CN110782451A - 基于判别式深度置信网络的疑似微钙化点区域自动定位方法 - Google Patents
基于判别式深度置信网络的疑似微钙化点区域自动定位方法 Download PDFInfo
- Publication number
- CN110782451A CN110782451A CN201911065975.1A CN201911065975A CN110782451A CN 110782451 A CN110782451 A CN 110782451A CN 201911065975 A CN201911065975 A CN 201911065975A CN 110782451 A CN110782451 A CN 110782451A
- Authority
- CN
- China
- Prior art keywords
- image
- mammary gland
- ddbns
- microcalcification
- area
- 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.)
- Granted
Links
- 208000004434 Calcinosis Diseases 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 34
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 42
- 210000000481 breast Anatomy 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000002308 calcification Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000002708 enhancing effect Effects 0.000 claims abstract description 3
- 230000009467 reduction Effects 0.000 claims abstract description 3
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000011049 filling Methods 0.000 claims description 4
- 210000002976 pectoralis muscle Anatomy 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000003902 lesion Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 206010006187 Breast cancer Diseases 0.000 description 7
- 208000026310 Breast neoplasm Diseases 0.000 description 7
- 238000009499 grossing Methods 0.000 description 4
- 238000009607 mammography Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于判别式深度置信网络的疑似微钙化点区域自动定位方法，包括以下步骤：1)乳腺X线图像预处理：对乳腺区域进行分割及增强；2)样本获取与预处理：将增强后的乳腺图像进行分割获得用于模型训练的子块图像集，并对子块进行降噪及去背景处理；3)子块特征提取与分类：构建判别式深度置信网络(DDBNs)，对DDBNs模型进行训练和微调，完成乳腺子块的特征提取和自动分类；4)微钙化点区域检测：输入待检测乳腺X线图像，对图像经过一系列预处理后，应用已训练好的最优模型，对子块进行分类判别，根据判别结果对可疑微钙化点区域进行标记。本发明可完成可疑病灶区域的自动检测及定位，在获得较高检出率的同时有效地降低了假阳性率，检测到的钙化点区域与专家标记区域具有高度一致性。
Description
技术领域
本发明属于医学图像处理技术领域，具体涉及一种基于判别式深度置信网络的疑似微钙化点区域自动定位方法。
背景技术
乳腺癌是威胁女性身心健康的常见恶性肿瘤之一。乳腺X线图像中的微钙化簇是早期乳腺癌的一个重要征象，研究数据表明：30％-50％确诊的乳腺癌患者在早期的乳腺X线图像筛查中有微钙化点簇出现。基于乳腺X线摄影检查的钙化诊断是现今乳腺癌诊断和筛查的首选手段，但是由于有些早期乳腺癌的微钙化点与周围组织对比度非常低，人眼很难识别，时常造成漏诊，并且初期诊断很大程度上依赖于放射科医师，所以受主观因素影响比较大。因此，在乳腺普查时，迫切需要一种辅助方法帮助医生在较短的时间内做出快速准确的诊断，提高放射医生的阅读效率和诊断准确性，减少漏诊和误诊。利用计算机处理图像的方法辅助医生进行早期乳腺癌诊断，己成为乳腺图像处理的研究热点和难点问题之一。在实施乳腺癌计算机辅助探测和诊断过程中，第一个重要的环节就是如何发现并自动定位乳腺影像可疑的病灶区域。
关于乳腺钙化区域的检测算法主要有基于形态学、小波分析、混合特征、人工神经网络等方法，需要人工设计提取大量特征，并且特征提取过程计算量大、耗时多。目前，深度学习方法在医学图像的病变检测方面展现出了良好的应用前景，相比传统手工设计的特征描述，深度学习方法克服了浅层学习的局限性，无需人工手动设计提取特征，能够从数据集中提取更具有表达性、更丰富的本质特征，提高分类的准确性。
由于乳腺X线图像中的微钙化点非常微小，大小不一，形状各异，分布多变等原因，关于乳腺图像微钙化点的检测还是没有取得让人很满意的效果。因此，如何帮助临床医生更加快速准确的定位到乳腺X线图像中的微钙化点区域，提高微钙化的检测率、降低误检率，仍需要做进一步的讨论和研究。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种基于判别式深度置信网络的疑似微钙化点区域自动定位方法，该方法在保证较高检出率的同时有效地降低了假阳性率，检测到的钙化点区域与专家标记区域具有高度一致性。
为达到上述目的，本发明所述的基于判别式深度置信网络的疑似微钙化点区域自动定位方法包括以下步骤：
1)：乳腺X线图像预处理；
(1)乳腺区域分割
本发明所用到的图像均来自于乳腺摄影筛查数据库DDSM。首先采用9X9均值滤波器对图像进行平滑处理并使用全局阈值技术(阈值TH1＝0.1)对其进行二值化处理获得掩模，采用最大连通区域算法去除标签干扰；然后将获得的掩模投影在原始图像上，使用39x39均值滤波器对图像再次进行平滑处理，使用阈值对平滑后的图像进行全局阈值处理(阈值TH2＝0.5)以去除胸肌干扰；最后计算乳腺的最小占位区域，实现乳腺区域的提取。
(2)乳腺区域增强
首先对提取后的乳腺区域图像进行形态学滤波，使用半径为5的平坦型圆盘结构元素，形态学对比度增强的结果为:原始乳腺区域图像加上图像顶帽变换的结果，再减去图像底帽变换的结果。然后采用伽马变换，降低低灰度值区域图像对比度，提高高灰度值区域图像对比度。
2)：样本获取与预处理；
(1)样本获取
获取样本数据用于DDBNs训练与测试。对增强后的乳腺区域图像进行分割，重叠分割成大小96x96的子块(小块重叠75％，主要是为了增加含有微钙化簇小块的样本数量)。将子块划分为三类：一类是负样本，不含有钙化点的正常小块；一类是正样本，含有微钙化点的小块；一类是乳腺边界小块。
(2)子块预处理
采用‘sym4’小波基函数分解和重构乳腺子块，并设置分解层数为5，将小波分解后得到的对近似系数置零，对1-5层的细节系数进行硬阈值处理。以每一层水平高频系数的均值加上标准方差的值作为该层的阈值，对本层水平、竖直、对角高频系数进行硬阈值处理，之后进行小波重构。最后，采用阈值和面积剔除法进一步去除背景以及过小的非钙化独立点，再进行灰度值线性拉伸。
3)：子块特征提取与分类；
(1)DDBNs模型构建及训练
DDBNs网络由三层RBM堆叠而成，该模型前两层采用GRBM提取乳腺子块的形态特征，第三层采用具有特征学习和分类能力的DRBM，依据提取的形态特征进行预训练，采用预训练获得的权值参数完成DDBNs初始化。
(2)DDBNs模型微调
DDBNs的逐层预训练完成后，将其转换为使用Softmax回归层进行监督分类的深度神经网络，通过最小化式损失函数，反向传播对网络来调整网络参数，完成乳腺子块自动分类。
4)：微钙化点区域检测；
首先对原始乳腺X线图像进行步骤1)中的预处理，再将增强后的乳腺区域图像分割成同等大小96x96的小块(按照小块重叠50％的情况进行分割，若乳腺区域图像不够整分，则需要先进行边界补零处理)；然后，对分割后得到的所有小块进行步骤2)中的小块预处理；最后，应用步骤3)中已训练好的最优模型，对子块进行遍历及分类判别，若小块被判断为是含有钙化点的小块且小块里最少含有两个钙化点，则将该小块位置在乳腺图像上标记出来，最终完成所有可疑微钙化点区域的标记。
本发明具有以下有益效果：
本发明所述的基于判别式深度置信网络的疑似微钙化点区域自动定位方法，采用顶帽、低帽变换和Gamma矫正相结合的图像增强算法，构建的DDBNs网络具有较优的深层特征挖掘与分类能力。通过美国南佛罗里达州立大学乳腺摄影筛查数据库(DDSM)中的105幅含有微钙化点的乳腺X线图像进行实验验证，该方法在保证较高检出率(99.45％)的同时有效地降低了假阳性率(2.17％)，检测到的钙化点区域与专家标记区域具有高度一致性，且检测一幅1831X 4021大小图像的运行时间大概只需15s，满足快速性的要求。能够更好的帮助医生在较短的时间内做出快速准确的诊断，提高放射医生的阅读效率和诊断准确性，为乳腺X线图像中微钙化簇检测提供了新的研究思路。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明。在附图中：
图1是本发明的总结构框图。
图2是本发明的一种实施例中的乳腺区域提取过程图。
图3是本发明的一种实施例中的乳腺区域增强过程图。
图4是本发明的一种实施例中的乳腺子块预处理过程图。
图5是本发明中所构建的DDBNs模型结构。
图6是本发明的一种实施例中的案例检测结果图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，本发明所述的一种基于判别式深度置信网络的疑似微钙化点区域自动定位方法，包括以下步骤：1)乳腺X线图像预处理：对乳腺区域进行分割及增强；2)样本获取与预处理：将增强后的乳腺图像进行分割获得用于模型训练的子块图像集，并对子块进行降噪及去背景处理；3)子块特征提取与分类：构建判别式深度置信网络(DDBNs)，对乳腺子块进行特征提取和自动分类；4)微钙化点区域检测：输入待检测乳腺X线图像，对图像经过一系列预处理后，应用已训练好的最优模型，对子块进行分类判别，根据判别结果对可疑微钙化点区域进行标记。
1)：乳腺X线图像预处理；
(1)乳腺区域分割
首先采用9X9均值滤波器对图像进行平滑处理并使用全局阈值技术(阈值TH1＝0.1)对其进行二值化处理获得掩模，采用最大连通区域算法去除标签干扰；然后将获得的掩模投影在原始图像上，使用39x39均值滤波器对图像再次进行平滑处理，使用阈值对平滑后的图像进行全局阈值处理(阈值TH2＝0.5)以去除胸肌干扰；最后计算乳腺的最小占位区域，实现乳腺区域的提取。
乳腺区域提取过程如图2所示：其中a是原图像，b是二值图像，c是去除标签后的二元掩模图，d是去除标记的原始图像，e是去除胸肌后的图，f是乳腺区域图。
(2)乳腺区域增强
首先对提取后的乳腺区域图像进行形态学滤波，使用半径为5的平坦型圆盘结构元素，形态学对比度增强的结果如公式(1)所示：
I＝(IP+Iτ)-IB (1)
上述公式中的Ip为原始图像，IT为顶帽变换结果，IB为底帽变换结果。
然后，对形态学增强后的图像进行伽马变换，Gamma矫正的公式如(2)所示：
f＝crγ (2)
公式(2)中，r为原图像的灰度值，c和γ为常数(c＝1,γ＝2)，f为伽马变换后的图像灰度值。
乳腺区域增强过程图如图3所示：a是原乳腺区域图，b是形态学对比度增强图，c是Gamma矫正后的图。
2)：样本获取与预处理；
(1)样本获取
获取样本数据用于DDBNs训练与测试。对增强后的乳腺区域图像进行分割，重叠分割成大小96x96的子块(小块重叠75％，主要是为了增加含有微钙化簇小块的样本数量)。将子块划分为三类：一类是负样本，不含有钙化点的正常小块；一类是正样本，含有微钙化点的小块；一类是乳腺边界小块。筛选数据集，每类小块共有6000个。
(2)子块预处理
小波变换具有多分辨率分析的能力。采用‘sym4’小波基函数分解和重构乳腺子块，并设置分解层数为5，将小波分解后得到的对近似系数置零，对1-5层的细节系数进行硬阈值处理。以每一层水平高频系数的均值加上标准方差的值作为该层的阈值，对本层水平、竖直、对角高频系数进行硬阈值处理，之后进行小波重构。
为了进一步去除背景，采用阈值法处理，将灰度值小于15的像素置零；为去掉过小的非钙化独立点，采用面积剔除法删除小块图像中面积小于16的对象；最后再进行灰度值线性拉伸。
乳腺子块预处理过程图如图4所示：a是含有微钙化点的小块，b是小波分解与重构后的图，c是采用阈值和面积剔除法后的图，d是经过线性拉伸后的图。
3)：子块特征提取与分类；
(1)DDBNs模型构建及训练
本发明构建的DDBNs模型如图5所示，DDBNs网络由三层RBM堆叠而成，该模型前两层采用GRBM提取乳腺子块的形态特征，第三层采用具有特征学习和分类能力的DRBM，依据提取的形态特征进行预训练，采用预训练获得的权值参数完成DDBNs初始化。采用DDBNs-3结构：9216-1000-1000-1000-3。
构建DDBNs的RBM的训练通过最大化训练样本的似然度进行，如式(3)所示：
对θ1,2对数概率求导，需求的条件概率分布和
的联合概率分布，其中容易计算出
但是
则不好计算，则需要采用持续自由能对比散度(FEPCD)与快速学习算法(CD)的综合算法，即首层GRBM采用FEPCD算法进行训练，第二层GRBM和顶层DRBM采用CD算法进行训练。
参数设置：批次训练尺寸大小：100；学习率：0.1；总训练次数：50；动量：[0.5,0.4,0.3,0.2,0.1,0]。
数据集来自于子块预处理后的小块，训练集里的三类样本数量各有5000个，测试集里的三类样本数量各有1000个。
首先，将按最小最大值归一化后的无标签样本数据送入DDBNs的前两层GRBM，经过无监督训练获得该网络参数，获得乳腺样本的形态特征。然后，将其送入DDBNs的顶层DRBM，经过有监督学习，获得该网络参数，得到乳腺样本在各类别下的后验概率，完成乳腺样本的分类。
(2)DDBNs模型微调
DDBNs的逐层预训练完成后，将其转换为使用Softmax回归层进行监督分类的深度神经网络。为解决参数冗余，采用损失函数添加衰减惩罚项来实现参数惩罚方式。Softmax通过最小化式(4)损失函数，反向传播对网络来调整网络参数，完成乳腺子块自动分类。
其中，θ∈Rn+1是Softmax的模型参数，m为训练样本数，k为样本类别数，1(·)为指示函数，代表如果该项为真，取1，否则取0，y为样本类别标签，xi为顶层的输入样本特征，n为顶层输入神经元个数。
参数设置：批次训练尺寸大小：100；总训练次数：300；学习率：1；动量：0.5。
(3)DDBNs性能分析
使用以下3个标准测量指标：真阳性率(TPR),假阳性率(FPR)，和整体精度(OA)。深度学***均值和标准差的统计方法计算OA，对基于DDBNs的乳腺样本分类的准确度和稳定性进行评估。实验结果如下表1所示。
表1实验结果
由表1可知本发明所构建的DDBNs模型取得了99.2％左右的检出率和2.7％左右的假阳性率，整体精度在98.3％左右，在保证高检出率的同时，有效地降低了假阳性率。
4)：微钙化点区域检测；
首先对原始乳腺X线图像进行步骤1)中的预处理，再将增强后的乳腺区域图像分割成同等大小96x96的小块(按照小块重叠50％的情况进行分割，若乳腺区域图像不够整分，则需要先进行边界补零处理)；然后，对分割后得到的所有小块进行步骤2)中的小块预处理；最后，应用步骤3)中已训练好的最优模型，对子块进行遍历及分类判别，若小块被判断为是含有钙化点的小块且小块里最少含有两个钙化点，则将该小块位置在乳腺图像上标记出来，最终完成所有可疑微钙化点区域的标记。
其中对小块进行遍历时，有个限制条件：为了减少运算量和程序运行时间，只对经过预处理后的所有非零小块进行遍历。
对DDSM数据库中的一个案例cancer_04Case:A_1096_1.LEFT_CC进行检测分析并与专家标记结果进行对比，最终检测结果如表2与图6所示。图6中：a是专家标记区域图，b是本发明方法检测图。
表2案例检测结果
本发明一共对DDSM数据库中105幅图像进行了检测，共含钙化点簇662个，本发明方法获得了99.45％的检出率和2.17％的误检率；检测到的钙化点区域与专家标记区域具有高度一致性；且检测一幅1831X 4021大小图像的运行时间大概只需15s，满足快速性的要求。
最后应说明的是：尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。
Claims (5)
1.基于判别式深度置信网络的疑似微钙化点区域自动定位方法，其特征在于，包括以下步骤：
1)乳腺X线图像预处理：输入原始乳腺X线图像，对乳腺区域进行分割及增强；
2)样本获取与预处理：将步骤1)得到的增强后的乳腺图像进行分割，获得子块图像集，将子块分成三类，并对子块进行降噪及去背景等处理；
3)子块特征提取与分类：构建判别式深度置信网络(DDBNs)，将经过步骤2)预处理后的样本数据集归一化后送入DDBNs网络，进行训练和微调，完成子块的特征提取和自动分类；
4)微钙化点区域检测：输入待检测乳腺X线图像，对原图像经过一系列预处理后，应用步骤3)已训练好的最优模型，对子块进行分类判别，根据判别结果对可疑微钙化点区域进行标记。
2.根据权利要求1所述的基于判别式深度置信网络的疑似微钙化点区域自动定位方法，其特征在于：步骤1)包括如下过程：
首先，采用均值滤波器、全局阈值、最大连通区域、掩模运算、最小外接矩形等算法去除乳腺图像中胸肌及标签等干扰项，实现乳腺区域的提取；
然后，结合形态学的顶帽、低帽变换和Gamma矫正对乳腺区域进行增强，使用半径为5的平坦型圆盘结构元素，形态学对比度增强的结果如公式(1)所示：
I＝(IP+IT)-IB (1)
其中Ip为原始图像，IT为顶帽变换结果，IB为底帽变换结果；
Gamma矫正的公式如(2)所示：
f＝crγ (2)
其中，r为原图像的灰度值，c和γ为常数(c＝1,γ＝2)，f为伽马变换后的图像灰度值。
3.根据权利要求1所述的基于判别式深度置信网络的疑似微钙化点区域自动定位方法，其特征在于：步骤2)包括如下过程：
样本获取：将增强后的乳腺区域图像分割成同等大小96x96的小块，若乳腺区域图像不够整分，则需要先进行边界补零处理；之后划分子块，筛选数据集，将小块分为三类，一类是含有微钙化点的小块，一类是不含有钙化点的正常小块，一类是乳腺边界小块；
小块预处理：利用小波分析对小块进行降噪处理采用‘sym4’小波基函数分解和重构乳腺子块，并设置分解层数为5，将小波分解后得到的对近似系数置零，对1-5层的细节系数进行硬阈值处理：以每一层水平高频系数的均值加上标准方差的值作为该层的阈值，对本层水平、竖直、对角高频系数进行硬阈值处理，之后进行小波重构，并采用阈值法和面积剔除法进一步去除背景以及过小的非钙化独立点。
4.根据权利要求1所述的基于判别式深度置信网络的疑似微钙化点区域自动定位方法，其特征在于：步骤3)包括以下步骤：
DDBNs模型构建及训练：DDBNs由两层生成受限玻尔兹曼机(GRBM)和一层判别式受限玻尔兹曼机(DRBM)构成；采用DDBNs-3结构：9216-1000-1000-1000-3；构建DDBNs的RBM的训练通过最大化训练样本的似然度进行，首层GRBM采用FEPCD算法进行训练，第二层GRBM和顶层DRBM采用CD算法进行训练；
DDBNs模型微调：DDBNs的逐层预训练完成后，将其转换为使用Softmax回归层进行监督分类的深度神经网络，通过最小化损失函数，反向传播对网络来调整网络参数，完成乳腺子块自动分类。
5.根据权利要求1所述的基于判别式深度置信网络的疑似微钙化点区域自动定位方法，其特征在于：步骤4)中，首先对原始乳腺X线图像进行步骤1)中的预处理，再将增强后的乳腺区域图像分割成同等大小96x96的小块(按照小块重叠50％的情况进行分割，若乳腺区域图像不够整分，则需要先进行边界补零处理)；然后，对分割后得到的所有小块进行步骤2)中的去噪及去背景处理；最后，应用步骤3)中已训练好的最优模型，对子块进行遍历及分类判别，若小块被判断为是含有钙化点的小块且小块里最少含有两个钙化点，则将该小块位置在乳腺图像上标记出来，最终完成所有可疑微钙化点区域的标记。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911065975.1A CN110782451B (zh) | 2019-11-04 | 2019-11-04 | 基于判别式深度置信网络的疑似微钙化点区域自动定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911065975.1A CN110782451B (zh) | 2019-11-04 | 2019-11-04 | 基于判别式深度置信网络的疑似微钙化点区域自动定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110782451A true CN110782451A (zh) | 2020-02-11 |
| CN110782451B CN110782451B (zh) | 2021-09-07 |
Family
ID=69388830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911065975.1A Expired - Fee Related CN110782451B (zh) | 2019-11-04 | 2019-11-04 | 基于判别式深度置信网络的疑似微钙化点区域自动定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110782451B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325266A (zh) * | 2020-02-18 | 2020-06-23 | 慧影医疗科技（北京）有限公司 | 乳腺钼靶图像中微钙化簇的检测方法、装置和电子设备 |
| US20230047497A1 (en) * | 2019-06-10 | 2023-02-16 | Obshchestvo S Ogranichennoj Otvetstvennost'yu 'medicinskie Skrining Sistemy | System for processing radiographic images and outputting the result to a user |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010046499A1 (fr) * | 2008-10-24 | 2010-04-29 | Fenics | Procédé de traitement d'image comprenant l'affichage de régions d'intérêt dans une image radiologique en fonction de scores associés auxdites régions |
| US20100104155A1 (en) * | 2007-08-06 | 2010-04-29 | Shoupu Chen | Method for detection of linear structures and microcalcifications in mammographic images |
| CN101853376A (zh) * | 2010-02-10 | 2010-10-06 | 西安理工大学 | 一种乳腺微钙化点计算机辅助检测方法 |
| 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 |
| CN109829896A (zh) * | 2019-01-14 | 2019-05-31 | 中国科学院苏州生物医学工程技术研究所 | 基于多域特征的数字乳腺x射线断层摄影图像的微钙化簇自动检测方法 |
-
2019
- 2019-11-04 CN CN201911065975.1A patent/CN110782451B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100104155A1 (en) * | 2007-08-06 | 2010-04-29 | Shoupu Chen | Method for detection of linear structures and microcalcifications in mammographic images |
| WO2010046499A1 (fr) * | 2008-10-24 | 2010-04-29 | Fenics | Procédé de traitement d'image comprenant l'affichage de régions d'intérêt dans une image radiologique en fonction de scores associés auxdites régions |
| CN101853376A (zh) * | 2010-02-10 | 2010-10-06 | 西安理工大学 | 一种乳腺微钙化点计算机辅助检测方法 |
| 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 |
| CN109829896A (zh) * | 2019-01-14 | 2019-05-31 | 中国科学院苏州生物医学工程技术研究所 | 基于多域特征的数字乳腺x射线断层摄影图像的微钙化簇自动检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高洁 等: "基于微钙化点检测的乳腺X光片计算机辅助诊断***", 《哈尔滨理工大学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230047497A1 (en) * | 2019-06-10 | 2023-02-16 | Obshchestvo S Ogranichennoj Otvetstvennost'yu 'medicinskie Skrining Sistemy | System for processing radiographic images and outputting the result to a user |
| CN111325266A (zh) * | 2020-02-18 | 2020-06-23 | 慧影医疗科技（北京）有限公司 | 乳腺钼靶图像中微钙化簇的检测方法、装置和电子设备 |
| CN111325266B (zh) * | 2020-02-18 | 2023-07-21 | 慧影医疗科技(北京)股份有限公司 | 乳腺钼靶图像中微钙化簇的检测方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110782451B (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahmood et al. | A brief survey on breast cancer diagnostic with deep learning schemes using multi-image modalities | |
| CN107067402B (zh) | 医疗图像处理装置及其***图像处理方法 | |
| Pharwaha et al. | Shannon and non-shannon measures of entropy for statistical texture feature extraction in digitized mammograms | |
| Liu et al. | Microcalcification detection in full-field digital mammograms with PFCM clustering and weighted SVM-based method | |
| Phadke et al. | Fusion of local and global features for classification of abnormality in mammograms | |
| Nusantara et al. | Classification of digital mammogram based on nearest-neighbor method for breast cancer detection | |
| Fan et al. | Mass detection and segmentation in digital breast tomosynthesis using 3D-mask region-based convolutional neural network: a comparative analysis | |
| CN110782451B (zh) | 基于判别式深度置信网络的疑似微钙化点区域自动定位方法 | |
| Beheshti et al. | Classification of abnormalities in mammograms by new asymmetric fractal features | |
| Nedra et al. | Detection and classification of the breast abnormalities in Digital Mammograms via Linear Support Vector Machine | |
| Ganvir et al. | Filtering method for pre-processing mammogram images for breast cancer detection | |
| Hikmah et al. | An image processing framework for breast cancer detection using multi-view mammographic images | |
| Sharma et al. | Roi segmentation using local binary image | |
| Krishnaveni et al. | Study of Mammogram Microcalcification to aid tumour detection using Naive Bayes Classifier | |
| CN110136112B (zh) | 一种基于乳腺x线摄影钙化计算机辅助检测算法 | |
| Dong et al. | Feature selection and analysis on mammogram classification | |
| Zyout et al. | Empirical mode decomposition of digital mammograms for the statistical based characterization of architectural distortion | |
| Marrocco et al. | Detection of cluster of microcalcifications based on watershed segmentation algorithm | |
| ABUBACKER et al. | AN IMPROVED PERIPHERAL ENHANCEMENT OF MAMMOGRAM IMAGES BY USING FILTERED REGION GROWING SEGMENTATION. | |
| Singh et al. | Segmentation and characterization of breast tumor in mammograms | |
| Zyout et al. | A new approach for the detection of architectural distortions using textural analysis of surrounding tissue | |
| Domingues | An automatic mammogram system: from screening to diagnosis | |
| Hu et al. | Wavelet transform and morphology image segmentation algorism for blood cell | |
| Boujelben et al. | Automatic application level set approach in detection calcifications in mammographic image | |
| Sharma et al. | Dual Thresholding based Breast cancer detection in Mammograms |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210907 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |