基於非下採樣輪廓波和視覺顯著模型的乳腺影像處理的製作方法

2023-05-14 03:25:21

基於非下採樣輪廓波和視覺顯著模型的乳腺影像處理的製作方法
【專利摘要】本發明公開了一種基於非下採樣的輪廓波變換和視覺顯著模型的乳腺影像處理方法，主要針對乳腺腫塊的特點識別可疑的區域。整個系統包括：影像增強模塊和影像識別模塊。影像增強模塊對原始影像採用非下採樣輪廓波進行增強；影像識別模塊，針對增強後的圖像提取特徵值並且生成特徵圖；再對特徵圖進行處理得到總顯著圖，得到候選的可疑腫塊；最後對提取顯著圖特徵及增強後的影像特徵，運用機器學習方法濾除其假陽性腫塊，得到最終較為精確的可疑區域。
【專利說明】基於非下採樣輪廓波和視覺顯著模型的乳腺影像處理

【技術領域】
[0001] 本發明屬於圖像處理【技術領域】，涉及醫學圖像處理方法，可用於醫學圖像感興趣 區域的識別。

【背景技術】
[0002] 近幾十年來，醫學影像已成為醫學技術中發展最快的領域之一，其結果使臨床醫 生對人體內部病變部位的觀察更直接、更清晰，確診率也更高。計算機輔助診斷（Computer Aided Diagnosis簡稱為CAD)技術被稱為醫生的"第二雙睛"，研究如何通過圖像處理技術 對這些醫學影像信息進行有效的處理，用於輔助醫生的診斷甚至進行手術規劃等，具有重 大的社會效益和廣泛的應用前景。醫學圖像處理技術作為計算機輔助診斷的關鍵發展至 今，各學科的交叉已是發展的必然趨勢，但其中還有很多問題亟待解決，特別是隨著遠程醫 療的蓬勃發展，對醫學圖像處理與分析提出的要求也越來越高，所以進一步研究醫學圖像 處理與分析具有十分重要的意義。
[0003] 乳腺癌是女性中常見且高發的惡性腫瘤之一，嚴重影響了婦女的身心健康甚至危 及生命。乳腺影像的增強和感興趣區域的識別是乳腺癌自動監測系統的兩個主要的步驟， 其中，乳腺影像增強可以有效的突出影像中的病變區域的特徵，同時抑制了圖像中的噪聲 信息，提高圖像的可讀性，為醫生提供了更可靠的診斷數據；而乳腺影像中腫塊的識別是通 過學習腫塊的病理特徵，更好的輔助醫生來進行疾病診斷。一般的乳腺影像的可疑腫塊區 域的識別方法有簡單的閾值法、基於濾波器的方法、預分割得到感興趣區域後，提取感興趣 區域的特徵後聯合簡單的分類器進行分類與識別，由於人與人之間個性化差異大，腫塊的 特性千差萬別，不可能有完備的特徵能夠表示出腫塊與正常區域的差異，所以分類器的性 能再好也無法得到十分理想的結果。因此採用上述方法進行識別時一般得到的檢出率較 低，並且腫塊的假陽性率較高。


【發明內容】

[0004] 本發明的目的在於針對上述方法的缺陷，提出了一種基於非下採樣Coutourlet 變換和視覺顯著模型的乳腺影像處理方法，針對乳腺的特點識別可疑的腫塊區域。
[0005] 為實現上述目的，本發明提高基於非下採樣Coutourlet變換和視覺顯著模型的 乳腺影像處理方法，包括如下步驟：
[0006] 輸入大小為MXM乳腺影像，並對其進行3層非下採樣Coutourlet變換，得到各個 尺度上的高頻方向子帶係數和低頻子帶係數，並且分解係數和原圖具有相同大小。
[0007] 由於噪聲產生的高頻係數通常與相鄰尺度的高頻係數相關性很小，而由細節產生 的高頻係數卻與相鄰尺度上的高頻係數相關性很大。針對這種相關性的關係，設計了基於 頻域相關性的信噪分離與增強函數。
[0008] 由噪聲產生的頻域係數。通過收縮算子來進行降噪，該收縮算子通過軟閾值法對 頻域係數進行處理：
[0009]

【權利要求】
1. 一種基於非下採樣輪廓波（Coutourlet)變換和視覺顯著模型的乳腺影像處理方 法，包括如下步驟： (1) 採用非下採樣Coutourlet變換，對原始影像進行增強處理，得到增強後的影像 I (X); (2) 將增強後的圖像I (X)分為2X2大小的像素塊Xi，對於圖像中任一像素塊Xi所在 的2X2大小區域提取均值E、方差V、幅值R、亮度變化率B這四個特徵值，分別得到四幅大 小為原來的二分之一的特徵圖，即均值圖E(X)、方差圖V(X)、幅值圖R(X)、亮度變化率圖 B(x); 對每一幅特徵圖，生成三層高斯金字塔模型，即以原特徵圖為金字塔的第一層，金字塔 的第二層和金字塔的第三層為依次在上一層的基礎上下採樣得到的，大小為上一層圖像的 二分之一的金字塔模型； (3) 對上述得到的十二幅特徵圖的每個像素點Xi以其為中心取5X5大小的窗口計算 每個像素的熵值：
其中m代表5X5大小的窗口中各像素值的灰度級數，p為每個灰度級在該區域內出現 的概率，以熵值代替每個像素點的值，得到十二幅熵值圖，共四組，對應於同一幅特徵圖的 三幅熵值圖作為一組； (4) 針對每組熵值圖，取第一層熵值圖為中央層，第二層熵值圖和第三層熵值圖為鄰域 層，採用中央鄰域差分算子分別對第一層熵值圖和第二層熵值圖進行差分計算、對第一層 熵值圖和第三層熵值圖進行差分計算，得到兩幅不同尺度的特徵圖，即每個高斯金字塔模 型得到兩幅差分圖； 經過視覺顯著模型（Itti模型）的歸一化算子N(_)歸一化四個特徵中每個特徵的兩 幅差分子圖； 採用立方插值將12幅特徵圖中的每幅特徵圖調整為同一尺度，線性融合每個特徵的 兩幅差分子圖，得到4幅顯著圖，最後將4幅顯著圖線性融合，得到最終的顯著圖； (5) 顯著圖中的高亮區域即為突出後的目標區域，將目標區域對應到原圖中，提取該目 標區域的灰度特徵、顯著圖特徵以及紋理特徵，再運用針對不平衡數據分類的支持向量機 v-SVM對目標區域進行分類，濾除假陽性腫塊，得到最終的可疑腫塊部分。
2. 根據權利要求1所述的方法，其中，步驟⑴所述的採用非下採樣Coutourlet變換 方法，對原始乳腺影像進行增強處理，包括如下步驟： la) .從原始乳腺影像中截取感興趣區域，大小為256X256 ; 對該區域進行非下採樣Coutourlet變換，得到低頻子帶係數矩陣Ctl和各尺度上的高 頻方向子帶係數矩陣Clk，其中j表示尺度，k表示子帶方向，對低頻子帶係數和高頻子帶系 數進行歸一化，歸一化到[-1，1]範圍； lb) .對la)得到的各尺度上的高頻方向子帶係數矩陣qk，估計各尺度各方向的噪聲 水平；由於噪聲產生的高頻係數通常與相鄰尺度的高頻係數相關性很小，可以通過收縮算 子來進行降噪，該收縮算子是通過軟閾值法對噪聲產生的高頻係數進行處理：
輸入信號的長度，是指第j尺度，第k方向的噪聲標準差，得到去噪後的各高頻係數矩 陣 Dj,,; lc) .採用與去噪後的各高頻係數矩陣Dy相應的增強算子進行增強：
式中，D' u為採用增強算子增強後的高頻係數矩陣，閾值T2 = CXmax(Dlk)，其中O < C < 1，Y 取 2 ; ld) .將採用增強因子增強後的高頻係數進行重構，則得到增強後的圖像I (X)。
3.根據權利要求1所述的方法，其中，步驟（5)所述的運用針對不平衡數據分類的支持 向量機v-SVM對目標區域進行分類，濾除假陽性腫塊，得到最終的可疑腫塊部分包括如下 步驟： 5a).將步驟（4)得到的最終顯著圖高亮區域對應到增強後的影像I(X)中，得到可疑腫 塊在IOO中的位置L(X)以及區域Q(X);為了濾除假陽性腫塊，為可疑腫塊提取灰度特徵、 顯著圖特徵以及紋理三種特徵； 5b).灰度特徵選擇可疑腫塊在增強後的影像I(X)中區域Q(X)的灰度均值； 5c).顯著圖特徵fs為對應的顯著圖中可疑腫塊區域Q' (X)的平均灰度值和灰度變 化幅值，其中所謂灰度變化幅值為可疑腫塊在顯著圖中最大灰度值與最小灰度值之差； 5d).紋理特徵ft為灰度共生矩陣的四維特徵；遍歷整個Q(X)，對於Q(X)中每一個灰度 值為Xij的像素點（i, j),其中i = 1，…N, j = 1，一,M, N為區域行數,M為區域列數,統計 與該像素點距離為S，灰度值為xmn，其中m= 1，…N，n = 1，--?，]?的像素點（i+Ai, j+Aj) 同時出現的概率P(Xij，X_ S); 5e).在（5d)的基礎上提取二次特徵，即能量ftl、熵ft2、同質區ft3和非相似性f t4 :

5f).由於假陽性腫塊與腫塊之間的比例數目存在嚴重的不平衡性，所以本發明中運用 v-SVM方法對可疑腫塊進行濾除，輸出結果。
4.根據權利要求1所述的方法，其中，C取0.7。
【文檔編號】A61B5/00GK104331864SQ201410559392
【公開日】2015年2月4日 申請日期:2014年10月21日 優先權日:2014年10月21日
【發明者】焦李成, 馬文萍, 潘頔, 楊淑媛, 侯彪, 王爽, 馬晶晶, 劉紅英, 熊濤, 張向榮 申請人:西安電子科技大學