CN109389580A - 一种x射线图像中乳腺区域的识别方法 - Google Patents
一种x射线图像中乳腺区域的识别方法 Download PDFInfo
- Publication number
- CN109389580A CN109389580A CN201811007279.0A CN201811007279A CN109389580A CN 109389580 A CN109389580 A CN 109389580A CN 201811007279 A CN201811007279 A CN 201811007279A CN 109389580 A CN109389580 A CN 109389580A
- Authority
- CN
- China
- Prior art keywords
- radioscopic image
- image
- region
- radioscopic
- profile
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002708 enhancing effect Effects 0.000 claims abstract description 11
- 238000004195 computer-aided diagnosis Methods 0.000 claims abstract description 9
- 238000011946 reduction process Methods 0.000 claims abstract description 5
- 230000004069 differentiation Effects 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 description 7
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 3
- 229910052750 molybdenum Inorganic materials 0.000 description 3
- 239000011733 molybdenum Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000004907 gland Anatomy 0.000 description 2
- 210000005075 mammary gland Anatomy 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 206010006272 Breast mass Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种X射线图像中乳腺区域的识别方法,包括以下步骤：S1、利用计算机辅助诊断***对X射线图像进行处理；S2、X射线图像的轮廓的确定；S3、X射线图像的增强：通过确定X射线图像的轮廓，并使用频率域图像增强法对X射线图像的轮廓边缘和轮廓内部的图像进行图像增强；S4、肿块区域和正常组织的区分：对灰度值均值为分割阈值从而对各个曲线段进行分割，得到乳腺区域的轮廓线和正常组织的轮廓线，从而对肿块区域和正常组织进行区分，本发明通过使用计算机辅助诊断***对X射线图像进行处理，可以对X射线图像进行降噪处理和减少假阳性区域的产生，使得X射线图像受到的外界干扰小。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种X射线图像中乳腺区域的识别方法。
背景技术
乳腺癌是危害妇女健康的最常见的恶性疾病，而乳腺肿块是乳腺图像中表征乳腺病变的主要症状之一。钼靶X线摄影是目前临床上乳腺疾病监测的主要手段，但是放射科医生需要分析大量的X光片，且肿块大都被埋藏在复杂的、高密度的腺体背景中，使其难以检出和识别，这使得仅用肉眼在复杂的钼靶X光中查找不到千分之一的异常区域，是一件枯燥，费时和及其困难的事。因此，我们提出了一种X射线图像中乳腺区域的识别方法用于解决上述问题。
发明内容
本发明的目的是为了解决现有技术中存在仅用肉眼在复杂的钼靶X光中查找不到千分之一的异常区域，是一件枯燥，费时和及其困难的缺点，而提出的一种X射线图像中乳腺区域的识别方法。
一种X射线图像中乳腺区域的识别方法，包括以下步骤：
S1、利用计算机辅助诊断***对X射线图像进行处理：首先使用计算机辅助诊断***中的A/D转换器转换，将X射线图像转换为数字信号，并使用64帧帧间降噪技术对X射线图像进行降噪处理，接着使用Gabor滤波器增强感兴趣特质，并减少假阳性区域的产生；
S2、X射线图像的轮廓的确定：使用基于能量泛函的分割方法对X射线图像进行分割，并使用连续曲线来表达目标边缘，通过求解函数对应的欧拉方程来实现，能量达到最小时的曲线位置就是X射线图像的轮廓；
S3、X射线图像的增强：通过确定X射线图像的轮廓，对X射线图像的轮廓边缘和轮廓内部的图像使用图像辉度约束方程进行图像明暗度的测定，并使用频率域图像增强法对X射线图像的轮廓边缘和轮廓内部的图像进行图像增强；
S4、肿块区域和正常组织的区分：对灰度值均值为分割阈值 从而对各个曲线段进行分割，得到乳腺区域的轮廓线和正常组织的轮廓线，从而对肿块区域和正常组织进行区分。
优选的，所述A/D转换器为高速8位A/D转换器，且A/D转换器的型号为CA3318CE。
优选的，所述基于能量泛函的分割方法是使用连续曲线来表达目标边缘，并定义一个能量泛函使得其自变量包括边缘曲线，通过求解函数对应的欧拉方程来实现边缘曲线的轮廓，且能量达到最小时即为X射线图像的轮廓，且所述欧拉方程为:(ax²D²+bxD+c)y=f(x)。
优选的，所述图像辉度约束方程为：I（x,y）=R（p,q），且所述p,q为0时，迭代结果也为0，并且所述p,q为无穷大时，迭代结果也为无穷大。
优选的，所述频率域图像增强法的方法是对X射线图像进行傅里叶变换后再使用频率域滤波处理，最后使用傅里叶反变换后得到增强后的X射线图像。
优选的，所述灰度值均值的获取方法是根据X射线图像的像素值获取像素点个数，并根据像素点的个数来获取各像素的灰度值。
本发明的有益效果是：
1、本发明，通过使用计算机辅助诊断***对X射线图像进行处理，可以对X射线图像进行降噪处理和减少假阳性区域的产生，使得X射线图像受到的外界干扰小。
2、本发明，通过使用基于能量泛函的分割方法对X射线图像进行分割，使得分割得到的X射线图像的轮廓的准确度更高，并且边缘效果的准确度更好。
3、本发明，通过对X射线图像进行增强，使得X图像显示出来的图像更加的清晰，更加的便于医生在进行诊断时的诊断结果，减少了误差。
4、本发明，通过对肿块区域和正常组织进行区分，使得医生在对X图像进行判断时，所花费的时间更短，减少了医生的诊断强度。
具体实施方式
下面结合具体实施例对本发明作进一步解说。、
实施例：一种X射线图像中乳腺区域的识别方法，包括以下步骤：
S1、利用计算机辅助诊断***对X射线图像进行处理：首先使用计算机辅助诊断***中的A/D转换器转换，A/D转换器为高速8位A/D转换器，且A/D转换器的型号为CA3318CE，将X射线图像转换为数字信号，并使用64帧帧间降噪技术对X射线图像进行降噪处理，接着使用Gabor滤波器增强感兴趣特质，并减少假阳性区域的产生；
S2、X射线图像的轮廓的确定：使用基于能量泛函的分割方法对X射线图像进行分割，基于能量泛函的分割方法是使用连续曲线来表达目标边缘，并定义一个能量泛函使得其自变量包括边缘曲线，通过求解函数对应的欧拉方程来实现边缘曲线的轮廓，且能量达到最小时即为X射线图像的轮廓，且欧拉方程为:(ax²D²+bxD+c)y=f(x)，并使用连续曲线来表达目标边缘，通过求解函数对应的欧拉方程来实现，能量达到最小时的曲线位置就是X射线图像的轮廓；
S3、X射线图像的增强：通过确定X射线图像的轮廓，对X射线图像的轮廓边缘和轮廓内部的图像使用图像辉度约束方程（图像辉度约束方程为：I（x,y）=R（p,q），且所述p,q为0时，迭代结果也为0，并且所述p,q为无穷大时，迭代结果也为无穷大）进行图像明暗度的测定，并使用频率域图像增强法对X射线图像的轮廓边缘和轮廓内部的图像进行图像增强，频率域图像增强法的方法是对X射线图像进行傅里叶变换后再使用频率域滤波处理，最后使用傅里叶反变换后得到增强后的X射线图像；
S4、肿块区域和正常组织的区分：灰度值均值的获取方法是根据X射线图像的像素值获取像素点个数，并根据像素点的个数来获取各像素的灰度值，对灰度值均值为分割阈值 从而对各个曲线段进行分割，得到乳腺区域的轮廓线和正常组织的轮廓线，从而对肿块区域和正常组织进行区分。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种X射线图像中乳腺区域的识别方法，其特征在于，包括以下步骤：
S1、利用计算机辅助诊断***对X射线图像进行处理：首先使用计算机辅助诊断***中的A/D转换器转换，将X射线图像转换为数字信号，并使用64帧帧间降噪技术对X射线图像进行降噪处理，接着使用Gabor滤波器增强感兴趣特质，并减少假阳性区域的产生；
S2、X射线图像的轮廓的确定：使用基于能量泛函的分割方法对X射线图像进行分割，并使用连续曲线来表达目标边缘，通过求解函数对应的欧拉方程来实现，能量达到最小时的曲线位置就是X射线图像的轮廓；
S3、X射线图像的增强：通过确定X射线图像的轮廓，对X射线图像的轮廓边缘和轮廓内部的图像使用图像辉度约束方程进行图像明暗度的测定，并使用频率域图像增强法对X射线图像的轮廓边缘和轮廓内部的图像进行图像增强；
S4、肿块区域和正常组织的区分：对灰度值均值为分割阈值 从而对各个曲线段进行分割，得到乳腺区域的轮廓线和正常组织的轮廓线，从而对肿块区域和正常组织进行区分。
2.根据权利要求1所述的一种X射线图像中乳腺区域的识别方法，其特征在于，所述A/D转换器为高速8位A/D转换器，且A/D转换器的型号为CA3318CE。
3.根据权利要求1所述的一种X射线图像中乳腺区域的识别方法，其特征在于，所述基于能量泛函的分割方法是使用连续曲线来表达目标边缘，并定义一个能量泛函使得其自变量包括边缘曲线，通过求解函数对应的欧拉方程来实现边缘曲线的轮廓，且能量达到最小时即为X射线图像的轮廓，且所述欧拉方程为:(ax²D²+bxD+c)y=f(x)。
4.根据权利要求1所述的一种X射线图像中乳腺区域的识别方法，其特征在于，所述图像辉度约束方程为：I（x,y）=R（p,q），且所述p,q为0时，迭代结果也为0，并且所述p,q为无穷大时，迭代结果也为无穷大。
5.根据权利要求1所述的一种X射线图像中乳腺区域的识别方法，其特征在于，所述频率域图像增强法的方法是对X射线图像进行傅里叶变换后再使用频率域滤波处理，最后使用傅里叶反变换后得到增强后的X射线图像。
6.根据权利要求1所述的一种X射线图像中乳腺区域的识别方法，其特征在于,所述灰度值均值的获取方法是根据X射线图像的像素值获取像素点个数，并根据像素点的个数来获取各像素的灰度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811007279.0A CN109389580A (zh) | 2018-08-31 | 2018-08-31 | 一种x射线图像中乳腺区域的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811007279.0A CN109389580A (zh) | 2018-08-31 | 2018-08-31 | 一种x射线图像中乳腺区域的识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109389580A true CN109389580A (zh) | 2019-02-26 |
Family
ID=65418645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811007279.0A Pending CN109389580A (zh) | 2018-08-31 | 2018-08-31 | 一种x射线图像中乳腺区域的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109389580A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610498A (zh) * | 2019-08-13 | 2019-12-24 | 上海联影智能医疗科技有限公司 | 乳腺钼靶图像处理方法、***、存储介质及设备 |
| CN112285131A (zh) * | 2020-11-02 | 2021-01-29 | 泰州帕沃能源科技有限公司 | 一种检测电力开关x射线图像质量判定方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080037853A1 (en) * | 2006-08-11 | 2008-02-14 | Sylvain Bernard | Method for the processing of radiology images for a detection of opacities |
| CN103646398A (zh) * | 2013-12-04 | 2014-03-19 | 山西大学 | 一种皮肤镜病灶自动分割方法 |
| CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
| CN105139362A (zh) * | 2015-09-23 | 2015-12-09 | 成都融创智谷科技有限公司 | 一种基于频率域的图像增强方法 |
| CN108182692A (zh) * | 2018-01-05 | 2018-06-19 | 深圳蓝韵医学影像有限公司 | X射线图像中的乳腺区域识别方法、装置和存储介质 |
-
2018
- 2018-08-31 CN CN201811007279.0A patent/CN109389580A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080037853A1 (en) * | 2006-08-11 | 2008-02-14 | Sylvain Bernard | Method for the processing of radiology images for a detection of opacities |
| CN103646398A (zh) * | 2013-12-04 | 2014-03-19 | 山西大学 | 一种皮肤镜病灶自动分割方法 |
| CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
| CN105139362A (zh) * | 2015-09-23 | 2015-12-09 | 成都融创智谷科技有限公司 | 一种基于频率域的图像增强方法 |
| CN108182692A (zh) * | 2018-01-05 | 2018-06-19 | 深圳蓝韵医学影像有限公司 | X射线图像中的乳腺区域识别方法、装置和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610498A (zh) * | 2019-08-13 | 2019-12-24 | 上海联影智能医疗科技有限公司 | 乳腺钼靶图像处理方法、***、存储介质及设备 |
| CN112285131A (zh) * | 2020-11-02 | 2021-01-29 | 泰州帕沃能源科技有限公司 | 一种检测电力开关x射线图像质量判定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5133020A (en) | Automated method and system for the detection and classification of abnormal lesions and parenchymal distortions in digital medical images | |
| Kanitkar et al. | Detection of lung cancer using marker-controlled watershed transform | |
| JPH10503961A (ja) | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 | |
| CN108288058B (zh) | 一种改进的小波阈值膝关节摆动信号去噪算法 | |
| CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
| Kajla et al. | Analysis of x-ray images with image processing techniques: A review | |
| CN109389580A (zh) | 一种x射线图像中乳腺区域的识别方法 | |
| Tarique et al. | Fourier transform based early detection of breast cancer by mammogram image processing | |
| CN107330895B (zh) | 医学图像的分割方法及装置 | |
| Lalli et al. | A development of knowledge-based inferences system for detection of breast cancer on thermogram images | |
| Tsai et al. | Adaptive segmentation of vessels from coronary angiograms using multi-scale filtering | |
| Vidyasaraswathi et al. | Review of various histogram based medical image enhancement techniques | |
| CN105096332A (zh) | 医学图像分割方法和装置 | |
| Moraes et al. | Automatic IOCT lumen segmentation using wavelet and Mathematical Morphology | |
| Martinez et al. | Iterative method for automatic detection of masses in digital mammograms for computer-aided diagnosis | |
| EP3995081A1 (en) | Diagnosis assisting program | |
| Thangaraju et al. | Detection of microcalcification clusters using hessian matrix and foveal segmentation method on multiscale analysis in digital mammograms | |
| Fiallos et al. | Automatic detection of injuries in mammograms using image analysis techniques | |
| CN103892848B (zh) | 乳腺x光图像的钙化点检测方法 | |
| Wang et al. | Improving segmentation of breast arterial calcifications from digital mammography: good annotation is all you need | |
| CN112634250A (zh) | 多能ct***图像配准方法、装置、计算机设备和存储介质 | |
| Singh et al. | Segmentation and characterization of breast tumor in mammograms | |
| Ganesan et al. | Hybrid contrast enhancement approach for medical image | |
| Guo et al. | The study of medical image enhancement based on curvelet\footnote {This work is supported by Natural Science Foundation of Heilongjiang Province (No. GFQQ2440501411).} | |
| Vasani et al. | Lung cancer detection using CT scan images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190226 |
|
| RJ01 | Rejection of invention patent application after publication |