TWI707663B - 多視角乳房影像分析方法、多視角乳房影像分析系統及非暫態電腦可讀取媒體 - Google Patents

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

Info

Publication number
TWI707663B
TWI707663B TW108125726A TW108125726A TWI707663B TW I707663 B TWI707663 B TW I707663B TW 108125726 A TW108125726 A TW 108125726A TW 108125726 A TW108125726 A TW 108125726A TW I707663 B TWI707663 B TW I707663B
Authority
TW
Taiwan
Prior art keywords
breast
abnormal
training
heat maps
false positive
Prior art date
Application number
TW108125726A
Other languages
English (en)
Other versions
TW202103630A (zh
Inventor
詹凱軒
Original Assignee
財團法人資訊工業策進會
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 filed Critical 財團法人資訊工業策進會
Priority to TW108125726A priority Critical patent/TWI707663B/zh
Priority to CN201910753226.1A priority patent/CN112241947B/zh
Priority to US16/662,049 priority patent/US11145056B2/en
Application granted granted Critical
Publication of TWI707663B publication Critical patent/TWI707663B/zh
Publication of TW202103630A publication Critical patent/TW202103630A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A61B5/015—By temperature mapping of body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • A61B5/748—Selection of a region of interest, e.g. using a graphics tablet
    • A61B5/7485—Automatic selection of region of interest
    • 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
    • A61B6/44—Constructional features of apparatus for radiation diagnosis
    • A61B6/4417—Constructional features of apparatus for radiation diagnosis related to combined acquisition of different diagnostic modalities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T2207/20—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
    • G06T2207/30—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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • 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
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Quality & Reliability (AREA)
  • Optics & Photonics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

一種多視角乳房影像分析方法，包含複數個乳房影像；利用病徵辨識模型判斷乳房影像是否具有對應的異常狀態，產生乳房影像對應的複數個熱圖；利用假陽性濾除模型判斷熱圖是否具有假陽性特徵，以產生對應於熱圖的異常機率值；以及利用第一門檻值判斷異常機率值，如果異常機率值大於第一門檻值，偵測並輸出熱圖對應的病灶位置。

Description

多視角乳房影像分析方法、多視角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多視角乳房影像分析方法、多視角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。
但目前的乳房影像分析技術大多針對單張影像進行分類與偵測，此種方式容易造成假陽性率過高(誤判)的狀況。因此，如何利用乳房影像分析技術判斷乳房攝影的影 像是否具有病灶，且進一步判斷判斷病灶的結果是否錯誤，達到自動偵測乳房病灶以及降低誤報機率是本領域待解決的問題。
為達成上述目的，本案之第一態樣是在提供一種多視角乳房影像分析方法，此方法包含以下步驟：輸入複數個乳房影像；利用病徵辨識模型判斷乳房影像是否具有對應的異常狀態，產生乳房影像對應的複數個熱圖；利用假陽性濾除模型判斷熱圖是否具有假陽性特徵，以產生對應於熱圖的異常機率值；以及利用第一門檻值判斷異常機率值，如果異常機率值大於第一門檻值，偵測並輸出熱圖對應的病灶位置。
本案之第二態樣是在提供一種多視角乳房影像分析系統，其包含：儲存裝置以及處理器。處理器與儲存裝置電性連接。儲存裝置用以儲存複數個訓練影像以及複數個乳房影像。處理器包含：異常分析元件、假陽性分析元件以及異常位置分析元件。異常分析元件用以利用病徵辨識模型判斷乳房影像是否具有對應的異常狀態，產生乳房影像對應的複數個熱圖。假陽性分析元件與異常分析元件電性連接，用以利用假陽性濾除模型判斷熱圖是否具有假陽性特徵，以產生對應於熱圖的異常機率值。異常位置分析元件與假陽性分析元件電性連接，用以利用第一門檻值判斷異常機率值，如果異常機率值大於第一門檻值，偵測並輸出熱圖對應的病 灶位置。
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多視角乳房影像分析方法，其包含以下步驟：輸入複數個乳房影像；利用病徵辨識模型判斷乳房影像是否具有對應的異常狀態，產生乳房影像對應的複數個熱圖；利用假陽性濾除模型判斷熱圖是否具有假陽性特徵，以產生對應於熱圖的異常機率值；以及利用第一門檻值判斷異常機率值，如果異常機率值大於第一門檻值，偵測並輸出熱圖對應的病灶位置。
本發明之多視角乳房影像分析方法、多視角乳房影像分析系統及非暫態電腦可讀取媒體，其主要係改進以往乳房影像分析技術僅針對單張影像進行分類與偵測的功能，利用訓練完的病徵辨識模型判斷複數張影像是否具有異常狀態，再利用假陽性濾除模型判斷病徵辨識模型產生的熱圖前述判斷的異常狀態是否錯誤，自動偵測乳房病灶以及降低誤報機率的功能。
100:多視角乳房影像分析系統
110:儲存裝置
120:處理器
130:顯示器
DB1:病徵辨識模型
DB2:假陽性濾除模型
121:異常分析元件
122:假陽性分析元件
123:異常位置分析元件
124:病徵辨識模型建立元件
125:假陽性濾除模型建立元件
126:深度資料訓練元件
300、1000:多視角乳房影像分析方法
Img1、Img2、Img3、Img4:乳房影像
TImg1、TImg2:訓練影像
TP1、TP2:影像區塊
R1、R2、R3、R4、R5:乳房區域
L1、L2、L3、L4:亮色區域
HImg1、HImg2、HTImg1、HTImg2、HImg3、HImg4: 熱圖
E1、E2、E31、E41、E42:邊界
P1、P2、P3:座標位置
DA1、DA2、DA3、BDA1、BDA2、BDA3:深度區域
D1、D2、D3:距離
F1、F2、F3:特徵位置
S310~S340、S610~S620、S810~S870、S1010~S1070: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多視角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多視角乳房影像分析方法的流程圖；第4A圖及第4B圖係根據本案之一些實施例所繪示之訓練影像區塊的示意圖；第5A圖係根據本案之一些實施例所繪示之乳房影像的示意圖；第5B圖係根據本案之一些實施例所繪示之乳房影像的示意圖；第5C圖係根據本案之一些實施例所繪示之乳房影像對應的熱圖的示意圖；第5D圖係根據本案之一些實施例所繪示之乳房影像對應的熱圖的示意圖；第6圖係根據本案之一些實施例所繪示之建立假陽性濾除模型的流程圖；第7A圖係根據本案之一些實施例所繪示之訓練影像對應的熱圖的示意圖；第7B圖係根據本案之一些實施例所繪示之訓練影像對應的熱圖的示意圖；第8圖係根據本案之一些實施例所繪示之建立假陽性濾除模型的流程圖；第9A圖係根據本案之一些實施例所繪示之訓練影像對應的乳房邊緣的示意圖；第9B圖係根據本案之一些實施例所繪示之訓練影像的 深度區域的示意圖；第10圖係根據本案之一些實施例所繪示之多視角乳房影像分析方法的流程圖；第11A圖係根據本案之一些實施例所繪示之乳房影像的示意圖；第11B圖係根據本案之一些實施例所繪示之乳房影像的示意圖；第11C圖係根據本案之一些實施例所繪示之乳房影像對應的熱圖的示意圖；第11D圖係根據本案之一些實施例所繪示之乳房影像對應的熱圖的示意圖；第12A圖係根據本案之一些實施例所繪示之乳房影像對應的乳房邊緣的示意圖；以及第12B圖係根據本案之一些實施例所繪示之乳房影像對應的乳房邊緣的示意圖。
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多視角乳房影像分析系統100的示意圖。如第1圖所繪示，多視角乳房影像分析系統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用以儲存多張乳房訓練影像、病徵辨識模型DB1以及假陽性濾除模型DB2。於一實施例中，多張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用以顯示經過病徵辨識以及假陽性判斷後的乳房影像或是顯示分析報告。處理器120用以對多張乳房影像進行病徵辨識以及假陽性判斷的判斷。
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包含異常分析元件121、假陽性分析元件122、異常位置分析元件123、病徵辨識模型建立元件124、假陽性濾除模型建立元件125以及深度資料訓練元件126。假陽性分析元件122與異常分析 元件121、異常位置分析元件123以及假陽性濾除模型建立元件125電性連接，病徵辨識模型建立元件124與異常分析元件121以及深度資料訓練元件126電性連接，深度資料訓練元件126與病徵辨識模型建立元件124以及假陽性濾除模型建立元件125電性連接。
請參閱第3圖。第3圖係根據本案之一些實施例所繪示之多視角乳房影像分析方法300的流程圖。於一實施例中，第3圖所示之多視角乳房影像分析方法300可以應用於第1圖的多視角乳房影像分析系統100上，處理器120用以根據下列多視角乳房影像分析方法300所描述之步驟，針對多張乳房影像進行病徵辨識以及假陽性判斷的判斷。
承上述，多視角乳房影像分析方法300首先執行步驟S310，輸入多張乳房影像，以及步驟S320，利用病徵辨識模型DB1判斷乳房影像是否具有異常狀態，產生乳房影像對應的多張熱圖。執行步驟S320之前需要先建立病徵辨識模型DB1，首先輸入複數個訓練影像區塊，其中，從多張訓練影像中擷取訓練影像區塊。
請一併參考第4A圖及第4B圖，第4A圖及第4B圖係根據本案之一些實施例所繪示之訓練影像區塊的示意圖。如第4A圖所示，病徵辨識模型建立元件124用以從訓練影像TImg1擷取多個訓練影像區塊TP1，每一訓練影像區塊TP1具有對應的標記結果。乳房區域R1中具有乳腺組織以及脂肪組織(圖未示)，訓練影像區塊TP1包含正常乳房的影像內容，即包含乳腺組織以及脂肪組織的影像內容，因此訓 練影像區塊TP1中包含的是正常乳房的影像內容，訓練影像區塊TP1對應的標記結果為“正常”。於第4A圖中僅繪示一個訓練影像區塊TP1，實際上在訓練病徵辨識模型DB1時會輸入多個訓練影像區塊TP1。
接著，如第4B圖所示，病徵辨識模型建立元件124用以從訓練影像TImg2擷取多個訓練影像區塊TP2，每一訓練影像區塊TP2具有對應的標記結果。乳房區域R2中具有乳腺組織以、脂肪組織(圖未示)以及異常組織，在訓練病徵辨識模型時，會擷取異常組織的影像。因此訓練影像區塊TP2包含異常乳房的影像內容，訓練影像區塊TP2對應的標記結果為“異常”。值得注意的是，由於異常組織(腫瘤或鈣化區域)的乳房影像在乳房攝影中屬於較少部分的影像，因此如果訓練的異常影像資料量太少時，也可以對現有的異常影像資料進行資料擴增，透過將影像內容旋轉、小範圍平移、鏡射等方式將異常影像資料擴增。
承上述，利用訓練影像區塊TP1及TP2、訓練影像區塊TP1對應的標記結果(“正常”)以及訓練影像區塊TP2對應的標記結果(“異常”)作為訓練資料，以產生病徵辨識模型DB1。值得注意的是，在訓練模型階段異常的標記結果會利用人工方式標記，使得輸入的訓練資料較為準確，以訓練出較為準確的辨識模型。
於一實施例中，利用卷積神經網路(Convolutional Neural Networks，CNN)訓練前述提及的訓練資料，在卷積神經網路訓練時經過全連結層(Fully Connected Layers)後，會產生卷積神經網路訓練的結果，即判斷輸入影像“正常”與“異常”對應的機率值。於本揭露的實施例中，病徵辨識模型DB1會產生輸入影像對應的熱圖，因此在進行卷積神經網路訓練病徵辨識模型DB1時，會移除全域性平均池化(Global Average Pooling，GAP)的計算，直接進入全連結層的計算以產生輸入影像對應的熱圖。
承上述，於步驟S320中，將乳房影像輸入卷積神經網路訓練出的病徵辨識模型DB1後，可以產生對應輸入乳房影像的熱圖。請一併參考第5A圖及第5B圖，第5A圖係根據本案之一些實施例所繪示之乳房影像Img1的示意圖，第5B圖係根據本案之一些實施例所繪示之乳房影像Img2的示意圖。於一實施例中，將乳房影像Img1及Img2一起輸入病徵辨識模型DB1以判斷乳房影像是否具有異常狀態。值得注意的是，乳房影像Img1及Img2為同側的乳房影像，兩者差異在於拍攝的角度不同。乳房影像Img1為上下照像(CC view)所採集到的乳房影像，乳房影像Img2為內協側照像(MLO view)所採集到的乳房影像。
值得注意的是，由於乳房攝影所產生的影像具有大面積的黑色區域(如第4A圖及第4B圖所示以“網格”表示的區域)，因此訓練影像在進行訓練前以及乳房影像在輸入病徵辨識模型DB1前，會先進行影像分割、亮度校正等前處理的操作，前述提到的技術為習知技術，在此不在贅述。
接著，請一併參考第5C圖及第5D圖，第5C圖 係根據本案之一些實施例所繪示之乳房影像Img1對應的熱圖HImg1的示意圖，第5D圖係根據本案之一些實施例所繪示之乳房影像Img2對應的熱圖HImg2的示意圖。如第5C圖及第5D圖所示，乳房影像Img1經過病徵辨識模型DB1處理後產生熱圖HImg1，乳房影像Img2經過病徵辨識模型DB1處理後產生熱圖HImg2。熱圖HImg1為全黑影像，表示經過病徵辨識模型DB1的判斷後乳房影像Img1為正常的乳房影像。熱圖HImg2中具有亮色區域L1，表示經過病徵辨識模型DB1的判斷後乳房影像Img2為具有異常區域的乳房影像。
接著，多視角乳房影像分析方法300執行步驟S330，利用假陽性濾除模型DB2判斷熱圖是否具有假陽性特徵，以產生對應於熱圖的異常機率值。執行步驟S330之前需要先建立假陽性濾除模型DB2。請參考第6圖，第6圖係根據本案之一些實施例所繪示之建立假陽性濾除模型的流程圖。如第6圖所示，首先執行步驟S610，將訓練影像TImg1及TImg2輸入病徵辨識模型DB1以產生訓練熱圖HTImg1以及HTImg1。
請一併參考第7A圖及第7B圖，第7A圖係根據本案之一些實施例所繪示之訓練影像TImg1對應的熱圖HTImg1的示意圖，第7B圖係根據本案之一些實施例所繪示之訓練影像TImg2對應的熱圖HTImg2的示意圖。如第7A圖所示，熱圖HTImg1為全黑影像，表示經過病徵辨識模型DB1的判斷後訓練影像TImg1為正常的乳房影像。如第7B 圖所示，熱圖HTImg2中具有亮色區域L2，表示經過病徵辨識模型DB1的判斷後訓練影像TImg2為具有異常區域的乳房影像，因此熱圖HTImg2具有“異常”狀態的標記。
承上述，執行步驟S630，利用訓練熱圖HTImg1及HTImg2以及訓練熱圖HTImg1及HTImg2對應的該異常標記作為訓練資料，以產生假陽性濾除模型。接續上述實施例，將熱圖HTImg1、熱圖HTImg2以及熱圖HTImg2對應的“異常”狀態的標記輸入至卷積神經網路訓練，再次判斷輸入影像“正常”與“異常”對應的機率值。值得注意的是，由於會一次輸入多張影像進行訓練，可能是單側多張影像或雙側多張影像，因此在進入卷積神經網路前，須先進行卷積計算，以將多張影像的資訊合併。
承上述，在乳房攝影的影像中，如果乳房有異常狀況發生，通常在上下照像以及內協側照像也都會發現有腫瘤或鈣化。然而，由於個人身體狀況不同，處理器120也可能將乳腺組織或脂肪組織標記為異常狀況(腫瘤或鈣化)，如果是此種情況，通常在上下照像或內協側照像中不會同時發現有異常狀況，或是發現異常狀況的位置不同。因此，藉由在訓練時會參考不同角度(多張影像)的資訊，可以過濾誤判的情況，進而提升判定的準確率。
承上述，假陽性濾除模型DB2訓練完畢後，於步驟S330中，將熱圖HImg1及熱圖HImg2輸入假陽性濾除模型DB2，並利用假陽性濾除模型DB2判斷熱圖HImg1及HImg2是否具有假陽性特徵，以產生對應於熱圖HImg1及 HImg2的異常機率值。接著，多視角乳房影像分析方法300進一步執行步驟S340，利用第一門檻值判斷異常機率值，如果異常機率值大於第一門檻值，偵測並輸出熱圖對應的病灶位置。
於一實施例中，再利用第一門檻值過濾異常機率值較低的狀況，如果異常機率值低於第一門檻值，表示異常狀況不明顯，有可能是誤判(假陽性)情況。於第5A圖至第5D圖所示的實施例中，第5A圖及第5B圖皆為正常的乳房影像，然而在步驟S320的判斷中將第5B圖誤判為異常的乳房影像(熱圖HImg2具有亮色區域L1)。當進行假陽性判斷後，熱圖HImg2對應的異常機率值會低於第一門檻值，因此將第5B圖判斷為異常的乳房影像的判斷結果會被濾除。
於另一實施例中，可以利用額外的深度資訊協助訓練假陽性濾除模型DB2，使得假陽性濾除模型DB2訓練後的結果可以更準確。請參考第8圖，第8圖係根據本案之一些實施例所繪示之建立假陽性濾除模型的流程圖。如第8圖所示，步驟S810的操作與步驟S610相同，在此不再贅述。接著，執行步驟S820，利用第二門檻值判斷訓練熱圖的其中之一是否具有異常區域，如果訓練熱圖的其中之一具有異常區域，標記異常區域對應的座標位置。以第7B圖所示的訓練熱圖HTImg2為例，由於亮色區域L1屬於灰階值較高的區域，因此利用第二門檻值將灰階值較低的區域濾除，可以計算出亮色區域L1的中心座標(hx1,hy1)，藉以獲得此異常區域的座標位置。
承上述，執行步驟S830，偵測訓練影像分別對應的第一邊界以及第二邊界。請參考第9A圖，第9A圖係根據本案之一些實施例所繪示之訓練影像TImg2對應的乳房邊緣的示意圖。如第9A圖所示，首先會偵測乳房以及胸大肌的邊緣，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，因此可以利用門檻值過濾出乳房區域R3的像素。接著，找出乳房區域R3的像素後，將乳房區域R3內鄰近背景區域的像素標記為第一邊界E1的像素。接著，由於胸大肌區域R4在乳房影響中屬於較亮色的區域，因此可以針對訓練影像TImg2進行測邊計算，以找出第二邊界E2(胸大肌的邊緣)。
承上述，進一步執行步驟S840，分別計算第一像素對應的曲率，並將具有最大曲率值的第一像素標記為特徵位置。接著，利用曲率公式計算第一邊界E1中的複數個第一像素對應的曲率。當第一邊界E1上弧度越大的地方曲率值會越大，將曲率最大的地方標記為特徵位置F1。在此情況中，曲率最大的地方通常為乳頭的位置，因此將乳頭的位置標記為特徵位置F1。於另一實施例中，也可利用門檻值過濾出曲率較大的位置，再進一步計算出乳頭位置，本揭露不限於此。
接著，進一步執行步驟S850，計算特徵位置F1到第二邊界E2的第一距離D1，利用第一距離D1將對應的訓練影像TImg2分為複數個第一深度區域。如第9A圖所示，計算出特徵位置F1後，可以計算出特徵位置F1到第二邊界 E2的垂直距離D1，接著根據距離D1的長度將乳房區域R3區分為複數個深度區域。請參考第9B圖，第9B圖係根據本案之一些實施例所繪示之訓練影像TImg2的深度區域的示意圖。如第9B圖所示，複數個深度區域包含深度區域DA1、深度區域DA2以及深度區域DA3。其中，區分深度區域DA1、DA2及DA3的分割線皆與距離D1垂直。
接著，進一步執行步驟S860，判斷異常區域對應的座標位置是否位於第一深度區域的其中之一，以產生第一深度特徵資料。如第7B圖以及第9B圖所示，第7B圖中的異常區域為亮色區域L1，並且亮色區域L1的中心座標為(hx1,hy1)，因此亮色區域L1可以映射至第9B圖中的相同座標位置P1，座標位置P1位於深度區域DA3中，深度特徵資料可以以向量形式表示。於此實施例中，訓練影像TImg2對應的深度特徵資料可以表示為(0,0,1)，表示深度區域DA3中具有異常區域。
接著，進一步執行步驟S870，利用訓練熱圖、訓練熱圖對應的該異常標記以及深度特徵資料作為訓練資料，以產生假陽性濾除模型DB2。步驟S870的操作類似於步驟S630，兩者的差異在於步驟S870進一步輸入深度特徵資料作為訓練資料。值得注意的是，每一張訓練影像皆對應一組深度特徵資料，再進行訓練時，可利用向量串接的方式與訓練影像一起進入全連結層進行計算。
承上述，值得注意的是，除了可以利用深度特徵資料作為訓練資料之外，也可以利用輔助資料作為訓練資 料，舉例而言，可以利用患者年齡作為輔助資料(例如，年齡越高權重值越高)，再以向量形式表示與深度特徵資料以及訓練影像一起進入全連結層進行計算，本揭示不限於此。
於一實施例中，如果在訓練假陽性濾除模型DB2有採用深度特徵資料進行訓練，在偵測乳房影像時也需計算乳房影像對應的深度特徵資料。請參閱第10圖。第10圖係根據本案之一些實施例所繪示之多視角乳房影像分析方法1000的流程圖。多視角乳房影像分析方法1000首先執行步驟S1010，輸入多張乳房影像，以及步驟S1020，利用病徵辨識模型DB1判斷乳房影像是否具有異常狀態，產生乳房影像對應的多張熱圖。步驟S1010以及步驟S1020的操作與步驟S310及S320相同，在此不再贅述。
承上述，請一併參考第11A圖至第11D圖，第11A圖係根據本案之一些實施例所繪示之乳房影像Img3的示意圖，第11B圖係根據本案之一些實施例所繪示之乳房影像Img4的示意圖，第11C圖係根據本案之一些實施例所繪示之乳房影像Img3對應的熱圖HImg3的示意圖，第11D圖係根據本案之一些實施例所繪示之乳房影像Img4對應的熱圖HImg4的示意圖。將乳房影像Img3及Img4一起輸入病徵辨識模型DB1以判斷乳房影像是否具有異常狀態，接著病徵辨識模型DB1輸出乳房影像Img3及Img4對應的熱圖HImg3及HImg4。
承上述，如第11C圖及第11D圖所示，熱圖HImg3中具有亮色區域L3，表示經過病徵辨識模型DB1的 判斷後乳房影像Img3為具有異常區域的乳房影像，熱圖HImg4中具有亮色區域L4，表示經過病徵辨識模型DB1的判斷後乳房影像Img4為具有異常區域的乳房影像。
接著，多視角乳房影像分析方法1000執行步驟S1030，利用第三門檻值判斷熱圖HImg3及HImg4的其中之一是否具有乳房異常區域，如果熱圖的其中之一具有乳房異常區域，標記乳房異常區域對應的座標位置。於此實施例中，步驟S1030的操作與步驟S820類似，在此不再贅述。利用第三門檻值可以計算出亮色區域L3的中心座標(hx2,hy2)，以及亮色區域L4的中心座標(hx3,hy3)。
接著，多視角乳房影像分析方法1000執行步驟S1040，偵測訓練影像分別對應的第三邊界以及第四邊界，分別計算第三像素對應的曲率，並將具有最大曲率值的第三像素標記為乳房特徵位置。於此實施例中，步驟S1040的操作與步驟S830及步驟S840類似，在此不再贅述。
請參考第12A圖，第12A圖係根據本案之一些實施例所繪示之乳房影像Img3對應的乳房邊緣的示意圖。如第12A圖所示，將乳房影像Img3的乳房區域邊緣標記為第三邊界E31，由於第12A圖為乳房影像Img3為上下照像，因此在此類照像中，不會有胸大肌的影像區域，因此將影像的邊界作為胸大肌的邊緣，並標記為第四邊界E41。接著，利用曲率公式計算第三邊界E31中的複數個第三像素對應的曲率，並找出具有最大取率的第三像素，將具有最大取率的第三像素標記為乳房特徵位置F2。
承上述，請參考第12B圖，第12B圖係根據本案之一些實施例所繪示之乳房影像Img4對應的乳房邊緣的示意圖。依照前述的操作，在乳房影像Img4中標記出第三邊界E32(乳房區域邊緣)以及第四邊界E42(胸大肌邊緣)。接著，利用曲率公式計算第三邊界E32中的複數個第三像素對應的曲率，並找出具有最大取率的第三像素，將具有最大取率的第三像素標記為乳房特徵位置F3。
接著，多視角乳房影像分析方法1000執行步驟S1050，計算乳房特徵位置到第四邊界的第二距離，利用第二距離將對應的乳房影像分為複數個第二深度區域。於此實施例中，步驟S1050的操作與步驟S850類似，在此不再贅述。如第12A圖所示，計算出乳房特徵位置F2後，可以計算出乳房特徵位置F2到第三邊界E41的垂直距離D2，接著根據距離D2的長度將乳房區域R4區分為深度區域BDA1、深度區域BDA2以及深度區域BDA3。其中，區分深度區域BDA1、BDA2及BDA3的分割線皆與距離D2垂直。
承上述，類似的，如第12B圖所示，計算出乳房特徵位置F3後，可以計算出乳房特徵位置F3到第三邊界E42的垂直距離D3，接著根據距離D3的長度將乳房區域R5區分為深度區域BDA1、深度區域BDA2以及深度區域BDA3。其中，區分深度區域BDA1、BDA2及BDA3的分割線皆與距離D3垂直。
接著，多視角乳房影像分析方法1000執行步驟S1060，判斷乳房異常區域對應的座標位置是否位於第二深 度區域的其中之一，以產生第二深度特徵資料，並將熱圖以及熱圖對應的第二深度特徵資料輸入假陽性濾除模型，判斷熱圖是否具有假陽性特徵，以產生對應於熱圖的異常機率值。於此實施例中，步驟S1060的操作與步驟S860及步驟S870類似，在此不再贅述。如第11C圖及第12A圖所示，第11C圖中的異常區域為亮色區域L3，並且亮色區域L3的中心座標為(hx2,hy2)，因此亮色區域L3可以映射至第12A圖中的相同座標位置P2，座標位置P2位於深度區域BDA2中。於此實施例中，乳房影像Img3對應的第二深度特徵資料可以表示為(0,1,0)，表示深度區域BDA2中具有異常區域。
類似的，如第11D圖及第12B圖所示，第11D圖中的異常區域為亮色區域L4，並且亮色區域L4的中心座標為(hx3,hy3)，因此亮色區域L4可以映射至第12B圖中的相同座標位置P3，座標位置P3位於深度區域BDA2中。於此實施例中，乳房影像Img4對應的第二深度特徵資料可以表示為(0,1,0)，表示深度區域BDA2中具有異常區域。接著，將乳房影像TImg3對應的第二深度特徵(0,1,0)與乳房影像TImg4對應的第二深度特徵(0,1,0)串接，產生的向量為(0,1,0,0,1,0)。
承上述，接著利用熱圖HImg3及HImg4以及熱圖HImg3及HImg4對應的第二深度特徵資料輸入假陽性濾除模型，判斷熱圖HImg3及HImg4是否具有假陽性特徵，以產生對應於熱圖HImg3及HImg4的異常機率值。接著， 多視角乳房影像分析方法1000執行步驟S1070，利用第一門檻值判斷異常機率值，如果異常機率值大於第一門檻值，將乳房異常區域(亮色區域L3及L4)對應的座標位置(P2及P3)映射至對應的乳房影像中以產生病灶位置。
承上述，於一實施例中，第11A圖及第11B圖所示的實施例在進行步驟S1020的判斷後，將第11A圖及第11B圖判斷為異常的乳房影像。當進行假陽性判斷後，熱圖HImg3及HImg4對應的異常機率值會高於第一門檻值，因此會進一步將步驟S1030計算出的乳房異常區域(亮色區域L3及L4)對應的座標位置分別映射至對應的乳房影像Img3及Img4中以產生病灶位置。
由上述本案之實施方式可知，主要係改進以往乳房影像分析技術僅針對單張影像進行分類與偵測的功能，利用訓練完的病徵辨識模型判斷複數張影像是否具有異常狀態，再利用假陽性濾除模型判斷病徵辨識模型產生的熱圖前述判斷的異常狀態是否錯誤，自動偵測乳房病灶以及降低誤報機率的功能。
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。
100:多視角乳房影像分析系統
110:儲存裝置
120:處理器
130:顯示器
DB1:病徵辨識模型
DB2:假陽性濾除模型

Claims (17)

  1. 一種多視角乳房影像分析方法，包含：輸入複數個乳房影像，其中該些乳房影像為同一時間拍攝的至少一左側乳房影像和至少一右側乳房影像、同一時間拍攝的複數個左側乳房影像、不同時間拍攝的該些左側乳房影像，同一時間拍攝的複數個右側乳房影像，或不同時間拍攝的該些右側乳房影像；利用一病徵辨識模型判斷該些乳房影像是否具有對應的異常狀態，產生該些乳房影像對應的複數個熱圖；利用一假陽性濾除模型判斷該些熱圖是否具有一假陽性特徵，以產生分別對應於該些熱圖的複數個異常機率值；以及利用一第一門檻值判斷該異常機率值，如果該異常機率值大於該第一門檻值，偵測並輸出該些熱圖對應的一病灶位置。
  2. 如請求項1所述的多視角乳房影像分析方法，更包含：輸入複數個訓練影像區塊，其中，從複數個訓練影像中擷取該些訓練影像區塊，該些訓練影像區塊分別對應至一標記結果；以及利用該些訓練影像區塊以及該些訓練影像區塊對應的該標記結果作為訓練資料，以產生該病徵辨識模型。
  3. 如請求項2所述的多視角乳房影像分析方法，更包含：將該些訓練影像輸入該病徵辨識模型以產生複數個訓練熱圖，其中該些訓練熱圖包含一異常標記；以及利用該些訓練熱圖以及該些訓練熱圖對應的該異常標記作為訓練資料，以產生該假陽性濾除模型。
  4. 如請求項3所述的多視角乳房影像分析方法，更包含：利用一第二門檻值判斷該些訓練熱圖的其中之一是否具有一異常區域，如果該些訓練熱圖的其中之一具有該異常區域，標記該異常區域對應的座標位置。
  5. 如請求項4所述的多視角乳房影像分析方法，其中，更包含：偵測該些訓練影像分別對應的一第一邊界以及一第二邊界，其中，該第一邊界包含複數個第一像素；分別計算該些第一像素對應的曲率，並將具有最大曲率值的該些第一像素標記為一特徵位置；計算該特徵位置到該第二邊界的一第一距離，利用該第一距離將對應的訓練影像分為複數個第一深度區域；判斷該異常區域對應的座標位置是否位於該些第一深度區域的其中之一，以產生一第一深度特徵資料；以及利用該第一深度特徵資料作為訓練資料，以產生該假陽 性濾除模型。
  6. 如請求項1所述的多視角乳房影像分析方法，其中，偵測並輸出該些熱圖對應的該病灶位置，更包含：利用一第三門檻值判斷該些熱圖的其中之一是否具有一乳房異常區域，如果該些熱圖的其中之一具有該乳房異常區域，標記該乳房異常區域對應的座標位置。
  7. 如請求項6所述的多視角乳房影像分析方法，其中，將該乳房異常區域對應的座標位置映射至對應的乳房影像中以產生該病灶位置。
  8. 如請求項6所述的多視角乳房影像分析方法，更包含：偵測該些乳房影像分別對應的一第三邊界以及一第四邊界，其中，該第三邊界包含複數個第三像素；分別計算該些第三像素對應的曲率，並將具有最大曲率值的第三像素標記為一乳房特徵位置；計算該乳房特徵位置到該第四邊界的一第二距離，利用該第二距離將對應的乳房影像分為複數個第二深度區域；判斷該乳房異常區域對應的座標位置是否位於該些第二深度區域的其中之一，以產生一第二深度特徵資料；以及 將該些熱圖以及該些熱圖對應的該第二深度特徵資料輸入該假陽性濾除模型，判斷該些熱圖是否具有該假陽性特徵，以產生對應於該些熱圖的該異常機率值。
  9. 一種多視角乳房影像分析系統，包含：一儲存裝置，用以儲存複數個訓練影像以及複數個乳房影像，其中該些乳房影像為同一時間拍攝的至少一左側乳房影像和至少一右側乳房影像、同一時間拍攝的複數個左側乳房影像、不同時間拍攝的該些左側乳房影像，同一時間拍攝的複數個右側乳房影像，或不同時間拍攝的該些右側乳房影像；一處理器，與該儲存裝置電性連接，該處理器包含：一異常分析元件，用以利用一病徵辨識模型判斷該些乳房影像是否具有對應的異常狀態，產生該些乳房影像對應的複數個熱圖；一假陽性分析元件，與該異常分析元件電性連接，用以利用一假陽性濾除模型判斷該些熱圖是否具有一假陽性特徵，以產生對應於該些熱圖的一異常機率值；以及一異常位置分析元件，與該假陽性分析元件電性連接，用以利用一第一門檻值判斷該異常機率值，如果該異常機率值大於該第一門檻值，偵測並輸出該些熱圖對應的一病灶位置。
  10. 如請求項9所述的多視角乳房影像分析系 統，更包含：一病徵辨識模型建立元件，與該異常分析元件電性連接，用以輸入複數個訓練影像區塊，其中，從該些訓練影像中擷取該些訓練影像區塊，該些訓練影像區塊分別對應至一標記結果；以及利用該些訓練影像區塊以及該些訓練影像區塊對應的該標記結果作為訓練資料，以產生該病徵辨識模型。
  11. 如請求項10所述的多視角乳房影像分析系統，更包含：一假陽性濾除模型建立元件，與該病徵辨識模型建立元件以及該假陽性分析元件電性連接，用以將該些訓練影像輸入該病徵辨識模型以產生複數個訓練熱圖，其中該些訓練熱圖包含一異常標記；以及利用該些訓練熱圖以及該些訓練熱圖對應的該異常標記作為訓練資料，以產生該假陽性濾除模型。
  12. 如請求項11所述的多視角乳房影像分析系統，其中，該假陽性濾除模型建立元件更用以利用一第二門檻值判斷該些訓練熱圖的其中之一是否具有一異常區域，如果該些訓練熱圖的其中之一具有該異常區域，標記該異常區域對應的座標位置。
  13. 如請求項12所述的多視角乳房影像分析系統，更包含： 一深度資料訓練元件，與該病徵辨識模型建立元件以及該假陽性濾除模型建立元件電性連接，用以偵測該些訓練影像分別對應的一第一邊界以及一第二邊界，其中，該第一邊界包含複數個第一像素；分別計算該些第一像素對應的曲率，並將具有最大曲率值的該些第一像素標記為一特徵位置；計算該特徵位置到該第二邊界的一第一距離，利用該第一距離將對應的訓練影像分為複數個第一深度區域；判斷該異常區域對應的座標位置是否位於該些第一深度區域的其中之一，以產生一第一深度特徵資料；以及利用該第一深度特徵資料作為訓練資料，以產生該假陽性濾除模型。
  14. 如請求項9所述的多視角乳房影像分析系統，其中，該異常位置分析元件更用以利用一第三門檻值判斷該些熱圖的其中之一是否具有一乳房異常區域，如果該些熱圖的其中之一具有該乳房異常區域，標記該乳房異常區域對應的座標位置。
  15. 如請求項14所述的多視角乳房影像分析系統，其中，將該乳房異常區域對應的座標位置映射至對應的乳房影像中以產生該病灶位置。
  16. 如請求項14所述的多視角乳房影像分析系統，其中，該異常位置分析元件更用以偵測該些乳房影像分別對應的一第三邊界以及一第四邊界，其中，該第三邊 界包含複數個第三像素；分別計算該些第三像素對應的曲率，並將具有最大曲率值的第三像素標記為一乳房特徵位置；計算該乳房特徵位置到該第四邊界的一第二距離，利用該第二距離將對應的乳房影像分為複數個第二深度區域；判斷該乳房異常區域對應的座標位置是否位於該些第二深度區域的其中之一，以產生一第二深度特徵資料；以及將該些熱圖以及該些熱圖對應的該第二深度特徵資料輸入該假陽性濾除模型，判斷該些熱圖是否具有該假陽性特徵，以產生對應於該些熱圖的該異常機率值。
  17. 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多視角乳房影像分析方法，其包含：輸入複數個乳房影像，其中該些乳房影像為同一時間拍攝的至少一左側乳房影像和至少一右側乳房影像、同一時間拍攝的複數個左側乳房影像、不同時間拍攝的該些左側乳房影像，同一時間拍攝的複數個右側乳房影像，或不同時間拍攝的該些右側乳房影像；利用一病徵辨識模型判斷該些乳房影像是否具有對應的異常狀態，產生該些乳房影像對應的複數個熱圖；利用一假陽性濾除模型判斷該些熱圖是否具有一假陽性特徵，以產生對應於該些熱圖的一異常機率值；以及利用一第一門檻值判斷該異常機率值，如果該異常機率值大於該第一門檻值，偵測並輸出該些熱圖對應的一病灶位置。
TW108125726A 2019-07-19 2019-07-19 多視角乳房影像分析方法、多視角乳房影像分析系統及非暫態電腦可讀取媒體 TWI707663B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW108125726A TWI707663B (zh) 2019-07-19 2019-07-19 多視角乳房影像分析方法、多視角乳房影像分析系統及非暫態電腦可讀取媒體
CN201910753226.1A CN112241947B (zh) 2019-07-19 2019-08-15 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
US16/662,049 US11145056B2 (en) 2019-07-19 2019-10-24 Multi-view mammogram analysis method, multi-view mammogram analysis system, and non-transitory computer-readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108125726A TWI707663B (zh) 2019-07-19 2019-07-19 多視角乳房影像分析方法、多視角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
TWI707663B true TWI707663B (zh) 2020-10-21
TW202103630A TW202103630A (zh) 2021-02-01

Family

ID=74091789

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108125726A TWI707663B (zh) 2019-07-19 2019-07-19 多視角乳房影像分析方法、多視角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) US11145056B2 (zh)
CN (1) CN112241947B (zh)
TW (1) TWI707663B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866908B (zh) * 2019-11-12 2021-03-26 腾讯科技（深圳）有限公司 图像处理方法、装置、服务器及存储介质
JP7314091B2 (ja) * 2020-03-31 2023-07-25 富士フイルム株式会社 情報処理装置、情報処理方法、及び情報処理プログラム
US11710231B2 (en) * 2020-08-31 2023-07-25 Ping An Technology (Shenzhen) Co., Ltd. Method and apparatus for mammographic multi-view mass identification
TWI790689B (zh) * 2021-07-21 2023-01-21 財團法人資訊工業策進會 乳房斷層影像處理方法與電子裝置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886514A (zh) * 2017-11-22 2018-04-06 浙江中医药大学 基于深度残差网络的乳腺钼靶图像肿块语义分割方法
EP3480730A1 (en) * 2017-11-02 2019-05-08 Siemens Healthcare GmbH 3d anisotropic hybrid network: transferring convolutional features from 2d images to 3d anisotropic volumes

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6553356B1 (en) 1999-12-23 2003-04-22 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Multi-view computer-assisted diagnosis
US7646902B2 (en) * 2005-02-08 2010-01-12 Regents Of The University Of Michigan Computerized detection of breast cancer on digital tomosynthesis mammograms
TWI587844B (zh) * 2016-01-28 2017-06-21 太豪生醫股份有限公司 醫療影像處理裝置及其乳房影像處理方法
CN106446911B (zh) * 2016-09-13 2018-09-18 李志刚 一种基于图像边缘线弯曲度和距离特征的人手识别方法
US10140709B2 (en) 2017-02-27 2018-11-27 International Business Machines Corporation Automatic detection and semantic description of lesions using a convolutional neural network
CN106940816B (zh) * 2017-03-22 2020-06-09 杭州健培科技有限公司 基于3d全卷积神经网络的ct图像肺结节检测系统
CN107730507A (zh) * 2017-08-23 2018-02-23 成都信息工程大学 一种基于深度学习的病变区域自动分割方法
CN108389190B (zh) * 2018-02-08 2022-12-16 贵州联科卫信科技有限公司 一种基于深度学习方法的肺结节自动检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3480730A1 (en) * 2017-11-02 2019-05-08 Siemens Healthcare GmbH 3d anisotropic hybrid network: transferring convolutional features from 2d images to 3d anisotropic volumes
CN107886514A (zh) * 2017-11-22 2018-04-06 浙江中医药大学 基于深度残差网络的乳腺钼靶图像肿块语义分割方法

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 *

Also Published As

Publication number Publication date
TW202103630A (zh) 2021-02-01
US11145056B2 (en) 2021-10-12
US20210019880A1 (en) 2021-01-21
CN112241947A (zh) 2021-01-19
CN112241947B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
TWI707663B (zh) 多視角乳房影像分析方法、多視角乳房影像分析系統及非暫態電腦可讀取媒體
Cheng et al. Superpixel classification based optic disc and optic cup segmentation for glaucoma screening
WO2022063198A1 (zh) 一种肺部图像处理方法、装置及设备
JP5683888B2 (ja) 画像処理装置、画像処理方法、および画像処理プログラム
KR102519515B1 (ko) 정보 처리 장치, 정보 처리 방법, 컴퓨터 프로그램
CN104794721B (zh) 一种基于多尺度斑点检测的快速视盘定位方法
CN103310457B (zh) 一种基于抛物线修正凸包的肺实质分割方法
CN111160291B (zh) 基于深度信息与cnn的人眼检测方法
Wu et al. Hemorrhage detection in fundus image based on 2D Gaussian fitting and human visual characteristics
CN113436734B (zh) 基于人脸结构定位的牙齿健康评估方法、设备和存储介质
WO2017203701A1 (ja) 画像処理装置、画像処理装置の作動方法及び画像処理装置の作動プログラム
Cheng et al. Superpixel classification based optic cup segmentation
CN114155202A (zh) 基于特征融合和迁移学习的甲状腺结节超声图像分类方法
TWI587844B (zh) 醫療影像處理裝置及其乳房影像處理方法
CN110634132A (zh) 基于深度学习的3d ct影像自动生成肺结核量化诊断报告的方法
CN118334273B (zh) 一种主动脉窦管交界平面自动提取方法、装置及存储介质
CN111222371A (zh) 舌下静脉特征提取装置及方法
Hassan et al. Skin lesion segmentation using gray level co-occurance matrix
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
CN109447948B (zh) 一种基于病灶彩色视网膜眼底图像的视盘分割方法
CN116309780A (zh) 一种基于目标检测的水尺水位识别方法
CN111292299A (zh) 一种乳腺肿瘤识别方法、装置及存储介质
Wang et al. Detection of quality visualization of appendiceal orifices using local edge cross-section profile features and near pause detection
JP2005198890A (ja) 異常陰影判定方法、異常陰影判定装置およびそのプログラム
CN109948706A (zh) 结合深度学习与特征多尺度融合的微钙化簇检测方法