一種乳腺超聲圖像分割方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開一種基于中智集合理論和水平集曲線演化的乳腺超聲圖像分割方法及系統(tǒng)，該方法中，獲取乳腺超聲二維灰度圖像；利用中智集合理論對(duì)所述乳腺超聲二維灰度圖像進(jìn)行濾波處理，去除噪聲影響；對(duì)濾波處理后的圖像在中智理論集合中進(jìn)行模糊聚類，將乳腺腫塊候選區(qū)域從圖像中分割出來(lái)；將所述乳腺腫塊候選區(qū)域的邊界作為水平集合的初始曲線，進(jìn)行水平集曲線演化；將曲線演化結(jié)果的內(nèi)部區(qū)域作為疑似乳腺腫塊區(qū)域，將該區(qū)域賦值為白色，其余區(qū)域賦值為黑色，并將該黑白二值圖像作為輸出圖像。本發(fā)明可以使分割結(jié)果既去除噪聲的影響，又保持腫塊形狀的精確和完整。
【專利說(shuō)明】 一種乳腺超聲圖像分割方法及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及醫(yī)療領(lǐng)域，具體而言，涉及一種基于中智集合理論和水平集曲線演化的乳腺超聲圖像分割方法。
【背景技術(shù)】
[0002]乳腺癌是臨床多發(fā)病、常見病，其發(fā)病率占女性惡性腫瘤的第二位，且有逐年增多的趨勢(shì)。晚期死亡率較高，嚴(yán)重危害女性健康，近年來(lái)男性乳腺癌病例亦時(shí)有報(bào)道。由于乳腺癌的預(yù)后與疾病確診時(shí)機(jī)密切相關(guān)，因此做到早期診斷、早期治療，可明顯改善患者的生存質(zhì)量、提高長(zhǎng)期存活率。計(jì)算機(jī)輔助診斷技術(shù)能有效的幫助醫(yī)生發(fā)現(xiàn)早期乳腺腫塊，降低假陽(yáng)性，給醫(yī)生提供有效的診斷依據(jù)作為參考，被稱為醫(yī)生的“第二雙眼睛”?；谌橄俪晥D像的計(jì)算機(jī)輔助診斷技術(shù)通過(guò)對(duì)乳腺超聲圖像的數(shù)字化處理，能精確地確定病變區(qū)域的位置，根據(jù)以往的知識(shí)和計(jì)算機(jī)技術(shù)對(duì)病變的區(qū)域進(jìn)行診斷，從而得出精確的診斷結(jié)果。
[0003]乳腺超聲圖像分割是乳腺超聲圖像的計(jì)算機(jī)輔助診斷技術(shù)中一項(xiàng)重要步驟。它通過(guò)對(duì)乳腺超聲圖像進(jìn)行分割，能把可疑腫塊區(qū)域從背景組織中提取出來(lái)，精確描繪可疑腫塊的邊界，為超聲醫(yī)生提供可疑腫塊區(qū)域作為參考。國(guó)內(nèi)外已有多個(gè)課題組進(jìn)行乳腺超聲圖像分割技術(shù)研究。Horsch等人(K.Horsch, M.L.Giger, L.A.Venta, andC.J.Vyborny, “Automatic segmentation of breast lesions on ultrasound,，，Med.Phys.,1652-1659(2001).[6]M.A.Kupinski and M.L.Giger, “Automated seeded lesionsegmentation on digital mammograms, ” IEEE Trans.0n Medical Imaging, vol.17, n0.4,510-517(1998))應(yīng)用閾值來(lái)分割乳腺超聲圖像中的腫塊。他們引入高斯約束函數(shù)來(lái)尋找腫塊邊界。其分割結(jié)果依賴高斯函數(shù)的形狀，一些非橢圓形的腫塊也被分割成卵形區(qū)域。Yu等人(Donghoon Yu, Sooyeul Lee, Jeong Won Lee, and Seunghwan Kim,“Automatic lesiondetection and segmentation algorithm on2D breast ultrasound images，，提出了一種半徑依賴增強(qiáng)調(diào)整(RDCA)技術(shù)來(lái)增強(qiáng)腫塊區(qū)域，然后利用數(shù)學(xué)形態(tài)學(xué)和閾值方法來(lái)完成腫塊的分割。
[0004]Huang 等人(Yu-Len Huang, Yu-Ru Jiang, Dar-Ren Chen, and Woo KyungMoon, Level Set Contouring for Breast Tumor in Sonography)利用基于水平集的方法來(lái)檢測(cè)乳腺腫塊邊界。首先利用濾波器來(lái)去除噪聲和增強(qiáng)腫塊邊界，類圓形的邊界被用來(lái)作為水平集的初始邊界，最后，使用基于水平集的形變模型來(lái)提取乳腺腫塊邊界。Chang 等人(Ruey-Feng Chang, Wen-Jie Wu, Woo Kyung Moon, and Dar-RenChen,“Automatic ultrasound segmentation and morphology based diagnosisof solid breast tumors”: this method only used ROI images to segment thetumor.,12.Corsi C,Saracino G,Sarti A, Lamberti C:Left ventricular volumeestimation for real-time three-dimensional echocardiography.1EEE TransMedImaging, 21 (9):1202 - 1208, 200213.Wang X，Wee WG:A new deformable contourmethod.1n:1mage Analysis and Processing, 1999.Proceeding InternationalConference onl999, Venice, Italy, pp430 - 435.14.Chen YM, Thiruvenkadam S,TagareHD,Hung F,Wilson D,Geiser EA: On the incorporation of shape priors intogeometric active contours.1n:Variational and Level Set Methods in ComputerVision, 2001.Proceedings.1EEE Workshop on2001, Vancouver, BC, Canada,ppl45 -152, “Computer-aided diagnosis using morphological features for classifyingbreast lesions on ultrasound”)綜合了圖像預(yù)處理技術(shù)和水平集合的方法進(jìn)行乳腺腫塊分割，但分割算法僅僅針對(duì)感興趣區(qū)域的圖像，需要人工交互預(yù)先選擇，屬于半自動(dòng)分割過(guò)程，人工選擇的區(qū)域影響分割的效果。Shan等人(A Fully Automatic SegmentationMethod for Breast Ultrasound Image)雖然提出全自動(dòng)的乳腺腫塊分割算法,但其分割效果依賴于圖像預(yù)處理的結(jié)果。若經(jīng)過(guò)預(yù)處理后，腫塊的邊界沒有很好保留和增強(qiáng)，分割結(jié)果就變得很破碎或者和周圍的組織連在一起。
[0005]黃韞桅等人(基于LevelSet的超聲乳腺腫瘤圖像的輪廓提取)采用曲率各向異性擴(kuò)散的方法，在保留主要邊界信息的前提下對(duì)超聲乳腺圖像加以平滑，并利用水平集的方法自動(dòng)提取乳腺腫瘤輪廓，對(duì)超聲乳腺圖像進(jìn)行腫瘤的自動(dòng)分割，對(duì)于乳腺超聲腫瘤的弱邊界信息，獲得良好的效果。
[0006]然而，現(xiàn)有的技術(shù)有的受到噪聲的影響，分割結(jié)果的邊界不夠連續(xù)和光滑；有的分割結(jié)果中單獨(dú)的腫塊區(qū)域被分割成幾個(gè)不連續(xù)的區(qū)域；有的雖然去除噪聲的影響，但分割結(jié)果不夠精確，把不是腫塊區(qū)域的點(diǎn)也包括進(jìn)來(lái)。

【發(fā)明內(nèi)容】

[0007]本發(fā)明提供一種基于中智集合理論和水平集曲線演化的乳腺超聲圖像分割方法，用以克服現(xiàn)有技術(shù)中分割結(jié)果不夠精確的問(wèn)題。
[0008]為達(dá)到上述目的，本發(fā)明提供了一種基于中智集合理論和水平集曲線演化的乳腺超聲圖像分割方法，包括以下步驟:
[0009]獲取乳腺超聲二維灰度圖像；
[0010]利用中智集合理論對(duì)所述乳腺超聲二維灰度圖像進(jìn)行濾波處理，去除噪聲影響；
[0011]對(duì)濾波處理后的圖像在中智理論集合中進(jìn)行模糊聚類，將乳腺腫塊候選區(qū)域從圖像中分割出來(lái)；
[0012]將所述乳腺腫塊候選區(qū)域的邊界作為水平集合的初始曲線，進(jìn)行水平集曲線演化；
[0013]將曲線演化結(jié)果的內(nèi)部區(qū)域作為疑似乳腺腫塊區(qū)域，將該區(qū)域賦值為白色，其余區(qū)域賦值為黑色，并將該黑白二值圖像作為輸出圖像。
[0014]進(jìn)一步地，所述利用中智集合理論對(duì)所述乳腺超聲二維灰度圖像進(jìn)行濾波處理，去除噪聲影響步驟包括:
[0015]將所述乳腺超聲二維灰度從灰度集合映射到中智集合中，在中智集合中，映射后的新圖像采用三個(gè)子集來(lái)描述，該三個(gè)子集分別為表示對(duì)前景目標(biāo)的隸屬度、對(duì)噪聲的隸屬度和對(duì)背景的隸屬度；
[0016]根據(jù)噪聲隸屬度值對(duì)前景目標(biāo)隸屬度矩陣進(jìn)行alpha方向?yàn)V波運(yùn)算，去除噪聲的影響，并且增強(qiáng)腫塊邊界。[0017]進(jìn)一步地，所述對(duì)濾波處理后的圖像在中智理論集合中進(jìn)行模糊聚類，將乳腺腫塊候選區(qū)域從圖像中分割出來(lái)步驟包括:
[0018]對(duì)濾波后的新圖像中的每個(gè)點(diǎn)用模糊聚類方法進(jìn)行分類，其中聚類數(shù)目為三類，分別為腫塊類、乳腺組織類和腺體類，模糊聚類輸入的屬性值是目標(biāo)隸屬度矩陣中的對(duì)應(yīng)值；
[0019]根據(jù)模糊聚類的結(jié)果，將腫塊類的區(qū)域作為乳腺腫塊候選區(qū)域。
[0020]為達(dá)到上述目的，本發(fā)明還提供了一種基于中智集合理論和水平集曲線演化的乳腺超聲圖像分割系統(tǒng)，包括:
[0021]灰度圖像獲取模塊，用于獲取乳腺超聲二維灰度圖像；
[0022]中智濾波模塊，用于利用中智集合理論對(duì)所述乳腺超聲二維灰度圖像進(jìn)行濾波處理，去除噪聲影響；
[0023]區(qū)域分割模塊，用于對(duì)濾波處理后的圖像在中智理論集合中進(jìn)行模糊聚類，將乳腺腫塊候選區(qū)域從圖像中分割出來(lái)；
[0024]曲線演化模塊，用于將所述乳腺腫塊候選區(qū)域的邊界作為水平集合的初始曲線，進(jìn)行水平集曲線演化；
[0025]疑似區(qū)域確定模塊，用于將曲線演化結(jié)果的內(nèi)部區(qū)域作為疑似乳腺腫塊區(qū)域，將該區(qū)域賦值為白色，其余區(qū)域賦值為黑色，并將該黑白二值圖像作為輸出圖像。
[0026]進(jìn)一步地，所述中智濾波模塊包括:
[0027]映射單元，用于將所述乳腺超聲二維灰度從灰度集合映射到中智集合中，在中智集合中，映射后的新圖像采用三個(gè)子集來(lái)描述，該三個(gè)子集分別為表示對(duì)前景目標(biāo)的隸屬度、對(duì)噪聲的隸屬度和對(duì)背景的隸屬度；
[0028]濾波單元，用于根據(jù)噪聲隸屬度值對(duì)前景目標(biāo)隸屬度矩陣進(jìn)行alpha方向?yàn)V波運(yùn)算，去除噪聲的影響，并且增強(qiáng)腫塊邊界。
[0029]進(jìn)一步地，所述區(qū)域分割模塊包括:
[0030]分類單元，用于對(duì)濾波后的新圖像中的每個(gè)點(diǎn)用模糊聚類方法進(jìn)行分類，其中聚類數(shù)目為三類，分別為腫塊類、乳腺組織類和腺體類，模糊聚類輸入的屬性值是目標(biāo)隸屬度矩陣中的對(duì)應(yīng)值；
[0031]區(qū)域確定單元，用于根據(jù)模糊聚類的結(jié)果，將腫塊類的區(qū)域作為乳腺腫塊候選區(qū)域。
[0032]本發(fā)明利用中智集合理論來(lái)去除乳腺超聲圖像的噪聲影響，然后再對(duì)處理后的圖像在中智理論集合中進(jìn)行模糊聚類，從而完成乳腺腫塊候選區(qū)域的分割；把分割出來(lái)的乳腺腫塊候選區(qū)域的邊界作為初始曲線，利用水平集曲線演化理論進(jìn)行精細(xì)分割，從而使分割結(jié)果既去除噪聲的影響，又保持了腫塊形狀的精確和完整。
【專利附圖】

【附圖說(shuō)明】
[0033]為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。[0034]圖1為本發(fā)明一個(gè)實(shí)施例的基于中智集合理論和水平集曲線演化的乳腺超聲圖像分割方法流程圖。
【具體實(shí)施方式】
[0035]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有付出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0036]圖1為本發(fā)明一個(gè)實(shí)施例的基于中智集合理論和水平集曲線演化的乳腺超聲圖像分割方法流程圖。如圖所示，該方法包括以下步驟:
[0037]S110，獲取乳腺超聲二維灰度圖像；
[0038]S120，利用中智集合理論對(duì)所述乳腺超聲二維灰度圖像進(jìn)行濾波處理，去除噪聲影響；
[0039]其中，利用中智集合理論對(duì)所述乳腺超聲二維灰度圖像進(jìn)行濾波處理，去除噪聲影響步驟包括:
[0040]將所述乳腺超聲二維灰度從灰度集合映射到中智集合中，在中智集合中，映射后的新圖像采用三個(gè)子集來(lái)描述，該三個(gè)子集分別為表示對(duì)前景目標(biāo)的隸屬度、對(duì)噪聲的隸屬度和對(duì)背景的隸屬度；
[0041]根據(jù)噪聲隸屬度值對(duì)前景目標(biāo)隸屬度矩陣進(jìn)行alpha方向?yàn)V波運(yùn)算，去除噪聲的影響，并且增強(qiáng)腫塊邊界。
[0042]S130，對(duì)濾波處理后的圖像在中智理論集合中進(jìn)行模糊聚類，將乳腺腫塊候選區(qū)域從圖像中分割出來(lái)；
[0043]其中，對(duì)濾波處理后的圖像在中智理論集合中進(jìn)行模糊聚類，將乳腺腫塊候選區(qū)域從圖像中分割出來(lái)步驟包括:
[0044]對(duì)濾波后的新圖像中的每個(gè)點(diǎn)用模糊聚類方法進(jìn)行分類，其中聚類數(shù)目為三類，分別為腫塊類、乳腺組織類和腺體類，模糊聚類輸入的屬性值是目標(biāo)隸屬度矩陣中的對(duì)應(yīng)值；
[0045]根據(jù)模糊聚類的結(jié)果，將腫塊類的區(qū)域作為乳腺腫塊候選區(qū)域。
[0046]S140，將所述乳腺腫塊候選區(qū)域的邊界作為水平集合的初始曲線，進(jìn)行水平集曲線演化；
[0047]S150，將曲線演化結(jié)果的內(nèi)部區(qū)域作為疑似乳腺腫塊區(qū)域，將該區(qū)域賦值為白色，其余區(qū)域賦值為黑色，并將該黑白二值圖像作為輸出圖像。
[0048]以下為本發(fā)明的一個(gè)優(yōu)選實(shí)施例，該實(shí)施例結(jié)合中智集合理論和水平集曲線演化理論來(lái)進(jìn)行乳腺超聲腫塊的精確分割，主要步驟如下:
[0049]輸入:乳腺超聲二維灰度圖像
[0050]輸出:乳腺腫塊黑白二值圖像
[0051]1、輸入乳腺超聲二維灰度圖像BUSI ;
[0052]2、把圖像BUSI從灰度集合映射到中智集合NS中，新圖像表示為BUSIns。在NS中，BUSIns用三個(gè)子集(T，I，F(xiàn))來(lái)描述，它們分別表示對(duì)前景目標(biāo)的隸屬度(T)，對(duì)噪聲的隸屬度(I)和對(duì)背景的隸屬度(F)；
[0053]3、根據(jù)噪聲隸屬度值I來(lái)對(duì)前景目標(biāo)隸屬度矩陣T進(jìn)行alpha方向?yàn)V波運(yùn)算，來(lái)去除噪聲的影響，并且增強(qiáng)腫塊邊界；
[0054]4、對(duì)BUSIns中的每個(gè)點(diǎn)用模糊聚類進(jìn)行分類，聚類數(shù)目為三類，分別表示腫塊類，乳腺組織類，和腺體類。聚類輸入的屬性值是目標(biāo)隸屬度矩陣T中的值。
[0055]5、根據(jù)模糊聚類的結(jié)果，把腫塊類的區(qū)域的邊界作為水平集合的初始曲線，然后進(jìn)行曲線演化。
[0056]6、曲線演化結(jié)果的內(nèi)部區(qū)域被作為疑似乳腺腫塊區(qū)域，把該區(qū)域賦值為白色，其余區(qū)域?yàn)楹谏?，該圖像被作為輸出圖像BUSIseg。
[0057]經(jīng)過(guò)實(shí)驗(yàn)和模擬，上述實(shí)施例在實(shí)際中完全可行。與同類型的算法相比，本發(fā)明實(shí)施例的結(jié)果優(yōu)異，不僅把乳腺腫塊精確的分割出來(lái)，不受超聲圖像上的斑點(diǎn)噪聲影響，另外還保持了乳腺腫塊邊界的平滑和完整。
[0058]與上述方法實(shí)施例相適應(yīng)，以下為本發(fā)明的一個(gè)基于中智集合理論和水平集曲線演化的乳腺超聲圖像分割系統(tǒng)實(shí)施例，該系統(tǒng)包括:
[0059]灰度圖像獲取模塊，用于獲取乳腺超聲二維灰度圖像；
[0060]中智濾波模塊，用于利用中智集合理論對(duì)所述乳腺超聲二維灰度圖像進(jìn)行濾波處理，去除噪聲影響；
[0061]區(qū)域分割模塊，用于對(duì)濾波處理后的圖像在中智理論集合中進(jìn)行模糊聚類，將乳腺腫塊候選區(qū)域從圖像中分割出來(lái)；
[0062]曲線演化模塊，用于將所述乳腺腫塊候選區(qū)域的邊界作為水平集合的初始曲線，進(jìn)行水平集曲線演化；
[0063]疑似區(qū)域確定模塊，用于將曲線演化結(jié)果的內(nèi)部區(qū)域作為疑似乳腺腫塊區(qū)域，將該區(qū)域賦值為白色，其余區(qū)域賦值為黑色，并將該黑白二值圖像作為輸出圖像。
[0064]進(jìn)一步地，所述中智濾波模塊包括:
[0065]映射單元，用于將所述乳腺超聲二維灰度從灰度集合映射到中智集合中，在中智集合中，映射后的新圖像采用三個(gè)子集來(lái)描述，該三個(gè)子集分別為表示對(duì)前景目標(biāo)的隸屬度、對(duì)噪聲的隸屬度和對(duì)背景的隸屬度；
[0066]濾波單兀，用于根據(jù)噪聲隸屬度值對(duì)前景目標(biāo)隸屬度矩陣進(jìn)行alpha方向?yàn)V波運(yùn)算，去除噪聲的影響，并且增強(qiáng)腫塊邊界。
[0067]進(jìn)一步地，所述區(qū)域分割模塊包括:
[0068]分類單元，用于對(duì)濾波后的新圖像中的每個(gè)點(diǎn)用模糊聚類方法進(jìn)行分類，其中聚類數(shù)目為三類，分別為腫塊類、乳腺組織類和腺體類，模糊聚類輸入的屬性值是目標(biāo)隸屬度矩陣中的對(duì)應(yīng)值；
[0069]區(qū)域確定單元，用于根據(jù)模糊聚類的結(jié)果，將腫塊類的區(qū)域作為乳腺腫塊候選區(qū)域。
[0070]針對(duì)現(xiàn)有算法的缺點(diǎn)，本發(fā)明先采用中智集合理論來(lái)去除乳腺超聲圖像的噪聲影響，然后再利用水平集曲線演化理論進(jìn)行精細(xì)分割，從而使分割結(jié)果既去除噪聲的影響，又保持了腫塊形狀的精確和完整。
[0071]本領(lǐng)域普通技術(shù)人員可以理解:附圖只是一個(gè)實(shí)施例的示意圖，附圖中的模塊或流程并不一定是實(shí)施本發(fā)明所必須的。
[0072]本領(lǐng)域普通技術(shù)人員可以理解:實(shí)施例中的裝置中的模塊可以按照實(shí)施例描述分布于實(shí)施例的裝置中，也可以進(jìn)行相應(yīng)變化位于不同于本實(shí)施例的一個(gè)或多個(gè)裝置中。上述實(shí)施例的模塊可以合并為一個(gè)模塊，也可以進(jìn)一步拆分成多個(gè)子模塊。
[0073]最后應(yīng)說(shuō)明的是:以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依然可以對(duì)前述實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明實(shí)施例技術(shù)方案的精神和范圍。
【權(quán)利要求】
1.一種基于中智集合理論和水平集曲線演化的乳腺超聲圖像分割方法，其特征在于，包括以下步驟: 獲取乳腺超聲二維灰度圖像； 利用中智集合理論對(duì)所述乳腺超聲二維灰度圖像進(jìn)行濾波處理，去除噪聲影響； 對(duì)濾波處理后的圖像在中智理論集合中進(jìn)行模糊聚類，將乳腺腫塊候選區(qū)域從圖像中分割出來(lái)； 將所述乳腺腫塊候選區(qū)域的邊界作為水平集合的初始曲線，進(jìn)行水平集曲線演化； 將曲線演化結(jié)果的內(nèi)部區(qū)域作為疑似乳腺腫塊區(qū)域，將該區(qū)域賦值為白色，其余區(qū)域賦值為黑色，并將該黑白二值圖像作為輸出圖像。
2.根據(jù)權(quán)利要求1所述的乳腺超聲圖像分割方法，其特征在于，所述利用中智集合理論對(duì)所述乳腺超聲二維灰度圖像進(jìn)行濾波處理，去除噪聲影響步驟包括: 將所述乳腺超聲二維灰度從灰度集合映射到中智集合中，在中智集合中，映射后的新圖像采用三個(gè)子集來(lái)描述，該三個(gè)子集分別為表示對(duì)前景目標(biāo)的隸屬度、對(duì)噪聲的隸屬度和對(duì)背景的隸屬度； 根據(jù)噪聲隸屬度值對(duì)前景目標(biāo)隸屬度矩陣進(jìn)行alpha方向?yàn)V波運(yùn)算，去除噪聲的影響，并且增強(qiáng)腫塊邊界。
3.根據(jù)權(quán)利要求 2所述的乳腺超聲圖像分割方法，其特征在于，所述對(duì)濾波處理后的圖像在中智理論集合中進(jìn)行模糊聚類，將乳腺腫塊候選區(qū)域從圖像中分割出來(lái)步驟包括: 對(duì)濾波后的新圖像中的每個(gè)點(diǎn)用模糊聚類方法進(jìn)行分類，其中聚類數(shù)目為三類，分別為腫塊類、乳腺組織類和腺體類，模糊聚類輸入的屬性值是目標(biāo)隸屬度矩陣中的對(duì)應(yīng)值； 根據(jù)模糊聚類的結(jié)果，將腫塊類的區(qū)域作為乳腺腫塊候選區(qū)域。
4.一種基于中智集合理論和水平集曲線演化的乳腺超聲圖像分割系統(tǒng)，其特征在于，包括: 灰度圖像獲取模塊，用于獲取乳腺超聲二維灰度圖像； 中智濾波模塊，用于利用中智集合理論對(duì)所述乳腺超聲二維灰度圖像進(jìn)行濾波處理，去除噪聲影響； 區(qū)域分割模塊，用于對(duì)濾波處理后的圖像在中智理論集合中進(jìn)行模糊聚類，將乳腺腫塊候選區(qū)域從圖像中分割出來(lái)； 曲線演化模塊，用于將所述乳腺腫塊候選區(qū)域的邊界作為水平集合的初始曲線，進(jìn)行水平集曲線演化； 疑似區(qū)域確定模塊，用于將曲線演化結(jié)果的內(nèi)部區(qū)域作為疑似乳腺腫塊區(qū)域，將該區(qū)域賦值為白色，其余區(qū)域賦值為黑色，并將該黑白二值圖像作為輸出圖像。
5.根據(jù)權(quán)利要求4所述的乳腺超聲圖像分割系統(tǒng)，其特征在于，所述中智濾波模塊包括: 映射單元，用于將所述乳腺超聲二維灰度從灰度集合映射到中智集合中，在中智集合中，映射后的新圖像采用三個(gè)子集來(lái)描述，該三個(gè)子集分別為表示對(duì)前景目標(biāo)的隸屬度、對(duì)噪聲的隸屬度和對(duì)背景的隸屬度； 濾波單元，用于根據(jù)噪聲隸屬度值對(duì)前景目標(biāo)隸屬度矩陣進(jìn)行alpha方向?yàn)V波運(yùn)算，去除噪聲的影響，并且增強(qiáng)腫塊邊界。
6.根據(jù)權(quán)利要求5所述的乳腺超聲圖像分割系統(tǒng)，其特征在于，所述區(qū)域分割模塊包括: 分類單元，用于對(duì)濾波后的新圖像中的每個(gè)點(diǎn)用模糊聚類方法進(jìn)行分類，其中聚類數(shù)目為三類，分別為腫塊類、乳腺組織類和腺體類，模糊聚類輸入的屬性值是目標(biāo)隸屬度矩陣中的對(duì)應(yīng)值； 區(qū)域確定單元，用于根據(jù) 模糊聚類的結(jié)果，將腫塊類的區(qū)域作為乳腺腫塊候選區(qū)域。
【文檔編號(hào)】G06T7/00GK103942799SQ201410172332
【公開日】2014年7月23日 申請(qǐng)日期:2014年4月25日 優(yōu)先權(quán)日:2014年4月25日
【發(fā)明者】田家瑋, 郭延輝, 姜雙全, 劉宇杰, 王影 申請(qǐng)人:哈爾濱醫(yī)科大學(xué)