱結果或該不對稱結果的一分析報告。
  9. 如請求項8所述的乳房影像分析系統，更包含：一分析模型建立元件，與該差異影像產生元件與該對稱分析元件電性連接，用以將該第一差異影像以及該第二差異影像分別進行標記以產生一第一標記結果與一第二標記結果；以及利用該第一差異影像、該第二差異影像、該第一標記結果以及該第二標記作為訓練資料，以產生該影像分析模型。
  10. 如請求項8所述的乳房影像分析系統，其中，該特徵擷取元件更用以利用一第一門檻值找出一第一乳房區域的一第一邊界，利用該第一門檻值找出一第二乳房區域的一第二邊界；其中，該第一邊界包含複數個第一像素，該第二邊界包含複數個第二像素；分別計算該些第一像素以及該些第二像素對應的曲率，分別判斷該些第一像素以及該些第二像素對應的曲率是否大於一第二門檻值，將大於該第二門檻值的該些第一像素標記為該些第一特徵，且將大於該第二門檻值的該些第二像素標記為該些第二特徵。
  11. 如請求項8所述的乳房影像分析系統，其中，該影像校正元件更用以建立該些第一特徵以及該些第二特徵之間的一位置對應關係，基於該第一乳房影像與該位置對應關係產生一第一轉換矩陣，基於該第二乳房影像與該位置對應關係產生一第二轉換矩陣，根據該第二轉換矩陣將該第一乳房影像轉換成該第一校準影像，根據該第一轉換矩陣將該第二乳房影像轉換成該第二校準影像，根據該第一乳房影像的亮度值調整該第二校準影像的亮度值，且根據該第二乳房影像的亮度值調整該第一校準影像的亮度值。
  12. 如請求項8所述的乳房影像分析系統，其中，該對稱分析元件更用以當該對稱分析元件判斷該第一差異影像與該第二差異影像為不對稱時，計算該第一差異影像與該第二差異影像的其中之一的一不對稱區域。
  13. 如請求項12所述的乳房影像分析系統，其中，該對稱分析元件於計算該不對稱區域時，該對稱分析元件將該第一差異影像以及該第二差異影像的其中之一作為一計算影像，根據該計算影像中每個像素的像素值將該計算影像區分為複數個區域，計算每一該區域對應的一平均像素值，判斷每一該區域對應的該平均像素值是否大於一第三門檻值，且將該平均像素值大於該第三門檻值的每一該區域作為該不對稱區域。
  14. 如請求項13所述的乳房影像分析系統，其中，該對稱分析元件將該計算影像區分為該些區域時，該對稱分析元件利用一影像視窗依序掃描該計算影像，分別判斷該影像視窗內的一中心像素的像素值與該中心像素周圍的每個鄰近像素的像素值之間的一差異值是否小於一第四門檻值，其中若該差異值小於該第四門檻值，該對稱分析元件將該中心像素與對應該差異值的該鄰近像素劃分為同一區域，且若該差異值大於該第四門檻值，該對稱分析元件將該中心像素與對應該差異值的該鄰近像素劃分為不同區域。
  15. 一種非暫態電腦可讀取媒體，包含至少一指令程序，由一處理器執行該至少一指令程序以實行一乳房影像分析方法，其包含：輸入一第一乳房影像以及一第二乳房影像；擷取該第一乳房影像的複數個第一特徵以及該第二乳房影像的複數個第二特徵；根據該些第一特徵以及該些第二特徵校正該第一乳房影像以及該第二乳房影像，以產生一第一校準影像以及一第二校準影像；計算該第一乳房影像與該第二校準影像的一第一差異影像，以及計算該第一校準影像與該第二乳房影像的一第二差異影像；利用一影像分析模型分別判斷該第一差異影像與該第二差異影像是否對稱，其中於該第一差異影像與該第二差異影像為對稱時，產生一對稱結果，於該第一差異影像與該第二差異影像為不對稱時，產生一不對稱結果；以及產生代表該對稱結果或該不對稱結果產生一分析報告。
TW107135445A 2018-10-08 2018-10-08 乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體 TWI675646B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW107135445A TWI675646B (zh) 2018-10-08 2018-10-08 乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體
CN201811277282.4A CN111091895B (zh) 2018-10-08 2018-10-30 乳房影像分析方法、系统及非暂态计算机可读取介质
US16/188,319 US10825174B2 (en) 2018-10-08 2018-11-13 Breast image analysis method, breast image analysis system, and non-transitory computer-readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107135445A TWI675646B (zh) 2018-10-08 2018-10-08 乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體

Publications (2)

Publication Number Publication Date
TWI675646B true TWI675646B (zh) 2019-11-01
TW202014149A TW202014149A (zh) 2020-04-16

Family

ID=69189072

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107135445A TWI675646B (zh) 2018-10-08 2018-10-08 乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體

Country Status (3)

Country Link
US (1) US10825174B2 (zh)
CN (1) CN111091895B (zh)
TW (1) TWI675646B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11657497B2 (en) * 2019-03-26 2023-05-23 The Johns Hopkins University Method and apparatus for registration of different mammography image views
CN116091466A (zh) * 2020-05-08 2023-05-09 上海联影智能医疗科技有限公司 图像分析方法、计算机设备和存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6996549B2 (en) * 1998-05-01 2006-02-07 Health Discovery Corporation Computer-aided image analysis
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
EP1780651A1 (en) * 2005-10-25 2007-05-02 Bracco Imaging, S.P.A. Method and system for automatic processing and evaluation of images, particularly diagnostic images
US8285019B2 (en) * 2006-02-10 2012-10-09 Synarc Inc. Breast tissue density measure
US7787677B2 (en) * 2006-08-16 2010-08-31 Mevis Breastcare Gmbh & Co. Kg Presentation method, presentation device and computer program for presenting an image of an object
JP6027687B2 (ja) * 2013-09-30 2016-11-16 富士フイルム株式会社 乳房厚測定装置及び乳房厚測定方法
FI130432B (fi) * 2013-11-29 2023-08-28 Planmed Oy Tomosynteesikalibrointi mammografian yhteydessä
US10055842B2 (en) * 2016-07-29 2018-08-21 Case Western Reserve University Entropy-based radiogenomic descriptions on magnetic resonance imaging (MRI) for molecular characterization of breast cancer
US11449985B2 (en) * 2016-12-02 2022-09-20 Regents Of The University Of Minnesota Computer vision for cancerous tissue recognition

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
José Celaya-Padilla, Antonio Martinez-Torteya, Juan Rodriguez-Rojas, Jorge Galvan-Tejada, Victor Treviño, and José Tamez-Peña, "Bilateral Image Subtraction and Multivariate Models for the Automated Triaging of Screening Mammograms" , BioMed Research International Volume 2015, Article ID 231656, 12 pages. *

Also Published As

Publication number Publication date
TW202014149A (zh) 2020-04-16
US20200111211A1 (en) 2020-04-09
CN111091895A (zh) 2020-05-01
US10825174B2 (en) 2020-11-03
CN111091895B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN107480677B (zh) 一种识别三维ct图像中感兴趣区域的方法及装置
US10388018B2 (en) Image processing apparatus, image processing method, and storage medium
JP2007236939A (ja) 乳房辺縁検出のための方法および装置
CN111062947A (zh) 一种基于深度学习的x光胸片病灶定位方法及系统
CN108294728A (zh) 伤口状态分析方法与系统
CN112241947B (zh) 多视角乳房影像分析方法、系统及非暂态计算机可读取媒体
TWI675646B (zh) 乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體
Ribeiro et al. Handling inter-annotator agreement for automated skin lesion segmentation
US20190333221A1 (en) Image processing apparatus, image processing method, and storage medium
WO2020168647A1 (zh) 图像识别方法及相关设备
US20220122244A1 (en) Defect image generation method for deep learning and system therefor
CN112381811A (zh) 一种实现医学影像数据标注的方法、装置及设备
JP7019104B2 (ja) 閾値の学習方法
CN103637815B (zh) 乳腺自动曝光参考区域的确定方法及系统
CN109509194B (zh) 一种复杂背景下正面人体图像分割方法及装置
CN108764343B (zh) 一种跟踪算法中的跟踪目标框的定位方法
Podsiadlo et al. Automated selection of trabecular bone regions in knee radiographs
Kumar et al. Automatic optic disc segmentation using maximum intensity variation
CN111513743A (zh) 一种骨折检测方法及装置
WO2023070946A1 (zh) 基于超声图像的测量设备、方法、介质及电子设备
TW202004572A (zh) 學習裝置、學習方法、程式製品、記憶有學習完成模型的記憶媒體及骨轉移檢測裝置
CN115937163A (zh) 一种spect肺灌注成像的目标区域提取方法与系统
TWI797672B (zh) 影像分割方法與使用此方法的電子裝置、記錄媒體以及電腦程式產品
TWI790508B (zh) 血管偵測裝置及基於影像的血管偵測方法
Kumar et al. Segmentation of retinal lesions in fundus images: a patch based approach using encoder-decoder neural network