一种双尺度模板的双视图乳腺肿块检测匹配
开篇：润墨网以专业的文秘视角，为您筛选了一篇一种双尺度模板的双视图乳腺肿块检测匹配范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：为减少乳腺肿块检测到假阳性区域，进而提高可疑病灶区域的匹配率，提出了一种基于双尺度模板检测乳腺肿块可疑病灶区域的方法。该方法首先依据CC视图中可疑病灶区域，在MLO视图中构建条形匹配区域带；然后，基于双尺度Sech模板对肿块图像进行检测后，再做归一化互相关计算，检测出相关性高的区域为肿块的可疑病灶区域，依据基于形状、面积特征的规则删除假阳性区域；最后，根据基于互信息的相似性度量方法实现双视图的可疑病灶区域的匹配。实验结果显示：对DDSM数据库中已确诊的100幅肿块图像进行实验对比，有90幅图像能实现双视图肿块的匹配，匹配率达到90%，与基于灰度分层的乳腺肿块的双视图匹配相比，匹配率得到提高。
关键词：双视图；模板匹配；双尺度Sech模板；互信息；匹配率
DOI：1015938/jjhust201702024
中图分类号： TN91173
文献标志码： A
文章编号： 1007-2683（2017）02-0129-06
Abstract：In order to reduce the detection of false positive masses and improve the matching rate of the double view lump， a method of double templates matching to detect the suspicious lesions area has been proposed This paper uses the suspicious lesions in the CCview area to identify the matching bar area in the MLOview firstly And then， it uses double Sechtemplate to detect lumps， the areas of high correlation coefficient will be suspicious lesions area After deleting the false positive regions， it fuse the different size template results based on rules of shape and area Finally， it is realized that the mass matching by measuring the similarity based on the mutual information This paper selects 100 pairs of images which have been confirmed to carry out the experiments of suspicious lesions match The experimental results show that ninety pairs of images have been achieved doubleview mass matching in comparing with the grayscale layering algorithm
Keywords：doubleview， template matching， double Sechtemplates， correlation coefficient， mutual information
0引言
乳腺癌的计算机辅助检测分为基于单视图和双视图的检测，双视图分为轴位（cranio caudal， CC）视图和斜位（medio lateral oblique， MLO）视图[1]。由于基于单视图的肿块检测敏感度高，存在假阳性区域多的问题，基于双视图的分析得到了广泛研究。
国内外众多研究人员在乳腺肿块CAD方面展开了大量的研究，取得了相应的成果。例如，Zheng和Nevine等人分别提出了基于三层地形模型和多层地形模型的检测方法[2]，将肿块图像分成多个层次进行可疑肿块区域的提取，肿块检测的查全率有所提高，但假阳性区域个数明显增多，导致匹配率降低。宋恩民、徐胜舟等人认为可疑肿块病灶区域的灰度分布一般是中心的灰度值大，越往边缘延伸，灰度值越小，形状比较规则且近似于圆形[3]。在匹配区域带中，先搜索出疑似肿块病灶区域，然后再进行肿块分割，如模板匹配法和滤波法[4]，本文选择了与肿块的灰度分布有较高相似度的Sech模板进行肿块检测，减少了假阳性区域个数，提高检测的准确性。
本文重点研究了基于双尺度模板匹配检测肿块的可疑病灶区域，然后利用基于互信息的相似性度量方法实现轴视图和斜视图的可疑病灶区域的匹配。具体步骤是先确定CC视图和MLO图乳腺的边缘、胸壁线、和[5]等参考位置；然后依据CC视图中的可疑病灶区域在MLO视图中构建条形匹配区域带，在匹配带中利用双尺度Sech模板检测可疑病灶区域，并根据基于形状、面积特征的规则删除部分假阳性区域；最后利用基于互信息的相似性度量方法进行双视图的可疑病灶区域的匹配。
1条形匹配区域带的构建
本文采用的图像来自美国南佛罗利达大学构建的数字乳腺X线图像数据库（digital database for screening mammography， DDSM），依据数据库中医生手动标记的疑似肿块区域，在CC视图中标记肿块区域，结合参考对象[6]，建立参考坐标系，并依此建立条形匹配区域带。
首先利用最小二乘直线拟合的方法拟合胸壁线，依据几何方法近似得到[7]。根据CC视图的参考信息建立条形匹配区域带，以便进行双视图的肿块区域的匹配。具体步骤为：①在CC视图中，手动选取疑似肿块病灶区域，找到所选疑似病灶区域的中心点到中轴线的投影点，定义投影点到的距离d；②在MLO视图中，找到距离长度为d的点，过此点做平行于胸壁线的直线，即为条形区域带的中心线[8]；③再根据中心线为基准，选定区域带的宽度后，确定条形匹配区域带。
匹配区域的带宽是可疑病灶区域检测的重要参数。为了尽可能提高匹配敏感性，本文统计了两个视图中的真阳性可疑肿块区域中心在中轴线上的投影点到的距离的差的均值avg和标准差std，统计得出，条形匹配带的宽度W的公式[9]为
W=2×（avg+3×std）（1）
经过大量实验，本文选取条形匹配区域带的宽度是80个像素点。匹配区域带的建立如图1所示。
图1中a）、b）图是医生手动标记的乳腺病灶区域，c）图中的“”为手动选取肿块可疑区域，左起第1竖实线和中部横线为拟合的胸壁线和中轴线，“”为位置，“+”为中心位置在中轴线的投影点，d）图中左起第3竖实线为条形匹配区域带的中心线，左起第2、第3条竖实线中间为匹配区域带。
2基于双尺度模板匹配的肿块检测
模板匹配是通过定义与待检测目标相似的模板，在图像中寻找与该模板相似的^域定位目标[4]。在MLO视图的条形匹配区域带内，模板匹配算法就是将与肿块区域灰度相似的模板对整个MLO图像进行扫描，检测乳腺图像中的可疑肿块区域，准确的定位肿块位置，实现不同视图的肿块的匹配。
21模板建立
模板匹配的核心是模板及其尺寸的选择。与正常组织对比观察，可以发现大多数乳腺的肿块的灰度趋势一般呈现出中间高、四周较低的状态，形状类似于圆形[10]，故本文选择了与肿块灰度分布更相似的Sech模板进行区域匹配，其数学表达式为
Sech（x，y）=2αe-β（x2+y2）+eβ（x2+y2）（2）
其中：α、β为预先设定的经验值[8]，这里α=1，β=008；模板的中心为原点，x，y表示横纵坐标。
早期的乳腺肿块的直径的大小在5到120个像素的范围之间变化[11]，单一的模板无法与原图像有较高相似度的基础上满足[5120]像素的变化区间，故本文在对100幅图像做实验，选择25×25和55×55两个尺寸，进行双尺度Sech模板匹配检测乳腺疑似病灶区域，两个尺度对100幅图像进行，能够在所有肿块尺寸范围的区间内保证较高相似度系数。
图2中a）图为肿块大小分布图，为保证模板匹配的范围在[5120]像素范围内，并保证匹配结果的敏感性，避免混入干扰区域，b）图为100幅图像对不同尺寸的模板的平均匹配程度，在尺寸为25和55时，取得匹配度的极大值。c）图选取的相似系数阈值为03，红线和蓝线之间的区域为检测得到的肿块的重叠区域，增加检测的准确性。
设L为模板每边上像素个数，模板在中心处的灰度取最大值，即Sech（0，0）=1，在距离中心的距离为L/2的边缘处像素的灰度取得最小值[12]，图3为不同尺寸Sech模板灰度图像、地形图、中心系数。
22双尺度模板匹配
通常情况下，较小尺寸的模板有较高的敏感性，同时也有较高的假阳性率，较大尺寸的模板的效果相反[13]。本文结合25×25和55×55两种不同的尺寸进行肿块的检测，保证对肿块有高敏感性的同时，降低检测的假阳性率。基于双尺度的模板匹配的肿块检测的方法流程图如图4所示。
定位到平均灰度值最大的区域，依次合并灰度均值相似的区域[14]，直到将完整肿块区域都包含进来，停止合并，就得到最后的肿块轮廓。该算法的流程图如下图所示：
按式（3）计算得到相似度图像，将得到的相似度图像进行形态学的膨胀和腐蚀，并进行二值分割，得到基于双尺度模板匹配的肿块检测的结果。
23假阳性去除
基于模板匹配的肿块的检测方法存在假阳性区域，为提高检测的准确度，需要根据一定的规则鉴别疑似肿块区域，去除不满足条件的假阳性区域。本文对于双尺度模板匹配图中的连通区域，采用空间位置区域面积、形状特征进行筛选，删除假阳性区域[16]：
1）不在匹配区域带内的连通区域一般是图像标签；
2）较小的区域一般是正常的乳腺腺体组织；
3）长条形区域一般是图像的边缘或乳腺腺体组织；
最后将双尺度模板匹配检测得到的肿块疑似区域进行叠加，经过Ostu阈值分割得到二值化图像，如图5所示。
对图5中的检测结果应用基于动态规划的分割算法[17]提取轮廓；提取包括灰度、形状特征等特征，用于双视图的乳腺肿块病灶区域匹配。
3基于互信息的可疑病灶区域匹配
由于的非刚体特性，双视图匹配的依据是经过不同角度的挤压，肿块与的距离在中心线方向的投影基本保持不变。本文匹配区域的选择方法是利用基于互信息的区域匹配方式，在基于双尺度模板匹配检测得到疑似肿块区域中找到肿块准确位置，删除假阳性区域。
互信息衡量的是两个随机变量之间的独立关系[18]，CC视图和MLO视图之间存在一定相关性。当肿块位置相匹配时，其互信息的值最大。假定X，Y表示待匹配的CC视图和MLO视图图像，互信息和熵的计算公式即为
其中p（x）表示X的灰度分布，同理可计算出Y的信息熵以及XY的联合熵。本文求图像互信息[19]的步骤为：①计算CC视图和MLO视图中疑似肿块区域的概率分布以及它们的联合概率分布；②计算两个子图像的熵及联合熵；③计算两子图像的互信息；④保留MLO视图中的取得互信息值最大的区域，删除其他假阳性区域，得到最终的双视图匹配结果。
4实验结果及对比分析
在综合利用上述基于双尺度模板匹配的肿块检测方法和基于互信息的双视图匹配方法基础上，本文对100对乳腺图像进行了实验，图6为4对图像的匹配结果对比图。
图6结果中e图是基于分层的互信息[20]乳腺双视图肿块区域匹配的方法，主要方法是在匹配区域带内，将匹配的区域分成3个层次，分别提取疑似病灶区域，并通过基于互信息的相似性度量方法找到疑似病灶匹配区域，本文进行了100幅图像的对比试验，实验结果中有86对图像能够实现匹配，匹配准确率达到86%，而本文的算法是结合基于双尺度模板匹配方法和基于互信息的双视图的匹配方法。利用基于互信息的双视图的匹配方式实现匹配，最后有90对图像都实现了双视图的匹配，而且匹配精度更高，更接近肿块区域的边界边缘，乳腺肿块的疑似区域的对比结果如表1所示。
从表1实验结果可以得出：大尺寸和小尺寸的单模板的检测出来的结果进行双视图匹配灵敏度都达不到100%，因为肿块的尺寸大小变化范围比较大，小尺寸的模板检测的假阳数个数多于大尺寸的模板检测结果，大尺寸的模板检测的敏感性低，导致匹配率降低。当两幅图像中的灰度等级相差极大，或肿块太小、与图像中的噪声相近，这时肿块区域检测有误或被当成噪声删除，导致误匹配。
5结语
本文的方法结合大、小两种模板检测可疑肿块区域，降低了肿块被当成噪声删除的可能性，提高了检测敏感度，最后利用基于互信息的双视图乳腺病灶区域匹配，结果匹配率显著提高，达到90%。
参 考 文 献：
[1]WEI Jun，CHAN HeangPing，SAHINER Berkman，et puteraided Detection of Breast Masses on Mammograms：Dual System Approach with Twoview Analysis[J].Med.Phys.，2009，36（10）：4452- 4455
[2]文耀光.基于双视图的乳腺肿块检测方法研究[D].武汉：华中科技大学，2009：19-26
[3]徐胜舟，胡怀飞.基于分层多模板匹配的乳腺肿块自动检测[J].中南民族大学学报（自然科学版），2013，32（2）：92-96
[4]ZHANG Bin，TAN Jun， Marie.Matching Breast Masses Depicted on Different Views Computer of Three Methods[J].Academic Radiology，2009，16（11）：1338-1347
[5]宋伟兴.数字化乳腺X线摄影对图像质量的影响因素[J].放射学实践，2013，28（10）：1010-1013.
[6]HORSCH A， HAPFELMEIER A， ELTER M.Needs Assessment for Next Generation Computeraided Mammography Reference Image Databases and Evaluation Studies[J].International Journal of Computer Assisted Radiology & Surgery，2011，6（6）：749-767.
[7]PU Jiantao，ZHENG Bin， KEN Joseph Leader，et al.An Ellipsefitting Based Method for Efficient Registration of Breast Masses on Two Mammographic Views[J].Medical Physics，2008，35（2）：489～490.
[8]庆丰，彭青玉.用最小二乘正交距离方法拟合双同心椭圆弧[J].计算机应用研究，2010，27（4）：1578-1580
[9]兰义华.基于图像内容检索的乳腺肿块诊断方法研究[D].武汉：华中科技大学，2011：30-52.
[10]周蕾.多视角乳腺医学影像案例检索技术的研究[D].哈尔滨理工大学，2013.
[11]孙光灵，周庆松，方传刚基于最小类内方差的快速阈值分割算法[J].计算机工程与设计，2010，31（5）：1121-1124.
[12]韩蔚，赵俊玲，李荣国.基于双尺度Sech模板的浸润性乳腺癌检测方法研究[J].科学技术与工程，2014，14（1）：139-142.
[13]李东红，宋立新，牛滨.一种改进分水岭乳腺肿块图像分割方法[J].哈尔滨理工大学学报，2015，20（5）：25-29.
[14]LI Ke，YING Ying，CHEN NanLi.Infiltrative Breast Cancer Initial Detection Infiltrative Breast Cancer Initial Detection[C]// International Conference on Information & Automation， Shenyang， China， 2012：887-890.
[15]吴忠，潘杰，李国广，等.一种简化、高效的NCC图像匹配算法[J].科技传播，2013（14）：128-129.
[16]马榕，孙靖中，王建丽，等.保留改良根治术治疗乳腺癌中远期疗效分析[J].中国实用外科杂志，2003，21（10）：606-607
[17]张汗灵，杨帆.基于互信息和混合优化算法的多模医学图像配准[J].湖南大学学报（自然科学版），2006，33（1）：118-119.
[18]杨斌，宋立新.基于自适应区域生长的乳腺肿块分割方法[J].计算机工程与应用，2014，50（20）：171-175.
[19]卢振泰，陈武凡.基于共生互信息量的医学图像配准[J].计算机学报，2007，30（6）：1023-1024.
[20]周蕾，宋立新.基于分层的二视图乳腺病灶区域匹配研究[J].计算机工程2014，40（2）：224-228