CN102934126A

CN102934126A - 放射摄影图像中的微钙化检测和分级

Info

Publication number: CN102934126A
Application number: CN2011800280219A
Authority: CN
Inventors: J·C·威内斯; J·P·莫纳科; D·S·哈丁; J·H·派克; A·T·霍; L·M·哈纳菲
Original assignee: Vucomp Inc
Current assignee: Vucomp Inc
Priority date: 2010-04-30
Filing date: 2011-04-29
Publication date: 2013-02-13
Also published as: WO2011137407A1; EP2564353A1; US20130208956A1; JP6077993B2; JP2013525010A; EP2564352A1; CN102893294A; CA2797266A1; CA2797238A1; US9262822B2; US20130051676A1; WO2011137411A1; US8958625B1; JP2013525011A; US20110274327A1; CA2797240A1; EP2564357A1; JP5801379B2; US20130202165A1; WO2011137410A1

Abstract

提供了数字化图像的分析。重复地卷积该数字化图像以形成第一卷积图像，第二次卷积该第一卷积图像以形成第二卷积图像。每个第一卷积图像和相应的第二卷积图像表示一个阶段，并且每个阶段表示异常的不同的尺度和大小。作为一个实例，第一卷积可以利用高斯卷积器并且第二卷积可以利用拉普拉斯卷积器，但是可以使用其他卷积器。由峰值检测器将来自当前阶段的第二卷积图像和来自前一阶段的第一卷积图像与从来自当前阶段的第二卷积图像所确定的邻居中值一起使用，以检测该具体尺度的峰值或可能的异常。

Description

放射摄影图像中的微钙化检测和分级

相关申请的交叉引用

本申请要求2010年5月2日递交的美国临时申请序列号61/343,609，2010年5月2日递交的美国临时申请序列号61/343,608，2010年5月2日递交的美国临时申请序列号61/343,552，2010年4月30日递交的美国临时申请序列号61/343,557，2010年5月6日递交的美国临时申请序列号61/395,029，2010年6月25日递交的美国临时申请序列号61/398,571，2010年7月7日递交的美国临时申请序列号61/399,094，2010年7月28日递交的美国临时申请序列号61/400,573的优先权，通过参考将全部所述申请并入本文。

技术领域

本文的公开整体涉及放射摄影图像中的类微钙化标志的计算机辅助检测和分级，并且更具体而言涉及用于微钙化候选项的分级***和方法。

背景技术

放射线学者使用放射摄影图像，如***X线照片，来例如在疾病易于被其他侵入式方法检测之前尽可能地检测并且查明患者中的可疑病变。同样地，对于放射线学者能够基于成像来定位极其小的癌症病变和先兆而言，存在真正的好处。微钙化特别是发生在特定类型的簇中的那些微钙化是受关注的一个标志。虽然单独的微钙化往往易于吸收辐射并且因此可以在放射摄影图像中显得非常明亮，但是，各种其他因素，包括极其小的尺寸、被其他自然结构闭塞、出现在图像的结构上“繁忙的”部分中，所有这些有时与放射线学者的疲劳相耦合，可能使得在视觉检查时，难以检测到某些钙化。

已开发了计算机辅助检测(CAD)算法来辅助放射线学者定位放射摄影图像中的潜在病变。CAD算法在计算机中在患者的***X线照片集的数字表示上操作。该数字表示可以是原始或已处理传感器数据(当由数字传感器获得该***X线照片时)或者传统的基于胶片的***X线照片集的扫描版本。假设如本文所使用的“图像”是用于给予CAD算法的合适的数字表示的至少二维数据，与原始用于获得患者信息的获取机制没有不同。CAD算法搜索图像以获得与感兴趣的标志匹配的对象，并且当找到感兴趣的标志时警告放射线学者。

一个感兴趣的标志是微钙化。现有CAD算法使用各种策略来定位潜在的微钙化。在美国专利6,014,452中，使用强度高于全局固定阈值的全部像素作为潜在微钙化的种子位置。美国专利6,801,645应用高斯滤波器的偏差来增强微钙化并且随后阈值。美国专利7,593，561应用固定滤波器，该滤波器在中央3X3像素区域比距图像位置3和6个像素的像素环更亮时增强图像位置处的对比度，并且随后自适应地并且迭代地确定调整图像的阈值以获得希望的簇的数量。

另一个感兴趣的标志是微钙化簇。现有CAD算法使用各种策略来将潜在微钙化簇标记为可疑，包括如美国专利7,593,561中所示的训练神经网络和特征加权线性判别式。

可以使用用于描述观察到随机变量的任意给定样本值的相对可能性的概率密度函数(PDF)来执行异常的分级。全部可能值上的PDF的积分是1；随机变量的范围的子集上的PDF的积分表示随机变量的抽取样本将落入该范围中的概率。

通常可以良好地理解可以由闭合形式方程式表示的PDF，并且已经开发了用于该PDF的许多应用。另一方面，用于复杂多维随机变量特别是在每个维度中具有未知的并且有可能不规律的分布以及/或者长的、稀疏填充尾巴的复杂多维随机变量的PDF的实际估计大部分被研究人员回避。在模式和图像识别的领域中，由于在应用PDF方法中的实际困难，许多研究人员已经放弃PDF方法并且投身于已知的可解的替代如神经网络和线性判别式函数。

附图说明

下文是附图的简要描述，其示出了本发明的示例性实施方式并且其中：

图1是根据一个实施方式的异常检测的***级图；

图2是根据一个实施方式的计算机辅助检测(CAD)单元的组件图；

图3是根据一个实施方式的检测单元的组件图；

图4包括根据一个实施方式的峰值检测处理***的方框图；

图5包括根据一个实施方式的对象边界确定程序的流程图；

图6描述了图2的一个步骤中使用的对象边界环；

图7示出了用于加权一个实施方式中的对象边界中的像素的边界距离映射；

图8描述了根据一个实施方式与一个对象相关联的边界的进一步的提炼中的步骤；

图9包括根据第一实施方式的微钙化分级过程的方框图；

图10显示了用于描述在以下附图中的对象特征计算中使用的分隔对象的边界描述；

图11描述了用于图10的边界描述的纵横比测量；

图12示出了用于图10的边界描述的凸包描述的构造；

图13示出了用于图10的边界描述的边缘变化特征的计算中所使用的测量；

图14显示了用于计算用于图10的边界描述的脊比率特征的方向；

图15示出了在第二分级阶段中使用的邻居概率图形的形成；

图16显示了根据一个实施方式的两阶段成簇技术中的步骤；

图17描述了簇形状的凸包和局部凹包表示；

图18示出了在本发明的实施方式中采用的坐标***；

图19a和19b示出了根据一个实施方式的分级器概率单元；

图20示出了闭合形式PDF和从概率分布抽取的样本分布的柱状图；

图21概念性地显示用于由表示点的集合表示的假设一维分布的西格玛值的估计；

图22显示了图21的西格玛值到评估点上的PDF的估计的应用；以及

图23是根据一个实施方式的桌面计算设备的方框图。

具体实施方式

下文详细讨论实施方式的制造和使用。但是应该认识到本发明提供许多可以实现在各种各样具体环境中的可应用的创造性概念。所讨论的具体实施方式仅仅是制造并且使用本发明的具体方式的示例并且不限制本发明的范围。

例如，根据通过定位并且分级可能的异常以便由医疗人员复查辅助医疗人员检查胸部X线图像(如在执行***X线照片的过程中可以获得的那些胸部X线图像)，总体描述本文所述的实施方式。但是，针对其他情况，可以使用其他实施方式，其它情况包括例如检测并且分级其他组织(例如肺组织)中的异常、用于统计学异常的任意类型的图像分析等等。

现在参考附图，其中在这里在各种视图中使用相同的附图标记来指示相同的或相似的元素，显示并且描述了本发明的说明性的实施方式。无需按比例绘制附图并且在一些实例中适当地放大并且/或者简化附图以仅用于说明的目的。本领域的普通技术人员基于本发明的以下说明性的实施方式将认识到本发明的许多可能的应用和变形。

首先参考图1，示出了根据一个实施方式用于在例如***X线照片期间辅助检测异常的***100。***100包括成像单元102、数字转换器104和计算机辅助检测(CAD)单元106。成像单元102获取感兴趣的区域如胸部组织的一个或多个图像如X线图像。在使用***100来辅助分析***X线照片的该实施方式中，当压缩胸部以扩展胸部组织时可以取得四个X线图像的序列，从而辅助异常的检测。四个X线图像的序列包括用于左胸和右胸中的每一个的自顶向下图像，被称为头尾向(CC)图像，以及用于左胸和右胸中的每一个的从胸骨的顶部向下倾斜到身体外部的斜角度的图像，被称为侧斜位(MLO)图像。

可以将一个或多个图像实现在胶片上或数字化。历史上将一个或多个图像实现为胶片上的X线图像，但是当前技术允许用与现代数码相机大致相同的方式直接获得X线图像作为数字图像。如图1中所示，数字转换器104允许将胶片图像数字化成数字格式。可以将数字图像格式化成任意合适的格式如工业标准医学数字成像和通信(DICOM)格式。

向计算机辅助检测(CAD)单元106提供数字化图像例如数字化胶片图像或直接作为数字图像所获得的图像。如下文更详细地讨论的，CAD单元106处理一个或多个图像以检测各种类型的异常如钙化、相对稠密区域、畸变等等的可能的位置。在处理之后，将可能的异常的位置并且可选择地该数字化图像提供给评估单元108以便被放射线学者、主治医师或其他人员观察，其中具有或不具有指示任何检测的可能的异常的位置的标记。评估单元108可以包括显示器、工作站、便携式设备等等。

图2示出了根据一个实施方式的可以由CAD单元106(见图1)利用的组件。一般地，CAD单元106包括分隔单元202、一个或多个检测单元204a-204n以及一个或多个显示预处理器206a-206n。将认识到，X线图像或其他图像可以包括除了感兴趣的那些区域之外的区域。例如胸部的X线图像可以包括背景区域以及其他结构区域如胸部肌肉。在这些情况中，可能希望分隔x线图像以定义搜索区域例如用于定义胸部组织的界限区域，一个或多个检测单元204a-204n可以在该区域上分析异常。

一个或多个检测单元204a-204n分析一个或多个图像或者由分隔单元202定义的具体区域，以检测可以指示患者中的一个或多个具体类型的异常的具体类型的特征。例如，在用于检查人类胸部组织的一个实施方式中，检测单元204a-204n可以包括钙化单元、(肿块)密度单元和畸变单元。如在医疗领域中已知的，人体通常通过用钙包围癌细胞、创建微钙化来对癌细胞进行反应。这些微钙化可以看做x线图像中的小的明亮区域。钙化单元检测并且识别胸部的这些区域作为可能的微钙化。

还知道癌症区域往往比周围组织更稠密，因此指示比周围组织更稠密的组织的看起来总体更亮的区域可以指示癌症区域。因此，密度单元分析一个或多个胸部x线图像，以检测该一个或多个图像中的相对稠密区域。因为正常胸部组织的随机重叠有时候可能看起来可疑，所以在一些情况中，密度单元可以对对象例如胸部的不同的视图相关，以确定在其他对应的视图中是否出现稠密区域。如果该稠密区域出现在多个视图中，则该区域更有可能是真正恶性的。

畸变单元检测由癌细胞对周围组织的影响所导致的结构缺陷。癌细胞通常具有“拉进”周围组织的效果，导致看起来伸展标记、星形或者其他线性形式的毛刺。

应该注意到，仅仅为了说明的目的提供检测单元204a-204n的以上实例，例如钙化单元、密度单元和畸变单元，并且其他实施方式可以包括更多或更少的检测单元。应该注意到一些检测单元可以如虚线208所指示与其他检测单元交互。下文参考图3更详细地描述检测单元204a-204n。

显示预处理器206a-206n创建图像数据以指示异常的类型和/或位置。可以例如通过由一种类型的线(例如实线)环绕关注区域来指示微钙化，而可以通过由另一种类型的线(例如虚线)环绕关注区域来指示毛刺(或其他类型的异常)。

图3示出了根据一个实施方式的可用于每个检测单元204a-204n的组件。每个检测单元204a-204n总体可以包括检测器302、特征提取器304和分级器306。检测器302分析图像以识别用于指示该检测单元被设计为检测的异常的类型(如钙化)的属性，并且特征提取器304提取每个检测区域的预先确定的特征。预先确定的特征可以例如包括尺寸、信噪比、位置等等。

分级器306检查来自特征提取器304的每个提取特征并且确定提取特征是异常的概率。在确定该概率之后，将该概率与阈值比较以确定是否将检测区域作为关注的可能区域来报告。

在美国临时申请序列号61/400,573和61/398,571中指定了合适的分隔单元202，在美国临时申请序列号61/343,552和共同提交的美国PCT专利申请序列号[代理人案号VUC-009PCT]中指定了合适的用于检测并且分级恶性肿块的检测单元，在美国临时申请序列号61/395,029和共同提交的美国PCT专利申请序列号[代理人案号VUC-010PCT]中指定了合适的用于检测并且分级毛刺恶性肿块的检测单元，在美国临时申请序列号61/343,608和共同提交的美国PCT专利申请序列号[代理人案号VUC-008PCT]中指定了合适的概率密度函数估计器，在美国临时申请序列号61/399,094中指定了合适的显示预处理器，通过参考将它们全部合并入本文。

以下段落提供关于微钙化检测单元如可以用作根据一个实施方式的检测单元204a-204n(见图2)的一个或多个的微钙化检测单元细节。具体而言，以下段落解释作为可能的微钙化的对象的检测和分级，以及作为微钙化簇的可能的微钙化对象的分组的检测和分级。

用于定位图像中的潜在微钙化的现有技术方法检测一些易于发现的标志。对于放射线学者而言将更有益的是这样的一种检测***，该***可以在使用各种获取***获得的放射摄影图像上工作以检测难以发现的微钙化并且向放射线学者指出它们的位置。本文所述的实施方式与大范围的获取***一起工作以产生“峰值”即潜在的微钙化位置的列表并且将这些峰值提炼成用于微钙化分级器/识别***处理的对象描述。

与现有技术相反，本文所述的实施方式在“尺度”优先级上工作，以在将峰值转换成对象之前检测这些峰值。优化每个尺度，以检测特定绝对尺寸范围内的峰值。因为基于绝对强度或边缘强度来发现微钙化可能是有问题的，因此，优选实施方式使用基于大的邻居平均值例如中值测量的对比度。优选地从更大尺度的中值计算中排除高于给定对比度的在更小尺度处发现的对象，因此，进一步改善检测性能。

用于将微钙化标记为可疑的现有技术方法依赖于难以***地将癌与开始标志分隔或者难以理解***为什么如希望那样执行或不执行的方法。本文所述的***在三阶段分级器中使用概率密度函数来用被相信是近乎最佳的方式在每个阶段上鲁棒地建模用于各种特征的分布，以便分级微钙化。相信该分级的总体结构以及单独的阶段、特征集合、坐标***和许多独立的特征是新颖的。

现在参考图4，其示出了根据一个实施方式400的峰值检测。优选地在运行峰值检测程序之前如果有必要则将该图像重新调节到大约40微米像素尺寸。可以使用其他尺度，但是已发现40微米尺寸提供足够的特征细节而不会引起不合理的处理负担。由于不同的胶片扫描仪和数字获取***可能对CAD***提供不同的输入像素分辨率，所以使用输入像素分辨率参数来确定尺度。对于***X线照片，优选地预处理图像以分隔表示胸部组织的区域以便处理，并且在微钙化检测之前去除假象如刮痕和其他明亮线条。

将调节图像与阶段410b-410f的高斯内核递归地卷积，以产生各种尺度上的平衡的图像，一个图像用于每个滤波器递归。使用高斯脉冲的多个数学特性来有利地显著降低处理时间。首先，作为具有标准偏差和σ₁和σ₂的两个高斯脉冲的卷积，产生具有标准偏差

的高斯脉冲，通过与更小的内核的重复卷积而不是与大内核的单个卷积产生更大尺度处的平滑图像。其次，由于二维圆周对称高斯脉冲可线性地分割成两个一维高斯脉冲(其中一个的尺寸是1xn个像素并且另一个的尺寸是n x 1个像素，其中n在近似加并且减3σ处被截短，被表示成像素，以便处理效率)，使用两个在峰值的每一侧的3σ处截短的一维卷积进一步优化每个卷积。当然，对于计算效率不感兴趣的人员可以选择性地使用这些技术中的任意一个或任意一个都不使用。

在一个优选实施方式中，尺度被选择为使得方差从一个尺度到下一个尺度翻倍，例如使得高斯平滑图像选择随着每个尺度增加面积翻倍的斑点尺寸。这需要所应用高斯内核对于每个步骤具有与当前累积应用的标准偏差相同的标准偏差。第一阶段处理使用σ₀＝0，例如，不管调节输入图像中存在什么都不应用附加模糊。对于第一和第二模糊步骤(σ₁和σ₂)，高斯滤波器410b和410c中应用的内核具有

微米的标准偏差，因而第二和第三阶段输入图像表示具有各自的模糊标准偏差σ₁＝35微米(近似)和σ₂＝50微米的输入图像的高斯模糊版本。第三模糊步骤应用标准偏差为50微米的高斯内核，因而第四阶段410d输出的模糊图像具有微米的模糊标准偏差。以类似地方式继续，附加阶段410e、410f等等接收模糊标准偏差(在一些情况中四舍五入)为100微米、140微米、200微米、280微米等等的模糊图像。在一个实施方式中，在模糊标准偏差大致等于感兴趣的最大钙化尺寸的半径，例如大约300微米之后截短阶段。可以使用其他尺度步进策略，但是扩展测试已经显示该策略对于检测各种斑点尺寸而言是鲁棒的。

每个处理阶段接收它的高斯模糊图像(第一阶段图像未被模糊)并且在拉普拉斯滤波器阶段中将该图像与拉普拉斯函数或其他二阶导数函数卷积。拉普拉斯函数产生“曲率”图像，例如平的或线性倾斜图像区域产生零输出响应，正峰值产生正输出响应并且负峰值产生负输出响应(在一个方向中弯曲的马鞍点和图像区域也可以产生响应)。

在第一拉普拉斯滤波器阶段412a处，向中值滤波器416a提供拉普拉斯滤波器的输出，中值滤波器416a计算局部邻居例如每个像素中心4mm区域(100x100个像素)中的中值绝对曲率。中值滤波器416a产生邻居中值输出图像NM₀，以便被σ₁处理阶段使用。

在σ₁尺度阶段，将来自滤波器410b的高斯平滑图像输入到拉普拉斯滤波器阶段412b，该阶段检测平滑图像中的曲率。曲率图像输入到“外科阶段”414b。外科阶段对于每个像素位置将像素相对对比度(被同一像素位置处的邻居中值NM₀除的拉普拉斯值)与用于该尺度的阈值比较。在一个实施方式中，用于一个尺度的阈值是全局(在当前图像中全部胸部区域得到的)中值绝对偏差的倍数，其中，对于给定图像获取设备特性凭经验确定该倍数(3到5倍是典型的)。在外科阶段414b处在外科遮罩中标记将在外的这些拉普拉斯像素。并且，在外科遮罩中也标记了标记用于外科的像素周围的像素，其中，该标记的扩张是当前尺度标准偏差的函数。当前尺度标准偏差的大约三倍的扩张值提供测试实施方式中的可接受的性能。

将外科遮罩传递到邻居中值阶段416b。在阶段416b计算特定像素处的邻居中值时，其排除标记用于外科的像素并且计算有效像素的数量。还对于当前像素保存有效像素的数量。如果从标记用于外科的像素的邻居中值计算中排除了太多像素，则用它们的相邻未遮罩像素的中值来代替该像素的邻居中值。这防止高曲率的区域偏斜用于下一阶段的中值计算。中值滤波器阶段416b因此基于外科阶段414b的输出产生邻居中值输出图像NM₁。

在σ₂尺度阶段，通过拉普拉斯滤波器412c、外科阶段414c和中值滤波器阶段416c处理来自滤波器410c的高斯平滑图像，其中拉普拉斯滤波器412c、外科阶段414c和中值滤波器阶段416c它们与σ₁尺度阶段中对应的滤波器的功能相同。相同的处理同样发生在稍后的阶段中。

从σ₃尺度阶段开始，***搜索潜在微钙化峰值。峰值检测器418d接收三个输入图像：来自滤波器410c的高斯平滑输出图像G₂(应用了50微米的高斯模糊标准偏差)、来自拉普拉斯滤波器412d的曲率图像C₃输出以及来自中值滤波器416d的邻居中值图像NM₃。峰值检测器搜索用于局部最大(强度大于全部8个邻居)的像素的高斯平滑输出图像G₂。对于局部最大的每个像素G₂(i，j)，峰值检测器418d计算噪声归一化对比度CR为比率C₃(i，j)/NM₃(i，j)。

阈值阶段420d接收局部最大值G₂(i，j)位置和对比度。阈值阶段420d应用对比度阈值，其中对于输入图像特性的给定集合可以凭经验选择，例如与外科阈值的计算方式类似地计算该对比度阈值以实现希望的敏感度。将对比度高于阈值的局部最大位置存储在峰值列表422d中以便进一步的处理。

在后续的尺度上执行类似的峰值检测和阈值处理以创建附加峰值列表422e、422f等等。

接下来独立地检查每个峰值列表中的峰值，并且使用高斯滤波器410b的图像输出(例如原始图像的轻微平滑版本)，将其成长为对象以匹配它们的显而易见的尺寸和形状。图5给出了用于显示对于一个峰值如何完成这过程的流程图500。每个对象作为具有相对对比度的单个像素峰值来开始。方框502在发现峰值的尺度相同尺度的平滑图像中检查峰值像素的邻居，并且选择最亮邻居以便与该峰值像素一起包括作为对象的一部分。方框504通过将用于被选择邻居的对比度增加到邻居的选择之前存在的CR中，计算用于定义的对象的累加对比度CR。方框506然后用新像素的身份和更新的CR来更新对象成员列表。方框508迭代回到方框502中总共N_S次，其中N_S取决于检测到峰值的尺度，并且其足够大以描述与该尺度匹配的峰值的总对象成员(因此N_S大致与尺度的平方成正比地增加)。

在每个迭代上，方框502选择与已经包括的像素相邻的下一个最亮的像素。在N_S次这样的迭代之后，由方框506创建的成员列表按照添加顺序包括对象成员像素的列表以及在每个步骤处的累积CR。方框508将控制传递到方框510，方框510搜索具有最大CR的成员的成员列表。将对象成员削减到该等级。

由于前一个增长过程往往包括不充分，所以过程500接下来使用扩张步骤512提炼对象边界。参考图6，描述了被三个距离对象边界一个像素距离的同心圆604、606、608包围的示例性的对象边界602。扩张步骤512遍历每个环并且在每个像素处计算平均强度，并且还遍历对象的边界环602并且计算平均强度。计算用于环604的二阶导数为环602和606的总计平均强度，减去环604的平均强度的两倍。计算用于环606的二阶导数为环604和608的总计平均强度，减去环606的平均强度的两倍。当用于环606的二阶导数超过用于环604的二阶导数时，将环604增加到对象中，并且该过程重复(以新环，未显示，为了计算的目的增加)。该过程继续直到达到最大可允许扩张为止或者直到对于新增加的环观察到二阶导数的减小为止。

在扩张对象成员以发现对象的近似最大程度之后，过程500基于成员计算对象对比度。在一个实施方式中，计算加权平均强度值，其中，更靠近对象边界的像素接收较少的平均权重。

用于分配对象边界距离的一种方法是利用侵蚀函数。图7显示了用于扩张对象边界的示例性侵蚀地图700。增加用于每个像素的计数器，对象成员(上下左右四个邻居中的一个邻居不是成员)的边界处的像素被侵蚀掉。该过程继续直到侵蚀全部像素为止，因而像素环路计数器指示与对象边界的距离。然后如颠倒侵蚀地图710中所示颠倒该距离，例如如果M是分配给侵蚀地图700中的像素的最大边界距离，将颠倒侵蚀地图值赋值为I＝M-D，其中D是地图700距离并且I是地图710距离。

侵蚀地图710用于在对比度计算中加权像素。在一个实施方式中，根据对于距地图710的最大边界距离归一化的高斯加权函数加权像素，因而距边界最大距离的像素接收权重1并且处于边界处的像素接收权重

最后，过程500的方框516计算用于对象的更新的加权的对比度WCR。在一个实施方式中，加权的对比度WCR使用这样一种分子和这样一种分母，该分子是用于每个成员像素的强度值的平均，被高斯加权函数加权，减去附近边界像素的平均，该分母是用于每个成员像素的邻居中值的和，被高斯加权函数加权。

潜在微钙化有可能在两个或更多个不同的尺度上形成峰值。为了避免对象列表中的对象的重复，对于发生在不同尺度中的对象比较对象位置。针对重叠的像素检查靠近的对象；当两个对象的成员像素的交集超过重叠比率(例如与一个对象相关的像素的80％)时，丢弃具有较低的相对对比度WCR的对象。

由于过程500中的边界提炼使用整个像素环的平均值来扩张对象成员，已发现多个对象特征的准确性可以受益于精细的边界提炼。在重复检查之后剩余的全部对象因此受到如下进一步提炼。图8显示了第一阶段边界定义所导致的示意性的粗略的像素等级量化边界800。精细的边界提炼创建边界点列表810，其中，从量化边界800“移动”点，以去除高频的角，例如创建“平滑”边界。***从平滑边界点列表810计算法向矢量820的集合，在每个点计算一个法向矢量。然后可以将列表810中的每个点设置为最终位置，该最终位置是沿法向矢量的5个可能的位置中的一个位置，该5个可能的位置是：距起始平滑位置0、+0.5、+1、-0.5或-1个像素。基于沿法线测量的最大二阶导数来确定所选择的最终位置830。

在上述潜在微钙化检测阶段连同图像中的对象程度的描述一起向***提供该图像中感兴趣对象的描述之后，可以在各种分组中分级并且评估对象，以检测并且分级微钙化的簇。优选地，检测级不尝试排除具有显著信噪比的可视(对于检测算法)的对象，因而将大量不同类型的可分级对象(如果在该图像中存在)传递到该***。虽然可以将对象程度描述为图像遮罩或者像素列表，但是优选的对象程度描述是边界点列表，具有子像素精确度，如图10中所显示的示例性对象1000中所显示的。要理解，可以使用像素内插来获得***需要的任意给定点处的图像。还优选地对输入图像进行采样并且再采样，如果有必要，到与训练图像集合(下文将进一步描述的)相同的分辨率。在一个实施方式中，输入分辨率是40微米/像素。

图9包括用于根据一个实施方式的总体分级的方框图900。首先由特征计算阶段910接收用于图像的对象列表，特征计算阶段910计算用于每个对象的特征集合。第一分级阶段920接下来向每个对象分配6个概率，6个不同的对象类型中的每个对象类型一个概率。接下来，概率绘图阶段930基于从分级阶段920获得的概率，创建平滑的概率对位置图像。第二分级阶段940向每个对象分配5个概率，5个不同的对象类型中的每个对象类型一个概率。对象成簇阶段950将具有潜在恶性肿瘤的一些指示并且靠近的对象聚集在簇中。对于每个簇，簇特征计算阶段960计算用于该簇的特征。最后，第三分级器970确定簇是恶性的概率。

第一分级阶段基于如方框910中所计算的每个对象的单独的特征，向每个对象分配6个概率。在一个实施方式中使用的单独的特征如下：对比度、纵横比、宽度、不变凸性、边缘变化和脊比率。将依次描述它们中的每一个。

对比度是基于局部强度和噪声统计的特征。在输入图像上计算二维高斯拉普拉斯(LoG)滤波器，其中高斯平滑标准偏差是35微米。通过计算围绕该对象的邻居中的中值绝对LoG滤波器输出NM，获得平均噪声图像。通过求对象边界1000中的平滑图像强度的平均并且减去刚好在边界1000外部的平滑平均强度值，计算用于该对象的平均相对对比度C。在一个实施方式中，加权对象边界1000中的图像强度，因而在计算中靠近边界的像素得到更少权重。将对比度CR定义为C/NM。

纵横比是对象的延长的测量。在一个实施方式中，对于该对象，对于每个边界点，从该点处的边界的法线，到该对象的相对边缘，进行宽度测量。图11示出了示例性对象边界1000中的5个点的该测量1101-1105。在一个实际实施方式中，将对该对象进行21个测量，21个边界点中的每个边界点一个测量，为了清楚起见仅显示了5个。纵横比AR使用两个宽度测量，中值宽度MED和最大宽度MAX，其中，将AR定义为MAX/MED。将第三特征宽度W定义为MED。

不变凸性是对象形状的复杂度的度量。如图12中所述，构造凸包以包围对象形状1000。当不变凸性I被定义为AO/ACH时，其中AO是被边界1000包围的对象的面积并且ACH是凸包的面积，不变凸性I对于凸起的对象具有最大值1。在三维的实施方式中，可以将三维凸包分割成上包和下包。当不变凸性I被定义为VCH/VO时，其中VO是被下包包围的对象的体积并且它的强度值是1000，并且VCH是凸包的体积，不变凸性I对于凸起的对象具有最小值1。应该注意到，实现可以利用最小或最大值。例如，在上文给出的实施方式中，二维实例提供0到1之间的值，因而获得最大值1。在三维实施方式中，使用颠倒等式，因而获得1到无限之间的值。

边缘变化EV是对象边缘的“纹理”的度量。通过计算与边界正交的刚好在对象内部的点与刚好在对象的外部的点之间强度差，得到原始差度量ΔI。图13示出了在示例性对象边界1000中的5个点的测量1301-1305。在实际实施方式中，将对该对象进行21次测量，21个边界点中的每个边界点一个测量，为了清楚起见仅显示了5个。通过该差ΔI的绝对平均来归一化该差ΔI，将边缘变化EV定义为归一化的差的标准偏差。

脊比率RR是对于对象并且对于刚好在该对象外部的区域观察的曲率的差的测量。如果对象曲率与它的邻居没有显著差异，则其可以指示沿总体明亮的脊的强度略微升高的区域，如可以对于血管微钙化发生的那样。如图14中对于对象边界1400所示，考虑相隔11.25度的8个方向(标记了第一测量方向1401)。

在该8个方向的每个方向上，计算9个采样点，其中中点位于对象的质心，并且其他9个点在面向当前方向的3x3网格中展开。在一个实施方式中，除了质心之外的每个点应该完全位于边界1400外部。

9个点就位，沿线D2₁-D2₆计算6个二阶导数。将一个脊比率定义为

并且将其他脊比率定义为

如果这些比率中的任意一个大于目前为止对于该对象观察的最大比率，则将对象脊比率RR设置为该值。在检查了全部8个方向之后，特征RR将表示16个测量的最大值。接近零的值指示该对象更有可能不是延伸脊的一部分，而接近1的值指示该对象非常可能是延伸脊的一部分。

在训练阶段，在包括大量有或没有指示恶性肿瘤的微钙化的放射线图像的训练集合上运行相同的对象检测过程和特征计算器。人工交互式分级使用一个或多个用训练来解释放射摄影图像个体指示在训练集合中发现的每个对象的钙化的类型。在一个实施方式中，可能的钙化类型包括恶性、良性、透明、血管、刮痕(胶片处理假象)和组织(不是钙化)。通过使用训练集合对象、特征和人工输入分级事实，计算概率密度函数(PDF)数据集合。

在运行时间，向第一分级器920输入对于每个对象计算的6个对象特征。分级器920咨询PDF数据集合并且基于训练数据特征分布6个对象特征输出6个概率：

一些对象特征集合可以完全地指示单个对象类型，而其他特征集合可以产生更模糊的分级(即对于多种类型的对象观察到类似的特征集合)。因此，在一个实施方式中，将单对象概率馈入到第二分级阶段，在第二分级阶段中对象分级可能受到相邻对象的单对象分级的影响。

图15示出了在第二分级阶段中使用的概率图形的生成。具体的示例性子图像1510包括在子图上如所示分布的9个对象P₁到P₉(如这里所述处理整个图像，其中为了清楚起见显示子图)。概率图形生成930(图9)创建4个对应的地图，P_MC地图1520、P_BC地图1530、P_LC地图1540和P_VC地图1550。最初将每个地图清零。在每个地图中，在与对象P₁相对应的位置处，记录从分级器920获得的各自的分级器概率P_MC1、P_BC1、P_LC1、P_VC1。对于对象P₂到P₉重复该过程。

在生成对象概率图形之后，向每个图形1520、1530、1540和1550应用高斯平滑和归一化1560，以产生对应的平滑概率图形1522、1532、1542和1552。在每个平滑概率图形中，不仅由其自己的第一分级器值而由其他局部对象的第一分级器值告知该给定对象位置，其中，贡献基于概率和距离。对于平滑一个备选是对于每个对象在它的位置处计算来自每个其他对象(或者有效距离之内的每个对象)概率、距离(由与平滑函数等效的高斯函数加权)的贡献。

使用对象位置和平滑概率图形1522、1532、1542和1552来提取用于每个对象值的4个特征，如从4个图形上的对应位置读取的。这4个特征是围绕每个对象的邻居的指示。例如当大量靠近对象具有高的恶性肿瘤概率时，这增加紧邻区域中的全部对象的恶性肿瘤特征。

将来自平滑概率图形的4个特征输入到第二分级器940。与第一分级器920类似，分级器940依赖于从训练集合获得的PDF数据。分级器940输出5个等级的概率：

簇操作950基于物理邻近将对象分组在一起。对于参与成簇的对象，它的两个恶性微钙化概率P_MC1和P_MC2必须基于希望的敏感度满足阈值要求。例如，图16显示了图像1600的线条图，用于说明满足该阈值的检测微钙化对象的位置。下方显示了放大的子图像1606。在一个实施方式中，通过将在彼此最小距离之内的阈值处理的对象结合在一起，首先形成迷你簇。例如，依次检查未成簇的对象，形成迷你簇，其中其他未成簇对象位于近似1mm的半径之内。在子图像1606中，迷你成簇导致3个簇，标记为I、II和III。

接下来，将迷你簇作为独立的对象位置来看待，以便创建可能更大的簇。例如从具有最大数量的对象的迷你簇(子图像1606中的迷你簇I)开始，检查例如近似5mm，并且结合位于更大的半径之内的任意迷你簇或对象(子图像1606中对象IV)。检查新簇的5mm半径，导致簇2也被结合，并且以此类推，导致对象V的结合并且然后图16中的簇III。在成簇中的每个步骤处，由簇的成员并且由包括该成员的凸包描述簇。凸包1604显示了对于子图像1606中簇最终达成的最终外壳。图像描述1620显示了对于整个图像选择的簇。在成簇之后忽略任意未成簇的对象。

簇特征计算任务960计算在最终分级器阶段970(图9)中将要使用的特征。在一个实施方式中使用的簇特征如下：对象的数量、局部凹包的纵横比、局部凹包的宽度、最大间距、反恶性肿瘤值、反良性肿瘤值、反透明值和两个胸部坐标x和y。将依次描述每个特征。

对象的数量n是自描述性特征。随着形成每个簇，***保持簇成员的计数，其中在成簇的结束将对于每个簇包括n。

局部凹包的纵横比使用与在成簇操作期间用于描述簇的多边形不同的多边形。参考图17，多边形1700表示在对象的簇的周围形成的凸包(表示为x’s)。如果顺时针遍历该凸包，则该凸包是包围全部对象的最小多边形并且不用左转就可以被遍历。对于纵横比特征计算，从多边形1700形成局部凹入的多边形1710。通过增加位于多边形1700中但是靠近边界定义的边缘的对象使得多边形1710局部凹入。例如，对象1712位于对象1714与1716之间。多边形1710破坏多边形1700用于连接对象1714和1716的线段并且用两个线段来代替它，一个线段连接对象1712和1714并且另一个线段连接对象1712和1716。可以被破坏以增加凹入的各种约束如最大凹入角度或最小线段长度可用于控制所获得的效果。

从多边形1710计算纵横比特征。特征计算器找到多边形的第二力矩(在该实施方式中被面积而不是被对象位置加权)，将第二力矩的特征值的比率(最大除以最小)定义为簇的纵横比。

也从多边形1710计算局部凹包的宽度。找到跨越多边形1710的最大距离。将该宽度定义为与最大距离矢量垂直的最小宽度。

最大间距特征着眼于簇中的相邻对象对。在该情况中可以通过将簇中的最接近的两个对象指定为邻居，将接下来两个最接近的对象指定为邻居以此类推直到由邻居树连接簇中的全部对象为止，来确定“相邻”。在该过程中进行的最终连接的长度是最大间距特征。

从自第二阶段分级器输出的独立的对象概率计算接下来三个特征：反恶性肿瘤值、反良性肿瘤值和反透明值。例如对于n个对象，由第二阶段分级器向每个对象指定恶性肿瘤概率p_M(i)，将反恶性肿瘤值INV_MC定义为如下：

{INV}_{MC} = - \log (\frac{1}{n} Σ_{i = 1}^{n} p_{M} (i))

已经发现当以这种方式表示作为特征的概率分布时，更易于在分级器中处理概率分布。除了良性肿瘤和透明反值分别使用第二阶段分级器对象概率P_BC(i)和P_LC(i)之外，类似地计算它们。

最后两个特征根据允许簇位置形成有意义并且可分级的特征的新颖坐标***表示簇在胸部中的位置，而不管患者尺寸、胸部尺寸和胸部形状的大的变化。用于***x线摄像的典型放射线图包括侧斜位视图(MLO，被显示为图18中的视图1810)和头尾位视图(CC，被显示为图18中的视图1820)。其他较不常用的视图也偶尔采用并且可以在类似的坐标***中表示。

分割MLO视图以找出胸部线1812和皮肤线1814。在该坐标轴中将***1816定义为垂直于胸部线1812测量的距胸部线1812最远的皮肤线上的点。坐标***的x轴是从***点1816到胸部线1812的线，其中值0位于***点处并且值100位于胸部线处。在x轴位置处胸部线可能在图像中不能实际可见，但是假设其根据需要延伸到远至可视部分之下以形成坐标轴。胸部中的任意点的x坐标是从胸部的***(前)到胸部的胸部线(后)的距离的百分比。

还在0到100尺度上表示胸部坐标***中的y轴(在0到-100尺度上表示x轴之下的点)。但是，对于给定的x坐标，如在皮肤线经过的x值处与x轴垂直的点，定义100或-100，该尺度随着x值改变。由于胸部的横截面轮廓通常随着从***点向胸部线遍历图像而扩张，靠近该胸部线的尺度单位显著大于靠近***点的尺度单位。但是，归一化的尺度允许对象出现的统计频率是将要被制表的胸部位置的函数而不管胸部形状和尺寸不一致。在MLO视图1810上显示了多个示例性坐标。

对于CC视图1820，胸部线通常不可见。用于CC视图的坐标***假设胸部线1812与视图边缘垂直，并且因此***点1816是在皮肤线1818上距图像边缘最远的点。该坐标***还假设胸部线1812与***点相距在MLO视图1810中所测量的距离相同的绝对距离。假设该x轴定义，如MLO视图中所使用的类似的x轴到皮肤线y坐标***被适配为用于CC视图。在MLO视图1820上显示了多个示例性坐标。

使用上述胸部坐标***，簇的x和y质心变为输入到第三分级阶段970的最终簇特征。

分级阶段970接收来自特征计算960的9个簇特征。在训练阶段期间，在包括大量具有或不具有指示恶性肿瘤的微钙化簇的放射线摄影图像的训练集合上运行相同的成簇处理和簇特征计算器。人工交互式分级使用一个或多个用训练来解释放射摄影图像个体，来指示在训练集合中发现的每个簇的恶性肿瘤/非恶性肿瘤。通过使用训练集合对象、特征和人工输入分级事实，计算簇特征概率密度函数(PDF)数据集合。咨询PDF数据集合以确定每个簇的恶性肿瘤概率。该概率是否导致向放射线学者的标记和显示取决于用于CAD过程的敏感度设置。

图19a和图19b示出了在一个实施方式中使用的分级器306的实例。通常，分级器通过首先估计用于两个或更多个等级中的每一个等级的PDF值并且随后将不同等级PDF值组合成概率，估计评估点属于具体等级的概率。可以使用诸如公知的贝叶斯法则来执行组合PDF值以估计概率这个处理。分级器还可以使用PDF估计来生成似然比以代替概率值。在该实施方式中，分级器306包括一个或多个用于向概率单元1901提供PDF估计的PDF单元1900。通常，PDF单元1900确定用于对象的每个可能的分级的PDF估计。例如在利用分级器306来分级微钙化的一个实施方式中，可以对于恶性微钙化、良性微钙化、透明微钙化、血管微钙化、胶片假象以及任意其他等中的每一个存在一个PDF单元1900。下文提供关于PDF单元1900的更多的细节。

现在参考图19b，显示了可以被根据一个实施方式的分级器306(见图3)使用的PDF估计器1900，但是可以利用不同的分级器概率单元。PDF估计器1900的邻居定义单元1902功能性地定义用于每个表示点或表示点的组的邻居尺寸。在一些实施方式中，可能希望可变的邻居尺寸，以便允许更好地适应实际测量特征数据的功能描述。在该实施方式中，邻居定义单元1902评估例如从数据库接收的训练数据，并且确定用于该训练数据中所包括的表示点的合适的邻居尺寸。邻居定义单元1902向邻居确定单元1904提供矢量

(用于表示用于每个特征或维度的每个表示点或表示点的组的尺度参数的矢量)。在一个实施方式中，离线执行邻居定义单元1902并且存储结果例如

例如存储在数据库中以便以后的访问。由邻居确定单元1904利用矢量

以确定尺度参数矢量

——将要用于每个维度或特征的评估点x₀的邻居的尺寸。将尺度参数矢量提供给权重确定单元1906以确定权重w_i，权重w_i指定向训练数据的表示点分配多少权重。在确定之后，将权重w_i提供给局部估计器1908。局部估计器1908将权重w_i应用于训练数据以确定用于点x₀的PDF估计，后者可能被存储在例如数据库中。下文的段落给出更多的细节。

用于现实世界具有复杂并且/或者稀疏的长尾分布的多变量***的PDF估计在历史是受到多个内在困难的阻挠。首先，深入研究的但是高度受限的参数模型通常不能够准确地表示现实世界应用中遇到的PDF。其次，如果所使用的模型高度灵活或者非参数的，(例如基于Parzen窗的方法)，则估计值可能由于随机样本变化而不可靠。在存在少量样本的PDF的尾巴区域中尤其如此。用于改进估计器可靠性的方法可能导致难以处理的计算或存储器要求。

这里所述的实施方式对于PDF估计采用新颖的方法。存储允许用于PDF中的任意具体局部区域的PDF估计器函数的在线计算的数据集合，以代替估计并且存储完整的PDF。以该方式需要存储估计PDF的数据的数量的量级可以是n x M，其中n是***的维数并且M是表示点r_i的数量。每个表示点表示来自正在被估计的实际分布的一个或多个样本。样本集合中的每个样本可以例如接收它自己的表示点(利用单位加权)。可以备选地通过具有小于1的权重的表示点来表示每个样本。例如，如果确信两个不同的多维测量源自相同的样本，则可以给予两个样本中的每个一个权重为0.5的表示点。最后，通过用具有与单独的样本的权重相等的权重的单个表示点来代替样本，表示点可以“组合”多个在测量空间中靠近的样本。用于组合样本表示点的实际的多维样本值可以是该组合的中心，组合样本的平均、每个维度中的组合样本值的中值等等。

除了表示点之外，在执行估计之前选择多个其他输入。一个输入是评估点x₀，其中在该评估点上要估计PDF。另一个输入是在一个实施方式中由邻居定义单元1902提供的矢量

表示允许尺度参数矢量

的计算的尺度参数的集合。尺度参数矢量确定在估计中将使用哪个表示点，并且还可以是用于确定将要被应用于每个所包括的点的权重的函数的参数。另一个输入是将要被实际应用于估计中所使用的表示点的加权函数最后一个输入是参数化估计器函数f(x₀，θ)，其中θ是用于该函数的参数矩阵。

图20显示了用于一维随机变量的通用PDF 2000，叠加在从相同的随机变量的样本群体得出的样本分布的柱状图上。利用大量足够数量的点，该柱状图将倾向于可以由现有技术如Parzen窗估计的PDF 2000的形状的量化版本。朝PDF 2000的尾巴，该方法难以产生可靠的估计。通常出现在尾巴中的少量的样本意味着在尾巴中简单的窗估计要么由于少量的样本而具有高度的变化要么由于大的线性窗的应用而无法说明实际PDF的真实形状。

在优选实施方式中，输入数据包括预先计算的参数，其中对于任意输入评估点可以例如由邻居确定单元1904从该预先计算的参数计算合适的尺度参数。通常，越到分布的尾巴该尺度参数将越大，并且在表示点空间的数据越丰富的区域中越小。虽然可以使用独立的数据结构来存储全部样本空间上的尺度参数的描述，但是在一个实施方式中每个表示点存储可用于在线计算尺度参数矢量的参数。

图21示出了表示点尺度参数存储和使用的一个实施方式，其中每个表示点r_i还描述用于尺度参数函数σ_i(x₀)＝σ_MIN(i)+σ_dσ(i)|x₀-r_i|的最小尺度参数值σ_MIN(i)和尺度参数斜率σ_dσ(i)。因此对于任意评估点x₀，尺度参数函数允许尺度参数的计算。用于与评估点一起使用的尺度参数因此可以被定义为对于全部i评估的最小尺度参数函数值σ_i(x₀)，其中，向权重确定单元1906提供最小值

在实际应用中，可能仅需要对于靠近评估点的表示点评估尺度参数。这可以从图22的检查中看出，其中，对于每个评估点描绘尺度参数函数σ_i(x)(标记了用于r1的σ₁(x)、用于r2的σ₂(x)、用于r3的σ₃(x))。值σ₃(x₀)低于与全部其他表示点相关的尺度参数函数值，并且因此被选作为用于评估点x₀的尺度参数。可选择地，可以将不同的尺度参数函数值与除了“min”之外数学函数组合(例如可以使用不同的值的平均或具体的百分比)。

对于多个维度，对于每个维度将典型地根据该维度中的表示点x₀周围的局部稀疏性，找到不同的尺度参数。

在找到每个维度的尺度参数之后，接下来可以用该尺度参数来限制将被用于在评估点处评估PDF的表示点。例如基于与评估点的距离的拇指的实际规则如多个尺度因子可用于排除实际不能影响图22中所示的计算的表示点，因此节省计算时间。可选择地，不管表示点距评估点多远都可以评估全部表示点。

还应用该尺度参数，使用如权重确定单元1906(图19)所示的定义的加权函数w_i＝g(r_i；x₀，σ(x₀))，计算用于每个表示点的总权重。

使用选择的加权表示点来计算用于由局部估计器1908计算的参数化估计器函数f(x，θ)的参数矩阵θ。在一个实施方式中，计算参数矩阵以最大化函数：

其中h()是单调函数。

对于一些函数选择，当对于n维空间中的全部点而言建模PDF非零时，对于参数矩阵可以使用方程式来求解。在一个该实施方式中，加权函数g()是高斯函数，h()是对数函数并且f()是二阶指数函数：

f (x, θ) = C \cdot e^{θ_{1} x^{2} + θ_{2} x},

其中，

C = \frac{1}{N} \frac{\underset{i}{Σ} g (r_{i}; x_{0}, σ (x_{0}))}{\underset{x}{&Integral;} g (x; x_{0}, σ (x_{0})) e^{θ_{1} x^{2} + θ_{2} x}}

并且N是表示点的数量。

在多维技术方案中，仍然应用以上方程式，但是应该理解变量和参数是多维的。

在PDF在n维空间的一些部分中具有零值的情况中也可以应用上述通用方法。在h、g或f不处于可直接求解形式中的情况中也可以应用该方法。在该情况中，可以使用数值方法例如Newton-Rhapson优化来近似参数矩阵。

在已经找到用于估计器函数的参数矩阵之后，现在能够评估评估点处的估计器函数以获得PDF值。

对于根据本发明实施方式的PDF技术存在各种应用。可能受益于准确的PDF估计的一些应用包括模式识别、分级、估计、计算机视觉、图像处理和信号处理。PDF估计数据的紧凑空间要求增加了PDF数据集合紧凑存储、更新分布、附加判别式变量和/或等级包括的可行性。

虽然描述了多个实施方式和可选择的实现，在阅读了本文的公开之后对于本领域的熟练技术人员而言许多其他修改和实现技术将是显而易见的。在给定的实施方式中，用于求解估计器函数参数的方程式可以被定义为使得它的最小化选择参数矩阵。可以在运行时间从表示点直接计算用于给定评估点的尺度参数，虽然用于尺度参数的好的求解在无每表示点函数的预先计算的情况下进行计算可能是更高昂的。

除非另外指示，否则可以在硬件或软件或它们的一些组合中执行这里描述的全部功能。但是在一个优选实施方式中，除非另外指示，否则由处理器例如计算机或电子数据处理器根据代码如计算机程序代码、软件和/或被编码为执行该功能的集成电路执行该功能。

例如图23是根据一个实施方式也可以使用的计算***2300的方框图。但是应该注意到，这里讨论的计算***2300只提供用于说明的目的，并且可以使用其他设备。计算***2300可以包括例如台式电脑、工作站、膝上电脑、个人数字助理、对于具体的应用定制的专用单元等。因此，这里讨论的计算***2300的组件仅仅是用于说明的目的并且本发明的其他实施方式可以包括附加的或更少的组件。

在一个实施方式中，计算***2300包括装配有一个或多个输入设备2312(例如鼠标、键盘等等)和一个或多个输出设备如显示器2314、打印机2316等等的处理单元2310。处理单元2310优选包括连接到总线2330的中央处理单元(CPU)2318，存储器2320、大规模存储设备2322、视频适配器2324、I/O接口2326和网络接口2328。总线2330可以是任意类型的多个总线架构中一个或多个，包括存储器总线或存储器控制器、***总线、视频总线等等。CPU 2318可以包括任意类型的电子数据处理器。例如CPU 2318可以包括来自英特尔公司或先进微设备公司的处理器(例如单核或多核)、精简指令集计算机(RISC)、专用集成电路(ASIC)等等。存储器2320可以包括任意类型的***存储器如静态随机访问存储器(SRAM)、动态随机访问存储器(DRAM)、同步DRAM(SDRAM)、只读存储器(ROM)、它们的组合等等。在一个实施方式中，存储器2320可以包括用于启动的ROM以及当执行程序时用于数据存储的DRAM。存储器2320可以包括一个或多个非瞬态存储器。

大规模存储设备2322可以包括被配置为存储数据、程序和其他信息并且使得经由总线2328可访问该数据、程序和其他信息的任意类型的存储设备。在一个实施方式中，大规模存储设备2322被配置为存储将要由CPU 2318执行的程序。大规模存储设备2322可以包括例如硬盘驱动器、磁盘驱动器、光盘驱动器等等中的一个或多个。大规模存储设备2322可以包括一个或多个非瞬态存储器。

视频适配器2324和I/O接口2326提供接口以将外部输入和输出设备耦合到处理单元2310。如图14中所示，输入和输出设备的实例包括耦合到视频适配器2324的显示器2314和耦合到I/O接口2326的鼠标/键盘2312和打印机2316。其他设备可以耦合到处理单元2310。

可以作为有线链路和/或无线链路的网络接口2328允许处理单元2310经由网络2332与远程单元通信。在一个实施方式中，处理单元2310耦合到局域网或广域网，以提供到远程设备如其他处理单元、以太网、远程存储设施等等的通信。

应该注意到，计算***2300可以包括其他组件。例如计算***2300可以包括电源、电缆、母板、可去除存储介质、容器、网络接口等等。这些其他组件虽然未被显示但是被视为计算***2300的一部分。此外，应该注意到计算***2300的任意一个组件可以包括多个组件。例如CPU 2318可以包括多个处理器，显示器2314可以包括多个显示器诸如此类。作为另一个实例，计算***2300可以包括多个直接耦合并且/或者联网的计算***。

另外，可以远程地放置一个或多个组件。例如显示器可以远离处理单元。在该情况中，可以经由网络接口向显示器单元或者具有耦合到其的显示器的处理单元传输显示信息例如异常的位置和/或类型。

虽然已经描述了多个实施方式和说明性的实现，但是对于本领域的熟练技术人员而言在阅读了本文的公开之后许多其他修改和实现技术将是显而易见的。存在各种参数和阈值并且对于具有给定的数据特性的给定实现而言可以改变，其中，实验和最终性能与计算时间的折中是有必要的以达到希望的操作点。可以根据希望应用实现方法如分类、树、哈希和其他数据操作方法，以实现希望的性能。虽然对于每个特征类型的计算描述了至少一个具体方法，但是存在用于计算具有类似的或可接受的性能的类似的特征的许多备选的方法和特征定义。优选实施方式使用具有特征集合的PDF分级实现。相信所公开的特征集合在不使用PDF分级方法的CAD***中也可能是有利的。类似地，相信本文所述的胸部坐标***或它的变形在其他CAD方法中也具有适用性。

虽然说明书在多个位置中可以参考“一”、“一个”、“另一个”或“一些”实施方式，但是这无需意味着每个该参考是对于相同的实施方式或者该特征仅适用于单个实施方式。

Claims

1.一种用于检测图像中的异常的方法，所述方法包括：

卷积数字图像以创建处于不同尺度的多个第一卷积图像；

卷积所述多个第一卷积图像中的每个第一卷积图像，由此创建多个第二卷积图像，所述多个第一卷积图像中的每个第一卷积图像和所述多个第二卷积图像中对应的第二卷积图像对应于多个阶段中的相应阶段；

创建多个外科遮罩，每个外科遮罩至少部分地基于当前阶段的所述多个第二卷积图像中的一个第二卷积图像和来自前一阶段的所述多个第二卷积图像中的一个第二卷积图像；

确定用于所述多个外科遮罩的每个像素位置的邻居中值；以及

至少部分地基于来自所述当前阶段的所述第二卷积图像、来自所述前一阶段的所述第一卷积图像和用于所述当前阶段的所述邻居中值，识别一个或多个峰值。

2.如权利要求1所述的方法，其中，至少部分地通过使用来自所述前一阶段的所述邻居中值，执行至少部分地基于来自所述前一阶段的所述多个第二卷积图像中的一个第二卷积图像创建所述多个外科遮罩。

3.如权利要求2所述的方法，其中，至少部分地通过对于所述多个第二卷积图像中的相应第二卷积图像的每个像素将像素相对对比度与阈值进行比较，执行至少部分地基于来自所述前一阶段的所述多个第二卷积图像中的一个第二卷积图像创建所述多个外科遮罩。

4.如权利要求3所述的方法，其中，至少部分地通过将所述当前阶段的所述的相应第二卷积图像的所述像素值除以前一阶段的相同像素位置的邻居中值，确定所述像素相对对比度。

5.如权利要求1所述的方法，还包括从更大的尺度中排除在更小的尺度处检测的峰值。

6.如权利要求1所述的方法，其中，所述数字化图像是缩放图像。

7.如权利要求1所述的方法，其中，从一个尺度到下一个尺度，标准偏差翻倍。

8.一种用于识别数字化图像中的异常的***，所述***包括：

第一卷积器，用于卷积数字化图像、创建第一卷积图像；

第二卷积器，用于卷积所述第一卷积图像、创建第二卷积图像；以及

峰值检测器，用于接收所述数字化图像和所述第二卷积图像，所述峰值检测器识别具有峰值的像素。

9.如权利要求8所述的***，其中，所述数字化图像是在前一阶段中由所述第一卷积器卷积的卷积图像。

10.如权利要求8所述的***，还包括耦合到所述峰值检测器的邻居中值计算器，用于提供用于每个像素的邻居中值。

11.如权利要求10所述的***，还包括耦合到所述第二卷积器和所述邻居中值计算器的提取器，所述提取器从所述第二卷积图像去除像素相对对比度大于阈值的像素，在所述提取器去除所述像素之后，所述邻居中值计算器至少部分地使用所述第二卷积图像。

12.如权利要求11所述的***，其中，至少部分地通过将所述当前阶段的所述相应第二卷积图像的所述像素值除以基于前一阶段第二卷积图像的相同像素位置的邻居中值，确定所述像素相对对比度。

13.如权利要求8所述的***，还包括耦合到所述峰值检测器用于接收所述像素和对应峰值的阈值器，所述阈值器将所述对应峰值与阈值进行比较。

14.如权利要求13所述的***，其中，所述阈值是全局中值绝对偏差的倍数。

15.一种用于识别异常的计算机程序产品，所述计算机程序产品具有非瞬态计算机可读介质，所述非瞬态计算机可读介质具有实现在其上的计算机程序，所述计算机程序包括：

用于卷积数字化图像、创建多个第一卷积图像的计算机程序代码，每个所述卷积图像对应于不同的尺度；

用于卷积所述多个第一卷积图像中的每个第一卷积图像、创建多个第二卷积图像的计算机程序代码；

用于确定用于所述多个第二卷积图像中的每个第二卷积图像的每个像素的邻居中值的计算机程序代码；以及

用于基于所述多个第一卷积图像中的一个第一卷积图像和所述第二卷积图像中的一个第二卷积图像识别峰值区域的计算机程序代码，所述第二卷积图像中的所述一个第二卷积图像对应于通过卷积数字化图像并且卷积所述多个第一卷积图像中的每个第一卷积图像被卷积之后的所述多个第一卷积图像中的所述一个第一卷积图像。

16.如权利要求15所述的计算机程序产品，其中，所述多个第一卷积图像表示高斯模糊图像。

17.如权利要求15所述的计算机程序产品，其中，所述多个第二卷积图像表示拉普拉斯曲率图像。

18.如权利要求15所述的计算机程序产品，其中，用于确定所述邻居中值的所述计算机程序代码包括用于排除在前一个尺度中识别的峰值区域的计算机程序代码。

19.如权利要求15所述的计算机程序产品，还包括用于从用于确定所述邻居中值的所述多个第二卷积图像中排除像素的计算机程序代码。

20.如权利要求19所述的计算机程序产品，其中，用于排除像素的所述计算机程序代码包括用于将像素相对对比度与所述邻居中值进行比较的计算机程序代码。