專利名稱：放射攝影圖像中的微鈣化檢測和分級的制作方法
技術(shù)領(lǐng)域：
本文的公開整體涉及放射攝影圖像中的類微鈣化標(biāo)志的計(jì)算機(jī)輔助檢測和分級，并且更具體而言涉及用于微鈣化候選項(xiàng)的分級系統(tǒng)和方法。
背景技術(shù)：
放射線學(xué)者使用放射攝影圖像，如乳房X線照片，來例如在疾病易于被其他侵入式方法檢測之前盡可能地檢測并且查明患者中的可疑病變。同樣地，對于放射線學(xué)者能夠基于成像來定位極其小的癌癥病變和先兆而言，存在真正的好處。微鈣化特別是發(fā)生在特定類型的簇中的那些微鈣化是受關(guān)注的一個(gè)標(biāo)志。雖然單獨(dú)的微鈣化往往易于吸收輻射并且因此可以在放射攝影圖像中顯得非常明亮，但是，各種其他因素，包括極其小的尺寸、被其他自然結(jié)構(gòu)閉塞、出現(xiàn)在圖像的結(jié)構(gòu)上“繁忙的”部分中，所有這些有時(shí)與放射線學(xué)者的疲勞相耦合，可能使得在視覺檢查時(shí)，難以檢測到某些鈣化。已開發(fā)了計(jì)算機(jī)輔助檢測(CAD)算法來輔助放射線學(xué)者定位放射攝影圖像中的潛在病變。CAD算法在計(jì)算機(jī)中在患者的乳房X線照片集的數(shù)字表示上操作。該數(shù)字表示可以是原始或已處理傳感器數(shù)據(jù)(當(dāng)由數(shù)字傳感器獲得該乳房X線照片時(shí))或者傳統(tǒng)的基于膠片的乳房X線照片集的掃描版本。假設(shè)如本文所使用的“圖像”是用于給予CAD算法的合適的數(shù)字表示的至少二維數(shù)據(jù)，與原始用于獲得患者信息的獲取機(jī)制沒有不同。CAD算法搜索圖像以獲得與感興趣的標(biāo)志匹配的對象，并且當(dāng)找到感興趣的標(biāo)志時(shí)警告放射線學(xué)者。一個(gè)感興趣的標(biāo)志是微鈣化。現(xiàn)有CAD算法使用各種策略來定位潛在的微鈣化。在美國專利6，014，452中，使用強(qiáng)度高于全局固定閾值的全部像素作為潛在微鈣化的種子位置。美國專利6，801，645應(yīng)用高斯濾波器的偏差來增強(qiáng)微鈣化并且隨后閾值。美國專利7，593，561應(yīng)用固定濾波器，該濾波器在中央3X3像素區(qū)域比距圖像位置3和6個(gè)像素的像素環(huán)更亮?xí)r增強(qiáng)圖像位置處的對比度，并且隨后自適應(yīng)地并且迭代地確定調(diào)整圖像的閾值以獲得希望的簇的數(shù)量。另一個(gè)感興趣的標(biāo)志是微鈣化簇。現(xiàn)有CAD算法使用各種策略來將潛在微鈣化簇標(biāo)記為可疑，包括如美國專利7，593，561中所示的訓(xùn)練神經(jīng)網(wǎng)絡(luò)和特征加權(quán)線性判別式?？梢允褂糜糜诿枋鲇^察到隨機(jī)變量的任意給定樣本值的相對可能性的概率密度函數(shù)(HF)來執(zhí)行異常的分級。全部可能值上的TOF的積分是I ;隨機(jī)變量的范圍的子集上的HF的積分表示隨機(jī)變量的抽取樣本將落入該范圍中的概率。通?？梢粤己玫乩斫饪梢杂砷]合形式方程式表示的HF，并且已經(jīng)開發(fā)了用于該P(yáng)DF的許多應(yīng)用。另一方面，用于復(fù)雜多維隨機(jī)變量特別是在每個(gè)維度中具有未知的并且有可能不規(guī)律的分布以及/或者長的、稀疏填充尾巴的復(fù)雜多維隨機(jī)變量的HF的實(shí)際估計(jì)大部分被研究人員回避。在模式和圖像識別的領(lǐng)域中，由于在應(yīng)用PDF方法中的實(shí)際困難，許多研究人員已經(jīng)放棄PDF方法并且投身于已知的可解的替代如神經(jīng)網(wǎng)絡(luò)和線性判別式函數(shù)。


中指定了合適的用于檢測并且分級惡性腫塊的檢測單元，在美國臨時(shí)申請序列號61/395，029和共同提交的美國PCT專利申請序列號[代理人案號VUC-010PCT]中指定了合適的用于檢測并且分級毛刺惡性腫塊的檢測單元，在美國臨時(shí)申請序列號61/343，608和共同提交的美國PCT專利申請序列號[代理人案號VUC-008PCT]中指定了合適的概率密度函數(shù)估計(jì)器，在美國臨時(shí)申請序列號61/399，094中指定了合適的顯示預(yù)處理器，通過參考將它們?nèi)亢喜⑷氡疚?。以下段落提供關(guān)于微鈣化檢測單元如可以用作根據(jù)一個(gè)實(shí)施方式的檢測單元204a-204n(見圖2)的一個(gè)或多個(gè)的微鈣化檢測單元細(xì)節(jié)。具體而言，以下段落解釋作為可能的微鈣化的對象的檢測和分級，以及作為微鈣化簇的可能的微鈣化對象的分組的檢測和分級。用于定位圖像中的潛在微鈣化的現(xiàn)有技術(shù)方法檢測一些易于發(fā)現(xiàn)的標(biāo)志。對于放射線學(xué)者而言將更有益的是這樣的一種檢測系統(tǒng)，該系統(tǒng)可以在使用各種獲取系統(tǒng)獲得的放射攝影圖像上工作以檢測難以發(fā)現(xiàn)的微鈣化并且向放射線學(xué)者指出它們的位置。本文所述的實(shí)施方式與大范圍的獲取系統(tǒng)一起工作以產(chǎn)生“峰值”即潛在的微鈣化位置的列表并且將這些峰值提煉成用于微鈣化分級器/識別系統(tǒng)處理的對象描述。與現(xiàn)有技術(shù)相反，本文所述的實(shí)施方式在“尺度”優(yōu)先級上工作，以在將峰值轉(zhuǎn)換成對象之前檢測這些峰值。優(yōu)化每個(gè)尺度，以檢測特定絕對尺寸范圍內(nèi)的峰值。因?yàn)榛诮^對強(qiáng)度或邊緣強(qiáng)度來發(fā)現(xiàn)微鈣化可能是有問題的，因此，優(yōu)選實(shí)施方式使用基于大的鄰居平均值例如中值測量的對比度。優(yōu)選地從更大尺度的中值計(jì)算中排除高于給定對比度的在更小尺度處發(fā)現(xiàn)的對象，因此，進(jìn)一步改善檢測性能。用于將微鈣化標(biāo)記為可疑的現(xiàn)有技術(shù)方法依賴于難以系統(tǒng)地將癌與開始標(biāo)志分隔或者難以理解系統(tǒng)為什么如希望那樣執(zhí)行或不執(zhí)行的方法。本文所述的系統(tǒng)在三階段分級器中使用概率密度函數(shù)來用被相信是近乎最佳的方式在每個(gè)階段上魯棒地建模用于各種特征的分布，以便分級微鈣化。相信該分級的總體結(jié)構(gòu)以及單獨(dú)的階段、特征集合、坐標(biāo)系統(tǒng)和許多獨(dú)立的特征是新穎的?，F(xiàn)在參考圖4，其示出了根據(jù)一個(gè)實(shí)施方式400的峰值檢測。優(yōu)選地在運(yùn)行峰值檢測程序之前如果有必要則將該圖像重新調(diào)節(jié)到大約40微米像素尺寸?？梢允褂闷渌叨龋且寻l(fā)現(xiàn)40微米尺寸提供足夠的特征細(xì)節(jié)而不會引起不合理的處理負(fù)擔(dān)。由于不同的膠片掃描儀和數(shù)字獲取系統(tǒng)可能對CAD系統(tǒng)提供不同的輸入像素分辨率，所以使用輸入像素分辨率參數(shù)來確定尺度。對于乳房X線照片，優(yōu)選地預(yù)處理圖像以分隔表示胸部組織的區(qū)域以便處理，并且在微鈣化檢測之前去除假象如刮痕和其他明亮線條。將調(diào)節(jié)圖像與階段410b_410f的高斯內(nèi)核遞歸地卷積，以產(chǎn)生各種尺度上的平衡的圖像，一個(gè)圖像用于每個(gè)濾波器遞歸。使用高斯脈沖的多個(gè)數(shù)學(xué)特性來有利地顯著降低處理時(shí)間。首先，作為具有標(biāo)準(zhǔn)偏差和01和σ 2的兩個(gè)高斯脈沖的卷積，產(chǎn)生具有標(biāo)準(zhǔn)偏
+ σ' 的高斯脈沖，通過與更小的內(nèi)核的重復(fù)卷積而不是與大內(nèi)核的單個(gè)卷積產(chǎn)生
更大尺度處的平滑圖像。其次，由于二維圓周對稱高斯脈沖可線性地分割成兩個(gè)一維高斯脈沖(其中一個(gè)的尺寸是Ixn個(gè)像素并且另一個(gè)的尺寸是η X I個(gè)像素，其中η在近似加并且減3。處被截短，被表示成像素，以便處理效率)，使用兩個(gè)在峰值的每一側(cè)的3。處截短的一維卷積進(jìn)一步優(yōu)化每個(gè)卷積。當(dāng)然，對于計(jì)算效率不感興趣的人員可以選擇性地使用這些技術(shù)中的任意一個(gè)或任意一個(gè)都不使用。在一個(gè)優(yōu)選實(shí)施方式中，尺度被選擇為使得方差從一個(gè)尺度到下一個(gè)尺度翻倍，
例如<Jw+1 =使得高斯平滑圖像選擇隨著每個(gè)尺度增加面積翻倍的斑點(diǎn)尺
寸。這需要所應(yīng)用高斯內(nèi)核對于每個(gè)步驟具有與當(dāng)前累積應(yīng)用的標(biāo)準(zhǔn)偏差相同的標(biāo)準(zhǔn)偏差。第一階段處理使用σ ^ = 0，例如，不管調(diào)節(jié)輸入圖像中存在什么都不應(yīng)用附加模糊。對
于第一和第二模糊步驟(σ i和σ 2)，高斯濾波器410b和410c中應(yīng)用的內(nèi)核具有^微
米的標(biāo)準(zhǔn)偏差，因而第二和第三階段輸入圖像表示具有各自的模糊標(biāo)準(zhǔn)偏差σ i = 35微米(近似)和σ 2 = 50微米的輸入圖像的高斯模糊版本。第三模糊步驟應(yīng)用標(biāo)準(zhǔn)偏差為50
微米的高斯內(nèi)核，因而第四階段410d輸出的模糊圖像具有微米的模糊標(biāo)準(zhǔn)偏差。以類似地方式繼續(xù)，附加階段410e、410f等等接收模糊標(biāo)準(zhǔn)偏差(在一些情況中四舍五入)為100微米、140微米、200微米、280微米等等的模糊圖像。在一個(gè)實(shí)施方式中，在模糊標(biāo)準(zhǔn)偏差大致等于感興趣的最大鈣化尺寸的半徑，例如大約300微米之后截短階段?？梢允褂闷渌叨炔竭M(jìn)策略，但是擴(kuò)展測試已經(jīng)顯示該策略對于檢測各種斑點(diǎn)尺寸而言是魯棒的。每個(gè)處理階段接收它的高斯模糊圖像(第一階段圖像未被模糊)并且在拉普拉斯濾波器階段中將該圖像與拉普拉斯函數(shù)或其他二階導(dǎo)數(shù)函數(shù)卷積。拉普拉斯函數(shù)產(chǎn)生“曲率”圖像，例如平的或線性傾斜圖像區(qū)域產(chǎn)生零輸出響應(yīng)，正峰值產(chǎn)生正輸出響應(yīng)并且負(fù)峰值產(chǎn)生負(fù)輸出響應(yīng)(在一個(gè)方向中彎曲的馬鞍點(diǎn)和圖像區(qū)域也可以產(chǎn)生響應(yīng))。在第一拉普拉斯濾波器階段412a處，向中值濾波器416a提供拉普拉斯濾波器的輸出，中值濾波器416a計(jì)算局部鄰居例如每個(gè)像素中心4mm區(qū)域(100x100個(gè)像素)中的中值絕對曲率。中值濾波器416a產(chǎn)生鄰居中值輸出圖像NMtl,以便被σ ι處理階段使用。在σ 度階段，將來自濾波器410b的高斯平滑圖像輸入到拉普拉斯濾波器階段412b，該階段檢測平滑圖像中的曲率。曲率圖像輸入到“外科階段”414b。外科階段對于每個(gè)像素位置將像素相對對比度(被同一像素位置處的鄰居中值NMtl除的拉普拉斯值)與用于該尺度的閾值比較。在一個(gè)實(shí)施方式中，用于一個(gè)尺度的閾值是全局(在當(dāng)前圖像中全部胸部區(qū)域得到的)中值絕對偏差的倍數(shù)，其中，對于給定圖像獲取設(shè)備特性憑經(jīng)驗(yàn)確定該倍數(shù)(3到5倍是典型的)。在外科階段414b處在外科遮罩中標(biāo)記將在外的這些拉普拉斯像素。并且，在外科遮罩中也標(biāo)記了標(biāo)記用于外科的像素周圍的像素，其中，該標(biāo)記的擴(kuò)張是當(dāng)前尺度標(biāo)準(zhǔn)偏差的函數(shù)。當(dāng)前尺度標(biāo)準(zhǔn)偏差的大約三倍的擴(kuò)張值提供測試實(shí)施方式中的可接受的性能。將外科遮罩傳遞到鄰居中值階段416b。在階段416b計(jì)算特定像素處的鄰居中值時(shí)，其排除標(biāo)記用于外科的像素并且計(jì)算有效像素的數(shù)量。還對于當(dāng)前像素保存有效像素的數(shù)量。如果從標(biāo)記用于外科的像素的鄰居中值計(jì)算中排除了太多像素，則用它們的相鄰未遮罩像素的中值來代替該像素的鄰居中值。這防止高曲率的區(qū)域偏斜用于下一階段的中值計(jì)算。中值濾波器階段416b因此基于外科階段414b的輸出產(chǎn)生鄰居中值輸出圖像NM115在σ 2尺度階段，通過拉普拉斯濾波器412c、外科階段414c和中值濾波器階段416c處理來自濾波器410c的高斯平滑圖像，其中拉普拉斯濾波器412c、外科階段414c和中值濾波器階段416c它們與O1尺度階段中對應(yīng)的濾波器的功能相同。相同的處理同樣發(fā)生在稍后的階段中。從σ 3尺度階段開始，系統(tǒng)搜索潛在微鈣化峰值。峰值檢測器418d接收三個(gè)輸入圖像來自濾波器410c的高斯平滑輸出圖像G2(應(yīng)用了 50微米的高斯模糊標(biāo)準(zhǔn)偏差)、來自拉普拉斯濾波器412d的曲率圖像C3輸出以及來自中值濾波器416d的鄰居中值圖像NM30峰值檢測器搜索用于局部最大(強(qiáng)度大于全部8個(gè)鄰居)的像素的高斯平滑輸出圖像G20對于局部最大的每個(gè)像素G2 (i，j)，峰值檢測器418d計(jì)算噪聲歸一化對比度CR為比率C3(i，j)/NM3(i，j)。閾值階段420d接收局部最大值匕(丨，j)位置和對比度。閾值階段420d應(yīng)用對比度閾值，其中對于輸入圖像特性的給定集合可以憑經(jīng)驗(yàn)選擇，例如與外科閾值的計(jì)算方式類似地計(jì)算該對比度閾值以實(shí)現(xiàn)希望的敏感度。將對比度高于閾值的局部最大位置存儲在峰值列表422d中以便進(jìn)一步的處理。
在后續(xù)的尺度上執(zhí)行類似的峰值檢測和閾值處理以創(chuàng)建附加峰值列表422e、422f 接下來獨(dú)立地檢查每個(gè)峰值列表中的峰值，并且使用高斯濾波器410b的圖像輸出(例如原始圖像的輕微平滑版本)，將其成長為對象以匹配它們的顯而易見的尺寸和形狀。圖5給出了用于顯示對于一個(gè)峰值如何完成這過程的流程圖500。每個(gè)對象作為具有相對對比度的單個(gè)像素峰值來開始。方框502在發(fā)現(xiàn)峰值的尺度相同尺度的平滑圖像中檢查峰值像素的鄰居，并且選擇最亮鄰居以便與該峰值像素一起包括作為對象的一部分。方框504通過將用于被選擇鄰居的對比度增加到鄰居的選擇之前存在的CR中，計(jì)算用于定義的對象的累加對比度CR。方框506然后用新像素的身份和更新的CR來更新對象成員列表。方框508迭代回到方框502中總共Ns次，其中Ns取決于檢測到峰值的尺度，并且其足夠大以描述與該尺度匹配的峰值的總對象成員(因此Ns大致與尺度的平方成正比地增加)。在每個(gè)迭代上，方框502選擇與已經(jīng)包括的像素相鄰的下一個(gè)最亮的像素。在隊(duì)次這樣的迭代之后，由方框506創(chuàng)建的成員列表按照添加順序包括對象成員像素的列表以及在每個(gè)步驟處的累積CR。方框508將控制傳遞到方框510，方框510搜索具有最大CR的成員的成員列表。將對象成員削減到該等級。由于前一個(gè)增長過程往往包括不充分，所以過程500接下來使用擴(kuò)張步驟512提煉對象邊界。參考圖6，描述了被三個(gè)距離對象邊界一個(gè)像素距離的同心圓604、606、608包圍的示例性的對象邊界602。擴(kuò)張步驟512遍歷每個(gè)環(huán)并且在每個(gè)像素處計(jì)算平均強(qiáng)度，并且還遍歷對象的邊界環(huán)602并且計(jì)算平均強(qiáng)度。計(jì)算用于環(huán)604的二階導(dǎo)數(shù)為環(huán)602和606的總計(jì)平均強(qiáng)度，減去環(huán)604的平均強(qiáng)度的兩倍。計(jì)算用于環(huán)606的二階導(dǎo)數(shù)為環(huán)604和608的總計(jì)平均強(qiáng)度，減去環(huán)606的平均強(qiáng)度的兩倍。當(dāng)用于環(huán)606的二階導(dǎo)數(shù)超過用于環(huán)604的二階導(dǎo)數(shù)時(shí)，將環(huán)604增加到對象中，并且該過程重復(fù)(以新環(huán)，未顯示，為了計(jì)算的目的增加)。該過程繼續(xù)直到達(dá)到最大可允許擴(kuò)張為止或者直到對于新增加的環(huán)觀察到二階導(dǎo)數(shù)的減小為止。在擴(kuò)張對象成員以發(fā)現(xiàn)對象的近似最大程度之后，過程500基于成員計(jì)算對象對比度。在一個(gè)實(shí)施方式中，計(jì)算加權(quán)平均強(qiáng)度值，其中，更靠近對象邊界的像素接收較少的平均權(quán)重。用于分配對象邊界距離的一種方法是利用侵蝕函數(shù)。圖7顯示了用于擴(kuò)張對象邊界的示例性侵蝕地圖700。增加用于每個(gè)像素的計(jì)數(shù)器，對象成員(上下左右四個(gè)鄰居中的一個(gè)鄰居不是成員)的邊界處的像素被侵蝕掉。該過程繼續(xù)直到侵蝕全部像素為止，因而像素環(huán)路計(jì)數(shù)器指示與對象邊界的距離。然后如顛倒侵蝕地圖710中所示顛倒該距離，例如如果M是分配給侵蝕地圖700中的像素的最大邊界距離，將顛倒侵蝕地圖值賦值為I =M-D，其中D是地圖700距離并且I是地圖710距離。侵蝕地圖710用于在對比度計(jì)算中加權(quán)像素。在一個(gè)實(shí)施方式中，根據(jù)對于距地圖710的最大邊界距離歸一化的高斯加權(quán)函數(shù)加權(quán)像素，因而距邊界最大距離的像素接收
I
權(quán)重I并且處于邊界處的像素接收權(quán)重最后，過程500的方框516計(jì)算用于對象的更
e 2。
新的加權(quán)的對比度WCR。在一個(gè)實(shí)施方式中，加權(quán)的對比度WCR使用這樣一種分子和這樣一種分母，該分子是用于每個(gè)成員像素的強(qiáng)度值的平均，被高斯加權(quán)函數(shù)加權(quán)，減去附近邊界
10像素的平均，該分母是用于每個(gè)成員像素的鄰居中值的和，被高斯加權(quán)函數(shù)加權(quán)。潛在微鈣化有可能在兩個(gè)或更多個(gè)不同的尺度上形成峰值。為了避免對象列表中的對象的重復(fù)，對于發(fā)生在不同尺度中的對象比較對象位置。針對重疊的像素檢查靠近的對象；當(dāng)兩個(gè)對象的成員像素的交集超過重疊比率(例如與一個(gè)對象相關(guān)的像素的80% )時(shí)，丟棄具有較低的相對對比度WCR的對象。由于過程500中的邊界提煉使用整個(gè)像素環(huán)的平均值來擴(kuò)張對象成員，已發(fā)現(xiàn)多個(gè)對象特征的準(zhǔn)確性可以受益于精細(xì)的邊界提煉。在重復(fù)檢查之后剩余的全部對象因此受到如下進(jìn)一步提煉。圖8顯示了第一階段邊界定義所導(dǎo)致的示意性的粗略的像素等級量化邊界800。精細(xì)的邊界提煉創(chuàng)建邊界點(diǎn)列表810，其中，從量化邊界800 “移動”點(diǎn)，以去除高頻的角，例如創(chuàng)建“平滑”邊界。系統(tǒng)從平滑邊界點(diǎn)列表810計(jì)算法向矢量820的集合，在每個(gè)點(diǎn)計(jì)算一個(gè)法向矢量。然后可以將列表810中的每個(gè)點(diǎn)設(shè)置為最終位置，該最終位置是沿法向矢量的5個(gè)可能的位置中的一個(gè)位置，該5個(gè)可能的位置是距起始平滑位置0、+0. 5,+1,-0. 5或-I個(gè)像素?；谘胤ň€測量的最大二階導(dǎo)數(shù)來確定所選擇的最終位置830。在上述潛在微鈣化檢測階段連同圖像中的對象程度的描述一起向系統(tǒng)提供該圖像中感興趣對象的描述之后，可以在各種分組中分級并且評估對象，以檢測并且分級微鈣化的簇。優(yōu)選地，檢測級不嘗試排除具有顯著信噪比的可視(對于檢測算法)的對象，因而將大量不同類型的可分級對象(如果在該圖像中存在)傳遞到該系統(tǒng)。雖然可以將對象程度描述為圖像遮罩或者像素列表，但是優(yōu)選的對象程度描述是邊界點(diǎn)列表，具有子像素精確度，如圖10中所顯示的示例性對象1000中所顯示的。要理解，可以使用像素內(nèi)插來獲得系統(tǒng)需要的任意給定點(diǎn)處的圖像。還優(yōu)選地對輸入圖像進(jìn)行采樣并且再采樣，如果有必要，到與訓(xùn)練圖像集合(下文將進(jìn)一步描述的)相同的分辨率。在一個(gè)實(shí)施方式中，輸入分辨率是40微米/像素。圖9包括用于根據(jù)一個(gè)實(shí)施方式的總體分級的方框圖900。首先由特征計(jì)算階段910接收用于圖像的對象列表，特征計(jì)算階段910計(jì)算用于每個(gè)對象的特征集合。第一分級階段920接下來向每個(gè)對象分配6個(gè)概率，6個(gè)不同的對象類型中的每個(gè)對象類型一個(gè)概率。接下來，概率繪圖階段930基于從分級階段920獲得的概率，創(chuàng)建平滑的概率對位置圖像。第二分級階段940向每個(gè)對象分配5個(gè)概率，5個(gè)不同的對象類型中的每個(gè)對象類型一個(gè)概率。對象成簇階段950將具有潛在惡性腫瘤的一些指示并且靠近的對象聚集在簇中。對于每個(gè)簇，簇特征計(jì)算階段960計(jì)算用于該簇的特征。最后，第三分級器970確定簇是惡性的概率。第一分級階段基于如方框910中所計(jì)算的每個(gè)對象的單獨(dú)的特征，向每個(gè)對象分配6個(gè)概率。在一個(gè)實(shí)施方式中使用的單獨(dú)的特征如下對比度、縱橫比、寬度、不變凸性、邊緣變化和脊比率。將依次描述它們中的每一個(gè)。對比度是基于局部強(qiáng)度和噪聲統(tǒng)計(jì)的特征。在輸入圖像上計(jì)算二維高斯拉普拉斯(LoG)濾波器，其中高斯平滑標(biāo)準(zhǔn)偏差是35微米。通過計(jì)算圍繞該對象的鄰居中的中值絕對LoG濾波器輸出NM，獲得平均噪聲圖像。通過求對象邊界1000中的平滑圖像強(qiáng)度的平均并且減去剛好在邊界1000外部的平滑平均強(qiáng)度值，計(jì)算用于該對象的平均相對對比度C。在一個(gè)實(shí)施方式中，加權(quán)對象邊界1000中的圖像強(qiáng)度，因而在計(jì)算中靠近邊界的像素得到更少權(quán)重。將對比度CR定義為C/匪?？v橫比是對象的延長的測量。在一個(gè)實(shí)施方式中，對于該對象，對于每個(gè)邊界點(diǎn)，從該點(diǎn)處的邊界的法線，到該對象的相對邊緣，進(jìn)行寬度測量。圖11示出了示例性對象邊界1000中的5個(gè)點(diǎn)的該測量1101-1105。在一個(gè)實(shí)際實(shí)施方式中，將對該對象進(jìn)行21個(gè)測量，21個(gè)邊界點(diǎn)中的每個(gè)邊界點(diǎn)一個(gè)測量，為了清楚起見僅顯示了 5個(gè)?？v橫比AR使用兩個(gè)寬度測量，中值寬度MED和最大寬度MAX，其中，將AR定義為MAX/MED。將第三特征寬度W定義為MED。不變凸性是對象形狀的復(fù)雜度的度量。如圖12中所述，構(gòu)造凸包以包圍對象形狀1000。當(dāng)不變凸性I被定義為A0/ACH時(shí)，其中AO是被邊界1000包圍的對象的面積并且ACH是凸包的面積，不變凸性I對于凸起的對象具有最大值I。在三維的實(shí)施方式中，可以將三維凸包分割成上包和下包。當(dāng)不變凸性I被定義為VCH/V0時(shí)，其中VO是被下包包圍的對象的體積并且它的強(qiáng)度值是1000，并且VCH是凸包的體積，不變凸性I對于凸起的對象具有最小值I。應(yīng)該注意到，實(shí)現(xiàn)可以利用最小或最大值。例如，在上文給出的實(shí)施方式中，二維實(shí)例提供O到I之間的值，因而獲得最大值I。在三維實(shí)施方式中，使用顛倒等式，因而獲得I到無限之間的值。邊緣變化EV是對象邊緣的“紋理”的度量。通過計(jì)算與邊界正交的剛好在對象內(nèi)部的點(diǎn)與剛好在對象的外部的點(diǎn)之間強(qiáng)度差，得到原始差度量Al。圖13示出了在示例性對象邊界1000中的5個(gè)點(diǎn)的測量1301-1305。在實(shí)際實(shí)施方式中，將對該對象進(jìn)行21次測量,21個(gè)邊界點(diǎn)中的每個(gè)邊界點(diǎn)一個(gè)測量,為了清楚起見僅顯示了 5個(gè)。通過該差ΔΙ的絕對平均來歸一化該差Λ I，將邊緣變化EV定義為歸一化的差的標(biāo)準(zhǔn)偏差。脊比率RR是對于對象并且對于剛好在該對象外部的區(qū)域觀察的曲率的差的測量。如果對象曲率與它的鄰居沒有顯著差異，則其可以指示沿總體明亮的脊的強(qiáng)度略微升高的區(qū)域，如可以對于血管微鈣化發(fā)生的那樣。如圖14中對于對象邊界1400所示，考慮相隔11. 25度的8個(gè)方向(標(biāo)記了第一測量方向1401)。在該8個(gè)方向的每個(gè)方向上，計(jì)算9個(gè)采樣點(diǎn)，其中中點(diǎn)位于對象的質(zhì)心，并且其他9個(gè)點(diǎn)在面向當(dāng)前方向的3x3網(wǎng)格中展開。在一個(gè)實(shí)施方式中，除了質(zhì)心之外的每個(gè)點(diǎn)應(yīng)該完全位于邊界1400外部。9個(gè)點(diǎn)就位，沿線02「026計(jì)算6個(gè)二階導(dǎo)數(shù)。將一個(gè)脊比率定義為
1I
-(D21 + D23)/D22并且將其他脊比率定義為一 +如果
2， 2 。
這些比率中的任意一個(gè)大于目前為止對于該對象觀察的最大比率，則將對象脊比率RR設(shè)置為該值。在檢查了全部8個(gè)方向之后，特征RR將表示16個(gè)測量的最大值。接近零的值指示該對象更有可能不是延伸脊的一部分，而接近I的值指示該對象非?？赡苁茄由旒沟囊徊糠帧Ｔ谟?xùn)練階段，在包括大量有或沒有指示惡性腫瘤的微鈣化的放射線圖像的訓(xùn)練集合上運(yùn)行相同的對象檢測過程和特征計(jì)算器。人工交互式分級使用一個(gè)或多個(gè)用訓(xùn)練來解釋放射攝影圖像個(gè)體指示在訓(xùn)練集合中發(fā)現(xiàn)的每個(gè)對象的鈣化的類型。在一個(gè)實(shí)施方式中，可能的鈣化類型包括惡性、良性、透明、血管、刮痕(膠片處理假象)和組織(不是鈣
12化)。通過使用訓(xùn)練集合對象、特征和人工輸入分級事實(shí)，計(jì)算概率密度函數(shù)(HF)數(shù)據(jù)集
入
口 ο在運(yùn)行時(shí)間，向第一分級器920輸入對于每個(gè)對象計(jì)算的6個(gè)對象特征。分級器920咨詢PDF數(shù)據(jù)集合并且基于訓(xùn)練數(shù)據(jù)特征分布6個(gè)對象特征輸出6個(gè)概率
Pmci對象是惡性微鈣化的概率
Pbc對象是良性微鈣化的概率
Plc對象是透明微鈣化的概率
Pvc對象是血管微鈣化的概率
P SCRATCH對象疋月父片假象的概率
Ptissue對象不是微鈣化或假象的概率一些對象特征集合可以完全地指示單個(gè)對象類型，而其他特征集合可以產(chǎn)生更模糊的分級(即對于多種類型的對象觀察到類似的特征集合)。因此，在一個(gè)實(shí)施方式中，將單對象概率饋入到第二分級階段，在第二分級階段中對象分級可能受到相鄰對象的單對象分級的影響。圖15示出了在第二分級階段中使用的概率圖形的生成。具體的示例性子圖像1510包括在子圖上如所示分布的9個(gè)對象P1到P9 (如這里所述處理整個(gè)圖像，其中為了清楚起見顯示子圖)。概率圖形生成930 (圖9)創(chuàng)建4個(gè)對應(yīng)的地圖，Pm。地圖1520、PB。地圖1530、P〖地圖1540和？％地圖1550。最初將每個(gè)地圖清零。在每個(gè)地圖中，在與對象P1相對應(yīng)的位置處，記錄從分級器920獲得的各自的分級器概率PKl、PBel、P^、PTCl。對于對象P2到P9重復(fù)該過程。在生成對象概率圖形之后，向每個(gè)圖形1520、1530、1540和1550應(yīng)用高斯平滑和歸一化1560，以產(chǎn)生對應(yīng)的平滑概率圖形1522、1532、1542和1552。在每個(gè)平滑概率圖形中，不僅由其自己的第一分級器值而由其他局部對象的第一分級器值告知該給定對象位置，其中，貢獻(xiàn)基于概率和距離。對于平滑一個(gè)備選是對于每個(gè)對象在它的位置處計(jì)算來自每個(gè)其他對象(或者有效距離之內(nèi)的每個(gè)對象)概率、距離(由與平滑函數(shù)等效的高斯函數(shù)加權(quán))的貢獻(xiàn)。使用對象位置和平滑概率圖形1522、1532、1542和1552來提取用于每個(gè)對象值的4個(gè)特征，如從4個(gè)圖形上的對應(yīng)位置讀取的。這4個(gè)特征是圍繞每個(gè)對象的鄰居的指示。例如當(dāng)大量靠近對象具有高的惡性腫瘤概率時(shí)，這增加緊鄰區(qū)域中的全部對象的惡性腫瘤特征。將來自平滑概率圖形的4個(gè)特征輸入到第二分級器940。與第一分級器920類似，分級器940依賴于從訓(xùn)練集合獲得的PDF數(shù)據(jù)。分級器940輸出5個(gè)等級的概率Pmc2惡性微鈣化的概率
Pbc良性微鈣化的概率
Plc透明微鈣化的概率
Pvc血管微鈣化的概率
Pother 對象不是L述之一■的概率簇操作950基于物理鄰近將對象分組在一起。對于參與成簇的對象，它的兩個(gè)惡性微鈣化概率PkI和Ρκ2必須基于希望的敏感度滿足閾值要求。例如，圖16顯示了圖像1600的線條圖，用于說明滿足該閾值的檢測微鈣化對象的位置。下方顯示了放大的子圖像1606。在一個(gè)實(shí)施方式中，通過將在彼此最小距離之內(nèi)的閾值處理的對象結(jié)合在一起，首先形成迷你簇。例如，依次檢查未成簇的對象，形成迷你簇，其中其他未成簇對象位于近似Imm的半徑之內(nèi)。在子圖像1606中，迷你成簇導(dǎo)致3個(gè)簇，標(biāo)記為I、II和III。接下來，將迷你簇作為獨(dú)立的對象位置來看待，以便創(chuàng)建可能更大的簇。例如從具有最大數(shù)量的對象的迷你簇(子圖像1606中的迷你簇I)開始，檢查例如近似5mm，并且結(jié)合位于更大的半徑之內(nèi)的任意迷你簇或?qū)ο?子圖像1606中對象IV)。檢查新簇的5mm半徑，導(dǎo)致簇2也被結(jié)合，并且以此類推，導(dǎo)致對象V的結(jié)合并且然后圖16中的簇III。在成簇中的每個(gè)步驟處，由簇的成員并且由包括該成員的凸包描述簇。凸包1604顯示了對于子圖像1606中簇最終達(dá)成的最終外殼。圖像描述1620顯示了對于整個(gè)圖像選擇的簇。在成簇之后忽略任意未成簇的對象。簇特征計(jì)算任務(wù)960計(jì)算在最終分級器階段970 (圖9)中將要使用的特征。在一個(gè)實(shí)施方式中使用的簇特征如下對象的數(shù)量、局部凹包的縱橫比、局部凹包的寬度、最大間距、反惡性腫瘤值、反良性腫瘤值、反透明值和兩個(gè)胸部坐標(biāo)X和y。將依次描述每個(gè)特征。對象的數(shù)量η是自描述性特征。隨著形成每個(gè)簇，系統(tǒng)保持簇成員的計(jì)數(shù)，其中在成簇的結(jié)束將對于每個(gè)簇包括η。局部凹包的縱橫比使用與在成簇操作期間用于描述簇的多邊形不同的多邊形。參考圖17,多邊形1700表示在對象的簇的周圍形成的凸包(表示為X’ S)。如果順時(shí)針遍歷該凸包，則該凸包是包圍全部對象的最小多邊形并且不用左轉(zhuǎn)就可以被遍歷。對于縱橫比特征計(jì)算，從多邊形1700形成局部凹入的多邊形1710。通過增加位于多邊形1700中但是靠近邊界定義的邊緣的對象使得多邊形1710局部凹入。例如，對象1712位于對象1714與1716之間。多邊形1710破壞多邊形1700用于連接對象1714和1716的線段并且用兩個(gè)線段來代替它，一個(gè)線段連接對象1712和1714并且另一個(gè)線段連接對象1712和1716。可以被破壞以增加凹入的各種約束如最大凹入角度或最小線段長度可用于控制所獲得的效果。從多邊形1710計(jì)算縱橫比特征。特征計(jì)算器找到多邊形的第二力矩(在該實(shí)施方式中被面積而不是被對象位置加權(quán))，將第二力矩的特征值的比率(最大除以最小)定義為簇的縱橫比。也從多邊形1710計(jì)算局部凹包的寬度。找到跨越多邊形1710的最大距離。將該
寬度定義為與最大距離矢量垂直的最小寬度。最大間距特征著眼于簇中的相鄰對象對。在該情況中可以通過將簇中的最接近的兩個(gè)對象指定為鄰居，將接下來兩個(gè)最接近的對象指定為鄰居以此類推直到由鄰居樹連接簇中的全部對象為止，來確定“相鄰”。在該過程中進(jìn)行的最終連接的長度是最大間距特征。從自第二階段分級器輸出的獨(dú)立的對象概率計(jì)算接下來三個(gè)特征反惡性腫瘤值、反良性腫瘤值和反透明值。例如對于η個(gè)對象，由第二階段分級器向每個(gè)對象指定惡性腫瘤概率PM(i)，將反惡性腫瘤值INVk定義為如下
權(quán)利要求
1.一種用于檢測圖像中的異常的方法，所述方法包括 卷積數(shù)字圖像以創(chuàng)建處于不同尺度的多個(gè)第一卷積圖像； 卷積所述多個(gè)第一卷積圖像中的每個(gè)第一卷積圖像，由此創(chuàng)建多個(gè)第二卷積圖像，所述多個(gè)第一卷積圖像中的每個(gè)第一卷積圖像和所述多個(gè)第二卷積圖像中對應(yīng)的第二卷積圖像對應(yīng)于多個(gè)階段中的相應(yīng)階段； 創(chuàng)建多個(gè)外科遮罩，每個(gè)外科遮罩至少部分地基于當(dāng)前階段的所述多個(gè)第二卷積圖像中的一個(gè)第二卷積圖像和來自前一階段的所述多個(gè)第二卷積圖像中的一個(gè)第二卷積圖像； 確定用于所述多個(gè)外科遮罩的每個(gè)像素位置的鄰居中值；以及 至少部分地基于來自所述當(dāng)前階段的所述第二卷積圖像、來自所述前一階段的所述第一卷積圖像和用于所述當(dāng)前階段的所述鄰居中值，識別一個(gè)或多個(gè)峰值。
2.如權(quán)利要求I所述的方法，其中，至少部分地通過使用來自所述前一階段的所述鄰居中值，執(zhí)行至少部分地基于來自所述前一階段的所述多個(gè)第二卷積圖像中的一個(gè)第二卷積圖像創(chuàng)建所述多個(gè)外科遮罩。
3.如權(quán)利要求2所述的方法，其中，至少部分地通過對于所述多個(gè)第二卷積圖像中的相應(yīng)第二卷積圖像的每個(gè)像素將像素相對對比度與閾值進(jìn)行比較，執(zhí)行至少部分地基于來自所述前一階段的所述多個(gè)第二卷積圖像中的一個(gè)第二卷積圖像創(chuàng)建所述多個(gè)外科遮罩。
4.如權(quán)利要求3所述的方法，其中，至少部分地通過將所述當(dāng)前階段的所述的相應(yīng)第二卷積圖像的所述像素值除以前一階段的相同像素位置的鄰居中值，確定所述像素相對對t 匕 。
5.如權(quán)利要求I所述的方法，還包括從更大的尺度中排除在更小的尺度處檢測的峰值。
6.如權(quán)利要求I所述的方法，其中，所述數(shù)字化圖像是縮放圖像。
7.如權(quán)利要求I所述的方法，其中，從一個(gè)尺度到下一個(gè)尺度，標(biāo)準(zhǔn)偏差翻倍。
8.一種用于識別數(shù)字化圖像中的異常的系統(tǒng)，所述系統(tǒng)包括 第一卷積器，用于卷積數(shù)字化圖像、創(chuàng)建第一卷積圖像； 第二卷積器，用于卷積所述第一卷積圖像、創(chuàng)建第二卷積圖像；以及 峰值檢測器，用于接收所述數(shù)字化圖像和所述第二卷積圖像，所述峰值檢測器識別具有峰值的像素。
9.如權(quán)利要求8所述的系統(tǒng)，其中，所述數(shù)字化圖像是在前一階段中由所述第一卷積器卷積的卷積圖像。
10.如權(quán)利要求8所述的系統(tǒng)，還包括耦合到所述峰值檢測器的鄰居中值計(jì)算器，用于提供用于每個(gè)像素的鄰居中值。
11.如權(quán)利要求10所述的系統(tǒng)，還包括耦合到所述第二卷積器和所述鄰居中值計(jì)算器的提取器，所述提取器從所述第二卷積圖像去除像素相對對比度大于閾值的像素，在所述提取器去除所述像素之后，所述鄰居中值計(jì)算器至少部分地使用所述第二卷積圖像。
12.如權(quán)利要求11所述的系統(tǒng)，其中，至少部分地通過將所述當(dāng)前階段的所述相應(yīng)第二卷積圖像的所述像素值除以基于前一階段第二卷積圖像的相同像素位置的鄰居中值，確定所述像素相對對比度。
13.如權(quán)利要求8所述的系統(tǒng)，還包括耦合到所述峰值檢測器用于接收所述像素和對應(yīng)峰值的閾值器，所述閾值器將所述對應(yīng)峰值與閾值進(jìn)行比較。
14.如權(quán)利要求13所述的系統(tǒng)，其中，所述閾值是全局中值絕對偏差的倍數(shù)。
15.一種用于識別異常的計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品具有非瞬態(tài)計(jì)算機(jī)可讀介質(zhì)，所述非瞬態(tài)計(jì)算機(jī)可讀介質(zhì)具有實(shí)現(xiàn)在其上的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序包括 用于卷積數(shù)字化圖像、創(chuàng)建多個(gè)第一卷積圖像的計(jì)算機(jī)程序代碼，每個(gè)所述卷積圖像對應(yīng)于不同的尺度； 用于卷積所述多個(gè)第一卷積圖像中的每個(gè)第一卷積圖像、創(chuàng)建多個(gè)第二卷積圖像的計(jì)算機(jī)程序代碼； 用于確定用于所述多個(gè)第二卷積圖像中的每個(gè)第二卷積圖像的每個(gè)像素的鄰居中值的計(jì)算機(jī)程序代碼；以及 用于基于所述多個(gè)第一卷積圖像中的一個(gè)第一卷積圖像和所述第二卷積圖像中的一個(gè)第二卷積圖像識別峰值區(qū)域的計(jì)算機(jī)程序代碼，所述第二卷積圖像中的所述一個(gè)第二卷積圖像對應(yīng)于通過卷積數(shù)字化圖像并且卷積所述多個(gè)第一卷積圖像中的每個(gè)第一卷積圖像被卷積之后的所述多個(gè)第一卷積圖像中的所述一個(gè)第一卷積圖像。
16.如權(quán)利要求15所述的計(jì)算機(jī)程序產(chǎn)品，其中，所述多個(gè)第一卷積圖像表示高斯模糊圖像。
17.如權(quán)利要求15所述的計(jì)算機(jī)程序產(chǎn)品，其中，所述多個(gè)第二卷積圖像表示拉普拉斯曲率圖像。
18.如權(quán)利要求15所述的計(jì)算機(jī)程序產(chǎn)品，其中，用于確定所述鄰居中值的所述計(jì)算機(jī)程序代碼包括用于排除在前一個(gè)尺度中識別的峰值區(qū)域的計(jì)算機(jī)程序代碼。
19.如權(quán)利要求15所述的計(jì)算機(jī)程序產(chǎn)品，還包括用于從用于確定所述鄰居中值的所述多個(gè)第二卷積圖像中排除像素的計(jì)算機(jī)程序代碼。
20.如權(quán)利要求19所述的計(jì)算機(jī)程序產(chǎn)品，其中，用于排除像素的所述計(jì)算機(jī)程序代碼包括用于將像素相對對比度與所述鄰居中值進(jìn)行比較的計(jì)算機(jī)程序代碼。
全文摘要
提供了數(shù)字化圖像的分析。重復(fù)地卷積該數(shù)字化圖像以形成第一卷積圖像，第二次卷積該第一卷積圖像以形成第二卷積圖像。每個(gè)第一卷積圖像和相應(yīng)的第二卷積圖像表示一個(gè)階段，并且每個(gè)階段表示異常的不同的尺度和大小。作為一個(gè)實(shí)例，第一卷積可以利用高斯卷積器并且第二卷積可以利用拉普拉斯卷積器，但是可以使用其他卷積器。由峰值檢測器將來自當(dāng)前階段的第二卷積圖像和來自前一階段的第一卷積圖像與從來自當(dāng)前階段的第二卷積圖像所確定的鄰居中值一起使用，以檢測該具體尺度的峰值或可能的異常。
文檔編號G06K9/00GK102934126SQ201180028021
公開日2013年2月13日 申請日期2011年4月29日 優(yōu)先權(quán)日2010年4月30日
發(fā)明者J·C·威內(nèi)斯, J·P·莫納科, D·S·哈丁, J·H·派克, A·T·霍, L·M·哈納菲 申請人:沃康普公司