医学图像增强方法和设备的制作方法
【专利摘要】本发明提供一种医学图像增强方法和设备，该方法包括：获得输入图像，所述输入图像中包括病变特征区域和背景结构区域，所述病变特征区域的属性特征包括形状、纹理和轮廓，采用傅里叶变换算法，对输入图像进行形状的相似变换和旋转变换，以对输入图像的形状属性进行增强；对经过形状相似变换和旋转变换后的输入图像进行平滑滤波处理，以抑制输入图像中的噪声成分，并平滑输入图像中背景结构区域的特征细节，以便增强病变特征区域；对经过所述平滑滤波处理后的输入图像进行小波变换处理，进一步选择性增强输入图像中的病变特征区域，凸显病变特征区域，提高图像对比度，从而有利于提高医生诊断准确性。
【专利说明】医学图像增强方法和设备
【技术领域】
[0001]本发明属于图像处理【技术领域】，具体是涉及一种医学图像增强方法和设备。
【背景技术】
[0002]乳腺癌是女性较为常见的一种妇科病，严重威胁着女性的健康。随着医学成像技术的发展，医学图像已经成为临床诊断、病理分析及治疗的重要依据，其中X线以其空间分辨率高、对肿块和钙化较为敏感等优点，已经成为乳腺癌诊断中一种广泛使用的手段。
[0003]但是目前，使用乳腺X线图像进行诊断时仍有较高的误诊率，主要是因为较差的图像质量，比如特征区域即病变区域与周围组织结构背景间的对比度较弱，特征区域形状多变、边界模糊等。已经使用的图像增强方法比如直方图均衡化方法，基于直方图统计结果来计算灰度转换函数，经过直方图均衡处理后，图像的直方图变换为均匀分布的直方图，以获得最大信息量，它只能得到全局均衡化的处理结果，无法实现细节和边缘增强效果。再如反锐化方法，通过对原始图像特定局部区域进行反锐化处理，以达到增强其边缘和细节信息的效果。但是由于没有充分考虑图像中特征区域与周围组织结构的对比度，在低对比度时增强效果不理想。
[0004]上述现有方法中，无法将病变特征区域从医学图像凸显出来以便于诊断，使得图像质量不高，从而影响医生诊断的准确性。
【发明内容】
[0005]针对现有技术中存在的问题，本发明提供一种医学图像增强方法和设备，以实现凸显病变特征区域，提高图像对比度，从而提高医生诊断准确性的目的。
[0006]本发明提供了一种医学图像增强方法，包括:
[0007]获得输入图像，所述输入图像中包括病变特征区域和背景结构区域，所述病变特征区域的属性特征包括形状、纹理和轮廓；
[0008]采用傅里叶变换算法，对所述输入图像进行形状的相似变换和旋转变换；
[0009]对经过所述形状相似变换后的输入图像进行平滑滤波处理；
[0010]对经过所述平滑滤波处理后的输入图像进行小波变换处理；
[0011 ] 输出经过所述小波变换处理后的输入图像。
[0012]本发明提供了一种医学图像增强设备，包括:
[0013]获取模块，用于获得输入图像，所述输入图像中包括病变特征区域和背景结构区域，所述病变特征区域的属性特征包括形状、纹理和轮廓；
[0014]傅里叶变换模块，用于采用傅里叶变换算法，对所述输入图像进行形状的相似变换和旋转变换；
[0015]平滑滤波模块，用于对经过所述形状相似变换后的输入图像进行平滑滤波处理；
[0016]小波变换模块，用于对经过所述平滑滤波处理后的输入图像进行小波变换处理；
[0017]输出模块，用于输出经过所述小波变换处理后的输入图像。[0018]本发明提供的医学图像增强方法和设备，采用傅里叶变换算法，对输入图像进行形状的相似变换和旋转变换，以对输入图像的形状属性进行增强；对经过形状相似变换和旋转变换后的输入图像进行平滑滤波处理，以抑制输入图像中的噪声成分，并平滑输入图像中背景结构区域的特征细节，以便增强病变特征区域；对经过所述平滑滤波处理后的输入图像进行小波变换处理，进一步选择性增强输入图像中的病变特征区域，凸显病变特征区域，提高图像对比度，从而有利于提高医生诊断准确性。
【专利附图】
【附图说明】
[0019]图1为本发明医学图像增强方法实施例一的流程图；
[0020]图2为本发明医学图像增强方法实施例二的流程图；
[0021]图3为本发明医学图像增强设备实施例一的结构示意图；
[0022]图4为本发明医学图像增强设备实施例二的结构示意图。
【具体实施方式】
[0023]图1为本发明医学图像增强方法实施例一的流程图，如图1所示，该方法包括:
[0024]步骤101、获得输入图像，所述输入图像中包括病变特征区域和背景结构区域，所述病变特征区域的属性特征包括形状、纹理和轮廓；
[0025]本实施例中，输入图像即为原始拍摄获得的图像，对于患有乳腺疾病的病人，该输入图像中既包含有病变特征的影像区域，又包含有在病变区域周围的正常组织结构，这些组织结构影像相当于病变影像的背景，对疾病的诊断具有不利影响。对于乳腺疾病而言，在输入图像中存在病变特征区域，该病变特征区域中的特征点，即病理特征一般体现为肿块和微钙化簇。而对于这些特征点，或者说病变特征区域一般从形状、纹理和轮廓这些属性上进行描述与诊断。
[0026]步骤102、采用傅里叶变换算法，对所述输入图像进行形状的相似变换和旋转变换；
[0027]具体地，对输入图像首相采用傅里叶变化算法，针对形状属性对其进行形状相似变换和旋转变换，以适应纹理、轮廓的任意取向，即不对纹理和轮廓产生影响。
[0028]步骤103、对经过所述形状相似变换和旋转变换后的输入图像进行平滑滤波处理；
[0029]之后，对输入图像进一步进行平滑滤波处理，以平滑输入图像中的背景结构区域的细节信息。
[0030]在实际应用中，可以采用自适应多级非线性滤波器来对输入图像进行平滑滤波处理。
[0031]步骤104、对经过所述平滑滤波处理后的输入图像进行小波变换处理，以增强所述病变特征区域；
[0032]步骤105、输出经过所述小波变换处理后的输入图像。
[0033]本实施例中，对于经过平滑滤波处理后的输入图像，采用小波变换的方法对其进行增强处理。由于小波变换处理是一种多尺度下对输入图像进行的局部变换，因此，基于小波变换可以对输入图像进行分割处理，以对病变特征区域进行增强，从而使得病变特征区域得以凸显，以便提取出包含于病变特征区域中的病理特征，比如肿块、钙化点情形。
[0034]最后，将小波变换后的输入图像输出，以作为医生诊断的依据。
[0035]本实施例中，采用傅里叶变换算法，对输入图像进行形状的相似变换和旋转变换，以对输入图像的形状属性进行增强；对经过形状相似变换和旋转变换后的输入图像进行平滑滤波处理，以抑制输入图像中的噪声成分，并平滑输入图像中背景结构区域的特征细节，以便增强病变特征区域；对经过所述平滑滤波处理后的输入图像进行小波变换处理，进一步选择性增强输入图像中的病变特征区域，凸显病变特征区域，提高图像对比度，从而有利于提闻医生诊断准确性。
[0036]图2为本发明医学图像增强方法实施例二的流程图，如图2所示，该方法包括:
[0037]步骤201、获得输入图像，所述输入图像中包括病变特征区域和背景结构区域，所述病变特征区域的属性特征包括形状、纹理和轮廓；
[0038]步骤202、采用傅里叶变换算法，对所述输入图像进行形状的相似变换和旋转变换；
[0039]步骤203、对经过所述形状相似变换和旋转变换后的输入图像进行平滑滤波处理；
[0040]步骤204、以第一权重系数乘以经过所述平滑滤波处理后的输入图像，以整体增强经过所述平滑滤波处理后的输入图像；
[0041 ] 本实施例中，在对输入图像进行平滑滤波处理之后，并行进行以下两种处理过程:一是对平滑滤波后的输入图像整体上进行增强，即乘以第一权重系数；一是对平滑滤波后的输入图像进行小波变换处理，以对输入图像进行分割，从而对病变特征区域有针对性地进行增强。
[0042]步骤205、确定经过所述平滑滤波处理后的输入图像中的病变特征区域和背景结构区域；
[0043]步骤206、采用小波变换算法，根据确定的病变特征区域和背景结构区域对所述经过所述平滑滤波处理后的输入图像进行分割处理，得到与所述确定的病变特征区域对应的第一子输入图像和与所述确定的背景结构区域对应的第二子输入图像；
[0044]步骤207、采用小波逆变换算法，分别对所述第一子输入图像和所述第二子输入图像进行重构处理；
[0045]步骤208、对经过所述重构处理后的第一子输入图像和第二子输入图像进行叠加；
[0046]本实施例中，对平滑滤波后的输入图像进行小波变换处理，具体来说，首先需确定经过所述平滑滤波处理后的输入图像中的病变特征区域和背景结构区域，由于平滑滤波处理后已经对背景结构区域进行了平滑，可以容易地确定出输入图像中的病变特征区域和背景结构区域。进而，采用小波变换算法，根据确定的病变特征区域和背景结构区域对所述经过所述平滑滤波处理后的输入图像进行分割处理，得到与所述确定的病变特征区域对应的第一子输入图像和与所述确定的背景结构区域对应的第二子输入图像。
[0047]本实施例中，可以根据实际使用需求，仅在宏观上对病变特征区域和背景结构区域进行分割，也可以进行更细层次的分割。
[0048]进而，采用小波逆变换算法，分别对所述第一子输入图像和所述第二子输入图像进行重构处理。通过分割和重构处理过程，输入图像的病变特征区域和背景结构区域明显的区分开来。之后，对经过所述重构处理后的第一子输入图像和第二子输入图像进行叠加，具体来说，以第二权重系数乘以经过所述重构处理后的第一子输入图像，以第三权重系数乘以经过所述重构处理后的第二子输入图像；以乘以所述第二权重系数后的第一子输入图像减去乘以所述第三权重系数后的第二子输入图像。
[0049]进一步地，所述根据确定的病变特征区域和背景结构区域对所述经过所述平滑滤波处理后的输入图像进行分割处理，得到与所述确定的病变特征区域对应的第一子输入图像和与所述确定的背景结构区域对应的第二子输入图像之后，还包括:
[0050]根据不同病理特征，对与所述确定的病变特征区域对应的第一子输入图像进行分类划分。
[0051]本实施例中，还可以根据病理特征的不同，比如肿瘤特征、钙化点特征、肿块大小等，对病变特征区域进行进一步的分类划分，相应的，重构的过程针对分类后的各子特征区域，从而使得病变特征区域体现的病变特征更加明显。
[0052]步骤209、将经过所述小波变换处理后的输入图像与乘以所述第一权重系数的输入图像置加；
[0053]步骤210、对叠加后的输入图像进行线性放大；
[0054]步骤211、输出经过所述线性放大后的输入图像。
[0055]最后，将小波变换重构叠加后的输入图像与平滑滤波后的输入图像进行叠加，并线性放大，得到输出图像。
[0056]本实施例中，采用傅里叶变换算法，对输入图像进行形状的相似变换和旋转变换，以对输入图像的形状属性进行增强；对经过形状相似变换和旋转变换后的输入图像进行平滑滤波处理，以抑制输入图像中的噪声成分，并平滑输入图像中背景结构区域的特征细节，以便增强病变特征区域；对经过所述平滑滤波处理后的输入图像进行分割、分类、重构的小波变换处理，通过合理地选择各权重系数，可以选择性增强输入图像中的病变特征区域，凸显病变特征区域，提高图像对比度，从而有利于提高医生诊断准确性。
[0057]图3为本发明医学图像增强设备实施例一的结构示意图，如图3所示，该设备包括:
[0058]获取模块11，用于获得输入图像，所述输入图像中包括病变特征区域和背景结构区域，所述病变特征区域的属性特征包括形状、纹理和轮廓；
[0059]傅里叶变换模块12，用于采用傅里叶变换算法，对所述输入图像进行形状的相似变换和旋转变换；
[0060]平滑滤波模块13，用于对经过所述形状相似变换后的输入图像进行平滑滤波处理；
[0061]小波变换模块14，用于对经过所述平滑滤波处理后的输入图像进行小波变换处理；
[0062]输出模块15,用于输出经过所述小波变换处理后的输入图像。
[0063]本实施例的设备可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
[0064]图4为本发明医学图像增强设备实施例二的结构示意图，如图4所示，该设备在图3所示实施例的基础上,还包括:
[0065]计算模块21，用于以第一权重系数乘以经过所述平滑滤波处理后的输入图像，以整体增强经过所述平滑滤波处理后的输入图像；
[0066]相应的，所述输出模块15，包括:
[0067]第一叠加单元151，用于将经过所述小波变换处理后的输入图像与乘以所述第一权重系数的输入图像叠加；
[0068]线性放大单元152，用于对叠加后的输入图像进行线性放大；
[0069]输出单元153，用于输出经过所述线性放大后的输入图像。
[0070]进一步地，所述小波变换模块14，包括:
[0071]确定单元141，用于确定经过所述平滑滤波处理后的输入图像中的病变特征区域和背景结构区域；
[0072]分割单元142，用于采用小波变换算法，根据确定的病变特征区域和背景结构区域对所述经过所述平滑滤波处理后的输入图像进行分割处理，得到与所述确定的病变特征区域对应的第一子输入图像和与所述确定的背景结构区域对应的第二子输入图像；
[0073]重构单元143，用于采用小波逆变换算法，分别对所述第一子输入图像和所述第二子输入图像进行重构处理；
[0074]第二叠加单元144，用于对经过所述重构处理后的第一子输入图像和第二子输入图像进行叠加。
[0075]具体地，所述第二叠加单元144，具体用于:
[0076]以第二权重系数乘以经过所述重构处理后的第一子输入图像，以第三权重系数乘以经过所述重构处理后的第二子输入图像；
[0077]以乘以所述第二权重系数后的第一子输入图像减去乘以所述第三权重系数后的第二子输入图像。
[0078]进一步地，所述小波变换模块14还包括:
[0079]分类单元145，用于根据不同病理特征，对与所述确定的病变特征区域对应的第一子输入图像进行分类划分。
[0080]本实施例的设备可以用于执行图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
[0081]本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括:R0M、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
[0082]最后应说明的是:以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
【权利要求】
1.一种医学图像增强方法，其特征在于，包括: 获得输入图像，所述输入图像中包括病变特征区域和背景结构区域，所述病变特征区域的属性特征包括形状、纹理和轮廓； 采用傅里叶变换算法，对所述输入图像进行形状的相似变换和旋转变换； 对经过所述形状相似变换和旋转变换后的输入图像进行平滑滤波处理； 对经过所述平滑滤波处理后的输入图像进行小波变换处理，以增强所述病变特征区域； 输出经过所述小波变换处理后的输入图像。
2.根据权利要求1所述的方法，其特征在于，所述对经过所述平滑滤波处理后的输入图像进行小波变换处理之前，还包括: 以第一权重系数乘以经过所述平滑滤波处理后的输入图像，以整体增强经过所述平滑滤波处理后的输入图像； 相应的，所述输出经过所述小波变换处理后的输入图像，包括: 将经过所述小波变换处理后的输入图像与乘以所述第一权重系数的输入图像叠加； 对叠加后的输入图像进行线性放大； 输出经过所述线性放大后的输入图像。
3.根据权利要求2所`述的方法，其特征在于，所述对经过所述平滑滤波处理后的输入图像进行小波变换处理，包括: 确定经过所述平滑滤波处理后的输入图像中的病变特征区域和背景结构区域； 采用小波变换算法，根据确定的病变特征区域和背景结构区域对所述经过所述平滑滤波处理后的输入图像进行分割处理，得到与所述确定的病变特征区域对应的第一子输入图像和与所述确定的背景结构区域对应的第二子输入图像； 采用小波逆变换算法，分别对所述第一子输入图像和所述第二子输入图像进行重构处理； 对经过所述重构处理后的第一子输入图像和第二子输入图像进行叠加。
4.根据权利要求3所述的方法，其特征在于，所述对经过所述重构处理后的第一子输入图像和第二子输入图像进行叠加，包括: 以第二权重系数乘以经过所述重构处理后的第一子输入图像，以第三权重系数乘以经过所述重构处理后的第二子输入图像； 以乘以所述第二权重系数后的第一子输入图像减去乘以所述第三权重系数后的第二子输入图像。
5.根据权利要求3或4所述的方法，其特征在于，所述根据确定的病变特征区域和背景结构区域对所述经过所述平滑滤波处理后的输入图像进行分割处理，得到与所述确定的病变特征区域对应的第一子输入图像和与所述确定的背景结构区域对应的第二子输入图像之后，还包括: 根据不同病理特征，对与所述确定的病变特征区域对应的第一子输入图像进行分类划分。
6.一种医学图像增强设备，其特征在于，包括: 获取模块，用于获得输入图像，所述输入图像中包括病变特征区域和背景结构区域，所述病变特征区域的属性特征包括形状、纹理和轮廓； 傅里叶变换模块，用于采用傅里叶变换算法，对所述输入图像进行形状的相似变换和旋转变换； 平滑滤波模块，用于对经过所述形状相似变换后的输入图像进行平滑滤波处理； 小波变换模块，用于对经过所述平滑滤波处理后的输入图像进行小波变换处理； 输出模块，用于输出经过所述小波变换处理后的输入图像。
7.根据权利要求6所述的设备，其特征在于，还包括: 计算模块，用于以第一权重系数乘以经过所述平滑滤波处理后的输入图像，以整体增强经过所述平滑滤波处理后的输入图像； 相应的，所述输出模块，包括: 第一叠加单元，用于将经过所述小波变换处理后的输入图像与乘以所述第一权重系数的输入图像叠加； 线性放大单元，用于对叠加后的输入图像进行线性放大； 输出单元，用于输出经过所述线性放大后的输入图像。
8.根据权利要求7所述的设备，其特征在于，所述小波变换模块，包括: 确定单元，用于确定经过所述平滑滤波处理后的输入图像中的病变特征区域和背景结构区域；` 分割单元，用于采用小波变换算法，根据确定的病变特征区域和背景结构区域对所述经过所述平滑滤波处理后的输入图像进行分割处理，得到与所述确定的病变特征区域对应的第一子输入图像和与所述确定的背景结构区域对应的第二子输入图像； 重构单元，用于采用小波逆变换算法，分别对所述第一子输入图像和所述第二子输入图像进行重构处理； 第二叠加单元，用于对经过所述重构处理后的第一子输入图像和第二子输入图像进行置加。
9.根据权利要求8所述的设备，其特征在于，所述第二叠加单元，具体用于: 以第二权重系数乘以经过所述重构处理后的第一子输入图像，以第三权重系数乘以经过所述重构处理后的第二子输入图像； 以乘以所述第二权重系数后的第一子输入图像减去乘以所述第三权重系数后的第二子输入图像。
10.根据权利要求8或9所述的设备，其特征在于，所示小波变换模块，还包括: 分类单元，用于根据不同病理特征，对与所述确定的病变特征区域对应的第一子输入图像进行分类划分。
【文档编号】A61B6/00GK103824265SQ201410081927
【公开日】2014年5月28日 申请日期:2014年3月7日 优先权日:2014年3月7日
【发明者】宋晓东, 陈迺迪, 钱唯, 刘远明 申请人:杭州千思科技有限公司