一种病变图像的病灶检测方法及装置制造方法及图纸

本申请公开了一种病变图像的病灶检测方法及装置，方法包括：根据预置先验聚类算法在预置病变图像中提取背景先验特征图；通过自适应阈值分割算法在背景先验特征图中获取潜在目标区域，并计算潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；采用预置Log‑Gabor滤波器对预置病变图像进行带通滤波处理，得到频率先验特征图；将背景先验特征图、中心先验特征图和频率先验特征图进行特征图融合处理，得到融合先验特征图；采用预置图像分割算法对融合先验特征图进行平滑优化处理，得到目标病灶检测结果。本申请解决了现有技术对图像质量较差、病灶面积较小且边界较为模糊的病变图像的检测效果较差的技术问题。

【技术实现步骤摘要】
一种病变图像的病灶检测方法及装置
本申请涉及图像处理
，尤其涉及一种病变图像的病灶检测方法及装置。
技术介绍
乳腺癌作为全世界妇女最常见的癌症，是目前导致全世界女性死亡的主要癌症之一。有数据显示，乳腺癌的发病率呈逐年上升的趋势，发病也逐渐年轻化。近几年的临床研究发现，如果乳腺肿瘤能够早期发现并进行有效治疗，则可以很大的提高治愈成功率，所以，早期的诊断检测方法至关重要。目前乳腺超声是乳腺癌筛查的主要手段，乳腺超声图像中病变的自动检测对人工智能时代的计算机辅助诊断具有重要意义。在传统的乳腺超声病灶诊断中，医生通过观察乳腺超声图像中病灶区的情况来为病人提供正确诊断结果，因此，为了获得正确的诊断，放射科医生必须有丰富的临床经验和专家知识。为了降低人类主观依赖性，获得准确可靠的诊断结果，提高诊断效率，针对计算机辅助诊断技术开始出现。乳腺病灶区自动检测是计算机辅助诊断技术中重要的组成部分，自动检测技术不需要人工介入，可以节省大量的人力和时间，对于病灶的多样性变化具有很好的鲁棒性，有利于减轻医生的工作负担，提高诊断效率，为医生的诊断提供了有效的辅助作用。但是现有病灶区域自动检测技术要么是采用设定的阈值进行区域划分确认，对病灶图像的像素质量要求较高；要么就是采用网络模型进行病灶检测，但是，模型的构建训练成本较高，且时效性较差，导致现有技术对图像质量较差，病灶面积较小，且边界较为模糊的病变图像的检测效果太差。
技术实现思路
本申请提供了一种病变图像的病灶检测方法及装置，用于解决现有技术对图像质量较差、病灶面积较小且边界较为模糊的病变图像的检测效果较差的技术问题。有鉴于此，本申请第一方面提供了一种病变图像的病灶检测方法，包括：根据预置先验聚类算法在预置病变图像中提取背景先验特征图；通过自适应阈值分割算法在所述背景先验特征图中获取潜在目标区域，并计算所述潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；采用预置Log-Gabor滤波器对所述预置病变图像进行带通滤波处理，得到频率先验特征图；将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图；采用预置图像分割算法对所述融合先验特征图进行平滑优化处理，得到目标病灶检测结果。优选地，所述根据预置先验聚类算法在预置病变图像中提取背景先验特征图，之前还包括：对原始病变超声图像进行预处理操作，得到所述预置病变图像。优选地，所述根据预置先验聚类算法在预置病变图像中提取背景先验特征图，具体包括：获取所述预置病变图像的边界，并将所述边界作为背景种子；将所述背景种子采用所述预置先验聚类算法进行均值聚类处理，并构造全局色差矩阵和全局空间距离矩阵；根据所述全局色差矩阵和全局空间距离矩阵生成所述背景先验特征图。优选地，所述根据预置先验聚类算法在预置病变图像中提取背景先验特征图，之后还包括：通过预置元胞自动技术构造的预置影响因子矩阵和预置相干矩阵对所述背景先验特征图进行优化处理，得到优化后的背景先验特征图。优选地，所述将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图，包括：根据预置融合公式将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图，所述预置融合公式为：其中，Sfinl为所述融合先验特征图，θ1、θ2为两个权重参数，SF为所述频率先验特征图，Sc为所述中心先验特征图，Sopt为所述背景先验特征图，λ为平衡参数。本申请第二方面提供了一种病变图像的病灶检测装置，包括：第一特征模块，用于根据预置先验聚类算法在预置病变图像中提取背景先验特征图；第二特征模块，用于通过自适应阈值分割算法在所述背景先验特征图中获取潜在目标区域，并计算所述潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；第三特征模块，用于采用预置Log-Gabor滤波器对所述预置病变图像进行带通滤波处理，得到频率先验特征图；融合模块，用于将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图；检测模块，用于采用预置图像分割算法对所述融合先验特征图进行平滑优化处理，得到目标病灶检测结果。优选地，还包括：预处理模块，用于对原始病变超声图像进行预处理操作，得到所述预置病变图像。优选地，所述第一特征模块具体包括：边界子模块，用于获取所述预置病变图像的边界，并将所述边界作为背景种子；聚类子模块，用于将所述背景种子采用所述预置先验聚类算法进行均值聚类处理，并构造全局色差矩阵和全局空间距离矩阵；生成子模块，用于根据所述全局色差矩阵和全局空间距离矩阵生成所述背景先验特征图。优选地，还包括：优化模块，用于通过预置元胞自动技术构造的预置影响因子矩阵和预置相干矩阵对所述背景先验特征图进行优化处理，得到优化后的背景先验特征图。优选地，所述融合模块具体用于：根据预置融合公式将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图，所述预置融合公式为：其中，Sfinl为所述融合先验特征图，θ1、θ2为两个权重参数，SF为所述频率先验特征图，Sc为所述中心先验特征图，Sopt为所述背景先验特征图，λ为平衡参数。从以上技术方案可以看出，本申请实施例具有以下优点：本申请中，提供了一种病变图像的病灶检测方法，包括：根据预置先验聚类算法在预置病变图像中提取背景先验特征图；通过自适应阈值分割算法在背景先验特征图中获取潜在目标区域，并计算潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；采用预置Log-Gabor滤波器对预置病变图像进行带通滤波处理，得到频率先验特征图；将背景先验特征图、中心先验特征图和频率先验特征图进行特征图融合处理，得到融合先验特征图；采用预置图像分割算法对融合先验特征图进行平滑优化处理，得到目标病灶检测结果。本申请提供的病变图像的病灶检测方法，采用不同的方法提取预置病变图像的不同特征图，而不是通过单一的特征描述病变图像，不同的特征提取既能够避免图像质量不一造成特征提取障碍，还能够增强图像的特征表达能力，更加有助于病灶的检测；对于图像质量差、病灶面积小且边界模糊的病变图像，采用自适应阈值分割算法可以增强图像的对比度，从而提升检测效率，采用预置Log-Gabor滤波器进行滤波处理，能够增强纹理特征的表达；而融合图像则在消除病变图像中的背景噪声和模糊噪声的同时，还能提高病灶的检测准确率。因此，本申请解决了现有技术对图像质量较差、病灶面积较小且边界较为模糊的病变图像的检测效果较差的技术问题。附图说明图1为本申请实施例提供的一种病变图像的病灶检测方法的一个流程示意图；图2为本申请实施本文档来自技高网...

【技术保护点】
1.一种病变图像的病灶检测方法，其特征在于，包括：/n根据预置先验聚类算法在预置病变图像中提取背景先验特征图；/n通过自适应阈值分割算法在所述背景先验特征图中获取潜在目标区域，并计算所述潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；/n采用预置Log-Gabor滤波器对所述预置病变图像进行带通滤波处理，得到频率先验特征图；/n将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图；/n采用预置图像分割算法对所述融合先验特征图进行平滑优化处理，得到目标病灶检测结果。/n

【技术特征摘要】
1.一种病变图像的病灶检测方法，其特征在于，包括：
根据预置先验聚类算法在预置病变图像中提取背景先验特征图；
通过自适应阈值分割算法在所述背景先验特征图中获取潜在目标区域，并计算所述潜在目标区域的潜在目标中心的归一化坐标，得到中心先验特征图；
采用预置Log-Gabor滤波器对所述预置病变图像进行带通滤波处理，得到频率先验特征图；
将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图；
采用预置图像分割算法对所述融合先验特征图进行平滑优化处理，得到目标病灶检测结果。


2.根据权利要求1所述的病变图像的病灶检测方法，其特征在于，所述根据预置先验聚类算法在预置病变图像中提取背景先验特征图，之前还包括：
对原始病变超声图像进行预处理操作，得到所述预置病变图像。


3.根据权利要求1所述的病变图像的病灶检测方法，其特征在于，所述根据预置先验聚类算法在预置病变图像中提取背景先验特征图，具体包括：
获取所述预置病变图像的边界，并将所述边界作为背景种子；
将所述背景种子采用所述预置先验聚类算法进行均值聚类处理，并构造全局色差矩阵和全局空间距离矩阵；
根据所述全局色差矩阵和全局空间距离矩阵生成所述背景先验特征图。


4.根据权利要求1所述的病变图像的病灶检测方法，其特征在于，所述根据预置先验聚类算法在预置病变图像中提取背景先验特征图，之后还包括：
通过预置元胞自动技术构造的预置影响因子矩阵和预置相干矩阵对所述背景先验特征图进行优化处理，得到优化后的背景先验特征图。


5.根据权利要求1所述的病变图像的病灶检测方法，其特征在于，所述将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图，包括：
根据预置融合公式将所述背景先验特征图、所述中心先验特征图和所述频率先验特征图进行特征图融合处理，得到融合先验特征图，所述预置融合公式为：



其中，Sfinl为所述融合先验特征图，θ1、θ2为两个权重参数，SF为所述频率先验特征图，Sc为所述中心先验特征图，Sop...

【专利技术属性】
技术研发人员：蔡念，方宏文，白有芳，黎剑，王晗，陈梅云，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44