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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。