專利名稱：：基于視覺感知的交互式乳腺鉬靶圖像檢索方法
技術領域：
：本發(fā)明屬于醫(yī)學影像
技術領域：
，具體涉及到一種基于視覺感知的交互式乳腺鉬靶圖像檢索方法。
背景技術：
：乳腺癌是危害婦女身體健康的最常見惡性腫瘤之一。美國每8個婦女中就有1個會患上乳腺癌，年發(fā)病率已達萬分之十三。在中國，乳腺癌發(fā)病率目前正以每年34%的增長率急劇上升，每年約有18萬名婦女罹患乳腺癌，1.3萬名婦女死于乳腺癌。乳腺癌已成為中國改革開放以后死亡率增長最快的癌癥。在中國京津、長三角、珠三角等發(fā)達地區(qū)，乳腺癌已經(jīng)超過肺癌，成為女性的十大惡性腫瘤之首。乳腺癌最終的致病原因還未完全研究清楚，目前預防與治療乳腺癌的關鍵仍然在于"早發(fā)現(xiàn)，早診斷，早治療"。早期診斷和治療能夠有效提高乳腺癌病人的存活率。鉬靶X線攝影(mammography)由于其方便、經(jīng)濟、無創(chuàng)及早期無癥狀隱匿性乳腺癌良好的檢測效果，是臨床上乳腺癌檢測的最主要手段。美國癌癥協(xié)會建議年齡在4049歲之間的婦女每兩年進行一次鉬靶X線檢查，過了49歲之后則每年進行一次。在中國從2005年開始到2010年在全國大中城市實施一項"百萬婦女乳腺普查工程"，按照國際通行標準，為100萬中國婦女每人做4次乳腺檢查，以幫助她們預防乳腺癌，提高生活質(zhì)量。中國滬、京、津等乳腺癌高發(fā)地區(qū)，醫(yī)學專家也開始建議中老年婦女每23年進行一次鉬靶X線檢查。最近中國又啟動實施六項重大公共衛(wèi)生服務項目，其中第二項就是農(nóng)村婦女乳腺癌、宮頸癌檢查項目。計劃于2009年在中國200個左右縣啟動試點，完成乳腺癌檢查40萬人。通過試點，總結(jié)經(jīng)驗，進一步探索適合基層的"兩癌"檢查服務模式和優(yōu)化方案，逐步形成制度化和規(guī)范化的工作機制。隨著經(jīng)濟的繼續(xù)發(fā)展、鉬靶X線檢查診斷手段的逐步普及和中國婦女防治乳腺癌意識的進一步提高，可以預計，未來一段時間內(nèi)需要篩查的乳腺X線圖像數(shù)量將會有大幅度的增長。乳腺鉬靶圖像的閱讀分析依賴于放射科醫(yī)師的專業(yè)技術和讀片經(jīng)驗。不僅對醫(yī)師素質(zhì)的要求很高，而且要求醫(yī)師長時間處于精神集中狀態(tài)。由于乳腺鉬靶圖像的復雜性、早期乳腺癌癥狀的隱匿性，假陰性和假陽性是醫(yī)師鉬靶X線檢查中比較常見的問題。假陽性會導致不必要的跟蹤和活檢，假陰性會延誤治療。這不但會增加資源消耗和經(jīng)濟開支，還會給病人帶來不必要的身體上和精神上的痛苦。為了提高乳腺鉬靶圖像的閱讀效率，幫助醫(yī)師更好更快地診斷乳腺癌，可以引入計算機輔助診斷(computer-aideddiagnosis,CAD)技術。乳腺鉬靶CAD技術可以對圖像進行初步檢測，將圖像中的疑似病灶區(qū)(包括微鈣化簇和腫塊)報告給醫(yī)師進行決策。盡管乳腺鉬靶CAD技術取得了許多進展，但目前其在檢測病灶(特別是腫塊)的精度和臨床使用的有效性上仍然存在許多不足。如果在診斷過程中能夠提供給醫(yī)師檢索歷年來相似病例的功能，那么醫(yī)師可以將經(jīng)切片檢查確診的歷史病例和當前病例進行比較，從而作出更準確的判斷。利用基于內(nèi)容的圖像檢索技術(content-basedimageretrieval,CBIR)在4乳腺鉬靶數(shù)據(jù)庫中檢索包含與查詢病灶在視覺上和病理上內(nèi)容相似病灶的鉬靶圖像輔助醫(yī)師進行決策會有助于診斷精度的提高。國際上醫(yī)學影像界的大量研究表明，利用醫(yī)師在讀片時的視覺感知信息能夠降低讀片時的假陰性和假陽性，提高診斷精度。在檢索過程中利用醫(yī)師讀片時的視覺感知信息會有利于檢索精度的提高。乳腺鉬靶檢索系統(tǒng)不能單純由計算機自動完成，必須使醫(yī)師參與進來，引入交互式學習技術，通過人-機協(xié)同工作方式，將醫(yī)師的診斷經(jīng)驗和檢索結(jié)合起來，來完成檢索任務；同時檢索過程中如果結(jié)合了醫(yī)師讀片時的視覺感知信息，會更有助于檢索精度的提高。從而為診斷提供更全面的參考意見，提高檢測的準確率。
發(fā)明內(nèi)容本發(fā)明針對現(xiàn)有技術的不足，提供了一種基于視覺感知的交互式乳腺鉬靶圖像檢索方法。本發(fā)明方法的具體步驟是步驟(1)讀入一幅待處理的乳腺鉬靶圖像；步驟(2)利用圖像分割算法標志疑似病灶，具體采用分水嶺算法、迭代閾值分割法、水平集分割算法或基于小波分析的分割算法。步驟(3)將疑似病灶區(qū)域的特征抽取出來(包括面積、偏心率、緊湊度、不變矩、Gabor特征、分維數(shù))。步驟(4)在病灶數(shù)據(jù)庫中自動尋找一組與疑似病灶區(qū)域的特征(包括面積、偏心率、緊湊度、不變矩、Gabor特征、分維數(shù))相關的并已經(jīng)過活檢證實的病灶樣本；步驟(5)記錄視覺感知信息，并使用模糊神經(jīng)網(wǎng)絡對視覺感知信息進行學習與分類處理；步驟(6)重復步驟(4)和步驟(5)直到檢索到與疑似病灶最相似的病灶。本發(fā)明所提供的基于視覺感知的交互式乳腺鉬靶圖像檢索方法由一組功能模塊組成，它們包括圖像管理模塊、疑似病灶標識模塊、病灶查詢模塊、樣本選擇模塊和模糊神經(jīng)網(wǎng)絡學習模塊。圖像管理模塊負責通過磁盤、網(wǎng)絡或其他應用系統(tǒng)(如HIS/PACS-HospitalInformationSystem/PictureArchivingandComm皿icationSystem)的接口讀取或存儲乳腺鉬靶圖像數(shù)據(jù)，查詢、登記或更新與乳腺鉬靶圖像所對應的病歷數(shù)據(jù)。疑似病灶標識模塊提供了供醫(yī)師手工選擇待診斷乳腺鉬靶圖像中的可疑區(qū)域作為可疑病灶區(qū)的功能。模塊提供矩形區(qū)域、圓形區(qū)域和任意區(qū)域三種病灶區(qū)選擇方式。如果醫(yī)師采用的是前兩種方式，則模塊采用圖像分割算法來自動分割得到更為精確的病灶區(qū)域。病灶查詢模塊將當前病灶區(qū)域的特征抽取出來，在病灶數(shù)據(jù)庫中尋找一組與之相關的并已經(jīng)過活檢證實的病灶樣本。這組病灶樣本是后續(xù)"樣本選擇模塊"的數(shù)據(jù)來源。樣本選擇模塊在模塊挑選出病灶樣本的基礎上，通過記錄(采用眼動儀記錄)并分析醫(yī)師閱讀這些樣本時的視覺感知信息，從中選擇出醫(yī)師最關注的正例樣本和最不關注的反例樣本。同時在數(shù)據(jù)庫中未選樣本中再挑選一組模糊樣本。這些數(shù)據(jù)將送入"模糊神經(jīng)網(wǎng)絡學習模塊"中進行學習與分類處理。模糊神經(jīng)網(wǎng)絡學習模塊提供了一個機器學習工具，可以從"樣本選擇模塊"提供的樣本數(shù)據(jù)中自動學習得到一組與醫(yī)師在"疑似病灶標識模塊"中標識的病灶區(qū)相關的并已經(jīng)過活檢證實的病灶，為醫(yī)師的診斷提供有價值的參考。樣本選擇模塊和模糊神經(jīng)網(wǎng)絡學習模塊是一個反復迭代進行的過程，直至檢索結(jié)果符合醫(yī)師需要或者醫(yī)師中止檢索過程為止。采用本發(fā)明的系統(tǒng)框架與技術方案，放射科醫(yī)師能夠方便地將當前病灶與相關的且已由活檢證實的病灶進行比對，從而提高診斷精度。本發(fā)明的一大特色是將眼動儀引入乳腺鉬靶圖像檢索，這種基于人眼跟蹤的交互技術為乳腺鉬靶圖像檢索提供了一個自然快速的交互接口。相對于傳統(tǒng)圖像檢索的人機接口(如鍵盤和鼠標)具有其優(yōu)勢；同時將通過眼動儀記錄得到的醫(yī)師視覺感知信息結(jié)合到乳腺鉬靶圖像檢索過程中以輔助醫(yī)師提高診斷精度。目前中國各級醫(yī)療機構中乳腺鉬靶機覆蓋面很廣，本發(fā)明所提供的基于視覺感知的交互式乳腺鉬靶圖像檢索系統(tǒng)將一系列CBIR技術、視覺感知信息采集與處理技術和乳腺鉬靶圖像的特點相結(jié)合，提供了一組功能強大又簡單易用的輔助工具，無論對于尚處實習期的年輕醫(yī)師還是經(jīng)驗豐富的讀片行家來說，都是非常實用的。具體實施例方式本發(fā)明所提供的基于視覺感知的交互式乳腺鉬靶圖像檢索方法的具體實施方式如下(1)圖像管理模塊讀入一幅待處理的乳腺鉬靶圖像。(2)疑似病灶標識模塊提供了一組供醫(yī)師手工選擇待診斷乳腺鉬靶圖像中的可疑區(qū)域作為可疑病灶區(qū)的局部區(qū)域標識工具。局部區(qū)域標識工具包括矩形區(qū)域選擇工具、圓形區(qū)域選擇工具和任意區(qū)域選擇工具。其中矩形區(qū)域框選工具和圓形區(qū)域框選工具是由醫(yī)師點擊鼠標左鍵并進行拖動，從而在相應位置定義矩形或圓形的局部區(qū)域；任意區(qū)域選擇工具是由醫(yī)師在目標區(qū)域的邊緣上不斷點擊鼠標左鍵并以點擊右鍵作為結(jié)束，從而將所有點擊位置連接起來形成不規(guī)則的局部區(qū)域；如果醫(yī)師在處理時采用了矩形區(qū)域選擇工具或者圓形區(qū)域選擇工具，則本模塊還提供了疑似病灶區(qū)分割工具122進行后續(xù)處理。疑似病灶區(qū)分割工具主要采用一種對經(jīng)典水平集分割法進行改進的窄帶水平集方法，從而可以將醫(yī)師標識的矩形或者圓形區(qū)域分割得到更為精確的病灶區(qū)域。水平集方法是處理封閉運動界面隨時間演化過程中幾何拓撲變化的有效計算工具。其基本思想是將平面閉合曲線隱含地表達為二維曲面函數(shù)的水平集，即具有相同函數(shù)值的點集。將對二維平面里界面運動的研究轉(zhuǎn)化為三維空間中二維曲面運動的討論。通過水平集函數(shù)曲面的進化隱含地求解曲線的運動，通過維數(shù)的拓展帶來了求解上的很多優(yōu)勢，使曲線的拓撲變化能夠得到很自然地處理，而且獲得了惟一的滿足熵條件的弱解。疑似病灶區(qū)分割工具122采用符號距離函數(shù)(signeddistancefunction,SDF)作為水平集函數(shù)①(x，y，t)。在t時刻，對平面上的點(x，y)，計算其到曲線C的最短距離d(x，y，t)。①(x，y，t)定義為6o(x,:M)=(2-1)(2-3)(2—4)當點(x，力在C(f)內(nèi)部0,當點(x,力在C(f)上_y,0，當點"力在C(f)外部在演化過程中，曲線上的點都滿足下面方程①(x，y，t)=0(2-2)①(x，y，t)的演變方程可表示為①，=f|v<d|(2-3)即為水平集方程。其中v①二[a^，(Dy]為函數(shù)①在二維平面上的梯度，F(xiàn)(x，y)為曲線上各個點沿著曲線法線方向的運動速度。則求解曲線演化問題轉(zhuǎn)換為求解如下的偏微分方程①,=f|vo)|，初始條件為①(x，y，t=0)=士d(x，y，t=0)(2-5)(2-5)的求解可以采用差分方法進行。經(jīng)典水平集方法的缺點是計算量比較大。針對這一問題，疑似病灶區(qū)分割工具采用了窄帶水平集法。其主要算法為將數(shù)值計算局限在曲線周圍的一個窄帶內(nèi)，當曲線演化到窄帶的邊界時，再重新以當前曲線為中心建立窄帶。這種方法將計算復雜度從0(N2)降到了O(kN)，其中N為x或y方向上將圖像離散化成網(wǎng)格后的點數(shù)，k為窄帶寬度。使用疑似病灶區(qū)分割工具時，初始輪廓曲線即為醫(yī)師初始選定的疑似病灶輪廓線。其他所涉及的一些參數(shù)(包括速度函數(shù)F(x，y)、窄帶寬度k等)需要事先確定，系統(tǒng)提供了經(jīng)驗值作為其默認值，醫(yī)師可以通過系統(tǒng)的配置選項自由設定。(3)病灶查詢模塊通過對步驟(2)定義的局部疑似病灶區(qū)進行相關查詢，得到一組樣本，從而為后續(xù)步驟(4)進行數(shù)據(jù)準備。在本系統(tǒng)中稱為"初次樣本選擇"。在讀片過程中，醫(yī)師有時很難對局部區(qū)域內(nèi)的疑似病灶的真?zhèn)涡曰蛄紣盒宰鞒鰷蚀_判斷，因此需要將以往病例中與當前病灶相關的且已經(jīng)得到活檢驗證的病灶進行比對鑒別。這里所提到的相關通常是指視覺相似性，也就是將病灶數(shù)據(jù)庫中與當前病灶外觀最像的一些病灶檢索出來，它們的真?zhèn)涡院土紣盒詫Ξ斍安≡畹呐袛嗑哂凶畲蟮膮⒖純r值。所采用的檢索方法是CBIR技術中的經(jīng)典方法按例檢索法(query-by-example，QBE)。它首先由醫(yī)師指定疑似病灶的類型(腫塊還是微鈣化簇)，然后將當前局部區(qū)域的對應特征組抽取出來形成一個向量，最后將該特征向量與病灶數(shù)據(jù)庫中所有同類型病灶(腫塊對應腫塊，微鈣化簇對應微鈣化簇)的特征向量按照特定的相似性度量函數(shù)進行比較，將和疑似病灶最相似的一定數(shù)量的病灶選作檢索結(jié)果。乳腺鉬靶圖像有其自身的特點，根據(jù)這些特點設計相應的視覺特征會取得較好的檢索結(jié)果。系統(tǒng)所選用的腫塊特征共有14個，包括3個病灶區(qū)域的全局特征以及11個計算區(qū)域及其周圍環(huán)繞背景像素的局部特征(研究表明乳腺鉬靶病灶區(qū)域的外圍像素信息對輔助診斷有較大幫助)。使用的3個全局特征為(A-l)平均像素灰度值(4)樣本選擇模塊提供了基于醫(yī)師視覺感知信息的樣本選擇功能。在本系統(tǒng)中稱為"二次樣本選擇"。二次樣本選擇中結(jié)合了醫(yī)師的視覺感知信息，從而使選擇出的樣本更加符合醫(yī)師的主觀判斷。眼動信息采集工具提供了采集醫(yī)師在閱讀樣本時視覺感知信息的功能。在本系統(tǒng)中，眼動儀作為乳腺鉬靶圖像檢索的人機交互接口并記錄醫(yī)師讀片時的視覺感知信息以完成樣本選擇。在醫(yī)師讀片過程中，眼動儀追蹤醫(yī)師的眼動軌跡，記錄其注視點參數(shù)。每個注視點包含四個參數(shù)(x，y，d，t)，其中(x，y)表示注視點坐標，d表示瞳孔直徑，t表示停留時間。目前市場上的所有眼動儀產(chǎn)品均可保證眼球追蹤時的精度問題(以美國ASL公司生產(chǎn)的ASL-H6單目眼動系統(tǒng)為例，其主要參數(shù)為采樣頻率為50Hz，系統(tǒng)精確度為0.5度視角范圍，分辨率為0.25度視角，視覺范圍為水平50度，垂直40度)。眼動信息采集工具使用了本系統(tǒng)中的關鍵硬件設備_眼動儀的制造廠家所提供的應用程序開發(fā)接口Applicationprograminterface,API)來讀取注視點參數(shù)。它可以支持任何廠家生產(chǎn)的任何眼動儀設備。正例與反例樣本選擇工具提供了選擇在交互式反饋過程中供"模糊神經(jīng)網(wǎng)絡學習模塊150"進行學習的正例和反例樣本功能。經(jīng)過"病灶查詢模塊130"處理后可以從病灶數(shù)據(jù)庫中挑選出&個初始樣本，這些樣本將提供給醫(yī)師瀏覽。在醫(yī)師讀片時，眼動信息采集工具141記錄了一系列的注視點參數(shù)。正例與反例樣本選擇工具采用Mean-Shift聚類算法(采用Gaussian核函數(shù))對這些眼動數(shù)據(jù)進行聚類，來選擇最受醫(yī)師"關注"的樣本。聚類區(qū)域，即注意焦點區(qū)域(focusofattention,FOA)為醫(yī)師在讀片過程中注視比較集中的區(qū)域。聚類結(jié)束后，將F0A由大到小依次排列，選其對應的前K2個樣本為正例樣本。剩余的O^-IQ樣本即為未被醫(yī)師"關注"的樣本，是反例樣本。模糊樣本選擇工具提供了選擇在交互式反饋過程中供"模糊神經(jīng)網(wǎng)絡學習模塊"進行學習的模糊樣本集合功能。兩個隨機變量之間的相關熵，又稱之為互信息。互信息可作為兩個隨機變量之間統(tǒng)計相關性的量度，或是一個變量包含另一個變量的信息量的量度。如果2幅不同圖像之間的互信息量越大，則表明它們越相關(顯然，圖像和其自身之間的互信息量是最大的)。兩幅不同圖像x和y之間互信息的計算公式為<formula>formulaseeoriginaldocumentpage10</formula>其中p,y(x，y)為隨機變量x和y的聯(lián)合概率密度，pjx)和Py(y)分別為隨機變量x和y的邊緣概率密度。聯(lián)合概率密度和邊緣概率密度可以通過計算圖像的直方圖來得到。定義聯(lián)合概率密度為闊咖)=微(4-2)這里隨機變量x和y分別代表2幅不同圖像像素的灰度值，式中h(x，y)是兩幅圖像重疊部分的圖像灰度值為(x，y)的像素對總數(shù)，I^"，力為兩幅圖像重疊部分的像素對總數(shù)。定義邊緣概率密度為<formula>formulaseeoriginaldocumentpage11</formula>根據(jù)公式(4-1)、(4-2)和(4-3)可以計算出2幅圖像之間的互信息量。模糊樣本選擇工具選擇模糊樣本的算法為經(jīng)過"病灶查詢模塊"從數(shù)據(jù)庫中挑選出!^個初始樣本后，假定數(shù)據(jù)庫中剩余K個樣本。經(jīng)過"正例與反例樣本選擇工具"挑選出K2個正例樣本后，計算K2個樣本和&個樣本之間的互信息量并進行排序(病灶數(shù)據(jù)庫中所有樣本之間的互信息量均在離線狀態(tài)下事先計算完畢，所以這個計算過程相當于查表，可以保證實時性)，挑選互信息量最大的前m(m^1)個樣本作為模糊樣本。(5)模糊神經(jīng)網(wǎng)絡學習模塊提供了機器學習功能，可以從"樣本選擇模塊"提供的樣本數(shù)據(jù)中自動學習得到一組與醫(yī)師在"疑似病灶標識模塊"中標識的病灶區(qū)相關的并已經(jīng)過活檢證實的病灶，為醫(yī)師的診斷提供參考。這個模塊和"樣本選擇模塊"是一個反復迭代進行的相關反饋過程，直至檢索結(jié)果符合醫(yī)師需要或者醫(yī)師中止檢索過程為止。由于醫(yī)學圖像的復雜性和醫(yī)師理解圖像的主觀性，僅僅依靠圖像底層視覺特征進行匹配的檢索結(jié)果往往不盡如人意。醫(yī)學圖像檢索中的相關反饋技術通過把醫(yī)師的參與引入到醫(yī)學圖像檢索過程中，從而把檢索模式從一次進行變?yōu)榻换ナ降亩啻芜M行，成為提高檢索性能的有效方法。模糊神經(jīng)網(wǎng)絡學習模塊采用模糊徑向基函數(shù)神經(jīng)網(wǎng)絡作為相關反饋中的學習機。采用的模糊徑向基函數(shù)神經(jīng)網(wǎng)絡的Gaussian核函數(shù)層的參數(shù)由醫(yī)師提供的正例樣本(相關)、反例樣本(不相關)和模糊樣本學習得到。這些樣本由正例與反例樣本選擇工具和模糊樣本選擇工具提供。每輪反饋中網(wǎng)絡將根據(jù)醫(yī)師提供的樣本動態(tài)訓練生成，其中模糊徑向基函數(shù)的核將根據(jù)醫(yī)師提供的樣本經(jīng)過聚類得到。相關反饋過程由一個在線誤差糾正學習算法通過調(diào)整網(wǎng)絡參數(shù)(權重、基函數(shù)中心和寬度)來實現(xiàn)。針對醫(yī)師標記后提供的正例樣本和反例樣本，網(wǎng)絡的期望輸出分別為l和0。如果第j個訓練樣本Xj為模糊樣本，則網(wǎng)絡的期望輸出為區(qū)間[O，l]之間的一個數(shù)字，它可以通過后驗概率P("」Xj)來估計得到，其中、為相關的語義類(如"卵圓形腫塊")。計算時將通過病灶查詢模塊中定義的多種紋理和形狀特征來得到。即令{Xji}i=^為和訓練樣本Xj相關聯(lián)的M個特征的集合，即Xji為一個&維的特征向量。"r和"&分別表示和樣本相關及不相關的語義類。則有<formula>formulaseeoriginaldocumentpage11</formula>其中P("Jxji)為模糊樣本Xj的第i個特征向量Xji的后驗概率。根據(jù)Bayesian理論，則有<formula>formulaseeoriginaldocumentpage11</formula>其中P("》和P("J是相關和不相關語義類的先驗概率，而p(Xjil"》和P(Xj,l"J是相應的條件概率。假定相關和不相關語義類的每個特征向量是滿足Gaussian分布的，則上述條件概率可以利用Gaussian函數(shù)進行計算，其中均值和方差矩陣可以通過訓練樣本進行估計。學習過程中誤差函數(shù)的最小化可以通過梯度下降法進行計算。病灶查詢模塊、樣本選擇模塊和模糊神經(jīng)網(wǎng)絡學習模塊中所涉及的一些參數(shù)(包括&個初始樣本、1(2個正例樣本、m個模糊樣本、模糊神經(jīng)網(wǎng)絡參數(shù)，如權重、基函數(shù)中心和寬度等)需要事先確定，系統(tǒng)提供了經(jīng)驗值作為其默認值，醫(yī)師也可以通過系統(tǒng)的配置選項自由設定。權利要求基于視覺感知的交互式乳腺鉬靶圖像檢索方法，其特征在于該方法的具體步驟是步驟(1)讀入一幅待處理的乳腺鉬靶圖像；步驟(2)疑似病灶標識模塊提供了一組供醫(yī)師手工選擇待診斷乳腺鉬靶圖像中的可疑區(qū)域作為可疑病灶區(qū)的局部區(qū)域標識工具；局部區(qū)域標識工具包括矩形區(qū)域選擇工具、圓形區(qū)域選擇工具和任意區(qū)域選擇工具；其中矩形區(qū)域框選工具和圓形區(qū)域框選工具是由醫(yī)師點擊鼠標左鍵并進行拖動，從而在相應位置定義矩形或圓形的局部區(qū)域；任意區(qū)域選擇工具是由醫(yī)師在目標區(qū)域的邊緣上不斷點擊鼠標左鍵并以點擊右鍵作為結(jié)束，從而將所有點擊位置連接起來形成不規(guī)則的局部區(qū)域；疑似病灶區(qū)分割工具采用一種對經(jīng)典水平集分割法進行改進的窄帶水平集方法，將標識的矩形或者圓形區(qū)域分割得到更為精確的病灶區(qū)域；疑似病灶區(qū)分割工具采用符號距離函數(shù)作為水平集函數(shù)Φ(x，y，t)；在t時刻，對平面上的點(x，y)，計算其到曲線C的最短距離d(x，y，t)；Φ(x，y，t)定義為在演化過程中，曲線上的點都滿足下面方程Φ(x，y，t)＝0(2-2)Φ(x，y，t)的演變方程可表示為<mrow><msub><mi>Φ</mi><mi>t</mi></msub><mo>=</mo><mi>F</mi><mo>|</mo><mo>▿</mo><mi>Φ</mi><mo>|</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>-</mo><mn>3</mn><mo>)</mo></mrow></mrow>(2-3)即為水平集方程；其中<mrow><mo>▿</mo><mi>Φ</mi><mo>=</mo><mo>[</mo><msub><mi>Φ</mi><mi>x</mi></msub><mo>,</mo><msub><mi>Φ</mi><mi>y</mi></msub><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>-</mo><mn>4</mn><mo>)</mo></mrow></mrow>為函數(shù)Φ在二維平面上的梯度，F(xiàn)(x，y)為曲線上各個點沿著曲線法線方向的運動速度；則求解曲線演化問題轉(zhuǎn)換為求解如下的偏微分方程<mrow><msub><mi>Φ</mi><mi>t</mi></msub><mo>=</mo><mi>F</mi><mo>|</mo><mo>▿</mo><mi>Φ</mi><mo>|</mo><mo>,</mo></mrow>初始條件為Φ(x，y，t＝0)＝±d(x，y，t＝0)(2-5)(2-5)的求解采用差分方法進行；窄帶水平集法為將數(shù)值計算局限在曲線周圍的一個窄帶內(nèi)，當曲線演化到窄帶的邊界時，再重新以當前曲線為中心建立窄帶；步驟(3)病灶查詢模塊通過對步驟(2)定義的局部疑似病灶區(qū)進行查詢，得到一組樣本，為后續(xù)步驟(4)進行數(shù)據(jù)準備；所采用的檢索方法采用按例檢索法；步驟(4)樣本選擇模塊提供了基于醫(yī)師視覺感知信息的樣本選擇功能；眼動信息采集工具提供了采集醫(yī)師在閱讀樣本時視覺感知信息的功能；眼動信息采集工具使用了本系統(tǒng)中的關鍵硬件設備-眼動儀的制造廠家所提供的應用程序開發(fā)接口來讀取注視點參數(shù)；模糊樣本選擇工具提供了選擇在交互式反饋過程中供“模糊神經(jīng)網(wǎng)絡學習模塊”進行學習的模糊樣本集合功能；兩幅不同圖像x和y之間互信息的計算公式為<mrow><mi>I</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><mi>xy</mi></munder><msub><mi>p</mi><mi>xy</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>×</mo><mi>log</mi><mrow><mo>(</mo><mfrac><mrow><msub><mi>p</mi><mi>xy</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow></mrow><mrow><msub><mi>p</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>×</mo><msub><mi>p</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>y</mi><mo>)</mo></mrow></mrow></mfrac><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow>其中pxy(x，y)為隨機變量x和y的聯(lián)合概率密度，px(x)和py(y)分別為隨機變量x和y的邊緣概率密度；聯(lián)合概率密度和邊緣概率密度可以通過計算圖像的直方圖來得到；定義聯(lián)合概率密度為<mrow><msub><mi>p</mi><mi>xy</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mi>h</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow></mrow><mrow><munder><mi>Σ</mi><mi>xy</mi></munder><mi>h</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>-</mo><mn>2</mn><mo>)</mo></mrow></mrow>隨機變量x和y分別代表2幅不同圖像像素的灰度值，式中h(x，y)是兩幅圖像重疊部分的圖像灰度值為(x，y)的像素對總數(shù)，為兩幅圖像重疊部分的像素對總數(shù)；定義邊緣概率密度為<mrow><mfencedopen='{'close=''><mtable><mtr><mtd><msub><mi>p</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><mi>y</mi></munder><msub><mi>p</mi><mi>xy</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msub><mi>p</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><mi>x</mi></munder><msub><mi>p</mi><mi>xy</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>-</mo><mn>3</mn><mo>)</mo></mrow></mrow>根據(jù)公式(4-1)、(4-2)和(4-3)可以計算出2幅圖像之間的互信息量；步驟(5)模糊神經(jīng)網(wǎng)絡學習模塊提供了機器學習功能，從“樣本選擇模塊”提供的樣本數(shù)據(jù)中自動學習得到一組與醫(yī)師在“疑似病灶標識模塊”中標識的病灶區(qū)相關的并已經(jīng)過活檢證實的病灶，為醫(yī)師的診斷提供參考；這個模塊和“樣本選擇模塊”是一個反復迭代進行的相關反饋過程，直至檢索結(jié)果符合醫(yī)師需要或者醫(yī)師中止檢索過程為止。F2009101538665C0000011.tif,F2009101538665C0000023.tif全文摘要本發(fā)明涉及基于視覺感知的交互式乳腺鉬靶圖像檢索方法。本發(fā)明方法首先讀入一幅待處理的乳腺鉬靶圖像，利用圖像分割算法標志疑似病灶，將疑似病灶區(qū)域的特征抽取出來(包括面積、偏心率、緊湊度、不變矩、Gabor特征、分維數(shù))，在病灶數(shù)據(jù)庫中自動尋找一組與疑似病灶區(qū)域的特征(包括面積、偏心率、緊湊度、不變矩、Gabor特征、分維數(shù))相關的并已經(jīng)過活檢證實的病灶樣本，記錄視覺感知信息，并使用模糊神經(jīng)網(wǎng)絡對視覺感知信息進行學習與分類處理；重復以上步驟，直到檢索到與疑似病灶最相似的病灶。本發(fā)明方法可以有效提高診斷精度。文檔編號G06F17/30GK101714153SQ20091015386公開日2010年5月26日申請日期2009年11月16日優(yōu)先權日2009年11月16日發(fā)明者劉偉,厲力華,徐偉棟申請人:杭州電子科技大學