基于bi-rads的图像分析装置和方法
【专利摘要】本发明提供一种基于BI-RADS(乳腺影像报告与数据系统)的图像分析装置和方法，其中，通过从乳腺超声波影像中的病变轮廓提取各种特征并对每个特征类下的各种特征进行融合来基于BI-RADS确定病变组织的分类级别。
【专利说明】基于B卜RADS的图像分析装置和方法
【技术领域】
[0001]本申请涉及一种基于B1-RADS(乳腺影像报告与数据系统)的图像分析装置和方法，通过从乳腺超声波影像中的病变轮廓作为目标区域，提取各种特征并对每个特征类下的各种特征进行融合，从而基于B1-RADS确定病变组织的分类级别的图像分析装置和方法。
【背景技术】
[0002]乳腺癌是女性的第二大杀手，而早期检测是降低死亡率(40%或以上)的关键。超声波越来越多地作为乳房X光检查(X射线)的补充诊断测试被用于乳腺成像，当乳房X光检查可能发生敏感性降低时或者当乳房X光检查存在不可接受的辐射危险时，其本身也作为第一线成像技术被使用。因此，计算机辅助诊断(CAD)系统可以帮助缺乏经验的医生来避免误诊，在不误诊癌症的前提下减少良性病变活检的数量，并且减少各种检测的变化。
[0003]目前，大多数系统肿瘤注重检测，而不太注重肿瘤分类。当前的技术存在三个主要问题。首先，病变分类系统大多数是基于经验的，也就是说，不同的特征根据不同的超声图像设不同阈值，不同的研究人员采用不同的标准。第二，采用如图1所示的传统病变分类系统构架提取的特征相对较少，不足以确证病变的级别。其次，病变的评估不明确，也不完全。传统的病变分类级别仅包括良性、恶性以及不确定三个级别。
【发明内容】
[0004]本发明的目的在于提供一种通过从乳腺超声波影像中的病变轮廓提取各种特征并对每个特征类下的各种特征进行融合来确定病变的分类级别的基于B1-RADS的图像分析装置和方法。
[0005]根据本发明的一方面，提供一种种基于B1-RADS乳腺影像报告与数据系统的图像分析装置，包括:影像获取单元，用于获取影像；区域识别单元，用于使用预定识别算法识别所述影像中的目标区域；特征提取单元，用于对所述目标区域进行至少一个特征类的至少一个特征的计算；特征融合单元，用于使用训练方法对计算的每个特征类的全部特征进行特征融合，并计算每个特征类的特征融合的敏感性和特异性；分类确定单元，用于根据计算的敏感性和特异性，基于B1-RADS确定目标区域的分类级别。
[0006]影像获取单元可从与计算机连接的超声波成像设备获取所述影像。
[0007]所述至少一个特征类可包括形状类、方向类、边缘类、边界类、回声模式类和后方回声类特征中的至少一个类。
[0008]所述训练方法可以是支持向量机(SVM)、决策树、Adaboosting算法、Naivebayes
之一 O
[0009]特征提取单元可根据以下公式分别计算每个特征类的敏感性和特异性:
[0010]Sensi = TP/(TP+FN)
[0011]Speci = TN/(TN+FP)[0012]其中，Sensi是特征类的敏感性，Speci是特征类的特异性，TP表示正样本正确地分类为正样本的个数，TN表示负样本正确地分类为负样本的个数，FP表示正样本错误地分类为负样本的个数，FN表示负样本错误地分类为正样本的个数。
[0013]所述形状类特征可包括表示目标区域的形状和与其拟合椭圆之间的Sv特征、目标区域与其拟合椭圆的周长比、目标区域中凸点和凹点的个数和小叶片特征LI，
[0014]可通过以下公式计算Sv特征:
【权利要求】
1.一种基于B1-RADS乳腺影像报告与数据系统的图像分析装置，包括: 影像获取单元，用于获取影像； 区域识别单元，用于使用预定识别算法识别所述影像中的目标区域； 特征提取单元，用于对所述目标区域进行至少一个特征类的至少一个特征的计算； 特征融合单元，用于使用训练方法对计算的每个特征类的全部特征进行特征融合，并计算每个特征类的特征融合的敏感性和特异性； 分类确定单元，用于根据计算的敏感性和特异性，基于B1-RADS确定目标区域的分类级别。
2.如权利要求1所述的图像分析装置，其中，影像获取单元从与计算机连接的超声波成像设备获取所述影像。
3.如权利要求1所述的图像分析装置，其中，所述至少一个特征类包括形状类、方向类、边缘类、边界类、回声模式类和后方回声类特征中的至少一个类。
4.如权利要求3所述的图像分析装置，其中，所述训练方法是支持向量机(SVM)、决策树、Adaboosting 算法、Naivebayes 之一。
5.如权利要求4所述的图像分析装置，其中，特征提取单元根据以下公式分别计算每个特征类的敏感性和特异性:
Sensi = TP/ (TP+FN)
Speci = TN/(TN+FP) 其中，Sensi是特征类的敏感性，Speci是特征类的特异性，TP表示正样本正确地分类为正样本的个数，TN表示负样本正确地分类为负样本的个数，FP表示正样本错误地分类为负样本的个数，FN表示负样本错误地分类为正样本的个数。
6.如权利要求5所述的图像分析装置，其中，所述形状类特征包括表示目标区域的形状和与其拟合椭圆之间的Sv特征、目标区域与其拟合椭圆的周长比、目标区域中凸点和凹点的个数和小叶片特征LI， 通过以下公式计算Sv特征:
7.如权利要求5所述的图像分析装置，其中，所述方向类特征包括目标区域的拟合椭圆的方向、拟合椭圆的长短轴的比、目标区域的最小外接矩形的长宽比。
8.如权利要求5所述的图像分析装置，其中，边缘类特征包括目标区域小叶片的个数和表示目标区域固体结表面的交替回声直线的Ms特征， 通过以下公式计算Ms特征:
9.如权利要求5所述的图像分析装置，其中，边界类特征包括LB特征和ILB特征， 通过以下公式计算所述LB特征:
10.如权利要求5所述的图像分析装置，其中，回声模式类特征包括目标区域块的平均灰度特征EP1、目标区域块的灰度变化特征EPm以及空间灰度共生矩阵(SGLD)特征， 通过以下公式计算EP1:
11.如权利要求10所述的图像分析装置，其中，后方回声类特征包括表示目标区域与其后方区域灰度差的PSd特征、表示目标区域和其后方区域直方图差的PSh特征以及PSm特征， 通过以下公式计算所述PSd特征:
12.一种基于B1-RADS乳腺影像报告与数据系统的图像分析方法，包括: 获取影像； 使用预定识别算法识别所述影像中的目标区域； 对所述目标区域进行至少一个特征类的至少一个特征的计算； 使用训练方法对计算的每个特征类的全部特征进行特征融合，并计算每个特征类的特征融合的敏感性和特异性； 根据计算的敏感性和特异性，基于B1-RADS确定目标区域的分类级别。
13.如权利要求12所述的图像分析方法，其中，从与计算机连接的超声波成像设备获取所述影像。
14.如权利要求12所述的图像分析方法，其中，所述至少一个特征类包括形状类、方向类、边缘类、边界类、回声模式类和后方回声类特征中的至少一个类。
15.如权利要求14所述的图像分析方法，其中，所述训练方法是支持向量机(SVM)、决策树、Adaboosting 算法、Naivebayes 之一。
16.如权利要求15所述的系统，其中，根据以下公式分别计算每个特征类的敏感性和特异性:
Sensi = TP/ (TP+FN)
Speci = TN/(TN+FP) 其中，Sensi是特征类的敏感性，Speci是特征类的特异性，TP表示正样本正确地分类为正样本的个数，TN表示负样本正确地分类为负样本的个数，FP表示正样本错误地分类为负样本的个数，FN表示负样本错误地分类为正样本的个数。
17.如权利要求16所述的图像分析方法，其中，所述形状类特征包括表示目标区域的形状和与其拟合椭圆之间的Sv特征、目标区域与其拟合椭圆的周长比、目标区域中凸点和凹点的个数和小叶片特征LI， 通过以下公式计算Sv特征:
18.如权利要求16所述的图像分析方法，其中，所述方向类特征包括目标区域的拟合椭圆的方向、拟合椭圆的长短轴的比、目标区域的最小外接矩形的长宽比。
19.如权利要求16所述的图像分析方法，其中，边缘类特征包括目标区域小叶片的个数和表示目标区域固体结表面的交替回声直线的Ms特征， 通过以下公式计算Ms特征:
20.如权利要求16所述的图像分析方法，其中，边界类特征包括LB特征和ILB特征， 通过以下公式计算所述LB特征:
21.如权利要求16所述的图像分析方法，其中，回声模式类特征包括目标区域块的平均灰度特征EPp目标区域块的灰度变化特征EPm以及空间灰度共生矩阵(SGLD)特征， 通过以下公式计算EP1:
22.如权利要求21所述的图像分析方法，其中，后方回声类特征包括表示目标区域与其后方区域灰度差的PSd特征、表示目标区域和其后方区域直方图差的PSh特征以及PSm特征， 通过以下公式计算所述PSd特征:
【文档编号】G06K9/62GK103455821SQ201210171573
【公开日】2013年12月18日 申请日期:2012年5月29日 优先权日:2012年5月29日
【发明者】刘志花, 任海兵, 张丽丹, 郝志会, 朴晋满 申请人:北京三星通信技术研究有限公司, 三星电子株式会社