CN110136112B - 一种基于乳腺x线摄影钙化计算机辅助检测算法 - Google Patents

一种基于乳腺x线摄影钙化计算机辅助检测算法 Download PDF

Info

Publication number
CN110136112B
CN110136112B CN201910397979.3A CN201910397979A CN110136112B CN 110136112 B CN110136112 B CN 110136112B CN 201910397979 A CN201910397979 A CN 201910397979A CN 110136112 B CN110136112 B CN 110136112B
Authority
CN
China
Prior art keywords
image
calcification
pixels
cluster
breast
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
CN201910397979.3A
Other languages
English (en)
Other versions
CN110136112A (zh
Inventor
柳培忠
蔡盛
唐加能
杜永兆
骆炎民
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.)
Quanzhou Zhongfang Hongye Information Technology Co ltd
Huaqiao University
Original Assignee
Quanzhou Zhongfang Hongye Information Technology Co ltd
Huaqiao University
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 Quanzhou Zhongfang Hongye Information Technology Co ltd, Huaqiao University filed Critical Quanzhou Zhongfang Hongye Information Technology Co ltd
Priority to CN201910397979.3A priority Critical patent/CN110136112B/zh
Publication of CN110136112A publication Critical patent/CN110136112A/zh
Application granted granted Critical
Publication of CN110136112B publication Critical patent/CN110136112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General 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)

Abstract

本发明提供了一种基于乳腺X线摄影钙化计算机辅助检测算法，包括以下步骤：读入图像、预处理、图像滤波、图像均衡化、图像分割、灰度还原、LBP和GLDM纹理特征和随机森林算法分类；本发明通过图像处理的方法既可以提高乳腺钙化的检测率，精确地表示出乳腺钙化的方位信息，提高了乳腺钙化检测的精确度，本发明可用于从乳腺钼靶靶线图像中快速地检测出可疑钙化区域，通过计算机图像处理的方法，将可疑钙化区域标示出来供参考，为最后良恶性判别诊断提供有益信息。

Description

一种基于乳腺X线摄影钙化计算机辅助检测算法
【技术领域】
本发明具体涉及一种基于乳腺X线摄影钙化计算机辅助检测算法。
【背景技术】
乳腺癌是女性最常见的恶性肿瘤之一，全国每年新发乳腺癌病例约27.4W例，占女性恶性肿瘤发病的16％，在女性肿瘤中排名第一，防治的关键在于早期诊断和早期治疗，微钙化是乳腺癌最重要、最明显的病理征象，特别是对于早期“隐匿性”的乳腺癌，微钙化通常是非常重要的参考指标，亦是早期乳腺癌的重要中间结果信息。但是，由于微钙化一般很小，故经常由于放射科医生人眼难以发现导致容易漏诊的问题。为了减轻医生根据经验肉眼标记的时间和精力，本发明可用于从乳腺钼靶图像中简单快速地检测出可疑钙化区域，通过计算机图像处理的方法，将可疑钙化区域标示出来供医生参考，为医生最后良恶性判别诊断提供中间信息。提出针对钼靶X光乳腺钙化簇辅助检测算法，为医生提供第二参考意见。
近些年来，专家学者们开始对乳腺钙化图像处理进行研究。目前，乳腺X线图像检测钙化点的研究方法大体分为三类：(1)基于图像增强方法，McLoughlin提出了一种通过简单地灰度级平方根建立量子噪声模型，提高局部对比度，实现了乳腺钙化的检测；(2)基于多尺度分解的方法，Wang等提出了一种利用差值图像提取高频信号和噪声，再利用小波缩减对噪声进行抑制，最后神经网络分类算法提取出微钙化信息；(3)基于机器学习的方法，Issam等人利用有监督的学习对图像分割检测，用SVM对图像的每块区域进行检测，以确定是否包含微钙化点。
【发明内容】
本发明要解决的技术问题，在于提供一种基于乳腺X线摄影钙化计算机辅助检测算法，用于解决中心乳腺钙化检测精度低的问题。
本发明是这样实现的：一种基于乳腺X线摄影钙化计算机辅助检测算法，包括以下步骤：
(1)读入图像：读取乳腺X线摄影检测的钙化病变图片和正常无钙化图片；
(2)预处理：将图片进行预处理，将乳腺区域提取出来，得到图像；
(3)图像滤波：利用轮廓波变换分解，将图像进行数学形态学变换；
(4)图像均衡化：利用局部直方图均衡化算法将图像中亮度极大值附近的亮度增强，亮度极小值附近的亮度减弱，提升图像的整体对比度；
(5)图像分割：运用K-means算法来进行乳腺组织的多均值迭代以进行腺体分割，提取钙化感兴趣区域和***边缘轮廓；
(6)灰度还原：提取钙化感兴趣区域与***边缘轮廓进行与运算，获取钙化感兴趣区域轮廓位置，完成乳腺钙化的图像检测；
(7)LBP和GLDM纹理特征：利用局部二值模式和灰度共生矩阵两个纹理特征进行乳腺真假阳性钙化提取检测；
(8)随机森林算法分类：用随机森林算法完成真假阳性钙化分类。
进一步地，所述滤波图像具体操作方法如下：
(3a)由金字塔变换对图像进行多尺度分解，以捕捉水平方向和垂直方向的奇异点，降低维度完成多尺度分析；
(3b)用方向滤波器组将分布在同一方向上的奇异点合成为一个系数完成多方向性分析；
(3c)用结构元素对方向滤波器组滤波后的图像进行开运算处理算法；
(3d)将得到图像进行轮廓波变换重建。
进一步地，所述图像均衡化的具体操作方法如下：
(4a)在图像上定义一个矩形子块；
(4b)利用该矩形子块的直方图信息，对矩形子块中心的像素进行像素统计；
(4c)直方图灰度级出现的像素个数除以像素的总数；
(4d)将矩形子块中心逐像素移动，并重复以上4b-4c过程，直至遍历输入图像的所有像素。
进一步地，所述图像分割具体内容如下：
(5a)输入簇的数目4；
(5b)从图像的像素范围中均分像素作为初始簇；
(5c)根据初始簇中像元的均值，将每个像元指派到初始簇中最相似的簇；
(5d)统计像元像素值总和与每个簇像元个数，二者相除获得均值并更新初始簇，作为簇的新均值；
(5e)若簇的新均值与该簇的原均值发生变化，则重复步骤5c-5e，直至簇的均值不再发生变化，输出4个簇的均值；
(5f)根据最高均值找到钙化位置，并提取钙化感兴趣区域；根据最低均值进行***边缘轮廓分割。
进一步地，所述步骤(7)具体操作方法如下：
(7a)将图像划分成小块；
(7b)将小块中的每个像素作为中心像素，比较与其相邻的8个邻居；
(7c)若中心像素的值比邻居的值大，则写0；若否，则写1，构造了一个8位的数字；
(7d)在小块中计算每一个“数字”出现的频率直方图；
(7e)对直方图进行规范化；
(7f)连接所有小块的直方图，形成整个窗口的LBP特征向量；
(7g)采用灰度共生矩阵计算图像在0度，45度，90度和135度的能量、熵、相关度、对比度的四个特征角度。
进一步地，所述随机森林算法分类包括如下内容：
(8a)定义一原始训练集S，随机有放回采样每次选出M个样本，共进行N次采样，生成N个训练集，分别训练N个决策树模型；
(8b)针对单个决策树模型，每次选用预设量的特征，计算特征的基尼系数，选择最优的一个特征作为决策树节点的左右子树划分；
(8c)每棵树都按照(8b)的方法***下去，直到所述节点达到终止条件，且每棵树都会预测该M个样本属于某一类，每棵树最大限度地生长，在决策树的***过程中不剪枝；
(8d)将生成的多N棵决策树组成随机森林，按N棵树分类器投票决定最终分类结果。
本发明的优点在于：既可以提高乳腺钙化的检测率，精确地表示出乳腺钙化的方位信息，提高了乳腺钙化检测的精确度，本发明可用于从乳腺铝靶线图像中快速地检测出可疑钙化区域，并且将可疑钙化区域标示出来。
【具体实施方式】
一种基于乳腺X线摄影钙化计算机辅助检测算法，包括以下步骤：
(1)读入图像：读取乳腺X线摄影检测的钙化病变图片和正常无钙化图片；
(2)预处理：将图片进行预处理，将乳腺区域提取出来，得到图像；
即去除患者的姓名、身份证号码、联系电话等有关患者的个人信息，标签和背景区域一般都是在图像左上角或者右上角固定位置，乳腺钙化点区域必然存在于乳腺区域之内，所以只需要标签和背景区域剪切，即可将乳腺区域提取出来；
(3)图像滤波：利用轮廓波变换(Contourlet transform)分解，将图像(带通子图像)进行数学形态学变换；具体地：
(3a)由金字塔变换(Laplacian Pyramid)对图像进行多尺度分解，以捕捉水平方向和垂直方向的奇异点，降低维度完成多尺度分析；
(3b)用方向滤波器组(Directional filter banks)将分布在同一方向上的奇异点合成为一个系数完成多方向性分析；
(3c)用结构元素对方向滤波器组滤波后的图像进行开运算处理算法；
(3d)将得到图像进行轮廓波变换重建。
(4)图像均衡化：利用局部直方图均衡化算法将图像中亮度极大值附近的亮度增强，亮度极小值附近的亮度减弱，提升图像的整体对比度；具体地：
(4a)在图像上定义一个矩形子块；
(4b)利用该矩形子块的直方图信息，对矩形子块中心的像素进行像素统计；
(4c)直方图灰度级出现的像素个数(即频率)除以像素的总数；
(4d)将矩形子块中心逐像素移动，并重复以上4b-4c过程，直至遍历输入图像的所有像素。
该方法不仅使图像局部细节得到充分的对比度增强，同时消除了块效应由于子块均衡总次数等于输入图像的像素总数。
(5)图像分割：运用K-means算法来进行乳腺组织的多均值迭代以进行腺体分割，提取钙化感兴趣区域(region of interest)和***边缘轮廓；具体地：
(5a)输入簇的数目4；
(5b)从图像的像素范围中均分像素作为初始簇；
(5c)根据初始簇中像元的均值，将每个像元指派到初始簇中最相似的簇；
(5d)统计像元像素值总和与每个簇像元个数，二者相除获得均值并更新初始簇，作为簇的新均值；
(5e)若簇的新均值与该簇的原均值发生变化，则重复步骤5c-5e，直至簇的均值不再发生变化，输出4个簇的均值；
(5f)根据最高均值找到钙化位置，并提取钙化感兴趣区域；根据最低均值进行***边缘轮廓分割。
(6)灰度还原：提取钙化感兴趣区域与***边缘轮廓进行与运算，获取钙化感兴趣区域轮廓位置，完成乳腺钙化的图像检测；
(7)LBP和GLDM纹理特征：利用局部二值模式(Local Binary Patterns，LBP)和灰度共生矩阵(Gray level co-occurrence matrix，GLCM)两个纹理特征进行乳腺真假阳性钙化提取检测；具体地：
(7a)将图像划分成小块；
(7b)将小块中的每个像素作为中心像素，比较与其相邻的8个邻居(左上，左中，左下，右上，等等)；
(7c)若中心像素的值比邻居的值大，则写0；若否，则写1，构造了一个8位的数字；
(7d)在小块中计算每一个“数字”出现的频率直方图；
(7e)对直方图进行规范化；
(7f)连接所有小块的(规范化的)直方图，形成整个窗口的LBP特征向量；
(7g)采用灰度共生矩阵计算图像在0度，45度，90度和135度的能量、熵、相关度、对比度的四个特征角度。
由于共生矩阵通常较大且稀疏，因此通常采用矩阵的各种度量来获得更有用的特征集；
其中，利用灰度共生矩阵提取包括能量、熵、对比度、相关度等纹理特征；
(1)LBP纹理特征：
Figure BDA0002058804040000071
其中ix,y是具有灰度值的中心像素的坐标，ip表示周围P像素的灰度值，S是一个符号函数，具体定义为：
Figure BDA0002058804040000072
计算这两个函数以获得二进制LBP值，并且LBP特征值由包含十个特征的向量描述，灰度共生矩阵包括如下：
(2)能量，也成为角二阶矩(Angular Second Moment，ASM)
Figure BDA0002058804040000073
(3)熵(Entropy，ENT)
Figure BDA0002058804040000074
(4)相关度(CORRLN)
f3＝[∑i∑j((ij)P(i,j))-μxμy]/σxσy
(5)对比度(CON)
f4＝∑i∑j(i-j)2P(i,j)
(8)随机森林算法分类：用随机森林算法完成真假阳性钙化分类；具体地：
(8a)定义一原始训练集S，随机有放回采样每次选出M个样本，共进行N次采样，生成N个训练集，分别训练N个决策树模型；
(8b)针对单个决策树模型，假设训练样本特征的个数为X，决策树训练是一个左右子树***的过程，每次选用预设量的特征，计算特征的基尼系数，选择最优的一个特征作为决策树节点的左右子树划分；
(8c)每棵树都按照(8b)的方法***下去，直到所述节点达到终止条件，且每棵树都会预测该M个样本属于某一类，每棵树最大限度地生长，在决策树的***过程中不剪枝；
(8d)将生成的多N棵决策树组成随机森林，按N棵树分类器投票决定最终分类结果。
本发明算法在某些方面已经超过了人类的准确率，接触乳腺X线摄影肉眼诊断一年的低年资住院医师1的准确率为80％、接触乳腺X线摄影肉眼诊断约5年的低年资主治医师2的准确率为85％。如表格1所示，RF算法都能够很好的区分正常样本和钙化样本，检测的精确率分别达到了90％、81.5％和87.5％。该结果说明，采用基于传统的机器学习分类器的计算机辅助乳腺钙化病变检测算法都能够获得很好的真阳性率，且具有更低的假阳性率。
表格1计算机辅助算法和医生肉眼钙化检测结果对比
方法 Sen Spec Acc
Our 0.8360 0.9110 0.9000
医师1 0.5000 0.8000 0.8000
医师2 0.5200 0.8889 0.8500
本发明采用通过对***图像进行多尺度滤波技术的去噪和自适应局部直方图均衡化，增强了***X线照片的对比度特征。其次，通过KNN算法来进行乳腺组织的多阈值迭代；最后，根据灰度和纹理特征将钙化和正常图片进行检测，通过LBP，GLDM两个统计特征利用随机森林方法进行比较来评估***钙化检测算法的性能。本发明既可以提高乳腺钙化的检测率，精确地表示出乳腺钙化的方位信息，提高了乳腺钙化检测的精确度，本发明可用于从乳腺铝靶线图像中快速地检测出可疑钙化区域，并且将可疑钙化区域标示出来。

Claims (3)

1.一种基于乳腺X线摄影钙化计算机辅助检测算法，其特征在于：包括以下步骤：
（1）读入图像：读取乳腺X线摄影检测的钙化病变图片和正常无钙化图片；
（2）预处理：将图片进行预处理，将乳腺区域提取出来，得到图像；
（3）图像滤波：利用轮廓波变换分解，将图像进行数学形态学变换，具体为：
（3a）由金字塔变换对图像进行多尺度分解，以捕捉水平方向和垂直方向的奇异点，降低维度完成多尺度分析；
（3b）用方向滤波器组将分布在同一方向上的奇异点合成为一个系数完成多方向性分析；
（3c）用结构元素对方向滤波器组滤波后的图像进行开运算处理算法；
（3d）将得到图像进行轮廓波变换重建；
（4）图像均衡化：利用局部直方图均衡化算法将图像中亮度极大值附近的亮度增强，亮度极小值附近的亮度减弱，提升图像的整体对比度；
（5）图像分割：运用K-means算法来进行乳腺组织的多均值迭代以进行腺体分割，提取钙化感兴趣区域和***边缘轮廓，具体为：
（5a）输入簇的数目4；
（5b）从图像的像素范围中均分像素作为初始簇；
（5c）根据初始簇中像元的均值，将每个像元指派到初始簇中最相似的簇；
（5d）统计像元像素值总和与每个簇像元个数，二者相除获得均值并更新初始簇，作为簇的新均值；
（5e）若簇的新均值与该簇的原均值发生变化，则重复步骤（5c）-（5e），直至簇的均值不再发生变化，输出4个簇的均值；
（5f）根据最高均值找到钙化位置，并提取钙化感兴趣区域；根据最低均值进行***边缘轮廓分割；
（6）灰度还原：提取钙化感兴趣区域与***边缘轮廓进行与运算，获取钙化感兴趣区域轮廓位置，完成乳腺钙化的图像检测；
（7）LBP和GLDM纹理特征：利用局部二值模式和灰度共生矩阵两个纹理特征进行乳腺真假阳性钙化提取检测，具体为：
（7a）将图像划分成小块；
（7b）将小块中的每个像素作为中心像素，比较与其相邻的8个邻居；
（7c）若中心像素的值比邻居的值大，则写0；若否，则写1，构造了一个8位的数字；
（7d）在小块中计算每一个“数字”出现的频率直方图；
（7e）对直方图进行规范化；
（7f）连接所有小块的直方图，形成整个窗口的LBP特征向量；
（7g）采用灰度共生矩阵计算图像在0度、45度、90度和135度的能量、熵、相关度、对比度的四个特征角度；
（8）随机森林算法分类：用随机森林算法完成真假阳性钙化分类。
2.如权利要求1所述的一种基于乳腺X线摄影钙化计算机辅助检测算法，其特征在于：所述图像均衡化的具体操作方法如下：
（4a）在图像上定义一个矩形子块；
（4b）利用该矩形子块的直方图信息，对矩形子块中心的像素进行像素统计；
（4c）直方图灰度级出现的像素个数除以像素的总数；
（4d）将矩形子块中心进行逐像素移动，并重复以上（4b）-（4c）过程，直至遍历输入图像的所有像素。
3.如权利要求1所述的一种基于乳腺X线摄影钙化计算机辅助检测算法，其特征在于：
所述随机森林算法分类包括如下内容：
（8a）定义一原始训练集S，随机有放回采样，每次选出M个样本，共进行N次采样，生成N个训练集，分别训练N个决策树模型；
（8b）针对单个决策树模型，每次选用预设量的特征，计算特征的基尼系数，选择最优的一个特征作为决策树节点的左右子树划分；
（8c）每棵树都按照（8b）的方法***下去，直到所述决策树节点达到终止条件，且每棵树都会预测该M个样本属于某一类，每棵树最大限度地生长，在决策树的***过程中不剪枝；
（8d）将生成的多N棵决策树组成随机森林，按N棵树分类器投票决定最终分类结果。
CN201910397979.3A 2019-05-14 2019-05-14 一种基于乳腺x线摄影钙化计算机辅助检测算法 Active CN110136112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910397979.3A CN110136112B (zh) 2019-05-14 2019-05-14 一种基于乳腺x线摄影钙化计算机辅助检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910397979.3A CN110136112B (zh) 2019-05-14 2019-05-14 一种基于乳腺x线摄影钙化计算机辅助检测算法

Publications (2)

Publication Number Publication Date
CN110136112A CN110136112A (zh) 2019-08-16
CN110136112B true CN110136112B (zh) 2022-11-04

Family

ID=67573694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910397979.3A Active CN110136112B (zh) 2019-05-14 2019-05-14 一种基于乳腺x线摄影钙化计算机辅助检测算法

Country Status (1)

Country Link
CN (1) CN110136112B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648335A (zh) * 2019-09-20 2020-01-03 俞喆祺 用于辅助食管腺癌和结直肠癌检测的低计算量方法
CN110766704B (zh) * 2019-10-22 2022-03-08 深圳瀚维智能医疗科技有限公司 ***点云分割方法、装置、存储介质及计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5598481A (en) * 1994-04-29 1997-01-28 Arch Development Corporation Computer-aided method for image feature analysis and diagnosis in mammography
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
CN107392204A (zh) * 2017-07-20 2017-11-24 东北大学 一种乳腺图像微钙化点自动检测***及方法
CN107958453A (zh) * 2017-12-01 2018-04-24 深圳蓝韵医学影像有限公司 乳腺图像病变区域的检测方法、装置及计算机存储介质
CN109146848A (zh) * 2018-07-23 2019-01-04 东北大学 一种融合多模态乳腺图像的计算机辅助参考***及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7899228B2 (en) * 2007-08-06 2011-03-01 Carestream Health, Inc. Line structure detection and analysis for mammography CAD

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5598481A (en) * 1994-04-29 1997-01-28 Arch Development Corporation Computer-aided method for image feature analysis and diagnosis in mammography
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
CN107392204A (zh) * 2017-07-20 2017-11-24 东北大学 一种乳腺图像微钙化点自动检测***及方法
CN107958453A (zh) * 2017-12-01 2018-04-24 深圳蓝韵医学影像有限公司 乳腺图像病变区域的检测方法、装置及计算机存储介质
CN109146848A (zh) * 2018-07-23 2019-01-04 东北大学 一种融合多模态乳腺图像的计算机辅助参考***及方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
基于Contourlet变换的纹理图像分割方法研究;刘怡;《大众商务》;20091031(第20期);第149-150页 *
基于NSCT和CLAHE的乳腺钼靶X线图像微钙化点增强方法;谷宇 等;《光学技术》;20180228;第44卷(第01期);第6-12页 *
基于乳腺X线图像的微钙化点区域自动检测算法研究;程运福 等;《中国医学物理学杂志》;20130228;第30卷(第02期);第3992-3996页 *
基于医学图像内容检索的计算机辅助乳腺X线影像诊断技术;郝欣 等;《中国生物医学工程学报》;20091231;第28卷(第06期);第922-9229页 *
基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取;彭庆涛 等;《北京生物医学工程》;20151031;第10卷(第05期);第462-467页 *
基于形态滤波和Sobel算子的微钙化簇边缘检测算法;钟明霞;《计算机时代》;20170331(第03期);第65-67页 *
独立分量分析在乳腺钼靶X片感兴趣区域提取中的应用;王瑞平 等;《中国生物医学工程学报》;20070831;第26卷(第04期);第532-536页 *
计算机辅助***在乳腺钙化性病变X线摄影诊断中的应用;蔡雅丽 等;《中国医学影像学杂志》;20191231;第27卷(第12期);第910-913页 *

Also Published As

Publication number Publication date
CN110136112A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
US10192099B2 (en) Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images
Beura et al. Mammogram classification using two dimensional discrete wavelet transform and gray-level co-occurrence matrix for detection of breast cancer
Moayedi et al. Contourlet-based mammography mass classification using the SVM family
Al-Shamlan et al. Feature extraction values for breast cancer mammography images
Salama et al. An improved approach for computer-aided diagnosis of breast cancer in digital mammography
Biswas et al. Mammogram classification using gray-level co-occurrence matrix for diagnosis of breast cancer
CN107358267B (zh) 一种基于互相关特征的乳腺超声图像多元分类***及方法
Ghongade et al. Detection and classification of breast cancer from digital mammograms using RF and RF-ELM algorithm
Unni et al. Tumour detection in double threshold segmented mammograms using optimized GLCM features fed SVM
CN110136112B (zh) 一种基于乳腺x线摄影钙化计算机辅助检测算法
Bose et al. Detection of microcalcification in mammograms using soft computing techniques
Nithya et al. Computer aided diagnosis system for mammogram analysis: a survey
Kumar et al. Idc breast cancer detection using deep learning schemes
Ghongade et al. Computer-aided diagnosis system for breast cancer using RF classifier
Johny et al. Breast cancer detection in mammogram using fuzzy C-means and random forest classifier
CONTOURLET A robust approach to classify microcalcification in digital mammograms using contourlet transform and support vector machine
Surya et al. Efficient feature extraction on mammogram images using enhanced grey level co-occurrence matrix
Paramkusham et al. Comparison of rotation invariant local frequency, LBP and SFTA methods for breast abnormality classification
CN109377461A (zh) 一种基于nsct的乳腺x射线图像自适应增强方法
Htay et al. Analysis on Results Comparison of Feature Extraction Methods for Breast Cancer Classification
Kekre et al. Texture based segmentation using statistical properties for mammographic images
Ataky et al. Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform
Styblinski et al. Circuit performance variability reduction: principles, problems, and practical solutions
Sharma et al. Co-occurrence Matrix and statistical features as an approach for mass classification
Lu et al. 3d tomosynthesis to detect breast cancer

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
GR01 Patent grant
GR01 Patent grant