一种基于乳腺磁共振图像的计算机辅助肿块检测方法

摘要

本发明涉及医学图像处理与模式识别领域，为解决现有技术下肿块的分割效果不佳，以及分类实验中准确率、灵敏度跟特异度不高的问题，本发明提供了一种基于乳腺磁共振图像的计算机辅助肿块检测方法，包括以下步骤：S1、对乳腺磁共振图像进行感兴趣区域提取；S2、在所述感兴趣区域中提取分割出初始肿块区域，并确定所述初始肿块区域轮廓线；S3、计算所述初始肿块区域特征参数的权重分布；S4、选取权重系数大于基准权重系数的所述初始肿块区域特征参数进行训练分类以获取优化特征参数；S5、将所述优化特征参数输入分类器中，利用支持向量机分类方法对其进行分析，确定最终肿块区域并显示给用户。该检测方法对肿块有良好的分割效果，有效提高了分类实验中准确率、灵敏度跟特异度，将检测结果作为“第二意见”提供给放射科医生，可有效降低医生的误诊率和漏诊率。

说明书

技术领域

本发明涉及医学图像处理与模式识别领域，特别涉及一种基于乳腺磁共振图像的计算机 辅助肿块检测方法。

背景技术

乳腺癌是一种严重影响妇女身心健康的恶性肿瘤，据资料统计，其发病率占女性全身各 种恶性肿瘤的7-10％。乳腺癌的病因尚未完全清楚，目前也没有较好的预防和治疗手段。但 临床经验表明，乳腺癌能早期患者的治愈率远高于中晚期患者，因此准确的早期诊断是降低 乳腺癌发病率和死亡率的关键。目前医学界诊断乳腺肿瘤的重要依据是乳腺磁共振图像，但 乳腺磁共振图像较为复杂，放射科医生凭借肉眼发现肿块并判断肿块的良恶性，但使用肉眼 观察十分费时费力，使得放射科医生工作效率低且劳动强度大，并且难以获得满意的诊断结 果。

随着现代科技的方便与先进，人们开始使用计算机辅助检测(Computer Aided Detection) 技术来辅助医生进行乳腺肿块病灶的检测，目前计算机辅助检测技术已经是医学影像学的其 中一个研究热点。计算机辅助检测通过一系列算法来自动检测出病灶，并将诊断结果作为“第 二意见”提供给放射科医生，放射科医生结合计算机辅助检测的结果进行最终的判断，可以 较好地减少误诊和漏诊的情况。计算机辅助检测提供的结果可以使得放射科医生重点关注有 关病灶的主要信息，因此可提高放射科医生的工作效率并且使其劳动强度也有所降低。

乳腺癌的计算机辅助检测与诊断的目的在于对人眼看不清的病灶的细微结构的变化进行 检测，使得其灵敏度、特异度和诊断准确率的进一步提高。乳腺癌的计算机辅助检测与诊断 主要涉及图像处理方面的知识、机器学习的各种算法以及模式识别的应用等。迄今为止，最 为成熟的乳腺影像分析系统是基于乳腺钼靶X线的CAD系统，该系统包括对于乳腺X线影 像的肿块检测和微钙化检测。基于乳腺钼靶X线的CAD系统也被广泛用于乳腺普查。除了 乳腺钼靶X线的CAD系统，基于磁共振成像的CAD系统在近些年来也被广泛运用于乳腺的 临床影像学检查中，该CAD系统主要是针对乳腺的肿块性病灶。有关磁共振成像的CAD系 统的研究仍然十分有限，目前在美国市面上只有几种商业用的乳腺磁共振CAD工具，包括 Invivo Inc的DynaCAD、Confirma Inc的CADstream以及iCAD Inc的VADvue等等，以上三 个系统都能够提供图像显示平台，并显示各种增强磁共振图像的特征参数，以帮助放射科医 生进行进一步的诊断。

为了更好地完善乳腺癌的计算机辅助检测系统，人们致力于对乳腺肿块病灶的肿块检测 算法研究，人们不断地将计算机视觉、模式识别、机器学习等相关领域的多种技术和方法应 用到乳腺肿块区域的检测中。目前应用于乳腺肿块病灶分割的算法有图像形态学、区域生长 算法、分水岭算法、小波变换算法、基于聚类的算法、基于能量模型的算法等。通过上述技 术的应用，计算机辅助检测系统功能更为完善，检测能力大为提高。但是目前的计算机辅助 肿块检测系统还有一些不尽人意之处，具体为：肿块的分割效果不佳，分类实验中准确率、 灵敏度跟特异度不高，妨碍了放射科医生得出最后的诊断结果。

发明内容

为解决现有技术下肿块的分割效果不佳，以及分类实验中准确率、灵敏度跟特异度不高 的问题，本发明提供了一种基于乳腺磁共振图像的计算机辅助肿块检测方法，该检测方法对 肿块有良好的分割效果，有效提高了分类实验中准确率、灵敏度跟特异度，将检测结果作为 “第二意见”提供给放射科医生，可有效降低医生的误诊率和漏诊率。

上述发明目的通过以下技术方案来实现：

一种基于乳腺磁共振图像的计算机辅助肿块检测方法，包括以下步骤：

S1、对乳腺磁共振图像进行感兴趣区域提取；

S2、在所述感兴趣区域中提取分割出初始肿块区域，并确定所述初始肿块区域轮廓线；

S3、计算所述初始肿块区域特征参数的权重分布；

S4、选取权重系数大于基准权重系数的所述初始肿块区域特征参数进行分类训练以获取 优化特征参数；

S5、将所述优化特征参数输入分类器中，利用支持向量机分类方法对其进行分析，确定 最终肿块区域并显示给用户。

更进一步的，提取所述感兴趣区域的具体步骤是：

S11、预处理所述乳腺磁共振图像得到预处理图像；

S12、提取乳房外轮廓线；

S13、提取胸壁线；

S14、结合所述乳房外轮廓线和胸壁线进行图像重构以获取所述感兴趣区域。

更进一步的，所述S11中预处理所述乳腺磁共振图像的具体步骤是：

S111、进行图像二值化处理，

S112、进行形态学开运算；

S113、进行形态学闭运算；

S114、进行孔洞填充；

S115、提取最大连通区域输出以获取所述预处理图像。

更进一步的，所述S12中提取乳房外轮廓线的具体步骤是：

S121、使用边缘算子提取乳房外轮廓线；

S122、对所述乳房外轮廓线进行多项式拟合。

更进一步的，所述S13中提取胸壁线的具体步骤是：

S131、对所述预处理图像依次进行sobel滤波处理、中值滤波处理及归一化处理以获取 二次处理图像；

S132、根据所述乳房外轮廓线获取初始胸壁线；

S133、结合所述二次处理图像对初始胸壁线进行基于梯度向量场的snake迭代；

S134、进行多项式拟合获取所述胸壁线。

更进一步的，所述S14中提取感兴趣区域的具体步骤是：

S141、输入所述乳房外轮廓线和所述胸壁线；

S142、剔除所述胸壁线右侧区域；

S143、进行高斯滤波处理；

S144、进行二值化处理；

S145、进行形态学重构处理；

S146、提取最大连通区域；

S147、判断胸壁线是否与所述肿块相交；

如果判断结果为是，将所述胸壁线右移并回到所述S142继续执行；

如果判断结果为否，继续进行下一步；

S148、判断肿块是否存在；

如果判断结果为否，输出肿块不存在；

如果判断结果为是，输出所述感兴趣区域。

作为一种实施例，所述S2中利用模糊C均值聚类方法提取所述初始肿块区域轮廓线， 所述模糊C均值聚类方法的具体步骤是：

S21、输入所述感兴趣区域；

S22、进行邻域抑制操作；

S23、进行高斯去噪滤波操作；

S24、进行直方图均衡化操作；

S25、进行模糊C均值聚类操作；

S26、获取二值化图像；

S27、进行孔洞填充操作；

S28、去除小区域并输出即获取所述初始肿块区域轮廓线。

作为一种实施例，使用基于梯度向量场的snake能量模型分割方法对所述初始肿块区域 轮廓线进行二次分割提取以获得优化的所述初始肿块区域轮廓线。

作为一种实施例，所述S2中利用基于Chan-Vese的水平集分割方法提取所述初始肿块区 域轮廓线，所述基于Chan-Vese的水平集分割方法的具体步骤是：

S2a、输入所述感兴趣区域；

S2b、进行邻域抑制操作；

S2c、进行高斯去噪滤波操作；

S2d、进行直方图均衡化操作；

S2e、输出优化感兴趣区域；

S2f、利用所述优化感兴趣区域进行Chan-Vese水平集求解以获取目标肿块区域轮廓线；

S2h、判断所述目标肿块区域轮廓线是否收敛；

如果判断结构为否，回到步骤S2f继续执行；

如果判断结果为是，停止迭代，输出所述目标区域轮廓线即为所述初始肿块区域轮廓线。

更进一步的，所述步骤S2f中获取目标肿块区域轮廓线的具体步骤是：

S2f1、对所述步骤S2e中的优化感兴趣区域建立Mumford-Shah的图像分割模型获取肿 块轮廓曲线C₀，将所述优化感兴趣区域划分为若干个平滑区域；

所述优化感兴趣区域I(x,y)的定义域为Ω，对于由所述肿块轮廓曲线C₀分割出的平滑区 域I^MS(x,y)有以下方程式：

其中下式右边第一项为肿块曲线的长度项，第二项为肿块图像的方差项，第三项为肿块 图像的边界项，当F^MS(I₀,C)取最小值，arg min F有极小值，所述优化感兴趣区域被肿块边 界曲线C₀划分为若干个平滑区域，同时得到肿块边界C₀；

S2f2、通过建立能量泛函以获取全局最优的图像分割效果；

定义闭合轮廓曲线C为子集的边界，设所述图像I被任意闭合轮廓曲线C₀划分为 两个同质区域，C₀内和C₀外的灰度分别为：

$I=\left(\begin{array}{c}{I}^i,\mathrm{inside}\left(C_0\right)\\ I^o,\mathrm{outside}\left(C_0\right)\end{array}\right)$

对于被任意闭合活动轮廓线C划分为内部ω₁和外部ω₂的所述优化感兴趣区域I，可得到 以下方程式：

F(C)＝F₁(C)+F₂(C)＝∫_inside|I(x,y)-C₁|²dxdy+∫_outside|I(x,y)-C₂|²dxdy

上式中，C₁、C₂是常数，分别为曲线内外部的拟合中心，也即平均灰度。当C＝C₀时， 上式取得最小值；

以上式为基础，添加长度平滑项μ·Length(C)和面积平滑项ν·Area(inside(C))得到以 下方程式：

F(c₁,c₂,,C)＝F₁(C)+F₂(C)＝μ·Length(C)+ν·Area(inside(C))+

λ₁∫_inside|I(x,y)-c₁|²dxdy+λ₂∫_outside|I(x,y)-c₂|²dxdy

其中参数c₁、c₂如下所示：

$\underset{c,c_1,c_2}{\inf }F(c_1,c_2,C)$

μ,ν≥0,λ₁,λ₂>0是权重系数，设置为ν＝0,λ₁＝λ₂＝1，使上述能量泛函最小化，得到 全局最优的图像分割效果；

S2f3、对上述Chan-Vese模型进行水平集求解以获取所述目标肿块区域轮廓线；所述目 标肿块区域轮廓线以水平集形式的数值解表示为：

$\frac{\partial \phi }{\partial t}={\delta }_{ϵ}\left(\phi \right)[\mu ▿·\frac{▿\phi }{|▿\phi |}-v-{\lambda }_1{(I(x,y)-c_1)}^2+{\lambda }_2{(I(x,y)-c_2)}^2]$

φ(0,x,y)＝φ₀(x,y)

其中零水平集φ来表示所述目标肿块区域轮廓线。

更进一步的，所述S3中利用ReliefF算法计算所述初始肿块区域特征参数的权重分布。

更进一步的，所述S5中的分类器为Fisher分类器。

与现有技术相比，本发明具有以下有益效果：

本发明通过计算所述初始肿块区域特征参数的权重分布并选取权重系数大于基准权重系 数的所述初始肿块区域特征参数进行训练分类，然后在利用分类器和支持向量机分类方法对 特征参数进行分析，最后确定最终肿块区域并显示给用户。整套乳腺磁共振图像的计算机辅 助肿块检测系统的各个模块都使用了不同方法进行了优化，使得整体的分割效果更佳，分类 效果更准确。在跟放射科医生的手绘肿块对比中可看出其分割效果是十分有效的，在进行分 类实验中得到了较高的准确率、灵敏度跟特异度。

附图说明

图1为本发明感兴趣区域提取流程图；

图2为本发明乳腺磁共振图像预处理流程图；

图3为本发明提取胸壁线流程图；

图4为本发明重构感兴趣区域图像流程图；

图5为本发明使用模糊C均值聚类提取肿块轮廓流程图；

图6为本发明基于C-V模型的水平集肿块分割流程图；

图7为本发明放射科医生手绘肿块面积与计算机辅助算法分割面积对比散点图；

图8为本发明计算机辅助算法分割与医生手绘的肿块重叠面积AOR₁对比条形图；

图9为本发明计算机辅助算法分割与医生手绘的肿块重叠面积AOR₂对比条形图；

图10为本发明乳腺肿块特征参数权重分布柱状图；

图11为本发明乳腺肿块的计算机辅助肿块检测系统界面。

具体实施方法

下面结合附图说明以及具体实施方法来说明本发明。

本发明针对乳腺磁共振成像的特点，对于乳腺肿块的计算机辅助诊断的各个模块的算法 进行研究，提出了能够在各个模块上有改善效果的乳腺肿块的计算机辅助诊断检测系统，检 测系统中核心内容主要包括对乳腺磁共振图像进行感兴趣区域提取、对乳腺肿块病灶进行轮 廓的提取分割、对乳腺肿块病灶进行良恶性分类三大方面。下面结合实施例说明：

实施例一

一种基于乳腺磁共振图像的计算机辅助肿块检测方法，包括以下步骤：

如图1所示，S1、对乳腺磁共振图像进行感兴趣区域提取；其具体步骤是：

如图2所示，S11、预处理所述乳腺磁共振图像得到预处理图像；其具体包括：

S111、进行图像二值化处理，

S112、进行形态学开运算；

S113、进行形态学闭运算；

S114、进行孔洞填充；

S115、提取最大连通区域输出以获取所述预处理图像。

S12、提取乳房外轮廓线；其具体包括：

S121、使用边缘算子提取乳房外轮廓线；

S122、对所述乳房外轮廓线进行多项式拟合。

如图3所示，S13、提取胸壁线；其具体包括：

S131、对所述预处理图像依次进行sobel滤波处理、中值滤波处理及归一化处理以获取 二次处理图像；

S132、根据所述乳房外轮廓线获取初始胸壁线；

S133、结合所述二次处理图像对初始胸壁线进行基于梯度向量场的snake迭代；

S134、进行多项式拟合获取所述胸壁线。

如图4所示，S14、结合所述乳房外轮廓线和胸壁线进行图像重构以获取所述感兴趣区 域。其具体包括：

S141、输入所述乳房外轮廓线和所述胸壁线；

S142、剔除所述胸壁线右侧区域；

S143、进行高斯滤波处理；

S144、进行二值化处理；

S145、进行形态学重构处理；

S146、提取最大连通区域；

S147、判断胸壁线是否与所述肿块相交；

如果判断结果为是，将所述胸壁线右移并回到所述S142继续执行；

如果判断结果为否，继续进行下一步；

S148、判断肿块是否存在；

如果判断结果为否，输出肿块不存在；

如果判断结果为是，输出所述感兴趣区域。

S2、在所述感兴趣区域中提取分割出初始肿块区域，并确定所述初始肿块区域轮廓线；

如图6所示，利用基于Chan-Vese的水平集分割方法提取所述初始肿块区域轮廓线。其 具体包括：

S2a、输入所述感兴趣区域；

S2b、进行邻域抑制操作；

S2c、进行高斯去噪滤波操作；

S2d、进行直方图均衡化操作；

S2e、输出优化感兴趣区域；

S2f、利用所述优化感兴趣区域进行Chan-Vese水平集求解以获取目标肿块区域轮廓线；

S2h、判断所述目标肿块区域轮廓线是否收敛；

如果判断结构为否，回到步骤S2f继续执行；

如果判断结果为是，停止迭代，输出所述目标区域轮廓线即为所述初始肿块区域轮廓线。

其中步骤S2f中获取目标肿块区域轮廓线的具体包括：

S2f1、对所述步骤S2e中的优化感兴趣区域建立Mumford-Shah的图像分割模型获取肿 块轮廓曲线C₀，将所述优化感兴趣区域划分为若干个平滑区域；该图像边界能够将图像 I(x,y)分割为若干个近似同质区域，且所得到的分割图像I^MS(x,y)和原图像I(x,y)的误差比 其他所有分割图像跟原图像I(x,y)的误差要小，也即能量方程最小化，

所述优化感兴趣区域I(x,y)的定义域为Ω，对于由所述肿块轮廓曲线C₀分割出的平滑区 域I^MS(x,y)有以下方程式：

其中下式右边第一项为肿块曲线的长度项，第二项为肿块图像的方差项，第三项为肿块 图像的边界项，arg min F是用于求Mumford-Shah能量方程的极小值，当F^MS(I₀,C)取最小值， arg min F有极小值，所述优化感兴趣区域被肿块边界曲线C₀划分为若干个平滑区域，同时得 到肿块边界C₀；

S2f2、通过建立能量泛函以获取全局最优的图像分割效果；

定义闭合轮廓曲线C为子集的边界，即设所述图像I被任意闭合轮廓曲 线C₀划分为两个同质区域，C₀内和C₀外的灰度分别为：

$I=\left(\begin{array}{c}{I}^i,\mathrm{inside}\left(C_0\right)\\ I^o,\mathrm{outside}\left(C_0\right)\end{array}\right)$

对于被任意闭合活动轮廓线C划分为内部ω₁和外部ω₂的所述优化感兴趣区域I，可得到 以下方程式：

F(C)＝F₁(C)+F₂(C)＝∫_inside|I(x,y)-C₁|²dxdy+∫_outside|I(x,y)-C₂|²dxdy

上式中，C₁、C₂是常数，分别为曲线内外部的拟合中心，也即平均灰度。当C＝C₀时， 上式取得最小值；因为当闭合轮廓曲线C在边界外部时，F₁(C)>0,F₂(C)≈0，反之， F₁(C)≈0,F₂(C)>0。当边界内外部同时都有C时，则F₁(C)>0,F₂(C)>0，因此只有在C＝C₀的情况下，上述函数才能取得最小值。

以上式为基础，添加长度平滑项μ·Length(C)和面积平滑项ν·Area(inside(C))得到以 下方程式：

F(c₁,c_2,,C)＝F₁(C)+F₂(C)＝μ·Length(C)+ν·Area(inside(C))+

λ₁∫_inside|I(x,y)-c₁|²dxdy+λ₂∫_outside|I(x,y)-c₂|²dxdy

其中参数c₁、c₂如下所示：

$\underset{c,c_1,c_2}{\inf }F(c_1,c_2,C)$

μ,ν≥0,λ₁,λ₂>0是权重系数，设置为ν＝0,λ₁＝λ₂＝1，使上述能量泛函最小化，得到 全局最优的图像分割效果；

S2f3、对上述Chan-Vese模型进行进行水平集求解以获取所述目标肿块区域轮廓线；所 述目标肿块区域轮廓线以水平集形式的数值解表示为：

$\frac{\partial \phi }{\partial t}={\delta }_{ϵ}\left(\phi \right)[\mu ▿·\frac{▿\phi }{|▿\phi |}-v-{\lambda }_1{(I(x,y)-c_1)}^2+{\lambda }_2{(I(x,y)-c_2)}^2]$

φ(0,x,y)＝φ₀(x,y)

其中零水平集φ来表示所述目标肿块区域轮廓线。

具体求解方法为：

用零水平集φ来表示所求的轮廓线，同时设φ是内正外负的符号距离函数，可得到：

inside(C)＝{X∈Ω:φ(X)>0},outside(C)＝{X∈Ω:φ(X)<0}

由于C-V水平集模型是基于图像分片光滑的假设，因此引入了两个函数来对能量函数 F(c₁,c₂,C)进行规范化，这两个函数分别为Heaviside函数H(Z)和Dirac函数δ(Z)，其中， Heaviside函数用于划分演化区域，而Dirac函数则被用于限定演化在零水平集函数的周围取 值。H(Z)和δ(Z)的表达式如下：

$H\left(Z\right)=\left(\begin{array}{cc}1,& z\ge 0\\ 0,& z<0\end{array}\right)$

$\delta =\frac{d}{\mathrm{dz}}H\left(Z\right)$

CV模型的能量泛函方程中各项可表示为：

$\mathrm{Length}(\phi =0)={\int }_{\Omega }|▿H\left(\phi (x,y)\right)|\mathrm{dxdy}={\int }_{\Omega }{\delta }_0\left(\phi (x,y)\right)|▿H\left(\phi (x,y)\right)|\mathrm{dxdy}$

Area(φ≥0)＝∫_Ω|H(φ(x,y))|dxdy

∫_φ>0|I(x,y)-c₁|²dxdy＝∫_Ω|I(x,y)-c₁|²H(φ(x,y))dxdy

∫_φ<0|I(x,y)-c₂|²dxdy＝∫_Ω|I(x,y)-c₂|²(1-H(φ(x,y)))dxdy

故CV模型能量泛函的水平集函数方程可改写为：

$\left(\begin{array}{c}F(c_1,c_2,\phi )=\mu ·{\int }_{\Omega }{\delta }_0\left(\phi (x,y)\right)|▿H\left(\phi (x,y)\right)|\mathrm{dxdy}+v·{\int }_{\Omega }\left|H\left(\phi (x,y)\right)\right|\mathrm{dxdy}+\\ {\lambda }_1{\int }_{\Omega }{|I(x,y)-c_1|}^{2}H\left(\phi (x,y)\right)\mathrm{dxdy}+{\lambda }_2{\int }_{\Omega }{|I(x,y)-c_2|}^2(1-H\left(\phi (x,y)\right))\mathrm{dxdy}\end{array}\right)$

原图像I(x,y)可表示为水平集的形式：

I(x,y)＝c₁H(φ(x,y))dxdy+c₂(1-H(φ(x,y)))dxdy

上式中，令φ不变，最小化能量泛函F(c₁,c₂,φ)，则可获得c₁、c₂的表达式：

$c_1=\frac{{\int }_{\Omega }I\left(x\right)H\left(\phi (x,y)\right)\mathrm{dxdy}}{{\int }_{\Omega }H\left(\phi (x,y)\right)\mathrm{dxdy}}$

$c_2=\frac{{\int }_{\Omega }I\left(x\right)\left(1-H\left(\phi (x,y)\right)\right)\mathrm{dxdy}}{{\int }_{\Omega }(1-H\left(\phi (x,y)\right))\mathrm{dxdy}}$

当内部区域不为0，即∫_ΩH(φ(x,y))dxdy>0时，c₁才有意义；同理，当外部区域不为0， 即∫_Ω(1-H(φ(x,y)))dxdy>0时，c₂才有意义。

为了求解以水平集函数φ所表示的偏微分方程，在此引入规则化的Heaviside函数H(Z)和 Dirac函数δ(Z)。当ε→0时，用H_ε或δ_ε来表示，且H′_ε＝δ_ε。规则化的H函数如下所示：

$H_{2,ϵ}\left(Z\right)=\frac{1}{2}(1+\frac{2}{\pi }\arctan \left(\frac{z}{ϵ}\right))$

由H(Z)与δ(Z)的关系，可以得到

${\delta }_{2,ϵ}\left(Z\right)=\frac{1}{\pi }\frac{ϵ}{{ϵ}^2+z^2}$

用F_ε(c₁,c_2,,C)来表示规则化之后的F(c₁,c_2,,C)，如下所示：

$\left(\begin{array}{c}{F}_{ϵ}(c_1,c_2,C)=\mu ·{\int }_{\Omega }{\delta }_0\left(\phi (x,y)\right)|▿\phi (x,y)|\mathrm{dxdy}+v·{\int }_{\Omega }\left|H_{ϵ}\left(\phi (x,y)\right)\right|\mathrm{dxdy}+\\ {\lambda }_1{\int }_{\Omega }{|I(x,y)-C_1|}^2{H}_{ϵ}\left(\phi (x,y)\right)\mathrm{dxdy}+{\lambda }_2{\int }_{\Omega }{|I(x,y)-C_2|}^2(1-H_{ϵ}\left(\phi (x,y)\right))\mathrm{dxdy}\end{array}\right)$

持c₁和c₂不变，对φ求能量泛函的最小值，则可获得偏微分方程如下所示：

$\frac{\partial \phi }{\partial t}={\delta }_{ϵ}\left(\phi \right)[\mu ▿·\frac{▿\phi }{|▿\phi |}-v-{\lambda }_1{(I(x,y)-c_1)}^2+{\lambda }_2{(I(x,y)-c_2)}^2]$

φ(0,x,y)＝φ₀(x,y)

故上述四个方程即为水平集形式的数值解。

上述偏微分方程中，原图像I(x,y)以及c₁，c₂都是定义在全部的图像区域上，即利用了图 像的全局信息，CV模型中强调的就是全局化的特点，对于一套初始的闭合轮廓线，就可以将 内部“真空”的目标检测出来，而并不需要为了检测该“真空的”目标而另外添加约束条件。

当使用H_2,ε和δ_2,ε时，能量泛函方程可作用于所有的水平集曲线，算法收敛于全局极小值， 而不是局部极值，因此最后的结果是不依赖于初始轮廓线的位置。故本发明使用这种规则化 形式。

S3、利用ReliefF算法计算所述初始肿块区域特征参数的权重分布(参见图10)；

S4、选取权重系数大于基准权重系数的所述初始肿块区域特征参数进行分类训练得到肿 块良恶结果，并且和病理良恶结果比较，得到最一致的比较结果，从而获取优化特征参数；

S5、将所述优化特征参数输入Fisher分类器中，利用支持向量机分类方法对其进行分析 以进行乳腺肿块病灶的良恶性分类，确定最终肿块区域并显示给用户(参见图11)。进行所 述分类实验时，分别采用样本二分法和留一交叉验证法进行验证(参见表1、表2)。

如图7、图8、图9所示，比较放射科医生手绘肿块面积与计算机辅助算法分割面积，计 算机辅助算法分割与医生手绘的肿块重叠面积AOR₁，计算机辅助算法分割与医生手绘的肿 块重叠面积AOR₂，我们可以清晰的发现，采用本发明的水平集技术方案分割提取肿块区域 图像的效果明显优于FCM分割和GVF分割。

表1不同分割方法及其分类方法的分类结果(样本二分法)

表2不同分割方法及其分类方法的分类结果(留一交叉验证法)

实施例二

如图5所示，本实施例是在实施例一基础上作出的改进，其与实施例一的区别在于：利 用模糊C均值聚类方法提取所述初始肿块区域轮廓线。其具体包括：

S21、输入所述感兴趣区域；

S22、进行邻域抑制操作；

S23、进行高斯去噪滤波操作；

S24、进行直方图均衡化操作；

S25、进行模糊C均值聚类操作；

S26、获取二值化图像；

S27、进行孔洞填充操作；

S28、去除小区域并输出即获取所述初始肿块区域轮廓线。

实施例三

本实施例是在实施例二基础上作出的改进，其与实施例二的区别在于：利用实施例二中 使用模糊C均值聚类方法获取所述初始肿块区域轮廓线的结果作为基础，使用基于梯度向量 场的snake能量模型分割方法对所述初始肿块区域轮廓线进行二次分割提取以获得优化的所 述初始肿块区域轮廓线。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，故凡是 未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等 同变化与修饰,均仍属于本发明技术方案的范围内。