CN102947841A

CN102947841A - 放射摄影图像中的毛刺恶性肿块检测和分级

Info

Publication number: CN102947841A
Application number: CN2011800280257A
Authority: CN
Inventors: J·C·威内斯; D·S·哈丁
Original assignee: Vucomp Inc
Current assignee: Vucomp Inc
Priority date: 2010-04-30
Filing date: 2011-04-29
Publication date: 2013-02-27
Also published as: CN102934128A; JP2013525011A; US20130208967A1; US20130208956A1; JP2013529334A; JP6077993B2; US20150071521A1; US8958625B1; WO2011137409A1; JP2013525009A; JP2013525010A; US8675934B2; US9262822B2; WO2011137411A1; CN102893294A; US20150023580A1; CA2797238A1; CA2797240A1; US20130051676A1; US9076197B2

Abstract

一种图像分析实施方式包括：根据数字数据生成肿胀遮罩，该肿胀遮罩包括用于毛刺异常的潜在收敛中心；检测该数字图像中的背脊以生成检测背脊图；将检测背脊图投影到具有不同的方向矢量的方向图集合上以生成背脊方向投影图的集合；根据背脊方向投影图的集合确定该潜在收敛中心的楔形特征；从该潜在收敛中心选择具有最强楔形特征的背脊收敛中心；针对每个所选择的背脊收敛中心提取分级特征；以及基于所提取的分级特征来分级该选择背脊收敛中心。

Description

放射摄影图像中的毛刺恶性肿块检测和分级

本申请要求如下申请的优先权：2010年5月2日提交的美国临时申请序列号61/343,609，2010年5月2日提交的美国临时申请序列号61/343,608，2010年5月2日提交的美国临时申请序列号61/343,552，2010年4月30日提交的美国临时申请序列号61/343,557，2010年5月6日提交的美国临时申请序列号61/395,029，2010年6月25日提交的美国临时申请序列号61/398,571，2010年7月7日提交的美国临时申请序列号61/399,094，2010年7月28日提交的美国临时申请序列号61/400,573的优先权，在此通过参考的方式将全部申请并入本文。

技术领域

本文的公开整体一般而言涉及放射摄影图像中的恶性肿块的计算机辅助检测，并且更具体而言，涉及用于定位肿块并且确定允许识别包括的周围毛刺和其他构造畸变的恶性肿块的肿块特征的系统。

背景技术

放射线学者使用放射摄影图像如乳房X射线照片来例如在疾病易于被其他侵入式方法检测之前尽可能容易地检测并且查明患者中的可疑病变。同样地，对于能够基于成像来定位极其小的癌症病变和先兆的放射线学者而言存在真正的好处。相对稠密的组织的大的肿块是关注的一个标志。虽然一些肿块可能在放射摄影图像中看起来相当突出，但是包括其他天生的梗塞/部分梗塞各种因素可以助于识别可疑肿块，特别是当它的中央肿胀难以看见时，它是围绕肿块的毛刺形式。毛刺形式在放射摄影图像中可以呈现以看起来向中心点“集中”的组织的形式。

已开发了计算机辅助检测(CAD)算法来辅助放射线学者定位放射摄影图像中的潜在病变。CAD算法在计算机内在用于患者的乳房X射线照片设置的数字表示上操作。该数字表示可以是原始或已处理传感器数据(当由数字传感器捕获该乳房X射线照片时)或者传统的基于胶片的乳房X射线照片设置的扫描版本。假设如本文所使用的“图像”是用于给予CAD算法的合适的数字表示的至少二维数据，与原始用于获得患者信息的获取机制没有不同。CAD算法搜索图像以获得与感兴趣的标志匹配的对象，并且当找到感兴趣的标志时警告放射线学者。

可以使用用于描述观察到随机变量的任意给定样本值的相对可能性的概率密度函数(PDF)来执行异常(anomaly)的分级。基于全部可能值的PDF的积分是1；基于随机变量的范围的子集的PDF的积分表示随机变量的抽取样本将落入该范围中的概率。

通常很好理解，可以由闭合形式方程式表示的PDF，并且已经开发了用于该PDF的许多应用。另一方面，用于复杂多维随机变量(特别是具有未知的并且在每个维度中有可能不规律的分布以及/或者长的、稀疏填充尾部的复杂多维随机变量)的实际估计大部分避开研究人员。在模式和图像识别的领域中，例如，由于在应用PDF方法中的实际困难，许多研究人员已经放弃PDF方法并且投身与已知的可解决的替换如神经网络和线性判别式函数。

附图说明

下文是附图的简要描述，其示出了本发明的示例性实施方式并且在附图中：

图1是用于根据一个实施方式的异常检测的系统级图；

图2是根据一个实施方式的计算机辅助检测(CAD)单元的组件图；

图3是根据一个实施方式的检测单元的组件图；

图4包括用于根据一个实施方式的总计算机辅助检测过程的系统方框图；

图5包括用于根据一个实施方式的毛刺损伤检测和分集过程的流程图；

图5A图示了根据一个实施方式的强度补偿预处理过程；

图6包括用于根据一个实施方式的背脊检测过程的流程图；

图7描述了在一个实施方式中有用的噪声估计算子；

图8描述了在一个实施方式中有用的背脊检测算子；

图9图示了在一个实施方式中有用的线投影映射操作；

图10图示了用于在一个实施方式中估计毛刺的“楔形”形式；

图11包括用于根据一个实施方式的计算楔形形式特征的流程图；

图12图示了根据一个实施方式的中心(hub)对比度检测映射；

图13包括用于计算根据一个实施方式的中心对比度分值的流程图；

图14图示了在实施方式中使用的胸部坐标系统；以及

图15a和图15b图示了根据一个实施方式的分级器概率单元；

图16示出了闭合形式PDF和从概率分布抽取的样本的柱状图；

图17概念性地示出了用于由表示点的集合表示的假设一维分布的西格玛值的估计；

图18示出了图17的西格玛值到卷积点处的PDF的估计的应用；以及

图19是根据本发明的一个实施方式的台式计算设备的方框图。

具体实施方式

下文详细讨论实施方式的制造和使用。但是应该认识到本发明提供可以实现在各种各样具体环境中的许多可应用的创造性概念。所讨论的具体实施方式仅仅是制造并且使用本发明的具体方式的示例并且不限制本发明的范围。

在辅助医务人员检查胸部X射线图像(诸如根据在执行乳房X射线照片的过程中可以获得的那些胸部X射线图像)的方式，总体描述本文所述的实施方式。但是，其他实施方式可以用于其他情况，包括例如检测其他组织中的异常、用于统计学异常的任意类型的图像分析等等。

现在参考附图，其中在此在各种视图中使用相同的附图标记来指示相同的或相似的元素，显示并且描述了本发明的说明性的实施方式。仅用于说明的目的，不必按比例绘制附图，并且在一些实例中适当地放大并且/或者简化附图。本领域普通技术人员将认识到基于本发明的以下说明性的实施方式的本发明的许多可能的应用和变形。

首先参考图1，根据一个实施方式示出了用于在例如乳房X射线照片期间辅助检测异常的系统100。系统100包括成像单元102、数字转换器104和计算机辅助检测(CAD)单元106。成像单元102获取感兴趣的区域如胸部组织的一个或多个图像如X射线图像。在使用系统100来辅助分析乳房X射线照片的该实施方式中，当压缩胸部以扩散胸部组织时可以取得四个X射线图像的序列，从而辅助异常的检测。四个X射线图像的序列包括用于左胸和右胸中的每一个的自顶向下图像，被称为头尾向(CC)图像，以及用于左胸和右胸中的每一个的从胸骨向下倾斜的顶部到身体外部的倾斜角度的图像，被称为侧斜位(MLO)图像。

可以将一个或多个图像实现在胶片上或数字化。历史上将一个或多个图像实现为胶片上的X射线图像，但是当前技术允许用与现代数码相机以大致相同的方式直接获得X射线图像作为数字图像。如图1中所示，数字转换器104允许将胶片图像数字化成数字格式。可以将数字图像数字化成任意合适的格式，如工业标准医学数字影像和通信(DICOM)格式。

向计算机辅助检测(CAD)单元106提供数字化图像例如数字化胶片图像或直接作为数字化图像所获得的图像。如下文更详细地讨论的，CAD单元106处理一个或多个图像以检测各种类型的异常(如钙化、相对稠密区域、形变等等)的可能的位置。在处理之后，利用或者不利用指示任意检测的可能的异常的位置的标记，将可能的异常的位置并且可选择地该数字化图像提供给估计单元108，以便被放射线学者、主治医师或其他人员观察。估计单元108可以包括显示器、工作站、便携式设备等等。

图2示出了可以由根据一个实施方式的CAD单元106(见图1)利用的组件。通常，CAD单元106包括分隔单元202、一个或多个检测单元204a-204n以及一个或多个显示预处理器206a-206n。将认识到，X射线图像或其他图像可以包括除了感兴趣的那些区域之外的区域。例如胸部的X射线图像可以包括背景区域以及其他结构区域如胸部肌肉。在这些情况中，可能希望分隔X射线图像以定义搜索区域例如用于定义胸部组织的界限区域，一个或多个检测单元204a-204n可以在该区域上分析异常。

一个或多个检测单元204a-204n分析一个或多个图像、或者由分隔单元202定义的具体区域，以检测可以指示患者中的一个或多个具体类型的异常的具体类型的特征。例如，在用于检查人类胸部组织的一个实施方式中，检测单元204a-204n可以包括计算单元、密度(肿块)单元和形变单元。如在医疗领域中已知的，人体通常通过用钙包围癌细胞、创建微钙化来对癌细胞进行反应。这些微钙化可以表现为X射线图像中的小的明亮区域。计算单元检测并且识别胸部的这些区域作为可能的微钙化。

还知道癌症区域往往比周围组织更稠密，因此看起来总体比用于指示比周围组织更稠密的组织的区域更亮的区域可以指示癌症区域。因此，密度单元分析一个或多个胸部X射线图像，以检测该一个或多个图像中的相对稠密区域。因为正常胸部组织的随机重叠有时候可能看起来可疑，所以在一些情况中，密度单元可以关联对象例如胸部的不同的视图，以确定在其他对应的视图中是否出现稠密区域。如果该稠密区域出现在多个视图中，则该区域更有可能是真正恶性的。

形变单元检测由癌细胞在周围组织上的影响所导致的结构缺陷。癌细胞通常具有“拉进(pulling in)”周围组织的效果，导致看起来伸展式、星形或者其他线性线形式的毛刺。

应该注意到，仅仅为了说明的目的提供检测单元204a-204n的以上实例例如计算单元、密度单元和形变单元，并且其他实施方式可以包括更多或更少的检测单元。应该注意，一些检测单元可以与如虚线208所指示的其他检测单元交互。下文参考图3更详细地描述检测单元204a-204n。

显示预处理器206a-206n创建图像数据以指示异常的类型和/或位置。可以例如通过用于由一种类型的线(例如实线)环绕关注区域的线来指示微钙化，而可以通过用于由另一种类型的线(例如虚线)环绕关注区域的线来指示毛刺。

图3示出了可用于根据一个实施方式的每个检测单元204a-204n的组件。每个检测单元204a-204n总体可以包括检测器302、特征提取器304和分级器306。检测器302分析图像以识别用于指示该检测单元被设计为检测的异常的类型的属性如钙化，并且特征提取器304提取每个检测区域的预先确定的特征。预先确定的特征可以例如包括尺寸、信噪比、位置等等。

分级器306检查来自特征提取器304的每个提取特征，并且确定提取特征是异常的概率。在确定该概率之后，将该概率与阈值比较以确定是否将检测区域作为可能的关注区域来报告。

在美国临时申请序列号61/400,573和61/398,571中指定了合适的分段单元202，在在美国临时申请序列号61/343,557和61/343,609和共同提交的美国PCT专利申请序列号[代理人案号VUC-007PCT]中指定了合适的用于检测并且分级微钙化的检测单元，在美国临时申请序列号61/343,552和共同提交的美国PCT专利申请序列号[代理人案号VUC-009PCT]中指定了合适的用于检测并且分级恶性肿块的检测单元，在美国临时申请序列号61/343,608和共同提交的美国PCT专利申请序列号[代理人案号VUC-008PCT]中指定了合适的概率密度函数估计器，在美国临时申请序列号61/399,094中指定了合适的显示预处理器，在此通过参考的方式将它们全部合并入本文。

以下段落提供关于恶性肿块检测单元如可以被用作为根据一个实施方式的一个或多个检测单元204a-204n(见图2)的更多的细节。具体而言，下文所述的实施方式寻求检测并且分级放射摄影图像中的潜在恶性肿块。图4包括与乳房X射线照相术成像系统一起使用的、用于根据一个实施方式的检测/分级过程的总体系统方框图400。

胸部分段过程410尝试将乳房X射线照片的胸部组织与非胸部组织区域区分开。胸部分段410传递胸部遮罩图像和放射摄影图像的高分辨率版本到微钙化检测/分级阶段420，微钙化检测/分级阶段420力图找到用于指示恶性肿瘤的微钙化的簇(cluster)。当找到该簇时，将它们的位置和程度的描述传递到钙化标记430(钙化标记430适当地合并重叠的簇)，并且生成关于显示的乳房X射线照片的重叠的CAD结果打印输出、存储、向放射线学者的显示所需要的标记。

胸部分段410还向肿块检测/分级阶段440传递胸部遮罩图像和放射摄影图像的低分辨率版本。肿胀检测单元444在各种尺度上搜索用于扩展的类肿块特征的低分辨率图像。向收敛检测单元442提供在任意尺度上检测的肿胀的位置作为遮罩。收敛检测单元442在由肿胀检测单元指示的肿胀的位置处，搜索用于指示毛刺肿块的收敛图像特征的低分辨率图像。

肿块检测/分级阶段440在该图像中最显著的肿胀和收敛处执行分级。重叠映射器446确定每个显著的肿胀和收敛对是否重叠到收敛的中心看起来与该肿胀位置相同的程度，在该情况中，对于组合的肿胀/收敛进行附加的结合分级。重叠检测器446向概率阈值检测器450传递每个肿胀或肿胀/收敛对以及它是恶性肿瘤的概率，并且向概率阈值检测器448传递不与其中一个肿胀重叠的每个收敛。不同的概率阈值检测器允许在比其他肿块检测更高的阈值上将例如未被显著位置相同的肿块确认的收敛认为是可疑的。阈值检测器448和450向肿块标记阶段460传递位置和可疑肿块的程度。肿块标记阶段460适当地合并重叠的簇，并且生成关于显示的乳房X射线照片的重叠的CAD结果打印输出、存储、向放射线学者的显示所需要的标记。

图5包括用于由收敛检测单元442以及肿块检测/分级阶段440的重叠和阈值处理单元执行的高级操作的流程图500。到收敛检测单元的图像输入优选地被预处理到适当的尺度例如在一个实施方式中100微米像素大小，并且被处理以去除假象。这些假象可以包括用于表示强边缘的明亮区域(典型地成像者假象)、如皮肤折痕的亮线，并且从该图去除大型明亮区域。通过强二阶导数离群值(outlier)可以容易地识别该区域，其中强二阶导数离群值在皮肤折痕的情况中具有确认特征如线性、朝向或“V”形状，辅助识别。该系统在有效像素图像上将属于这些类型的标志的像素标记为无效。一旦被标记为无效，在收敛检测中不使用该像素，以防止它们的极其强的标志遮掩附近感兴趣的弱的标志。

可选的尺度调节步骤是用于胸部组织区域的强度整平步骤。该步骤估计用于皮肤线附近的组织厚度的减小的补偿，这导致胸部边界附近的附加的图像暴露和密度。图5A图示了强度整平过程的细节。

使用皮肤线作为起始点以创建胸部组织的距离到边界图(distance-to-boundary map)560。在图560中向沿皮肤线的像素分配零距离，向作为胸部的有效部分并且接触零距离像素的像素分配单位距离，向接触单位距离像素的像素分配两单位距离，以此类推，该过程继续直到全部有效像素被分配了距离为止(可选地，该过程可以在一些固定距离上早早被停止，其中在该固定距离之前存在图像厚度保持恒定的高的置信度)。

如图565中所示，沿与皮肤线垂直的、全部沿皮肤线大量线条，采样图像强度。沿每条线收集强度样本，将样本收集到根据图560中写入的皮肤线距离的数据结构组群中。虽然系统实施方式没有实际创建散点图，但是散点图570直观地图示了强度与边界距离D的典型的分布。在任意距离D上，独立的像素强度根据在每个样本线条中经过的结构而变化，其中总体基本趋势表示“下级信号(undersignal)”。下级信号表示对于距皮肤线给定距离处所发现的厚度的最小稠密组织所期望的X射线吸收。估计并且去除该下级信号。

一种方法可以将每个距离D处的最小像素强度定义为在该距离处的下级信号。由于噪声、皮肤线确定中的不确定性、关于厚度朝向皮肤线逐渐变小得多快的沿胸部轮廓的变化等等，该方法可能缺少鲁棒性(但是其可能与一些数字成像术工作良好)。一个备选实施方式将样本按照用于每个D的升序分类，并且根据加权函数572来对距D近距离的样本进行加权。在高于所加权像素(在D处和周围距离)的给定百分比P的强度处选择下级信号，P的值大约为30％展示良好的性能。

即使期望实际下级信号单调增加，所计算下级信号可能不单调地随D的增加而增加。平滑步骤通过在建模的最大D处开始并且朝向0移动，对于下级信号574施加单调性。在每个点D处，除非下级信号534增加，否则平滑下级信号576采用相同的值作为下级信号574。当下级信号574增加时，平滑下级信号576保持恒定直到D减小到这样一种点为止，其中在该点处下级信号574下降到至少平滑下级信号576的值。在该点处，平滑下级信号576将继续再次追踪下级信号574，直到下级信号574的下一个向上偏移为止。

一旦平滑下级信号576完成，将其与距离到边界图560组合，以创建胸部Δ图像580，胸部Δ图像580描述将要被从该图像像素减去以去除下级信号的强度。通过从输入图502减去胸部Δ图像580来创建最终调整图像590。

再次参考图5，向始于步骤510处的收敛检测500传递调整图像590。背脊检测510尝试找出该图像中的背脊例如任意尺度、纵横比和朝向的延长类线性结构。收敛投影520将背脊数据转换到投影图集合上，投影图集合描述每个背脊与对于每个图指定的方向如何对齐。楔形特征计算530迅速考虑用于每个可能的收敛位置的大量可能的收敛形式，计算用于每个的特征并且存储用于最佳匹配的特征。分级步骤540和阈值标记步骤550使用对于每个潜在的收敛找到的特征来定位可疑区域并且标记它们。

图6包括用于对于定位尺度调节输入图像上的背脊有用的一个实施方式510的流程图。在肿胀检测444(图4)的中间输出上执行第一步骤600。肿胀检测尝试找到M个尺度上(例如从4mm到50mm)的肿胀，其中每个尺度与它的邻域相隔倍增的尺度因子

在每个尺度上，对于检测而言，所不希望的是比感兴趣的肿块显著精细的结构。因此，该调整图像590通过与该尺度相关的整数因子来二次采样，并且用与该二次采样因子相关的高斯函数加以平滑。

一旦平滑了二次采样图像，在每个有效点上的多个朝向上，使用间距W/3(其中W是当前尺度)的点来进行二阶导数(D2)测量，以估计沿一个朝向的曲率。在每个优选像素处，如果用于全部朝向的最小负二阶导数(Min D2)测量是负的，则这表明在全部朝向上的D2测量指示下凸曲率。结合8个相邻连接的下凸曲率的区域，其中每个该区域识别行潜在肿块位置。对在每个尺度找到的行潜在肿块位置进行或操作(对于或操作将尺度调节到相同的尺度)，以创建将被视为毛刺中心的潜在收敛“中心”的遮罩。

背脊检测过程510搜索用于在方框610计算的、在M个不同宽度上出现的背脊的尺度调节的调整的输入图像590。在一个实施方式中，所搜索的最小背脊宽度(高峰到低谷)是200微米宽。在更大的背脊宽度上执行附加搜索，在一个实施方式中，希望间隔三个宽度/八度(octave)(200、250、320、400、500等等)直到最大背脊宽度。

对于给定宽度W，步骤620例如使用σ＝W/2的高斯函数模糊图像。该模糊过程过滤噪声并且削弱干扰当前宽度的背脊的检测的较小的图像结构。

步骤622确定出现在当前尺度上的图像中的“噪声”曲率。在一个实施方式中，将图7中显示的二阶导数算子700应用到模糊图像。诸如基于对每个有效像素局部的区域的中值输出或者基于整个图像的中值输出之类的统计形成了用于在特制计算中使用的噪声图。

方框624计算用于背脊测量的当前朝向θ。在每个环路上方框624找出用于考虑的下一个朝向θ。在一个实施方式中，考虑均匀地间隔在半圆上的16个朝向。

方框626计算用于背脊测量的当前纵横比AR。在一个实施方式中，将纵横比AR定义为当前测量中的二阶导数(D2)测量点的数量。在一个实施方式中，考虑3.5和7个点的纵横比。同样可以使用更长的纵横比。

方框628对于W、θ和AR的当前值，计算每个有效图像点处的背脊特征。图8显示了旋转到角度θ并且纵横比为5的背脊算子800的一个实施方式。沿朝向在θ上的线条820隔开5个二阶导数算子(等于纵横比)，与当前像素位置810相距-2W、-W、0、W和2W微米(如果有必要则内插到子像素空间)。每个二阶导数在算子考虑线条820上的中心像素(例如像素810)以及在经过中心像素的线条上与线条820垂直测量的间隔W和-W微米的两个像素。二阶导数算子(-1，2，-1)分别加权像素812、810、814以便中心测量；其他4个二阶导数测量使用相同的算子。

在每个像素、W、θ和AR组合上，方框628计算多个特征。组合单独的二阶导数测量，以计算平均对比度和对比度标准偏差。将对比度密度定义为被宽度W除的平均对比度。将信噪比SNR定义为被来自噪声图的噪声和用于当前AR的归一化因子除的平均对比度。

背脊检测器510穿过判决方框630、632和634直到W、θ和AR的全部组合被耗尽为止，并且然后分路到修剪方框640。修剪方框640检查用于给定像素的每个测量，并且保存具有最佳SNR的测量。但是在一个实施方式中，如果具有强SNR的测量的归一化对比度变化太小则拒绝该测量，因为这不可能表示正常结构。并且，具有低SNR的最佳背脊值可能指示在该位置处缺少背脊，并且同样在该点处被去除。

在方框640选择最佳背脊候选之后，方框650削薄线条。例如，随着宽背脊算子从一端到另一端扫过实际线条信号，其将有可能感觉到该线条比一个像素更宽。方框650尝试将在相同的W、θ和AR处的相邻像素的整平线条响应削薄成最强响应的中心背脊。

往回参考图5，背脊检测510向投影方框520传递检测线条图(平均对比度AC、θ)。图9图示了投影方框的功能。将检测线条图910分割成3个图像：线条遮罩图像920，其中用于有效背脊位置的遮罩值被设置为AC；行分量图像T_r＝cos(θ)930以及列分量图像T_c＝sin(θ)940。

对于实际的毛刺，该结构的测量“轮辐”可能不径直朝向中心排列，或者可能处于分隔θ的两个量化值之间的角度。为了允许与用于角度偏差和测量误差的一些公差的形式匹配，计算线条投影图960的集合。每个投影图定义沿在半圆上均匀分布的N个方向矢量

中的一个方向矢量的线条贡献。点积投影计算器910用用于有效图像位置(i，j)的投影值来填充给定线条投影图，其中有效图像位置(i，j)表示沿该方向的强度：

p (i, j, k) = AC (i, j) e^{- \frac{{({\overset{&OverBar;}{D}}_{k} \cdot {\overset{&OverBar;}{T}}_{i, j})}^{2}}{2}}

楔形特征计算530(图5)从投影计算520接收线条投影图960。图10包括楔形的示例并且图8包括具有楔形特征计算530的细节的流程图。

为了特征计算的目的，楔形是这样一种弓形，该弓形已经被量化为距感兴趣的像素中心给定半径上的大量离散的位置。由于对于收敛搜索不同的半径，所以固定数量的位置必须表示随着半径增加的更大的区域。因此，由每个位置对于收敛考虑的区域随着“楔形”远离中心像素而扩张。

由三个参数定义每个楔形：楔形宽度WW，用于测量的量化分段的数量；偏移量O，表示“跳过”的量化分段的数量，例如在一个实施方式中从x轴逆时针测量直到在楔形中包括的第一分段；以及半径r。在图10中，绘图1010显示了WW＝4、O＝0并且r＝r₁的楔形。绘图1020显示了与绘图1010相同的楔形，除了旋转一个位置到偏移量O＝1。绘图1030显示了与绘图1010相同的楔形，除了具有更大的半径r＝r₂。绘图1040显示了WW＝7、O＝2并且r＝r₂的楔形。在16个分段可用的情况下，除了对于WW＝16之外，可以在16个位置处测试每个楔形，其中WW＝16使用全部分段并且因此不能被旋转到任意位置以给出不同测量。同样，可以选择最小楔形宽度，其中在最小楔形宽度之下毛刺是不可能的。

在图11中示出的一个优选实施方式中，通过将用于给定楔形的收敛得分降低到简单的计算集合，得到显著的计算效率。该过程在每个将要对于收敛搜索的半径r_i上从起始方框1100开始循环。对于给定半径，由方框110用二维高斯模糊函数模糊来自集合960的每个线条投影图p(i，j，k)，其中常数C被选择为使得模糊在距用于该楔形的中心测量点r₁处沿楔形的翼弦增加贡献(contribution)。例如在图1040中模糊区域1050对于位置1052处的模糊图像中的值有贡献

通过使用用于当前半径的模糊投影图，执行两个内环路1120到1122和1130到1132。一个环路基于可能的楔形宽度改变楔形宽度；另一个环路基于用于当前楔形宽度的可能的偏移量改变楔形偏移量。

方框1140对于给定楔形宽度和偏移量计算在每个有效像素位置(i，j)上的收敛强度投影sproj值。投影得分通过在距当前像素位置r₁的距离，从起始偏移量楔形分段确定用于每个所包括楔形分段的径向测量位置(例如1052)，求ww测量的和。对于给定楔形分段，测量是来自用于表示沿该楔形分段的径向方向的线条强度的模糊线条投影图的内插(如果有必要)值

将包括用于当前半径、楔形宽度和偏移量的有效收纳强度投影sproj(i，j)d每个像素包括在用于中值投影强度smedian和投影强度标准偏差ssdev的基于全部有效像素的全局计算中。然后将在每个有效像素上的SNR值计算为

SNR (i, j) = \frac{sproj (i, j) - s median}{sdev} .

方框1150对于每个像素位置保存用于楔形宽度和半径的每个组合的最佳SNR和偏移量。在基于楔形偏移量的内环路中，如果用于像素的当前SNR比已经存储的更好，则保存当前SNR和它的偏移量。在已经尝试了全部半径和楔形宽度组合之后，输出为图的序列，每个半径/楔形宽度组合一个图，用于对于每个像素描述找到的最佳SNR和偏移量。每个图可以被阈值处理以最小化显著的SNR，并且被削薄从而将尚存在收敛中心的附近的组群削薄成具有最大SNR的成员。

对于每个健在收敛中心计算(或如果已知则存储)6个分级特征。该特征包括楔形宽度、半径、SNR、最小中心对比度、x位置(例如乳头间距)和y位置。

最小中心对比度是肿块是否看起来在收敛的中心的表述。在图12和图13中示出的一个实施方式中，在收敛的半径的一半处测量最小中心对比度。利用例如s＝r/2的高斯模糊来模糊输入图像。对于针对给定半径存储的每个中心收敛点，从中心像素开始，在中心像素周围移动D2算子。D2算子使用距中心像素r/4、r/2、3r/4间隔的三个点测量曲率。最小中心对比度特征是在用于给定中心位置的测量之中找到的最小D2值。其被视为良好的测量，因为通过推断，全部其他对比度值朝向更大。其他特征如百分之25对比度、中值对比度或最大对比度同样可以代替或用于增大特征集合。

在新颖的胸部坐标系统中，乳头间距和y位置描述胸部的对象中的位置。该新颖的胸部坐标系统允许肿块位置形成有意义并且可分级的特征，而无关于患者尺寸、胸部尺寸和胸部形状的大的变化。用于乳房X射线摄像的放射线图包括侧斜位视图(MLO，如图14中的视图1410所示)和头尾位视图(CC，如图14中的视图1420所示)。也偶尔采用其他较不常用的视图，并且可以在类似地坐标系统中表示。

分段ML0视图以找出肺部线1412和皮肤线1414。在该坐标轴中将乳头定义为垂直与肺部线1412测量的距肺部线1412最远的皮肤线上的点。坐标系统的x轴是从乳头点1416到肺部线1412的线，其中值0位于乳头点处并且值100位于肺部线处。在x轴位置处肺部线可能在图像中不是实际可见的，但是假设其根据需要延伸到远至可视部分之下以形成坐标轴。胸部中的任意点的x坐标是从胸部的乳头(前)到胸部的肺部线(后)的距离的百分比。

还在0到100尺度上表示胸部坐标系统中的y轴(在0到100尺度上表示x轴之下的点)。但是对于给定的x坐标，如在皮肤线经过的x值处与x轴垂直的点，该尺度随着x值改变，如定义100或-100。由于胸部的横截面轮廓通常随着从乳头点向肺部线旋转图像而扩张，靠近该肺部线的尺度单位显著大于靠近乳头点的尺度单位。但是，归一化的尺度调节允许对象出现的统计频率是将要被制表的胸部位置的函数，而无关于胸部形状和尺寸不符。在MLO视图1410上显示了多个示例性坐标。

对于CC视图1420，肺部线通常不可见。用于CC视图的坐标系统假设肺部线1412与视图边缘垂直，并且因此乳头点1416是在皮肤线1418上距图像边缘最远的点。该坐标系统还假设肺部线1412与乳头点相距与MLO视图1410中所测量的距离相同的绝对距离。假设该x轴定义，如MLO视图中所使用的类似的x轴到皮肤线y坐标系统被适配为用于CC视图。在MLO视图1420上显示了多个示例性坐标。

在训练阶段期间，在具有或不具有用于指示恶性肿瘤的肿块和收敛的情况下，在包括大量放射线摄影图像的训练集合上运行相同的对象检测和簇特征计算器。人工交互式分级使用一个或多个用训练来解释放射摄影图像个体指示在训练集合中发现的每个对象的恶性肿瘤或非恶性肿瘤。通过使用训练集合对象、特征和人工输入分级调查，计算多维概率密度函数(PDF)数据集合以便在分级中使用。

图15a和图15b示出了在一个实施方式中使用的分级器1406的实例。通常，分级器通过首先估计用于两个或更多个等级中的每一个等级的PDF值并且随后将不同等级PDF值组合成概率，估计估计点属于具体等级的概率。可以使用诸如公知的贝叶斯法则来执行PDF值的组合以估计概率。分级器还可以使用PDF估计来生成似然比以代替概率值。在该实施方式中，分级器306包括一个或多个用于向概率单元1501提供PDF估计的PDF单元1500。通常，PDF单元1500确定用于对象的每个可能的分级的PDF估计。例如在利用分级器306来分级微钙化的一个实施方式中，可以存在针对如下中每一个的PDF单元1500：对于恶性微钙化、良性微钙化、透明微钙化、导管微钙化、胶片假象以及任意其他事务。下文提供关于PDF单元1500的更多的细节。

现在参考图15b，显示了可以由根据一个实施方式的分级器306(见图3)使用的PDF估计器1500，但是可以利用不同的分级器概率单元。PDF估计器1500的邻域定义单元1502功能性地定义用于每个表示点或表示点的位的邻域尺寸。在一些实施方式中，可能期望可变的邻域尺寸，以便允许更好地适应实际测量特征数据的功能描述。在该实施方式中，邻域定义单元1502估计例如从数据库接收的训练数据，并且确定用于该训练数据中所包括的表示点的合适的邻域尺寸。邻域定义单元1502向邻域确定单元1504提供矢量

(用于表示用于每个特征或维度的每个表示点或表示点的位的尺度参数的矢量)。在一个实施方式中，离线地执行邻域定义单元1502并且存储结果例如

例如存储在数据库中以便以后的访问。由邻域确定单元1504利用矢量

以确定尺度参数数量

——将要用于每个维度或特征的估计点x₀的邻域的尺寸。将尺度参数数量

提供给权重确定单元1506以确定权重w_i，权重w_i指定向训练数据的表示点分配多少权重。一旦确定，则将权重w_i提供给局部估计器1508。局部估计器1508将权重w_i应用于训练数据以确定用于可能被存储在例如数据库中的点x₀的PDF估计。下文的段落给出更多的细节。

用于现实世界多变量系统的、具有复杂和/或稀疏的长尾分布的PDF估计在历史上经历了多个内在困难的阻挠。首先，深入研究的但是高度受限的参数模型通常不能够准确地表示现实世界应用中遇到的PDF。其次，如果所使用的模型高度灵活或者是非参数的，(例如基于Parzen窗的方法)，则估计值可能由于随机样本变化而不可靠。在存在少量样本的PDF的尾区域中特别属实。用于改进估计器可靠性的方法可能导致难以处理的计算或存储器要求。

这里所述的实施方式对于PDF估计采用新颖的方法。存储允许用于PDF中的任意具体局部区域的PDF估计器函数的在线计算的数据集合，以代替估计并且存储完整的PDF。以该方式存储估计PDF的需要数据的数量的量级可以是n×M，其中n是系统的维数并且M是表示点r_i的数量。每个表示点表示来自正在被估计的实际分布的一个或多个样本。样本集合中的每个样本可以例如接收它自己的表示点，利用单位加权。备选地，可以提供具有小于1的权重的表示点来表示每个实例。例如，如果确信两个不同的多维测量源自相同的样本，则可以向两个样本中的每个给出权重为0.5的表示点。最后，提供用具有与单独的样本的权重相等的权重的单个表示点来代替样本，表示点可以“仓储(bin)”在测量空间中靠近的多个样本。用于仓储样本表示点的实际的多维样本值可以是该仓储的中心，仓储样本的平均、每个维度中的仓储样本值的中值等等。

除了表示点之外，在执行估计之前选择多个其他输入。一个输入是在其上要顾及PDF的估计点x₀。另一个输入是由一个实施方式中的邻域定义单元1502提供的矢量

表示允许尺度参数数量

的计算的尺度参数的集合。尺度参数矢量确定在估计中将使用哪个表示点，并且还可以是用于确定将要被应用于每个所包括的点的权重的函数的参数。另一个输入是将要被实际应用于估计中所使用的表示点的加权函数

最终输入是参数化估计器函数f(x₀，θ)，其中θ是用于该函数的参数矩阵。

图16显示了用于一维随机变量的通用PDF 1600，叠加在从相同的随机变量的样本的总数得出的样本分布的柱状图上。利用最大足够数量的点，该柱状图将往往倾向于可以由现有技术如Parzen窗估计的PDF 1600的形状的量化版本。到PDF 1600的尾部，该方法难以产生可靠的估计。通常出现在尾部中的少量的样本意味着：在尾部中简单的窗估计或者由于少量的样本而具有高度的变化，或者由于大的线性窗的应用而无法说明实际PDF的真实形状。

在优选实施方式中，输入数据包括预先计算的参数，其中对于任意输入估计点可以例如由邻域确定单元1504从该预先计算的参数计算合适的尺度参数。通常，越是朝向分布的尾部，该尺度参数将越大，并且在表示点空间的数据越丰富的区域中越小。虽然可以使用独立的数据结构来存储基于全部样本空间的尺度参数的描述，但是在一个实施方式中，每个表示点存储可用于在线计算尺度参数矢量的参数。

图17图示了表示点尺度参数存储和使用的一个实施方式，其中每个表示点r_i还描述用于尺度参数函数σ_i(x₀)＝σ_MIN(i)+σ_dσ(i)|x₀-r_i|的最小尺度参数值σ_MIN(i)和尺度参数斜率σ_dσ(i)。因此对于任意估计点x₀，尺度参数函数允许尺度参数的计算。用于与估计点一起使用的尺度参数因此可以被定义为：对于全部i估计的最小尺度参数函数值σ_i(x₀)，其中，向权重确定单元1506提供最小值

在实际应用中，可能仅需要对于靠近估计点的表示点估计尺度参数。这可以从图18的检查中看出，其中，对于每个估计点描绘尺度参数函数σ_i(x)(标记了用于r1的σ₁(x)、用于r2的σ₂(x)、用于r3的σ₃(x))。值σ₃(x₀)低于与全部其他表示点相关的尺度参数函数值，并且因此被选作为用于估计点x₀的尺度参数。可选择地，可以将不同的尺度参数函数值与除了“min”之外数学函数组合(例如可以使用不同的值的平均或具体的百分点)。

利用多个维度，对于每个维度将典型地根据该维度中的表示点x₀周围的局部稀疏性，找到不同的尺度参数。

一旦找到用于每个维度的尺度参数，接下来可以用该尺度参数来限制将被用于在估计点处估计PDF的表示点。例如基于与估计点的距离的拇指的实际规则(如多个尺度因子)可用于排除实际不能影响图18中所示的计算的表示点，因此节省计算时间。备选地，不管表示点距估计点多远都可以估计全部表示点。

还应用该尺度参数，使用如权重确定单元1506(图15)所示的定义的加权函数w_i＝g(r_i；x₀，σ(x₀))，计算用于每个表示点的总权重。

使用尺度调节的加权表示点来计算用于由局部估计器1508计算参数化估计器函数f(x，θ)的参数矩阵θ。在一个实施方式中，计算参数矩阵以最大化函数：其中h()是单调函数。

对于一些函数选择，当对于n维空间中的全部点而言所建模的PDF非零时，对于参数矩阵可以使用方程式来求解。在一个该实施方式中，加权函数g()是高斯函数，h()是对数函数并且f()是二阶指数函数：

f (x, θ) = C \cdot e^{θ_{1} x^{2} + θ_{2} x},

其中，

C = \frac{1}{N} \frac{\underset{i}{Σ} g (r_{i}; x_{0}, σ (x_{0}))}{\underset{x}{&Integral;} g (x; x_{0}, σ (x_{0})) e^{θ_{1} x^{2} + θ_{2} x}}

并且N是表示点的数量。

在多维解决方案中，仍然应用以上方程式，应当理解，变量和参数是多维的。

在PDF在n维空间的一些部分中具有零值的情况中也可以应用上述通用方法。在h、g或f不处于可直接求解形式中的情况中也可以应用该方法。在该情况中，可以使用数值方法例如Newton-Rhapson优化来近似参数矩阵。

在已经找到用于估计器函数的参数矩阵之后，现在能够估计估计点处的估计器函数以获得PDF值。

对于根据本发明的PDF技术存在各种应用。可能受益于准确的PDF估计的一些应用包括模式识别、分级、估计、计算机幻影、图像处理和信号处理。PDF估计数据的紧凑空间要求增加了PDF数据集合紧凑存储、更新分布、附加判别式变量和/或等级包含的可行性。

虽然描述了多个实施方式和备选的实现，在阅读了本文的公开之后，对于本领域的熟练技术人员而言，许多其他修改和实现技术将是显而易见的。在给定的实施方式中，用于求解估计器函数参数的方程式可以被定义为使得它的最小化选择参数矩阵。可以在运行时间从表示点直接计算用于给定估计点的尺度参数，但是用于尺度函数的好的求解可能是更高昂的，以没有每个表示点函数的预先计算的情况下进行计算。

除非另外指示，否则可以在硬件或软件或它们的一些组合中执行这里描述的全部函数。但是在一个优选实施方式中，除非另外指示，否则由处理器例如计算机或电子数据处理器根据代码如计算机程序代码、软件和/或被编码为执行该功能的集成电路执行该功能。

例如图19是根据一个实施方式也可以使用的计算系统1900的方框图。但是应该注意到，这里讨论的计算系统1900可以包括例如台式电脑、工作站、膝上电脑、个人数字助理、对于具体的应用定制的专用单元。因此，这里讨论的计算系统1900的组件仅仅是用于说明的目的并且本发明的其他实施方式可以包括附加的或更少的组件。

在一个实施方式中，计算系统1900包括装配有一个或多个输入设备1912(例如鼠标、键盘等等)和一个或多个输出设备如显示器1914、打印机1916等等的处理单元1910。处理单元1910优选包括连接到总线1930的中央处理器(CPU)1918，存储器1920、大规模存储1922、视频适配器1924、I/O接口1926和网络接口1928。总线1930可以是任意类型的多个总线接口中一个或多个，包括存储器总线或存储器控制器、并行总线、视频总线等等。CPU 1918可以包括任意类型的电子数据处理器。CPU 1928可以例如包括来自英特尔公司或先进微设备公司的处理器(例如单核或多核)、精简指令集计算机(RISC)、专用集成电路(ASIC)等等。存储器1920可以包括任意类型的系统存储器如静态随机访问存储器(SRAM)、动态随机访问存储器(DRAM)、同步DRAM(SDRAM)、只读存储器(ROM)它们的组合等等。在一个实施方式中，存储器1920可以包括用于引导的ROM以及当执行程序时用于数据存储的DRAM。存储器1920可以包括一个或多个非瞬态存储器。

大规模存储1922可以包括被配置为存储数据、程序和其他信息并且使得经由总线1928可访问该数据、程序和其他信息的任意类型的存储设备。在一个实施方式中，大规模存储设备1922被配置为才将要由CPU 1928执行的程序。大规模存储设备1922可以包括例如硬盘驱动器、磁盘驱动器、光盘驱动器等等中的一个或多个。大规模存储设备1922可以包括一个或多个非瞬态存储器。

视频适配器1924和I/O接口1926提供接口以将外部输入和输出设备耦合到处理单元1910。如图14中所示，输入和输出设备的实例包括耦合到视频适配器1924的显示器1914和耦合到I/O接口1926的鼠标/键盘1912和打印机1916。其他设备可以耦合到处理单元1910。

可以作为有线链路和/或无线链路的网络接口1928允许处理单元1910经由网络1932与远程单元通信。在一个实施方式中，处理单元1910耦合到局域网或广域网，以提供到远程设备如其他处理单元、以太网、远程存储设施等等的通信。

应该注意到，计算系统1900可以包括其他组件。计算系统1900可以例如包括电源、线缆、母板、可移除存储介质、容器、网络接口等等。虽然这些其他组件未被示出但是被视为计算系统1900的一部分。此外，应该注意到计算系统1900的任意一个组件可以包括多个组件。例如CPU 1918可以包括多个处理器，显示器1914可以包括多个显示器诸如此类。作为另一个实例，计算系统1900可以包括多个之间耦合并且/或者联网的计算系统。

此外，可以远程地放置一个或多个组件。显示器可以例如远离处理单元。在该情况中，可以经由网络接口向显示器单元或者具有耦合到其的显示器的处理单元传输显示器信息例如异常的位置和/或类型。

虽然已经描述了多个实施方式和说明性的实现，但是对于本领域的熟练技术人员而言在阅读了本文的公开之后许多其他修改和实现技术将是显而易见的。存在各种参数和阈值并且对于具有给定的数据特性的给定实现而言可以改变，其中，为了达到希望的操作点，实验和最终性能与计算时间的折中是有必要的。虽然对于每个特征类型的计算描述了至少一个具体方法，但是存在用于计算具有类似的或可接受的性能的类似的特征的许多备选的方法和特征定义。优选实施方式使用具有特征集合的PDF分级实现。相信所公开的特征集合在不使用PDF分级方法的CAD系统中也可能是有利的。类似地，相信本文所述的胸部坐标系统或它的变形在其他CAD方法这也具有适用性。

虽然说明书在参考多个位置中可以参考“一”、“一个”、“另一个”或“一些”实施方式，但是这无需意味着每个该参考是对于相同的实施方式或者该特征仅适用于单个实施方式。

Claims

1.一种用于识别在包括像素的图像中的毛刺异常的方法，所述方法包括：

根据数字图像生成肿胀遮罩，所述肿胀遮罩包括用于毛刺异常的潜在收敛中心；

检测所述数字图像中的背脊以生成检测背脊图；

将所述检测背脊图投影到具有不同的方向矢量的方向图集合上以生成背脊方向投影图的集合；

根据所述背脊方向投影图的集合确定所述潜在收敛中心的楔形特征；

从所述潜在收敛中心选择具有最强楔形特征的背脊收敛中心；

针对每个所选择的背脊收敛中心提取分级特征；以及

基于所提取的分级特征来分级所述选择背脊收敛中心。

2.如权利要求1所述的方法，其中，所述图像是乳房X射线照片，所述肿胀是潜在的恶性肿块，所述毛刺异常是潜在的恶性毛刺肿块，并且从包括如下的组群中选择一个或多个分级特征：楔形宽度、半径、信噪比(SNR)、最小中心对比度、乳头距离和y位置以及它们的组合。

3.如权利要求1所述的方法，其中，检测所述背脊是针对多个背脊宽度、多个背脊朝向和多个背脊纵横比执行。

4.如权利要求3所述的方法，其中，检测所述背脊包括：

针对每个背脊宽度确定图像噪声图；

在每个背脊宽度、朝向和纵横比上计算二阶导数测量；

根据所述二阶导数测量确定平均对比度和对比度标准偏差；

根据所述平均对比度和所述噪声图确定所述SNR；以及

基于SNR、对比度密度和对比度标准偏差中的至少一个的相对值，选择用于包括在所述检测背脊图中的脊背。

5.如权利要求4所述的方法，还包括：削薄所选择的背脊。

6.如权利要求1所述的方法，其中，将所述检测背脊图投影到所述方向图集合上包括：

将所述检测背脊图分割成线遮罩图像、行分量图像和列分量图像；以及

确定所述线遮罩图像、所述行分量图像和所述列分量图像与所述方向矢量的点积。

7.如权利要求1所述的方法，其中，确定所述楔形特征包括：

针对多个楔形宽度、多个楔形偏移和多个楔形半径测量所述楔形特征；以及

生成包括最高SNR以及用于每个潜在收敛中心的相应偏移量的半径/楔形宽度图的集合。

8.如权利要求7所述的方法，其中，选择背脊收敛中心包括：

将每个半径/楔形宽度图阈值处理到最小显著SNR；以及

将背脊收敛中心的连续的组群削薄成具有最大相对SNR的一个背脊收敛中心。

9.如权利要求1所述的方法，还包括：在生成所述肿胀遮罩之前，从所述数字图像去除明亮区域并且整平所述数字图像的强度。

10.如权利要求1所述的方法，还包括：在分级所选择的背脊收敛中心之后，在输出图像上标记所选择的背脊收敛中心中已经提取了超过阈值的分级特征的所述选择背脊收敛中心。

11.一种用于识别在包括像素的图像中的毛刺异常的系统，所述方法包括：

肿胀遮罩生成器，其根据数字图像生成肿胀遮罩，所述肿胀遮罩包括用于毛刺异常的潜在收敛中心；

背脊检测器，其检测所述数字图像中的背脊以生成检测背脊图；

收敛投影器，其将所述检测背脊图投影到具有不同的方向矢量的方向图集合上以生成背脊方向投影图的集合；

楔形特征计算器，其根据所述背脊方向投影图的集合确定所述潜在收敛中心的楔形特征；

收敛中心选择器，其从所述潜在收敛中心选择具有最强楔形特征的背脊收敛中心；

特征提取器，其针对每个所选择的背脊收敛中心提取分级特征；以及

分级器，其基于所提取的分级特征来分级所述选择背脊收敛中心。

12.如权利要求11所述的系统，其中，所述图像是乳房X射线照片，所述肿胀是潜在的恶性肿块，所述毛刺异常是潜在的恶性毛刺肿块，并且从包括如下的组群中选择一个或多个分级特征：楔形宽度、半径、信噪比(SNR)、最小中心对比度、乳头距离和y位置以及它们的组合。

13.如权利要求11所述的系统，其中，所述背脊检测器针对多个背脊宽度、多个背脊朝向和多个背脊纵横比检测背脊。

14.如权利要求11所述的方法，其中，所述收敛投影器将所述检测背脊图分割成线遮罩图像、行分量图像和列分量图像，并且确定所述线遮罩图像、所述行分量图像和所述列分量图像与所述方向矢量的点积。

15.如权利要求11所述的方法，其中，所述楔形特征计算器针对多个楔形宽度、多个楔形偏移和多个楔形半径测量所述楔形特征，并且生成包括最高SNR以及用于每个潜在收敛中心的相应偏移量的半径/楔形宽度图的集合。

16.一种用于识别在包括像素的图像中的毛刺异常的计算机程序产品，所述计算机程序产品具有非瞬态计算机可读介质，所述非瞬态计算机可读介质具有实现在其上的计算机程序，所述计算机程序包括：

用于根据数字图像生成肿胀遮罩的计算机程序代码，所述肿胀遮罩包括用于毛刺异常的潜在收敛中心；

用于检测所述数字图像中的背脊以生成检测背脊图的计算机程序代码；

用于将检测背脊图投影到具有不同的方向矢量的方向图集合上以生成背脊方向投影图的集合的计算机程序代码；

用于根据背脊方向投影图的集合确定所述潜在收敛中心的楔形特征的计算机程序代码；

用于从所述潜在收敛中心选择具有最强楔形特征的背脊收敛中心的计算机程序代码；

用于针对每个所选择的背脊收敛中心提取分级特征的计算机程序代码；以及

用于基于所提取的分级特征来分级所述选择背脊收敛中心的计算机程序代码。

17.如权利要求16所述的计算机程序产品，其中，所述图像是乳房X射线照片，所述肿胀是潜在的恶性肿块，所述毛刺异常是潜在的恶性毛刺肿块，并且从包括如下的组群中选择一个或多个分级特征：楔形宽度、半径、信噪比(SNR)、最小中心对比度、乳头距离和y位置以及它们的组合。

18.如权利要求16所述的计算机程序产品，其中，用于检测所述背脊的所述计算机程序代码包括：

用于在多个背脊宽度、多个背脊朝向和多个背脊纵横比上检测所述背脊的计算机程序代码；

用于针对每个背脊宽度确定图像噪声图的计算机程序代码；

用于在每个背脊宽度、朝向和纵横比上计算二阶导数测量的计算机程序代码；

用于根据所述二阶导数测量确定平均对比度和对比度标准偏差的计算机程序代码；

用于根据所述平均对比度和所述噪声图确定所述SNR的计算机程序代码；以及

用于基于SNR、对比度密度和对比度标准偏差中的至少一个的相对值，选择用于包括在所述检测背脊图中的脊背的计算机程序代码。

19.如权利要求16所述的计算机程序产品，其中，用于确定所述楔形特征的计算机程序代码包括：

用于针对多个楔形宽度、多个楔形偏移和多个楔形半径测量所述楔形特征的计算机程序代码；以及

用于生成包括最高SNR以及用于每个潜在收敛中心的相应偏移量的半径/楔形宽度图的集合的计算机程序代码。

20.如权利要求19所述的计算机程序产品，其中，用于选择背脊收敛中心的计算机程序代码包括：

用于将每个半径/楔形宽度图阈值处理到最小显著SNR的计算机程序代码；以及

用于将背脊收敛中心的连续的组群削薄成具有最大相对SNR的一个背脊收敛中心的计算机程序代码。