圖像處理系統(tǒng)的制作方法
【專利摘要】一種用于乳腺影像的圖像處理系統(tǒng)包括：影像采集器，用于獲取二維乳腺超聲波影像；腫瘤檢測器，用于從獲取的二維乳腺超聲波影像檢測M個包含乳腺腫瘤的興趣區(qū)域，并且為每個興趣區(qū)域打分作為其檢測分數(shù)，其中，M＞0；多參數(shù)分割器，用于分別使用K個腫瘤分割算法從所述M個興趣區(qū)域中的每個分割出K個候選腫瘤輪廓，并且為每個候選腫瘤輪廓記錄檢測分數(shù)，其中，K＞0；特征打分器，用于根據(jù)預定的至少一個特征對每個候選腫瘤輪廓進行評價打分；融合器，用于根據(jù)所述M×K個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)，從所述M×K個候選腫瘤輪廓當中選擇最終分割出的腫瘤輪廓。
【專利說明】圖像處理系統(tǒng)
【技術領域】
[0001]本申請涉及一種用于乳腺超聲波影像的圖像處理系統(tǒng)，尤其涉及一種從乳腺超聲波影像檢測多個乳腺腫瘤的興趣區(qū)域并進行打分，使用多參數(shù)的多個腫瘤分割方法對每個興趣區(qū)域進行分割處理并進行打分，并且從多個分割結(jié)果中選擇綜合指數(shù)較高的分割結(jié)果的圖像處理技術。
【背景技術】
[0002]乳腺癌是女性的第二大殺手，而早期檢測是降低死亡率(40%或以上)的關鍵。超聲波越來越多地作為乳房X光檢查(X射線)的補充診斷測試被用于乳腺成像，當乳房X光檢查可能發(fā)生敏感性降低時或者當乳房X光檢查存在不可接受的輻射危險時，其本身也作為第一線成像技術被使用。因此，計算機輔助診斷(CAD)系統(tǒng)可以幫助缺乏經(jīng)驗的醫(yī)生來避免誤診，在不誤診癌癥的前提下減少良性病變活檢的數(shù)量，并且減少各種檢測的變化。
[0003]在計算機輔助的乳腺超聲波診斷系統(tǒng)中，核心技術包括腫瘤檢測和分割，而腫瘤分割是確定腫瘤是良性還是惡性的關鍵?，F(xiàn)有的腫瘤檢測處理輸出單個檢測結(jié)果，而腫瘤分割處理針對所述單個檢測結(jié)果進行腫瘤分割處理。在此過程中，檢測錯誤或不正確的檢測結(jié)果以及使用不適當?shù)膮?shù)都會導致錯誤的分割結(jié)果。這樣的計算機輔助乳腺超聲波診斷不夠強勁，分割結(jié)果的準確性也不穩(wěn)定。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于提供一種用于乳腺超聲波影像的圖像處理系統(tǒng)，從乳腺超聲波影像檢測多個乳腺腫瘤的興趣區(qū)域并進行打分，使用多參數(shù)的多個腫瘤分割方法對每個興趣區(qū)域進行分割處理，并且對每個分割出的腫瘤輪廓進行多個特征的特征打分，此后從多個分割結(jié)果中選擇綜合指數(shù)較高的分割結(jié)果的圖像處理技術，使分割結(jié)果不易受部分不正確的檢測結(jié)果和/或分割參數(shù)使用不當?shù)挠绊懀瑥亩岣呷橄倌[瘤檢測和分割處理結(jié)果的穩(wěn)定性。
[0005]本發(fā)明的另一目的在于提供一種用于乳腺超聲波影像的圖像處理系統(tǒng)，從已標注多個興趣區(qū)域的乳腺超聲波影像使用多參數(shù)的多個腫瘤分割方法對每個興趣區(qū)域進行分割處理，并且對每個分割出的腫瘤輪廓進行多個特征的特征打分，選擇特征指數(shù)較高的分割結(jié)果的圖像處理技術，使分割結(jié)果不易受部分分割參數(shù)使用不當?shù)挠绊懀瑥亩岣呷橄倌[瘤分割處理結(jié)果的穩(wěn)定性。
[0006]根據(jù)本發(fā)明的一方面，提供一種用于乳腺影像的圖像處理系統(tǒng)，包括:影像采集器，用于獲取二維乳腺超聲波影像；腫瘤檢測器，用于從影像采集器獲取的二維乳腺超聲波影像檢測M個包含乳腺腫瘤的興趣區(qū)域(ROI)，并且為每個ROI打分作為其檢測分數(shù)，其中，M > O ;多參數(shù)分割器，用于分別使用基于不同的參數(shù)或參數(shù)組合的K個腫瘤分割算法從所述M個ROI中的每個分割出K個候選腫瘤輪廓，并且為每個候選腫瘤輪廓記錄分割出所述候選腫瘤輪廓的ROI的檢測分數(shù)，其中，K > O ;特征打分器，用于根據(jù)預定的至少一個特征對分割出的M*K個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)；融合器，用于根據(jù)所述M*K個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)，從所述M*K個候選腫瘤輪廓當中選擇一個候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
[0007]所述的圖像處理系統(tǒng)可還包括:合并器，用于對分割出的M*K個候選腫瘤輪廓分別計算彼此之間的相似度，并且從每組相似度高于預定值的多個候選腫瘤輪廓當中去除檢測分數(shù)不是最高的候選腫瘤輪廓，從而得到N個候選腫瘤輪廓，其中，N < < M*K ;其中，特征打分器根據(jù)預定的至少一個特征對所述N個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)，融合器根據(jù)所述N個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)，選擇一個候選腫瘤輪廓。
[0008]所述的圖像處理系統(tǒng)可還包括:預處理器，用于對獲取的二維乳腺超聲波影像執(zhí)行預處理，所述預處理包括對獲取的二維乳腺超聲波影像執(zhí)行去噪聲處理以及/或者圖像增強處理；其中，多參數(shù)分割器對經(jīng)過預處理的二維乳腺超聲波影像執(zhí)行所述腫瘤分割處理。
[0009]腫瘤檢測器可使用形變部位模型方法、模板匹配方法或Adaboost方法執(zhí)行所述M個包含乳腺腫瘤的ROI的檢測以及打分。
[0010]所述不同的參數(shù)可以是不同的迭代次數(shù)、不同的比例或不同的方法，并且所述腫瘤分割方法是水平集方法、圖切割方法、區(qū)域增長方法或分水嶺算法。
[0011]特征打分器可使用支持向量回歸方法根據(jù)以下特征中的至少一個特征計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù):紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征。
[0012]所述輪廓特征可以是灰度對比度、強度對比度或Gestar特征。
[0013]所述腫瘤特征可以是后聲特`征或回聲模式特征。
[0014]融合器可將每個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)分別進行歸一化，根據(jù)以下公式計算每個候選腫瘤輪廓的綜合分數(shù)，并且選擇綜合分數(shù)最高的候選腫瘤輪廓:
[0015]Scorecombined = wds X NDS+wrs X NRS
[0016]其中，Scorecombined是候選腫瘤輪廓的綜合分數(shù),Wds^P Wre分別是賦予候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)的權值，NDS和NRS分別是候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)。
[0017]融合器可使用s-score歸一化算法、min-max歸一化算法、Tanh estimator或doubIe sigmoid算法執(zhí)行所述歸一化處理。
[0018]特征打分器可使用支持向量回歸方法，根據(jù)以下特征中的至少一個特征以及候選腫瘤輪廓的檢測分數(shù)計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù):紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征，其中，融合器從所述M*K個候選腫瘤輪廓當中選擇特征分數(shù)最高的候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
[0019]所述不同的參數(shù)可以是不同的迭代次數(shù)、不同的比例、不同的步驟、不同的去噪聲處理或不同的圖像增強方法，并且所述腫瘤分割方法是水平集方法、圖切割方法、區(qū)域增長方法或分水嶺算法。
[0020]根據(jù)本發(fā)明的另一方面，提供一種用于乳腺影像的圖像處理系統(tǒng)，包括:影像采集器，用于獲取標注有M個腫瘤ROI的二維乳腺超聲波影像，其中，M> O ;多參數(shù)分割器，用于分別使用基于不同的參數(shù)或參數(shù)組合的K個腫瘤分割算法從所述M個ROI中的每個分割出K個候選腫瘤輪廓，其中，K> O ;特征打分器，用于根據(jù)預定的至少一個特征對分割出的M*K個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)，并且從所述M*K個候選腫瘤輪廓中選擇特征分數(shù)最高的候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
[0021]所述不同的參數(shù)可以是不同的迭代次數(shù)、不同的比例或不同的步驟，并且所述腫瘤分割方法是水平集方法、圖切割方法、區(qū)域增長方法或分水嶺算法。
[0022]特征打分器可使用支持向量回歸方法根據(jù)以下特征中的至少一個特征計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù):紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征。
[0023]所述輪廓特征可以是灰度對比度、強度對比度或Gestar特征。所述腫瘤特征可以是后聲特征或回聲模式特征。
[0024]根據(jù)本發(fā)明的另一方面，提供一種用于乳腺影像的圖像處理方法，包括:a)獲取二維乳腺超聲波影像山)從獲取的二維乳腺超聲波影像檢測M個包含乳腺腫瘤的R0I，并且為每個ROI打分作為其檢測分數(shù)，其中，M>0 ;c)分別使用基于不同的參數(shù)或參數(shù)組合的K個腫瘤分割算法從所述M個ROI中的每個分割出K個候選腫瘤輪廓，并且為每個候選腫瘤輪廓記錄分割出所述候選腫瘤輪廓的ROI的檢測分數(shù)，其中，K > O ;d)根據(jù)預定的至少一個特征對分割出的M*K個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)；e)根據(jù)所述M*K個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)，從所述M*K個候選腫瘤輪廓當中選擇一個候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
[0025]所述的方法可還包括:g)對分割出的M*K個候選腫瘤輪廓分別計算彼此之間的相似度，并且從每組相似度高于預定值的多個候選腫瘤輪廓當中去除檢測分數(shù)不是最高的候選腫瘤輪廓，從而得到N個候選腫瘤輪廓，其中，N <<M*K;其中，在步驟d)中，根據(jù)預定的至少一個特征對所述N個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)，并且在步驟e)中，根據(jù)所述N個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)，選擇一個候選腫瘤輪廓。
[0026]所述的方法可還包括:在執(zhí)行步驟b)前，對獲取的二維乳腺超聲波影像執(zhí)行預處理，所述預處理包括對獲取的二維乳腺超聲波影像執(zhí)行去噪聲處理以及/或者圖像增強處理；其中，在步驟c)，對經(jīng)過預處理的二維乳腺超聲波影像執(zhí)行所述腫瘤分割處理。
[0027]在步驟b)中，可使用形變部位模型方法、模板匹配方法或Adaboost方法執(zhí)行所述M個包含乳腺腫瘤的ROI的檢測以及打分。
[0028]在步驟c)中，所述不同的參數(shù)可以是不同的迭代次數(shù)、不同的比例或不同的步驟，并且所述腫瘤分割方法是水平集方法、圖切割方法、搶割方法或分水嶺算法。
[0029]在步驟d)中，可使用支持向量回歸方法根據(jù)以下特征中的至少一個特征計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù):紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征。
[0030]所述輪廓特征可以是灰度對比度、強度對比度或Gestar特征。所述腫瘤特征可以是后聲特征或回聲模式特征。
[0031]在步驟e)中，可將每個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)分別進行歸一化，根據(jù)以下公式計算每個候選腫瘤輪廓的綜合分數(shù)，并且選擇綜合分數(shù)最高的候選腫瘤輪廓:
[0032]Scorecombined = wds X NDS+wrs X NRS
[0033]其中，Scorecombined是候選腫瘤輪廓的綜合分數(shù)，Wds和Wre分別是賦予候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)的權值，NDS和NRS分別是候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)。
[0034]在步驟e)中，可使用s-score歸一化算法、min-max歸一化算法、Tanh estimator或doub Ie si gmo i d算法執(zhí)行所述歸一化處理。
[0035]在步驟d)中，可使用支持向量回歸方法，根據(jù)以下特征中的至少一個特征以及候選腫瘤輪廓的檢測分數(shù)計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù):紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征。其中，在步驟e)中，可從所述M*K個候選腫瘤輪廓當中選擇特征分數(shù)最高的候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
[0036]所述不同的參數(shù)可以是不同的迭代次數(shù)、不同的比例、不同的步驟、不同的去噪聲處理或不同的圖像增強方法，并且所述腫瘤分割方法是水平集方法、圖切割方法、搶割方法或分水嶺算法。
[0037]根據(jù)本發(fā)明的另一方面，提供一種用于乳腺影像的圖像處理方法，包括:a)獲取標注有M個腫瘤ROI的二維乳腺超聲波影像，其中，M > O ；b)分別使用基于不同的參數(shù)或參數(shù)組合的K個腫瘤分割算法從所述M個ROI中的每個分割出K個候選腫瘤輪廓，其中，K> O ；c)根據(jù)預定的至少一個特征對分割出的M*K個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)；d)從所述M*K個候選腫瘤輪廓中選擇特征分數(shù)最高的候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
[0038]在步驟b)中，所述不同的參數(shù)可以是不同的迭代次數(shù)、不同的比例或不同的步驟，并且所述腫瘤分割方法是水平集方法、圖切割方法、搶割方法或分水嶺算法。
[0039]在步驟c)中，可使用支持向量回歸方法根據(jù)以下特征中的至少一個特征計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù):紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征。
[0040]所述輪廓特征可以是灰度對比度、強度對比度或Gestar特征。所述腫瘤特征可以是后聲特征或回聲模式特征。
【專利附圖】

【附圖說明】
[0041]通過下面結(jié)合附圖進行的描述，本發(fā)明的上述和其他目的和特點將會變得更加清楚，其中:
[0042]圖1是示出根據(jù)本發(fā)明的示例性實施例的圖像處理系統(tǒng)的邏輯框圖以及其執(zhí)行圖像處理的不意圖；
[0043]圖2是示出根據(jù)本發(fā)明的示例性實施例的圖像處理方法的流程圖；
[0044]圖3示出根據(jù)本發(fā)明的示例性實施例的圖像處理方法分割出的候選腫瘤輪廓；
[0045]圖4示出根據(jù)本發(fā)明的另一示例性實施例的圖像處理方法的流程圖。
【具體實施方式】
[0046]以下，將參照附圖來詳細說明本發(fā)明的實施例。
[0047]圖1是示出根據(jù)本發(fā)明的示例性實施例的圖像處理系統(tǒng)的邏輯框圖以及其執(zhí)行圖像處理的不意圖。
[0048]參照圖1，圖像處理系統(tǒng)包括影像采集器100、腫瘤檢測器110、多參數(shù)分割器120、特征打分器140和融合器150。[0049]影像采集器100獲取二維乳腺超聲波影像(如圖1中影像采集器下側(cè)所示的源圖像)。影像采集器100可從與其連接的超聲波成像設備獲取所述二維乳腺超聲波影像，也可以從信息存儲介質(zhì)讀取所述二維乳腺超聲波影像。根據(jù)本發(fā)明的優(yōu)選實施例，圖像處理系統(tǒng)還包括預處理器(未示出)，預處理器用于對獲取的二維乳腺超聲波影像執(zhí)行預處理，所述預處理包括對獲取的二維乳腺超聲波影像執(zhí)行去噪聲處理以及/或者圖像增強處理。腫瘤檢測器110對經(jīng)過預處理的二維乳腺超聲波影像執(zhí)行腫瘤檢測。
[0050]腫瘤檢測器110從影像采集器100獲取的(或經(jīng)過預處理的)二維乳腺超聲波影像檢測M個包含乳腺腫瘤的興趣區(qū)域(ROI)，并且為每個興趣區(qū)域打分作為其檢測分數(shù)，其中，M > O。每個ROI是包括實際腫瘤的長方形區(qū)域，這些區(qū)域可相互重疊。圖1中腫瘤檢測器110下側(cè)示出多個淺色框標注的R0I。腫瘤檢測器110可使用形變部位模型(DPM)方法、模板匹配方法或Adaboost方法執(zhí)行所述M個包含乳腺腫瘤的ROI的檢測以及打分，但本發(fā)明所述的腫瘤檢測方法不限于上述方法。
[0051]針對這M個R0I，多參數(shù)分割器120分別使用基于不同的參數(shù)或參數(shù)組合的K個腫瘤分割算法從所述M個ROI中的每個分割出K個候選腫瘤輪廓，并且為每個候選腫瘤輪廓記錄分割出所述候選腫瘤輪廓的ROI的檢測分數(shù)，其中，K > O。所述不同的參數(shù)是(但不限于)不同的迭代次數(shù)、不同的比例或不同的步驟，并且所述腫瘤分割方法可以是(但不限于)水平集方法、圖切割方法、區(qū)域增長方法或分水嶺算法。在包含預處理器的實施例中，所述不同的參數(shù)還包括不同的去噪聲處理或不同的圖像增強方法。通過此步驟，圖像處理系統(tǒng)獲得M*K個分割出的候選腫瘤輪廓。圖1中多參數(shù)分割器120下側(cè)示出經(jīng)過所述步驟的處理獲得的部分候選腫瘤輪廓。其中，最上端的兩個候選腫瘤輪廓非常相似。
[0052]根據(jù)本發(fā)明的示例性實施例，為了節(jié)省計算資源和運算時間，圖像處理系統(tǒng)還包括合并器130。合并器130對多參數(shù)分割器120分割出的M*K個候選腫瘤輪廓分別計算彼此之間的相似度，并且從每組相似度高于預定值的多個候選腫瘤輪廓當中去除檢測分數(shù)不是最高的候選腫瘤輪廓，從而得到N個候選腫瘤輪廓，其中，N << M*K。如果圖像處理系統(tǒng)不考慮運算時間和運算處理量的因素，可不包括合并器130。
[0053]特征打分器140用于根據(jù)預定的至少一個特征對分割出的M*K個候選腫瘤輪廓或者經(jīng)過合并器130合并處理后保留的N個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)。根據(jù)本發(fā)明的示例性實施例，特征打分器140使用支持向量回歸(SVR)方法，根據(jù)紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征中的至少一個特征計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù)。所述輪廓特征是灰度對比度、強度對比度或Gestar特征。所述腫瘤特征是后聲特征或回聲模式特征。
[0054]融合器150用于根據(jù)所述M*K個或N個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)，從所述M*K或N個候選腫瘤輪廓當中選擇一個候選腫瘤輪廓作為最終分割出的腫瘤輪廓。具體地，融合器首先使用s-score歸一化算法、min-max歸一化算法、Tanh estimator或double sigmoid算法將每個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)分別進行歸一化，根據(jù)以下公式計算每個候選腫瘤輪廓的綜合分數(shù)，并且選擇綜合分數(shù)最高的候選腫瘤輪廓:
[0055]Scorecombined = wds X NDS+wrs X NRS
[0056]其中，Scorecombined是候選腫瘤輪廓的綜合分數(shù),Wds和Wre分別是賦予候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)的權值，NDS和NRS分別是候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)。[0057]根據(jù)本發(fā)明的可選示例性實施例，特征打分器140使用SVR方法，根據(jù)紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征中的至少一個特征以及候選腫瘤輪廓的檢測分數(shù)計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù)；在這種情況下，融合器150從所述M*K個候選腫瘤輪廓當中選擇特征分數(shù)最高的候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
[0058]根據(jù)本發(fā)明的圖像處理系統(tǒng)從二維乳腺超聲波影像中檢測出多個R0I，所述多個ROI被作為乳腺分割的基礎；本發(fā)明還采用基于多參數(shù)的多個腫瘤分割方法對所述多個ROI進行腫瘤分割處理，獲得更多數(shù)量的候選腫瘤輪廓，并且對每個候選腫瘤輪廓進行多個特征的評價打分；由此，圖像處理系統(tǒng)能夠綜合檢測處理中的打分和評價處理的特征打分，從而按照一定的標準選擇綜合打分最高的候選腫瘤輪廓作為其最終的腫瘤分割結(jié)果。這種處理方式較傳統(tǒng)的僅檢測出一個腫瘤區(qū)域，僅針對這一個腫瘤區(qū)域進行一種腫瘤分割處理的方式相比，更能夠確保輸出結(jié)果的準確性和穩(wěn)定性，而不易受任一環(huán)節(jié)中發(fā)生的個別錯誤的影響。
[0059]在一些情況下，在由計算機輔助系統(tǒng)執(zhí)行處理前，醫(yī)生可能事先在拍攝的乳腺超聲波影像在標注一個或多個腫瘤存在的區(qū)域。此時，圖像處理系統(tǒng)可將二維乳腺超聲波影像以及事先標注的一個或多個腫瘤存在的區(qū)域作為輸入，其中，分別將事先標注的一個或多個腫瘤存在的區(qū)域作為ROI進行處理。根據(jù)本發(fā)明的另一示例性實施例，本發(fā)明的圖像處理系統(tǒng)包括影像采集器200、多參數(shù)分割器120和特征打分器140。影像采集器100可獲取已標注有M個腫瘤ROI的二維乳腺超聲波影像，其中，M > O。影像采集器100可根據(jù)需要，對標注的腫瘤ROI進行適當?shù)奶幚?如將ROI調(diào)整為矩形等)。多參數(shù)分割器120用于分別使用基于不同的參數(shù)或參數(shù)組合的K個腫瘤分割算法從所述M個ROI中的每個分割出K個候選腫瘤輪廓，其中，K > 0，從而共分割出M*K個候選腫瘤輪廓。特征打分器140如前所述，用于根據(jù)預定的至少一個特征對分割出的M*K個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)；此外，從特征打分器140所述M*K個候選腫瘤輪廓中選擇特征分數(shù)最高的候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
[0060]以下將參照圖2-圖4詳細描述根據(jù)本發(fā)明的示例性實施例的圖像處理方法。
[0061]圖2是示出根據(jù)本發(fā)明的示例性實施例的圖像處理方法的流程圖。
[0062]參照圖2，在步驟S100，圖像處理系統(tǒng)獲取二維乳腺超聲波影像。圖像處理系統(tǒng)可從與其連接的超聲波成像設備獲取所述二維乳腺超聲波影像，也可以從信息存儲介質(zhì)讀取所述二維乳腺超聲波影像。
[0063]超聲波成像設備拍攝的超聲波影像經(jīng)常含有例如斑點等的“噪聲”。根據(jù)本發(fā)明的優(yōu)選實施例，為了獲得較佳的圖像處理效果，在步驟S105，圖像處理系統(tǒng)對獲取的二維乳腺超聲波影像執(zhí)行預處理，所述預處理包括對獲取的二維乳腺超聲波影像執(zhí)行去噪聲處理以及/或者圖像增強處理。但是，步驟S105是可選的步驟，而不是必須執(zhí)行的步驟。
[0064]此后，在步驟S110，從圖像處理系統(tǒng)獲取的(或經(jīng)過預處理的)二維乳腺超聲波影像檢測M個包含乳腺腫瘤的R0I，并且為每個ROI打分作為其檢測分數(shù)，其中，M > O。可使用形變部位模型(DPM)方法、模板匹配方法或AdaBoost方法執(zhí)行所述M個包含乳腺腫瘤的ROI的檢測以及打分。
[0065]在步驟S120，圖像處理系統(tǒng)分別使用基于不同的參數(shù)或參數(shù)組合的K個腫瘤分割算法從所述M個ROI中的每個分割出K個候選腫瘤輪廓，并且為每個候選腫瘤輪廓記錄分割出所述候選腫瘤輪廓的ROI的檢測分數(shù)，其中，K > O。經(jīng)過步驟S120的處理，將獲得Μ*Κ個候選腫瘤輪廓。圖3示出從左側(cè)的二維乳腺超聲波影像中檢測出的一個ROI進行3個腫瘤分割算法進行分割得到的3候選腫瘤輪廓(右側(cè))。
[0066]這里，所述K個腫瘤分割算法是使用不同的參數(shù)或參數(shù)組合的多種腫瘤分割算法。所述不同的參數(shù)是不同的迭代次數(shù)、不同的比例或不同的步驟。在執(zhí)行步驟S105的預處理的情況下，所述不同的參數(shù)可還包括不同的去噪聲處理或不同的圖像增強方法。所述腫瘤分割方法是水平集方法、圖切割方法、區(qū)域增長方法或分水嶺算法。
[0067]此后，在步驟S130，圖像處理系統(tǒng)對分割出的Μ*Κ個候選腫瘤輪廓分別計算彼此之間的相似度，并且從每組相似度高于預定值的多個候選腫瘤輪廓當中去除檢測分數(shù)不是最高的候選腫瘤輪廓，從而得到N個候選腫瘤輪廓，其中，N << Μ*Κ。
[0068]如果圖像處理系統(tǒng)不考慮運算時間過長和運算處理量過大的影響，可不執(zhí)行S130。
[0069]在步驟S140，圖像處理系統(tǒng)根據(jù)預定的至少一個特征對所述N個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)。在沒有執(zhí)行步驟S130的情況下，將對分割出的Μ*Κ個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)。
[0070]根據(jù)本發(fā)明的示例性實施例，圖像處理系統(tǒng)使用SVR方法根據(jù)以下特征中的至少一個特征計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù):紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征。其中，所述輪廓特征是灰度對比度、強度對比度或Gestar特征，所述腫瘤特征是后聲特征或回聲模式特征。但是，本發(fā)明不限于使用支持向量回歸方法，也可以使用其他的圖像特征相似度評價方法，并且本發(fā)明也不限于對在此列出的特征進行評價打分。
[0071]此后，在步驟S150，圖像處理系統(tǒng)根據(jù)所述N個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)，從所述N個候選腫瘤輪廓中選擇一個候選腫瘤輪廓作為最終的分割出的腫瘤輪廓。
[0072]以多個候選腫瘤輪廓以及其檢測分數(shù)和特征分數(shù)作為輸入，根據(jù)偏好和側(cè)重，可以使用多種融合方法來執(zhí)行候選腫瘤輪廓的綜合評價，從而選擇綜合評價最高的候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
[0073]根據(jù)本發(fā)明的示例性實施例，圖像處理系統(tǒng)將每個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)分別進行歸一化，根據(jù)以下公式計算每個候選腫瘤輪廓的綜合分數(shù)，并且選擇綜合分數(shù)最高的候選腫瘤輪廓:
[0074]Scorecombined = wds X NDS+wrs X NRS
[0075]其中，Scorecombined是候選腫瘤輪廓的綜合分數(shù),Wds和Wre分別是賦予候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)的權值，NDS和NRS分別是候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)。
[0076]這里，可以使用s-score歸一化算法、min-max歸一化算法、Tanh estimator或double sigmoid算法執(zhí)行所述分數(shù)的歸一化處理。
[0077]根據(jù)本發(fā)明的可選實施例，在步驟S140，圖像處理系統(tǒng)使用支持向量回歸方法，根據(jù)以下特征中的至少一個特征以及候選腫瘤輪廓的檢測分數(shù)計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù):紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征。在步驟S150，圖像處理系統(tǒng)從所述M*K個候選腫瘤輪廓當中選擇特征分數(shù)最高的候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
[0078]根據(jù)本發(fā)明的另一可選實施例，圖像處理系統(tǒng)輸出最終的分割出的腫瘤輪廓。
[0079]圖4示出根據(jù)本發(fā)明的另一示例性實施例的圖像處理方法的流程圖。
[0080]參照圖4，在步驟S200，圖像處理系統(tǒng)獲取二維乳腺超聲波影像以及標注的一個或多個區(qū)域。圖像處理系統(tǒng)將標注的每個區(qū)域作為R0I。這里，假設有M個R0I。
[0081]在步驟S220，圖像處理系統(tǒng)分別使用基于不同的參數(shù)或參數(shù)組合的K個腫瘤分割算法從所述M個ROI中的每個分割出K個候選腫瘤輪廓，其中，K > O?？扇鐖D2中步驟S120執(zhí)行這里所述的分割處理，不同的是，在輸入標注區(qū)域的情形中不存在檢測分數(shù)。
[0082]在步驟S240，圖像處理系統(tǒng)根據(jù)預定的至少一個特征對分割出的M*K個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)，并且從所述M*K個候選腫瘤輪廓中選擇特征分數(shù)最高的候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
[0083]根據(jù)對本發(fā)明的示例性實施例的描述可以看出，本發(fā)明的圖像處理系統(tǒng)和方法可對每個檢測出的ROI執(zhí)行多參數(shù)分割從而獲得多個候選腫瘤輪廓，并且對所述多個候選腫瘤輪廓進行特征打分，從而綜合檢測的分數(shù)和特征分數(shù)選取最佳的候選腫瘤輪廓作為最終的分割結(jié)果，這種處理方式較傳統(tǒng)的僅檢測出一個腫瘤區(qū)域，僅針對這一個腫瘤區(qū)域進行一種腫瘤分割處理的方式相比，更能夠確保輸出結(jié)果的準確性和穩(wěn)定性，而不易受任一環(huán)節(jié)中發(fā)生的個別錯誤的影響。
[0084]此外，還可以對醫(yī)生已標注了 ROI的乳腺影像執(zhí)行多參數(shù)腫瘤分割，并且根據(jù)每個分割出的候選腫瘤輪廓的特征打分選取最佳的候選腫瘤輪廓作為最終的分割結(jié)果，提高了腫瘤分割的結(jié)果的穩(wěn)定性，使分割結(jié)果不易受一個或部分參數(shù)使用不當或個別錯誤的影響。
[0085]盡管已參照優(yōu)選實施例表示和描述了本發(fā)明，但本領域技術人員應該理解，在不脫離由權利要求限定的本發(fā)明的精神和范圍的情況下，可以對這些實施例進行各種修改和變換。
【權利要求】
1.一種用于乳腺影像的圖像處理系統(tǒng)，包括: 影像采集器，用于獲取二維乳腺超聲波影像； 腫瘤檢測器，用于從影像采集器獲取的二維乳腺超聲波影像檢測M個包含乳腺腫瘤的興趣區(qū)域，并且為每個興趣區(qū)域打分作為其檢測分數(shù)，其中，M > O ; 多參數(shù)分割器，用于分別使用基于不同的參數(shù)或參數(shù)組合的K個腫瘤分割算法從所述M個興趣區(qū)域中的每個分割出K個候選腫瘤輪廓，并且為每個候選腫瘤輪廓記錄分割出所述候選腫瘤輪廓的興趣區(qū)域的檢測分數(shù)，其中，K > O ； 特征打分器，用于根據(jù)預定的至少一個特征對分割出的M*K個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)； 融合器，用于根據(jù)所述M*K個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)，從所述M*K個候選腫瘤輪廓當中選擇一個候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
2.如權利要求1所述的圖像處理系統(tǒng)，還包括: 合并器，用于對分割出的M*K個候選腫瘤輪廓分別計算彼此之間的相似度，并且從每組相似度高于預定值的多個候選腫瘤輪廓當中去除檢測分數(shù)不是最高的候選腫瘤輪廓，從而得到N個候選腫瘤輪廓，其中，N << M*K ; 其中，特征打分器根據(jù)預定的至少一個特征對所述N個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)，融合器根據(jù)所述N個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)，選擇一個候選腫瘤輪廓。
3.如權利要求1所述的圖像處理系統(tǒng)，還包括: 預處理器，用于對獲取的二維乳腺超聲波影像執(zhí)行預處理，所述預處理包括對獲取的二維乳腺超聲波影像執(zhí)行去噪聲處理以及/或者圖像增強處理； 其中，多參數(shù)分割器對經(jīng)過預處理的二維乳腺超聲波影像執(zhí)行所述腫瘤分割處理。
4.如權利要求1所述的圖像處理系統(tǒng)，其中，腫瘤檢測器使用形變部位模型方法、模板匹配方法或Adaboost方法執(zhí)行所述M個包含乳腺腫瘤的興趣區(qū)域的檢測以及打分。
5.如權利要求1所述的圖像處理系統(tǒng)，其中，所述不同的參數(shù)是不同的迭代次數(shù)、不同的比例或不同的方法，并且所述腫瘤分割方法是水平集方法、圖切割方法、區(qū)域增長方法或分水嶺算法。
6.如權利要求4所述的圖像處理系統(tǒng)，其中，特征打分器使用支持向量回歸方法根據(jù)以下特征中的至少一個特征計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù):紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征。
7.如權利要求1所述的圖像處理系統(tǒng)，其中，融合器將每個候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)分別進行歸一化，根據(jù)以下公式計算每個候選腫瘤輪廓的綜合分數(shù)，并且選擇綜合分數(shù)最高的候選腫瘤輪廓:
Scorecombined = wdsXNDS+wrsXNRS 其中，Scorecombined是候選腫瘤輪廓的綜合分數(shù)，Wds和Wre分別是賦予候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)的權值，NDS和NRS分別是候選腫瘤輪廓的檢測分數(shù)和特征分數(shù)。
8.如權利要求7所述的圖像處理系統(tǒng),其中，融合器使用s-score歸一化算法、min-max歸一化算法、Tanh estimator或double sigmoid算法執(zhí)行所述歸一化處理。
9.如權利要求4所述的圖像處理系統(tǒng)，其中，特征打分器使用支持向量回歸方法，根據(jù)以下特征中的至少一個特征以及候選腫瘤輪廓的檢測分數(shù)計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù):紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征， 其中，融合器從所述M*K個候選腫瘤輪廓當中選擇特征分數(shù)最高的候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
10.如權利要求3所述的圖像處理系統(tǒng)，其中，所述不同的參數(shù)是不同的迭代次數(shù)、不同的比例、不同的步驟、不同的去噪聲處理或不同的圖像增強方法，并且所述腫瘤分割方法是水平集方法、圖切割方法、區(qū)域增長方法或分水嶺算法。
11.一種用于乳腺影像的圖像處理系統(tǒng)，包括: 影像采集器，用于獲取標注有M個腫瘤興趣區(qū)域的二維乳腺超聲波影像，其中，M > O ； 多參數(shù)分割器，用于分別使用基于不同的參數(shù)或參數(shù)組合的K個腫瘤分割算法從所述M個興趣區(qū)域中的每個分割出K個候選腫瘤輪廓，其中，K > O ； 特征打分器，用于根據(jù)預定的至少一個特征對分割出的M*K個候選腫瘤輪廓中的每個進行評價打分作為其特征分數(shù)，并且從所述M*K個候選腫瘤輪廓中選擇特征分數(shù)最高的候選腫瘤輪廓作為最終分割出的腫瘤輪廓。
12.如權利要求11所述的圖像處理系統(tǒng)，其中，所述不同的參數(shù)是不同的迭代次數(shù)、不同的比例或不同的步驟，并且所述腫瘤分割方法是水平集方法、圖切割方法、區(qū)域增長方法或分水嶺算法。
13.如權利要求11所述的圖像處理系統(tǒng)，其中，特征打分器使用支持向量回歸方法根據(jù)以下特征中的至少一個特征計算每個候選腫瘤輪廓的Jaccard指數(shù)作為其特征分數(shù):紋理特征、空間特征、強度特征、輪廓特征或腫瘤特征。
【文檔編號】G06T5/00GK103778600SQ201210411592
【公開日】2014年5月7日 申請日期:2012年10月25日 優(yōu)先權日:2012年10月25日
【發(fā)明者】任海兵, 張麗丹, 郝志會, 劉志花, 張紅衛(wèi), 金智淵, 禹景久 申請人:北京三星通信技術研究有限公司, 三星電子株式會社