一种乳腺钼靶图像中胸肌和乳头区域的分割预标注方法

摘要

本发明公开了一种乳腺钼靶图像中胸肌和乳头区域的分割预标注方法，包括如下步骤：S1、提取乳腺主体图；S2、定位斜侧位胸肌分割线；S3、定位双视图的乳头区域；S4、生成胸肌和乳头的区块标注信息；S5、检验修正。本发明在原始乳腺钼靶图像的基础上，快速大批量地自动生成乳腺钼靶图像中胸肌区域和乳头区域的高质量预标注分割信息，解决了目前存在的标注效率低下、分割标准差异大的问题，降低了对后续人工的要求，使得标注效率大幅度提高，从而产生适合于语义分割神经网络的高质量的训练数据集。

说明书

技术领域

本发明涉及计算机技术领域，特别涉及一种乳腺钼靶图像中胸肌和乳头区域的分割预标注方法。

背景技术

乳腺钼靶X线图像检查是最常用和最有效的乳腺疾病筛查手段之一，正确地分割出乳头位置和胸肌位置，对乳腺密度估计、乳腺病灶位置描述、乳腺肿块多视图配准、乳头形态判断等后续任务都有重要的意义。

随着计算机技术的发展，基于图像处理技术和AI技术的的计算机辅助诊断方法已被逐步引入诊断过程中。现有的乳头和胸肌定位方法，大都基于阈值特征、几何特征，这类方法的缺陷是：都对输入的乳腺钼靶X线图像作了较强的条件假设，在实际处理中，由于不同病人的乳腺、不同检查单位的仪器设备、不同医生的成像操作过程都会存在巨大的差异，因此会存在大量处理结果不理想的情况。深度学习的方法虽然可以提高分割的精度和稳定性，但该过程需要大量精确到像素的区域分割标注数据，而人工标注的成本很高，且存在标注效率低、分割标准差异大的问题。

发明内容

为解决上述问题，本发明提供了一种乳腺钼靶图像中胸肌和乳头区域的分割预标注方法。

本发明采用以下技术方案：

一种乳腺钼靶图像中胸肌和乳头区域的分割预标注方法，包括如下步骤：

S1、提取乳腺主体图：将原始的乳腺钼靶图的背景区域全部置零，从而提取出乳房组织的主体轮廓，即得到乳腺主体图；

S2、定位斜侧位胸肌分割线：利用类间方差最大化二分类的方法提取出腋下区域，然后根据腋下区域的分界点拟合生成胸肌分割线，即可得到胸肌区域；

S3、定位双视图的乳头区域：对于斜侧位视图和头尾位视图，先寻找视图中主体的最远端，找出乳房中间区域的主体轮廓线，并根据该主体轮廓线计算出乳头的估计位置进行标注，即乳头区域；

S4、生成胸肌和乳头的区块标注信息：根据胸肌区域和乳头区域的标注信息生成对应的数据文件；

S5、检验修正：利用标注修正工具，人工检验并修正部分不够精确的标注框，以生成精确标注的高质量数据集。

进一步地，所述步骤S2具体为：

S21、针对斜侧位的乳腺主体图，去除手臂噪声部分和外皮部分，获得掩码图；

S22、从上到下在所述掩码图内部进行类间方差最大化二分类，用类间方差最大时的自适应阈值，给整图做二值化，生成二值图，从而提取出腋下区域；

S23、根据所述二值图的腋下区域部分的分界点，生成候选分割点集；

S24、根据候选分割点集拟合生成分界的候选直线，即胸肌分割线。

进一步地，步骤S21中所述外皮部分的去除采用形态学腐蚀算法。

进一步地，所述步骤S23中候选分割点集的选取具体为：对每行找到一个最佳的分界点，使得左右两边的类间逐列方差最大，统计分界点处的类间差的值以及在原图上的灰度值。

进一步地，所述步骤S3中对于斜侧位视图，先计算出所述胸肌分割线的旋转角度，将所述斜侧位视图根据所述旋转角度进行旋转，得到斜侧位校正视图，从所述斜侧位校正视图中寻找主体对应的最远端，找出乳房中间区域的主体轮廓线，并根据该主体轮廓线计算出乳头的估计位置，在旋转前的斜侧位视图上画出相对应的各点位置，即乳头区域。

进一步地，所述步骤S3中对于头尾位视图，先寻找视图中主体对应的最远端，找出乳房中间区域的主体轮廓线，并根据该主体轮廓线计算出乳头的估计位置，即乳头区域。

进一步地，步骤S5中所述的标注修正工具采用Labelme。

采用上述技术方案后，本发明与背景技术相比，具有如下优点：

本发明在原始乳腺钼靶图像的基础上，快速大批量地自动生成乳腺钼靶图像中胸肌区域和乳头区域的高质量预标注分割信息，解决了目前存在的标注效率低下、分割标准差异大的问题，降低了对后续人工的要求，使得标注效率大幅度提高，从而产生适合于语义分割神经网络的高质量的训练数据集。

附图说明

图1为本发明的方法流程示意图；

图2为本发明的定位斜侧位胸肌线的过程示意图；

图3为本发明的选取候选分割点集的过程示意图；

图4为本发明的斜侧位视图中定位乳头区域的过程示意图；

图5为本发明的头尾位视图中定位乳头区域的过程示意图；

图6为本发明的检验修正的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

如图1所示，一种乳腺钼靶图像中胸肌和乳头区域的分割预标注方法，包括如下步骤：

S1、提取乳腺主体图：将原始的乳腺钼靶图的背景区域全部置零，从而提取出乳房组织的主体轮廓，即得到乳腺主体图；

S2、定位斜侧位胸肌分割线：利用类间方差最大化二分类的方法提取出腋下区域，然后根据腋下区域的分界点拟合生成胸肌分割线，即可得到胸肌区域；

S3、定位双视图的乳头区域：对于斜侧位视图和头尾位视图，先寻找视图中主体的最远端，找出乳房中间区域的主体轮廓线，并根据该主体轮廓线计算出乳头的估计位置进行标注，即乳头区域；

S4、生成胸肌和乳头的区块标注信息：根据胸肌区域和乳头区域的标注信息生成对应的数据文件；

S5、检验修正：利用标注修正工具，人工检验并修正部分不够精确的标注框，以生成精确标注的高质量数据集。本实施例所述的标注修正工具采用Labelme；如图6所示，通过标注修正工具Labelme，可以查看并修改预标注的结果。

如图2所示，所述步骤S2具体为：

S21、针对斜侧位的乳腺主体图(如图2中的a1所示)，去除手臂噪声部分和外皮部分，获得掩码图(如图2中的a2所示)；

所述外皮部分的去除采用形态学腐蚀算法；去除外皮即皮肤部位是为了避免皮肤部位对后续处理的干扰；

S22、从上到下在所述掩码图内部进行类间方差最大化二分类，用类间方差最大时的自适应阈值，给整图做二值化，生成二值图，从而提取出腋下区域(如图2中的a3所示)；

S23、根据所述二值图的腋下区域部分的分界点，生成候选分割点集(如图2中的a3所示)；

S24、根据候选分割点集拟合生成分界的候选直线，即胸肌分割线(如图2中的a4所示)。

这里可以采取一定的约束条件来验证拟合出的胸肌分割线位置的可靠性，该约束条件为：分割线的两个端点都在外轮廓线之内，靠近胸椎一侧，且与图像上边缘即X轴以及内侧边即Y轴，所形成直角三角形的最小角度在20°-70°范围内。

如图3所示，所述步骤S23中候选分割点集的选取具体为：对每行找到一个最佳的分界点，使得左右两边的类间逐列方差最大，统计分界点处的类间差的值以及在原图上的灰度值。

如图4所示，所述步骤S3中对于斜侧位视图，先计算出所述胸肌分割线的旋转角度(如图4的b1所示)，将所述斜侧位视图根据所述旋转角度进行旋转，得到斜侧位校正视图(如图4的b2所示)，从所述斜侧位校正视图中寻找主体对应的最远端，找出乳房中间区域的主体轮廓线(如图4中的b3所示)，并根据该主体轮廓线计算出乳头的估计位置(如图4中的b4所示)，在旋转前的斜侧位视图上画出相对应的各点位置，即乳头区域(如图4中的b5所示)。

如图5所示，对于所述步骤S3中头尾位视图(如图5中的c1所示)，先寻找视图中主体对应的最远端，找出乳房中间区域的主体轮廓线(如图5中的c2所示)，并根据该主体轮廓线计算出乳头的估计位置，即乳头区域(如图5中的c3所示)。

本实施例的方案能稳定地自动生成分割区域标注框，并且能从大部分相对标准的乳腺钼靶图像中得到比较精确的标注，降低标注着者的精细手工操作，使得标注者的精力放在检验和核对环节上，高效率地产生适合于语义分割神经网络的训练数据集，为语义分割任务模型的训练服务。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。