區(qū)域輪廓線是否收斂；
[0064] 如果判斷結構為否，回到步驟S2f繼續(xù)執(zhí)行；
[0065] 如果判斷結果為是，停止迭代，輸出所述目標區(qū)域輪廓線即為所述初始腫塊區(qū)域 輪廓線。
[0066] 更進一步的，所述步驟S2f中獲取目標腫塊區(qū)域輪廓線的具體步驟是：
[0067] S2fl、對所述步驟S2e中的優(yōu)化感興趣區(qū)域建立Mumford-Shah的圖像分割模型獲 取腫塊輪廓曲線Q1，將所述優(yōu)化感興趣區(qū)域劃分為若干個平滑區(qū)域；
[0068] 所述優(yōu)化感興趣區(qū)域I (x，y)的定義域為Ω，對于由所述腫塊輪廓曲線Q1分割出 的平滑區(qū)域Ims(X，y)有以下方程式：
[0069]
【主權項】
1. 一種基于乳腺磁共振圖像的計算機輔助腫塊檢測方法，其特征在于，包括以下步 驟： 51、 對乳腺磁共振圖像進行感興趣區(qū)域提??； 52、 在所述感興趣區(qū)域中提取分割出初始腫塊區(qū)域，并確定所述初始腫塊區(qū)域輪廓 線； 53、 計算所述初始腫塊區(qū)域特征參數(shù)的權重分布； 54、 選取權重系數(shù)大于基準權重系數(shù)的所述初始腫塊區(qū)域特征參數(shù)進行分類訓練以獲 取優(yōu)化特征參數(shù)； 55、 將所述優(yōu)化特征參數(shù)輸入分類器中，利用支持向量機分類方法對其進行分析，確定 最終腫塊區(qū)域并顯示給用戶。
2. 如權利要求1所述的基于乳腺磁共振圖像的計算機輔助腫塊檢測方法，其特征在 于，提取所述感興趣區(qū)域的具體步驟是： 511、 預處理所述乳腺磁共振圖像得到預處理圖像； 512、 提取乳房外輪廓線； 513、 提取胸壁線； 514、 結合所述乳房外輪廓線和胸壁線進行圖像重構以獲取所述感興趣區(qū)域。
3. 如權利要求2所述的基于乳腺磁共振圖像的計算機輔助腫塊檢測方法，其特征在 于，所述Sll中預處理所述乳腺磁共振圖像的具體步驟是： 5111、 進行圖像二值化處理， 5112、 進行形態(tài)學開運算； Sl 13、進行形態(tài)學閉運算； 5114、 進行孔洞填充； 5115、 提取最大連通區(qū)域輸出以獲取所述預處理圖像。
4. 如權利要求2所述的基于乳腺磁共振圖像的計算機輔助腫塊檢測方法，其特征在 于，所述S12中提取乳房外輪廓線的具體步驟是： 5121、 使用邊緣算子提取乳房外輪廓線； 5122、 對所述乳房外輪廓線進行多項式擬合。
5. 如權利要求2所述的基于乳腺磁共振圖像的計算機輔助腫塊檢測方法，其特征在 于，所述S13中提取胸壁線的具體步驟是： 5131、 對所述預處理圖像依次進行sobel濾波處理、中值濾波處理及歸一化處理以獲 取二次處理圖像； 5132、 根據(jù)所述乳房外輪廓線獲取初始胸壁線； 5133、 結合所述二次處理圖像對初始胸壁線進行基于梯度向量場的snake迭代； 5134、 進行多項式擬合獲取所述胸壁線。
6. 如權利要求2所述的基于乳腺磁共振圖像的計算機輔助腫塊檢測方法，其特征在 于，所述S14中提取感興趣區(qū)域的具體步驟是： 5141、 輸入所述乳房外輪廓線和所述胸壁線； 5142、 剔除所述胸壁線右側區(qū)域； 5143、 進行高斯濾波處理； 5144、 進行二值化處理； 5145、 進行形態(tài)學重構處理； 5146、 提取最大連通區(qū)域； 5147、 判斷胸壁線是否與所述腫塊相交； 如果判斷結果為是，將所述胸壁線右移并回到所述S142繼續(xù)執(zhí)行； 如果判斷結果為否，繼續(xù)進行下一步； 5148、 判斷腫塊是否存在； 如果判斷結果為否，輸出腫塊不存在； 如果判斷結果為是，輸出所述感興趣區(qū)域。
7. 如權利要求1所述的基于乳腺磁共振圖像的計算機輔助乳腺腫塊檢測方法，其特征 在于：所述S2中利用模糊C均值聚類方法提取所述初始腫塊區(qū)域輪廓線，所述模糊C均值 聚類方法的具體步驟是： 521、 輸入所述感興趣區(qū)域； 522、 進行鄰域抑制操作； 523、 進行高斯去噪濾波操作； 524、 進行直方圖均衡化操作； 525、 進行模糊C均值聚類操作； 526、 獲取二值化圖像； 527、 進行孔洞填充操作； 528、 去除小區(qū)域并輸出即獲取所述初始腫塊區(qū)域輪廓線。
8. 如權利要求7所述的基于乳腺磁共振圖像的計算機輔助乳腺腫塊檢測方法，其特征 在于：使用基于梯度向量場的snake能量模型分割方法對所述初始腫塊區(qū)域輪廓線進行二 次分割提取以獲得優(yōu)化的所述初始腫塊區(qū)域輪廓線。
9. 如權利要求1所述的基于乳腺磁共振圖像的計算機輔助乳腺腫塊檢測方法，其特征 在于：所述S2中利用基于Chan-Vese的水平集分割方法提取所述初始腫塊區(qū)域輪廓線，所 述基于Chan-Vese的水平集分割方法的具體步驟是： S2a、輸入所述感興趣區(qū)域； S2b、進行鄰域抑制操作； S2c、進行高斯去噪濾波操作； S2d、進行直方圖均衡化操作； S2e、輸出優(yōu)化感興趣區(qū)域； S2f、利用所述優(yōu)化感興趣區(qū)域進行Chan-Vese水平集求解以獲取目標腫塊區(qū)域輪廓 線； S2h、判斷所述目標腫塊區(qū)域輪廓線是否收斂； 如果判斷結構為否，回到步驟S2f繼續(xù)執(zhí)行； 如果判斷結果為是，停止迭代，輸出所述目標區(qū)域輪廓線即為所述初始腫塊區(qū)域輪廓 線。
10. 如權利要求9所述的基于乳腺磁共振圖像的計算機輔助乳腺腫塊檢測方法，其特 征在于，所述步驟S2f中獲取目標腫塊區(qū)域輪廓線的具體步驟是： S2H、對所述步驟S2e中的優(yōu)化感興趣區(qū)域建立Mumford-Shah的圖像分割模型獲取腫 塊輪廓曲線Q1，將所述優(yōu)化感興趣區(qū)域劃分為若干個平滑區(qū)域； 所述優(yōu)化感興趣區(qū)域I (x，y)的定義域為Ω，對于由所述腫塊輪廓曲線Ctl分割出的平 滑區(qū)域Ims(x，y)有以下方程式：
其中下式右邊第一項為腫塊輪廓曲線的長度項，第二項為腫塊圖像的方差項，第三項 為腫塊圖像的邊界項，當Fms (UC)取最小值，arg min F有極小值，所述優(yōu)化感興趣區(qū)域被 腫塊邊界曲線Q1劃分為若干個平滑區(qū)域，同時得到腫塊邊界C μ S2f2、通過建立能量泛函以獲取全局最優(yōu)的圖像分割效果； 定義閉合輪廓曲線C為子集we Ω的邊界，設所述圖像I被任意閉合輪廓曲線Ctl劃分 為兩個同質(zhì)區(qū)域，Q1內(nèi)和C ^外的灰度分別為：
對于被任意閉合活動輪廓線C劃分為內(nèi)部Q1和外部ω 2的所述優(yōu)化感興趣區(qū)域I，可 得到以下方程式： F(C) =F1 (C)+F2 (C) =I inside 11 (x, y)-C112dxdy+ f outside 11 (x, y)-C212dxdy 上式中，CnC2是常數(shù)，分別為曲線內(nèi)外部的擬合中心，也即平均灰度。當C = Ctl時，上 式取得最小值； 以上式為基礎，添加長度平滑項μ ^Length(C)和面積平滑項V ^AreaQnside(C))得 到以下方程式：
其中參數(shù)Cn C2如下所示： inf F(c,,cs,C) W2 μ, v ^0, A1, λ2>〇 ν =〇, A1= λ 2= I, 化，得到全局最優(yōu)的圖像分割效果； S2f3、對上述Chan-Vese模型進行進行水平集求解以獲取所述目標腫塊區(qū)域輪廓線； 所述目標腫塊區(qū)域輪廓線以水平集形式的數(shù)值解表示為： Φ (,U, X, yj = Q0U, 1)
其中零水平集Φ來表示所述目標腫塊區(qū)域輪廓線。
【專利摘要】本發(fā)明涉及醫(yī)學圖像處理與模式識別領域，為解決現(xiàn)有技術下腫塊的分割效果不佳，以及分類實驗中準確率、靈敏度跟特異度不高的問題，本發(fā)明提供了一種基于乳腺磁共振圖像的計算機輔助腫塊檢測方法，包括以下步驟：S1、對乳腺磁共振圖像進行感興趣區(qū)域提取；S2、在所述感興趣區(qū)域中提取分割出初始腫塊區(qū)域，并確定所述初始腫塊區(qū)域輪廓線；S3、計算所述初始腫塊區(qū)域特征參數(shù)的權重分布；S4、選取權重系數(shù)大于基準權重系數(shù)的所述初始腫塊區(qū)域特征參數(shù)進行訓練分類以獲取優(yōu)化特征參數(shù)；S5、將所述優(yōu)化特征參數(shù)輸入分類器中，利用支持向量機分類方法對其進行分析，確定最終腫塊區(qū)域并顯示給用戶。該檢測方法對腫塊有良好的分割效果，有效提高了分類實驗中準確率、靈敏度跟特異度，將檢測結果作為“第二意見”提供給放射科醫(yī)生，可有效降低醫(yī)生的誤診率和漏診率。
【IPC分類】G06K9-00, G06T7-00, G06K9-54, G06K9-62
【公開號】CN104732213
【申請?zhí)枴緾N201510127562
【發(fā)明人】龐志勇, 陳弟虎, 朱冬梅
【申請人】中山大學
【公開日】2015年6月24日
【申請日】2015年3月23日