专利名称：自动检测医学图像中的病变的方法和系统的制作方法
技术领域：
本发明通常涉及计算机处理医学图像的领域。尤其，本发明涉及辨别医学图像中的组织层、自动检测医学图像中的病变、以及标准化医学图像的像素灰度。
背景技术：
在许多国家，将癌症视为死亡的主要原因。人们通常认为，癌症的前期检测和诊断，和因此癌症的早期治疗有助于降低死亡率。已经开发了检测和诊断癌症，例如，乳腺癌、 子宫癌、以及前列腺癌的各种成像技术。例如，当前检测和诊断乳腺癌的成像技术包括在其他技术中的乳房X摄像、MRI (核磁共振成像)、以及超声波扫描。超声波扫描是基于超声波的成像技术，并且通常用于使身体软组织的成像。通常， 将传感器用于扫描病人的身体。通过由传感器所接收到的超声波回声生成身体组织和器官的超声波(UQ图像。通常，将形状、轮廓、成像肿瘤的边缘、以及回音强度的特征描述符用于诊断医学超声波图像。超声波扫描已经在良性和恶性肿瘤的分类中示出为有效成像手段。然而，放射科医生的经验通常在正确诊断超声波图像中发挥重要作用。通过富有经验的专家所达到的灵敏度和消极预测值可能不一定是通过缺少经验的放射科医生可达到的。而且，扫描技术对识别恶性和良性病变的特征的数量和质量具有较大影响。这种较大影响在具有不同级别的经验的放射科医生中还促成对超声波图像的不一致诊断。另外，通过绝对强度的变化，对超声波图像的一致分析进一步复杂化。主要由于在图像获取期间通过硬件操作者所配置的诸如增益系数的操作相关变量，组织类型的绝对强度在不同超声波图像之间变化较大。增益系数在确定从组织回音强度到灰度像素亮度的映射中发挥重要作用。通过不同操作者所配置的增益系数的设置可能在扫描之间变化较大， 因此，使超声波图像的一致分析更困难。另一操作相关设置，时间增益控制(TGC)设置也与超声波图像的总增益系数密切相关。TGC调节回音强度到强度映射作为组织深度的函数。通常通过像素y坐标来表示组织深度。缺少一致的TGC设置、或者一致补偿不一致的TGC设置，对于一致和统一的图像分析提出了另一难题。为了克服对操作相关性的影响和改善乳房超声波的诊断性能，已经开发了计算机辅助诊断(CAD)系统。CAD系统的一个功能是通过将基于计算机的图像处理算法应用于图像来自动检测和界定超声波图像中的可疑区域。由于超声波图中的大量镜面噪声和组织结构伪像，这是非常艰巨的任务。可变图像获取条件甚至使一致图像分析更困难。其他难题包括在超声波图像中的正常解剖结构的类肿瘤外观库柏氏韧带、腺组织、以及皮下脂肪在正常乳房解剖结构范围内，这些正常乳房解剖结构通常具有许多与真正病变相同的回声和形态特征。本发明的目的是至少缓和或排除上述难题之一。
发明内容
本发明涉及辨别医学图像中的组织层、自动检测医学图像中的病变、以及标准化医学图像的像素亮度。本发明提供了用于处理医学图像的系统和方法。首先，利用包括皮下脂肪的控制点组织的像素强度标准化输入医学图像。通过标准化图像生成聚类的密度映射和恶性概率映射，并且进一步进行分析，从而识别普通的内部特征区域、或可能指示病变的斑点。对这些斑点进行分析并且进行分类，从而将可能真正的病变与在医学图像中通常看到的其他类型的非恶性肿瘤的进行区分。在本发明的一方面，提供了识别超声波医学图像中的可疑病变的方法。该方法包括计算在医学图像中的皮下脂肪像素的估算的典型脂肪密度值；利用在标准化脂肪强度值和典型脂肪强度值之间的映射关系由医学图像的像素值计算标准化灰度像素值，从而获得标准化图像；识别形成独特区域的标准化图像中的像素，每个独特区域具有一致的内部特征；从独特区域的每个中提取描述特征；分析每个独特区域的所提取的描述特征和将为病变的每个独特区域的似然值分配给每个独特区域；以及识别具有满足预先确定的标准作为病变候选的似然值的所有独特区域。在本发明的另一方面，提供了一种系统，用于自动识别可能对应于病变的医学图像中的区域。该系统包括强度单元，将该强度单元配置为通过在医学图像中的像素值计算在医学图像中的控制点组织的估算强度；和标准化单元，将该标准化单元配置为生成在输入像素和标准像素之间的映射关系，并且根据映射关系将灰度像素值变换为标准化像素值，从而获得标准化图像；映射生成单元，映射生成单元将参数值分配给在输入图像中的每个像素，从而生成参数映射；斑点检测单元，将斑点检测单元配置为检测和界定参数映射中的斑点；特征提取单元，将特征提取单元配置为检测和计算检测的斑点的描述特征；以及斑点分析单元，该斑点分析单元通过斑点的描述特征计算该斑点为恶性的估算的似然值， 并且将该似然值分配给该斑点。在另一方面，提供了估算在数字或者数字化医学图像中的组织的灰度级强度。该方法包括以下步骤将聚类运算应用于医学图像的像素的强度值，从而将强度值分类为独特强度聚类；将独特强度聚类之一识别为与组织相对应的强度聚类；通过强度聚类的像素的灰度级强度估算灰度聚类的典型的灰度级强度值；以及将典型的灰度级强度分配给组
在本发明的另一方面，提供了一种处理超声波乳房图像的方法。该方法包括以下步骤构造乳房的分层模型，模型的每对相邻层限定在每对相邻层之间的边界表面；根据多幅样本超声波乳房图像校准该模型，人工分割多个样本超声波乳房图像中的每个，从而识别样本超声波乳房图像的边界表面，该校准模型包括参数化表面模型，每个参数化表面模型包括与尺寸参数的离散值相对应的边界表面查询表(LUT)集合；接收超声波乳房图像的尺寸参数的估算值；通过参数化表面模型建立与尺寸参数的估算值相对应的新表面模型，该新表面模型包括与尺寸参数的估算值相对应的计算边界表面(LUT)的集合；并且通过新表面模型的计算边界表面(LUT)的集合计算边界表面的估算位置，从而识别超声波乳房图像中的主层的像素。在本发明的又一方面，提供了一种识别超声波乳房图像中的病变的方法。该方法包括计算分离主层组织的表面的估算位置，该主层组织包括乳腺区中的组织；识别乳腺区中的像素；构建用于乳腺区中的每个像素的像素特征向量(PCV)，该PCV至少包括每个像素的相邻特征，对于乳腺区中的每个像素，通过每个像素的PCV计算恶性概率值；将恶性概率值分配给每个像素，并且如果其分配的恶性概率值大于阈值，则将像素识别为可能病变值；并且报告所有可能病变像素的相邻区域作为可能病变。在另一方面，本发明提供了上述方面的各种组合和子集。
为了描述，而不是限定，参照附图更详细地描述了本发明的前述方面和其他方面， 其中图1为示出自动分割医学图像并且检测可能病变的程序步骤的流程图；图2示出了用于处理和诊断医学图像以及用于实施在图1中所示的程序的CAD系统的示意性功能元件；图3示出了自动分割医学图像并且将分割肿瘤分类为病变候选和非重要区域的另一程序的步骤；图4包括图如，示出了在应用降噪算法以前的输入图像；以及图4b，示出了平滑图像。图5示出了自动检测医学图像中的皮下脂肪的平均脂肪强度的程序的步骤，该平均脂肪强度用于图1和图3所示的程序中的标准化步骤；图6示出了乳房超声波图像的典型结构；图7为示出估算乳房图像中的主要组织层的位置的方法步骤的流程图；图8示出了在立体图中的乳腺区深度(MZD)值的变化的实例；图9a示出了在立体图中的模型MZD表面的实例，图9b示出了在图9a中所示的实例模型MZD表面的二维剖面；图10包括图10a，示出了在应用标准化运算以前的超声波输入图像；以及图 10b，示出了标准化图像；图11示出了用于在8位图像中的相应控制点组织的像素强度值的灰度级映射；图12为示出生成恶性映射图的程序步骤的流程图；图13为示出自动分割医学图像并且将所分割的肿瘤划分为病变候选和非重要区域的备选程序的步骤的流程图。
具体实施例方式作为说明本发明的原理的特定实施例的实例、或多个实例，提供了以下描述和本文所述的实施例。为了说明，提供了这些原理和本发明的实例，但不是为了限定。在以下描述中，在整个说明说和全部附图中，通过相同的各个参考数字来标示相同的部件。本发明通常涉及处理医学图像的系统和方法。具体地，本发明涉及检测超声波医学图像中的病变候选。在一实施例中，将图像处理程序的序列应用于输入图像，例如，单幅乳房超声波图像(或者音量数据设置)，从而检测每个病变候选并且对其进行分类，该病变候选可能需要
8进一步诊断复审。图1为提供程序100的概述的流程图。作为预备步骤110，首先接收用于处理的输入图像(或音量)。可以从图像存档设备取回输入图像，例如，数字成像和医学存档文件的通信(DICOM)，其中，该图像存档设备存储和提供通过成像系统所获取的图像。还可以直接从诸如超声波探头的图像获取装置接收输入图像。可以和图像数据一起取回获取参数。获取参数包括硬件参数，例如由于在不同厂商的超声波变换器(transducer)设备之间的变化所导致的该硬件参数，该硬件参数包括深度和变换器频率；和这些操作参数，例如技术专家设备或获取设置，操作参数的实例包括变换器压力和时间增益补偿。当实时处理通过成像系统所获取的图像时，可以从如在DICOM标准中限定的或者直接通过图像数据传输的数据头中提取这些硬件参数和操作参数。在该预备步骤110之后，程序100包括降噪，例如，噪声去除或噪声降低步骤120， 从而从输入图像中去除或降低噪声。例如，可以通过将保边扩散算法应用于输入图像，来去除或降低噪声。可以将这种算法用于从图像中去除或降低噪声，同时保持和优选地，增强图像中的对象的边缘。接下来的步骤用于标准化(步骤130)图像强度。如本领域中的技术人员所公知的，通过大多数医学成像手段的硬件设备所产生的像素强度通常经受由图像获取硬件的变化所产生的不一致性。这些像素强度在超声波图像获取期间还经受通过硬件操作者所应用的获取技术(例如，通过操作者所选择的增益系数)的不一致性。期望降低这些不一致性。 降低不一致性的一种方法是选择特征良好的、共同的组织类型(例如，一致可见的皮下脂肪组织)作为控制点，并且标准化与该控制点相关的图像强度。理想地，根据通过输入图像所确定的或者动态测量的控制点组织的典型强度标准化这些强度。控制点，或者控制点组织的典型强度建立从输入组织类型至输出强度的映射函数。控制点的一个实例为所计算的皮下脂肪的平均强度值，将该平均强度值映射到输出动态范围的中点。皮下脂肪一向位于非常接近乳房超声波(BUS)图像的顶部的皮肤线以下。对于BUS图像来说，认为皮下脂肪是强度标准化的可靠控制点组织。其他成像元素通常选自，但不限于器官组织，例如，无回音囊肿、皮肤软组织、纤维腺体组织、以及钙化点，可以选择这些图像元素作为控制点。在诸如前列腺或甲状腺的器官中，在不可能一直存在明显的皮下脂肪的情况下，为了标准化，备选组织类型可以是总是可见的。可以将这些备选控制点组织用于说明典型(typical)的解剖结构，通常可以在其他成像器官中找到该典型的解剖结构。标准化为像素值从其各个初始值到其标准化值的映射，S卩，根据在初始值和标准化值之间的映射关系将其各个初始值变换为其标准化值。可以根据基于平均脂肪强度的映射关系标准化图像。选择预期皮下脂肪位于的图像区域，然后，例如通过将强度聚类 (clustering)算法应用于所选择的区域来计算皮下脂肪的强度值。可以将诸如k均值算法的鲁棒聚类算法用于计算皮下脂肪的强度的估算值。其他鲁棒聚类算法包括在R. 0. Duda 于2001年的“图案分类”，John Wiley & Sons Inc.，中所述的模糊c平均值或者期望最大聚类技术。聚类算法生成以像素强度分组的大量聚类。识别与皮下脂肪相对应的聚类，从而使得可以通过所识别的聚类中的像素的像素值计算平均脂肪强度，作为典型脂肪强度。可以建立用于标准化输入图像的映射关系，从而使得脂肪组织的灰度级表现为中等灰度。这建立了变换通过聚类算法所计算的典型脂肪强度的映射关系。根据映射关系将表示其他组织或成像对象的像素的强度值从其各个输入值变换为标准值。该步骤的输出为“脂肪强度标准化图像”。可以包括其他控制点组织。可以方便地建立从控制点组织的检测强度到其各自标准化强度的映射。可以将具有适当插值的映射关系用于标准化图像，并且生成更一致的标准化图像。标准化图像的图像强度提供了在强度和组织回音强度之间的更一致的映射。接下来，处理标准化图像，从而检测相邻像素的独特区域，或者“斑点”，这些区域或者斑点具有一致的或类似的内部强度特征(步骤140)。可以应用检测斑点的不同方法。 通常，首先，一种方法对于所选择的参数生成参数映射，即，在图像的每个像素处的参数值的空间变化。然后，将具有满足某种标准(例如，超过阈值、低于阈值、或者在预先确定的范围内)的参数值并且形成独特区域的相邻像素识别为属于斑点，其中，每个独特区域为所检测到的斑点。选择参数，使得产生的映射，特别是，所检测到的斑点，将辅助检测病变或者其他下层组织结构。一种映射是基于脂肪标准化图像的灰度像素强度值的强度映射。在这种映射中的斑点对应于像素的强度聚类，其中，基于公认的相关回音强度，可以将像素划分为组成乳房的乳房组织的相应分类。如稍后将描述的，可以选择其他参数，从而生成其他参数映射。方便地，可以将BI-RADS图谱用于将潜在病变的回音强度分类为若干种类之一1.无回声没有内部回声，像黑洞2.低回声针对脂肪所限定的，在整个区域中以低水平回声为特征3.中回声具有与脂肪相同的回声强度4.强回声关于脂肪或者等于纤维腺体组织的增强的回声强度5.复合波具有低回声(囊肿)和有回声(固体)成分可以基于这些灰度像素值，将聚类算法应用到聚类像素的密度映射。例如，所产生的聚类可以描绘密度映射中的区域，这些区域对应于上述各种BI-RADS种类。该程序通常生成相邻像素的大量聚类或区域，即，分离图像区域，其某些强度在潜在病变的范围内。将这些区域或形状中的每个识别为“密度斑点”。如上所述，除了基于灰度像素强度值的密度映射以外，可以使用其他参数。一种这样的其他参数是为恶性像素的概率值。对于每个像素，计算为恶性的像素的概率值，然后将该概率值分配为该像素。这产生恶性概率映射。稍后将详细描述生成恶性概率映射的方法。可以将具有大于阈值，诸如75%或者某个其他适当值的恶性概率的像素分组为分离区域。将这些分离的区域中的每一个识别为“恶性斑点”。不是所识别的所有斑点都是真正的病变。某些斑点可能为假阳性病变候选，而不是真正病变。为了减少假阳性病变候选的数量，在步骤150中实施基于特征的斑点分析。稍后将提供基于这种特征的分析的细节。简单地说，估算每个斑点的描述符从而量化每个斑点的特征。这些描述符通常涉及诸如形状、定位、深度、相对于其局部背景的斑点对比度的特征，还涉及全局皮下脂肪强度。处理的接下来的步骤160使用在步骤150处所估算的描述符，从而识别在对应于专家识别的病变的真正的病变候选和虚假报告的候选之间的细微差异。去除假阳性。区分可能真正的病变和假阳性候选的一种方法是通过分类和回归树(CART)算法提供每个斑点的描述符。首先，根据训练图像的典型集合训练CART算法。为了训练CART算法，从训练图像的每幅图像提取或者通过其计算的斑点特征与其各个描述符和其相应专家分类相关联。 在步骤160中，将在步骤150中所估算的描述符提供给所训练的CART算法。结果是斑点为病变的估算概率，将该值分配给斑点。在步骤160中，将具有低于阈值(即，不满足预先确定的标准)的估算概率的斑点处理为假阳性并且去除这些斑点。在步骤170中，仅识别和报告剩余的斑点作为用于进一步审查和研究的病变候选。图2为示出用于处理和诊断医学图像的CAD系统200的示意图。CAD系统与医学图像的数据源或多个数据源通信。数据源202可以是医学图像获取系统，例如，超声波成像系统，其中，通过该系统从病人实时获取超声波图像。该数据源还可以为图像存档，例如， DICOM存档，将该图像存档存储在计算机可读存储介质上，或者可以为通过成像系统所获取的介质图像。数据源还可以为由医生已经取回的和存储在医生的计算机系统的本地存储介质上的图像数据。与图像源202接口连接的图像取回单元204接收输入图像数据。本领域的技术人员应该理解，图像取回单元204还可以为通过CAD系统200所提供的图像取回函数，没有必要存储在任何特定模块或多个模块中。获取参数单元206提取存储在医学图像数据中或者和该医学图像数据一起传输的获取参数。获取参数单元206处理DICOM数据， 并且从图像数据中的DICOM数据头中提取这些参数。还可以实施处理非标准数据格式并且以任何专用格式所存储的图像数据中提取这些参数。为了降低噪声等级，可以提供预处理单元，例如，降噪、或者噪声降低单元208。为了这种目的，可以实施任何适当的噪声降低或者去除算法。图像取回单元204将所接收到的图像传送至预处理单元。该预充电单元将所实施的噪声降低或者去除算法应用于所接收到的图像，从而降低了噪声，例如，公知的在大多数US图像中具有的斑点噪声伪像。该系统200包括强度测量单元210，或强度单元。强度测量单元从噪声降低单元 208接收诸如噪声降低图像的图像，并且测量所选择的控制点组织的典型强度，例如，脂肪或皮肤的平均强度或中值强度。可以实施不同方法，从而测量组织强度。例如，用户可以识别图像中的区域作为属于控制点组织，然后强度测量单元估算在用户识别区域中的每个像素的强度值，通过该强度值计算控制点组织的平均强度。还可以利用更复杂的方法，例如， 通过聚类提取强度值。稍后将描述使用k平均聚类计算平均强度值的实例。系统200还包括强度标准化单元212，或者标准化单元。强度标准化单元212基于控制点组织的典型强度标准化图像的像素强度值，从而使得在标准化以后，从不同硬件单元或者通过不同操作者所获取的图像可以具有相同类型组织的更一致的强度范围。通常把强度标准化单元212看作输入通过噪声降低单元208预处理的噪声降低图像，但是还可以标准化直接从图像取回单元204所转发的图像。强度标准化单元212使用来自强度计算单元210的输出，即，控制点组织的典型强度值从而标准化图像。如果仅将脂肪强度分解为标准化程序，则强度标准化单元的输出为脂肪标准化图像。通常，通过强度标准化单元212考虑控制点组织的集合的强度并且该结果为一般强度标准化图像。稍后将详细描述基于控制点组织的集合标准化图像所利用的方法。系统200还包括映射生成模块214，该模块包括一个或多个不同映射生成单元， 例如，强度映射生成单元216和恶性映射生成单元218。这些映射生成单元将参数值(例如，密度值或恶性概率值)分配给每个像素。结果是密度映射或恶性概率映射。密度映射单元216通过将标准化灰度像素值(即，相应密度值)分配给每个像素，来生成密度映射。恶性映射生成单元218通常将降噪的、强度标准化的、为恶性的像素的概率值(即，属于组织的恶性区域)分配给图像中的每个像素，因此生成恶性概率映射。另外，可具有乳房解剖映射(BAM)单元218'。BAM单元218'接收输入医学图像，例如，标准化图像或降噪图像， 并且通过可能的组织类型对图像的每个像素进行分类。可以通过恶性映射生成单元218进一步处理具有其分类像素的图像。可以将为恶性的像素的概率值分配给每个像素，这也可能导致恶性映射。稍后将详细描述可以在这些映射生成单元中的实施的程序。将这些映射聚集为斑点。提供了斑点检测单元220，从而聚集映射中的像素并且检测围绕每个斑点(“斑点R0I”)的感兴趣区域(ROI)。如以前所述的，可以通过聚集，或者通过对具有满足预选标准的参数的像素分类来检测斑点。通过跟踪斑点的边界，或者确定边界，斑点检测单元220还界定已经检测到的斑点。为了从检测到的斑点提取特征或特性，提供了特征提取单元222。可以限定或分类特性的不同种类，或描述符。例如，相对于成像区域中的解剖结构可具有与斑点形状、灰度级变化、或者斑点的空间位置相关的特性。特征提取单元222根据特征的每个限定种类实施提取，即，检测和/或计算特征或描述符。当然，随着限定更多的特征种类，可以扩展特征提取单元222的功能，从而处理所扩展范围的特征。进一步分析所检测到的斑点。例如，如稍后将更详细地描述的，可以计算和分析斑点的形态特征，例如，形状、紧致、伸长等。在分析以前，斑点可以经受形态修改，例如，填充在斑点ROI中的任何“孔”，或者，使用形态滤波平滑ROI的边界轮廓。通过斑点分析单元 224分析这些斑点，考虑所提取的特征和分配给可应用的每个特性的数值。结合该分析结果，计算估算似然值，其中，该斑点可能为恶性的，即，真正病变。一旦计算或者确定估算的似然值，斑点分析单元块2M还将该估算的似然值分配给斑点。为了放射科医生的进一步研究，或者经受进一步自动诊断评估，可以报告具有大于预先确定的阈值的似然值的所有斑点。通过病变报告单元2 来实施识别要报告的病变候选(或者可疑斑点)并报告这些病变候选。作为进一步的改进，系统200还可以包括近似乳房解剖映射(CBAM)建模单元228。 简单地说，如稍后进一步描述的，CBAM模型为乳房的分层模型，该模型将乳房图像划分为多个主层，从而与乳房的一般解剖结构匹配。CBAM建模提供估算主层位置(例如，皮下脂肪或乳腺区)的自动化方法。例如，可以通过用于估算脂肪强度的强度检测单元210，或者通过 BAM单元218'使用边界表面的估算位置，从而仅对乳腺区中的像素进行分类。稍后将描述可以在CBAM建模单元228中实施的程序的具体细节。参照图3，示出了自动分割医学图像(例如，超声波图像)的程序，并且将在医学图像中所检测到的分割肿瘤分类为病变候选和假阳性。在其他可能性中，可以使用图2所示的CAD系统或者作为嵌入图像获取硬件中的CAD和图像获取系统的一部分，实施该方法。第一步是接收输入图像数据，该输入图像数据包括医学图像数据及其相关图像获取参数(步骤30幻。例如，可以通过图像取回单元204和获取单元206来实施该步骤。 接下来，预处理输入医学图像，从而降低噪声(步骤304)。为了降低超声波输入图像中的典型的高级别噪声，该步骤通常包括噪声降低和去除。降噪技术不仅降低了噪声，而且在没有使图像边界的位置变模糊或者改变该图像边界的位置的条件下，降低噪声。例如，可以通过从超声波图像去除噪声的保边扩散算法来增强输入图像，同时保持和提高图像边界，确保输入图像保持良好定位。因此，这种降噪步骤可以实现同时去除噪声、图像平滑、以及边界增强的目的。噪声降低单元208(参加图2)可以实施任何适当降噪，即，用于实施降噪步骤的噪声降低和去除算法。优选地，通过增强在图像中所捕捉的特征的边界的示图选择噪声降低或去除算法，而没有使图像边界的位置模糊或者改变该图像边界图像的位置。此外，将边界增强或者噪声去除程序配置为图像获取参数的函数，从而考虑由于操作设置，或硬件滤波所导致的图像特征的内在差异。虽然可以使用多个不同适当保边图像过滤算法，但是下文描述了非线性扩散方法的使用，其中，应该理解，该算法不仅是适当方法或者方法应用。非线性扩散方法为众所周知的图像处理增强技术，通常将该技术用于去除输入图像中的不相关或者假细节，同时保持感兴趣对象的边界。非线性扩散平滑为选择滤波，该滤波促进优先于内部区域平滑的区域内平滑，保持边界的清晰度。该方法由反复迭代求解非线性偏微分方法组成
τ— = V.[CV/](1) dt其中，I表示输入图像，t表示时间，以及C为取决于梯度模(gradient norm) Il ▽ I Il的传导函数。传导函数C的简单实例具有以下形式
Γ ηIH2其中，k起对比度参数的作用，S卩，将具有大于k的梯度值的结构视为边界，其中，扩散能力接近0，同时将具有小于k的梯度值的结构视为属于内部区域。在1998年的ECMI丛书，VERlag, ffeickert, J.编写的“图像处理的各向异性扩散” (ffeickert, J.， "Anisotropic Diffusion in Image Processing，，，ECMI Series, Verlag, 1998)中描述了该算法。图4示出了保边扩散的应用的实例，其中，图如示出了在应用降噪算法以前的输入图像并且图4b示出了平滑图像。为了简化病变候选检测，标准化输入图像I，从而确保在图像像素强度和组织回音强度之间的一致映射，减轻图像之间的增益系数设置的变化。将标准化步骤306应用于降噪图像。标准化像素值具有用于在图像中所指示的组织的像素值的更一致的范围。优选地，通过在标准化图像中的中等灰度强度来指示皮下脂肪的回音强度。对于典型的8位超声波图像来说，在0和255之间的灰度级范围内，中点强度值对应于127的强度。为了应用强度标准化，首先，在步骤308中检测脂肪的强度。标准化步骤306的结果为脂肪标准化图像。在更一般的方法中，除了皮下脂肪以外，例如通过强度测量单元210测量或检测多个控制点组织的强度(步骤310)。可以通过映射查询表(LUT)来表示映射关系。通过控制点组织的典型强度及其各个分配值来计算映射LUT (步骤31 。接下来，根据映射LUT标准化图像。在下文中，首先描述了基于脂肪的标准化。图5示出了确定皮下脂肪的强度、然后使用其平均强度作为脂肪强度的典型值、 从而标准化原始输入图像的自动化程序500。超声波图像获取协议通常促进声谱仪将时间增益补偿设置配置为确保回声强度到强度的统一映射，从而便于解释。这允许假设映射的空间可变性最小，但是应该理解，可以考虑任何检测到的空间可变性进行本文所述的方法的进一步改进。该方法从接收原始输入图像(例如，超声波输入图像)开始(步骤502)。接下来，选择或识别输入图像中的ROI (步骤504)，该输入图像主要由皮下脂肪像素构成。根据经验，皮下脂肪区域的前表面的典型深度接近1. 5mm并且皮下脂肪区域的后表面典型深度接近6mm。不管皮下脂肪区域的精确位置如何改变，在1. 5mm和6mm的深度之间的图像区域的很大部分趋于由脂肪构成。可以通过剪切在目标深度之间的降噪图像来选择脂肪区域。因此，获取ROI以表示在原始输入图像中的脂肪区域。在某些区域中，例如，在乳头区域周围，皮下脂肪区域与位于图像的顶部处的更多典型位置相比更靠后。可以通过检测在图像区域中具有的乳头、 乳头垫、或者其特征来进一步细化脂肪区域的选择，并且必要的情况下，将估算的皮下脂肪带位置的轮廓移动或改变至适应这些情况。还可以采用其他方法，例如，在乳房超声波图像中的组织类型的建模深度，从而界定皮下脂肪区域的边界。简言之，将详细描述一种这样的建模方法，所谓的CBAM方法。接下来，在步骤506中，将鲁棒强度聚类算法，例如，k均值聚类算法应用于在皮下脂肪区域中的强度。尽管这里描述了 k均值算法的使用，但是如所记述的，可以代替k均值算法，使用其他鲁棒聚类算法，例如，模糊C-均值或者期望最大聚类技术。将k均值聚类算法(其中k =幻配置为将脂肪区域，例如，皮下脂肪图像带划分为像素强度的三种聚类通过最低像素强度聚类所识别该图像带的无声和低回声区域；通过中等强度聚类来识别图像带的中回声区域，并且最后，通过高强度聚类来识别强回声区域。在步骤508中，计算或提取中等强度聚类的强度。在步骤510中，通过所提取的强度计算在该实例中的典型强度，或者平均脂肪强度。该聚类运算的结果为在图像带中的脂肪的强度的鲁棒估算。因为期望脂肪组织具有相同的强度，所以脂肪组织位于皮下一带还是位于其他位置，在整个图像中，可以将该估算用作脂肪的典型强度。最后，步骤512中，使用估算的脂肪强度标准化在步骤502中所接收到的原始输入图像。在该文档中，将进一步详细描述标准化程序。如上文所指出的，还可以通过对在乳房超声波图像中的各种组织类型的深度进行建模来识别皮下脂肪区域。图6示出了乳房超声波图像的典型结果，该图像包括四个主层。皮肤层602表现为在图像顶部附近的明亮水平区域，接下来是皮下脂肪604的一致区域(通常具有水平图像带的形状)，其中，通过后乳腺筋膜(fascia)608将该皮下脂肪与腺体区域或乳腺区606分离。后乳腺区610(即，胸壁区域)通常为胸肌和肋骨，位于图像的底部，示出为黑色区域并且再次通过筋膜608与乳腺区606分离。皮肤线612，即，皮肤层602的外表面提供了用于测量各种主层深度的鲁棒参考表面。可以通过自皮肤线612至在主层和其相邻主层之间的边界表面的距离便利地测量每个主层的开始和结束的深度。例如，分离皮肤层602和皮下脂肪604的第一边界表面614的深度提供了皮肤602的厚度测量。类似地，可以通过测量在皮下脂肪604和乳腺区606之间的第二边界表面616的深度，并且计算第一边界表面614和第二边界表面616的深度偏差来获得皮下脂肪604的厚度。当还已知在乳腺区606和后乳腺区610之间的第三边界表面618的深度时，可以通过第二边界表面616和第三边界表面618的深度偏差来计算乳腺区606的厚度。如公知的，主层厚度越过乳房并且随着乳房的尺寸变化。优选地，可以建立近似乳房解剖映射(CBAM)模型，从而对乳房中的主层的近似位置进行建模，即，估算其近似位置10/19 页
(图6)。主层得位置可以由分离相邻层得边界表面表示。CBAM模型使用边界表面查询表 (LUT)的集合表示边界表面的位置。为了考虑乳房的尺寸变化，选择反映乳房尺寸的参数， 从而参数化边界表面LUT的不同集合，因此，确定参数化CBAM模型。一种这样的尺寸参数可以为从皮肤表面所测量的边界表面的最大深度。下文中，将最大乳腺区深度MZDmax用作尺寸参数，从而示出乳房组织的参数化、分层模型的建立、校准、以及应用。乳腺区深度MZD测量自皮肤的乳腺区深度(即，在皮肤线 612和第三边界表面618之间的距离)，该第三边界表面将乳腺区606与后乳腺区610分离。 通常，MZDmax出现在乳房的中心区域，该区域通常与乳头的位置一致，该区域为独特的解剖特征。应该理解，为了建模，可以选择反映图形化乳房的尺寸的任何其他适当的尺寸参数。图7示出了建立在乳房中的组织主层的参数化模型，并且估算主组织层的位置， 即，在BUS图像中的皮肤、皮下脂肪、乳腺组织、以及后乳腺组织层的深度的程序700的流程图。应该注意，可将该程序等效应用于二维OD)和三维(3D)乳房超声波图像。程序700共包括三个阶段。第一阶段是构建主层的参数化模型。通过大量输入图像构建参数化模型，并且在所选尺寸参数的范围内生成该参数化模型。其次，在接收到新 BUS数据集时，通过获取的参数估算或确定模型的尺寸参数值MZDmax。将用于新BUS数据集的尺寸参数的估算值传送给参数化模型，从而动态生成用于新BUS图像的新CBAM模型。第三，通过新CBAM模型计算主层的边界表面的位置。这些阶段的每个中，现在，下文中详细描述了在每个阶段中的步骤，和其某些变化。第一阶段例如通过将乳房划分为四个主层生成身体乳房解剖结构的图像，然后， 通过根据大量样本BUS图像训练，即，校准参数化模型计算四个主层的估算位置来构建模型。人工分割样本BUS图像中的每幅，S卩，具有通过专家标示的在主层之间的边界表面。为了跨越乳房的整个厚度范围(例如，在2cm和5cm之间)，还校准适用于大量尺寸参数值， 即，最大区域深度值的模型。参照图7，在第一步骤710中，取回大量样本BUS图像数据，人工分割每幅样本图像。连同每幅样本图像一起，接收位于乳房时钟映射图上的乳房的扫描获取参数，例如，像素尺寸、变换角、最大乳腺区深度值MZDmax、以及变换位置。接下来，在步骤720中，对于每幅分割的图像使用扫描获取参数计算每个边界表面的位置。例如，将像素尺寸参数用于在深度值和像素值之间进行变换。类似地，每当变换方向与皮肤表面不垂直时，可以使用变换扫描角，从而基于三角形几何重新计算深度值。接下来，在步骤730中，对于每个边界表面，生成大量表面查询表面(LUT)，每个LUT对应于MZDmax值，或者训练BUS图像的MZDmax值的接收器(bin)。表面LUT允许计算边界表面的位置。每个表面LUT (和相应边界表面)为参照参照乳头所测量的乳房的位置函数。乳头通常存在MZD的最大值，MZDmax的位置。图8和图9是MZD表面的，S卩，第三边界表面618的某些实例，该边界表面为在乳腺区606和后乳腺筋膜608之间的边界表面。图8示出了 MZD值关于乳房时钟映射802的位置的的变化的实例，该值从乳头804开始，通常在乳头处存在乳腺区组织的最厚层。该实例示出了与乳头位置一致的具有3cm的MZDmax值的中心区域804。因此，将乳头位置处的MZD 值标示为100%的MZDmax参数。位于距离乳头位置804的更大距离处的更大距离单元810 具有更小MZD值。实例示出了通常对称的MZD表面。例如，在与中心区域804的约相等距离处的单元806、808具有约相等的MZD值，但是实际上，表面的几何形状通常是不对称的。
15在图9a中示出了 MZD表面910的3D示图，而图9b示出了 2D轮廓920。这两幅图示出了在距离MZDmax点，或乳头位置930的更大距离处降低MZD值的一般趋势，和关于MZDmax点的一般对称性能。如所述的，对于MS)表面制作表面LUT。类似地，与如图8和图9所示的一样地，计算其他主层边界，例如，在皮肤602和皮下脂肪604之间，然后在皮下脂肪604和乳腺区606之间的边界表面，并且对于这些边界表面表面可以生成类似LUT。存储用于离散MZDmax的这些3D (或2D) LUT。随后，当对于新乳房US扫描，即，对于新MZDmax值，计算LUT的新集合时，开发这些LUT。然后，将像素尺寸参数用于定标像素值的 MZD值，同时只要变换与皮肤表面不垂直，就可以将变换扫描角用于基于三角形几何重新计算MZD值。接下来的阶段是生成用于新乳房US图像的，S卩，在步骤302中所接收到的医学图像的新的近似乳房解剖映射(CBAM)模型。参照图7，在步骤740中取回图像数据和相关扫描获取参数，或者如果已经在步骤302中接收到该图像数据和相关扫描获取参数，则将这些数据和参数简单发送至用于处理的CBAM模型228。如所述的，所接收到的图像与估算的 MZDmax值相关联。在步骤750中，计算用于接收到的医学图像的MZDmax值的表面LUT的集合。方便地，如果新BUS图像的估算的MZDmax值与用于生成和校准参数化分成模型的离散 MZDmax值之一匹配，则在随后的步骤中，简单取回相应表面LUT并且可以直接使用该LUT。否则，必须通过参数化分层模型计算与图像的MZDmax值相对应的表面LUT值的新集合。一种方法是简单选择表面LUT的两个集合，该集合的MZDmax值包括或者最接近图像的MZDmax值，然后，通过在这两个模型之间的插值或简单加权算术平均值利用表面LUT的这两个集合来计算表面LUT的新集合。如果在该模型中的两个表面不包括特定MZDmax，则可以通过具有最相似的MZDmax值的模型外插表面LUT的新集合。当然，还可以使用更加细化的方法，使用两个以上的LUT，从而计算表面LUT的新集合。所计算的表面LUT的新集合构建新CBAM模型。一旦计算LUT的新集合，最后阶段是为了使用计算的LUT的新集合计算估算的边界表面，即，组织主层的位置(步骤760)。在必要的情况下，可以将扫描获取参数用于校正， 即，补偿通过不同扫描参数所引入的变化。当该程序利用CBAM模型时，本文所引入的方法作为CBAM方法700。虽然CBAM方法可以具有一般应用，例如，估算在任何BUS图像中的主层的位置，但是一种应用是为了识别皮下脂肪区域604。将第一边界表面614和第二边界表面616(参加图6)之间的像素视为主要由脂肪组织构成。如以前所述的，通过在其中应用k聚类技术，或者通过简单求均值，可以从这些像素的强度中提取平均脂肪强度。应该理解，CBAM方法具有某些一般应用。例如，灰度级强度趋于从主层至主层显著变化。对于直观化的图像化乳房来说，可以独立渲染从CBAM所识别的每层，从而降低通过很大不同强度所导致的困难。备选的，当渲染可视图像时，仅渲染图像化乳房的一部分。 例如，渲染主层可能不包括皮肤层或后乳腺层，或者这两者。另外，如下文中将描述的，进一步处理和识别病变可以通过将滤波器的应用限定至特定主层或者多层来利用不同主层的位置知识，在该主层或多层处，更可能产生某类型的组织或病变，并且将滤波器设计为检测这些类型的组织或病变。可以再次参照图3，其中，在步骤306中，将典型脂肪强度用于标准化输入图像，识别与皮下脂肪相对应的图像区域(例如，使用CBAM方法)，并且估算典型脂肪强度。标准化步骤将输入图像的输入范围[MinGreyLevel，MaxGreyLevel]映射到动态范围，该动态范围包括0至2Mits-l，其中，NrBits为输出图像的每个像素的位数。将皮下脂肪的估算强度映射到通常在中等强度附近的点，例如，输出动态范围的中等强度0Mits_l)/2，例如，对于 NrBits = 8为127。应该理解，标准化不仅限于NrBits = 8，其仅为实例。在图10中，在强度标准化和图像平滑以前(图IOa)和以后(图10b)，示出了超声波图像的实例，示出在图像的顶部边缘区域中的皮下脂肪区域(100 和1002b)映射到中等灰度。在标准化图像中更容易识别低回声和无声区域。当病变非常频繁地落在这两种回声强度种类之一中时，该标准化程序便于其检查和描绘。在标准化图像的强度以后，接下来的阶段针对病变候选斑点检测。参照图3，为了使自动病变候选检测适用于各种类型的组织回声强度，首先，生成参数映射。下文中假设在步骤314中生成密度映射，S卩，使用标准化灰度像素值生成密度映射。稍后将描述其他类型的参数映射的生成和处理。可以将标准化的灰度像素值聚集为用于乳房组织的大量回声强度范围，该回声强度范围模仿乳房的组织成分。跟踪属于无声、低回声、或者中回声种类的任何一个的区域并且将这些区域独立存储为潜在病变候选，如下文中将描述的，这些潜在病变候选可以进行进一步分析从而辅助分类。为了通过密度映射检测斑点(步骤318)，首先，聚集密度映射从而生成聚类密度映射。通过密度映射计算聚类密度映射可能由鲁棒聚类组成，或者将分类方法应用于标准化图像的强度，从而检测图像中的无声、低回声、和中回声区域。在该步骤以后，首先，基于像素强度，将输入图像中的像素分组为五种区域。通常，第一聚类包括图像的无声黑区域。 第二聚类捕捉在BUS中的低回声区域。第三聚类包括中回声脂肪区域。第四聚类包含稍微强回声的腺体区域，并且最后，强回声的第五聚类包括皮肤、库柏氏韧带、斑点噪声、以及微钙化。为了聚集像素，将具有值k = 5的k均值聚类算法应用于标准化图像。这将标准化输入图像的动态范围分割为五个强度聚类，这5个强度聚类与上文所列出的五个种类相对应。在聚类中的每个相邻区域趋于具有一致的或类似的内部强度特征，并且因此，为“密度斑点”。可以作为潜在病变独立分析这些相邻的、独特区域中的每个。然后，检测斑点仅需要生成聚类、相邻区域，即，密度斑点的外部轮廓。为了将可能真正的病变与在医学图像中所看到的其他类型肿瘤进行区分，提取和分析与斑点相关的不同特征或特性，从而对斑点进行分类(步骤320)。通常，因为特征或特性表示斑点可能是什么，所以将这些特征或特性称作描述符。下文描述了基于特征的斑点分析的一种方法。首先，通过选择有关描述符的集合开始分析。接下来，对这些描述符进行分析从而评定其关联度，即，与斑点可能为恶性的估算概率的关联度。例如，可以采用CART 树评定这些描述符并且生成斑点可能为恶性的估算概率。然后，计算表示斑点为恶性的可能性的值，并且将该值分配给该斑点。将具有高估算概率的斑点标示为可能病例。下文中， 详细描述了这些步骤中的每个步骤。如以上所述的，将这些特性、或描述符输入CART运算。首先，通过分析这些斑点描述符和用于训练图像的典型集合的其相应专家分类来开发CART算法。然后，将CART算法应用于从输入图像中所识别的每个斑点的描述符的集合。利用CART树运算的输出，从而获得斑点为病变的似然值，或者估算概率。基于分配给所分析的斑点的似然值去除假阳性(步马聚322)ο
为了为CART运算做准备，首先，限定大量斑点特性，从而辨别实性结节和非可疑候选。可以将描述符的特征分为了三个主要种类形状、灰度级变化、以及空间位置。可以将描述符的每个种类进一步划分为子类。例如，可以将形状描述符划分为两个子类通过分割的候选斑点所生成的特征，和作为使椭圆拟合斑点轮廓的结果所生成的特征。紧致值 (Compactness indicator)和伸长值(elongation value)属于第一子类。可以如下计算紧致值
权利要求
1.一种识别在超声波医学图像中的可疑病变的方法，包括以下步骤 计算在所述医学图像中的皮下脂肪像素的估算的典型脂肪强度值；利用在标准化脂肪强度值和所述典型脂肪强度值之间的映射关系由所述医学图像的像素值计算标准化灰度像素值，从而获得标准化图像；识别形成独特区域的所述标准化图像中的像素，所述独特区域中的每一个均具有一致的内部特征；从所述独特区域的每一个中提取描述特性；分析每个独特区域的提取的描述特性并且将作为病变的所述每个独特区域的似然值分配给所述每个独特区域；以及识别具有满足预先确定的标准的似然值的所有独特区域作为候选病变。
2.根据权利要求1所述的方法，进一步包括以下步骤在计算所述医学图像的标准化灰度像素值以前，使所述医学图像降噪，从而获得降噪图像，并且其中，通过所述降噪图像的像素值计算所述标准化灰度像素值。
3.根据权利要求2所述的方法，其中，所述降噪步骤进一步包括将保边扩散图像滤波应用于所述医学图像。
4.根据权利要求2所述的方法，其中，所述降噪步骤进一步包括将选择滤波应用于所述医学图像，其中，所述选择滤波保持边缘锐利度并且促进区域内平滑。
5.根据权利要求1所述的方法，进一步包括 选择在所述超声波图像中的皮下脂肪区域；其中，由所选择的皮下脂肪区域中的像素计算所估算的典型脂肪强度值。
6.根据权利要求5所述的方法，其中，计算所估算的典型脂肪强度值的步骤进一步包括将k均值聚类应用于所选择的皮下脂肪区域。
7.根据权利要求6所述的方法，其中，计算所估算的典型脂肪强度值的步骤进一步包括计算由所述k均值聚类所获得的在中等强度聚类中的像素的像素强度的均值。
8.根据权利要求1所述的方法，进一步包括选择多个控制点组织，所述多个控制点组织包括皮下脂肪；聚集像素的强度从而生成强度聚类，通过所述强度聚类中的至少一个来表示所述多个控制点组织中的每一个；以及对于所述多个控制点组织中的每一个，由与至少一个强度聚类相对应的像素的灰度强度值确定每个控制点组织的典型强度值；将标准化强度值分配给所述每个控制点组织。其中，所述映射关系使所述标准化强度值与所述多个控制点组织的各自的典型强度值相关。
9.根据权利要求1所述的方法，进一步包括估算所述标准化图像的每个像素的恶性概率值，从而生成恶性概率映射， 其中，识别独特区域的步骤包括将具有大于阈值的恶性概率值的像素分组至相邻区域中，从而形成所述独特区域。
10.根据权利要求9所述的方法，其中，估算所述恶性概率值的步骤进一步包括建立根据样本图像的集合所校准的逻辑模型，所述逻辑模型将图像像素值以及硬件与操作者获取参数进行结合，以及将所述逻辑模型应用于所述标准化图像，从而估算所述恶性概率值。
11.一种自动识别在医学图像中可能对应于病变的区域的系统，所述系统包括强度单元，将所述强度单元配置为由所述医学图像中的像素值计算所述医学图像中的控制点组织的估算强度；标准化单元，所述标准化单元被配置为生成在输入像素和标准化像素之间的映射关系，并且根据所述映射关系将灰度像素值变换为标准化像素值，从而获得标准化图像；映射生成单元，所述映射生成单元将参数值分配给输入图像中的每一个像素，从而生成参数映射；斑点检测单元，所述斑点检测单元被配置为检测和界定所述参数映射中的斑点； 特征提取单元，所述特征提取单元被配置为检测和计算所检测的斑点的描述特征；以及斑点分析单元，所述斑点分析单元由斑点的描述特征计算斑点为恶性的估算的似然值，并且将所述似然值分配给所述斑点。
12.根据权利要求11所述的系统，其中，所述控制点组织包括皮下脂肪、无回音囊肿、 皮肤、以及纤维腺体组织中的至少一个。
13.根据权利要求11所述的系统，其中，所述映射生成单元包括强度映射单元，所述参数值为强度并且所述参数映射为强度映射。
14.根据权利要求11所述的系统，其中，所述映射生成单元进一步包括恶性概率映射单元，所述恶性概率映射单元计算每个像素的恶性概率并且将所述恶性概率分配给所述每个像素，从而生成恶性概率映射，并且在通过所述特征提取单元和所述斑点分析单元所处理的所述斑点中包括在所述恶性概率映射中的通过所述检测单元所检测和界定的斑点。
15.根据权利要求11所述的系统，进一步包括预处理单元，所述预处理单元对所述医学图像进行降噪，从而生成降噪图像。
16.根据权利要求11所述的系统，进一步包括报告单元，所述报告单元识别具有大于预先确定的阈值的似然值的所有斑点。
17.一种估算在数字或数字化医学图像中的组织的灰度级强度的方法，所述方法包括以下步骤将聚类运算应用于所述医学图像的像素强度值，从而将所述强度值分组为独特强度聚类；识别所述独特强度聚类中的一个作为与所述组织相对应的强度聚类；由所述强度聚类的像素的灰度级强度估算所述强度聚类的典型灰度级强度值；以及将所述典型灰度级强度分配给所述组织。
18.根据权利要求17所述的方法，其中，所述典型灰度级强度为所述灰度级强度的平均强度。
19.根据权利要求17所述的方法，其中，所述组织为皮下脂肪。
20.根据权利要求17所述的方法，其中，所述聚类算法为具有k= 3的k均值算法，并且所识别的独特聚类为中等强度聚类。
21.根据权利要求17所述的方法，进一步包括界定在所述医学图像中所述组织的预期所在的区域，其中，将所述聚类运算应用于所界定的区域。
22.一种处理超声波乳房图像的方法，所述方法包括以下步骤构建乳房的分层模型，所述模型的每对相邻层限定所述每对相邻层之间的边界表面； 根据多个样本超声波乳房图像校准所述模型，人工分割所述多个样本超声波乳房图像中的每一幅，从而识别所述样本超声波乳房图像中的边界表面，所校准的模型包括参数化表面模型，每个参数化表面模型均包括与尺寸参数的离散值相对应的边界表面查询表 (LUT)的集合；接收所述超声波乳房图像的所述尺寸参数的估算值；由所述参数化表面模型计算与所述尺寸参数的所述估算值相对应的新表面模型，所述新表面模型包括与所述尺寸参数的所述估算值相对应的经计算的边界表面LUT的集合，以及由所述新表面模型的经计算的边界表面LUT的集合计算边界表面的估算位置，从而识别所述超声波乳房图像中的主层的像素。
23.根据权利要求22所述的方法，进一步包括找到多个控制点组织的典型强度值，所述多个控制点组织的所述典型强度值包括皮下脂肪层的灰度像素值的典型强度值；以及基于在所述多个控制点组织的所述典型强度值和所述多个控制点组织的标准化值之间的映射关系，标准化关于所述多个控制点组织的所述超声波乳房图像来获得标准化图像。
24.根据权利要求23所述的方法，进一步包括渲染可视化的所述标准化图像。
25.根据权利要求22所述的方法，其中，所述分成模型包括皮肤层和后乳腺层，所述方法进一步包括估算界定所述皮肤层的第一边界表面和界定所述后乳腺层的第二边界表面的位置；以及渲染可视化的所述超声波乳房图像的一部分，所述超声波乳房图像的所述一部分不包括所述皮肤层和所述后乳腺层。
26.根据权利要求22所述的方法，其中，所述主层为乳腺区，并且所述方法进一步包括对于所述乳腺区中的每个像素，估算为恶性的每个像素的概率值； 将具有大于阈值的概率值的像素分组至相邻区域作为可疑病变。
27.一种识别超声波乳房图像中的病变的方法，包括以下步骤计算分离主层组织的表面的估算位置，所述主层组织包括乳腺区中的组织； 识别所述乳腺区中的像素；对于所述乳腺区中的每个像素，构建像素特征向量PCV，所述PCV至少包括每个所述像素的邻近特征；对于所述乳腺区中的每个像素，由所述每个像素的所述PCV计算恶性概率值，将所述恶性概率值分配给每个像素并且当其分配的恶性概率值大于阈值时，将像素识别为可能病变像素；以及报告所有可能病变像素的相邻区域作为潜在病变。
28.根据权利要求27所述的方法，进一步包括计算多个控制点组织的典型强度值，所述控制点组织包括皮下脂肪；根据所述多个控制点组织的分配的强度值和各自的典型强度值之间的映射关系来标准化所述乳腺区中的像素的灰度像素值；其中，由所述乳腺区中的像素的灰度像素值构建所述像素的所述PCV。
29.根据权利要求27所述的方法，其中，所述每个像素的所述PCV包括由所述每个像素单独确定的像素具体特征。
30.根据权利要求27所述的方法，进一步包括根据人工标记的乳房图像的集合校准分类器，所述人工标记的乳房图像的每一个均包括标记的病变像素，所述标记的病变像素中的每一个均具有PCV，所述分类器的输出包括病变组织种类；其中，由所述PCV计算所述恶性概率值的步骤包括将所述分类器应用于所述PCV，从而获得所述恶性概率值。
全文摘要
本发明提供了一种用于处理医学图像的系统和方法。首先，利用包括皮下脂肪的控制点组织的像素强度标准化输入的医学图像。通过标准化图像生成聚类密度映射图和恶性概率映射图并且进一步分析这些映射图，从而识别普通的内部特征，或者可以表示病变的斑点。对这些斑点进行分析和分类，从而将可能真正的病变与通常在医学图像中看到的其他类型的非恶性肿瘤进行区分。
文档编号A61B8/13GK102438529SQ200980152219
公开日2012年5月2日 申请日期2009年12月22日 优先权日2008年12月22日
发明者丹·里科, 德斯蒙德·瑞安·钟 申请人:美的派特恩公司