自動檢測醫(yī)學(xué)圖像中的病變的方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供了一種用于處理醫(yī)學(xué)圖像的系統(tǒng)和方法。首先，利用包括皮下脂肪的控制點組織的像素強度標(biāo)準(zhǔn)化輸入的醫(yī)學(xué)圖像。通過標(biāo)準(zhǔn)化圖像生成聚類密度映射圖和惡性概率映射圖并且進一步分析這些映射圖，從而識別普通的內(nèi)部特征，或者可以表示病變的斑點。對這些斑點進行分析和分類，從而將可能真正的病變與通常在醫(yī)學(xué)圖像中看到的其他類型的非惡性腫瘤進行區(qū)分。
【專利說明】自動檢測醫(yī)學(xué)圖像中的病變的方法和系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明通常涉及計算機處理醫(yī)學(xué)圖像的領(lǐng)域。尤其，本發(fā)明涉及辨別醫(yī)學(xué)圖像中的組織層、自動檢測醫(yī)學(xué)圖像中的病變、以及標(biāo)準(zhǔn)化醫(yī)學(xué)圖像的像素灰度。
【背景技術(shù)】
[0002]在許多國家，將癌癥視為死亡的主要原因。人們通常認為，癌癥的前期檢測和診斷，和因此癌癥的早期治療有助于降低死亡率。已經(jīng)開發(fā)了檢測和診斷癌癥，例如，乳腺癌、子宮癌、以及前列腺癌的各種成像技術(shù)。例如，當(dāng)前檢測和診斷乳腺癌的成像技術(shù)包括:在其他技術(shù)中的乳房X攝像、MRI (核磁共振成像)、以及超聲波掃描。
[0003]超聲波掃描是基于超聲波的成像技術(shù)，并且通常用于使身體軟組織的成像。通常，將傳感器用于掃描病人的身體。通過由傳感器所接收到的超聲波回聲生成身體組織和器官的超聲波(US)圖像。通常，將形狀、輪廊、成像腫瘤的邊緣、以及回音強度的特征描述符用于診斷醫(yī)學(xué)超聲波圖像。超聲波掃描已經(jīng)在良性和惡性腫瘤的分類中示出為有效成像手段。
[0004]然而，放射科醫(yī)生的經(jīng)驗通常在正確診斷超聲波圖像中發(fā)揮重要作用。通過富有經(jīng)驗的專家所達到的靈敏度和消極預(yù)測值可能不一定是通過缺少經(jīng)驗的放射科醫(yī)生可達到的。而且，掃描技術(shù)對識別惡性和良性病變的特征的數(shù)量和質(zhì)量具有較大影響。這種較大影響在具有不同級別的經(jīng)驗的放射科醫(yī)生中還促成對超聲波圖像的不一致診斷。
[0005]另外，通過絕對強度的變化，對超聲波圖像的一致分析進一步復(fù)雜化。主要由于在圖像獲取期間通過硬件操作者所配置的諸如增益系數(shù)的操作相關(guān)變量，組織類型的絕對強度在不同超聲波圖像之間變化較大。增益系數(shù)在確定從組織回音強度到灰度像素亮度的映射中發(fā)揮重要作用。通過不同操作者所配置的增益系數(shù)的設(shè)置可能在掃描之間變化較大，因此，使超聲波圖像的一致分析更困難。
[0006]另一操作相關(guān)設(shè)置，時間增益控制(TGC)設(shè)置也與超聲波圖像的總增益系數(shù)密切相關(guān)。TGC調(diào)節(jié)回音強度到強度映射作為組織深度的函數(shù)。通常通過像素y坐標(biāo)來表示組織深度。缺少一致的TGC設(shè)置、或者一致補償不一致的TGC設(shè)置，對于一致和統(tǒng)一的圖像分析提出了另一難題。
[0007]為了克服對操作相關(guān)性的影響和改善乳房超聲波的診斷性能，已經(jīng)開發(fā)了計算機輔助診斷(CAD)系統(tǒng)。CAD系統(tǒng)的一個功能是通過將基于計算機的圖像處理算法應(yīng)用于圖像來自動檢測和界定超聲波圖像中的可疑區(qū)域。由于超聲波圖中的大量鏡面噪聲和組織結(jié)構(gòu)偽像，這是非常艱巨的任務(wù)。可變圖像獲取條件甚至使一致圖像分析更困難。其他難題包括:在超聲波圖像中的正常解剖結(jié)構(gòu)的類腫瘤外觀:庫柏氏韌帶、腺組織、以及皮下脂肪在正常乳房解剖結(jié)構(gòu)范圍內(nèi)，這些正常乳房解剖結(jié)構(gòu)通常具有許多與真正病變相同的回聲和形態(tài)特征。
[0008]本發(fā)明的目的是至少緩和或排除上述難題之一。
【發(fā)明內(nèi)容】
[0009]本發(fā)明涉及辨別醫(yī)學(xué)圖像中的組織層、自動檢測醫(yī)學(xué)圖像中的病變、以及標(biāo)準(zhǔn)化醫(yī)學(xué)圖像的像素亮度。
[0010]本發(fā)明提供了用于處理醫(yī)學(xué)圖像的系統(tǒng)和方法。首先，利用包括皮下脂肪的控制點組織的像素強度標(biāo)準(zhǔn)化輸入醫(yī)學(xué)圖像。通過標(biāo)準(zhǔn)化圖像生成聚類的密度映射和惡性概率映射，并且進一步進行分析，從而識別普通的內(nèi)部特征區(qū)域、或可能指示病變的斑點。對這些斑點進行分析并且進行分類，從而將可能真正的病變與在醫(yī)學(xué)圖像中通?？吹降钠渌愋偷姆菒盒阅[瘤的進行區(qū)分。
[0011]在本發(fā)明的一方面，提供了識別超聲波醫(yī)學(xué)圖像中的可疑病變的方法。該方法包括:計算在醫(yī)學(xué)圖像中的皮下脂肪像素的估算的典型脂肪密度值；利用在標(biāo)準(zhǔn)化脂肪強度值和典型脂肪強度值之間的映射關(guān)系由醫(yī)學(xué)圖像的像素值計算標(biāo)準(zhǔn)化灰度像素值，從而獲得標(biāo)準(zhǔn)化圖像；識別形成獨特區(qū)域的標(biāo)準(zhǔn)化圖像中的像素，每個獨特區(qū)域具有一致的內(nèi)部特征:從獨特區(qū)域的每個中提取描述特征；分析每個獨特區(qū)域的所提取的描述特征和將為病變的每個獨特區(qū)域的似然值分配給每個獨特區(qū)域；以及識別具有滿足預(yù)先確定的標(biāo)準(zhǔn)作為病變候選的似然值的所有獨特區(qū)域。
[0012]在本發(fā)明的另一方面，提供了一種系統(tǒng)，用于自動識別可能對應(yīng)于病變的醫(yī)學(xué)圖像中的區(qū)域。該系統(tǒng)包括:強度單元，將該強度單元配置為通過在醫(yī)學(xué)圖像中的像素值計算在醫(yī)學(xué)圖像中的控制點組織的估算強度；和標(biāo)準(zhǔn)化單元，將該標(biāo)準(zhǔn)化單元配置為生成在輸入像素和標(biāo)準(zhǔn)像素之間的映射關(guān)系，并且根據(jù)映射關(guān)系將灰度像素值變換為標(biāo)準(zhǔn)化像素值，從而獲得標(biāo)準(zhǔn)化圖像；映射生成單元，映射生成單元將參數(shù)值分配給在輸入圖像中的每個像素，從而生成參數(shù)映射；斑點檢測單元，將斑點檢測單元配置為檢測和界定參數(shù)映射中的斑點；特征提取單元，將特征提取單元配置為檢測和計算檢測的斑點的描述特征；以及斑點分析單元，該斑點分析單元通過斑點的描述特征計算該斑點為惡性的估算的似然值，并且將該似然值分配給該斑點。
[0013]在另一方面，提供了估算在數(shù)字或者數(shù)字化醫(yī)學(xué)圖像中的組織的灰度級強度。該方法包括以下步驟:將聚類運算應(yīng)用于醫(yī)學(xué)圖像的像素的強度值，從而將強度值分類為獨特強度聚類；將獨特強度聚類之一識別為與組織相對應(yīng)的強度聚類；通過強度聚類的像素的灰度級強度估算灰度聚類的典型的灰度級強度值；以及將典型的灰度級強度分配給組織。
[0014]在本發(fā)明的另一方面，提供了一種處理超聲波乳房圖像的方法。該方法包括以下步驟:構(gòu)造乳房的分層模型，模型的每對相鄰層限定在每對相鄰層之間的邊界表面；根據(jù)多幅樣本超聲波乳房圖像校準(zhǔn)該模型，人工分割多個樣本超聲波乳房圖像中的每個，從而識別樣本超聲波乳房圖像的邊界表面，該校準(zhǔn)模型包括參數(shù)化表面模型，每個參數(shù)化表面模型包括:與尺寸參數(shù)的離散值相對應(yīng)的邊界表面查詢表(LUT)集合；接收超聲波乳房圖像的尺寸參數(shù)的估算值；通過參數(shù)化表面模型建立與尺寸參數(shù)的估算值相對應(yīng)的新表面模型，該新表面模型包括:與尺寸參數(shù)的估算值相對應(yīng)的計算邊界表面(LUT)的集合；并且通過新表面模型的計算邊界表面(LUT)的集合計算邊界表面的估算位置，從而識別超聲波乳房圖像中的主層的像素。
[0015]在本發(fā)明的又一方面，提供了一種識別超聲波乳房圖像中的病變的方法。該方法包括:計算分離主層組織的表面的估算位置，該主層組織包括乳腺區(qū)中的組織；識別乳腺區(qū)中的像素；構(gòu)建用于乳腺區(qū)中的每個像素的像素特征向量(PCV)，該PCV至少包括每個像素的相鄰特征，對于乳腺區(qū)中的每個像素，通過每個像素的PCV計算惡性概率值；將惡性概率值分配給每個像素，并且如果其分配的惡性概率值大于閾值，則將像素識別為可能病變值；并且報告所有可能病變像素的相鄰區(qū)域作為可能病變。
[0016]在另一方面，本發(fā)明提供了上述方面的各種組合和子集。
【專利附圖】
【附圖說明】
[0017]為了描述，而不是限定，參照附圖更詳細地描述了本發(fā)明的前述方面和其他方面，其中:
[0018]圖1為示出自動分割醫(yī)學(xué)圖像并且檢測可能病變的程序步驟的流程圖；
[0019]圖2示出了用于處理和診斷醫(yī)學(xué)圖像以及用于實施在圖1中所示的程序的CAD系統(tǒng)的示意性功能元件；
[0020]圖3示出了自動分割醫(yī)學(xué)圖像并且將分割腫瘤分類為病變候選和非重要區(qū)域的另一程序的步驟；
[0021]圖4包括:圖4a，示出了在應(yīng)用降噪算法以前的輸入圖像；以及圖4b，示出了平滑圖像；
[0022]圖5示出了自動檢測醫(yī)學(xué)圖像中的皮下脂肪的平均脂肪強度的程序的步驟，該平均脂肪強度用于圖1和圖3所示的程序中的標(biāo)準(zhǔn)化步驟；
[0023]圖6示出了乳房超聲波圖像的典型結(jié)構(gòu)；
[0024]圖7為示出估算乳房圖像中的主要組織層的位置的方法步驟的流程圖；
[0025]圖8示出了在立體圖中的乳腺區(qū)深度(MZD)值的變化的實例；
[0026]圖9a示出了在立體圖中的模型MZD表面的實例，圖9b示出了在圖9a中所示的實例模型MZD表面的二維剖面；
[0027]圖10包括:圖10a，示出了在應(yīng)用標(biāo)準(zhǔn)化運算以前的超聲波輸入圖像；以及圖1Ob,示出了標(biāo)準(zhǔn)化圖像；
[0028]圖11示出了用于在8位圖像中的相應(yīng)控制點組織的像素強度值的灰度級映射；
[0029]圖12為示出生成惡性映射圖的程序步驟的流程圖；
[0030]圖13為示出自動分割醫(yī)學(xué)圖像并且將所分割的腫瘤劃分為病變候選和非重要區(qū)域的備選程序的步驟的流程圖。
【具體實施方式】
[0031]作為說明本發(fā)明的原理的特定實施例的實例、或多個實例，提供了以下描述和本文所述的實施例。為了說明，提供了這些原理和本發(fā)明的實例，但不是為了限定。在以下描述中，在整個說明說和全部附圖中，通過相同的各個參考數(shù)字來標(biāo)示相同的部件。
[0032]本發(fā)明通常涉及處理醫(yī)學(xué)圖像的系統(tǒng)和方法。具體地，本發(fā)明涉及檢測超聲波醫(yī)學(xué)圖像中的病變候選。
[0033]在一實施例中，將圖像處理程序的序列應(yīng)用于輸入圖像，例如，單幅乳房超聲波圖像(或者音量數(shù)據(jù)設(shè)置)，從而檢測每個病變候選并且對其進行分類，該病變候選可能需要進一步診斷復(fù)審。圖1為提供程序100的概述的流程圖。
[0034]作為預(yù)備步驟110，首先接收用于處理的輸入圖像(或音量)。可以從圖像存檔設(shè)備取回輸入圖像，例如，數(shù)字成像和醫(yī)學(xué)存檔文件的通信(DICOM)，其中，該圖像存檔設(shè)備存儲和提供通過成像系統(tǒng)所獲取的圖像。還可以直接從諸如超聲波探頭的圖像獲取裝置接收輸入圖像?？梢院蛨D像數(shù)據(jù)一起取回獲取參數(shù)。獲取參數(shù)包括:硬件參數(shù)，例如由于在不同廠商的超聲波變換器(transducer)設(shè)備之間的變化所導(dǎo)致的該硬件參數(shù)，該硬件參數(shù)包括深度和變換器頻率；和這些操作參數(shù)，例如技術(shù)專家設(shè)備或獲取設(shè)置，操作參數(shù)的實例包括:變換器壓力和時間增益補償。當(dāng)實時處理通過成像系統(tǒng)所獲取的圖像時，可以從如在DICOM標(biāo)準(zhǔn)中限定的或者直接通過圖像數(shù)據(jù)傳輸?shù)臄?shù)據(jù)頭中提取這些硬件參數(shù)和操作參數(shù)。
[0035]在該預(yù)備步驟110之后，程序100包括降噪，例如，噪聲去除或噪聲降低步驟120，從而從輸入圖像中去除或降低噪聲。例如，可以通過將保邊擴散算法應(yīng)用于輸入圖像，來去除或降低噪聲?？梢詫⑦@種算法用于從圖像中去除或降低噪聲，同時保持和優(yōu)選地，增強圖像中的對象的邊緣。
[0036]接下來的步驟用于標(biāo)準(zhǔn)化(步驟130)圖像強度。如本領(lǐng)域中的技術(shù)人員所公知的，通過大多數(shù)醫(yī)學(xué)成像手段的硬件設(shè)備所產(chǎn)生的像素強度通常經(jīng)受由圖像獲取硬件的變化所產(chǎn)生的不一致性。這些像素強度在超聲波圖像獲取期間還經(jīng)受通過硬件操作者所應(yīng)用的獲取技術(shù)(例如，通過操作者所選擇的增益系數(shù))的不一致性。期望降低這些不一致性。降低不一致性的一種方法是選擇特征良好的、共同的組織類型(例如，一致可見的皮下脂肪組織)作為控制點，并且標(biāo)準(zhǔn)化與該控制點相關(guān)的圖像強度。理想地，根據(jù)通過輸入圖像所確定的或者動態(tài)測量的控制點組織的典型強度標(biāo)準(zhǔn)化這些強度?？刂泣c，或者控制點組織的典型強度建立從輸入組織類型至輸出強度的映射函數(shù)?？刂泣c的一個實例為所計算的皮下脂肪的平均強度值，將該平均強度值映射到輸出動態(tài)范圍的中點。皮下脂肪一向位于非常接近乳房超聲波(BUS)圖像的頂部的皮膚線以下。對于BUS圖像來說，認為皮下脂肪是強度標(biāo)準(zhǔn)化的可靠控制點組織。其他成像元素通常選自，但不限于器官組織，例如，無回音囊腫、皮膚軟組織、纖維腺體組織、以及鈣化點，可以選擇這些圖像元素作為控制點。在諸如前列腺或甲狀腺的器官中，在不可能一直存在明顯的皮下脂肪的情況下，為了標(biāo)準(zhǔn)化，備選組織類型可以是總是可見的?？梢詫⑦@些備選控制點組織用于說明典型(typical)的解剖結(jié)構(gòu)，通?？梢栽谄渌上衿鞴僦姓业皆摰湫偷慕馄式Y(jié)構(gòu)。
[0037]標(biāo)準(zhǔn)化為像素值從其各個初始值到其標(biāo)準(zhǔn)化值的映射，S卩，根據(jù)在初始值和標(biāo)準(zhǔn)化值之間的映射關(guān)系將其各個初始值變換為其標(biāo)準(zhǔn)化值。可以根據(jù)基于平均脂肪強度的映射關(guān)系標(biāo)準(zhǔn)化圖像。選擇預(yù)期皮下脂肪位于的圖像區(qū)域，然后，例如通過將強度聚類(clustering)算法應(yīng)用于所選擇的區(qū)域來計算皮下脂肪的強度值?？梢詫⒅T如k均值算法的魯棒聚類算法用于計算皮下脂肪的強度的估算值。其他魯棒聚類算法包括:在R.0.Duda于2001年的“圖案分類”John ffiley&Sons Inc.，中所述的模糊c平均值或者期望最大聚類技術(shù)。聚類算法生成以像素強度分組的大量聚類。識別與皮下脂肪相對應(yīng)的聚類，從而使得可以通過所識別的聚類中的像素的像素值計算平均脂肪強度，作為典型脂肪強度?？梢越⒂糜跇?biāo)準(zhǔn)化輸入圖像的映射關(guān)系，從而使得脂肪組織的灰度級表現(xiàn)為中等灰度。這建立了變換通過聚類算法所計算的典型脂肪強度的映射關(guān)系。根據(jù)映射關(guān)系將表示其他組織或成像對象的像素的強度值從其各個輸入值變換為標(biāo)準(zhǔn)值。該步驟的輸出為“脂肪強度標(biāo)準(zhǔn)化圖像”可以包括其他控制點組織?？梢苑奖愕亟目刂泣c組織的檢測強度到其各自標(biāo)準(zhǔn)化強度的映射?？梢詫⒕哂羞m當(dāng)插值的映射關(guān)系用于標(biāo)準(zhǔn)化圖像，并且生成更一致的標(biāo)準(zhǔn)化圖像。標(biāo)準(zhǔn)化圖像的圖像強度提供了在強度和組織回音強度之間的更一致的映射。
[0038]接下來，處理標(biāo)準(zhǔn)化圖像，從而檢測相鄰像素的獨特區(qū)域，或者“斑點”這些區(qū)域或者斑點具有一致的或類似的內(nèi)部強度特征(步驟140)。可以應(yīng)用檢測斑點的不同方法。通常，首先，一種方法對于所選擇的參數(shù)生成參數(shù)映射，即，在圖像的每個像素處的參數(shù)值的空間變化。然后，將具有滿足某種標(biāo)準(zhǔn)(例如，超過閾值、低于閾值、或者在預(yù)先確定的范圍內(nèi))的參數(shù)值并且形成獨特區(qū)域的相鄰像素識別為屬于斑點，其中，每個獨特區(qū)域為所檢測到的斑點。選擇參數(shù)，使得產(chǎn)生的映射，特別是，所檢測到的斑點，將輔助檢測病變或者其他下層組織結(jié)構(gòu)。一種映射是基于脂肪標(biāo)準(zhǔn)化圖像的灰度像素強度值的強度映射。在這種映射中的斑點對應(yīng)于像素的強度聚類，其中，基于公認的相關(guān)回音強度，可以將像素劃分為組成乳房的乳房組織的相應(yīng)分類。如稍后將描述的，可以選擇其他參數(shù)，從而生成其他參數(shù)映射。
[0039]方便地，可以將B1-RADS圖譜用于將潛在病變的回音強度分類為若干種類之一:
[0040]1.無回聲:沒有內(nèi)部回聲，像黑洞
[0041]2.低回聲:針對脂肪所限定的，在整個區(qū)域中以低水平回聲為特征
[0042]3.中回聲:具有與脂肪相同的回聲強度
[0043]4.強回聲:關(guān)于脂肪或者等于纖維腺體組織的增強的回聲強度
[0044]5.復(fù)合波:具有低回聲(囊腫)和有回聲(固體)成分
[0045]可以基于這些灰度像素值，將聚類算法應(yīng)用到聚類像素的密度映射。例如，所產(chǎn)生的聚類可以描繪密度映射中的區(qū)域，這些區(qū)域?qū)?yīng)于上述各種B1-RADS種類。該程序通常生成相鄰像素的大量聚類或區(qū)域，即，分離圖像區(qū)域，其某些強度在潛在病變的范圍內(nèi)。將這些區(qū)域或形狀中的每個識別為“密度斑點”。
[0046]如上所述，除了基于灰度像素強度值的密度映射以外，可以使用其他參數(shù)。一種這樣的其他參數(shù)是為惡性像素的概率值。對于每個像素，計算為惡性的像素的概率值，然后將該概率值分配為該像素。這產(chǎn)生惡性概率映射。稍后將詳細描述生成惡性概率映射的方法?？梢詫⒕哂写笥陂撝?，諸如75%或者某個其他適當(dāng)值的惡性概率的像素分組為分離區(qū)域。將這些分離的區(qū)域中的每一個識別為“惡性斑點”。
[0047]不是所識別的所有斑點都是真正的病變。某些斑點可能為假陽性病變候選，而不是真正病變。為了減少假陽性病變候選的數(shù)量，在步驟150中實施基于特征的斑點分析。稍后將提供基于這種特征的分析的細節(jié)。簡單地說，估算每個斑點的描述符從而量化每個斑點的特征。這些描述符通常涉及諸如形狀、定位、深度、相對于其局部背景的斑點對比度的特征，還涉及全局皮下脂肪強度。
[0048]處理的接下來的步驟160使用在步驟150處所估算的描述符，從而識別在對應(yīng)于專家識別的病變的真正的病變候選和虛假報告的候選之間的細微差異。去除假陽性。區(qū)分可能真正的病變和假陽性候選的一種方法是通過分類和回歸樹(CART)算法提供每個斑點的描述符。首先，根據(jù)訓(xùn)練圖像的典型集合訓(xùn)練CART算法。為了訓(xùn)練CART算法，從訓(xùn)練圖像的每幅圖像提取或者通過其計算的斑點特征與其各個描述符和其相應(yīng)專家分類相關(guān)聯(lián)。在步驟160中，將在步驟150中所估算的描述符提供給所訓(xùn)練的CART算法。結(jié)果是斑點為病變的估算概率，將該值分配給斑點。在步驟160中，將具有低于閾值(即，不滿足預(yù)先確定的標(biāo)準(zhǔn))的估算概率的斑點處理為假陽性并且去除這些斑點。在步驟170中，僅識別和報告剩余的斑點作為用于進一步審查和研究的病變候選。
[0049]圖2為示出用于處理和診斷醫(yī)學(xué)圖像的CAD系統(tǒng)200的示意圖。CAD系統(tǒng)與醫(yī)學(xué)圖像的數(shù)據(jù)源或多個數(shù)據(jù)源通信。數(shù)據(jù)源202可以是醫(yī)學(xué)圖像獲取系統(tǒng)，例如，超聲波成像系統(tǒng)，其中，通過該系統(tǒng)從病人實時獲取超聲波圖像。該數(shù)據(jù)源還可以為:圖像存檔，例如，DICOM存檔，將該圖像存檔存儲在計算機可讀存儲介質(zhì)上，或者可以為通過成像系統(tǒng)所獲取的介質(zhì)圖像。數(shù)據(jù)源還可以為由醫(yī)生已經(jīng)取回的和存儲在醫(yī)生的計算機系統(tǒng)的本地存儲介質(zhì)上的圖像數(shù)據(jù)。與圖像源202接口連接的圖像取回單元204接收輸入圖像數(shù)據(jù)。本領(lǐng)域的技術(shù)人員應(yīng)該理解，圖像取回單元204還可以為通過CAD系統(tǒng)200所提供的圖像取回函數(shù)，沒有必要存儲在任何特定模塊或多個模塊中。獲取參數(shù)單元206提取存儲在醫(yī)學(xué)圖像數(shù)據(jù)中或者和該醫(yī)學(xué)圖像數(shù)據(jù)一起傳輸?shù)墨@取參數(shù)。獲取參數(shù)單元206處理DICOM數(shù)據(jù)，并且從圖像數(shù)據(jù)中的DICOM數(shù)據(jù)頭中提取這些參數(shù)。還可以實施處理非標(biāo)準(zhǔn)數(shù)據(jù)格式并且以任何專用格式所存儲的圖像數(shù)據(jù)中提取這些參數(shù)。
[0050]為了降低噪聲等級，可以提供預(yù)處理單元，例如，降噪、或者噪聲降低單元208。為了這種目的，可以實施任何適當(dāng)?shù)脑肼暯档突蛘呷コ惴āD像取回單元204將所接收到的圖像傳送至預(yù)處理單元。該預(yù)充電單元將所實施的噪聲降低或者去除算法應(yīng)用于所接收到的圖像，從而降低了噪聲，例如，公知的在大多數(shù)US圖像中具有的斑點噪聲偽像。
[0051]該系統(tǒng)200包括:強度測量單元210，或強度單元。強度測量單元從噪聲降低單元208接收諸如噪聲降低圖像的圖像，并且測量所選擇的控制點組織的典型強度，例如，脂肪或皮膚的平均強度或中值強度?？梢詫嵤┎煌椒?，從而測量組織強度。例如，用戶可以識別圖像中的區(qū)域作為屬于控制點組織，然后強度測量單元估算在用戶識別區(qū)域中的每個像素的強度值，通過該強度值計算控制點組織的平均強度。還可以利用更復(fù)雜的方法，例如，通過聚類提取強度值。稍后將描述使用k平均聚類計算平均強度值的實例。
[0052]系統(tǒng)200還包括強度標(biāo)準(zhǔn)化單元212，或者標(biāo)準(zhǔn)化單元。強度標(biāo)準(zhǔn)化單元212基于控制點組織的典型強度標(biāo)準(zhǔn)化圖像的像素強度值，從而使得在標(biāo)準(zhǔn)化以后，從不同硬件單元或者通過不同操作者所獲取的圖像可以具有相同類型組織的更一致的強度范圍。通常把強度標(biāo)準(zhǔn)化單元212看作輸入通過噪聲降低單元208預(yù)處理的噪聲降低圖像，但是還可以標(biāo)準(zhǔn)化直接從圖像取回單元204所轉(zhuǎn)發(fā)的圖像。強度標(biāo)準(zhǔn)化單元212使用來自強度計算單元210的輸出，即，控制點組織的典型強度值從而標(biāo)準(zhǔn)化圖像。如果僅將脂肪強度分解為標(biāo)準(zhǔn)化程序，則強度標(biāo)準(zhǔn)化單元的輸出為脂肪標(biāo)準(zhǔn)化圖像。通常，通過強度標(biāo)準(zhǔn)化單元212考慮控制點組織的集合的強度并且該結(jié)果為一般強度標(biāo)準(zhǔn)化圖像。稍后將詳細描述基于控制點組織的集合標(biāo)準(zhǔn)化圖像所利用的方法。
[0053]系統(tǒng)200還包括:映射生成模塊214，該模塊包括一個或多個不同映射生成單元，例如，強度映射生成單元216和惡性映射生成單元218。這些映射生成單元將參數(shù)值(例如，密度值或惡性概率值)分配給每個像素。結(jié)果是密度映射或惡性概率映射。密度映射單元216通過將標(biāo)準(zhǔn)化灰度像素值(即，相應(yīng)密度值)分配給每個像素，來生成密度映射。惡性映射生成單元218通常將降噪的、強度標(biāo)準(zhǔn)化的、為惡性的像素的概率值(即，屬于組織的惡性區(qū)域)分配給圖像中的每個像素，因此生成惡性概率映射。另外，可具有乳房解剖映射(BAM)單元218’。BAM單元218’接收輸入醫(yī)學(xué)圖像，例如，標(biāo)準(zhǔn)化圖像或降噪圖像，并且通過可能的組織類型對圖像的每個像素進行分類?？梢酝ㄟ^惡性映射生成單元218進一步處理具有其分類像素的圖像?？梢詫閻盒缘南袼氐母怕手捣峙浣o每個像素，這也可能導(dǎo)致惡性映射。稍后將詳細描述可以在這些映射生成單元中的實施的程序。
[0054]將這些映射聚集為斑點。提供了斑點檢測單元220，從而聚集映射中的像素并且檢測圍繞每個斑點(“斑點R0I”)的感興趣區(qū)域(ROI)。如以前所述的，可以通過聚集，或者通過對具有滿足預(yù)選標(biāo)準(zhǔn)的參數(shù)的像素分類來檢測斑點。通過跟蹤斑點的邊界，或者確定邊界，斑點檢測單元220還界定已經(jīng)檢測到的斑點。為了從檢測到的斑點提取特征或特性，提供了特征提取單元222?？梢韵薅ɑ蚍诸愄匦缘牟煌N類，或描述符。例如，相對于成像區(qū)域中的解剖結(jié)構(gòu)可具有與斑點形狀、灰度級變化、或者斑點的空間位置相關(guān)的特性。特征提取單元222根據(jù)特征的每個限定種類實施提取，即，檢測和/或計算特征或描述符。當(dāng)然，隨著限定更多的特征種類，可以擴展特征提取單元222的功能，從而處理所擴展范圍的特征。
[0055]進一步分析所檢測到的斑點。例如，如稍后將更詳細地描述的，可以計算和分析斑點的形態(tài)特征，例如，形狀、緊致、伸長等。在分析以前，斑點可以經(jīng)受形態(tài)修改，例如，填充在斑點ROI中的任何“孔”或者，使用形態(tài)濾波平滑ROI的邊界輪廊。通過斑點分析單元224分析這些斑點，考慮所提取的特征和分配給可應(yīng)用的每個特性的數(shù)值。結(jié)合該分析結(jié)果，計算估算似然值，其中，該斑點可能為惡性的，即，真正病變。一旦計算或者確定估算的似然值，斑點分析單元塊224還將該估算的似然值分配給斑點。為了放射科醫(yī)生的進一步研究，或者經(jīng)受進一步自動診斷評估，可以報告具有大于預(yù)先確定的閾值的似然值的所有斑點。通過病變報告單元226來實施識別要報告的病變候選(或者可疑斑點)并報告這些病變候選。
[0056]作為進一步的改進，系統(tǒng)200還可以包括近似乳房解剖映射(CBAM)建模單元228。簡單地說，如稍后進一步描述的，CBAM模型為乳房的分層模型，該模型將乳房圖像劃分為多個主層，從而與乳房的一般解剖結(jié)構(gòu)匹配。CBAM建模提供估算主層位置(例如，皮下脂肪或乳腺區(qū))的自動化方法。例如，可以通過用于估算脂肪強度的強度檢測單元210，或者通過BAM單元218’使用邊界表面的估算位置，從而僅對乳腺區(qū)中的像素進行分類。稍后將描述可以在CBAM建模單元228中實施的程序的具體細節(jié)。
[0057]參照圖3，示出了自動分割醫(yī)學(xué)圖像(例如，超聲波圖像)的程序，并且將在醫(yī)學(xué)圖像中所檢測到的分割腫瘤分類為病變候選和假陽性。在其他可能性中，可以使用圖2所示的CAD系統(tǒng)或者作為嵌入圖像獲取硬件中的CAD和圖像獲取系統(tǒng)的一部分，實施該方法。
[0058]第一步是接收輸入圖像數(shù)據(jù)，該輸入圖像數(shù)據(jù)包括:醫(yī)學(xué)圖像數(shù)據(jù)及其相關(guān)圖像獲取參數(shù)(步驟302)。例如，可以通過圖像取回單元204和獲取單元206來實施該步驟。接下來，預(yù)處理輸入醫(yī)學(xué)圖像，從而降低噪聲(步驟304)。為了降低超聲波輸入圖像中的典型的高級別噪聲，該步驟通常包括:噪聲降低和去除。降噪技術(shù)不僅降低了噪聲，而且在沒有使圖像邊界的位置變模糊或者改變該圖像邊界的位置的條件下，降低噪聲。例如，可以通過從超聲波圖像去除噪聲的保邊擴散算法來增強輸入圖像，同時保持和提高圖像邊界，確保輸入圖像保持良好定位。因此，這種降噪步驟可以實現(xiàn)同時去除噪聲、圖像平滑、以及邊界增強的目的。噪聲降低單元208 (參加圖2)可以實施任何適當(dāng)降噪，即，用于實施降噪步驟的噪聲降低和去除算法。優(yōu)選地，通過增強在圖像中所捕捉的特征的邊界的示圖選擇噪聲降低或去除算法，而沒有使圖像邊界的位置模糊或者改變該圖像邊界圖像的位置。此外，將邊界增強或者噪聲去除程序配置為圖像獲取參數(shù)的函數(shù)，從而考慮由于操作設(shè)置，或硬件濾波所導(dǎo)致的圖像特征的內(nèi)在差異。
[0059]雖然可以使用多個不同適當(dāng)保邊圖像過濾算法，但是下文描述了非線性擴散方法的使用，其中，應(yīng)該理解，該算法不僅是適當(dāng)方法或者方法應(yīng)用。非線性擴散方法為眾所周知的圖像處理增強技術(shù)，通常將該技術(shù)用于去除輸入圖像中的不相關(guān)或者假細節(jié)，同時保持感興趣對象的邊界。非線性擴散平滑為選擇濾波，該濾波促進優(yōu)先于內(nèi)部區(qū)域平滑的區(qū)域內(nèi)平滑，保持邊界的清晰度。該方法由反復(fù)迭代求解非線性偏微分方法組成:
【權(quán)利要求】
1.一種自動識別在醫(yī)學(xué)圖像中可能對應(yīng)于病變的區(qū)域的系統(tǒng)，所述系統(tǒng)包括: 強度單元，將所述強度單元配置為由所述醫(yī)學(xué)圖像中的像素值計算所述醫(yī)學(xué)圖像中的控制點組織的估算強度； 標(biāo)準(zhǔn)化單元，所述標(biāo)準(zhǔn)化單元被配置為生成在輸入像素和標(biāo)準(zhǔn)化像素之間的映射關(guān)系，并且根據(jù)所述映射關(guān)系將灰度像素值變換為標(biāo)準(zhǔn)化像素值，從而獲得標(biāo)準(zhǔn)化圖像；映射生成單元，所述映射生成單元將參數(shù)值分配給輸入圖像中的每一個像素，從而生成參數(shù)映射； 斑點檢測單元，所述斑點檢測單元被配置為檢測和界定所述參數(shù)映射中的斑點； 特征提取單元，所述特征提取單元被配置為檢測和計算所檢測的斑點的描述特征；以及 斑點分析單元，所述斑點分析單元由斑點的描述特征計算斑點為惡性的估算的似然值，并且將所述似然值分配給所述斑點。
2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中，所述控制點組織包括:皮下脂肪、無回音囊腫、皮膚、以及纖維腺體組織中的至少一個。
3.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中，所述映射生成單元包括:強度映射單元，所述參數(shù)值為強度并且所述參數(shù)映射為強度映射。
4.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中，所述映射生成單元進一步包括:惡性概率映射單元，所述惡性概率映射單元計算每個像素的惡性概率并且將所述惡性概率分配給所述每個像素，從而生成惡性概率映射，并且在通過所述特征提取單元和所述斑點分析單元所處理的所述斑點中包括:在所述惡性概率映射中的通過所述檢測單元所檢測和界定的斑點。
5.根據(jù)權(quán)利要求1所述的系統(tǒng)，進一步包括:預(yù)處理單元，所述預(yù)處理單元對所述醫(yī)學(xué)圖像進行降噪，從而生成降噪圖像。
6.根據(jù)權(quán)利要求1所述的系統(tǒng)，進一步包括:報告單元，所述報告單元識別具有大于預(yù)先確定的閾值的似然值的所有斑點。
【文檔編號】G06K9/40GK103854028SQ201410055212
【公開日】2014年6月11日 申請日期:2009年12月22日 優(yōu)先權(quán)日:2008年12月22日
【發(fā)明者】丹·里科, 德斯蒙德·瑞安·鐘 申請人:賽利恩影像股份有限公司