CN103778600B - 图像处理*** - Google Patents

图像处理*** Download PDF

Info

Publication number
CN103778600B
CN103778600B CN201210411592.7A CN201210411592A CN103778600B CN 103778600 B CN103778600 B CN 103778600B CN 201210411592 A CN201210411592 A CN 201210411592A CN 103778600 B CN103778600 B CN 103778600B
Authority
CN
China
Prior art keywords
feature
candidate tumor
tumor profile
profile
image processing
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.)
Active
Application number
CN201210411592.7A
Other languages
English (en)
Other versions
CN103778600A (zh
Inventor
任海兵
张丽丹
郝志会
刘志花
张红卫
金智渊
禹景久
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Samsung Telecommunications Technology Research Co Ltd
Samsung Electronics Co Ltd
Original Assignee
Beijing Samsung Telecommunications Technology Research Co Ltd
Samsung Electronics Co Ltd
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 Beijing Samsung Telecommunications Technology Research Co Ltd, Samsung Electronics Co Ltd filed Critical Beijing Samsung Telecommunications Technology Research Co Ltd
Priority to CN201210411592.7A priority Critical patent/CN103778600B/zh
Priority to KR1020130021930A priority patent/KR102128325B1/ko
Publication of CN103778600A publication Critical patent/CN103778600A/zh
Application granted granted Critical
Publication of CN103778600B publication Critical patent/CN103778600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

一种用于乳腺影像的图像处理***包括：影像采集器，用于获取二维乳腺超声波影像；肿瘤检测器，用于从获取的二维乳腺超声波影像检测M个包含乳腺肿瘤的兴趣区域，并且为每个兴趣区域打分作为其检测分数，其中，M＞0；多参数分割器，用于分别使用K个肿瘤分割算法从所述M个兴趣区域中的每个分割出K个候选肿瘤轮廓，并且为每个候选肿瘤轮廓记录检测分数，其中，K＞0；特征打分器，用于根据预定的至少一个特征对每个候选肿瘤轮廓进行评价打分；融合器，用于根据所述M*K个候选肿瘤轮廓的检测分数和特征分数，从所述M*K个候选肿瘤轮廓当中选择最终分割出的肿瘤轮廓。

Description

图像处理***
技术领域
本申请涉及一种用于乳腺超声波影像的图像处理***，尤其涉及一种从乳腺超声波影像检测多个乳腺肿瘤的兴趣区域并进行打分，使用多参数的多个肿瘤分割方法对每个兴趣区域进行分割处理并进行打分，并且从多个分割结果中选择综合指数较高的分割结果的图像处理技术。
背景技术
乳腺癌是女性的第二大杀手，而早期检测是降低死亡率(40％或以上)的关键。超声波越来越多地作为***X光检查(X射线)的补充诊断测试被用于乳腺成像，当***X光检查可能发生敏感性降低时或者当***X光检查存在不可接受的辐射危险时，其本身也作为第一线成像技术被使用。因此，计算机辅助诊断(CAD)***可以帮助缺乏经验的医生来避免误诊，在不误诊癌症的前提下减少良性病变活检的数量，并且减少各种检测的变化。
在计算机辅助的乳腺超声波诊断***中，核心技术包括肿瘤检测和分割，而肿瘤分割是确定肿瘤是良性还是恶性的关键。现有的肿瘤检测处理输出单个检测结果，而肿瘤分割处理针对所述单个检测结果进行肿瘤分割处理。在此过程中，检测错误或不正确的检测结果以及使用不适当的参数都会导致错误的分割结果。这样的计算机辅助乳腺超声波诊断不够强劲，分割结果的准确性也不稳定。
发明内容
本发明的目的在于提供一种用于乳腺超声波影像的图像处理***，从乳腺超声波影像检测多个乳腺肿瘤的兴趣区域并进行打分，使用多参数的多个肿瘤分割方法对每个兴趣区域进行分割处理，并且对每个分割出的肿瘤轮廓进行多个特征的特征打分，此后从多个分割结果中选择综合指数较高的分割结果的图像处理技术，使分割结果不易受部分不正确的检测结果和/或分割参数使用不当的影响，从而提高乳腺肿瘤检测和分割处理结果的稳定性。
本发明的另一目的在于提供一种用于乳腺超声波影像的图像处理***，从已标注多个兴趣区域的乳腺超声波影像使用多参数的多个肿瘤分割方法对每个兴趣区域进行分割处理，并且对每个分割出的肿瘤轮廓进行多个特征的特征打分，选择特征指数较高的分割结果的图像处理技术，使分割结果不易受部分分割参数使用不当的影响，从而提高乳腺肿瘤分割处理结果的稳定性。
根据本发明的一方面，提供一种用于乳腺影像的图像处理***，包括：影像采集器，用于获取二维乳腺超声波影像；肿瘤检测器，用于从影像采集器获取的二维乳腺超声波影像检测M个包含乳腺肿瘤的兴趣区域(ROI)，并且为每个ROI打分作为其检测分数，其中，M＞0；多参数分割器，用于分别使用基于不同的参数或参数组合的K个肿瘤分割算法从所述M个ROI中的每个分割出K个候选肿瘤轮廓，并且为每个候选肿瘤轮廓记录分割出所述候选肿瘤轮廓的ROI的检测分数，其中，K＞0；特征打分器，用于根据预定的至少一个特征对分割出的M*K个候选肿瘤轮廓中的每个进行评价打分作为其特征分数；融合器，用于根据所述M*K个候选肿瘤轮廓的检测分数和特征分数，从所述M*K个候选肿瘤轮廓当中选择一个候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
所述的图像处理***可还包括：合并器，用于对分割出的M*K个候选肿瘤轮廓分别计算彼此之间的相似度，并且从每组相似度高于预定值的多个候选肿瘤轮廓当中去除检测分数不是最高的候选肿瘤轮廓，从而得到N个候选肿瘤轮廓，其中，N＜＜M*K；其中，特征打分器根据预定的至少一个特征对所述N个候选肿瘤轮廓中的每个进行评价打分作为其特征分数，融合器根据所述N个候选肿瘤轮廓的检测分数和特征分数，选择一个候选肿瘤轮廓。
所述的图像处理***可还包括：预处理器，用于对获取的二维乳腺超声波影像执行预处理，所述预处理包括对获取的二维乳腺超声波影像执行去噪声处理以及/或者图像增强处理；其中，多参数分割器对经过预处理的二维乳腺超声波影像执行所述肿瘤分割处理。
肿瘤检测器可使用形变部位模型方法、模板匹配方法或Adaboost方法执行所述M个包含乳腺肿瘤的ROI的检测以及打分。
所述不同的参数可以是不同的迭代次数、不同的比例或不同的方法，并且所述肿瘤分割方法是水平集方法、图切割方法、区域增长方法或分水岭算法。
特征打分器可使用支持向量回归方法根据以下特征中的至少一个特征计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数：纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征。
所述轮廓特征可以是灰度对比度、强度对比度或Gestar特征。
所述肿瘤特征可以是后声特征或回声模式特征。
融合器可将每个候选肿瘤轮廓的检测分数和特征分数分别进行归一化，根据以下公式计算每个候选肿瘤轮廓的综合分数，并且选择综合分数最高的候选肿瘤轮廓：
Scorecombined＝wds×NDS+wrs×NRS
其中，Scorecombined是候选肿瘤轮廓的综合分数，wds和wrs分别是赋予候选肿瘤轮廓的检测分数和特征分数的权值，NDS和NRS分别是候选肿瘤轮廓的检测分数和特征分数。
融合器可使用s-score归一化算法、min-max归一化算法、Tanh estimator或double sigmoid算法执行所述归一化处理。
特征打分器可使用支持向量回归方法，根据以下特征中的至少一个特征以及候选肿瘤轮廓的检测分数计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数：纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征，其中，融合器从所述M*K个候选肿瘤轮廓当中选择特征分数最高的候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
所述不同的参数可以是不同的迭代次数、不同的比例、不同的步骤、不同的去噪声处理或不同的图像增强方法，并且所述肿瘤分割方法是水平集方法、图切割方法、区域增长方法或分水岭算法。
根据本发明的另一方面，提供一种用于乳腺影像的图像处理***，包括：影像采集器，用于获取标注有M个肿瘤ROI的二维乳腺超声波影像，其中，M＞0；多参数分割器，用于分别使用基于不同的参数或参数组合的K个肿瘤分割算法从所述M个ROI中的每个分割出K个候选肿瘤轮廓，其中，K＞0；特征打分器，用于根据预定的至少一个特征对分割出的M*K个候选肿瘤轮廓中的每个进行评价打分作为其特征分数，并且从所述M*K个候选肿瘤轮廓中选择特征分数最高的候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
所述不同的参数可以是不同的迭代次数、不同的比例或不同的步骤，并且所述肿瘤分割方法是水平集方法、图切割方法、区域增长方法或分水岭算法。
特征打分器可使用支持向量回归方法根据以下特征中的至少一个特征计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数：纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征。
所述轮廓特征可以是灰度对比度、强度对比度或Gestar特征。所述肿瘤特征可以是后声特征或回声模式特征。
根据本发明的另一方面，提供一种用于乳腺影像的图像处理方法，包括：a)获取二维乳腺超声波影像；b)从获取的二维乳腺超声波影像检测M个包含乳腺肿瘤的ROI，并且为每个ROI打分作为其检测分数，其中，M＞0；c)分别使用基于不同的参数或参数组合的K个肿瘤分割算法从所述M个ROI中的每个分割出K个候选肿瘤轮廓，并且为每个候选肿瘤轮廓记录分割出所述候选肿瘤轮廓的ROI的检测分数，其中，K＞0；d)根据预定的至少一个特征对分割出的M*K个候选肿瘤轮廓中的每个进行评价打分作为其特征分数；e)根据所述M*K个候选肿瘤轮廓的检测分数和特征分数，从所述M*K个候选肿瘤轮廓当中选择一个候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
所述的方法可还包括：g)对分割出的M*K个候选肿瘤轮廓分别计算彼此之间的相似度，并且从每组相似度高于预定值的多个候选肿瘤轮廓当中去除检测分数不是最高的候选肿瘤轮廓，从而得到N个候选肿瘤轮廓，其中，N＜＜M*K；其中，在步骤d)中，根据预定的至少一个特征对所述N个候选肿瘤轮廓中的每个进行评价打分作为其特征分数，并且在步骤e)中，根据所述N个候选肿瘤轮廓的检测分数和特征分数，选择一个候选肿瘤轮廓。
所述的方法可还包括：在执行步骤b)前，对获取的二维乳腺超声波影像执行预处理，所述预处理包括对获取的二维乳腺超声波影像执行去噪声处理以及/或者图像增强处理；其中，在步骤c)，对经过预处理的二维乳腺超声波影像执行所述肿瘤分割处理。
在步骤b)中，可使用形变部位模型方法、模板匹配方法或Adaboost方法执行所述M个包含乳腺肿瘤的ROI的检测以及打分。
在步骤c)中，所述不同的参数可以是不同的迭代次数、不同的比例或不同的步骤，并且所述肿瘤分割方法是水平集方法、图切割方法、抢割方法或分水岭算法。
在步骤d)中，可使用支持向量回归方法根据以下特征中的至少一个特征计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数：纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征。
所述轮廓特征可以是灰度对比度、强度对比度或Gestar特征。所述肿瘤特征可以是后声特征或回声模式特征。
在步骤e)中，可将每个候选肿瘤轮廓的检测分数和特征分数分别进行归一化，根据以下公式计算每个候选肿瘤轮廓的综合分数，并且选择综合分数最高的候选肿瘤轮廓：
Scorecombined＝wds×NDS+wrs×NRS
其中，Scorecombined是候选肿瘤轮廓的综合分数，wds和wrs分别是赋予候选肿瘤轮廓的检测分数和特征分数的权值，NDS和NRS分别是候选肿瘤轮廓的检测分数和特征分数。
在步骤e)中，可使用s-score归一化算法、min-max归一化算法、Tanh estimator或double sigmoid算法执行所述归一化处理。
在步骤d)中，可使用支持向量回归方法，根据以下特征中的至少一个特征以及候选肿瘤轮廓的检测分数计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数：纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征。其中，在步骤e)中，可从所述M*K个候选肿瘤轮廓当中选择特征分数最高的候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
所述不同的参数可以是不同的迭代次数、不同的比例、不同的步骤、不同的去噪声处理或不同的图像增强方法，并且所述肿瘤分割方法是水平集方法、图切割方法、抢割方法或分水岭算法。
根据本发明的另一方面，提供一种用于乳腺影像的图像处理方法，包括：a)获取标注有M个肿瘤ROI的二维乳腺超声波影像，其中，M＞0；b)分别使用基于不同的参数或参数组合的K个肿瘤分割算法从所述M个ROI中的每个分割出K个候选肿瘤轮廓，其中，K＞0；c)根据预定的至少一个特征对分割出的M*K个候选肿瘤轮廓中的每个进行评价打分作为其特征分数；d)从所述M*K个候选肿瘤轮廓中选择特征分数最高的候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
在步骤b)中，所述不同的参数可以是不同的迭代次数、不同的比例或不同的步骤，并且所述肿瘤分割方法是水平集方法、图切割方法、抢割方法或分水岭算法。
在步骤c)中，可使用支持向量回归方法根据以下特征中的至少一个特征计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数：纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征。
所述轮廓特征可以是灰度对比度、强度对比度或Gestar特征。所述肿瘤特征可以是后声特征或回声模式特征。
附图说明
通过下面结合附图进行的描述，本发明的上述和其他目的和特点将会变得更加清楚，其中：
图1是示出根据本发明的示例性实施例的图像处理***的逻辑框图以及其执行图像处理的示意图；
图2是示出根据本发明的示例性实施例的图像处理方法的流程图；
图3示出根据本发明的示例性实施例的图像处理方法分割出的候选肿瘤轮廓；
图4示出根据本发明的另一示例性实施例的图像处理方法的流程图。
具体实施方式
以下，将参照附图来详细说明本发明的实施例。
图1是示出根据本发明的示例性实施例的图像处理***的逻辑框图以及其执行图像处理的示意图。
参照图1，图像处理***包括影像采集器100、肿瘤检测器110、多参数分割器120、特征打分器140和融合器150。
影像采集器100获取二维乳腺超声波影像(如图1中影像采集器下侧所示的源图像)。影像采集器100可从与其连接的超声波成像设备获取所述二维乳腺超声波影像，也可以从信息存储介质读取所述二维乳腺超声波影像。根据本发明的优选实施例，图像处理***还包括预处理器(未示出)，预处理器用于对获取的二维乳腺超声波影像执行预处理，所述预处理包括对获取的二维乳腺超声波影像执行去噪声处理以及/或者图像增强处理。肿瘤检测器110对经过预处理的二维乳腺超声波影像执行肿瘤检测。
肿瘤检测器110从影像采集器100获取的(或经过预处理的)二维乳腺超声波影像检测M个包含乳腺肿瘤的兴趣区域(ROI)，并且为每个兴趣区域打分作为其检测分数，其中，M＞0。每个ROI是包括实际肿瘤的长方形区域，这些区域可相互重叠。图1中肿瘤检测器110下侧示出多个浅色框标注的ROI。肿瘤检测器110可使用形变部位模型(DPM)方法、模板匹配方法或Adaboost方法执行所述M个包含乳腺肿瘤的ROI的检测以及打分，但本发明所述的肿瘤检测方法不限于上述方法。
针对这M个ROI，多参数分割器120分别使用基于不同的参数或参数组合的K个肿瘤分割算法从所述M个ROI中的每个分割出K个候选肿瘤轮廓，并且为每个候选肿瘤轮廓记录分割出所述候选肿瘤轮廓的ROI的检测分数，其中，K＞0。所述不同的参数是(但不限于)不同的迭代次数、不同的比例或不同的步骤，并且所述肿瘤分割方法可以是(但不限于)水平集方法、图切割方法、区域增长方法或分水岭算法。在包含预处理器的实施例中，所述不同的参数还包括不同的去噪声处理或不同的图像增强方法。通过此步骤，图像处理***获得M*K个分割出的候选肿瘤轮廓。图1中多参数分割器120下侧示出经过所述步骤的处理获得的部分候选肿瘤轮廓。其中，最上端的两个候选肿瘤轮廓非常相似。
根据本发明的示例性实施例，为了节省计算资源和运算时间，图像处理***还包括合并器130。合并器130对多参数分割器120分割出的M*K个候选肿瘤轮廓分别计算彼此之间的相似度，并且从每组相似度高于预定值的多个候选肿瘤轮廓当中去除检测分数不是最高的候选肿瘤轮廓，从而得到N个候选肿瘤轮廓，其中，N＜＜M*K。如果图像处理***不考虑运算时间和运算处理量的因素，可不包括合并器130。
特征打分器140用于根据预定的至少一个特征对分割出的M*K个候选肿瘤轮廓或者经过合并器130合并处理后保留的N个候选肿瘤轮廓中的每个进行评价打分作为其特征分数。根据本发明的示例性实施例，特征打分器140使用支持向量回归(SVR)方法，根据纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征中的至少一个特征计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数。所述轮廓特征是灰度对比度、强度对比度或Gestar特征。所述肿瘤特征是后声特征或回声模式特征。
融合器150用于根据所述M*K个或N个候选肿瘤轮廓的检测分数和特征分数，从所述M*K或N个候选肿瘤轮廓当中选择一个候选肿瘤轮廓作为最终分割出的肿瘤轮廓。具体地，融合器首先使用s-score归一化算法、min-max归一化算法、Tanh estimator或doublesigmoid算法将每个候选肿瘤轮廓的检测分数和特征分数分别进行归一化，根据以下公式计算每个候选肿瘤轮廓的综合分数，并且选择综合分数最高的候选肿瘤轮廓：
Scorecombined＝wds×NDS+wrs×NRS
其中，Scorecombined是候选肿瘤轮廓的综合分数，wds和wrs分别是赋予候选肿瘤轮廓的检测分数和特征分数的权值，NDS和NRS分别是候选肿瘤轮廓的检测分数和特征分数。
根据本发明的可选示例性实施例，特征打分器140使用SVR方法，根据纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征中的至少一个特征以及候选肿瘤轮廓的检测分数计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数；在这种情况下，融合器150从所述M*K个候选肿瘤轮廓当中选择特征分数最高的候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
根据本发明的图像处理***从二维乳腺超声波影像中检测出多个ROI，所述多个ROI被作为乳腺分割的基础；本发明还采用基于多参数的多个肿瘤分割方法对所述多个ROI进行肿瘤分割处理，获得更多数量的候选肿瘤轮廓，并且对每个候选肿瘤轮廓进行多个特征的评价打分；由此，图像处理***能够综合检测处理中的打分和评价处理的特征打分，从而按照一定的标准选择综合打分最高的候选肿瘤轮廓作为其最终的肿瘤分割结果。这种处理方式较传统的仅检测出一个肿瘤区域，仅针对这一个肿瘤区域进行一种肿瘤分割处理的方式相比，更能够确保输出结果的准确性和稳定性，而不易受任一环节中发生的个别错误的影响。
在一些情况下，在由计算机辅助***执行处理前，医生可能事先在拍摄的乳腺超声波影像在标注一个或多个肿瘤存在的区域。此时，图像处理***可将二维乳腺超声波影像以及事先标注的一个或多个肿瘤存在的区域作为输入，其中，分别将事先标注的一个或多个肿瘤存在的区域作为ROI进行处理。根据本发明的另一示例性实施例，本发明的图像处理***包括影像采集器200、多参数分割器120和特征打分器140。影像采集器100可获取已标注有M个肿瘤ROI的二维乳腺超声波影像，其中，M＞0。影像采集器100可根据需要，对标注的肿瘤ROI进行适当的处理(如将ROI调整为矩形等)。多参数分割器120用于分别使用基于不同的参数或参数组合的K个肿瘤分割算法从所述M个ROI中的每个分割出K个候选肿瘤轮廓，其中，K＞0，从而共分割出M*K个候选肿瘤轮廓。特征打分器140如前所述，用于根据预定的至少一个特征对分割出的M*K个候选肿瘤轮廓中的每个进行评价打分作为其特征分数；此外，从特征打分器140所述M*K个候选肿瘤轮廓中选择特征分数最高的候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
以下将参照图2-图4详细描述根据本发明的示例性实施例的图像处理方法。
图2是示出根据本发明的示例性实施例的图像处理方法的流程图。
参照图2，在步骤S100，图像处理***获取二维乳腺超声波影像。图像处理***可从与其连接的超声波成像设备获取所述二维乳腺超声波影像，也可以从信息存储介质读取所述二维乳腺超声波影像。
超声波成像设备拍摄的超声波影像经常含有例如斑点等的“噪声”。根据本发明的优选实施例，为了获得较佳的图像处理效果，在步骤S105，图像处理***对获取的二维乳腺超声波影像执行预处理，所述预处理包括对获取的二维乳腺超声波影像执行去噪声处理以及/或者图像增强处理。但是，步骤S105是可选的步骤，而不是必须执行的步骤。
此后，在步骤S110，从图像处理***获取的(或经过预处理的)二维乳腺超声波影像检测M个包含乳腺肿瘤的ROI，并且为每个ROI打分作为其检测分数，其中，M＞0。可使用形变部位模型(DPM)方法、模板匹配方法或AdaBoost方法执行所述M个包含乳腺肿瘤的ROI的检测以及打分。
在步骤S120，图像处理***分别使用基于不同的参数或参数组合的K个肿瘤分割算法从所述M个ROI中的每个分割出K个候选肿瘤轮廓，并且为每个候选肿瘤轮廓记录分割出所述候选肿瘤轮廓的ROI的检测分数，其中，K＞0。经过步骤S120的处理，将获得M*K个候选肿瘤轮廓。图3示出从左侧的二维乳腺超声波影像中检测出的一个ROI进行3个肿瘤分割算法进行分割得到的3候选肿瘤轮廓(右侧)。
这里，所述K个肿瘤分割算法是使用不同的参数或参数组合的多种肿瘤分割算法。所述不同的参数是不同的迭代次数、不同的比例或不同的步骤。在执行步骤S105的预处理的情况下，所述不同的参数可还包括不同的去噪声处理或不同的图像增强方法。所述肿瘤分割方法是水平集方法、图切割方法、区域增长方法或分水岭算法。
此后，在步骤S130，图像处理***对分割出的M*K个候选肿瘤轮廓分别计算彼此之间的相似度，并且从每组相似度高于预定值的多个候选肿瘤轮廓当中去除检测分数不是最高的候选肿瘤轮廓，从而得到N个候选肿瘤轮廓，其中，N＜＜M*K。
如果图像处理***不考虑运算时间过长和运算处理量过大的影响，可不执行S130。
在步骤S140，图像处理***根据预定的至少一个特征对所述N个候选肿瘤轮廓中的每个进行评价打分作为其特征分数。在没有执行步骤S130的情况下，将对分割出的M*K个候选肿瘤轮廓中的每个进行评价打分作为其特征分数。
根据本发明的示例性实施例，图像处理***使用SVR方法根据以下特征中的至少一个特征计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数：纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征。其中，所述轮廓特征是灰度对比度、强度对比度或Gestar特征，所述肿瘤特征是后声特征或回声模式特征。但是，本发明不限于使用支持向量回归方法，也可以使用其他的图像特征相似度评价方法，并且本发明也不限于对在此列出的特征进行评价打分。
此后，在步骤S150，图像处理***根据所述N个候选肿瘤轮廓的检测分数和特征分数，从所述N个候选肿瘤轮廓中选择一个候选肿瘤轮廓作为最终的分割出的肿瘤轮廓。
以多个候选肿瘤轮廓以及其检测分数和特征分数作为输入，根据偏好和侧重，可以使用多种融合方法来执行候选肿瘤轮廓的综合评价，从而选择综合评价最高的候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
根据本发明的示例性实施例，图像处理***将每个候选肿瘤轮廓的检测分数和特征分数分别进行归一化，根据以下公式计算每个候选肿瘤轮廓的综合分数，并且选择综合分数最高的候选肿瘤轮廓：
Scorecombined＝wds×NDS+wrs×NRS
其中，Scorecombined是候选肿瘤轮廓的综合分数，wds和wrs分别是赋予候选肿瘤轮廓的检测分数和特征分数的权值，NDS和NRS分别是候选肿瘤轮廓的检测分数和特征分数。
这里，可以使用s-score归一化算法、min-max归一化算法、Tanh estimator或double sigmoid算法执行所述分数的归一化处理。
根据本发明的可选实施例，在步骤S140，图像处理***使用支持向量回归方法，根据以下特征中的至少一个特征以及候选肿瘤轮廓的检测分数计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数：纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征。在步骤S150，图像处理***从所述M*K个候选肿瘤轮廓当中选择特征分数最高的候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
根据本发明的另一可选实施例，图像处理***输出最终的分割出的肿瘤轮廓。
图4示出根据本发明的另一示例性实施例的图像处理方法的流程图。
参照图4，在步骤S200，图像处理***获取二维乳腺超声波影像以及标注的一个或多个区域。图像处理***将标注的每个区域作为ROI。这里，假设有M个ROI。
在步骤S220，图像处理***分别使用基于不同的参数或参数组合的K个肿瘤分割算法从所述M个ROI中的每个分割出K个候选肿瘤轮廓，其中，K＞0。可如图2中步骤S120执行这里所述的分割处理，不同的是，在输入标注区域的情形中不存在检测分数。
在步骤S240，图像处理***根据预定的至少一个特征对分割出的M*K个候选肿瘤轮廓中的每个进行评价打分作为其特征分数，并且从所述M*K个候选肿瘤轮廓中选择特征分数最高的候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
根据对本发明的示例性实施例的描述可以看出，本发明的图像处理***和方法可对每个检测出的ROI执行多参数分割从而获得多个候选肿瘤轮廓，并且对所述多个候选肿瘤轮廓进行特征打分，从而综合检测的分数和特征分数选取最佳的候选肿瘤轮廓作为最终的分割结果，这种处理方式较传统的仅检测出一个肿瘤区域，仅针对这一个肿瘤区域进行一种肿瘤分割处理的方式相比，更能够确保输出结果的准确性和稳定性，而不易受任一环节中发生的个别错误的影响。
此外，还可以对医生已标注了ROI的乳腺影像执行多参数肿瘤分割，并且根据每个分割出的候选肿瘤轮廓的特征打分选取最佳的候选肿瘤轮廓作为最终的分割结果，提高了肿瘤分割的结果的稳定性，使分割结果不易受一个或部分参数使用不当或个别错误的影响。
尽管已参照优选实施例表示和描述了本发明，但本领域技术人员应该理解，在不脱离由权利要求限定的本发明的精神和范围的情况下，可以对这些实施例进行各种修改和变换。

Claims (17)

1.一种用于乳腺影像的图像处理***，包括：
影像采集器，用于获取二维乳腺超声波影像；
肿瘤检测器，用于从影像采集器获取的二维乳腺超声波影像检测M个包含乳腺肿瘤的兴趣区域，并且为每个兴趣区域打分作为其检测分数，其中，M>0；
多参数分割器，用于分别使用基于不同的参数或参数组合的K个肿瘤分割算法从所述M个兴趣区域中的每个分割出K个候选肿瘤轮廓，并且为每个候选肿瘤轮廓记录分割出所述候选肿瘤轮廓的兴趣区域的检测分数，其中，K>0；
特征打分器，用于根据预定的至少一个特征对分割出的M*K个候选肿瘤轮廓中的每个进行评价打分作为其特征分数；
融合器，用于根据所述M*K个候选肿瘤轮廓所在的兴趣区域的检测分数和所述M*K个候选肿瘤轮廓的特征分数，从所述M*K个候选肿瘤轮廓当中选择一个候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
2.如权利要求1所述的图像处理***，还包括：
合并器，用于对分割出的M*K个候选肿瘤轮廓分别计算彼此之间的相似度，并且从每组相似度高于预定值的多个候选肿瘤轮廓当中去除候选肿瘤轮廓所在的兴趣区域的检测分数不是最高的候选肿瘤轮廓，从而得到N个候选肿瘤轮廓，其中，N<<M*K；
其中，特征打分器根据预定的至少一个特征对所述N个候选肿瘤轮廓中的每个进行评价打分作为其特征分数，融合器根据所述N个候选肿瘤轮廓所在的兴趣区域的检测分数和所述N个候选肿瘤轮廓的特征分数，选择一个候选肿瘤轮廓。
3.如权利要求1所述的图像处理***，还包括：
预处理器，用于对获取的二维乳腺超声波影像执行预处理，所述预处理包括对获取的二维乳腺超声波影像执行去噪声处理以及/或者图像增强处理；
其中，多参数分割器对经过预处理的二维乳腺超声波影像执行所述肿瘤分割处理。
4.如权利要求1所述的图像处理***，其中，肿瘤检测器使用形变部位模型方法、模板匹配方法或Adaboost方法执行所述M个包含乳腺肿瘤的兴趣区域的检测以及打分。
5.如权利要求1所述的图像处理***，其中，所述不同的参数是不同的迭代次数、不同的比例或不同的方法，并且所述肿瘤分割方法是水平集方法、图切割方法、区域增长方法或分水岭算法。
6.如权利要求4所述的图像处理***，其中，特征打分器使用支持向量回归方法根据以下特征中的至少一个特征计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数：纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征。
7.如权利要求6所述的图像处理***，其中，所述轮廓特征是灰度对比度、强度对比度或Gestar特征。
8.如权利要求6所述的图像处理***，其中，所述肿瘤特征是后声特征或回声模式特征。
9.如权利要求1所述的图像处理***，其中，融合器将每个候选肿瘤轮廓所在的兴趣区域的检测分数和每个候选肿瘤轮廓的特征分数分别进行归一化，根据以下公式计算每个候选肿瘤轮廓的综合分数，并且选择综合分数最高的候选肿瘤轮廓：
Scorecombined＝wds×NDS+wrs×NRS
其中，Scorecombined是候选肿瘤轮廓的综合分数，wds和wrs分别是赋予候选肿瘤轮廓所在的兴趣区域的检测分数和候选肿瘤轮廓的特征分数的权值，NDS和NRS分别是候选肿瘤轮廓所在的兴趣区域的检测分数和候选肿瘤轮廓的特征分数。
10.如权利要求9所述的图像处理***，其中，融合器使用s-score归一化算法、min-max归一化算法、Tanh estimator或double sigmoid算法执行所述归一化处理。
11.如权利要求4所述的图像处理***，
其中，特征打分器使用支持向量回归方法，根据以下特征中的至少一个特征以及候选肿瘤轮廓所在的兴趣区域的检测分数计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数：纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征，
其中，融合器从所述M*K个候选肿瘤轮廓当中选择特征分数最高的候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
12.如权利要求3所述的图像处理***，其中，所述不同的参数是不同的迭代次数、不同的比例、不同的步骤、不同的去噪声处理或不同的图像增强方法，并且所述肿瘤分割方法是水平集方法、图切割方法、区域增长方法或分水岭算法。
13.一种用于乳腺影像的图像处理***，包括：
影像采集器，用于获取标注有M个肿瘤兴趣区域的二维乳腺超声波影像，其中，M>0；
多参数分割器，用于分别使用基于不同的参数或参数组合的K个肿瘤分割算法从所述M个兴趣区域中的每个分割出K个候选肿瘤轮廓，其中，K>0；
特征打分器，用于根据预定的至少一个特征对分割出的M*K个候选肿瘤轮廓中的每个进行评价打分作为其特征分数，并且从所述M*K个候选肿瘤轮廓中选择特征分数最高的候选肿瘤轮廓作为最终分割出的肿瘤轮廓。
14.如权利要求13所述的图像处理***，其中，所述不同的参数是不同的迭代次数、不同的比例或不同的步骤，并且所述肿瘤分割方法是水平集方法、图切割方法、区域增长方法或分水岭算法。
15.如权利要求13所述的图像处理***，其中，特征打分器使用支持向量回归方法根据以下特征中的至少一个特征计算每个候选肿瘤轮廓的Jaccard指数作为其特征分数：纹理特征、空间特征、强度特征、轮廓特征或肿瘤特征。
16.如权利要求15所述的图像处理***，其中，所述轮廓特征是灰度对比度、强度对比度或Gestar特征。
17.如权利要求15所述的图像处理***，其中，所述肿瘤特征是后声特征或回声模式特征。
CN201210411592.7A 2012-10-25 2012-10-25 图像处理*** Active CN103778600B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201210411592.7A CN103778600B (zh) 2012-10-25 2012-10-25 图像处理***
KR1020130021930A KR102128325B1 (ko) 2012-10-25 2013-02-28 이미지 처리 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210411592.7A CN103778600B (zh) 2012-10-25 2012-10-25 图像处理***

Publications (2)

Publication Number Publication Date
CN103778600A CN103778600A (zh) 2014-05-07
CN103778600B true CN103778600B (zh) 2019-02-19

Family

ID=50570799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210411592.7A Active CN103778600B (zh) 2012-10-25 2012-10-25 图像处理***

Country Status (2)

Country Link
KR (1) KR102128325B1 (zh)
CN (1) CN103778600B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102315574B1 (ko) * 2014-12-03 2021-10-20 삼성전자주식회사 데이터 분류 방법 및 장치와 관심영역 세그멘테이션 방법 및 장치
KR102333479B1 (ko) 2015-03-31 2021-12-03 한국전자통신연구원 유방 병변 진단을 위한 영상 판독 보조 방법 및 장치
US10565711B2 (en) * 2015-05-18 2020-02-18 Koninklijke Philips N.V. Self-aware image segmentation methods and systems
CN105488800A (zh) * 2015-11-30 2016-04-13 上海联影医疗科技有限公司 特征提取方法、计算机辅助诊断的方法及其***
WO2017092615A1 (zh) 2015-11-30 2017-06-08 上海联影医疗科技有限公司 一种计算机辅助诊断***及方法
CN106683137B (zh) * 2017-01-11 2019-12-31 中国矿业大学 基于人工标志的单目多目标识别与定位方法
CN110569837B (zh) * 2018-08-31 2021-06-04 创新先进技术有限公司 优化损伤检测结果的方法及装置
WO2021087687A1 (zh) * 2019-11-04 2021-05-14 深圳迈瑞生物医疗电子股份有限公司 超声图像分析方法、超声成像***和计算机存储介质
CN111554383B (zh) * 2020-04-24 2023-09-05 浙江杜比医疗科技有限公司 一种用于乳腺肿瘤检测的神经网络及其检测***
KR102667231B1 (ko) * 2020-12-21 2024-05-20 주식회사 인피니트헬스케어 딥 러닝 알고리듬과 해부학적 특성에 기반한 의료 영상 셋의 컨투어링 시스템 및 방법
CN115641430B (zh) * 2022-10-12 2024-01-30 阿里巴巴（中国）有限公司 一种兴趣面确定方法、装置、介质及计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887514A (zh) * 2009-05-13 2010-11-17 联咏科技股份有限公司 人脸检测装置及其人脸检测方法
CN102113335A (zh) * 2009-06-09 2011-06-29 索尼公司 图像处理设备和方法以及程序
CN102467741A (zh) * 2010-11-18 2012-05-23 索尼公司 对图像中的斑状区域进行检测的方法和装置
CN102479327A (zh) * 2010-11-23 2012-05-30 现代摩比斯株式会社 目标识别***，以及用于汽车的障碍识别***和方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0893028A2 (en) * 1997-02-06 1999-01-27 Koninklijke Philips Electronics N.V. Image segmentation and object tracking method and corresponding system
US20050129297A1 (en) 2003-12-15 2005-06-16 Kamath Vidya P. Classification of breast lesion method and system
KR100863745B1 (ko) * 2005-08-18 2008-10-16 주식회사 메디슨 초음파 영상 진단 시스템에서 초음파 영상 처리 장치 및방법
GB0602739D0 (en) 2006-02-10 2006-03-22 Ccbr As Breast tissue density measure
US8218850B2 (en) 2006-02-10 2012-07-10 Synarc Inc. Breast tissue density measure
IL182332A (en) * 2006-03-31 2013-04-30 Given Imaging Ltd A system and method for assessing a patient's condition
US20100158332A1 (en) 2008-12-22 2010-06-24 Dan Rico Method and system of automated detection of lesions in medical images
KR101439412B1 (ko) * 2010-11-22 2014-09-11 한국전자통신연구원 영상에서 종괴의 경계 검출 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887514A (zh) * 2009-05-13 2010-11-17 联咏科技股份有限公司 人脸检测装置及其人脸检测方法
CN102113335A (zh) * 2009-06-09 2011-06-29 索尼公司 图像处理设备和方法以及程序
CN102467741A (zh) * 2010-11-18 2012-05-23 索尼公司 对图像中的斑状区域进行检测的方法和装置
CN102479327A (zh) * 2010-11-23 2012-05-30 现代摩比斯株式会社 目标识别***，以及用于汽车的障碍识别***和方法

Also Published As

Publication number Publication date
KR102128325B1 (ko) 2020-07-01
KR20140057130A (ko) 2014-05-12
CN103778600A (zh) 2014-05-07

Similar Documents

Publication Publication Date Title
CN103778600B (zh) 图像处理***
Ghatwary et al. Early esophageal adenocarcinoma detection using deep learning methods
Kavur et al. Comparison of semi-automatic and deep learning-based automatic methods for liver segmentation in living liver transplant donors
Kim et al. Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images
US9996918B2 (en) Method for distinguishing pulmonary artery and pulmonary vein, and method for quantifying blood vessels using same
Zheng et al. Machine learning based vesselness measurement for coronary artery segmentation in cardiac CT volumes
CN109478327B (zh) 用于在任意视场计算断层摄影血管造影（cta）中自动检测全身动脉的方法
Wang et al. Vessel segmentation using implicit model-guided level sets
Rueda et al. Feature-based fuzzy connectedness segmentation of ultrasound images with an object completion step
US9109391B2 (en) Method and branching determination device for determining a branching point within a hollow organ
KR20150027637A (ko) 의료영상들을 정합하는 방법 및 장치
CN107274399A (zh) 一种基于Hession矩阵和三维形状指数的肺结节分割方法
US10521906B2 (en) Method and image processor for evaluating a contrast agent-enhanced magnetic resonance slice image of a heart
Abbas et al. Combined spline and B-spline for an improved automatic skin lesion segmentation in dermoscopic images using optimal color channel
Wang et al. A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network
Sakellarios et al. Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data
CN111899850A (zh) 医学影像的信息处理方法、显示方法及可读存储介质
Divyashree et al. Breast cancer mass detection in mammograms using gray difference weight and mser detector
WO2023156290A1 (en) Method and system for computer aided diagnosis based on morphological characteristics extracted from 3-dimensional medical images
CN104021391B (zh) 处理超声图像的方法和装置以及乳腺癌诊断设备
JP6862147B2 (ja) 画像処理装置、画像処理装置の作動方法、画像処理システム
US20070121787A1 (en) System and method for airway detection
US20070086637A1 (en) Distance Transform Based Vessel Detection for Nodule Segmentation and Analysis
Dabass et al. Effectiveness of region growing based segmentation technique for various medical images-a study
Affane et al. Robust deep 3-D architectures based on vascular patterns for liver vessel segmentation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant