CN1145675A - 通过计算机利用摄自不同角度的同一***的数字***x射线照片进行肿块检测 - Google Patents

通过计算机利用摄自不同角度的同一***的数字***x射线照片进行肿块检测 Download PDF

Info

Publication number
CN1145675A
CN1145675A CN95192509A CN95192509A CN1145675A CN 1145675 A CN1145675 A CN 1145675A CN 95192509 A CN95192509 A CN 95192509A CN 95192509 A CN95192509 A CN 95192509A CN 1145675 A CN1145675 A CN 1145675A
Authority
CN
China
Prior art keywords
hot spot
array
suspicious
input array
feature
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
Application number
CN95192509A
Other languages
English (en)
Inventor
M·阿德-莫塔列布
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.)
Koninklijke Philips NV
Original Assignee
Philips Electronics NV
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 Philips Electronics NV filed Critical Philips Electronics NV
Publication of CN1145675A publication Critical patent/CN1145675A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/502Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • A61B6/4216Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using storage phosphor screens
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • A61B6/4233Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using matrix detectors
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

通过计算机自动处理摄自不同观察方向的同一部位的两个数字放射图象,即通过对同一***的X射线照片进行研究以辩别出可疑的肿块,其中,可疑的光斑,皮肤曲线和***均被做上标记或得到增强。候选可疑光斑是通过对各个***X射线照片分别处理而辨别出来的。接着,对摄自不同观察方向的***X射线照片图象中的候选光斑的特征进行比较,以消除假阳性结果。这些需要比较的特征包括:光斑相对于可明显检测出来的***的位置,光斑的大小,形状,亮度以及亮度的变化。在20或更多的阈值级别给***X射线照片设定阈值,这些阈值级别由图象的统计图决定,根据光斑的大小和形状以及组成光斑的象素强度的变化,将候选光斑分别辨别出来并分类。在对两个视图进行比较后,将重叠部分消除。

Description

通过计算机利用摄自不同角度的同一***的数字 ***x射线照片进行肿块检测
本发明涉及生成计算机增强***X射线照片的方法,该方法包括如下方面:从第一个角度,然后再从预定的第二个角度,连续地对受检病人的***用X射线进行辐照;在上述第一个和第二个角度各自所在的二维平面内,连续接收透过***的X射线辐射;产生作为所接收X射线辐射的函数的数字信号,这些数字信号表示的第一个二维数字象素输入阵列与第一个角度对应,第二个数字象素输入阵列与第二个角度相对应:响应这些信号,并将第一和第二两个二维输入阵列储存在计算机能访问的数字存储设备中;利用计算机:对第一和第二两个输入阵列中的任一阵列,检测出皮肤曲线并据此将阵列分割成***和背景区域,根据***部位光斑的大小和形状辨别出可疑的光斑;将第一个输入阵列中认为可疑的光斑的特征,与第二个输入阵列中认为可疑的光斑的特征相互对照。本发明还涉及产生受检对象的计算机增强辐射图象的方法,包括如下方面:利用计算机能够访问的数字存储设备,接收并储存第一和第二输入二维数字象素阵列,这些阵列对应于受检对象相应部位的辐射图象,而这些图象是由辐射成象设备在不同的成象角度产生的;利用计算机:对第一和第二输入阵列中任何一个阵列,在许多不同的阈值级下,至少在输入阵列的一部分中设定阈值以辨别出光斑,对每个检测的光斑都进行多方面的测量,包括它的大小和形状,同时,判别这些测量结果是否落在预定的第一个判据中;将与第一个判据相符合的第一输入阵列中光斑的特征,和与第一个判据相符合的第二输入阵列中光斑的特征相比较,在第二个预定判据的基础上,将具有相似特征的光斑辨别出来。本发明还涉及生成计算机增强***X射线照片的***,该***包括:X射线源,用于在预定的第一和第二方向对受检病人的***进行连续的辐射;X射线探测器,分别在第一和第二方向所在的二维平面内,接收连续透过***的X射线辐照;数字化仪,用于产生作为所接收X射线辐射的函数的数字信号,这些数字信号分别对应于第一和第二两个二维数字象素输入阵列,这些阵列分别来自第一和第二两个方向;计算机能访问的数字存储设备;用于响应这些信号,并将二维数字象素输入阵列储存在上述数字存储设备中的有关装置;与计算机配套的显示设备,用于显示计算机产生的数字象素阵列的图象,该计算机被设置用于处理储存的第一和第二二维数字象素输入阵列,这些象素阵列分别对应于第一和第二输入阵列,和检测皮肤的曲线,并据此将阵列分割成***和背景区域,根据***光斑的大小和形状辨别出可疑的光斑;将在第一阵列中认为可疑的光斑的特征与第二阵列中认为可疑的光斑的特征相互对照。
上述方法和***可由专利U.S.Patent No.US5133020,尤其是其中的图15(a)和图15(b)及有关说明获悉,其中描述了,如果在某方向上发现***有岛状体(island),而在另一方向上相同***的相同深度并没有发现相应的岛状体,那么,该岛状体就不是真实的。这个深度垂直于***X射线照片中沿坐标方向的一条线,该方向与所检测的皮肤曲线相切。
典型的***X射线照片研究,应从下列几个方向中至少选择两个观察方向进行,这些方向分别是,从头到脚尖方向即头-尾(cranio-caudal,CC)方向,侧面到侧面方向即中间-侧面(medio-lateral,ML)或侧面-中间(lateral-medial,LM)方向,以及在头-脚尖和侧面-侧面之间大致45度的观察方向,称为倾斜方向(oblique,OB)。
***癌发病率在妇女最常见癌症中列第二位,***癌的早期检测,能够显著地提高病人的存活率。这类早期检测需要周期性地拍摄***X射线照片,辐射学专家或***X射线摄影师观察这些照片,以确定是否存在肿块(也称为损伤或瘤状物)和小硬团等症状。由于需要解释的***X射线照片的数量众多,同时***周围组织会使照片的明暗对比度下降,使得辨别这些不易识别的病症的工作变得很困难,这两个方面共同促进了***X射线照片计算机辅助诊断(CADM)的发展,使得至少可以自动标明或增强图象中感兴趣的特征,其中就包括可疑部位,这些图象可以显示在屏幕上,也可以印在胶片或其他介质上。
通过下面两种方法可以获得适合计算机诊断的数字***X射线照片,一种方法是扫描传统的***X射线照相的底片,另外一种方法是利用其他X射线检测设备产生电子图象信号并直接将其数字化,后一种方法不需要产生底片介质。这些检测设备包括:X射线图象增强/摄像组件,光激发磷光感光板/激光读出技术(参见U.S.Patent No.4236078),以及硒感光板/量电表读出技术。这些技术在空间分辨率和对比灵敏度方面正在不断发展,尤其是后两项技术,可能很快会广泛用于***X射线照片应用上。
CADM***的前期步骤,是将***X射线照片图象分割成前景(对应于***)和背景(对应于***的周围部分),在进一步考虑时,将经分割属于背景部分的外来象素排除在外,后期处理的象素数量因此减少。同时,理论上存在于皮肤曲线上,位于前景和背景之间的边缘轮廓或边界也得到了确定。***虽然是一个很重要的标志,但除非用金属环在***上做记号,否则在***X射线照片中很难检测到***。由于病人的位置或皮肤***的关系,在断面中***通常显现不出来。
下一步,要在分割***的区域中寻找肿块,这是通过分析光斑的大小和形状来实现的,光斑也称为“斑点”(blob)或岛状体,即通过在一个或多个亮度等级上,给***X射线照片设定阈值来区分出来的。例如,在专利U.S.Patent No.5,212,637中,利用计算的初始阈值,在不同的亮度范围内寻找肿块,该阈值至多可以增加到三倍。这里,在一个初始或增长过的阈值上,给***X射线照片设定阈值便可得到斑点,这些斑点所对应的区域与它们周围相比,亮度对比特别鲜明,根据斑点的大小和形状,如面积,圆度及畸形度,区分潜在的病症。
在专利U.S.Patent No.4907156中,岛状体的显现,是根据一幅数字X射线图象给另一幅图象设定阈值的方法来实现的。阈值级别的连续下降通常会导致岛状体增大。在每个阈值级别上,都要对岛状体的大小和形状进行分析。根据岛状体的有效直径和圆度区分出肿瘤。
上述方法只利用了一个***X射线照片,可能会产生数量多得令人难以接收的假阳性结果,尤其在提高灵敏度以消除假阴性结果时,这种情况表现得更为突出。在前面所提到的专利U.S.Patent No.5133020中,利用同一***的两个视图所提供的信息,有助于减少或消除假阳性结果,但实际上由于皮肤曲线本身不足以确定不同视图中的可疑肿块是否相互对应,因此很难将不同视图中的位置进行对照,此外,如果在每个视图中都用许多阈值来辨别光斑,前面的方法并没有指出各视图中部分重叠的光斑应该如何进行比较。
本发明的一个目的,是为数字***X射线照片中可疑光斑的计算机辅助诊断提供方法和设备,通过比较同一***的不同观察方向的***X射线照片,以将不同视图中可疑光斑相对于一个参考点的位置进行对照,这个参考点对应于***部分,可以减少或消除假阳性结果的发生。
本发明的进一步目的,是将同一***不同观察方向的视图中可疑光斑的位置作为一个测量特征,比较这些特征便可以减少或消除假阳性结果;
本发明的另一个目的,是要基本上减少或消除假阴性的事件发生,即,在比较两个视图中光斑的特征之前,使用大量的相关阈值级别分别对可疑的光斑进行辨别。
上述目标的实现,根据的是本发明的生成计算机增强***X射线照片的方法,该方法的特点在于它包括:沿着受检的皮肤曲线,将对应于***位置的参考点找出来,将第一个输入阵列中可疑光斑相对于该阵列的参考点的位置,与第二个输入阵列中可疑光斑相对于该阵列的参考点的位置进行比较,至少在第一和第二输入阵列中的某一阵列中,产生一个二维数字象素输出阵列,其中的可疑光斑则被做上记号或得到增强,这些光斑至少在两个输入阵列中某一阵列中被认为是可疑的,它们的特征亦被与两个阵列中另一个阵列的可疑点根据预设的判据进行了比较。
简要的说,这些及其他目标是通过下述方法来满足的,在每个来自不同观察方向的两个视图中,分别将候选的可疑光斑辨认出来,然后比较这些光斑的特征,包括光斑相对于一个参考点的位置,从而判断不同视图中的光斑是否是相互对应,这里所说的参考点在人体结构上对应于***。除了位置测量结果外,有关大小,形状,亮度和强度的差异的测量结果也要经过比较。在一个视图中的候选可疑光斑,如果在另外一个视图中找不到对应的光斑,那么这个光斑将被标明为假阳性的,不再被报告或注明为可疑的。
在将每个***X射线照片分割成***和背景,并且检测到皮肤曲线后,对应于***的参考点位置也相应地被确定下来。与***有关的结构使得***部位的亮度比较高,根据这一点,沿着受检的皮肤曲线部分和***区域寻找,便可以确定***的位置。确定了光斑的中心或质心相对于参考点的位置,便可以计算出每个候选可疑光斑的位置,这里所说的参考点对应着***。
在权利要求2-8中,提出了本发明实施方法的优选实施方案。位置的测量最好是一个距离分量,这里称为“深度”,该分量所经过的直线穿过两个点,一个点对应于***,另一个点则由特定视图中***的具体形状决定。后一个点最好选择***的质心。另外,也可用光斑的中心与参考点之间的欧几里德距离作为位置的测量值。
在对同一***的不同视图进行上述比较之前,先分别在各个阈值级别上设定阈值,将两个***X射线照片中可疑的光斑识别出来。这个分离过程是这样进行的,先在前景***X射线照片(通过分割和皮肤曲线检测,将背景从应考虑部分中移走后的***X射线照片)中形成象素灰度等级的统计图,以便为多个阈值确定灰度等级的相对间隔。前景***X射线照片在间隔的每一个灰度等级上都设了阈值。在一个典型的八位图象(256个灰度等级)中,相对间隔至少包括20个不同的灰度等级,比较典型的则会超过50个。通过设定阈值所产生的每个图象,都被分别进行分析,以确定相连的区域或光斑,并以此划分哪些相连的区域是可疑的。在间隔的每一个灰度等级上,凡是属于可疑相连区域的象素都被做上标记。这个标记过程是一个累积的过程,因为,当在该间隔的每一个区域都设定了阈值后,产生于该间隔中每个阈值级别上的二进制图象中所有属于可疑的相连区域的象素都被做上了标记。
通过测量各个相连区域的大小,形状以及强度的变化或均匀度,可以确定其中的可疑区域。凡是测量结果与预定的判据相吻合的相连区域,都被标记为可疑的。在这里,引入了强度的变化或均匀性判据,原因在于,一个典型的可疑肿块,其亮度在其整个区域内都是均匀的。
在一个比较大的相对灰度等级间隔内的每个灰度等级上都设定阈值,将会使肿块分辨的灵敏度达到100%。为将假阳性结果维持在比较低的水平上,这里又引入了一个判据,该判据规定,凡属于某个相连区域的象素,其强度的变化必须很小,或者应具有较高的均匀度。该判据与其他判据一起,基本上消除了将虚假相连的区域认为是可疑的情况。
由于在不同的阈值级别上产生的光斑至少有部分是相互重叠的,因此,有必要在图象比较过程结束后,通过确定重叠部分并只标出最大的重叠光斑的方法,在具有类似特征向量的成对光斑中,将冗余的光斑消除掉。
根据本发明生成计算机增强***X射线照片的***,具有下面一些特征,进一步设置计算机,使其能识别皮肤上对应于***的参考点C的位置,将第一个输入阵列中可疑光斑相对于该参考点的位置,与第二个输入阵列中可疑光斑相对于所述参考点的位置进行比较,至少从第一和第二两个输入阵列的一个阵列中,产生一个二维数字象素输出阵列,在其中至少一个输入阵列中被认为是可疑的光斑,在预定的判据范围内,如果其特征与另外一个阵列中可疑光斑的特征相符合,那么,这个光斑将被做上标记或得到增强。根据本发明,这样一个***适合用来生成计算机增强***X射线照片。在权利要求11-13中,提出了根据本发明的优选方案。
此后,将就具体的实施方案和附图来阐明本发明的上述和其他方面。附图包括:
图1是根据本发明的一个计算机辅助***示意图,该***用来拍摄和处理***X射线照片。
图2A和图2B分别简略地表示了同一***的X射线照片在头-尾(CC)方向和倾斜(OB)方向的视图,图中还标出了需要比较的光斑的位置。
图3是图1中计算机整个处理过程的流程图,其中包括对摄自不同观察方向的***X射线照片分别进行计算机处理的流程图,这部分流程的目的是为了辨别光斑,接下来是对前面流程的结果进行比较的流程图。
图4是图3中处理单个***X射线照片以辨别光斑过程的详细流程图。
图5是一个***X射线照片的象素灰度值的统计图,这里表示的是将背景移走后的统计结果,图5应与图4结合在一起使用,其中,图4是辨别单个视图中光斑过程的流程图。
首先参见图1,该图是一个计算机辅助***X射线照片***10的示意图,图中,***X射线照片的摄像装置被安排在适当的位置,用来拍摄头-尾视图,该***有一个X射线源12,它所发出的X射线束15对着病人的***14进行辐照,辐照时病人是站着的。在上下两块平板18和16上,加上一定的压力或重量,将***接纳并夹在这两块板之间。在下面这块板16的下方,是二维X射线探测装置20,用来在一个矩形的象素平面内,检测透过***和其周围部位的X射线辐射。X射线探测器可以是一个底片,也可以是一个安在支架上的光激发磷光感光板,或者是一个硒感光板/量电表读出探测器。同样,也可以用X射线图象增强/摄像组件作为探测装置。X射线源12,平板14和16,以及探测装置20可以作为一个整体,绕着横轴A旋转,这样便可以在图1中所示的任何一个方向上接纳并辐照***,这些方向包括:CC(头-尾)方向、LM或ML(侧面-中间或中间-侧面)方向以及OB(倾斜)方向。实际上,对***X射线照片的研究至少应在两个这些方向上进行。
无论探测装置20是什么类型的,最终在每个观察方向都会产生一个二维数字象素阵列,每个象素阵列都代表一个***X射线照片的X射线投影图,这些阵列被作为图象文件储存在数字存储设备22上,设备22可以包括RAM,硬盘,磁光盘,WORM驱动器或其他数字存储装置。如果用底片作为探测器,则需先将它冲洗出来,然后将它扫描到数字化仪24中去。现在,底片被数字化后可以达到100微米的空间分辨率,所得到的典型图象可达到1627×2380至2344×3016个象素的容量,最高可达到12位的强度分辨率。如果采用光激发感光板作为探测器,利用扫描仪26进行激光扫描,也可以获得类似的图象容量,通常能达到10位强度分辨率水平。最后,如果利用硒感光板/量电表读出设备作为检测设备,则可以直接产生模拟电信号,通过模数转换器28就可转换成数字信号。
用于研究的二维数字象素阵列被储存在设备22中,这些阵列对应来自两个或多个方向的***X射线照片,利用工作站30进行研究,将在不同***X射线照片视图中相互对应并令人感兴趣的特征做上标记,或者将该特征加强,这其中就包括辨别出的可疑肿块或小硬团,然后,将其中某个或两个处理过的***X射线照片的最终图象显示在显示设备32,如CRT监视器上。
随着讨论的进行,将会明白,来自两个或多个方向的视图使我们能够比较各个视图中光斑的位置及其他特征,从而确定它们是否对应于病人***中的同一点,这里说的光斑是在各个视图中被独立地辨别出来的。图2A和图2B分别简略地表明了同一***的头-尾(CC)和倾斜(OB)方向X射线照片的视图,同时指明了如何自动测量光斑S1和S2的位置,其中,光斑S1和S2分别位于头-尾视图和倾斜视图中。特别地,在每个视图中,参照线RL由***质心CM和检测出的对应于***的参考点N决定,该参考点N位于检测出的皮肤曲线SL上。位置的测量以深度DEP来表示,深度DEP是光斑质心CS和参考点N之间距离沿参照线RL方向的一个分量。在将对应于***的参考点N清楚地检测出来,并确定了参照线后,就提供了一个参考框架,以准确地在不同角度的视图中比较位置。此外,位置的测量也可以由参考点N和光斑中心CS之间的欧几里德几何长度表示,在这种情况下,不需要确定参照线RL。通常,每个光斑中心CS的坐标,都可以估算为组成该光斑的象素坐标的平均值。***质心CM可取为组成***的象素的质心。
参照图3所示的流程图,下面将介绍工作站30生成适合在监视器32(或印在底片或其他介质上)上显示的输出阵列34a和34b的步骤,这两个阵列对应于增强过的***X射线照片图象,而这些图象则至少来自第一和第二两个不同方向。图中有一个初始步骤没有专门表示出来,即最好用适当的滤波器将储存的X射线***照片图象的空间分辨率降低,和/或用截断的方法减小其幅度,这样得到的图象的容量大致在500,000至2,500,000个象素之间,和8位至10位的强度分辨率,正好与监视器的空间和灰度的分辨率相一致。试验中发现,当图象的分辨率降到象素大小为0.4微米见方以及256个灰度等级时,可以获得良好的效果。来自至少两个方向的***X射线照片图象,在降低了空间及(或)幅度的分辨率后,就形成了所说的来自第一和第二个观察方向的输入阵列36a和36b,这两个阵列均被输入到图3所示的过程中。
在步骤38a和38b中,输入阵列36a和36b各自被分割成前景和背景,分别对应于***和***周围部分,在分割的同时皮肤曲线SL(见图2A和2B)也被检测出来。该分割过程使得在寻找感兴趣的特征如肿块或小硬团时,可以将背景排除在外,这些特征被做上了标记或得到了增强。这里,可以采用美国专利申请号为08/175805的专利申请中的方法,该申请的题目是“数字***X射线照片的自动分割和皮肤曲线的检测(Automatic Segmentation and Skinline Detection in DigitalMammograms)”,1993年12月30日申请,该申请已被转让给本专利申请相同的受让人,在此引入作为参考。然而,分割和皮肤曲线的检测(见图2A和2B)优选采用本申请的发明人同时提交的申请中所描述的方法,该申请的题目是“数字***X射线照片的自动分割,皮肤曲线和***的检测(Automatic Segmentation,Skinline and Nipple Detectionin Digital Mammograms)”,它与前述一样在此引入作为参考。除了清楚地将皮肤曲线检测出来外,为方便起见,在移走背景后,图象的背景部分的象素都被设成黑色。
在步骤40a和40b中,最好采用上述与本申请同时申报的专利申请中的方法,将对应于***的参考点N很快自动检测出来。参考图2A和图2B,该方法叙述如下,将皮肤曲线SL上曲率高的部分SLS分离开来,沿着SLS移动矩形小窗口W,在***下面的***中寻找高亮(高度稀薄)区,该部分系由皮下主体组织引起。窗口W从皮肤曲线SLS部分上的点指向***内部,其大小最好为高两个象素,宽八个象素(如0.8×3.2微米)。窗口W在每个位置上的平均(或总的)强度都要被计算出来。选择窗口的皮肤曲线上具有最大平均(或总的)强度的点作为参考点,这个被检测出来的点就对应着***。在下面步骤42A和42B中,利用许多阈值级别将被分割为***部分中的光斑辨别出来,随后在方块44a和44b中利用第一个判据来对那些可疑的候选光斑进行判断。图4中流程图将对这些过程进行详细描述,其第一步为步骤46,先确定***部分象素的灰度值的统计图,然后根据该统计图来决定灰度等级的相对间隔以便设定阈值。
图5是一幅典型的***的象素统计图,可以看到,这个图还可以再分为间隔“a”和较窄的间隔“b”,间隔“a”对应于皮肤,从该统计图中最低的灰度等级S到灰度等级G,间隔“b”对应着***内部,从灰度等级G到该统计图中的最大灰度等级L。间隔“a”中每个灰度等级上的象素都比较少,而间隔“b”的峰比较高并且两边也比较陡。间隔“b”被选作灰度等级的相对间隔以设定阈值。选定灰度等级G后,间隔“b”是灰度等级L和P之间间隔c的两倍,此处灰度等级P对应着该统计图的峰。
根据本发明,间隔“b”中每个灰度等级“Lev”都被用作阈值。在一个有256个灰度等级的图象中,典型的间隔“b”至少包括20个灰度等级,有时常常会超过50个灰度等级。为方便起见,这些灰度等级是按照连续从最低到最高,或从最高到最低的顺序作为阈值等级的。在任一种顺序情况下,都要在间隔“b”的第一个灰度等级处设定当前的阈值等级。
在下面图4所示流程图的步骤48中,图象的阈值设定在当前阈值级别上,在所产生的二进制图象中,强度高于或等于当前阈值的象素被置为1,而强度低于当前阈值级别的象素则被置为0。此外,还可以从输入到步骤46中除去背景的图象中获得设定阈值后的图象,该方法将不低于当前阈值级别的象素强度复制下来,同时将亮度低于当前阈值级别的象素强度置为0。
在步骤50中被称为“相连的组分”,是从设定了阈值的图象中摘录下来的。每个“相连的组分”都是一组值不为零的象素,其中任何两个象素最终都通过一系列相邻的象素相互连在一起。按照下面的步骤,可以很快地将这些象素组辨别出来:a)产生线相连的图(Line-Adiaceney Graph,LAG),b)扫描这个LAG图以决定相连的不同组分(CC’s)的数量,c)再次扫描这个LAG图以产生一个掩蔽图象以及一些简要的阵列,这些阵列定义并描述每个CC。
上面步骤a)中产生LAG的方法,根据的是Pavlidis所著的“Algorithms for Graphics and Image Processing”中116页至120页的叙述,该书已于1982由Computer Science Press出版。该方法包括设定阈值的图象中每一行寻找连续的相邻非零象素,比较这些连续象素在当前和先前邻线上的位置,以及记录重叠部分。
尽管LAG指出了重叠的线条,但并没有限定相连的组分。因此,在步骤b)中,每个重叠的连续象素记录被扫描,以确定这些象素究竟属于哪个相连的组分CC。与此同时,相连组分的总数也被计算出来。
一旦知道了相连组分的集合CC’s,就可以在步骤c)中计算掩蔽图象和定义每个相连组分的数据对象。这个掩蔽图象其实是设定了阈值的图象,其中所有的非零象素都包含它们所属的CC的数字,这些附加的数据对象包括一个向量,该向量包含每个CC中象素的数量,这个数量是每个CC面积的尺度,也是定义每个CC边框(最少和最多行列)的一个阵列。
将相连组分摘录出来后,在步骤52中,每个CC中象素强度的变化Var可根据下面的等式分别计算出来,该等式为: Var = 1 n Σ i = 1 n ( g i - μ ) 2
这里gi是相连区域的第i个象素的强度,μ是相连区域象素的强度的平均值,n则是相连区域中象素的数量。此外,还可以使用均匀性的尺度,例如Var的倒数。
计算完强度的变化后,在步骤54中,相连区域经过磨削和扩展变得光滑。在进行处理时,最好选用3×3矩阵形式的结构单元。这些处理可以使相连区域边缘上的不均匀性光滑化。为方便起见,在此后的步骤56中,每个经过光滑处理的CC的面积都象其中的象素数量一样被计算。接着在步骤58中,利用下面的等式来计算每个CC的紧凑度Compact: Compact = P 2 A 这里,P和A分别是相连区域的周长和面积。步骤60产生一个偏心度Ecc,表示为: Ecc = r max r min
这里,rmax和rmin分别是相连区域的中心与其周边之间距离的最大值和最小值。
接着,在步骤50中,将上述测量结果Compact,Ecc,Var和A(可以看作一个特征向量的各个分量)分别与每个CC的阈值TC,TE,TV和TA相比较。如果Compact,Ecc和Var分别小于等于TC,TE和TV,那么该CC中的每个象素都被标记属于候选的可疑CC。在对经过当前阈值辨别的所有CC进行考虑后,在接下来的步骤64中,测试间隔中是否还有更多的灰度等级。如果有的话,那么在步骤66中,将按顺序取下一个阈值作为当前的阈值Lev,并返回步骤48,最初移走背景后的图象在新的当前阈值级别下被设定了阈值。在每个阈值级别Lev上都要重复48到62之间的步骤,直到能在步骤64中确定间隔中再也没有更多的灰度等级为止。
用来检验测量A,Compct,Ecc和Var的阈值是根据经验获得的。下面根据经验得出的阈值在256灰度等级、480×520象素的图象上获得了很好的效果,在这里,每个象素代表边长为0.4微米的小方块:
TA=130pixels(象素)
TC=150
TE=2.7
TV=50
在步骤68(图3)比较或对照两组候选可疑光斑特征的准备过程中,要采用分量“Dep”和“Lev”,至少将候选可疑光斑的特征向量增大,“Dep”和“Lev”分别对应于光斑相对于***N的深度和辨别光斑的阈值级别,后者是衡量光斑亮度的一个比较方便的尺度,此处的可疑光斑是从输入阵列36a和36b辨别出来的,两个输入阵列则来自不同方向的***X射线照片。
将象素标记属于某个候选可疑的相连区域的操作过程,最好是累积过程。在间隔中的所有阈值级别都被应用过之后,所得到的结果是在每个阈值级别上所揭示的候选可疑光斑的集合。鉴于所用的阈值级别的数量巨大,结果在该集合中通常存在许多至少部分相互重叠的候选可疑光斑。需要指出,本发明的一个关键方面在于对这些重叠光斑的分析一直被推迟,直到完成前面所述步骤68中的比较或对照过程之后。
前面块44a和44b中确定的候选可疑光斑,以及块40a和40b所确定的相对位置信息(或者说成增长后的特征向量,该向量包括如下分量:Compact,Ecc,Var,A,Dep以及Lev)的测量结果,被块66用来形成光斑S1和S2特征的比较测量值,其中,S1和S2分别是在第一和第二个方向上辨别出来的各候选可疑光斑。为明白起见,同时由于在本阶段不必使用Compact,S1在第一个方向上的相应测量结果被表示为:Ecc1,Var1,A1,Dep1和Lev1,S2在第二个方向上的相应测量结果被表示为:Ecc2,Var2,A2,Dep2和Lev2。尤其,偏心度的差值的绝对值ED,强度的变化的差值VD,深度距离DD,面积比AR和阈值级别比例LR最好如下表示:
ED=|Ecc1-Ecc2|
VD=|Var1-Var2|
DD=|Dep1-Dep2|
AR=A1/A2
LR=Lev1/Lev2
在步骤70中每个比较测量值都有一定的判据。两个视图中的光斑只有满足了各个判据后,才能被认为是相互对应的。
下面便是一些适当的判据:
ED<1.5
VD<0.1
DD<50象素(即2cm)
0.67≤AR≤1.5
0.67≤LR≤1.5
同样,在步骤70中,符合这些判据的重叠光斑组被处理过后,每一组都保留了其中具有最大面积A的光斑。为判断一个光斑究竟属于哪个重叠光斑组,需判断该光斑的中心CS是否在任何其他光斑的方框内(该方框与一个光斑的四条边都相切)。
利用上述判据,对比较测量结果和重叠光斑进行处理后,在步骤32中,输入阵列36a和36b中的相应光斑和皮肤曲线SL以及检测到的***N都被做上标记或得到增强,从而得到输出阵列34a和34b。这些阵列可以分别显示,也可以做成一组顺序显示。
自此,本发明的目标已经得到了满足。在对本发明作特别详细的说明的同时,还可以在本发明的精神和领域内,对本发明进行大量的改进。例如,对不同观察方向的***X射线照片中辨别出的可疑区域的特征的比较,也是对两个视图的比较,同样可用于将小硬团相互对照,在美国专利申请中序号为No.08/003071的“***X射线照片中小硬块的计算机检测(Computer Detection of Microcalcifications inMammagrams)”申请中,对识别可疑小硬团的方法作了相应的叙述,该申请申报于1993年1月11日,也被转让给本发明的受让人。

Claims (13)

1.一种生成计算机增强***X射线照片的方法,包括:
-在预定的第一和第二两个不同的观察方向,连续用X射线辐射对受检病人的***进行辐照;
-在上述第一和第二观察方向分别所在的二维平面内,接收连续透过***的X射线辐射;
-产生作为所接收的X射线辐射的函数的数字信号,其中第一个二维输入数字象素阵列中的数字信号对应于第一个观察方向,第二个二维输入数字象素阵列中的数字信号则对应于第二个观察方向。
-响应上述信号,并将上述信号的第一和第二两个二维输入阵列储存在计算机能访问的数字存储设备中;
并利用计算机:
-对第一和第二输入阵列中的每个阵列,检测其中的皮肤曲线并由此将阵列分割成***和背景区域;
-根据光斑的大小和形状,在***区域中辨别可疑的光斑;
-将第一个阵列中的可疑光斑与第二个阵列中的可疑光斑的特征进行对照,
其特征在于该方法还包括:
-沿着检测出的皮肤曲线辨别出对应于***部位的参考点,所述对照的过程则包括:将第一个输入阵列中的可疑光斑相对于该阵列中参考点的位置,与第二个输入阵列中的可疑光斑相对于该阵列中参考点的位置进行比较,和
-至少在第一和第二输入阵列的某个阵列中产生一个二维数字象素的输入阵列,其中,在上述输入阵列的至少某一个阵列中被认为是可疑的光斑,该光斑被标记或增强,并在预定的判据范围内,将其特征与另外一个阵列中可疑光斑的特征相对照。
2.如权利要求1中所述的方法,其特征在于
-比较第一个输入阵列和第二个输入阵列中可疑光斑的位置,是通过在沿过参考点和***区域质心的线上,比较它们相对于参考点的深度实现的。
3.如权利要求2所述的方法,其特征在于
-根据***区域中光斑的大小和形状辨别可疑光斑的方法包括:在多个不同的阈值级别上,至少对储存的输入阵列的一部分设定阈值以区分光斑,对每个分辨出来的光斑,要进行如下一些测量,包括光斑的大小和形状,并决定所得到的测量结果是否落在预定的更进一步的判据中。
4.如权利要求3中所述的方法,其特征在于
-在完成上述的对照过程后,在第一和第二个阵列中的至少一个阵列中被认为是可疑的重叠光斑组,在预定的判据范围内,如果其特征与另外一个阵列中可疑光斑的特征一致,那么,只有该光斑组中的最大光斑才会被做上标记或得到增强。
5.如权利要求3或4中所述的方法,其特征在于所产生的测量结果包括数字象素的一个变化或均匀值,这些象素中包含上述光斑。
6.如权利要求3到5中所述的方法,其特征在于,上述的特征对照过程包括对辨别光斑的阈值进行比较。
7.一种产生受检对象相关部位的计算机增强放射图象的方法,包括:
-接收第一和第二两个二维数字象素输入阵列,并将这些阵列储存在计算机能访问的数字存储设备中,这些象素阵列对应于受检对象相关部位的放射图象,分别用辐射成象设备在不同的成象方向上获得;
-利用计算机:
-对第一和第二输入阵列中的任一阵列,在若干不同的阈值级别上,至少对输入阵列的一部分设定阈值以辨别光斑,对每个辨别出的光斑,得到光斑的多方面测量结果,包括它的大小和形状,并判断得到的测量结果是否落在第一个预定的判据中;
-将第一个输入阵列中经过判断落在第一个判据中的光斑的特征,与第二个输入阵列中经判断落在第一个判据中的光斑的特征进行比较,从而辨别出在第二个判据的基础上特征相似的有关光斑,
其特征在于,
-所比较的特征包括,将第一个输入阵列中的光斑相对于其参考特征的位置,与第二个输入阵列中的光斑相对于其参考特征的位置进行对照,
-在第一个输入阵列中经判断落在第一个判据中的任何重叠光斑组,根据第二个预定的判据,如果其特征与第二个输入阵列中落在第一个判据中的重叠光斑组的特征相似,那么,只将上述每个光斑组中最大的光斑辨别出来,
-从第一个和第二个输入阵列中至少一个阵列中,产生一个二维数字象素输入阵列,其中,在前面步骤中辨别出的输入阵列中的光斑均被做上标记或得到增强。
8.如权利要求7中所述的方法,其特征在于,被比较的特征包括阈值,光斑是在这些阈值级别上被辨别出来的。
9.一种用来生成计算机增强***X射线照片的***,包括:
-X射线源(12),利用X射线辐射,在预定的第一和第二个不同的观察方向上连续辐照受检病人的***(14);
-X射线探测装置(20),用于分别在第一个和第二个观察方向的二维平面内,接收连续透过***的X射线辐射;
-数字化仪(24),用来产生作为所接收的X射线辐射的函数的数字信号,这些数字信号对应于第一和第二两个二维数字象素输入阵列,而这些输入阵列分别来自第一和第二观察方向;
-计算机(30);
-数字存储设备(22),计算机可以访问该设备;
-响应这些信号并将二维数字象素阵列储存在上述数字存储设备中的有关设备;
-与计算机配套的显示设备,将计算机产生的数字象素输入阵列的图象显示出来;
其中计算机(30)被设置用来:
-对第一和第二输入阵列中的每个阵列,通过检测皮肤曲线SL并将输入阵列分割成***和背景区域,处理所储存的第一和第二个二维数字象素输入阵列,
-根据光斑的大小和形状,在***区域中辨别出可疑的光斑;
-将第一个输入阵列中可疑光斑的特征与第二个输入阵列中辨别为可疑肿块的光斑的特征相对照,
其特征在于:
-计算机(30)被进一步设置用来:
-沿着皮肤曲线(SL)辨别对应于***(N)的位置的参考点C,上述对照过程包括,将第一个输入阵列中的可疑光斑相对于该阵列中被辨别出的参考点C的位置,与第二个输入阵列中的可疑光斑相对于该阵列中被辨别出的参考点的位置进行比较,
-在第一和第二两个输入阵列的至少一个阵列中,产生二维数字象素输出阵列,其中,在上述两个阵列中的至少一个阵列中被辨别为可疑的光斑,在预定的判据范围内,如果其特征与另外一个阵列的可疑光斑的特征相符合,则该光斑被做上标记或得到增强。
10.如在权利要求9中所述的***,其特征在于:
-计算机被进一步设置,通过比较光斑相对沿过参考点和***质心的直线方向的深度,来比较第一和第二输入阵列中可疑光斑的位置。
11.如权利要求9或10中所述的***,其特征在于:
-计算机被进一步设置,根据***区域中光斑的大小和形状,辨别出可疑的光斑,该方法包括,在若干不同阈值级别上,至少对所存储的输入阵列的一部分设定阈值以区分光斑,对每个被区分的光斑进行多方面的测量,包括其大小和形状,并判断测量的结果是否落在预定的判据中。
12.如权利要求11中所述的***,其特征在于:
-计算机被进一步设置,在完成上述的对照过程后,如果在第一和第二个阵列中的至少一个阵列中被认为是可疑的重叠光斑组,在预定的判据范围内,其特征与另外一个阵列中可疑光斑的特征一致,那么,只有该光斑组中最大的光斑才会被做上标记或得到增强。
13.如权利要求11和12中所述的***,其特征在于:
-计算机被进一步设置,以在所述的测量中包括数字象素阵列测量值的一个变化或均匀值,这里的数字象素中构成上述光斑。
CN95192509A 1994-12-30 1995-11-29 通过计算机利用摄自不同角度的同一***的数字***x射线照片进行肿块检测 Pending CN1145675A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US08/367,023 1994-12-30
US08/367,023 US5579360A (en) 1994-12-30 1994-12-30 Mass detection by computer using digital mammograms of the same breast taken from different viewing directions

Publications (1)

Publication Number Publication Date
CN1145675A true CN1145675A (zh) 1997-03-19

Family

ID=23445614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN95192509A Pending CN1145675A (zh) 1994-12-30 1995-11-29 通过计算机利用摄自不同角度的同一***的数字***x射线照片进行肿块检测

Country Status (5)

Country Link
US (1) US5579360A (zh)
EP (1) EP0748488A1 (zh)
JP (1) JPH09509878A (zh)
CN (1) CN1145675A (zh)
WO (1) WO1996021199A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100346748C (zh) * 2000-10-24 2007-11-07 株式会社东芝 图像处理设备和图像处理方法
CN101612047B (zh) * 2004-08-03 2013-03-06 株式会社东芝 图像显示装置
CN103514590A (zh) * 2013-10-23 2014-01-15 杨大刚 数字式乳腺机图像后处理方法
CN103815926A (zh) * 2014-03-07 2014-05-28 杭州千思科技有限公司 乳腺癌检测方法和装置
US9098935B2 (en) 2004-08-03 2015-08-04 Kabushiki Kaisha Toshiba Image displaying apparatus, image displaying method, and computer readable medium for displaying an image of a mammary gland structure without overlaps thereof
CN105979875A (zh) * 2014-02-04 2016-09-28 皇家飞利浦有限公司 生成***参数图
CN108392215A (zh) * 2018-02-09 2018-08-14 南方医科大学 一种同侧异位乳腺钼靶图像的点位置关联方法

Families Citing this family (67)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5415169A (en) * 1989-11-21 1995-05-16 Fischer Imaging Corporation Motorized mammographic biopsy apparatus
US6075879A (en) * 1993-09-29 2000-06-13 R2 Technology, Inc. Method and system for computer-aided lesion detection using information from multiple images
US6266435B1 (en) 1993-09-29 2001-07-24 Shih-Ping Wang Computer-aided diagnosis method and system
US6574357B2 (en) 1993-09-29 2003-06-03 Shih-Ping Wang Computer-aided diagnosis method and system
US6005911A (en) * 1995-11-17 1999-12-21 Trex Medical Corporation Large area array, single exposure digital mammography
US5815591A (en) * 1996-07-10 1998-09-29 R2 Technology, Inc. Method and apparatus for fast detection of spiculated lesions in digital mammograms
US5917929A (en) * 1996-07-23 1999-06-29 R2 Technology, Inc. User interface for computer aided diagnosis system
US5768333A (en) * 1996-12-02 1998-06-16 Philips Electronics N.A. Corporation Mass detection in digital radiologic images using a two stage classifier
US5757880A (en) * 1997-01-08 1998-05-26 Colomb; Denis Apparatus, article of manufacture, and method for creation of an uncompressed image of compressed matter
US6246782B1 (en) 1997-06-06 2001-06-12 Lockheed Martin Corporation System for automated detection of cancerous masses in mammograms
US5930327A (en) * 1997-06-23 1999-07-27 Trex Medical Corporation X-ray image processing
US5999639A (en) 1997-09-04 1999-12-07 Qualia Computing, Inc. Method and system for automated detection of clustered microcalcifications from digital mammograms
US7308126B2 (en) 1997-08-28 2007-12-11 Icad, Inc. Use of computer-aided detection system outputs in clinical practice
US6970587B1 (en) 1997-08-28 2005-11-29 Icad, Inc. Use of computer-aided detection system outputs in clinical practice
US6137898A (en) * 1997-08-28 2000-10-24 Qualia Computing, Inc. Gabor filtering for improved microcalcification detection in digital mammograms
US6418238B1 (en) 1997-09-22 2002-07-09 Olympus Optical Co., Ltd. Image detection apparatus and image detection method capable of detecting roundish shape
US6996549B2 (en) 1998-05-01 2006-02-07 Health Discovery Corporation Computer-aided image analysis
US6404908B1 (en) * 1998-05-28 2002-06-11 R2 Technology, Inc. Method and system for fast detection of lines in medical images
US6112112A (en) * 1998-09-18 2000-08-29 Arch Development Corporation Method and system for the assessment of tumor extent in magnetic resonance images
US6697506B1 (en) * 1999-03-17 2004-02-24 Siemens Corporate Research, Inc. Mark-free computer-assisted diagnosis method and system for assisting diagnosis of abnormalities in digital medical images using diagnosis based image enhancement
US6453058B1 (en) * 1999-06-07 2002-09-17 Siemens Corporate Research, Inc. Computer-assisted diagnosis method using correspondence checking and change detection of salient features in digital images
US6801645B1 (en) 1999-06-23 2004-10-05 Icad, Inc. Computer aided detection of masses and clustered microcalcifications with single and multiple input image context classification strategies
US7003143B1 (en) 1999-11-02 2006-02-21 Hewitt Charles W Tomographic microscope for high resolution imaging and method of analyzing specimens
WO2001033502A2 (en) * 1999-11-02 2001-05-10 University Of Medicine And Dentistry Of New Jersey Tomographic microscope for high resolution imaging and method of analyzing specimens
JP4163370B2 (ja) * 2000-06-08 2008-10-08 富士フイルム株式会社 異常陰影候補検出システム
US6983063B1 (en) 2000-06-29 2006-01-03 Siemens Corporate Research, Inc. Computer-aided diagnosis method for aiding diagnosis of three dimensional digital image data
US6944330B2 (en) * 2000-09-07 2005-09-13 Siemens Corporate Research, Inc. Interactive computer-aided diagnosis method and system for assisting diagnosis of lung nodules in digital volumetric medical images
FR2819329B1 (fr) * 2001-01-11 2003-06-06 Ge Med Sys Global Tech Co Llc Procede et dispositif de detection automatique d'une pelote de compression graduee d'un appareillage de mammographie
FR2824163B1 (fr) * 2001-04-30 2003-08-15 Ge Med Sys Global Tech Co Llc Procede de localisation d'elements d'interet d'un organe
US6665373B1 (en) * 2002-03-12 2003-12-16 Rapiscan Security Products (Usa), Inc. X-ray imaging system with active detector
US7616818B2 (en) * 2003-02-19 2009-11-10 Agfa Healthcare Method of determining the orientation of an image
WO2005029412A1 (en) * 2003-09-22 2005-03-31 Sectra Imtec Ab Automatic positioning quality assessment for digital mammography
FR2870447B1 (fr) * 2004-05-21 2006-09-01 Gen Electric Dispositif de classification de pixels en mammographie a contraste accentue
JP2005334298A (ja) * 2004-05-27 2005-12-08 Fuji Photo Film Co Ltd 異常陰影検出方法および装置並びにプログラム
JP2006068373A (ja) * 2004-09-03 2006-03-16 Fuji Photo Film Co Ltd 乳頭検出装置およびそのプログラム
US7400755B2 (en) * 2005-06-02 2008-07-15 Accuray Incorporated Inverse planning using optimization constraints derived from image intensity
US20070206844A1 (en) * 2006-03-03 2007-09-06 Fuji Photo Film Co., Ltd. Method and apparatus for breast border detection
US7865002B2 (en) * 2006-06-02 2011-01-04 Carolina Imaging Specialists, Inc. Methods and apparatus for computer automated diagnosis of mammogram images
US8194947B2 (en) * 2006-11-21 2012-06-05 Hologic, Inc. Facilitating comparison of medical images
US8995619B2 (en) 2010-03-14 2015-03-31 Rapiscan Systems, Inc. Personnel screening system
US7796733B2 (en) 2007-02-01 2010-09-14 Rapiscan Systems, Inc. Personnel security screening system with enhanced privacy
US8638904B2 (en) 2010-03-14 2014-01-28 Rapiscan Systems, Inc. Personnel screening system
US8576982B2 (en) 2008-02-01 2013-11-05 Rapiscan Systems, Inc. Personnel screening system
CN103064125B (zh) 2007-06-21 2016-01-20 瑞皮斯坎***股份有限公司 用于提高受指引的人员筛查的***和方法
JP5242094B2 (ja) * 2007-07-17 2013-07-24 株式会社東芝 医用画像撮影装置、医用画像処理装置および医用画像処理プログラム
WO2009059131A1 (en) 2007-11-01 2009-05-07 Rapiscan Security Products, Inc. Multiple screen detection systems
DE102007057015A1 (de) * 2007-11-23 2009-05-28 Image Diagnost International Gmbh Verfahren und Anzeigevorrichtung zur Darstellung digitaler Mammogramme
CA2710655C (en) 2007-12-25 2018-06-12 Rapiscan Systems, Inc. Improved security system for screening people
DE102008035566B4 (de) 2008-07-30 2018-09-06 Image Diagnost International Gmbh Verfahren zum Verarbeiten eines in ein Mammogramm eingegebenen Befunds
US8731334B2 (en) * 2008-08-04 2014-05-20 Siemens Aktiengesellschaft Multilevel thresholding for mutual information based registration and image registration using a GPU
US8654922B2 (en) 2009-11-18 2014-02-18 Rapiscan Systems, Inc. X-ray-based system and methods for inspecting a person's shoes for aviation security threats
JP5468362B2 (ja) * 2009-11-18 2014-04-09 株式会社東芝 マンモグラフィ装置
WO2011061905A1 (ja) * 2009-11-20 2011-05-26 日本電気株式会社 物体領域抽出装置、物体領域抽出方法、及びコンピュータ可読媒体
MX2012010645A (es) 2010-03-14 2012-12-17 Rapiscan Systems Inc Aparato de formacion de haz.
US8781187B2 (en) * 2011-07-13 2014-07-15 Mckesson Financial Holdings Methods, apparatuses, and computer program products for identifying a region of interest within a mammogram image
KR102154733B1 (ko) 2013-01-16 2020-09-11 삼성전자주식회사 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법
JP6238755B2 (ja) * 2014-01-10 2017-11-29 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
US11280898B2 (en) 2014-03-07 2022-03-22 Rapiscan Systems, Inc. Radar-based baggage and parcel inspection systems
CA2972886A1 (en) 2014-03-07 2015-09-11 Rapiscan Systems, Inc. Ultra wide band detectors
US9626476B2 (en) 2014-03-27 2017-04-18 Change Healthcare Llc Apparatus, method and computer-readable storage medium for transforming digital images
CN104978753A (zh) * 2014-04-02 2015-10-14 深圳市蓝韵实业有限公司 一种乳腺x光图像中***区域的分割算法
JP2017537399A (ja) 2014-11-25 2017-12-14 ラピスカン システムズ、インコーポレイテッド インテリジェントセキュリティ管理システム
CN107405126B (zh) 2015-03-10 2022-01-25 皇家飞利浦有限公司 检索成对的医学图像的对应结构
US11246551B2 (en) 2016-09-20 2022-02-15 KUB Technologies, Inc. System and method for computer aided detection (CAD) in a breast specimen radiograph
CN109791811A (zh) 2016-09-30 2019-05-21 美国科学及工程股份有限公司 用于2d扫描光束成像的x射线源
JP7023254B2 (ja) * 2019-03-27 2022-02-21 富士フイルム株式会社 撮影支援装置、方法およびプログラム
KR102400525B1 (ko) * 2020-07-03 2022-05-19 한림대학교 산학협력단 2차원 유방 영상을 바탕으로 3차원 위치 정보를 획득하기 위한 시스템의 제어 방법, 장치 및 프로그램

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4907156A (en) * 1987-06-30 1990-03-06 University Of Chicago Method and system for enhancement and detection of abnormal anatomic regions in a digital image
US5133020A (en) * 1989-07-21 1992-07-21 Arch Development Corporation Automated method and system for the detection and classification of abnormal lesions and parenchymal distortions in digital medical images
US5212637A (en) * 1989-11-22 1993-05-18 Stereometrix Corporation Method of investigating mammograms for masses and calcifications, and apparatus for practicing such method
US5289520A (en) * 1991-11-27 1994-02-22 Lorad Corporation Stereotactic mammography imaging system with prone position examination table and CCD camera
US5365429A (en) * 1993-01-11 1994-11-15 North American Philips Corporation Computer detection of microcalcifications in mammograms

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100346748C (zh) * 2000-10-24 2007-11-07 株式会社东芝 图像处理设备和图像处理方法
CN101612047B (zh) * 2004-08-03 2013-03-06 株式会社东芝 图像显示装置
US9098935B2 (en) 2004-08-03 2015-08-04 Kabushiki Kaisha Toshiba Image displaying apparatus, image displaying method, and computer readable medium for displaying an image of a mammary gland structure without overlaps thereof
CN103514590A (zh) * 2013-10-23 2014-01-15 杨大刚 数字式乳腺机图像后处理方法
CN105979875A (zh) * 2014-02-04 2016-09-28 皇家飞利浦有限公司 生成***参数图
CN105979875B (zh) * 2014-02-04 2019-12-31 皇家飞利浦有限公司 用于生成***参数图的医学成像设备、方法、装置和计算机可读介质
CN103815926A (zh) * 2014-03-07 2014-05-28 杭州千思科技有限公司 乳腺癌检测方法和装置
CN103815926B (zh) * 2014-03-07 2016-04-27 杭州千思科技有限公司 乳腺癌检测方法和装置
CN108392215A (zh) * 2018-02-09 2018-08-14 南方医科大学 一种同侧异位乳腺钼靶图像的点位置关联方法

Also Published As

Publication number Publication date
JPH09509878A (ja) 1997-10-07
WO1996021199A1 (en) 1996-07-11
US5579360A (en) 1996-11-26
EP0748488A1 (en) 1996-12-18

Similar Documents

Publication Publication Date Title
CN1145675A (zh) 通过计算机利用摄自不同角度的同一***的数字***x射线照片进行肿块检测
US5768406A (en) Mass detection in digital X-ray images using multiple threshold levels to discriminate spots
JP3939359B2 (ja) 二段分類器を使用するディジタル放射線画像中の塊検出
US6640001B2 (en) Method and apparatus for fast detection of lesions
US6813374B1 (en) Method and apparatus for automatic image quality assessment
US6014452A (en) Method and system for using local attention in the detection of abnormalities in digitized medical images
US6760468B1 (en) Method and system for the detection of lung nodule in radiological images using digital image processing and artificial neural network
US5742700A (en) Quantitative dental caries detection system and method
US6909797B2 (en) Density nodule detection in 3-D digital images
US6035056A (en) Method and apparatus for automatic muscle segmentation in digital mammograms
US7646902B2 (en) Computerized detection of breast cancer on digital tomosynthesis mammograms
US7286695B2 (en) Density nodule detection in 3-D digital images
US8379993B2 (en) Image analysis
US20110182495A1 (en) System and method for automatic defect recognition of an inspection image
US6738500B2 (en) Method and system for detecting small structures in images
CN1145674A (zh) 数字***x射线照片中的自动分割及轮廓线和***的检测
WO1998043201A9 (en) Method and apparatus for automatic muscle segmentation in digital mammograms
WO1999063478A1 (en) Method and apparatus for fast detection of spiculated lesions in digital mammograms
JP7198532B2 (ja) 位置スペクトルを識別するための方法、デバイス、及びコンピュータ記憶媒体
US7630534B2 (en) Method for radiological image processing
JP2000287957A (ja) マンモグラム画像診断支援装置
WO1998052011A2 (en) Systems and methods for analyzing phantom images
JP2002112986A (ja) 画像診断支援装置
Alolfe et al. Development of a computer-aided classification system for cancer detection from digital mammograms
US20220074873A1 (en) Radiological image processing device, radiological image processing method, and radiological image processing program

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication