一种钼靶图像中胸大肌区域自动检测方法技术

本发明专利技术公开了一种钼靶图像中胸大肌区域自动检测方法，包括下述步骤：S1、使用传统的基于灰度、梯度、纹理特征的方法得到胸大肌区域的粗分割图像；S2、对步骤S1得到的粗分割图像使用深度卷积神经网络得到细分割图像；S3、基于得到的深度卷积神经网络模型对乳腺钼靶图像胸大肌图像进行自动检测。本发明专利技术改进采用了经典算法来对钼靶图像中胸大肌区域进行初步检测，由于传统算法一般只能适应特定的一些情况，很难能够通用，故本发明专利技术中将其作初步分割，进一步用深度卷积神经网络来进行精细分割；同时通过粗分割处理，本发明专利技术大大缓解了深度学习对大数量训练样本的需求。

An automatic detection method for pectoralis major in mammogram images

The invention discloses an automatic detection method for pectoralis major muscle region in molybdenum target image, which comprises the following steps: S1, obtaining coarse segmentation image of pectoralis major muscle region by using traditional methods based on gray level, gradient and texture features; S2, using depth convolution neural network to obtain subdivision image of coarse segmentation image obtained by S 1 and S 1; Based on the depth convolution neural network model, the pectoralis major muscle image of mammography was detected automatically. The improvement of the invention adopts the classical algorithm to detect the pectoralis major muscle region in the molybdenum target image. Because the traditional algorithm can only adapt to some specific conditions, it is difficult to be universal, so the method is used to segment the pectoralis major muscle region preliminarily, and the deep convolution neural network is further used for fine segmentation; meanwhile, the coarse segmentation is adopted. The invention greatly alleviates the demand for deep learning for a large number of training samples.

【技术实现步骤摘要】
一种钼靶图像中胸大肌区域自动检测方法
本专利技术涉及图像处理的
，更具体地说，涉及一种钼靶图像中胸大肌区域自动检测方法。
技术介绍
乳腺癌是女性癌症死亡的主要原因之一。目前，乳腺癌早期检测的最有效的方法是乳腺钼靶图像的筛查。然而，目前放射科医生每天分析数百张乳腺钼靶图像，任务繁重耗时耗力，这导致了部分病例病情的漏报和误报。计算机辅助诊断(CAD)系统作为“第二读者意见”有其一致性，可靠性，且速度快的优点，因此越来越受欢迎。CAD系统可以为放射科医生提供有效的辅助诊断意见，这能提高了乳腺钼靶图像检测的准确性。在乳腺的CAD系统中，胸大肌区域的自动检测是钼靶图像计算分析的关键的预处理步骤。准确的胸大肌区域分割对CAD系统诊断有许多帮助，例如，能减少钼靶图像乳腺密度估计的误差，为乳腺钼靶图像多视图分析的图像配准提供参数，提高CAD系统后续计算分析辅助诊断的效果等。然而，胸大肌区域的准确自动分割是一个极具挑战的任务，特别是在筛查的钼靶图像中伪影，乳房皮肤线的低对比度，胸部和乳房组织之间的均匀性等，都极大增加了胸大肌区域准确分割的难度。目前，钼靶图像中胸大肌区域检测方法中，现有的技术都是基于经典计算机视觉算法实现的。这些胸大肌区域检测方法分为以下几类。1)基于灰度的胸大肌检测。这一类检测方法应用乳房组织和胸大肌之间的灰度差异，其原理是假定胸大肌的灰度高于其周围组织，利用此信息来进行胸大肌的分割，如简单的使用阈值分割，使用梯度跟踪等等。2)基于线检测技术的胸大肌检测。这一类检测方法原理是假定胸大肌边界是一条直线，然后使用检测直线的方法进行胸大肌的分割。常用的直线检测方法比如霍夫变换被用来找霍夫空间中正确梯度幅度和方向，投影长度和相应的胸部面积。3)基于统计分析方法的胸大肌检测。乳房结构根据其纹理、外观和密度被分为不同的类别进行研究。利用此信息，可以推断得到几个统计参数，从而可以运用一些统计技术对乳房密度模式进行分类。比如使用纹理特性来识别胸部边界，方法中可用支持向量回归来识别胸肌的端点。4)基于小波的胸大肌检测方法。这一类方法运用小波剧透从图形中获取空间频率信息的能力来对钼靶图像胸大肌进行检测。比如使用Dyadic小波分解进行胸肌检测。5)其他检测方法。比如基于主动轮廓的分割方法用来检测胸大肌。从上面的阐述可知，目前，钼靶图像中胸大肌区域检测方法中，现有的技术都是基于经典算法实现的。在大多数情况下，这些方法都是具有较强的使用前提假设的，它们更多的是针对一组数据或者特定的问题，极少通用的解决方法可用于胸肌检测，因此从现有方法来看，没有一种具体的方法可以很好的解决胸大肌的完全自动检测问题。导致上述缺点原因是它们针对特定类型的数据或者特定的问题，具有较强的使用条件。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种通用且准确有效的钼靶图像中胸大肌区域自动检测方法，为现有的乳腺CAD系统提供准确的钼靶图像胸大肌检测结果，从而提高计算分析结果的准确度，为放射科医生提供更好的辅助诊断，最终减少病例病情的漏报和误报。为了达到上述目的，本专利技术采用以下技术方案：本专利技术钼靶图像中胸大肌区域自动检测方法，包括下述步骤：S1、使用传统的基于灰度、梯度、纹理特征的方法得到胸大肌区域的粗分割图像；S2、对步骤S1得到的粗分割图像使用深度卷积神经网络得到细分割图像，并做如下处理，具体步骤如下：S21、采集带有可靠的胸大肌检测结果的乳腺钼靶图像数据，采集的钼靶图像数据包含各种不一样的数据类型；所述乳腺钼靶图像数据按8:1:1的比例被随机分成了三部分，一部分作为深度卷积神经网络的训练集，一部分作为深度卷积神经网络的验证集，最后保留了一部分作为独立测试集合；S22、对于粗分割图像和原始钼靶图像都进行预处理；S23、将预处理完成后的粗分割图像和原始钼靶图像以及对应的胸大肌真实检测结果输入深度卷积神经网络对网络进行训练；S24、得到稳健的深度卷积神经网络模型MCNN；S3、基于得到的深度卷积神经网络模型对乳腺钼靶图像胸大肌图像进行自动检测。作为优选的技术方案，步骤S1具体包括下述步骤：S11、结合高斯金字塔设计一个基于梯度的方向性多尺度滤波器，来增强图像的线性纹理结构；S12、得到增强后的图像后，基于梯度的纹理分析提取纹理方向图像，此纹理方向图像表示每个像素的主要纹理方向；S13、对于纹理方向图像，采用另外一个基于梯度的方向性多尺度滤波器来对其进行增强；S14、得到增强纹理结构后的纹理方向图像，使用主动轮廓模型来得到胸大肌区域的边界，从而得到钼靶图像的胸大肌区域粗分割后的图像。作为优选的技术方案，步骤S11中，所述基于梯度的方向性多尺度滤波器的具体设计如下：在MLO视图上，胸肌从上方倾斜地描绘到下方乳头的水平或更下方，由于数字化图像的方向可通过乳房边界的曲率自动确定，故假定胸肌边界的方向大致从左上角到右下角并且大于45度；因为设计的滤波器为了增强从左上角到右下角约为45度的线性纹理结构，其过滤器的内核设计为一个右上部分为1，左下部分为-1的矩阵，内核大小根据纹理主导方向的局部区域大小确定，结合高斯金字塔，在不同尺度上应用设计的基于梯度的方向性滤波器；步骤S13中的另一个基于梯度的方向性多尺度滤波器的设计方法同步骤S11中的设计方法。作为优选的技术方案，步骤S21中，所述预处理包括下述内容：首先，对粗分割图像和原始钼靶图像使用组合的放射变换，包括旋转、水平和垂直移动、缩放技术来对数据集进行增广，避免深度卷积神经网络过拟合；其次，为了更好的检测图像特征，图像的全为零的行和列被删除，并且对于粗分割图像和原始钼靶图像进行图像增强，接着对整个包含胸大肌区域的乳房区域的提取；最后，将图像统一到同一个尺寸，图像的像素值被缩放到[0,1]范围。作为优选的技术方案，步骤S23中，采用深度学习框架keras对网络进行训练的。作为优选的技术方案，步骤S24中，所述稳健的深度卷积神经网络MCNN是基于多尺度分层学习的原理设计的，MCNN包括三个主要单元：1)卷积层，2)降维层，3)反卷积层，所述MCNN对图像进行逐像素的多尺度分类，从而解决了分级的图像分割。本专利技术与现有技术相比，具有如下优点和有益效果：1、本专利技术改进采用了经典算法来对钼靶图像中胸大肌区域进行初步检测，由于传统算法一般只能适应特定的一些情况，很难能够通用，故本专利技术中将其作初步分割，进一步用深度卷积神经网络来进行精细分割；同时通过粗分割处理，本专利技术大大缓解了深度学习对大数量训练样本的需求。2、本专利技术运用深度卷积神经网络来进行钼靶图像中胸大肌区域自动检测，给出一种通用且准确有效的钼靶图像中胸大肌区域自动检测方法，为现有的乳腺CAD系统提供准确的钼靶图像胸大肌检测结果。本专利技术的钼靶图像中胸大肌区域自动检测是第一个将卷积神经网络和深度学习这样的先进机器学习方法应用到乳腺钼靶图像胸大肌自动检测的方法，且该检测方法具有非常高的准确性。附图说明图1是本实施例第一阶段的处理流程图；图2是本实施例第二阶段的处理流程图；图3(a)是本实施例中原始钼靶图像；图3(b)是本实施例中采用本专利技术的结果示意图；图3(c)是本实施例中医生手工绘制的示意图；图4是本实施例深度卷积神经网络模型的网络结构示意图。具体本文档来自技高网...

【技术保护点】
1.一种钼靶图像中胸大肌区域自动检测方法，其特征在于，包括下述步骤：S1、使用传统的基于灰度、梯度、纹理特征的方法得到胸大肌区域的粗分割图像；S2、对步骤S1得到的粗分割图像使用深度卷积神经网络得到细分割图像，并做如下处理，具体步骤如下：S21、采集带有可靠的胸大肌检测结果的乳腺钼靶图像数据，采集的钼靶图像数据包含各种不一样的数据类型；所述乳腺钼靶图像数据按8:1:1的比例被随机分成了三部分，一部分作为深度卷积神经网络的训练集，一部分作为深度卷积神经网络的验证集，最后保留了一部分作为独立测试集合；S22、对于粗分割图像和原始钼靶图像都进行预处理；S23、将预处理完成后的粗分割图像和原始钼靶图像以及对应的胸大肌真实检测结果输入深度卷积神经网络对网络进行训练；S24、得到稳健的深度卷积神经网络模型MCNN；S3、基于得到的深度卷积神经网络模型对乳腺钼靶图像胸大肌图像进行自动检测。

【技术特征摘要】
1.一种钼靶图像中胸大肌区域自动检测方法，其特征在于，包括下述步骤：S1、使用传统的基于灰度、梯度、纹理特征的方法得到胸大肌区域的粗分割图像；S2、对步骤S1得到的粗分割图像使用深度卷积神经网络得到细分割图像，并做如下处理，具体步骤如下：S21、采集带有可靠的胸大肌检测结果的乳腺钼靶图像数据，采集的钼靶图像数据包含各种不一样的数据类型；所述乳腺钼靶图像数据按8:1:1的比例被随机分成了三部分，一部分作为深度卷积神经网络的训练集，一部分作为深度卷积神经网络的验证集，最后保留了一部分作为独立测试集合；S22、对于粗分割图像和原始钼靶图像都进行预处理；S23、将预处理完成后的粗分割图像和原始钼靶图像以及对应的胸大肌真实检测结果输入深度卷积神经网络对网络进行训练；S24、得到稳健的深度卷积神经网络模型MCNN；S3、基于得到的深度卷积神经网络模型对乳腺钼靶图像胸大肌图像进行自动检测。2.根据权利要求1所述的钼靶图像中胸大肌区域自动检测方法，其特征在于，步骤S1具体包括下述步骤：S11、结合高斯金字塔设计一个基于梯度的方向性多尺度滤波器，来增强图像的线性纹理结构；S12、得到增强后的图像后，基于梯度的纹理分析提取纹理方向图像，此纹理方向图像表示每个像素的主要纹理方向；S13、对于纹理方向图像，采用另外一个基于梯度的方向性多尺度滤波器来对其进行增强；S14、得到增强纹理结构后的纹理方向图像，使用主动轮廓模型来得到胸大肌区域的边界，从而得到钼靶图像的胸大肌区域粗分割后的图像。3.根据权利要求2所述的钼靶图像中胸大肌区域自动检测方法，其特征在于，步骤S11中，所述基于梯度的方...

【专利技术属性】
技术研发人员：陆遥，马祥园，
申请(专利权)人：广州柏视医疗科技有限公司，
类型：发明
国别省市：广东,44