CN101103924A - 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其*** - Google Patents

Abstract

本发明公开了一个基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其***。本发明首先给***输入一待诊断的乳腺x线摄片，通过感兴趣区域提取模块、可疑肿块区域分割模块和可疑肿块区域的特征提取模块的处理，得到有关于可疑肿块区域的一系列相关特征值，然后将特征值输入已训练的分类器对可疑肿块区域进行分类识别，最后将计算机自动检测的最终可疑肿块区域的分割结果定位在输入的待诊断的乳腺x线摄片上，并将计算得到的区域相关特征值根据需要显示给放射科医师，从而提示放射科医师需要重点关注的区域和区域相关重点参数。本发明能在一定程度上提高放射科医师对乳腺癌诊断的准确性和效率，更客观有效地辅助放射科医师提出诊断意见和治疗方案。

Description

基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其***

技术领域

本发明属于医学图像的计算机分析技术的应用领域，具体涉及一种基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其***。

背景技术

乳腺癌是中老年女性最常见的恶性肿瘤之一，在中国已居女性恶性肿瘤的首位，并且有逐年上升的趋势。目前对乳腺癌的预防尚无良策，早期诊断是降低发病率和死亡率及提高乳腺癌治愈率的最有效途径。研究表明，乳腺x线摄片(乳腺钼靶x射线技术)是一种有效的进行早期临床无症状乳腺癌的检查方法，已被美国食品药品管理局(Food and Drug Administrator，FDA)认可的常规乳腺疾病普查方法。

受成像原理限制，在乳腺x线摄片中高密度的正常乳腺组织也会呈现与异常组织相近的高亮度，对于乳腺组织较致密的年轻亚洲女性其病灶则更加不易被发现，容易造成漏诊和误诊，并且乳腺癌的早期诊断很大程度上依赖于放射科医师的经验、专业能力、疲劳程度，主观因素影响较大，尤其在乳腺疾病的普查活动中，难以保证诊断的效率及准确性。

乳腺癌的计算机辅助诊断(computer-aided diagnosis，CAD)方法及其***结合了计算机强大的计算能力于乳腺x线摄片的自动分析中，有效的提供给放射科医师有价值的“第二意见”，在减轻诊断工作量、提高诊断效率和客观性方面有难以比拟的优势。T.W.Freer等的研究结果表明，临床中乳腺癌计算机辅助诊断方法及其***的使用，明显提高了早期恶性肿瘤的检测率(具体参见T.W.Freer，et al.″Screening Mammography withComputer-aided Detection：Prospective Study of 12,860 Patients in aCommunity Breast Center，″Radiology，220(3)：781-786(2001).)。正因如此，乳腺癌的计算机辅助诊断方法及其***正逐渐被世界范围内的医疗机构接受并应用到临床实践中。

通常，乳腺癌计算机辅助诊断方法及其***包括乳腺肿块的辅助诊断和微小钙化灶的辅助诊断(具体参见David Gur.，Bin Zheng，Yuan HsiangChang，Computerized detection of masses and microcalcifications in digitalmammograms，United States Patent No.5,627,907)。辅助诊断是通过计算机对乳腺图像进行自动地分析和处理，标识出图像中可疑肿块或可疑微小钙化灶的病变区域，并获取已标别可疑肿块或可疑微小钙化灶区域的一系列相关特征参数，根据需要返回显示给放射科医师，提供辅助其诊断的参考意见。目前，计算机辅助诊断方法及其***在微小钙化灶可疑区域检测方面具有高灵敏度和低假阳性率的特点，已经被放射科医师接受和采用(具体参见R.F.Brem，J.W.Hoffmeister，G.Zisman，et al.“A computer-aided detectionsystem for evaluation of breast cancer by mammographic appearance and lesionsize，”AJR，Am.J.Roentgenol 184：893-896(2005))，但在乳腺肿块辅助诊断中的检测效果很低，不被放射科医师信赖。所以，如何设计一个乳腺癌计算机辅助诊断方法及其***对乳腺x线摄片中可疑的乳腺癌肿块区域进行准确定位，并且提取系列有效的区域相关特征参数，准确地和有效地辅助医生进行乳腺癌诊断成为我们研究的焦点。

发明内容

本发明的目的在于提供基于乳腺x线摄片的乳腺癌计算机辅助诊断方法，该方法提供给放射科医师诊断的参考意见，有助于提高乳腺癌肿块定位和诊断的效率和精准度；本发明还提供了实现该方法的***。

本发明提供的基于乳腺x线摄片的乳腺癌计算机辅助诊断方法，其步骤包括：

步骤(1)输入一幅待诊断的乳腺x线摄片；

步骤(2)在输入的乳腺x线摄片上提取感兴趣区域，得到初始可疑肿块区域位置；

步骤(3)在感兴趣区域内分割出可疑肿块，确定可疑肿块的边界；

步骤(4)计算已分割的可疑肿块区域的相关特征值；

步骤(5)将计算得到的特征值输入分类器中，对初始可疑肿块区域进行分析，确定最终可疑肿块区域；

步骤(6)将最终可疑肿块区域的分割结果定位在步骤(1)中输入的待诊断的乳腺x线摄片上，并将步骤(4)中计算得到的肿块区域的特征值，根据需要显示给用户。

本发明提供的基于乳腺x线摄片的乳腺癌计算机辅助诊断***，包括输入模块、感兴趣区域提取模块、可疑肿块分割模块、可疑肿块区域特征提取模块、分类诊断模块和输出模块；

输入模块用于接收用户输入的待诊断的乳腺x线摄片，并传送给感兴趣区域提取模块；

感兴趣区域提取模块用于提取输入的乳腺x线摄片中的感兴趣区域，得到初始可疑肿块区域位置信息，并传送给可疑肿块分割模块；

可疑肿块分割模块用于将感兴趣区域提取模块提取的感兴趣区域中的可疑肿块分割出来，得到可疑肿块的边界信息，并传送给可疑肿块区域特征提取模块；

可疑肿块区域特征提取模块根据接收的可疑肿块的边界信息，计算得到相关特征值，并传送给分类诊断模块；

分类诊断模块用于将计算得到的每个可疑肿块区域的特征值输入分类器中，对初始可疑肿块区域进行计算机自动分类识别，确定最终可疑肿块区域，并将结果传送给输出模块，由输出模块将检测的最终肿块区域的分割结果定位在输入的待诊断的乳腺x线摄片上，并将计算得到的区域相关特征值根据需要显示给用户。

本发明首先给***输入一待诊断的乳腺x线摄片，通过感兴趣区域提取、可疑肿块分割和可疑肿块区域(包含可疑肿块的区域)的特征提取，得到可疑肿块的一系列相关特征值，然后将特征值输入分类器对初始可疑肿块区域进行分类诊断，最后将计算机自动检测的最终可疑肿块区域的分割结果定位在输入的待诊断的乳腺x线摄片上，并将计算得到的系列相关特征值根据需要显示给用户。总之，本发明方法通过一个基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其***自动地对可疑乳腺肿块进行检测，提供可疑肿块位置和形状，并根据需要提供可疑肿块的一系列相关特征参数，从而提示放射科医师需要重点关注的区域和区域相关重点参数，在一定程度上提高了放射科医师对乳腺癌诊断的准确性和效率。

附图说明

图1为本发明基于乳腺x线摄片的乳腺癌计算机辅助诊断方法的流程图；

图2为本发明基于乳腺x线摄片的乳腺癌计算机辅助诊断***的结构示意图；

图3为本发明实施例中获取候选边界点的过程示意图；

图4为本发明实施例对可疑肿块区域抽取的特征列表；

图5为本发明实施例分类器训练过程示意图。

具体实施方式

下面结合附图和实例对本发明作进一步详细的说明。

如图1所示，本发明方法包括以下步骤：

(1)输入一幅待诊断的乳腺x线摄片。

(2)在输入的乳腺x线摄片上提取感兴趣区域，得到初始可疑肿块区域位置。

对整幅图像进行分析，不仅存在大量冗余信息，还容易引入错误。为了提高处理的速度和准确性，需要将处理对象从整幅图像缩小到若干小区域，即感兴趣区域，这些感兴趣区域的位置也是后续处理的初始可疑肿块区域位置。

对于感兴趣区域提取已有研究采用左右两幅***图像对比方法(具体参见F.F.Yin，M.L.Giger，Doi Kunio，and et al.“Computerized detection of massesin digital mammograms：analysis of bilateral subtraction images，”MedicalPhysics，18：955-963(1991).)，高斯型的拉普拉斯(Laplacian of Gaussian，LoG)方法，高斯函数的差(Difference of Gaussian，DoG)方法(具体参见B.Zheng，Y.H.Chang，D.Gu.“Computerized detection of masses in digitizedmammograms using single-image segmentation and a multilayer topographicfeature analysis，”Acad.Radiol.，2：959-966(1995).)等。

考虑到肿块具有高亮度、近似于圆形以及由于和周围组织的灰度差异而产生的对比度等特征，本发明方法采用模板匹配方法定位感兴趣区域，即初始可疑肿块区域。具体实现如下：

(2.1)利用二维双曲正割(sech)函数得到模板T，计算上述输入乳腺x线摄片与模板T的相关度，得到相关度图像；

采用二维双曲正割(sech)函数生成大小为(2L+1)×(2L+1)的模板T

$\mathrm{sech}(x,y)=\frac{2\×\mathrm{\α}}{e^{-\mathrm{\β}(x^2+y^2)}+e^{\mathrm{\β}\×(x^2+y^2)}}---\left(1\right)$

其中，以模板中心为原点，x，y表示模板中的横、纵坐标，取值范围分别是[-L，L]，L为正整数。α＝输入乳腺x线摄片最大灰度级-1，β＝ln(2×α)/L×L。

将模板T在输入的乳腺x线摄片上逐像素点移动，利用公式(2)计算模板T与模板T覆盖的子图像S的相关度cor(T，S)

$\mathrm{cor}(T,S)=\frac{{\mathrm{\μ}}_{\mathrm{st}}-{\mathrm{\μ}}_s{\mathrm{\μ}}_t}{{\mathrm{\σ}}_s\×{\mathrm{\σ}}_t}---\left(2\right)$

其中，μ_st为子图像S和模板T对应像素灰度乘积的平均值，μ_t和μ_s为模板T和子图像S内像素灰度的平均值，σ_t和σ_s为模板T和子图像S内像素灰度的方差值。应用这样的方法，输入乳腺x线摄片中每个像素点都会计算得到一个与模板T有关的相关度数值，相关度数值范围为[-1，1]。之后对所有相关度进行标定，得到相关度图像。其中，对小于0的相关度将其置为0；否则，用相关度数值乘以输入乳腺x线摄片最大灰度级。

(2.2)利用选取阈值对上述相关度图像进行二值化处理，在二值化相关度图像中提取所有连通区域并确定每个连通区域的中心；

选取一个合适阈值T_low，将步骤(2.1)得到的相关度图像进行二值化处理，即若相关度图像某一个像素点的相关度数值小于T_low，则将该点赋值为0，否则赋为1。在相关度二值化图像中，提取出若干个连通区域。对于每一个连通区域，取步骤(2.1)得到的相关度图像中对应区域内具有最大相关度的点作为该连通区域的中心。

(2.3)以步骤(2.1)所述定义模板方法重新定义与步骤(2.1)中模板大小不同的模板，对步骤(2.2)提取的每个连通区域进行多尺度分析；

按步骤(2.1)中所述定义模板方法，依照原模板尺寸2L+1的200％，33％，66％，重新定义得到3个模板。对于步骤(2.2)提取的每个连通区域，将各尺度模板中心移到连通区域的中心在原始输入乳腺x线摄片上的位置，分别计算各尺度模板与原始输入乳腺x线摄片图像中相应子图像的相关度，将计算得到的3个相关度与步骤(2.1)得到的相关度中的最大值作为该连通区域的最终相关度，选取一个合适阈值T_high(T_high大于T_low)，将最终相关度小于T_high的连通区域作为假阳性区域(计算机认为的非肿块区域)排除。

(2.4)利用面积和形状规则对步骤(2.3)处理后剩余连通区域进行筛选；

对于经过步骤(2.3)多尺度分析方法中未被排除的连通区域，采用简单的面积及形状规则进一步筛选。一般情况下面积较小(通常为5-30个像素大小)的连通区域，常常对应的是乳腺钙化灶，而长条形的区域常常对应的是正常的腺体组织，将满足这两种情况的连通区域作为假阳性区域排除。

(2.5)感兴趣区域提取；

经过步骤(2.4)的区域筛选，对保留下来的连通区域，以其几何中心为中心，在原始输入乳腺图像中截取(通常为125×125像素大小)正方形，提取的此正方形区域即感兴趣区域或称为初始可疑肿块区域。

(3)在步骤(2)提取的感兴趣区域中分割出可疑肿块，确定可疑肿块的边界。

在提取出感兴趣区域后，需要对感兴趣区域中包含的可疑肿块进行分割，准确确定其边界。

对于可疑肿块分割已有研究采用多层地形区域生长(具体参见B.Zheng，Y.H.Chang，D.Gu.“Computerized detection of masses in digitizedmammograms using single-image segmentation and a multilayer topographicfeature analysis，”Acad.Radiol.，2：959-966(1995).)，活动轮廓模型(具体参见N.Karssemeijer，Segmentation of suspicious densities in digital mammograms，Med.Phys，vol.28：259-266(2001).)，基于多分辨率分析的分割(具体参见Liu，C.Babbs，and E.Delp，“Multiresolution Detection of Spiculated Lesions inDigital Mammograms，”IEEE Transactions on Image Processing，10(6)：874 884(2001).)、基于模糊熵的阈值分割(具体参见S.Amr R.Abdel-Dayem，Mahmoud R.El-Sakka，“Fuzzy entropy based detection of suspicious masses indigital mammogram，”Images Proceedings of the 2005 IEEE Engineering inMedicine and Biology 27th Annual Conference，4017-4022(September，2005).)等。

本发明方法采用一种基于图像梯度和动态规划方法的分割方法。具体实现如下：

(3.1)利用感兴趣区域图像的梯度相关特征，确定可疑肿块边界上的候选边界点；

如图3中左图所示，对于步骤(2)中得到一个感兴趣区域和一个给定的灰度阈值Thres₁，可将该感兴趣区域做二值化处理。在二值化后的感兴趣区域中使用边界追踪法得到对应的轮廓线1；采用阈值Thres₂，重复上述过程，将得到轮廓线2；......采用阈值Thres_i，重复上述过程，将得到轮廓线I；......采用阈值Thres_n，重复上述过程，将得到轮廓线N。选用多个阈值，得到多个轮廓线(轮廓线组)，轮廓线的密集程度与图像梯度相关，轮廓线密集处图像梯度较大，轮廓线稀疏处图像梯度较小。

以感兴趣区域中心为端点，从零度角开始，以等角度间隔按逆时针方向向外依次引R条射线，求得各条射线与轮廓线组的交点。若在同一射线上两个相邻交点间的欧氏距离小于D_min，则称这两个交点连通。对存在大于S_min个连通的点集，以它们的中心作为一个候选边界点代表此连通点集。在一条射线上，可能有多个候选边界点，也可能没有候选边界点。图3中右图为在原始感兴趣区域中标记的候选边界点。

(3.2)由步骤(3.1)中得到的各条射线上的候选边界点得到多条候选边界线，利用动态规划方法选择其中最优的候选边界线，即确定可疑肿块边界线；

理想情况下，若步骤(3.1)中的各条射线上有且仅有一个候选边界点，则顺次连接各条射线上的候选边界点，将组成唯一的候选边界线，即可疑肿块边界线。但实际情况下，一条射线上可能有多个候选边界点，每次在每条射线上选取一个候选边界点，顺次连接各条射线上选取的候选边界点组成一条候选边界线，以此可以组成多条候选边界线，根据实际边界线会通过图像灰度值变化大(即图像梯度值大)的位置并且具有一定的光滑性的特点，本发明方法利用动态规划方法，并设定代价函数确定各条候选边界线的代价，在所有候选边界线中选择一个最优代价的候选边界线作为最终的可疑肿块边界线。具体实现如下：

设候选边界线S：{n₁，n₂，…n_R}，变量n_i表示在第i条射线上选取的候选边界点。若第i条射线没有候选边界点，则根据第i-1条和第i+1条射线上的候选边界点与感兴趣区域中心间的距离进行插值得到。候选边界线S的代价函数C为候选边界线上所有候选边界点对应的局部代价之和，即：

$C=\underset{i=1}{\overset{R}{\mathrm{\Σ}}}C\left(n_i\right)---\left(3\right)$

局部代价C(n_i)由内部代价C_int(n_i)和外部代价C_ext(n_i)组成：

C(n_i)＝αC_int(n_i)+C_ext(n_i)             (4)

其中α为常量，用于调节边界线的光滑程度。

内部代价C_int(n_i)定义为候选边界点n_i和n_i-1间的规范化距离：

$C_{\mathrm{int}}\left(n_i\right)=\frac{2\mathrm{dist}(n_i,n_{i-1})}{\mathrm{dist}(O,n_i)+\mathrm{dist}(O,n_{i-1})}---\left(5\right)$

其中dist(n_i，n_i-1)、dist(O，n_i)、dist(O，n_i-1)分别表示候选边界点n_i和n_i-1、感兴趣中心O与n_i、感兴趣中心O与n_i-1的距离，规范化距离越小，即候选边界线越光滑，代价也越小。

外部代价C_ext(n_i)定义为候选边界点n_i处的连通点个数，一个候选点所代表的连通点越多，表明此处的梯度越大，越有可能是真实边界点。

C_ext(n_i)＝-(n_i处的连通点个数)             (6)

根据上述代价函数得到各条候选边界线的代价，采用动态规划在所有候选边界线中确定一个最优的候选边界线作为最终的可疑肿块边界线。

(4)对已分割的可疑肿块计算其系列相关特征值，选用的特征一般可分为几何特征、形态学特征、灰度特征以及纹理特征等几类。

选择的特征值应该遵循以下几个特点：

①可识别性：不同类对象的特征值有明显差异；

②可靠性：同类对象应用相似的特征值；

③独立性：特征值之间不应有强相关性；

根据以上规则，共提取可疑肿块区域的25个特征，具体描述见图4列表。

(5)将计算得到的特征值输入分类器中，对初始可疑肿块区域进行计算机自动分析，确定最终可疑肿块区域。

可疑肿块分类是乳腺肿块自动检测的最后一个阶段。对分割出边界的可疑肿块抽取出反映肿块特性的特征值之后，运用分类器判定该可疑肿块为阳性(计算机认为的真肿块区域)或假阳性。分类器的选择及设计很大程度上决定了肿块检测的准确性。分类是模式识别理论的重要组成部分，通常可以采用线性分类、启发式规则、统计分类、模糊分类、人工神经网络等方法将特征进行分类。本发明方法采用一种改进的k近邻法对步骤(4)中提取特征进行分类。

k近邻法的基本规则是：在全部样本(除测试样本)中找出k个与测试样本特征向量距离最近(或最相似)的样本，由这些样本进行投票表决，将测试样本归入样本投票数最多的类别中。本发明方法采用的k近邻法分类器首先对特征向量相似度函数和决策函数(decision index，简称DI)进行了定义。

①相似度函数的定义

测试样本Y_Q的特征向量记为V(Y_Q)，样本X除测试样本)的特征向量记为V(X)，则定义相似度函数为两特征向量间欧几里德距离平方的倒数，即

$\mathrm{Sim}(Y_Q,X)=\frac{1}{{\left|\right|V\left(Y_Q\right)-V\left(X\right)\left|\right|}^2}---\left(7\right)$

②决策函数的定义

在对测试样本Y_Q进行决策时，原则上特征向量与之距离越近的样本参与决策的影响应该越大，而在原始的k近邻法分类器中，简单的投票法难以体现这种向量距离差异的影响，本发明方法对决策函数按照距离加权进行定义。下述以决策测试样本为肿块类和正常类两类为例。

用相似度由大到小排列的前k个样本，如公式(8)所示计算测试样本Y_Q的决策值。在与测试样本Y_Q最近的前k个样本中，肿块类记为Mass，其样本个数为M，正常类记为Norm，其样本个数为N，Sim(Y_Q，X)是①中定义的测试样本Y_Q与样本X的相似度，Rnk(X)代表样本X在相似度排列中的次序，X_j ^Mass表示第j个肿块类样本，j的取值范围为[1，M]，X_l ^Norm表示第l个正常类样本，l的取值范围为[1，N]。

$\mathrm{DI}\left(Y_Q\right)=\frac{{\mathrm{\Σ}}_{j=1}^M\{\mathrm{Sim}(Y_Q,X_j^{\mathrm{Mass}})\×(K+1-\mathrm{Rnk}\left(X_j^{\mathrm{Mass}}\right))\}}{{\mathrm{\Σ}}_{j=1}^M\{\mathrm{Sim}(Y_Q,X_j^{\mathrm{Mass}})\×(K+1-\mathrm{Rnk}\left(X_j^{\mathrm{Mass}}\right))\}+{\mathrm{\Σ}}_{l=1}^N\{\mathrm{Sim}(Y_Q,X_l^{\mathrm{Norm}})\×(K+1-\mathrm{Rnk}\left(X_l^{\mathrm{Norm}}\right))\}}---\left(8\right)$

这种决策值计算方法既如简单投票法一样考虑到了与测试样本临近样本的类别，又考虑到了它们与测试样本相似度的次序，实验证明这种决策函数优于原始k近邻决策函数的计算方法。

对于分类器的运用，首先要用训练数据对其进行训练，得到适用于具体问题的分类器参数，分类器训练过程包括收集分类器训练数据和获取分类器参数两个步骤，如图5所示：

(5.1)收集分类器训练数据；

首先输入一组已知诊断结果的乳腺x线摄片，应用上述感兴趣区域提取、可疑肿块区域分割，和可疑肿块区域的特征提取中步骤的处理，得到可疑肿块的分割结果及一系列相关特征值，至此完成分类器训练数据的收集。

(5.2)获取分类器参数；

用计算得到的可疑肿块的相关特征值及该可疑肿块的实际诊断结果训练已设计的分类器，得到分类参数，写入分类器参数文件，至此完成分类器的训练过程。

(6)将最终可疑肿块区域的分割结果定位在步骤(1)中输入的待诊断的乳腺x线摄片上，并将步骤(4)中计算得到的肿块区域的特征值，根据需要显示给用户。

如图2所示，本发明辅助诊断***包括输入模块100、感兴趣区域提取模块200、可疑肿块分割模块300、可疑肿块区域特征提取模块400、分类诊断模块500和输出模块600。

输入模块100用于接收用户输入的待诊断的乳腺x线摄片，并传送给感兴趣区域提取模块200。

感兴趣区域提取模块200提取输入的乳腺x线摄片中的感兴趣区域，按照上述步骤(2)所述的步骤得到初始可疑肿块区域位置信息，传送给可疑肿块分割模块300。

可疑肿块分割模块300按照上述步骤(3)所述的过程，将感兴趣区域提取模块200提取的感兴趣区域中的可疑肿块分割出来，得到可疑肿块的边界信息，传送给可疑肿块区域特征提取模块400。

可疑肿块区域特征提取模块400根据接收的可疑肿块的边界信息，计算得到一系列区域相关特征值，如几何特征、形态学特征、灰度特征以及纹理特征等几类，并传送给分类诊断模块500。

分类诊断模块500将计算得到的每个可疑肿块区域的特征值输入分类器中，对初始可疑肿块区域进行计算机自动分类识别，确定最终可疑肿块区域，并将结果传送给输出模块600，由输出模块600将计算机自动检测的最终肿块区域的分割结果定位在输入的待诊断的乳腺x线摄片上，并将计算得到的区域相关特征值根据需要显示给用户。

实例：

本发明提出的基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其***中涉及到若干参数，这些参数要针对具体处理的数据特点进行综合调节设定以达到整体***的良好性能，此处列出针对本发明处理数据集合而设定的参数：

步骤(2.1)利用二维双曲正割(sech)函数得到的初始模板大小相关参数L＝25；

步骤(2.2)对相关度图像进行二值化处理选取的阈值T_low＝0.5×输入乳腺x线摄片最大灰度级；

步骤(2.3)多尺度分析中选取的阈值T_high＝0.6×输入乳腺x线摄片最大灰度级；

步骤(3.1)以感兴趣区域中心为端点，从零度角开始，以等角度间隔按逆时针方向向外依次引R＝64条射线，求得各条射线与轮廓线组的交点。若在同一射线上两个相邻交点间的欧氏距离小于D_min＝3，则称这两个交点连通。对存在大于S_min＝10个连通的点集；

步骤(3.2)局部代价C(n_i)由内部代价C_int(n_i)和外部代价C_ext(n_i)组成：

C(n_i)＝αC_int(n_i)+C_ext(n_i)

其中用于调节边界线的光滑程度的常量参数α＝110。

本发明方法通过一个基于乳腺x线摄片的乳腺癌计算机辅助诊断***自动地对乳腺x线摄片中可疑乳腺肿块区域进行分析和处理，提供肿块位置和肿块形状，并根据需要提供区域相关的一系列特征参数，从而提示放射科医师需要重点关注的区域和区域相关重点参数，在一定程度上提高了放射科医师对乳腺癌诊断的准确性和效率。本发明的实现并不局限于上述实例所公开的范围，可以采用不同于上述实例的方式实现上述技术方案。

Claims (5)

1.一种基于乳腺x线摄片的乳腺癌计算机辅助诊断方法，其步骤包括：

步骤(1)输入一幅待诊断的乳腺x线摄片；

步骤(2)在输入的乳腺x线摄片上提取感兴趣区域，得到初始可疑肿块区域位置；

步骤(3)在感兴趣区域内分割出可疑肿块，确定可疑肿块的边界；

步骤(4)计算已分割的可疑肿块区域的相关特征值；

步骤(5)将计算得到的特征值输入分类器中，对初始可疑肿块区域进行分析，确定最终可疑肿块区域；

步骤(6)将最终可疑肿块区域的分割结果定位在步骤(1)中输入的待诊断的乳腺x线摄片上，并将步骤(4)中计算得到的肿块区域的特征值，根据需要显示给用户。

2.根据权利要求1所述的方法，其特征在于：步骤(2)包括以下过程：

步骤(2.1)利用二维双曲正割函数得到模板，计算上述输入乳腺x线摄片与该模板的相关度，得到相关度图像；

步骤(2.2)相关度图像某一个像素点的相关度数值小于选取阈值，则将该点赋值为0，否则赋为1；在二值化相关度图像中提取所有连通区域，并提取步骤(2.1)得到的相关度图像中对应区域内具有最大相关度的点作为该连通区域的中心；

步骤(2.3)利用二维双曲正割函数得到与步骤(2.1)中模板大小不同的模板；对于步骤(2.2)提取的每个连通区域，将各尺度模板中心移到连通区域的中心在原始输入乳腺x线摄片上的位置，分别计算各尺度模板与原始输入乳腺x线摄片图像中相应子图像的相关度，将计算得到的所有相关度中的最大值作为该连通区域的最终相关度，选取一个阈值将最终相关度小于阈值的连通区域作为假阳性区域排除；

步骤(2.4)对于步骤(2.3)中未被排除的连通区域，再排除5-30个像素大小的连通区域和长条形的连通区域；

步骤(2.5)经过(2.4)的区域筛选，对保留下来的连通区域，以其几何中心为中心，在原始输入乳腺图像中截取正方形，提取的此正方形区域即感兴趣区域或称为初始可疑肿块区域。

3.根据权利要求1或2所述的方法，其特征在于：步骤(3)按照下述步骤在感兴趣区域中分割可疑肿块：

步骤(3.1)获取感兴趣区域图像的梯度特性相关的轮廓线组，之后以感兴趣区域中心为端点，从零度角开始，以等角度间隔按逆时针方向向外依次引若干条射线，求得各条射线与轮廓线组的交点，以此获取每条射线上的边界候选点；

步骤(3.2)由(3.1)中得到的各条射线上的候选边界点得到多条候选边界线，再选择其中最优的候选边界线作为可疑肿块边界线。

4.根据权利要求1、2或3所述的方法，其特征在于：步骤(5)中的分类器采用下述方法对原始k近邻法中的特征向量相似度函数和决策函数进行再定义：

测试样本Y_Q的特征向量记为V(Y_Q)，除测试样本外的样本X的特征向量记为V(X)，则定义相似度函数为两特征向量间欧几里德距离平方的倒数，即

$\mathrm{Sim}(Y_Q,X)=\frac{1}{{\left|\right|V\left(Y_Q\right)-V\left(X\right)\left|\right|}^2}$

用相似度由大到小排列的前k个样本，采用下式计算测试样本Y_Q的决策值，其中，在与测试样本Y_Q最近的前k个样本中，肿块类记为Mass，其样本个数为M，正常类记为Norm，其样本个数为N，Sim(Y_Q，X)是①中定义的测试样本Y_Q与样本X的相似度，Rnk(X)代表样本X在相似度排列中的次序，X_j ^Mass表示第j个肿块类样本，j的取值范围为[1，M]，X_l ^Norm表示第l个正常类样本，l的取值范围为[1，N]，则

$\mathrm{DI}\left(Y_Q\right)=\frac{{\mathrm{\Σ}}_{j=1}^M\{\mathrm{Sim}(Y_Q,x_j^{\mathrm{Mass}})\×(K+1-\mathrm{Rnk}\left(X_j^{\mathrm{Mass}}\right))\}}{{\mathrm{\Σ}}_{j=1}^M\{\mathrm{Sim}(Y_Q,X_j^{\mathrm{Mass}})\×(K+1-\mathrm{Rnk}\left(X_j^{\mathrm{Mass}}\right)\}+{\mathrm{\Σ}}_{l=1}^N\{\mathrm{Sim}(Y_Q,X_l^{\mathrm{Norm}})\×(K+1-\mathrm{Rnk}\left(X_l^{\mathrm{Norm}}\right)\}}.$

5.一种基于乳腺x线摄片的乳腺癌计算机辅助诊断***，包括输入模块(100)、感兴趣区域提取模块(200)、可疑肿块分割模块(300)、可疑肿块区域特征提取模块(400)、分类诊断模块(500)和输出模块(600)；

输入模块(100)用于接收用户输入的待诊断的乳腺x线摄片，并传送给感兴趣区域提取模块(200)；

感兴趣区域提取模块(200)用于提取输入的乳腺x线摄片中的感兴趣区域，得到初始可疑肿块区域位置信息，并传送给可疑肿块分割模块(300)；

可疑肿块分割模块(300)用于将感兴趣区域提取模块(200)提取的感兴趣区域中的可疑肿块分割出来，得到可疑肿块的边界信息，并传送给可疑肿块区域特征提取模块(400)；

可疑肿块区域特征提取模块(400)根据接收的可疑肿块的边界信息，计算得到相关特征值，并传送给分类诊断模块(500)；

分类诊断模块(500)用于将计算得到的每个可疑肿块区域的特征值输入分类器中，对初始可疑肿块区域进行计算机自动分类识别，确定最终可疑肿块区域，并将结果传送给输出模块(600)，由输出模块(600)将检测的最终肿块区域的分割结果定位在输入的待诊断的乳腺x线摄片上，并将计算得到的区域相关特征值根据需要显示给用户。

Images