[go: up one dir, main page]

TWI788689B - 三維乳房影像之物件偵測方法、物件偵測系統及非暫態電腦可讀取記錄媒體 - Google Patents

三維乳房影像之物件偵測方法、物件偵測系統及非暫態電腦可讀取記錄媒體 Download PDF

Info

Publication number
TWI788689B
TWI788689B TW109125338A TW109125338A TWI788689B TW I788689 B TWI788689 B TW I788689B TW 109125338 A TW109125338 A TW 109125338A TW 109125338 A TW109125338 A TW 109125338A TW I788689 B TWI788689 B TW I788689B
Authority
TW
Taiwan
Prior art keywords
dimensional
decision
difference
generate
image
Prior art date
Application number
TW109125338A
Other languages
English (en)
Other versions
TW202205217A (zh
Inventor
曾易聰
Original Assignee
財團法人資訊工業策進會
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 財團法人資訊工業策進會 filed Critical 財團法人資訊工業策進會
Priority to TW109125338A priority Critical patent/TWI788689B/zh
Priority to CN202010837723.2A priority patent/CN114066801A/zh
Priority to US17/012,081 priority patent/US11551356B2/en
Publication of TW202205217A publication Critical patent/TW202205217A/zh
Application granted granted Critical
Publication of TWI788689B publication Critical patent/TWI788689B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/025—Tomosynthesis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10112—Digital tomosynthesis [DTS]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一種物件偵測方法包括：對三維乳房影像分別執行N 個濾波器之濾波運算，以產生N 個三維濾波影像；計算相鄰之兩個三維濾波影像之間差值，以獲得三維差值影像；對三維差值影像使用一濾波器，以產生三維平滑差值影像，計算體素在三維平滑差值影像之間的差值變化，以獲得體素的模糊值；在決策模組中，對模糊值執行複數個第一決策運算元件以產生複數個第一決策結果，以及使用一或多個第一決策結果，執行複數個第二決策運算元件以產生複數個第二決策結果；對第一決策結果、第二決策結果執行一最終決策運算元件，以產生三維乳房影像的偵測物件。

Description

三維乳房影像之物件偵測方法、物件偵測系統及非暫態電腦可讀取記錄媒體
本案是有關於一種物件偵測方法、系統及儲存媒體，且特別是適用於三維乳房影像的物件偵測方法、系統及儲存媒體。
現有偵測三維乳房影像之物件的方法，是處理三維乳房影像的二維切片影像。舉例而言，二維的切片影像的紋理及亮度等像素(pixel)之特徵被納入為分析的參數，再以這些二維切片影像中群聚的特定像素來判斷三維乳房影像的物件。然而，由於是直接分析這些二維切片影像，所有的二維切片影像經判定有物件的區域組合復原為三維乳房影像判定有物件的區域時，三維乳房影像中物件的區域的邊界處容易有圖像不連續的問題，進而在三維乳房影像上偵測有物件的區域的結果不精準。
現有偵測三維乳房影像之物件的方法，有使用深度學習、機器學習等架構來處理，這些架構需要大量的特徵資料訓練模型，因此資料量不足時容易導致模型出現過擬合或欠擬合的問題。
現有偵測三維乳房影像之物件的方法，使用深度學習、機器學習等架構來處理，這些架構使用單一決策方式，使得偵測三維乳房影像有物件的效能受到這些架構的模型效能的影響。
面對二維切片影像經判定有物件的區域組合復原為三維乳房影像判定有物件的區域時邊界處有圖像不連續導致不精準偵測結果，特徵資料量不足導致模型出現過擬合或欠擬合，以及單一決策方式很容易影響偵測物件的效能的問題，找出解決方案是本領域技術人員所面臨的考驗。
發明內容旨在提供本揭示內容的簡化摘要，以使閱讀者對本案內容具備基本的理解。此發明內容並非本揭示內容的完整概述，且其用意並非在指出本案實施例的重要/關鍵元件或界定本案的範圍。
根據本案之一實施例，揭示一種物件偵測方法，適用於一三維乳房影像，該三維乳房影像包含複數個體素，其中該物件偵測方法包括：對該三維乳房影像分別執行N 個濾波器之濾波運算，以產生N 個三維濾波影像，其中N 為大於1之整數；分別計算第M 個該三維濾波影像及第M -1個該三維濾波影像之間的差值，以產生複數個三維差值影像，其中M 為1及N 之間的整數；對該三維差值影像執行一濾波器之濾波運算，以產生三維平滑差值影像；計算該些體素在該些三維平滑差值影像之間的差值變化，以獲得該些體素的一模糊值；在決策模組中使用該些體素的該模糊值，執行複數個第一決策運算元件以產生複數個第一決策結果，以及使用一或多個之該些第一決策結果，執行複數個第二決策運算元件以產生複數個第二決策結果；以及對該些第一決策結果及該些第二決策結果執行一最終決策運算元件，以產生三維乳房影像的偵測物件。
根據另一實施例，揭示一種物件偵測系統，包括：一儲存裝置，經配置以儲存一三維乳房影像，其中該三維乳房影像包含複數個體素；以及一處理器，耦接於該儲存裝置，其中該處理器包括：N 個濾波器，經配置以對該三維乳房影像分別執行濾波運算，以產生N 個三維濾波影像，其中N 為大於1之整數；複數個差值影像運算元件，耦接該N 個濾波器，其中該些差值影像運算元件經配置以分別計算第M 個該三維濾波影像及第M -1個該三維濾波影像之間的差值，以獲得複數個三維差值影像，其中M 為1及N 之間的整數；一模糊值運算元件，耦接該些差值影像運算元件，該模糊值運算元件經配置使用三維差值影像，執行一濾波器以產生三維平滑差值影像，以及計算該些體素在該些三維平滑差值影像之間的差值變化，以獲得該些體素的一模糊值；一決策模組，耦接該模糊值運算元件，其中該決策模組經配置以使用該些體素的模糊值，執行複數個第一決策運算元件以產生複數個第一決策結果，以及使用一或多個之該些第一決策結果，執行複數個第二決策運算元件以產生複數個第二決策結果，對該些第一決策結果及該些第二決策結果執行一最終決策運算元件，使得該處理器執行該決策模組時得以產生三維乳房影像的偵測物件。
根據另一實施例，揭示一種非暫態電腦可讀取記錄媒體，儲存多個程式碼，當該些程式碼被載入至一處理器，該處理器執行該些程式碼以完成下列步驟：擷取包含複數個體素之一三維乳房影像；對該三維乳房影像分別執行N 個濾波器之濾波運算，以產生N 個三維濾波影像，其中N 為大於1之整數；分別計算第M 個該三維濾波影像及第M -1個該三維濾波影像之間的差值，以產生複數個三維差值影像，其中M 為1及N 之間的整數；對該三維差值影像執行一濾波器之濾波運算，以產生複數個三維平滑差值影像；計算該些體素在該些三維平滑差值影像之間的差值變化，以獲得該些體素的一模糊值；在決策模組中，使用該些體素的模糊值，執行複數個第一決策運算元件以產生複數個第一決策結果，以及使用一或多個之該些第一決策結果，執行複數個第二決策運算元件以產生複數個第二決策結果；對該些第一決策結果及該些第二決策結果執行一最終決策運算元件，以產生三維乳房影像的偵測物件。
以下揭示內容提供許多不同實施例，以便實施本案之不同特徵。下文描述元件及排列之實施例以簡化本案。當然，該些實施例僅為示例性且並不欲為限制性。舉例而言，本案中使用「第一」、「第二」等用語描述元件，僅是用以區別以相同或相似的元件或操作，該用語並非用以限定本案的技術元件，亦非用以限定操作的次序或順位。另外，本案可在各實施例中重複元件符號及/或字母，並且相同的技術用語可使用相同及/或相應的元件符號於各實施例。此重複係出於簡明性及清晰之目的，且本身並不指示所論述之各實施例及/或配置之間的關係。
請參照第1圖，其根據本案一些實施例所繪示之一種物件偵測系統100的示意圖。如第1圖所示，物件偵測系統100包括處理器110、儲存裝置120，以及輸出裝置130。處理器110電性耦接於儲存裝置120及輸出裝置130。儲存裝置120用以儲存三維乳房影像。舉例而言，三維乳房影像是數位乳房斷層合成影像(digital breast tomosynthesis, DBT)。於一些實施例中，三維乳房影像包含複數個體素(volume element, voxel)。本案中所述的體素，係指三維乳房影像的基本元素，是三維影像座標(x,y,z)的資料。
於一些實施例中，物件偵測系統100適用於偵測三維乳房影像的物件。本案中所述的物件，係指乳房的病變組織，例如腫塊、鈣化點。物件偵測系統100先進行三維乳房影像的模糊值運算，使用模糊值及/或特徵值組合來訓練決策模組的決策運算元件。如此，後續可以針對指定的物件例如腫塊來執行影像分析，以偵測三維乳房影像的腫塊。於一些實施例中，輸出裝置130例如是顯示裝置。若處理器110偵測三維乳房影像有腫塊或鈣化點的情況，處理器110會標註腫塊或鈣化點的範圍，由輸出裝置130在三維乳房影像上顯示有病變組織的座標範圍。為便於說明，本案全文中使用物件來代表乳房病變組織的影像特徵。
請參照第2圖，其根據本案一些實施例所繪示之處理器110的示意圖。如第2圖所示，處理器110包含N 個濾波器112a~112n、N 個差值影像運算元件114a~114n、模糊值運算元件116，以及決策模組118。濾波器112a~112n分別耦接於差值影像運算元件114a~114n。差值影像運算元件114a~114n耦接於模糊值運算元件116。模糊值運算元件116耦接於決策模組118。於一些實施例中，濾波器112a~112n可以是平均濾波器、高斯低通濾波器、帶阻濾波器等。
於一些實施例中，N 個濾波器112a~112n會分別使用不同參數，以使得N 個濾波器112a~112n可以有不同的濾波結果。
請一併參照第2圖及第3圖。第3圖是根據本案一些實施例所繪示之一種物件偵測方法300的流程圖。本案的物件偵測方法300適用於檢測三維乳房影像。於一些實施例中，物件偵測系統100用以執行物件偵測方法300中的各個步驟。
首先，執行步驟S310，N 個濾波器112a~112n對三維乳房影像分別執行N 個濾波器之濾波運算，以產生N 個三維濾波影像，其中N 為大於1的整數。
請復參照第2圖，N 個濾波器112a~112n接收三維乳房影像後，濾波器112a~112n使用公式1來產生濾波影像：
Figure 02_image001
(公式1) 其中1≤k ≤N 。於公式1中，
Figure 02_image003
為第k 個濾波影像，
Figure 02_image005
為三維高斯低通濾波器，運算符號
Figure 02_image007
為卷積運算。公式1中的
Figure 02_image005
可透過公式2來計算：
Figure 02_image009
(公式2) 於公式2中，
Figure 02_image011
、
Figure 02_image013
及
Figure 02_image015
為一維高斯低通濾波器，其中
Figure 02_image011
為適用於三維乳房影像的x軸方向的濾波器，
Figure 02_image013
為適用於三維乳房影像的y軸方向的濾波器，
Figure 02_image015
為適用於三維乳房影像的z軸方向的濾波器。公式2中的
Figure 02_image011
可透過公式3來計算：
Figure 02_image017
(公式3) 於公式3中，
Figure 02_image019
為
Figure 02_image011
的標準變異量，
Figure 02_image021
為
Figure 02_image011
的長度。
Figure 02_image023
為
Figure 02_image011
的權重，其可透過公式4來計算：
Figure 02_image025
(公式4) 此外，
Figure 02_image013
及
Figure 02_image015
可以參考公式3和公式4產生。
基於前述的公式1~公式4，對三維乳房影像分別執行N 個濾波運算後，產生N 個三維濾波影像
Figure 02_image027
。
執行步驟S320，分別計算第M 個三維濾波影像及第M -1個三維濾波影像之間的差值，以獲得複數個三維差值影像。
請復參照第2圖，差值影像運算元件114a~114n分別用以計算相鄰的兩個三維濾波影像之間的差值。舉例而言，差值影像運算元件114m接收第M 個三維濾波影像及第M -1個三維濾波影像，並計算兩者的差值，以產生第M 個三維差值影像，其中M 是介於1及N 之間的整數。如第2圖所示，差值影像運算元件114b產生三維差值影像
Figure 02_image029
，差值影像運算元件114c產生三維差值影像
Figure 02_image031
。差值影像運算元件114n產生三維差值影像
Figure 02_image033
。其中差值影像運算元件114a計算三維乳房影像
Figure 02_image035
及三維濾波影像
Figure 02_image037
的差值，以產生三維差值影像
Figure 02_image039
。於一些實施例中，N 個三維差值影像
Figure 02_image041
可透過公式5來計算：
Figure 02_image043
(公式5) 其中1≤k ≤N ，運算符號||為絕對值運算。
執行步驟S330，基於三維乳房影像的每個體素，計算每個體素在三維平滑差值影像之間的差值變化，以獲得每個體素的模糊值。
請復參照第2圖，模糊值運算元件116取得N 個三維差值影像，對N 個三維差值影像執行一濾波器之濾波運算，以產生N 個三維平滑差值影像，該濾波器可以是平均濾波器、高斯低通濾波器。於一些實施例中，N 個三維平滑差值影像
Figure 02_image045
可透過公式6來計算：
Figure 02_image047
(公式6)於公式6中，Ω是一三維平均濾波器。接著，計算每個該些體素在該些三維平滑差值影像之間的差值變化，以獲得該些體素的一模糊值，體素的模糊值可透過公式7計算：
Figure 109125338-A0305-02-0012-1
 於公式7中，B是模糊值影像，w i 是對應第i個三維平滑差值影像的權值。本案係透過計算數值方式來估算在一範圍內的中央體素與其周遭體素的差異程度。當模糊值越大，中央體素與其周遭體素的差異程度較小，視覺上較柔和。當模糊值越小，中央體素與其周遭體素的差異程度較大，視覺上較銳利。
乳房病變組織的態樣不同，於三維乳房影像上的影像特徵(例如物件尺寸、亮度變化、紋理、輪廓等)也會有所不同。舉例而言，腫塊的尺寸比鈣化點的尺寸較大且範圍集中；鈣化點的尺寸比腫塊的尺寸較小，鈣化點的數量比腫塊的數量較多，並且鈣化點的範圍分散。基於乳房病變組織的態樣，於公式1~公式7的運算程序會針對指定之欲在三維乳房影像上偵測的物件類型，設定不同濾波器參數。於一些實施例中，濾波器112a~112n使用三維高斯低通濾波器，σ為三維高斯低通濾波器的標準變異量，即σ x=σ y=σ z=σ。三維高斯低通濾波器使用正確的標準變異量，三維乳房影像經由正確的濾波器處理，產生正確的三維濾波影像、三維差值影像、三維平滑差值影像，以及模糊值影像，因此能偵測正確的物件。
於一些實施例中，偵測腫塊的物件偵測方法中使用四個三維高斯低通濾波器，這些四個三維高斯低通濾波器使用的標準變異量為：
Figure 02_image057
。另外，於一些實施例中，偵測鈣化點的物件偵測方法中使用四個三維高斯低通濾波器，這些四個三維高斯低通濾波器使用的標準變異量為：
Figure 02_image059
。根據物件類型，複數個三維高斯低通濾波器使用不同標準變異量。於一些實施例中，N 個三維高斯低通濾波器的N 個標準變異量
Figure 02_image061
滿足：
Figure 02_image063
。
執行步驟S340，使用這些體素的模糊值，執行複數個第一決策運算元件以產生複數個第一決策結果，以及使用一或多個第一決策結果，執行複數個第二決策運算元件以產生複數個第二決策結果。
請一併參照第2圖至第4圖，第4圖是根據本案實施例所繪示之決策模組118的示意圖，本案揭露不限於此。第4圖所示，決策模組118包含複數個第一決策運算元件118-1、118-2、118-3、118-4，複數個第二決策運算元件118-5、118-6，以及一最終決策運算元件118-7。每一個決策運算元件具有不同的規則。在決策運算元件的訓練階段，每個決策運算元件會根據其規則，對訓練特徵資料以及訓練特徵資料對應於物件類型的標記進行訓練。於一些實施例中，第一決策運算元件118-1~118-4、第二決策運算元件118-5~118-6、最終決策運算元件118-7可以執行迴歸器、分類器、表決方法等。舉例而言，第一決策運算元件118-1及118-4用以執行分類器，第一決策運算元件118-2及118-3用以執行迴歸器。第二決策運算元件118-5用以執行二值分類器，第二決策運算元件118-6用以執行迴歸器。最終決策運算元件118-7用以執行表決方法。
決策模組118接收特徵資料F。於一些實施例中，特徵資料F使用模糊值運算元件116輸出的體素的模糊值。於另一些實施例中，特徵資料F可以使用模糊值和其他的特徵值之組合。
如第4圖所示，於本案一實施例中，決策模組118將體素的模糊值被輸入至第一決策運算元件118-1~118-4，而分別產生第一決策結果
Figure 02_image065
。接著，第二決策運算元件118-5接收第一決策結果
Figure 02_image067
及
Figure 02_image069
，並進行決策運算之後而產生第二決策結果
Figure 02_image071
。第二決策運算元件118-6接收第一決策結果
Figure 02_image069
及
Figure 02_image073
，並進行決策運算之後而產生第二決策結果
Figure 02_image075
。每一個決策運算元件可以建立三維乳房影像特徵及物件類型的關聯資訊。於另一實施例中，各決策運算元件可使用模糊值和三維乳房影像的其他的特徵值之組合進行決策運算。
請復一併參照第3圖和第4圖，執行步驟S350，對這些第一決策結果及第二決策結果執行一最終決策運算元件，以產生三維乳房影像的偵測物件。於一實施例中，最終決策運算元件118-7接收第一決策結果
Figure 02_image077
以及第二決策結果
Figure 02_image071
及
Figure 02_image075
，並進行決策運算之後而產生最終決策結果
Figure 02_image079
。
本案的決策模組不同於傳統使用單一決策方式，而是使用複數個決策運算元件，可以迴歸器、分類器、表決方法等。這些複數個決策運算元件產生複數個第一決策結果，可以是迴歸值、分類結果、表決結果等。接者，對這些決策結果，使用一或多個決策元件，並產生一或多個第二決策結果。如此一來，基於上一個決策結果再進行決策運算。最終決策運算元件將產生物件的偵測結果。換言之，在執行偵測物件的程序，處理器110偵測一待檢測三維乳房影像的一物件，物件可以是腫塊、鈣化點。
於一些實施例中，當處理器110偵測一待檢測三維乳房影像的物件，產生物件的範圍。請復參照第1圖，輸出裝置130會在一待檢測三維乳房影像上顯示此物件的範圍，以供相關人員作為參考。此範圍是一三維影像範圍，使用者可以透過輸出裝置130得知病變組織的體積大小、位置等資訊。
請參照第5圖，其根據本案一些實施例所繪示之三維乳房影像之二維切片影像500的腫塊偵測結果的示意圖。如第5圖所示，二維切片影像500中的編號550是乳房的側視圖。於此實施例中是偵測一待檢測三維乳房影像的腫塊，原始腫塊的範圍為編號512所示，偵測腫塊的範圍為編號514所示，專業醫師標註的腫塊的範圍為編號516所示。
請參照第6圖，其根據本案一些實施例所繪示之三維乳房影像之二維切片影像600的鈣化點偵測結果的示意圖。如第6圖所示，二維切片影像600中的編號650是乳房的側視圖。於此實施例中是偵測一待檢測三維乳房影像的鈣化點，原始鈣化點的範圍為編號612所示，鈣化點的範圍被標註如編號614所示，是體積較小且散佈較為廣泛，於第6圖以3個編號614作為代表，為圖式之簡潔而未標號出所有鈣化點的範圍。於第6圖，專業醫師標註的鈣化點的範圍為編號616所示。
第5圖及第6圖中的標註偵測物件的範圍514及614是一三維影像的範圍，雖本案使用二維切片影像來例示性說明三維影像的範圍，惟前述的物件偵測方法已清楚說明如何在三維乳房影像中取得病變組織的範圍，本案的揭露範圍不以二維切片影像的繪示為限。
在一些實施例中提出一種非暫態電腦可讀取記錄媒體，可儲存多個程式碼。程式碼被載入至如第1圖之處理器110後，處理器110執行程式碼並執行如第3圖之步驟。舉例來說，處理器110擷取包含複數個體素之三維乳房影像，對三維乳房影像分別執行N 個濾波器之濾波運算，以產生N 個三維濾波影像，計算相鄰之兩個三維濾波影像之間的差值以獲得三維差值影像，對三維差值影像執行濾波器之濾波運算，以產生三維平滑差值濾波影像，計算體素在三維平滑差值影像之間的差值變化，以獲得體素的模糊值，使用決策模組偵測三維乳房影像的物件。
綜上所述，本案的適用於三維乳房影像之物件偵測方法、物件偵測系統及非暫態電腦可讀取記錄媒體提供計算三維乳房影像的體素之模糊值來區分體素是否為物件的一部分，再偵測三維乳房影像中的物件的方法。由於三維乳房影像的成像特性，計算模糊值可以表示物件成像對焦的特性，此特性相似或等效於三維影像的深度資訊。因此，體素的模糊值可以偵測三維乳房影像不同的物件。舉例而言，腫塊的成像較模糊，於三維乳房影像中有腫塊的範圍是由模糊值較大的體素所組成。鈣化點的成像較顯著，於三維乳房影像中有鈣化點的範圍是由模糊值較小的體素所組成。此外，本案的決策模組結合複數個決策運算元件，在區分三維乳房影像的體素時可以避免模型過擬合或欠擬合的問題。
上述內容概述若干實施例之特徵，使得熟習此項技術者可更好地理解本案之態樣。熟習此項技術者應瞭解，在不脫離本案的精神和範圍的情況下，可輕易使用上述內容作為設計或修改為其他變化的基礎，以便實施本文所介紹之實施例的相同目的及/或實現相同優勢。上述內容應當被理解為本案的舉例，其保護範圍應以申請專利範圍為準。
100:物件偵測系統 110:處理器 112a~112n:濾波器 114a~114n:差值影像運算元件 116:模糊值運算元件 118:決策模組 118-1~118-6:決策運算元件 118-7:最終決策運算元件 120:儲存裝置 130:輸出裝置
Figure 02_image035
:三維乳房影像
Figure 02_image081
:三維濾波影像
Figure 02_image083
:三維差值影像
Figure 02_image085
:三維平滑差值影像 300:物件偵測方法 S310~S350:步驟 F:特徵資料
Figure 02_image087
:決策結果 500、600:二維切片影像 512、612:原始物件的範圍 514、614:偵測物件的範圍 516、616:專業醫師標註的物件的範圍 550、650:乳房的側視圖
以下詳細描述結合隨附圖式閱讀時，將有利於理解本揭示文件之態樣。應注意，根據說明上實務的需求，圖式中各特徵並不一定按比例繪製。實際上，出於論述清晰之目的，可能任意增加或減少各特徵之尺寸。 第1圖是根據本案一些實施例所繪示之一種物件偵測系統的示意圖。 第2圖是根據本案一些實施例所繪示之處理器的示意圖。 第3圖是根據本案一些實施例所繪示之一種物件偵測方法的流程圖。 第4圖是根據本案一些實施例所繪示之決策模組的示意圖。 第5圖是根據本案一些實施例所繪示之三維乳房影像之二維切片影像的腫塊偵測結果的示意圖。 第6圖是根據本案一些實施例所繪示之三維乳房影像之二維切片影像的鈣化點偵測結果的示意圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
300:物件偵測方法
S310~S350:步驟

Claims (18)

  1. 一種物件偵測方法，適用於一三維乳房影像，該三維乳房影像包含複數個體素，其中該物件偵測方法包括：對該三維乳房影像分別執行N個三維高斯低通濾波器之濾波運算，以分別產生N個三維濾波影像，其中N為大於1之整數，其中該N個三維高斯低通濾波器使用的N個標準變異量為σ1 ,σ2 ,...,σn；分別計算第M個該三維濾波影像及第M-1個該三維濾波影像之間的差值，以產生複數個三維差值影像，其中M為1及N之間的整數；對該些三維差值影像執行一濾波器之濾波運算，以產生複數個三維平滑差值影像；計算該些體素在該些三維平滑差值影像之間的差值變化，以獲得該些體素的一模糊值；在一決策模組中使用該些體素的該模糊值，執行複數個第一決策運算元件以產生複數個第一決策結果，以及使用一或多個之該些第一決策結果，執行複數個第二決策運算元件以產生複數個第二決策結果；以及對該些第一決策結果、該些第二決策結果執行一最終決策運算元件，以產生該三維乳房影像的一偵測物件。
  2. 如請求項1所述之物件偵測方法，更包括：設定該些體素對應的一物件類型，其中該物件類型包 括一腫塊及一鈣化點。
  3. 如請求項1所述之物件偵測方法，其中該N個三維高斯低通濾波器使用的N個標準變異量滿足σ 1<σ 2<…<σ n。
  4. 如請求項1所述之物件偵測方法，其中獲得該些三維差值影像的步驟包括：計算相鄰的兩個三維濾波影像之間的差值，以獲得該些三維差值影像。
  5. 如請求項4所述之物件偵測方法，更包括：計算第M個三維濾波影像和第M-1個三維濾波影像之間的差值，產生第M個三維差值影像。
  6. 如請求項1所述之物件偵測方法，其中獲得該些體素的該模糊值的步驟包括：計算該些體素在該些三維平滑差值影像之間的差值變化，以獲得該些體素的該模糊值。
  7. 如請求項6所述之物件偵測方法，更包括：對該些三維差值影像執行一三維低通濾波器之濾波運算，以產生該些三維平滑差值影像。
  8. 如請求項7所述之物件偵測方法，其中該三維低通濾波器包括一平均濾波器。
  9. 如請求項6所述之物件偵測方法，更包括：獲得每個該些三維平滑差值影像對應的一權重值；以及以計算每個該些三維平滑差值影像及該權重值的一加權總和作為該模糊值。
  10. 如請求項1所述之物件偵測方法，其中當判斷一待檢測三維乳房影像包含該偵測物件時，於該待檢測三維乳房影像中標註包含該偵測物件的一範圍。
  11. 一種物件偵測系統，包括：一儲存裝置，經配置以儲存一三維乳房影像，其中該三維乳房影像包含複數個體素；以及一處理器，耦接於該儲存裝置，其中該處理器包括：N個三維高斯低通濾波器，經配置以對該三維乳房影像分別執行濾波運算，以分別產生N個三維濾波影像，其中N為大於1之整數，其中該N個三維高斯低通濾波器使用的N個標準變異量為σ1 ,σ2 ,...,σn；複數個差值影像運算元件，耦接該N個濾波器，其中該些差值影像運算元件經配置以分別計算第M個該三維濾波影像及第M-1個該三維濾波影像之間 的差值，以獲得複數個三維差值影像，其中M為1及N之間的整數；一模糊值運算元件，耦接該些差值影像運算元件，其中該模糊值運算元件經配置以使用該些三維差值影像，執行一濾波器以產生複數個三維平滑差值影像，其中該模糊值運算元件更經配置以計算該些體素在該些三維平滑差值影像之間的差值變化，以獲得該些體素的一模糊值；一決策模組，耦接該模糊值運算元件，其中該決策模組經配置以使用該些體素的該模糊值，執行複數個第一決策運算元件以產生複數個第一決策結果，以及使用一或多個之該些第一決策結果，執行複數個第二決策運算元件以產生複數個第二決策結果，以及對該些第一決策結果、該些第二決策結果執行一最終決策運算元件，使得該處理器執行該決策模組時得以產生三維乳房影像的偵測物件。
  12. 如請求項11所述之物件偵測系統，其中該決策模組更經配置以：設定該些體素對應的該物件類型，其中該物件類型包括一腫塊及一鈣化點。
  13. 如請求項11所述之物件偵測系統，其中該N個三維高斯低通濾波器使用的N個標準變異量滿足 σ 1<σ 2<…<σ n。
  14. 如請求項11所述之物件偵測系統，其中該模糊值運算元件更經配置以：計算該些體素在該些三維平滑差值影像之間的差值變化，以獲得該些體素的該模糊值。
  15. 如請求項14所述之物件偵測系統，其中一三維低通濾波器包括一平均濾波器，該平均濾波器對該些三維差值影像執行濾波運算，以產生該些三維平滑差值影像。
  16. 如請求項14所述之物件偵測系統，其中該決策模組更經配置以：獲得每個該些三維平滑差值影像對應的一權重值；以及以計算每個該些三維平滑差值影像及該權重值的一加權總和作為該模糊值。
  17. 如請求項11所述之物件偵測系統，其中該處理器更經配置以：當判斷一待檢測三維乳房影像包含該偵測物件時，於該待檢測三維乳房影像中標註包含該偵測物件的一範圍。
  18. 一種非暫態電腦可讀取記錄媒體，儲存多個程式碼，當該些程式碼被載入至一處理器，該處理器執行該些程式碼以完成下列步驟：擷取包含複數個體素之一三維乳房影像；對該三維乳房影像分別執行N個三維高斯低通濾波器之濾波運算，以分別產生N個三維濾波影像，其中N為大於1之整數，其中該N個三維高斯低通濾波器使用的N個標準變異量為σ1 ,σ2 ,...,σn；分別計算第M個該三維濾波影像及第M-1個該三維濾波影像之間的差值，以產生複數個三維差值影像，其中M為1及N之間的整數；對該些三維差值影像分別執行一濾波器之濾波運算，以產生複數個三維平滑差值影像；計算該些體素在該些三維平滑差值影像之間的差值變化，以獲得該些體素的一模糊值；在一決策模組中使用該些體素的該模糊值，執行複數個第一決策運算元件以產生複數個第一決策結果，以及使用一或多個之該些第一決策結果，執行複數個第二決策運算元件以產生複數個第二決策結果；以及對該些第一決策結果、該些第二決策結果執行一最終決策運算元件，以產生三維乳房影像的一偵測物件。
TW109125338A 2020-07-27 2020-07-27 三維乳房影像之物件偵測方法、物件偵測系統及非暫態電腦可讀取記錄媒體 TWI788689B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW109125338A TWI788689B (zh) 2020-07-27 2020-07-27 三維乳房影像之物件偵測方法、物件偵測系統及非暫態電腦可讀取記錄媒體
CN202010837723.2A CN114066801A (zh) 2020-07-27 2020-08-19 三维乳房影像的物件侦测方法、物件侦测系统及非暂态计算机可读取记录媒体
US17/012,081 US11551356B2 (en) 2020-07-27 2020-09-04 Object detection method, object detection system for 3D mammogram, and non-transitory computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109125338A TWI788689B (zh) 2020-07-27 2020-07-27 三維乳房影像之物件偵測方法、物件偵測系統及非暫態電腦可讀取記錄媒體

Publications (2)

Publication Number Publication Date
TW202205217A TW202205217A (zh) 2022-02-01
TWI788689B true TWI788689B (zh) 2023-01-01

Family

ID=79688454

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109125338A TWI788689B (zh) 2020-07-27 2020-07-27 三維乳房影像之物件偵測方法、物件偵測系統及非暫態電腦可讀取記錄媒體

Country Status (3)

Country Link
US (1) US11551356B2 (zh)
CN (1) CN114066801A (zh)
TW (1) TWI788689B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100362964C (zh) * 1999-11-18 2008-01-23 罗切斯特大学 用于形成病人乳房的锥形线束体积计算机x线断层摄影乳房图像的装置和方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07299053A (ja) * 1994-04-29 1995-11-14 Arch Dev Corp コンピュータ診断支援方法
DE102006021036B4 (de) * 2006-04-28 2010-04-08 Image Diagnost International Gmbh Vorrichtung und Verfahren zur computergestützten Analyse von Mammogrammen
FR2902218A1 (fr) * 2006-06-07 2007-12-14 Gen Electric Procede de traitement d'images de tomosynthese pour une detection de signes radiologiques
FI123261B (fi) * 2008-11-28 2013-01-15 Planmed Oy 3D mammografia
CN103189000B (zh) * 2010-06-15 2015-08-26 影像麦宁公司 乳房摄影基准系统
KR101820844B1 (ko) * 2011-07-22 2018-01-23 삼성전자주식회사 진단영상 생성장치, 의료영상시스템 및 이미지를 처리하는 방법
CN103841312B (zh) * 2012-11-27 2017-03-01 财团法人资讯工业策进会 物体侦测装置及方法
CN102968800B (zh) * 2012-12-14 2016-01-20 宁波江丰生物信息技术有限公司 一种图像清晰度的评价方法
US10902586B2 (en) * 2018-05-08 2021-01-26 International Business Machines Corporation Automated visual recognition of a microcalcification

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100362964C (zh) * 1999-11-18 2008-01-23 罗切斯特大学 用于形成病人乳房的锥形线束体积计算机x线断层摄影乳房图像的装置和方法

Also Published As

Publication number Publication date
US20220028062A1 (en) 2022-01-27
TW202205217A (zh) 2022-02-01
US11551356B2 (en) 2023-01-10
CN114066801A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN110428475B (zh) 一种医学图像的分类方法、模型训练方法和服务器
US11109941B2 (en) Tracking surgical items with prediction of duplicate imaging of items
Mamonov et al. Automated polyp detection in colon capsule endoscopy
JP6546605B2 (ja) 液体キャニスタ内の血液成分量の推定方法
EP3236418B1 (en) Image processing apparatus, image processing method, and storage medium
US10692215B2 (en) Image processing apparatus, image processing method, and storage medium
CN106846316A (zh) 一种gis内部典型缺陷图像自动识别方法
JP6317725B2 (ja) 取得された画像内のクラッタを決定するためのシステム及び方法
CN115330784A (zh) 一种布匹表面缺陷检测方法
CN105938513A (zh) 为计算机辅助诊断提供可靠性的装置和方法
Khordehchi et al. Automatic lung nodule detection based on statistical region merging and support vector machines
Pezeshk et al. Seamless insertion of pulmonary nodules in chest CT images
Foucart et al. Artifact identification in digital pathology from weak and noisy supervision with deep residual networks
CN117015799A (zh) 检测x射线图像中的异常
Mortaheb et al. Metal artifact reduction and segmentation of dental computerized tomography images using least square support vector machine and mean shift algorithm
CN109507218A (zh) 表征带有夹杂物的材料的方法
CN106600615B (zh) 一种图像边缘检测算法评价系统及方法
CN116630237A (zh) 图像质量检测方法及相关装置、电子设备和存储介质
TWI788689B (zh) 三維乳房影像之物件偵測方法、物件偵測系統及非暫態電腦可讀取記錄媒體
JP6603814B2 (ja) 網膜画像処理
Pednekar et al. Adaptive Fuzzy Connectedness-Based Medical Image Segmentation.
JP6745633B2 (ja) 画像処理装置、画像処理方法、及びプログラム
Klinder et al. Lobar fissure detection using line enhancing filters
Nazim et al. Application of Different Distance Metrics on K-Means Clustering Algorithm for Retinal Vessel Images
JP6789620B2 (ja) 画像処理装置及びその制御方法、コンピュータプログラム