CN104771228B - 一种乳腺肿块良恶的判断方法和装置 - Google Patents
一种乳腺肿块良恶的判断方法和装置 Download PDFInfo
- Publication number
- CN104771228B CN104771228B CN201510127561.2A CN201510127561A CN104771228B CN 104771228 B CN104771228 B CN 104771228B CN 201510127561 A CN201510127561 A CN 201510127561A CN 104771228 B CN104771228 B CN 104771228B
- Authority
- CN
- China
- Prior art keywords
- image
- mammary gland
- gland tumor
- lump
- distance
- 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.)
- Expired - Fee Related
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 66
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title abstract description 15
- 230000000877 morphologic effect Effects 0.000 claims description 19
- 230000000505 pernicious effect Effects 0.000 claims description 7
- 210000000481 breast Anatomy 0.000 claims description 5
- 230000008961 swelling Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 5
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 201000008275 breast carcinoma Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4887—Locating particular structures in or on the body
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种乳腺肿块良恶的判断方法和装置。该方法包括获取待检测乳腺肿块图像的若干第一图像特征；分别计算所述第一图像特征与乳腺肿块的样本图像的第二图像特征之间的特征距离；根据所述特征距离小于第一预设值的样本图像的数量判断所述乳腺肿块的良恶。本发明实施方式提供的一种乳腺肿块良恶的判断方法和装置对待检测乳腺肿块图像进行定量化分析，提取已知良恶的特征相近的肿块图像，提供查询肿块良恶预测值，供临床参考。
Description
技术领域
本发明涉及医学图像处理技术，特别地涉及一种乳腺肿块良恶的判断方法和装置。
背景技术
随着科技的发展，医学成像技术，如电脑断层扫描(CT，Computed Tomography)和磁共振成像(MRI，Magnetic Resonance Imaging)，得以发展和普及。这使得诊断医生可以直接通过医用图像诊断患者是否存在肿瘤及判断肿瘤良恶。
然而在当前的临床诊断中，对于乳腺癌影像学的临床分析，主要是依靠诊断医生对图像的定性评价。这种诊断方式不仅对诊断医生的经验要求较高，并且十分耗时。此外，由于乳腺结构本身的复杂性，以及诊断医生的视觉感知差异等因素，不同医生对同一病人的诊断结果往往存在差异。因此，有必要提出一种对乳腺肿块良恶进行客观判断的方法，以辅助医生对乳腺肿块的良恶进行判断。
发明内容
针对现有技术的不足，本发明的目的在于提供一种乳腺肿块良恶的判断方法和装置，旨在解决现有乳腺肿块判断过程中过于依赖医生对图像的定性评价的技术缺陷。
为此，本发明实施方式提供了一种乳腺肿块良恶的判断方法，包括：
获取待检测乳腺肿块图像的若干第一图像特征；
分别计算所述第一图像特征与乳腺肿块的样本图像的第二图像特征之间的特征距离；
根据所述特征距离小于第一预设值的样本图像的数量判断所述乳腺肿块的良恶。
优选的，所述第一图像特征和第二图像特征包括图像的形态学特征和/或纹理特征。
优选的，所述形态学特征包括肿块边界分形维、肿块紧凑度、肿块毛刺度、肿块面积和肿块半径分布的熵中的一种或多种。
优选的，所述纹理特征包括图像的一致性、图像的和熵和图像的差熵中的一种或多种。
优选的，所述特征距离的计算公式如下：
其中，D为特征距离，分别表示查询肿块图像的形态学特征向量和纹理特征向量，分别表示数据库中第i张肿块图像的形态学特征向量和纹理特征向量，为的曼哈顿距离，为的欧氏距离，a和b分别表示形态学特征距离和纹理特征距离的权重值。
优选的，所述权重值a为[0,1],权重值b为1-a。
优选的，所述特征距离小于第一预设值的样本图像的数量为3～13。
优选的，所述根据所述特征距离小于预设值的样本图像的数量判断所述乳腺肿块的良恶的步骤包括：
若所述特征距离小于第一预设值的样本图像中良性的肿块图像数量超过一第二预设值，则判断结果则为良性；否则，判断结果为恶性。
优选的，所述第二预设值为所述特征距离小于预设值的样本图像的数量的一半。
此外，本发明实施方式还提供了一种乳腺肿块良恶的判断装置，包括：
图像特征获取模块，用于获取待检测乳腺肿块图像的若干第一图像特征；
特征距离计算模块，用于分别计算所述第一图像特征与乳腺肿块的样本图像的第二图像特征之间的特征距离；
结果判断模块，用于根据所述特征距离小于第一预设值的样本图像的数量判断所述乳腺肿块的良恶。
与现有技术相比，本发明实施方式提供的一种乳腺肿块良恶的判断方法和装置对待检测乳腺肿块图像进行定量化分析，提取已知良恶的特征相近的肿块图像，提供查询肿块良恶预测值，供临床参考。
附图说明
图1是本发明实施方式提供的一种乳腺肿块良恶的判断方法的流程图；
图2是根据本发明实施例的查询乳腺肿块的MRI图像；
图3A-3D是图2涉及的实施例中从数据库提取的乳腺肿块的MRI图像。
图4是根据本发明另一实施例的查询乳腺肿块的MRI图像；
图5A-5D是图4涉及的实施例中从数据库提取的乳腺肿块的MRI图像；
图6本发明实施方式提供的一种乳腺肿块良恶的判断装置的结构示意图；
具体实施方式
下面结合附图，对本发明的具体实施方式做进一步说明。
参见图1，图1是本发明实施方式提供的一种乳腺肿块良恶的判断方法的流程图。图1示出的乳腺肿块良恶的判断方法的实施方式包括步骤S101-S103。
在步骤S101中，获取待检测乳腺肿块图像的若干第一图像特征。
具体而言，使用医学设备对待测乳腺进行扫描，得到待测乳腺肿块图像，然后获取待测乳腺肿块图像的第一图像特征。第一图像特征和第二图像特征包括图像的形态学特征和/或纹理特征。其中，形态学特征包括肿块边界分形维、肿块紧凑度、肿块毛刺度、肿块面积和肿块半径分布的熵中的一种或多种。纹理特征包括图像的一致性、图像的和熵和图像的差熵中的一种或多种。
在步骤S102中，分别计算所述第一图像特征与乳腺肿块的样本图像的第二图像特征之间的特征距离。其中，样本图像可以设于一数据库中，为已知良恶的特征相近的肿块图像。第一图像特征与第二图像特征相对应，例如第一图像特征为检测乳腺肿块图像形态学特征，则第二图像特征也应当为乳腺肿块的样本图像的形态学特征。
在一些实施方式中，特征距离的计算公式如下：
其中，D为特征距离，分别表示查询肿块图像的形态学特征向量和纹理特征向量，分别表示数据库中第i张肿块图像的形态学特征向量和纹理特征向量，为的曼哈顿距离，为的欧氏距离，a和b分别表示形态学特征距离和纹理特征距离的权重值。其中，权重值a取值范围为[0,1],权重值b为1-a。
在步骤S103中，根据所述特征距离小于第一预设值的样本图像的数量判断所述乳腺肿块的良恶。
在一些优选的实施方式中，获取特征距离小于第一预设值的样本图像的数量为3～13。例如可以对样本图像的特征距离按照从小到大的方式进行排序，选取前3-13个样本。如果所述特征距离小于第一预设值的样本图像中良性的肿块图像数量超过一第二预设值，则判断结果则为良性；否则，判断结果为恶性。在一些优选的实施方式中，第二预设值为所述特征距离小于预设值的样本图像的数量的一半。例如，选取前10个样本图像进行观察，发现其中有8个样本图像为良心肿瘤的样本图像，则可以倾向性认为该乳腺肿瘤为良性。
下面试举一些具体实施方式以进一步详细阐述本发明实施方式的精神和实质。
参见图2和图3A-3D，图2是根据本发明实施例的查询乳腺肿块的MRI图像，图3A-3D是图2涉及的实施例中从数据库提取的乳腺肿块的MRI图像。
图2是待检测乳腺肿块的MRI图像，其中绿色圈出的为肿块。
计算得出图2中的肿块特征为：
形态学特征：分形维＝1.2067，紧凑度＝1.1795，毛刺度＝0.6364，面积＝906，半径分布的熵＝3.1219。
纹理特征：一致性＝8.0406*10-4，和熵＝8.2383，差熵＝5.6784。
根据距离方程计算查询乳腺肿块图像特征值与数据库中各个乳腺肿块图像特征值的距离。
根据距离排序，从数据库中提取出4张距离最短的已知良恶性的肿块图像
图3A-3D是从数据库提取的4张乳腺肿块的MRI图像。提取出的4张乳腺MRI图像的临床病理诊断均为良性。图2被判断为良性，结果与临床病理结果相符。
图4是另一实施例的待检测乳腺肿块的MRI图像，其中绿色圈出的为肿块。
计算得出图4中的肿块特征为：
形态学特征：分形维＝1.4239，紧凑度＝1.5626，毛刺度＝0.7522，面积＝1805，半径分布的熵＝3.3219。
纹理特征：一致性＝4.0214*10-4，和熵＝8.5612，差熵＝5.7332。
根据距离方程计算查询乳腺肿块图像特征值与数据库中各个乳腺肿块图像特征值的距离。
根据距离排序，从数据库中提取出4张距离最短的已知良恶性的肿块图像
图5A-5D是从数据库提取的4张乳腺肿块的MRI图像。提取出的4张乳腺MRI图像的临床病理诊断均为恶性。图4被判断为恶性，结果与临床病理结果相符。
此外，本发明实施例还提供了一种乳腺肿块良恶的判断装置。
参见图6，图6本发明实施方式提供的一种乳腺肿块良恶的判断装置的结构示意图。图4示出的判断装置包括图像特征获取模块10、特征距离计算模块20和结果判断模块30。
其中，图像特征获取模块10用于获取待检测乳腺肿块图像的若干第一图像特征。特征距离计算模块20用于分别计算所述第一图像特征与乳腺肿块的样本图像的第二图像特征之间的特征距离。结果判断模块30用于根据所述特征距离小于第一预设值的样本图像的数量判断所述乳腺肿块的良恶。
从上述的实施方式可以看出，本发明实施方式提供的乳腺肿块良恶的判断方法和装置对待检测乳腺肿块图像进行定量化分析，提取已知良恶的特征相近的肿块图像，提供查询肿块良恶预测值，供临床参考。
应该理解，本发明并不局限于上述实施方式，凡是对本发明的各种改动或变型不脱离本发明的精神和范围，倘若这些改动和变型属于本发明的权利要求和等同技术范围之内，则本发明也意味着包含这些改动和变型。
Claims (6)
1.一种乳腺肿块良恶的判断装置，其特征在于其包括：
图像特征获取模块，用于获取待检测乳腺肿块图像的若干第一图像特征；
特征距离计算模块，用于分别计算所述第一图像特征与乳腺肿块的样本图像的第二图像特征之间的特征距离；所述特征距离的计算公式如下：
其中，D为特征距离，分别表示查询肿块图像的形态学特征向量和纹理特征向量，分别表示数据库中第i张肿块图像的形态学特征向量和纹理特征向量，为的曼哈顿距离，为的欧氏距离，a和b分别表示形态学特征距离和纹理特征距离的权重值；
结果判断模块，用于根据所述特征距离小于第一预设值的样本图像的数量判断所述乳腺肿块的良恶；具体包括：
若所述特征距离小于第一预设值的样本图像中良性的肿块图像数量超过一第二预设值，则判断结果则为良性；否则，判断结果为恶性；所述第二预设值为所述特征距离小于预设值的样本图像的数量的一半。
2.如权利要求1所述的乳腺肿块良恶的判断装置，其特征在于：所述第一图像特征和第二图像特征包括图像的形态学特征和/或纹理特征。
3.如权利要求2所述的乳腺肿块良恶的判断装置，其特征在于：所述形态学特征包括肿块边界分形维、肿块紧凑度、肿块毛刺度、肿块面积和肿块半径分布的熵中的一种或多种。
4.如权利要求2所述的乳腺肿块良恶的判断装置，其特征在于：所述纹理特征包括图像的一致性、图像的和熵和图像的差熵中的一种或多种。
5.如权利要求1所述的乳腺肿块良恶的判断装置，其特征在于：所述权重值a为[0,1],权重值b为1-a。
6.如权利要求1所述的乳腺肿块良恶的判断装置，其特征在于：所述特征距离小于第一预设值的样本图像的数量为3～13。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510127561.2A CN104771228B (zh) | 2015-03-23 | 2015-03-23 | 一种乳腺肿块良恶的判断方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510127561.2A CN104771228B (zh) | 2015-03-23 | 2015-03-23 | 一种乳腺肿块良恶的判断方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104771228A CN104771228A (zh) | 2015-07-15 |
| CN104771228B true CN104771228B (zh) | 2017-04-05 |
Family
ID=53613228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510127561.2A Expired - Fee Related CN104771228B (zh) | 2015-03-23 | 2015-03-23 | 一种乳腺肿块良恶的判断方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104771228B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872307B (zh) * | 2019-01-30 | 2022-01-07 | 腾讯科技（深圳）有限公司 | 一种检测生物组织图像中肿块的方法、相应设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007059615A1 (en) * | 2005-11-23 | 2007-05-31 | The Medipattern Corporation | Method and system of computer-aided quantitative and qualitative analysis of medical images |
| CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其*** |
-
2015
- 2015-03-23 CN CN201510127561.2A patent/CN104771228B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007059615A1 (en) * | 2005-11-23 | 2007-05-31 | The Medipattern Corporation | Method and system of computer-aided quantitative and qualitative analysis of medical images |
| CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其*** |
Non-Patent Citations (1)
| Title |
|---|
| 基于乳腺X线摄片的计算机辅助检测肿块方法研究;姜娈;《中国博士学位论文全文数据库信息科技辑》;20091115(第11期);第15页第1段－第22页倒数第1段，第31页第2.4节－第37页第2段，第64－65页的4.1节，第72页第1段－第74页倒数第1段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104771228A (zh) | 2015-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Belal et al. | Deep learning for segmentation of 49 selected bones in CT scans: first step in automated PET/CT-based 3D quantification of skeletal metastases | |
| US10628930B1 (en) | Systems and methods for generating fused medical images from multi-parametric, magnetic resonance image data | |
| US7599542B2 (en) | System and method for detection and display of diseases and abnormalities using confidence imaging | |
| Mesanovic et al. | Automatic CT image segmentation of the lungs with region growing algorithm | |
| Zhang et al. | Can quantitative CT texture analysis be used to differentiate subtypes of renal cell carcinoma? | |
| Sorace et al. | Distinguishing benign and malignant breast tumors: preliminary comparison of kinetic modeling approaches using multi-institutional dynamic contrast-enhanced MRI data from the International Breast MR Consortium 6883 trial | |
| JP6175071B2 (ja) | 胸部画像の処理及び表示 | |
| Firjani et al. | A diffusion-weighted imaging based diagnostic system for early detection of prostate cancer | |
| WO2006114658A2 (en) | Lung cancer diagnosis using magnetic resonance imaging data obtained at three time points | |
| EP3005298A1 (en) | A method of reconstruction of an object from projection views | |
| Chang et al. | Classification of breast mass lesions using model-based analysis of the characteristic kinetic curve derived from fuzzy c-means clustering | |
| CN113855079A (zh) | 基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法 | |
| Sansone et al. | Comparison between two packages for pectoral muscle removal on mammographic images | |
| Saha et al. | Interobserver variability in identification of breast tumors in MRI and its implications for prognostic biomarkers and radiogenomics | |
| Natesan et al. | Quantitative assessment of breast density: transmission ultrasound is comparable to mammography with tomosynthesis | |
| Goehler et al. | Three-dimensional neural network to automatically assess liver tumor burden change on consecutive liver MRIs | |
| JP2006346094A (ja) | 検出情報の出力方法及び医用画像処理システム | |
| Tan et al. | Chest wall segmentation in automated 3D breast ultrasound scans | |
| Wennmann et al. | Deep learning for automatic bone marrow apparent diffusion coefficient measurements from whole-body magnetic resonance imaging in patients with multiple myeloma: a retrospective multicenter study | |
| CN104771228B (zh) | 一种乳腺肿块良恶的判断方法和装置 | |
| Deng et al. | Characterizing breast lesions through robust multimodal data fusion using independent diffuse optical and x-ray breast imaging | |
| Holland et al. | Optimization of volumetric breast density estimation in digital mammograms | |
| Mazzetti et al. | Computer-aided diagnosis of prostate cancer using multi-parametric MRI: comparison between PUN and Tofts models | |
| Ertaş et al. | Improved lesion detection in MR mammography: three-dimensional segmentation, moving voxel sampling, and normalized maximum intensity–time ratio entropy | |
| Petrillo et al. | Breast contrast enhanced MR imaging: semi-automatic detection of vascular map and predominant feeding vessel |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170405 Termination date: 20210323 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |