CN102663410A - 一种乳腺图像微钙化点的检测方法和*** - Google Patents

Abstract

本申请提供了一种乳腺图像微钙化点的检测方法和***，其中所述***包括：采用高通滤波器对待识别图像进行高通滤波处理；将滤波后的图像进行正态归一化处理；提取正态归一化后的图像的特征向量，将所述特征向量输入自适应相关向量机分类器；自适应相关向量机分类器依据所述特征向量识别图像的微钙化点。本申请将自适应相关向量机分类器应用于乳腺图像微钙化点的检测，利用其良好的参数自适应优化能力，直接对模型参数进行增量优化，提高识别准确率和效率。

Description

一种乳腺图像微钙化点的检测方法和***

技术领域

本申请涉及医学影像自动分析处理技术领域，特别是涉及一种乳腺图像微钙化点的检测方法和***。

背景技术

乳腺癌是妇女最常见的恶性肿瘤之一，也是威胁妇女健康的第二大杀手。近年来我国乳腺癌发病率增长较快，准确诊断病变性质、早发现、早诊断，对降低乳腺癌的死亡率和提高生存率具有举足轻重的作用。现代影像学检查技术的进步和推广为此奠定了基础，其中乳腺X线检查是目前国内外乳腺专家公认的诊断乳腺癌准确率最高、应用最广泛的影像检查方法之一。但由于诊断医师可能受到经验不足和注意力不集中等主观因素，以及病变影像特征多样性的影响，乳腺X线诊断的正确率尚未达到令人满意的程度。

随着医学信息处理、模式识别、人工智能等技术的不断进步和医学影像设备数字化水平的提高，加速了计算机辅助检测(CAD)***的研究和临床应用。乳腺CAD***能够通过计算机对患者的医学影像资料进行分析，检测并定位出其中的可疑病灶，避免漏诊并帮助医生做出正确的诊断决策。

微钙化点和肿块是乳腺癌最常见的影像学特征，其中，微钙化点是早期临床隐匿性乳腺癌的典型临床表现，可以通过微钙化点的数目、大小、形状及分布形态来鉴别诊断乳腺癌的良性和恶性。因此，乳腺X线图像中微钙化点的计算机辅助检测对于临床早期乳腺癌的筛查和诊断具有重要的作用。

目前，微钙化点检测效果较好的方法主要有基于支持向量机或相关向量机的方法。其中，基于支持向量机的方法是将微钙化点的检测看作一个二分类的过程，利用训练图像训练好支持向量机来实现微钙化点的检测。该方法具有较高的识别精确性和鲁棒性，但是由于其支持向量数目较大，导致检测效率较低。基于相关向量机的微钙化点检测方法相对于基于支持向量机的检测方法来说，能够实现在较少的相关向量情况下对微钙化点进行检测。但是，该方法中的模型参数选取过程需要人工采用交叉验证的方法通过反复试验来实现优化，检测效率较低，不利于临床应用。

总之，需要本领域技术人员迫切解决的一个技术问题就是：如何能够提高乳腺图像微钙化点的识别准确率和检测效率。

发明内容

本申请所要解决的技术问题是提供一种乳腺图像微钙化点的检测方法和***，提高乳腺图像微钙化点的识别准确率和检测效率。

为了解决上述问题，本申请公开了一种乳腺图像微钙化点的检测方法，包括：

采用高通滤波器对待识别图像进行高通滤波处理；

将滤波后的图像进行正态归一化处理；

提取正态归一化后的图像的特征向量，将所述特征向量输入自适应相关向量机分类器；

自适应相关向量机分类器依据所述特征向量识别图像的微钙化点。

优选的，所述方法还包括：

将自适应相关向量机分类器识别后的结果图像进行面积滤波处理，去除图像的假阳性区；

将面积滤波处理后的图像中的微钙化点确定为待识别图像的微钙化点。

优选的，所述提取正态归一化后的图像的特征向量，将所述特征向量输入自适应相关向量机分类器包括以下子步骤：

将正态归一化后的图像划分为N×N块子图像；

分别计算每个子图像中各像素点的M×M邻域，并排列成M×M维行向量，所述M×M维行向量即为各像素点的特征向量；

将每个子图像中的各特征向量依次排列为特征向量矩阵，输入自适应相关向量机分类器；

其中，M为自然数，N为自然数。

优选的，所述自适应相关向量机分类器依据所述特征向量识别图像的微钙化点，包括以下子步骤：

自适应相关向量机分类器依据每个子图像的特征向量矩阵识别各子图像的微钙化点；

合并各子图像的识别结果，作为整幅待识别图像的微钙化点识别结果。

优选的，所述自适应相关向量机分类器为通过以下步骤训练获得的分类器：

采用高通滤波器对各个样本图像进行高通滤波处理；

将滤波后的图像进行正态归一化处理；

校正正态归一化后的图像中专家标识出的微钙化点中心坐标；

提取各个校正后的图像的样本特征向量，将其排列成样本特征矩阵；

依据所述样本特征矩阵对所述样本图像进行训练，得到自适应相关向量机分类器。

优选的，所述校正正态归一化后的图像中专家标识出的微钙化点中心坐标，包括以下子步骤：

采用方形结构元素对正态归一化后图像中专家标识出的微钙化点的M×M邻域图像进行线性滤波；

获取线性滤波后图像的最大峰值点，将所述最大峰值点作为校正后的微钙化点中心坐标。

另一方面，本申请还公开了一种乳腺图像微钙化点的检测***，包括：

滤波模块，用于采用高通滤波器对待识别图像进行高通滤波处理；

归一化模块，用于将滤波后的图像进行正态归一化处理；

提取模块，用于提取正态归一化后的图像的特征向量，将所述特征向量输入自适应相关向量机分类器；

识别模块，用于利用自适应相关向量机分类器依据所述特征向量识别图像的微钙化点。

优选的，所述***还包括：

面积滤波模块，用于将自适应相关向量机分类器识别后的结果图像进行面积滤波处理，去除图像的假阳性区；

确定模块，用于将面积滤波处理后的图像中的微钙化点确定为待识别图像的微钙化点。

优选的，所述提取模块包括以下子模块：

划分子模块，用于将正态归一化后的图像划分为N×N块子图像；

计算子模块，用于分别计算每个子图像中各像素点的M×M邻域，并排列成M×M维行向量，所述M×M维行向量即为各像素点的特征向量；

排列子模块，用于将每个子图像中的各特征向量依次排列为特征向量矩阵，输入自适应相关向量机分类器；

其中，M为自然数，N为自然数。

优选的，所述识别模块包括以下子模块：

识别子模块，用于利用自适应相关向量机分类器依据每个子图像的特征向量矩阵识别各子图像的微钙化点；

合并子模块，用于合并各子图像的识别结果，作为整幅待识别图像的微钙化点识别结果。

与现有技术相比，本申请包括以下优点：

本申请创新性地将自适应相关向量机分类器应用于乳腺图像微钙化点的检测，利用其良好的参数自适应优化能力，直接对模型参数进行增量优化，相比于其他同领域的方法具有更高的识别准确率和效率。

本申请无需对乳腺图像进行钙化点感兴趣区域的提取，直接对整幅图像进行微钙化点的检测，能有效减少假阳性率，提高检测的精度。应用于临床可以将医生从繁琐的阅片、分类工作中解脱出来，减轻其工作量，提高计算机辅助检测的自动化程度和速度。

附图说明

图1是本申请一种自适应相关向量机分类器训练方法实施例的流程图；

图2是本申请一种乳腺图像微钙化点的检测方法实施例的流程图；

图3是本申请一种乳腺图像微钙化点的检测***实施例的结构图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

本申请的核心构思之一在于，通过训练自适应相关向量机分类器，利用所述自适应相关向量机分类器对乳腺图像进行微钙化点检测。自适应相关向量机具有良好的参数自适应优化能力，可直接对模型参数进行增量优化，相比于其他同领域的方法具有更高的识别准确率和效率。此外，本发明无需对乳腺图像进行钙化点感兴趣区域的提取，直接对整幅图像进行微钙化点的检测即可，能有效减少假阳性率，提高检测的精度。

整个乳腺图像微钙化点的检测过程包括自适应相关向量机分类器训练过程和使用自适应相关向量机分类器进行微钙化点的识别过程。

参照图1，示出了本申请一种自适应相关向量机分类器训练方法实施例的流程图，所述自适应相关向量机分类器为通过以下步骤训练获得的分类器：

步骤101，采用高通滤波器对各个样本图像进行高通滤波处理；

通过对样本乳腺图像采用高通滤波器进行滤波，抑制背景噪声，增强钙化点目标和背景的对比度。

其中，所述高通滤波器为截止频率为ω_c、长度为l的有限脉冲响应滤波器。

步骤102，将滤波后的图像进行正态归一化处理；

因为乳腺图像为12比特灰度图像，各图像灰度变化范围不一致，因此对滤波后的图像归一化采用正态归一化方法。

所述将滤波后的图像进行正态归一化处理包括以下子步骤：

步骤1021，利用下式计算滤波后图像F(x，y)的灰度均值f：

$f=\frac{1}{N_f}\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{\Σ}}F(x,y);$

其中，N_f表示整幅图像像素点个数，Ω表示整幅图像像素点集合，(x，y)表示每个像素点的坐标。

步骤1022，利用下式计算滤波后图像F(x，y)的标准方差s：

$S={\left(\frac{1}{N_f}\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{\Σ}}{(F(x,y)-f)}^2\right)}^{\frac{1}{2}}$

其中，N_f表示整幅图像像素点个数，Ω表示整幅图像像素点集合，f表示图像灰度均值，(x，y)表示每个像素点的坐标。

步骤1023，通过以下公式计算滤波后图像F(x，y)中每个像素点的正态归一化值N(x，y)：

$N(x,y)=\frac{F(x,y)-f}{S}$

其中，f为图像灰度均值，s为图像的标准方差。

步骤103，校正正态归一化后的图像中专家标识出的微钙化点中心坐标；

在模型训练部分，为消除专家标识出的钙化点中心坐标与分类器判别出的钙化点中心坐标的不一致性，对正态归一化后的图像采用匹配模板校正专家标识出的钙化点中心坐标。

所述校正正态归一化后的图像中专家标识出的微钙化点中心坐标，包括以下子步骤：

步骤1031，采用方形结构元素对正态归一化后图像中专家标识出的微钙化点的M×M邻域图像进行线性滤波，M为自然数；

其中，所述方形结构元素为 $B=\frac{1}{96}\×\left[\begin{array}{ccccccc}1& 1& 1& 1& 1& 1& 1\\ 1& 2& 2& 2& 2& 2& 1\\ 1& 2& 4& 4& 4& 2& 1\\ 1& 2& 4& 8& 4& 2& 1\\ 1& 2& 4& 4& 4& 2& 1\\ 1& 2& 2& 2& 2& 2& 1\\ 1& 1& 1& 1& 1& 1& 1\end{array}\right]$

步骤1032，获取线性滤波后图像的最大峰值点，将所述最大峰值点作为校正后的微钙化点中心坐标。

步骤104，提取各个校正后的图像的样本特征向量，将其排列成样本特征矩阵；

其中，所述样本特征向量包括正样本特征向量和负样本特征向量。正样本特征向量由校正后的微钙化点中心坐标的M×M邻域图像组成，负样本特征向量由2倍于正样本个数的任意选取的且与微钙化点不重叠的M×M背景图像组成。每个样本特征向量为M×M图像矩阵排列成的一个M×M维行向量。

步骤105，依据所述样本特征矩阵对所述样本图像进行训练，得到自适应相关向量机分类器。

其中，自适应相关向量机采用的核函数为二阶多项式核函数

K(x，m_i)＝(x^Tm_i+1)²

其中，m_i为训练过程中由相关向量机自适应优化设定的核参数，x为所述样本特征矩阵。

采用样本特征矩阵进行训练，当自适应相关向量机中的边界似然率L连续10次的迭代结果的差值都小于设定的阈值0.001，且模型权值的个数连续10次没有变化时，得到训练好的自适应相关向量机分类器。

参照图2，示出了本申请一种乳腺图像微钙化点的检测方法实施例的流程图，所述方法包括：

步骤201，采用高通滤波器对待识别图像进行高通滤波处理；

所述高通滤波器为截止频率为ω_c、长度为l的有限脉冲响应滤波器。

步骤202，将滤波后的图像进行正态归一化处理，包括以下子步骤：

步骤2021，利用下式计算滤波后图像F(x，y)的灰度均值f：

$f=\frac{1}{N_f}\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{\Σ}}F(x,y);$

其中，N_f表示整幅图像像素点个数，Ω表示整幅图像像素点集合，(x，y)表示每个像素点的坐标。

步骤2022，利用下式计算滤波后图像F(x，y)的标准方差s：

$S={\left(\frac{1}{N_f}\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{\Σ}}{(F(x,y)-f)}^2\right)}^{\frac{1}{2}}$

其中，N_f表示整幅图像像素点个数，Ω表示整幅图像像素点集合，f表示图像灰度均值，(x，y)表示每个像素点的坐标。

步骤2023，通过以下公式计算滤波后图像F(x，y)中每个像素点的正态归一化值N(x，y)：

$N(x,y)=\frac{F(x,y)-f}{S}$

其中，f为图像灰度均值，s为图像的标准方差。

步骤203，提取正态归一化后的图像的特征向量，将所述特征向量输入自适应相关向量机分类器；

步骤204，自适应相关向量机分类器依据所述特征向量识别图像的微钙化点。

在本申请的一种优选实施例中，采用分块方法计算正态归一化后的待识别乳腺图像的特征向量，包括：

步骤2031，将正态归一化后的图像划分为N×N块子图像；

步骤2032，分别计算每个子图像中各像素点的M×M邻域，并排列成M×M维行向量，所述M×M维行向量即为各像素点的特征向量；

步骤2033，将每个子图像中的各特征向量依次排列为特征向量矩阵，输入自适应相关向量机分类器；

其中，M为自然数，N为自然数。

因此，所述自适应相关向量机分类器依据所述特征向量识别图像的微钙化点，还可以包括以下子步骤：

步骤2041，自适应相关向量机分类器依据每个子图像的特征向量矩阵识别各子图像的微钙化点；

步骤2042，合并各子图像的识别结果，作为整幅待识别图像的微钙化点识别结果。

优选的，本申请还可以在识别出图像的微钙化点之后，进一步对其进行处理。对识别结果图像进行面积滤波后处理，将处理后的认为是真实微钙化点的目标区标记到原始的乳腺图像上，完成对乳腺图像微钙化点的自动检测。

具体包括：

步骤205，将自适应相关向量机分类器识别后的结果图像进行面积滤波处理，去除图像的假阳性区；

在识别结果图像中，将面积小于2个像素的区域定义为图像的假阳性区，因此将其去除。

步骤206，将面积滤波处理后的图像中的微钙化点确定为待识别图像的微钙化点。

与前述方法实施例相应，本发明还公开了一种乳腺图像微钙化点的检测***，参照图3，具体可以包括：

滤波模块，用于采用高通滤波器对待识别图像进行高通滤波处理；

归一化模块，用于将滤波后的图像进行正态归一化处理；

提取模块，用于提取正态归一化后的图像的特征向量，将所述特征向量输入自适应相关向量机分类器；

识别模块，用于利用自适应相关向量机分类器依据所述特征向量识别图像的微钙化点。

优选的，所述***还包括：

面积滤波模块，用于将自适应相关向量机分类器识别后的结果图像进行面积滤波处理，去除图像的假阳性区；

确定模块，用于将面积滤波处理后的图像中的微钙化点确定为待识别图像的微钙化点。

其中，所述提取模块包括以下子模块：

划分子模块，用于将正态归一化后的图像划分为N×N块子图像；

计算子模块，用于分别计算每个子图像中各像素点的M×M邻域，并排列成M×M维行向量，所述M×M维行向量即为各像素点的特征向量；

排列子模块，用于将每个子图像中的各特征向量依次排列为特征向量矩阵，输入自适应相关向量机分类器；

其中，M为自然数，N为自然数。

所述识别模块包括以下子模块：

识别子模块，用于利用自适应相关向量机分类器依据每个子图像的特征向量矩阵识别各子图像的微钙化点；

合并子模块，用于合并各子图像的识别结果，作为整幅待识别图像的微钙化点识别结果。

对于***实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本申请所提供的一种乳腺图像微钙化点的检测方法和***，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种乳腺图像微钙化点的检测方法，其特征在于，包括：

采用高通滤波器对待识别图像进行高通滤波处理；

将滤波后的图像进行正态归一化处理；

提取正态归一化后的图像的特征向量，将所述特征向量输入自适应相关向量机分类器；

自适应相关向量机分类器依据所述特征向量识别图像的微钙化点。

2.根据权利要求1所述的方法，其特征在于，还包括：

将自适应相关向量机分类器识别后的结果图像进行面积滤波处理，去除图像的假阳性区；

将面积滤波处理后的图像中的微钙化点确定为待识别图像的微钙化点。

3.根据权利要求1所述的方法，其特征在于，所述提取正态归一化后的图像的特征向量，将所述特征向量输入自适应相关向量机分类器包括以下子步骤：

将正态归一化后的图像划分为N×N块子图像；

分别计算每个子图像中各像素点的M×M邻域，并排列成M×M维行向量，所述M×M维行向量即为各像素点的特征向量；

将每个子图像中的各特征向量依次排列为特征向量矩阵，输入自适应相关向量机分类器；

其中，M为自然数，N为自然数。

4.根据权利要求3所述的方法，其特征在于，所述自适应相关向量机分类器依据所述特征向量识别图像的微钙化点，包括以下子步骤：

自适应相关向量机分类器依据每个子图像的特征向量矩阵识别各子图像的微钙化点；

合并各子图像的识别结果，作为整幅待识别图像的微钙化点识别结果。

5.根据权利要求1所述的方法，其特征在于，所述自适应相关向量机分类器为通过以下步骤训练获得的分类器：

采用高通滤波器对各个样本图像进行高通滤波处理；

将滤波后的图像进行正态归一化处理；

校正正态归一化后的图像中专家标识出的微钙化点中心坐标；

提取各个校正后的图像的样本特征向量，将其排列成样本特征矩阵；

依据所述样本特征矩阵对所述样本图像进行训练，得到自适应相关向量机分类器。

6.根据权利要求5所述的方法，其特征在于，所述校正正态归一化后的图像中专家标识出的微钙化点中心坐标，包括以下子步骤：

采用方形结构元素对正态归一化后图像中专家标识出的微钙化点的M×M邻域图像进行线性滤波；

获取线性滤波后图像的最大峰值点，将所述最大峰值点作为校正后的微钙化点中心坐标。

7.一种乳腺图像微钙化点的检测***，其特征在于，包括：

滤波模块，用于采用高通滤波器对待识别图像进行高通滤波处理；

归一化模块，用于将滤波后的图像进行正态归一化处理；

提取模块，用于提取正态归一化后的图像的特征向量，将所述特征向量输入自适应相关向量机分类器；

识别模块，用于利用自适应相关向量机分类器依据所述特征向量识别图像的微钙化点。

8.根据权利要求7所述的***，其特征在于，还包括：

面积滤波模块，用于将自适应相关向量机分类器识别后的结果图像进行面积滤波处理，去除图像的假阳性区；

确定模块，用于将面积滤波处理后的图像中的微钙化点确定为待识别图像的微钙化点。

9.根据权利要求7所述的***，其特征在于，所述提取模块包括以下子模块：

划分子模块，用于将正态归一化后的图像划分为N×N块子图像；

计算子模块，用于分别计算每个子图像中各像素点的M×M邻域，并排列成M×M维行向量，所述M×M维行向量即为各像素点的特征向量；

排列子模块，用于将每个子图像中的各特征向量依次排列为特征向量矩阵，输入自适应相关向量机分类器；

其中，M为自然数，N为自然数。

10.根据权利要求9所述的***，其特征在于，所述识别模块包括以下子模块：

识别子模块，用于利用自适应相关向量机分类器依据每个子图像的特征向量矩阵识别各子图像的微钙化点；

合并子模块，用于合并各子图像的识别结果，作为整幅待识别图像的微钙化点识别结果。

Images