CN101976303A - 一种乳腺肿块、钙化良恶自动识别及定量化影像评价*** - Google Patents
一种乳腺肿块、钙化良恶自动识别及定量化影像评价*** Download PDFInfo
- Publication number
- CN101976303A CN101976303A CN2010105149211A CN201010514921A CN101976303A CN 101976303 A CN101976303 A CN 101976303A CN 2010105149211 A CN2010105149211 A CN 2010105149211A CN 201010514921 A CN201010514921 A CN 201010514921A CN 101976303 A CN101976303 A CN 101976303A
- Authority
- CN
- China
- Prior art keywords
- calcification
- breast
- lump
- clinical
- parameter
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 206010006272 Breast mass Diseases 0.000 title claims description 8
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 210000000481 breast Anatomy 0.000 claims abstract description 27
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910052750 molybdenum Inorganic materials 0.000 claims abstract description 24
- 239000011733 molybdenum Substances 0.000 claims abstract description 24
- 208000026310 Breast neoplasm Diseases 0.000 claims abstract description 18
- 238000009792 diffusion process Methods 0.000 claims abstract description 18
- 230000005311 nuclear magnetism Effects 0.000 claims abstract description 10
- 206010006187 Breast cancer Diseases 0.000 claims abstract description 9
- 238000013499 data model Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 210000002445 nipple Anatomy 0.000 claims abstract description 4
- 230000002308 calcification Effects 0.000 claims description 60
- 239000004576 sand Substances 0.000 claims description 20
- 210000005075 mammary gland Anatomy 0.000 claims description 18
- 230000000505 pernicious effect Effects 0.000 claims description 16
- 230000001575 pathological effect Effects 0.000 claims description 11
- 238000011002 quantification Methods 0.000 claims description 11
- 230000012010 growth Effects 0.000 claims description 9
- 230000007170 pathology Effects 0.000 claims description 9
- 230000004614 tumor growth Effects 0.000 claims description 9
- 206010006223 Breast discharge Diseases 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000001574 biopsy Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000003705 background correction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 230000003902 lesion Effects 0.000 abstract description 9
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 238000005056 compaction Methods 0.000 abstract 1
- 208000004434 Calcinosis Diseases 0.000 description 44
- 238000003759 clinical diagnosis Methods 0.000 description 13
- 230000004069 differentiation Effects 0.000 description 9
- 201000011510 cancer Diseases 0.000 description 5
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003211 malignant effect Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 208000004396 mastitis Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010048782 Breast calcifications Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000030270 breast disease Diseases 0.000 description 1
- 201000010983 breast ductal carcinoma Diseases 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种乳腺病变定量化影像评价(CAD)***及其应用方法。该***采用分形技术、图形分析等影像数据提取挖掘手段以及数理建模算法,并结合临床数据建立了乳腺病变生长扩散的非线性数据模型,应用于肿瘤医学影像分析及肿瘤病情的危险率评估。所述非线性数据模型包含了乳腺肿瘤生长扩散形态特征参数、钙化形态特征参数以及乳腺外观形貌的特征的局限性不对称致密比较、***回缩、皮肤增厚、结构扭曲等临床参数。本发明的乳腺病变定量化影像评价***,为全图形界面,可导入钼靶、核磁、超声影像数据,操作方便快捷(一键操作)。通过该CAD***,可计算出乳腺钼靶片(核磁、超声)病变的良恶性预测数值以及肿瘤分级预测值,其结果可应用于乳腺影像辅助诊断和乳腺摄片筛查。
Description
技术领域
本发明属于乳腺病的医疗诊断器械,特别是涉及一种乳腺肿块、钙化良恶自动识别及定量化影像(钼靶、超声、核磁)评价***,包含影像数据分割提取和基于临床病理数据影像数据的数理建模;本发明***适用于一般性的临床辅助诊断和普查。
背景技术
乳腺影像学检查,特别是乳腺钼靶摄片为乳腺肿瘤的诊断、分期、疗效评价的判断提供重要依据,已应用于乳腺普查。遗憾的是在当前临床诊断中,常规影像诊断仅仅局限于肿瘤尺度大小及简单形状因子的测量和一些定性评估,即使是某些能使用国外图像处理软件Image-Pro Plus进行手动计算的医生或医务科研人员,由于各自对图片的处理水平不同,甚至同一人不同操作次数,得到的结果差异较大。
随着医学图像定量分析技术的不断提高,在肿瘤的基础研究中也需要通过图像定量分析来评价不同肿瘤类别的生长与扩散特征。特别是分形概念被更多的研究者接受,如肿瘤边界几何分形维对评价肿瘤在生长扩散过程中与其周边组织的营养交流和开放程度十分重要;而复杂分形维则可以揭露肿物内部生长裂变的重要信息如异质性等。这一技术的应用已经显示出其独到的价值。分形技术以及相关的图形分析手段逐渐被应用到多种肿瘤医学影像分析及肿瘤病情的危险率评估中来,并取得了一些对肿瘤基础理论研究及临床诊断有重要参考价值的结果。从分形数学和非线性物理的角度来看,肿瘤内部癌细胞子代的***、演变可由复杂分形表征,肿瘤边界轮廓的分形维数是表征肿瘤生长扩散后的边界轮廓的复杂性。
良恶性肿瘤存在不同的扩散与生长方式。本发明考查乳腺肿瘤生长扩散参数,如边界轮廓分形维、肿瘤内部的复杂分形维、异质性及包块化程度等,并综合乳腺病变钙化特征,及临床特征性征象,提供一种简洁有效的实用性肿瘤影像量化评估方法,计算出肿瘤良恶性预测数值,供临床参考。
发明内容
本发明的目的在于克服现有乳腺钼靶片(核磁、超声)影像诊断缺乏定量化评价指标的问题,提供一种乳腺病变定量化影像辅助诊断评价***,该定量化影像评价***可对乳腺钼靶片(核磁、超声)图像进行定量化分析,提供乳腺病变良恶性预测值。本发明计算机辅助诊断(CAD)***对肿块、钙化的识别采用一键式操作,方便快捷,对同一图片的操作计算结果,不会因人而异。
本发明采用的技术方案如下:
一种乳腺病变定量化影像评价***,其采用分形技术以及图形分析手段应用于肿瘤医学影像分析及肿瘤病情的危险率评估中,建立并采用了乳腺病变细胞生长扩散的非线性数据模型,所述非线性数据模型包含了乳腺肿瘤生长扩散形态特征参数、钙化形态特征参数以及临床参数。
上述技术方案中,肿瘤生长扩散形态特征参数的权重比为0.1~1.0,钙化形态特征参数的权重比为0.001~1.0;临床病理分级参数的权重比为0.1~1.0。
所述肿瘤生长扩散形态特征参数主要包括肿瘤复杂分形MF、肿瘤边界几何分形维DF;临床参数包括病人的年龄Y、***溢液U、乳腺病史及哺育史V。
所述钙化形态特征参数主要包括钙化斑点的钙化密度P、钙化斑点的最小外接矩形框测度S、沙粒钙化斑比例NS。
所述临床参数主要包括病人年龄y、病情的临床诊断分级YC。
本发明所述非线性数据模型包括多因素线性拟合回归数学建模,通过对肿瘤生长扩散形态特征参数和临床参数进行不同权重分析,筛选出最能符合临床病情数据的肿物分级判断回归方程(1):
YE=a*DF+b*MF+c*y+d*P+e*H (1)
其中a、b、c、d、e为回归权重系数,YE是预测性病理分级。
结合临床参数对MF、DF做如下修正,得到如下拟合方程(2)和(3):
Mmul=y*MF+f,(2)
Fsimp=y*DF+g,(3)
其中,Mmul是经修正后的复杂分形维;Fsimp是经修正后的边界分形维;y是年龄修正系数,f、g是用本CAD计算的大量经手术活检图片数据回归分析得到的参数,y是病人年龄参数。
得到基于经手术活检得到的良恶阈值数据与临床影像形态数据的拟合方程(4)和逻辑方程(5):
P=Nghb/S;(4)
E=Mmul|Fsimp|y*P&Ns;(5)
其中,NS为沙粒钙化斑比例;P是钙化斑的钙化密度;E为预测性病理良恶。
本发明CAD***具体操作包括如下步骤:
(1)对临床乳腺钼靶(核磁、超声)摄片进行预处理,统一图像为灰8度,统一扣除背景和背景补偿,统一滤除皮肤边缘假钙化、假肿块,自动方式获取乳腺钼靶(核磁、超声)摄片的病灶区/感兴趣区;
(2)计算经预处理后的感兴趣区的肿瘤生长扩散形态特征参数,肿物参数包括肿物与正常组织之间的边界的几何分形维DF、肿块内部的复杂分形MF、肿物内部的异质性H、肿块等效直径D;钙化特征参数主要包括钙化斑点的钙化密度P、钙化斑点的最小外接矩形框测度S、沙粒钙化斑比例NS;以及乳腺外观形貌的特征的局限性不对称致密比较、***回缩、皮肤增厚、结构扭曲等乳腺外观形貌影像参数;
(3)引入包括病人的年龄y、***溢液U、乳腺病例史V 临床参数,并结合提取的病灶影像特征参数和乳腺外观形貌影像参数,基于所建的数理模型计算,给出预测性病情分期分析和良恶性判断。
本发明CAD***具有如下有益效果:
本发明的乳腺病变定量化影像评价***,为全图形界面;可导入钼靶、核磁、超声影像数据且操作方便(一键操作);乳腺病变生长扩散的非线形数据模型,包含了乳腺肿瘤生长扩散定量参数、钙化参数以及临床参数。在数理建模中,本发明采用了具有学习功能的人工智能编程技术,可以通过结合临床结果定期对新增病例筛选,进一步提高本发明CAD***的判断精度。
本发明计算出乳腺钼靶片(包括核磁共振及超声影像)病变的良恶性预测数值,不仅可应用于乳腺疾病影像临床辅助诊断,也可用于基于钼靶影像的乳腺摄片普查。
附图说明
图1A、图1B及图1C分别为实施例的钼靶片自动识别肿块示例图。
图2A及图2B分别为单纯性钙化钼靶图。
图3A及图3B分别为超声片识别肿块实施例示例图。
图4A及图4B分别为核磁共振MRI片识别肿块示例图。
具体实施方式
下面通过实施例对本发明做进一步的说明。
其中实施例1~9,涉及到操作具体步骤(1)~(3)方案的应用内容,引用各图做辅助性说明。实施例1为肿块加钙化斑复合类型钼靶图像分析;实施例2为单纯性钙化斑钼靶图像分析;实施例3和4为钼靶图像分析;实施例6和7为超声图像分析;实施例8和9为核磁共振图像分析。
实施例1
病人A;年龄:80岁;临床诊断:无***溢液恶性乳腺癌2级
使用CAD***,自动获取乳腺钼靶摄片的良性及恶性肿瘤感兴趣区。图1A、图1B和图1C分别是钼靶片自动识别肿块示例图,图中左图是原始钼靶片,其中红色曲线包围的区域是CAD自动识别出的恶性肿块,与左图拼在一起的中间图是放大的钙化区域截图,右图是CAD自动提取的钙化斑,黄色矩形框是钙化区域的外接矩形框。当无黄色矩形框自动出现,表明图像中无钙化斑(如图1C),一旦黄色矩形框自动出现,表明有微钙化斑的存在,即使黄色矩形框中观察不到明显的钙化斑(如图1B),说明出现了一个像素尺度附近的极细小的沙粒钙化斑被本CAD***捕获,但太细小而不能被肉眼察觉。所挖掘提取的全部影像参数值位于CAD***图形界面底部区域,根据内建模型得出的评价参考位于CAD***图形界面底部右下角区域。
根据CAD计算得到图1A中的肿块参数:分形维DF=1.2033,异质性H=0.3762,多重分形维MF=0.0909,钙化参数:钙化密度P=0.0914,钙化斑个数N=7,沙粒钙化斑Ns=9.324%。
根据分级判断回归方程(1):YE=a*DF+b*MF+c*y+d*P+e*H,根据肿瘤良恶判别逻辑方程(5):E=Mmul|Fsimp|y*P&Ns,联合分析判别。基于上述CAD***的自动分析判断,图1A被CAD判断为恶性右乳腺癌2级,影像评价结果与病理结果相符。
实施例2
病人B;年龄:75岁;临床诊断:有***溢液恶性乳腺癌3级
使用CAD***,自动获取乳腺钼靶摄片的良性及恶性肿瘤感兴趣区。所处理的图形类似实施例1中所述的图1A。左图是原钼靶片,中间是CAD自动识别的恶性钙化斑的放大图,黄色矩形框是钙化斑最小外接矩形框。所挖掘提取的全部影像参数值位于CAD***图形界面底部区域,根据内建模型得出的评价参考位于CAD***图形界面底部右下角区域。
根据CAD计算得到图1B中的肿块参数:分形维DF=1.2459,异质性H=0.4735,多重分形维MF=0.1364,钙化参数:钙化密度P=0.0378,钙化斑个数N=14,沙粒钙化斑Ns=12.066%
根据分级判断回归方程(1):YE=a*DF+b*MF+c*y+d*P+e*H,根据肿瘤良恶判别逻辑方程(5):E=Mmul|Fsimp|y*P&Ns,联合分析判别。基于上述CAD***的自动分析判断,图1B被CAD判断为恶性右乳腺癌3级,影像评价结果与病理结果相符。
实施例3
病人C;年龄:44岁;临床诊断:有触疼乳腺炎
根据CAD计算得到图1C中的肿块参数:分形维DF=0,异质性H=0,多重分形维MF=0,钙化参数:钙化密度P=0,钙化斑个数N=0,沙粒钙化斑Ns=0,
由于CAD检查结果是没有肿块以及钙化斑,故计算结果全是0,判断结果为未发现恶性肿块及钙化,与临床诊断相符(乳腺炎只是常见一般乳腺病)
根据分级判断回归方程(1):YE=a*DF+b*MF+c*y+d*P+e*H,根据肿瘤良恶判别逻辑方程(5):E=Mmul|Fsimp|y*P&Ns,联合分析判别。基于上述CAD***的自动分析判断,图1C被CAD判断为未发现恶性肿块及钙化,影像评价结果与病理结果相符。
实施例4
病人D;年龄:33岁;临床诊断:右乳***溢液,导管癌
根据CAD计算得到图2A中的肿块参数:分形维DF=0,异质性H=0,多重分形维MF=0,钙化参数:钙化密度P=0.0901,钙化斑个数N=30,沙粒钙化斑Ns=8.894%,
由于CAD检查结果是没有肿块,故肿块计算结果全是0,仅以钙化数据判断。
根据分级判断回归方程(1):YE=a*DF+b*MF+c*y+d*P+e*H,根据肿瘤良恶判别逻辑方程(5):E=Mmul|Fsimp|y*P&Ns,联合分析判别。基于上述CAD***的自动分析判断,图2A被CAD判断为恶性右乳乳腺癌,影像评价结果与病理结果相符。
实施例5
病人D;年龄:33岁;临床诊断:左乳正常
根据CAD计算得到图2B中的肿块参数:分形维DF=0,异质性H=0,多重分形维MF=0,钙化参数:钙化密度P=0,钙化斑个数N=0,沙粒钙化斑Ns=0,
根据分级判断回归方程(1):YE=a*DF+b*MF+c*y+d*P+e*H,根据肿瘤良恶判别逻辑方程(5):E=Mmul|Fsimp|y*P&Ns,联合分析判别。基于上述CAD***的自动分析判断,图2B被CAD判断为左乳未发现恶性肿块及钙化,该例与实施例4为同一病人,该病人临床诊断结果为右乳导管癌恶性,左乳正常,影像评价结果与病理结果相符。
实施例6
病人E;年龄:46岁;临床诊断:乳腺癌,2级
根据CAD自动识别出肿块计算得到图3A中的肿块参数:分形维DF=1.1844,异质性H=0.8792,多重分形维MF=0.7812,钙化参数:钙化密度P=0,钙化斑个数N=0,沙粒钙化斑Ns=0。由于超声对微钙化检出不敏感,故超声图片只做肿块监测。
根据分级判断回归方程(1):YE=a*DF+b*MF+c*y+d*P+e*H ,根据肿瘤良恶判别逻辑程(5):E=Mmul|Fsimp|y*P&Ns,联合分析判别。基于上述CAD***的自动分析判断,图3A被CAD判断为恶性乳腺癌2级,影像评价结果与病理结果相符。
实施例7
病人F;年龄:53;临床诊断:良性肿瘤
根据CAD自动识别出肿块计算得到图3B中的肿块参数:分形维DF=1.1123,异质性H=0.7690,多重分形维MF=0.9711,钙化参数:钙化密度P=0,钙化斑个数N=0,沙粒钙化斑Ns=0。由于超声对微钙化检出不敏感,故超声图片只做肿块监测。
根据分级判断回归方程(1):YE=a*DF+b*MF+c*y+d*P+e*H,根据肿瘤良恶判别逻辑程(5):E=Mmul|Fsimp|y*P&Ns,联合分析判别。基于上述CAD***的自动分析判断,图3B被CAD判断为良性肿瘤,影像评价结果与病理结果相符。
实施例8
病人G;年龄:66;临床诊断:乳腺癌,恶性1级
根据CAD自动识别出肿块计算得到图4A中的肿块参数:分形维DF=1.1759,异质性H=0.8235,多重分形维MF=0.3496,钙化参数:钙化密度P=0,钙化斑个数N=0,沙粒钙化斑Ns=0,由于MRI对微钙化检出不敏感,故MRI图片只做肿块监测。
根据分级判断回归方程(1):YE=a*DF+b*MF+c*y+d*P+e*H,根据肿瘤良恶判别逻辑方程(5):E=Mmul|Fsimp|y*P&Ns,联合分析判别。基于上述CAD***的自动分析判断,图4A被CAD判断为恶性右乳乳腺癌,影像评价结果与病理结果相符。
实施例9
病人H;年龄:52岁;临床诊断:良性
根据CAD自动识别出肿块计算得到图4B中的肿块参数:分形维DF=1.1568,异质性H=0.8276,多重分形维MF=0.3612,钙化参数:钙化密度P=0,钙化斑个数N=0,沙粒钙化斑Ns=0,由于MRI对微钙化检出不敏感,故MRI图片只做肿块监测。
根据分级判断回归方程(1):YE=a*DF+b*MF +c*y+d*P+e*H,根据肿瘤良恶判别逻辑方程(5):E=Mmul|Fsimp|y*P&Ns,联合分析判别。基于上述CAD***的自动分析判断,图4B被CAD判断为良性乳腺病变,影像评价结果与病理结果相符。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,故凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明权利要求书所限定技术方案的范围内。
Claims (5)
1.一种乳腺肿块、钙化良恶自动识别及定量化影像评价***,其采用分形技术以及图形分析手段应用于肿瘤医学影像分析及肿瘤病情的危险率评估中,建立并采用了乳腺肿瘤病变生长扩散的非线性数据模型。所述非线性数据模型包含了乳腺肿瘤生长扩散形态特征的复杂分形维MF、肿块边界几何分形维DF、肿块内部异质性H、钙化形态特征参数P,以及临床参数y、***溢液U、乳腺病史及哺育史V。其特征在于:
所述肿瘤生长扩散形态特征参数的权重比为0.1~1.0;钙化形态特征参数的权重比为0.001~1.0;临床病理分级参数的权重比为0.1~1.0。所述肿瘤生长扩散形态特征参数包括肿块内部复杂分形MF、肿块边界几何分形维DF、肿块内部异质性H;所述肿瘤钙化形态特征参数P;所述临床参数包括病人的年龄y、***溢液U、乳腺病史及哺育史V。所述非线性数据模型包括多因素线性拟合回归数学建模,通过对肿瘤生长扩散形态特征参数和临床参数进行不同权重分析,筛选出最能符合临床病情数据的回归方程,得到基于临床病理分级YC与临床影像形态数据的乳腺肿物判断回归方程:
YE=a*DF+b*MF+c*y+d*P+e*H;(1)
其中a、b、c、d、e为回归权重系数,YE是预测性病理分级。对MF、DF做如下修正,
Mmul=y*MF+f (2)
Fsimp=y*DF+g, (3)
其中,Mmul是经修正后的复杂分形维;Fsimp是经修正后的边界分形维;y是年龄修正系数,f、g是选择经钼靶、MRI、超声设备相应经手术或活检证实的乳腺图片计算得到的统计分析对应数据。
2.根据权利要求1所述的乳腺肿块、钙化良恶自动识别及定量化影像评价***,其特征在于:所述肿块特征参数有反映肿物内部生长异质性的复杂分形维MF、反映肿物边界轮廓粗糙开放程度边界分形维DF、反映钙化形态特征密度分布参数P、沙粒钙化斑比例Ns、以及乳腺外观形貌的特征的局限性不对称致密比较、***回缩、皮肤增厚、结构扭曲等临床参数;所述钙化形态特征参数包括:钙化斑的钙化密度P、钙化斑个数Nghb和沙粒钙化斑比例NS;钙化斑最小直径和钙化平均直径的测度Dmin、Dmean,钙化斑分布的完整区域的最小外接矩形框测度S;通过对钙化形态特征参数和临床参数进行不同权重分析,筛选出最能符合临床病情数据的钙化斑判断拟合方程:
P=Nghb/S (4)。
3.根据权利要求2所述的乳腺肿块、钙化良恶自动识别及定量化影像评价***,其特征在于:所述肿块、钙化斑判断拟合方程是通过以下逻辑表达式来判断肿瘤的良恶:
E=Mmul|Fsimp|y*P&NS,(5)
其中,y是年龄修正系数,Mmul是经修正后的复杂分形维;Fsimp是经修正后的边界分形维;NS是沙粒钙化斑比例;P是钙化斑的钙化密度;E为预测性病理良恶。
4.一种乳腺肿块、钙化良恶自动识别及定量化影像评价***的应用方法,其特征在于包括如下步骤:
(1)对临床乳腺钼靶(核磁、超声)摄片进行预处理,统一图像为灰8度,统一扣除背景和背景补偿,统一滤除皮肤边缘假钙化、假肿块,自动方式获取乳腺钼靶(核磁、超声)摄片的病灶区/感兴趣区;
(2)计算经预处理后的感兴趣区的肿瘤生长扩散形态特征参数,肿物参数包括肿物与正常组织之间的边界的几何分形维DF、肿块内部的复杂分形MF、肿物内部的异质性H、肿块等效直径D;钙化特征参数主要包括钙化斑点的钙化密度P、钙化斑点的最小外接矩形框测度S、沙粒钙化斑比例NS;以及乳腺外观形貌的特征的局限性不对称致密比较、***回缩、皮肤增厚、结构扭曲等乳腺外观形貌影像参数;
(3)引入包括病人的年龄y、***溢液U、乳腺病例史V临床参数,并结合提取的病灶影像特征参数和乳腺外观形貌影像参数,基于所建的数理模型计算,给出预测性病情分期分析和良恶性判断。
5.根据权利要求4所述的乳腺肿块、钙化良恶自动识别及定量化影像评价***的应用方法,其特征在于:判断乳腺癌良恶的逻辑方程:
E=Mmul|Fsimp|y*P&NS
其中,y是年龄修正系数,Mmml是经修正后的复杂分形维;Fsimp是经修正后的边界分形维;NS是沙粒钙化斑比例;P是钙化斑的钙化密度;E为预测性病理良恶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010514921 CN101976303B (zh) | 2010-10-21 | 2010-10-21 | 一种乳腺肿块、钙化良恶自动识别及定量化影像评价*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010514921 CN101976303B (zh) | 2010-10-21 | 2010-10-21 | 一种乳腺肿块、钙化良恶自动识别及定量化影像评价*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101976303A true CN101976303A (zh) | 2011-02-16 |
CN101976303B CN101976303B (zh) | 2013-09-04 |
Family
ID=43576188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010514921 Expired - Fee Related CN101976303B (zh) | 2010-10-21 | 2010-10-21 | 一种乳腺肿块、钙化良恶自动识别及定量化影像评价*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101976303B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789536A (zh) * | 2011-05-20 | 2012-11-21 | 中国人民解放军第二军医大学 | 肝脏手术治疗风险无创评估模型的建立方法 |
CN106466188A (zh) * | 2015-08-20 | 2017-03-01 | 通用电气公司 | 用于发射断层显像定量的***和方法 |
CN107977956A (zh) * | 2017-11-17 | 2018-05-01 | 深圳蓝韵医学影像有限公司 | 检测x线图像组织区域的方法、装置及计算机存储介质 |
CN108577844A (zh) * | 2018-05-18 | 2018-09-28 | 北京先通康桥医药科技有限公司 | 基于压力分布数据的建立关系模型的方法及***、存储介质 |
CN110403576A (zh) * | 2019-08-01 | 2019-11-05 | 中国医学科学院北京协和医院 | 三维光声成像在乳腺肿瘤评分***中的应用 |
CN111275719A (zh) * | 2020-01-19 | 2020-06-12 | 北京推想科技有限公司 | 钙化假阳识别及其模型训练的方法、装置、终端及介质 |
CN114494263A (zh) * | 2022-04-19 | 2022-05-13 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 融合临床信息的医学影像病变检测方法、***及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040258310A1 (en) * | 2003-02-14 | 2004-12-23 | The University Of Chicago | Method and system for fractal-based analysis of medical image texture |
CN200984178Y (zh) * | 2006-08-31 | 2007-12-05 | 深圳市国基科技有限公司 | 数字乳腺多功能影像*** |
CN101234026A (zh) * | 2008-03-07 | 2008-08-06 | 李立 | 一种乳腺病变定量化影像评价***及其应用方法 |
-
2010
- 2010-10-21 CN CN 201010514921 patent/CN101976303B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040258310A1 (en) * | 2003-02-14 | 2004-12-23 | The University Of Chicago | Method and system for fractal-based analysis of medical image texture |
CN200984178Y (zh) * | 2006-08-31 | 2007-12-05 | 深圳市国基科技有限公司 | 数字乳腺多功能影像*** |
CN101234026A (zh) * | 2008-03-07 | 2008-08-06 | 李立 | 一种乳腺病变定量化影像评价***及其应用方法 |
Non-Patent Citations (2)
Title |
---|
李婵婵 等: "分形维参数和异质性参数在乳腺良恶性肿瘤钼靶图像分析鉴别诊断中的应用", 《肿瘤学杂志》 * |
李文英 等: "乳腺肿瘤血管影像评价方法", 《中国医学影像技术》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789536B (zh) * | 2011-05-20 | 2015-11-18 | 中国人民解放军第二军医大学 | 肝脏手术治疗风险无创评估模型的建立方法 |
CN102789536A (zh) * | 2011-05-20 | 2012-11-21 | 中国人民解放军第二军医大学 | 肝脏手术治疗风险无创评估模型的建立方法 |
CN106466188B (zh) * | 2015-08-20 | 2020-03-17 | 通用电气公司 | 用于发射断层显像定量的***和方法 |
CN106466188A (zh) * | 2015-08-20 | 2017-03-01 | 通用电气公司 | 用于发射断层显像定量的***和方法 |
CN107977956A (zh) * | 2017-11-17 | 2018-05-01 | 深圳蓝韵医学影像有限公司 | 检测x线图像组织区域的方法、装置及计算机存储介质 |
CN107977956B (zh) * | 2017-11-17 | 2021-10-29 | 深圳蓝韵医学影像有限公司 | 检测x线图像组织区域的方法、装置及计算机存储介质 |
CN108577844A (zh) * | 2018-05-18 | 2018-09-28 | 北京先通康桥医药科技有限公司 | 基于压力分布数据的建立关系模型的方法及***、存储介质 |
CN110403576A (zh) * | 2019-08-01 | 2019-11-05 | 中国医学科学院北京协和医院 | 三维光声成像在乳腺肿瘤评分***中的应用 |
CN110403576B (zh) * | 2019-08-01 | 2024-01-30 | 中国医学科学院北京协和医院 | 三维光声成像在乳腺肿瘤评分***中的应用 |
CN111275719A (zh) * | 2020-01-19 | 2020-06-12 | 北京推想科技有限公司 | 钙化假阳识别及其模型训练的方法、装置、终端及介质 |
CN111275719B (zh) * | 2020-01-19 | 2023-04-07 | 推想医疗科技股份有限公司 | 钙化假阳识别及其模型训练的方法、装置、终端及介质 |
CN114494263A (zh) * | 2022-04-19 | 2022-05-13 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 融合临床信息的医学影像病变检测方法、***及设备 |
CN114494263B (zh) * | 2022-04-19 | 2022-06-17 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 融合临床信息的医学影像病变检测方法、***及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN101976303B (zh) | 2013-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101976303B (zh) | 一种乳腺肿块、钙化良恶自动识别及定量化影像评价*** | |
Nagi et al. | Automated breast profile segmentation for ROI detection using digital mammograms | |
Nayak et al. | Computer-aided diagnosis of cirrhosis and hepatocellular carcinoma using multi-phase abdomen CT | |
Panigrahi et al. | Ultrasound image segmentation using a novel multi-scale Gaussian kernel fuzzy clustering and multi-scale vector field convolution | |
Wulandari et al. | Brain tumor segmentation to calculate percentage tumor using MRI | |
Kumar et al. | Texture Pattern Based Lung Nodule Detection (TPLND) Technique in CT Images | |
Anter et al. | Automatic computer aided segmentation for liver and hepatic lesions using hybrid segmentations techniques | |
Abhisheka et al. | A comprehensive review on breast cancer detection, classification and segmentation using deep learning | |
Tan et al. | Computer-assisted diagnosis of tuberculosis: a first order statistical approach to chest radiograph | |
CN104268873B (zh) | 基于核磁共振图像的乳腺肿瘤分割方法 | |
CN101234026B (zh) | 一种乳腺病变定量化影像评价*** | |
Duarte et al. | Evaluating geodesic active contours in microcalcifications segmentation on mammograms | |
Lewis et al. | Detection of breast tumor candidates using marker-controlled watershed segmentation and morphological analysis | |
Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
Deepa et al. | Efficient ROI segmentation of digital mammogram images using Otsu’s N thresholding method | |
Sahu et al. | A new hybrid approach using fuzzy clustering and morphological operations for lung segmentation in thoracic CT images | |
Anuradha et al. | Detection of oral tumor based on marker-controlled watershed algorithm | |
He et al. | Breast image pre-processing for mammographic tissue segmentation | |
Rajinikanth et al. | Thermogram assisted detection and analysis of ductal carcinoma in situ (DCIS) | |
Bandyopadhyay | Survey on segmentation methods for locating masses in a mammogram image | |
Kaur et al. | Computer-aided diagnosis of renal lesions in CT images: a comprehensive survey and future prospects | |
Nayak et al. | Automatic segmentation and breast density estimation for cancer detection using an efficient watershed algorithm | |
Wang et al. | Mammography visual enhancement in CAD-based breast cancer diagnosis | |
Mastouri et al. | A morphological operation-based approach for Sub-pleural lung nodule detection from CT images | |
Yap et al. | Fully automatic lesion boundary detection in ultrasound breast images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130904 Termination date: 20151021 |
|
EXPY | Termination of patent right or utility model |