一种基于乳腺磁共振图像的计算机辅助肿块检测方法
【技术领域】
[0001] 本发明涉及医学图像处理与模式识别领域，特别涉及一种基于乳腺磁共振图像的 计算机辅助肿块检测方法。
【背景技术】
[0002] 乳腺癌是一种严重影响妇女身心健康的恶性肿瘤，据资料统计，其发病率占女性 全身各种恶性肿瘤的7-10%。乳腺癌的病因尚未完全清楚，目前也没有较好的预防和治疗 手段。但临床经验表明，乳腺癌能早期患者的治愈率远高于中晚期患者，因此准确的早期诊 断是降低乳腺癌发病率和死亡率的关键。目前医学界诊断乳腺肿瘤的重要依据是乳腺磁共 振图像，但乳腺磁共振图像较为复杂，放射科医生凭借肉眼发现肿块并判断肿块的良恶性， 但使用肉眼观察十分费时费力，使得放射科医生工作效率低且劳动强度大，并且难以获得 满意的诊断结果。
[0003] 随着现代科技的方便与先进，人们开始使用计算机辅助检测（Computer Aided Detection)技术来辅助医生进行乳腺肿块病灶的检测，目前计算机辅助检测技术已经是医 学影像学的其中一个研宄热点。计算机辅助检测通过一系列算法来自动检测出病灶，并将 诊断结果作为"第二意见"提供给放射科医生，放射科医生结合计算机辅助检测的结果进行 最终的判断，可以较好地减少误诊和漏诊的情况。计算机辅助检测提供的结果可以使得放 射科医生重点关注有关病灶的主要信息，因此可提高放射科医生的工作效率并且使其劳动 强度也有所降低。
[0004] 乳腺癌的计算机辅助检测与诊断的目的在于对人眼看不清的病灶的细微结构的 变化进行检测，使得其灵敏度、特异度和诊断准确率的进一步提高。乳腺癌的计算机辅助检 测与诊断主要涉及图像处理方面的知识、机器学习的各种算法以及模式识别的应用等。迄 今为止，最为成熟的乳腺影像分析系统是基于乳腺钼靶X线的CAD系统，该系统包括对于乳 腺X线影像的肿块检测和微钙化检测。基于乳腺钼靶X线的CAD系统也被广泛用于乳腺普 查。除了乳腺钼靶X线的CAD系统，基于磁共振成像的CAD系统在近些年来也被广泛运用 于乳腺的临床影像学检查中，该CAD系统主要是针对乳腺的肿块性病灶。有关磁共振成像 的CAD系统的研宄仍然十分有限，目前在美国市面上只有几种商业用的乳腺磁共振CAD工 具，包括 Invivo Inc 的 DynaCAD、Confirma Inc 的 CADstream 以及 iCAD Inc 的 VADvue 等 等，以上三个系统都能够提供图像显示平台，并显示各种增强磁共振图像的特征参数，以帮 助放射科医生进行进一步的诊断。
[0005] 为了更好地完善乳腺癌的计算机辅助检测系统，人们致力于对乳腺肿块病灶的肿 块检测算法研宄，人们不断地将计算机视觉、模式识别、机器学习等相关领域的多种技术和 方法应用到乳腺肿块区域的检测中。目前应用于乳腺肿块病灶分割的算法有图像形态学、 区域生长算法、分水岭算法、小波变换算法、基于聚类的算法、基于能量模型的算法等。通过 上述技术的应用，计算机辅助检测系统功能更为完善，检测能力大为提高。但是目前的计算 机辅助肿块检测系统还有一些不尽人意之处，具体为：肿块的分割效果不佳，分类实验中准 确率、灵敏度跟特异度不高，妨碍了放射科医生得出最后的诊断结果。
【发明内容】
[0006] 为解决现有技术下肿块的分割效果不佳，以及分类实验中准确率、灵敏度跟特异 度不高的问题，本发明提供了一种基于乳腺磁共振图像的计算机辅助肿块检测方法，该检 测方法对肿块有良好的分割效果，有效提高了分类实验中准确率、灵敏度跟特异度，将检测 结果作为"第二意见"提供给放射科医生，可有效降低医生的误诊率和漏诊率。
[0007] 上述发明目的通过以下技术方案来实现：
[0008] 一种基于乳腺磁共振图像的计算机辅助肿块检测方法，包括以下步骤：
[0009] S1、对乳腺磁共振图像进行感兴趣区域提取；
[0010] S2、在所述感兴趣区域中提取分割出初始肿块区域，并确定所述初始肿块区域轮 廓线；
[0011] S3、计算所述初始肿块区域特征参数的权重分布；
[0012] S4、选取权重系数大于基准权重系数的所述初始肿块区域特征参数进行分类训练 以获取优化特征参数；
[0013] S5、将所述优化特征参数输入分类器中，利用支持向量机分类方法对其进行分析， 确定最终肿块区域并显示给用户。
[0014] 更进一步的，提取所述感兴趣区域的具体步骤是：
[0015] S11、预处理所述乳腺磁共振图像得到预处理图像；
[0016] S12、提取乳房外轮廓线；
[0017] S13、提取胸壁线；
[0018] S14、结合所述乳房外轮廓线和胸壁线进行图像重构以获取所述感兴趣区域。
[0019] 更进一步的，所述Sll中预处理所述乳腺磁共振图像的具体步骤是：
[0020] Slll、进行图像二值化处理，
[0021] S112、进行形态学开运算；
[0022] S113、进行形态学闭运算；
[0023] S114、进行孔洞填充；
[0024] S115、提取最大连通区域输出以获取所述预处理图像。
[0025] 更进一步的，所述S12中提取乳房外轮廓线的具体步骤是：
[0026] S121、使用边缘算子提取乳房外轮廓线；
[0027] S122、对所述乳房外轮廓线进行多项式拟合。
[0028] 更进一步的，所述S13中提取胸壁线的具体步骤是：
[0029] S131、对所述预处理图像依次进行sobel滤波处理、中值滤波处理及归一化处理 以获取二次处理图像；
[0030] S132、根据所述乳房外轮廓线获取初始胸壁线；
[0031] S133、结合所述二次处理图像对初始胸壁线进行基于梯度向量场的snake迭代；
[0032] S134、进行多项式拟合获取所述胸壁线。
[0033] 更进一步的，所述S14中提取感兴趣区域的具体步骤是：
[0034] S141、输入所述乳房外轮廓线和所述胸壁线；
[0035] S142、剔除所述胸壁线右侧区域；
[0036] S143、进行高斯滤波处理；
[0037] S144、进行二值化处理；
[0038] S145、进行形态学重构处理；
[0039] S146、提取最大连通区域；
[0040] S147、判断胸壁线是否与所述肿块相交；
[0041] 如果判断结果为是，将所述胸壁线右移并回到所述S142继续执行；
[0042] 如果判断结果为否，继续进行下一步；
[0043] S148、判断肿块是否存在；
[0044] 如果判断结果为否，输出肿块不存在；
[0045] 如果判断结果为是，输出所述感兴趣区域。
[0046] 作为一种实施例，所述S2中利用模糊C均值聚类方法提取所述初始肿块区域轮廓 线，所述模糊C均值聚类方法的具体步骤是：
[0047] S21、输入所述感兴趣区域；
[0048] S22、进行邻域抑制操作；
[0049] S23、进行高斯去噪滤波操作；
[0050] S24、进行直方图均衡化操作；
[0051] S25、进行模糊C均值聚类操作；
[0052] S26、获取二值化图像；
[0053] S27、进行孔洞填充操作；
[0054] S28、去除小区域并输出即获取所述初始肿块区域轮廓线。
[0055] 作为一种实施例，使用基于梯度向量场的snake能量模型分割方法对所述初始肿 块区域轮廓线进行二次分割提取以获得优化的所述初始肿块区域轮廓线。
[0056] 作为一种实施例，所述S2中利用基于Chan-Vese的水平集分割方法提取所述初始 肿块区域轮廓线，所述基于Chan-Vese的水平集分割方法的具体步骤是：
[0057] S2a、输入所述感兴趣区域；
[0058] S2b、进行邻域抑制操作；
[0059] S2c、进行高斯去噪滤波操作；
[0060] S2d、进行直方图均衡化操作；
[0061] S2e、输出优化感兴趣区域；
[0062] S2f、利用所述优化感兴趣区域进行Chan-Vese水平集求解以获取目标肿块区域 轮廓线；
[0063] S2h、判断所述目标肿块