基于视觉注意机制的乳腺X线影像肿块检测系统

摘要

本发明公开了一种基于视觉注意机制的乳腺X线影像肿块检测系统及检测方法，主要解决现有技术的检出率较低、假阳性率偏高问题。整个系统包括：影像预处理模块、特征提取模块、肿块检测模块和检测结果输出模块。影像预处理模块对原始影像进行预处理；特征提取模块对预处理后的图像提取特征值；肿块检测模块，先对特征值生成特征图的高斯金字塔；再对高斯金字塔进行处理得到总显著图；最后对总显著图进行分割，得到候选可疑肿块并滤除其假阳性肿块；通过检测结果输出模块输出检测结果。本发明具有对乳腺X线影像肿块的检出率高，假阳性率低的优点，可用于医学图像的感兴趣区域检测及其辅助诊断。

主权项

1.一种基于视觉注意机制的乳腺X线影像肿块检测系统，包括：影像预处理模块，用于采用直方图均衡化方法，对原始乳腺X线影像进行切割与增强处理，得到增强后的图像f(X)；特征提取模块，用于将增强后的图像f(X)以2×2大小的像素进行块划分，得到像素块x_i i＝1，2，3，...，N，N为f(X)块划分的个数，对像素块x_i i＝1，2，3，...，N提取均值、方差、幅值和亮度变化率4个特征值；特征图生成模块，分别用特征提取模块得到的4个特征值代替像素块x_ii＝1，2，3...，N，组成均值图M、方差图V、幅值图A和亮度变化率图I，并对这4个特征图分别进行归一化处理，得到归一化处理后的均值图M′、方差图V′、幅值图A′和亮度变化率图I′；高斯金字塔生成模块，用于对归一化处理后的均值图M′、方差图V′、幅值图A′和亮度变化率图I′各自生成三层高斯金字塔，得到均值图M′的三层高斯金字塔M′(u)u＝1，2，3，方差图V′的三层高斯金字塔V′(u)u＝1，2，3、幅值图A′的三层高斯金字塔A′(u)u＝1，2，3和亮度变化率图I′的三层高斯金字塔I′(u)u＝1，2，3；特征图转化模块，包括：预标记子模块，用于将所述的4个三层高斯金字塔M′(u)，V′(u)，A′(u)，I′(u)中的每幅图像设为X′(u)，X代表M、V、A和I，u＝1，2，3；邻域熵值计算子模块，用于对X′(u)的每个像素点x_t t＝1，2，3，...，n取7×7窗口，计算在7×7邻域内的熵值H(x_t)：$H\left(x_t\right)=\underset{b=1}{\overset{T}{\Sigma }}-p_{\mathrm{tb}}\log p_{\mathrm{tb}},$其中T为该邻域内出现的灰度级数目，p_tb为灰度级b在该邻域内出现的概率，p_tb＝n_b′/49，n_b′为灰度级b在该邻域内出现的次数，n为X′(u)中包含的像素数目；特征熵图生成子模块，用于将得到的熵值H(x_t)t＝1，2，3，...，n组成特征熵图X″(u)X代表M、V、A和I，u＝1，2，3，用X″(u)代替X′(u)，得到均值熵图的三层高斯金字塔M″(u)u＝1，2，3、方差熵图的三层高斯金字塔V″(u)u＝1，2，3、幅值熵图的三层高斯金字塔A″(u)u＝1，2，3和亮度变化率熵图的三层高斯金字塔I″(u)，u＝1，2，3；差分模块，用于采用中央邻域差分方法，分别对所述的4个三层高斯金字塔M″(u)、V″(u)、A″(u)和I″(u)，u＝1，2，3进行差分处理，使每个高斯金字塔得到两幅差分图，即4个高斯金字塔各自对应得到均值熵差分图方差熵差分图幅值熵差分图和亮度变化率熵差分图v＝1，2；标准化模块，用于采用Itti提出的标准化算子N(·)对所述的差分图和v＝1，2分别进行标准化处理，得到标准化处理后的均值熵差分图方差熵差分图幅值熵差分图和变化率熵差分图v＝1，2；特征显著图生成模块，分别将标准化子模块得到的每个高斯金字塔的两幅差分图和X代表M、V、A和I，线性融合为一个显著图获得4个高斯金字塔对应的幅值显著图方差显著图幅值显著图和变化率显著图总显著图生成模块，用于将所述的显著图和进行线性融合得到一个总显著图S；总显著图分割模块，用于将总显著图S由k-means进行两类聚类分割，得到二值图像，其中高亮部分为候选可疑肿块；假阳性肿块滤除模块，用于采用形态学特征和先验知识滤除候选可疑肿块中的假阳性肿块，得到可疑肿块位置；检测结果输出模块，用于将可疑肿块的位置对应到增强后的图像f(X)，在f(X)中标记可疑肿块位置，输出可疑肿块检测结果。