TW201000074A - Pathologic detecting system by using the detection of perspective image of breast and the method thereof - Google Patents

Description

201000074 九、發明說明： 【發明所屬之技術領域】 本發明係關於一種病理檢測系統以及方法，尤指利用於 檢測乳房透視影像之病理檢測系統以及方法。 【先前技術】

乳癌是女性十大死因之一，從臨床經驗上得知，若能及 早發現初期乳癌，治癒率則令人滿意。一般而言，早期乳癌 的判定主要可由幾種方式獲得，如：觸診、外觀結構探視、χ 光檢查等等。其中又以X光檢查為最重要的方式，透過χ光 攝影術，可從乳房透視影像可以目視出這些由鈣化斑點或腫 塊組織所組成的病理影像。 除目視之外，現代醫學企望能以電腦科技輔助醫生檢 查’除了^*減少醫生因疲勞產生的人為疏失也可峨為醫生 養成教育的學習平台。如中華民國第〇〇492858號專利，係意 圖以博爾濾波器篩除長形構造物等假陽性鎮群檢波再由類 神，，星網路將簇群區分為可疑及非可疑竊群，以提昇判斷的精 確度以及效率。 ^技術與儀器係自西方引進，大多係自乳房透視影像 中以义階值大小來觸病理影像，然而，東、西方女性的乳 大ΐ差異’東方女辩肪較多，於χ光透射之 像巾’脂轉像的灰階值會躺化賴影像的灰 不論是以目視或是儀關讀，皆料產生誤差。 本發明的主要目的树提供__翻帛以檢測乳房 .201000074 透視影像之病理檢測系統以及方法，以改善上述問題。 【發明内容】 〇

本發明之目的在提供一種利用以檢測乳房透視影像之病 理檢測系統以及方法，除能快速、準確的判別出病理影像之 外，可藉由調變參數來適應不同的資料庫，如自體脂肪較多 的東方體質中，挑出#5化點叢集，消除用西方標準資料庫現 行作法的缺失，以做出更準確的判定。 本發明係關於-種·以檢測乳錢視影像之病理檢測 系統’用以自-乳房透視影像中篩選出—病理影像。該病理 檢測系統係進-步包含-透視影像擷取裝置、—特徵值搁取 模組、一自我組織特徵映射模組、以及一樣本擷取模組。 該透視影像擷取裝置係用以擷取該乳房透視影像。 /該特徵值練池先㈣乳錢郷·分為複數個區 塊影像，賴，雜徵錢賴_姻 -個區塊影像，產生複數種概參數。 祕之母 該自我組織特徵映射模組先係預賴數種等級，後續該 爾_，以自我組 ，特妓映射類神經網路(如卜〇聊响Map Neural 像，細取至少—種等級所對應之區塊影 為所述之病理影像。所述該樣本齡模組操取至少」種等成 201000074 ,係可進一步採用模糊理論法擷取所有相關等級所對應之 區塊影像，如此對病理影像的擷取可更無遺漏之憾。〜 因此，藉由本發明利用以檢測乳房透視影像之病理檢測 系，以及方法，利用自我組織特徵映射類神經網路進行演算 判讀，除能快速、準確的判別出病理影像之外，更可藉由調 變參數來適應不同的資料庫，如自體脂肪較多的東方體質 中’挑出㉟化喊集，消除用西方鮮㈣庫現行作法的缺 失，以做出更準確的判定。 、 關於本發明之優點與精神可以藉由以下的發明詳述及所 附圖式得到進一步的瞭解。 【實施方式】 請參閱第一圖’第一圖係本發明圖形使用者介面 (Graphical User Interface; Gui)8所顯示乳房透視影像 忉之示意圖。圖左之乳房透視影像1〇為原始影像4，圖右之 乳房透視影像10為處理過的影像結果6，圖形使用者介面8 右塊區域為多種操作指令鍵13，供使用者點選控制之用。乳 房透視影像10係以X光對乳房透視成像所成，圖中可見乳房 12輪廓與輪廓内各種灰階值的影像，灰階值較大的影像14 係有可能為鈣化斑點之病理影像26，但體脂肪的灰階值也頗 大，對判斷會造成干擾。 請參閱第二圖’第二圖係本發明病理檢測系統30之示意 圖^本發明係關於一種利用以檢測乳房透視影像10之病理^ 測系統30，用以自一乳房透視影像1〇中篩選出一病理影像 201000074 2j(病理讀26詳級第六.病理檢嶋期係主要包 ;:;視影侧取裝置32、—特徵值擁取模組34、-自我組 織特徵映咖且36、以及-樣糊取模組38。 =視影像擷取裝置32係用以梅取乳房透視影像1〇，係 及⑤包s X光影像偵測器3202、-前處理模組3204、以 久—影像強化模組3206。 Ο 1〇 彡侧廳謂係自人觀房齡⑽透視影像 則理模組3204係將X光影像偵測器32〇2所掏取之乳 苟遷現影像10調整為適當畫面尺規。 ，合第一圖參閱第二圖，觸動圖形使用者介面8中名稱 處理」之操作指令鍵13係會運作前處理模組3204， :可根據賴自動運傾處雖組_。祕理模組應 =^光影像偵測器遞職取之乳房透視影像1()調整為 為尺規’祕理敝32G4並魏魏娜像10轉換 觸動圖形使用者介面8中名稱為「影像強化」之操作指 13係會運作影像強化敝32{)6，或也報據預設自動 =影像強化模組讓。影像強化模組3施係用以強化乳 辱透硯影像10中灰階值較大之影像。 觸動_使用者介面8中名稱為「特徵值擷取」之操作 ^鏠13係會運作特徵值娜模組34，或也可根據預設自 =作特徵值擷取模組34。特徵值擷取· 34先將透視影 a嫌裳置32所完成之乳房透視影像1〇區分為複數個區塊 像22，後續，特徵值擷取模組34係針對該等區塊影像22 201000074 之每一個區塊影像22，產生複數種特徵參數。 特徵側取模組34係進-步包含_影像切割模組 3402、以及-特徵值產生模組34〇4。在觸動「特徵鋪取 之操作指令鍵13時，圖形使用者介面8會要求使用者在其右 方名為「區塊影像之晝素單錄量」之操作指令鍵13情入 ❹ 一健字，切讎組繼雜據缝字將歸透視影像 1〇區分為複數倾塊雜22。概值產生模組顺係針對 ^區塊影像22之灰階值，產生平均值、熵(Ent贿）、標 準差、以及離散餘弦轉換等四個特徵參數。 =步參考第三圖’舉例而言，第三_本發明切割區 W象22之結果影像6的示意圖。先於「區塊影像之晝素 猶指令鍵13中輸入數字7，代表每個區塊影像22 ^ :畫素單位嶋像組成之最小單位)所形成，因此影 像10會切割為區塊影像22。 然後’特徵值產生模組3404分別對每一個區塊影像烈 中=個畫素單㈣之灰階值來做，在每—個區塊影像 2,產生平均值、職⑽y)、鮮差、錢離散餘弦轉 換^四個特徵參數。其中，平均值、標準差及熵是統計特徵， 而離散餘弦轉換是頻域特徵。 回到第二圖’自我組織特徵映射模組36係進-步包含一 =等級分類模組3602 ;再參閱第一圖，在觸動「自我組織 ^映射運异」之操作指令鍵13時，_使用者介面8會要 用者在其右方名為「等級數量」之操作指令鍵13中輪入 另一個數字’自我組織特徵映射模組36係根據此另一個數字 201000074 將每-倾塊影像22分類為複數種等級 3602係根據所輸人之另-個數字，@〜&於等級刀類模組 數量，因而預定出複數種知為所需要分類等級的 ，進一，參閱第四圖，舉例而言，第四圖係本發明對區塊 影像，分配麵之結果影像6的示意圖。先於「等級數量」 插作指令鍵13中輸入另一個數字「32」，表示 可分配給所有的區塊影像22。後續，自二 ❹ ^(Self：organ1Z1ng Map Neural Network ； S〇MNN)^# , 將所預疋的複數種等級，對應分類予每—無塊影像^。 ☆ j充⑽7自我組織特徵映射轉經網路係經由競 (competitive learning) (Kohonen, 1984； rossberg’ 1987)的訓練，將高維度的輸 事

先決定的低維度帥中（通常維度科2)，絲訓練H 、自我組織特徵映射_、_路的輸出單元表現所有的輸入資 料’並產生類似功能的輪出單元彼此群聚的現象。換言之， 類似的輸人資料項會映射到相同的自我組織特徵映射二神經 =路輸出單元，相鄰近的輸出單元表現相似的輸入資料項特 因此’自我組織特徵映_神_路可以將高維度的 ^資料’以低維度的空間卿表現，避免了統計階層集群分 ^法運用於大量資料時，難關讀的情況。自我組織特徵映 射類神_路已經是現行朗的理論，自餘晴徵映射模 j 36係將自她織魏崎類神棚路倾其巾，在此 贅述。 201000074 接著，觸動第一圖中圖形使用者介面8中名稱為「樣本 選取」之操作指令鍵13，係會運作樣本擷取模組兕，或也可 根據預設自動運作樣本擷取模組38。樣本擷取模組38係搁 取至少一種等級所對應之區塊影像22，其中組成樣本操取模 組38所擷取之區塊影像22，則係後續可組成為所述之病理' 影像26。配合第二圖所示，樣本擷取模組38進一步包含一 影像套接模組3802、一病理點過遽模組3804、以及一標示模 組 3806。 Λ 影像套接模組3802係將所擷取該種等級對應之區塊影 像22，於原始影像4的乳房透視影像1〇中之對稱位置，擷 取組合出一樣本影像24。 進一步請參閱第五圖，舉例而言，第五圖係本發明操取 特定等級區塊影像22之結果影像6的示意圖。本實施例樣本 擷取模組38係取預設之「第31等級」（根據過去的實驗印證 所累積之經驗選取），因此如圖示，所有第31等級的區塊影 像22被選取出來，並套接在原始影像4上，將原始影像4 中相同位置之區塊影像22顯示出來，此等區塊影像22所組 成的即為樣本影像24。 觸動第一圖中圖形使用者介面8中名稱為「病理點過濾」 之操作指令鍵13係會運作病理點過濾模組3804，或也可根 據預設自動運作病理點過濾模組38〇4。在觸動「病理點過濾」 之操作指令鍵13時’圖形使用者介面8會要求使用者在其右 方名為「灰階門播值」之操作指令鍵13中輸入再一個數字， 此輸入之再一個數字即為灰階門檻值。病理點過濾模組38〇4 12 201000074 係根據此再-錄字，自所之區塊影㈣巾勒灰階值 在灰階f灘之上之晝素。所以，病理點過_組期可根 =6灰階門楹值’於樣本影像24中擷取出所述真正的病 ❹ ❹ 進一步參閱第六圖，舉例而言，第六圖係本發明自特定 等級區塊雜22中擷取病理影像26之結果影像6的示意 圖。於「紐Η檻值」之操作指令鍵13巾輸人灰階門捏值 「220」，則如圖示—般’影像結果6會顯示出灰階值在灰階 門檻值之上之晝素，該等晝素即構成病理影像％。 參閱第七圖，第七圖係本發明最後結果影像6之示意 圖。觸動第一圖中圖形使用者介面8中名稱為「標示」之操 作指令鍵13 ’係會運作標示模組讓，或也可根據預設自動 運作標示歡3麵。標示模組讓相較人性化的方式， 以至少-標示框4G來框標出所述之病理影像26，以方便醫 師以及病人或其他研究人員以目視直接觀看。 此外，請翔第八圖，第八圖係本發縣—實施例之功 能方塊示意圖。前述預設等級係根據經驗來進行選取，另一 實施例係引進模糊理論法(Fuzzy^進行樣本選取，與前實施 例不同的财單單以預設的丨個或2個等級來擷取可疑的區 塊影像22，目為絲可能具有病理影像％ _塊影像22會 跨及好幾辦級’卿利闕糊理論可將可疑的數種等級所 對應的區塊影像22統統擷取出來，則所得到的病理影像沈 就會更精確。 依圖示，如前述之病理檢測系統3〇 一般，其中較不同的 13 201000074 疋樣本擷取模組38進一步包含一模糊化模組5〇、一影像套 接模組3802、一病理點過濾模組38〇4、以及一標示模組洲⑽。 模糊化模組50係以模糊理論法擷取所有相關等級所對 應之區塊影像22。 。影像套接模組3802係將所擷取所有相關等級所對應之 區塊衫像22，於乳房透視影像1〇中之對稱位置，擷取組合 出一樣本影像24。病理點過濾模組38〇4係根據預定之灰階 ❹ 門根值，於樣本影像24中擷取出所述之病理影像26。標示 模組3806係以至少一標示框4〇來框標出所述之病理影像 26 ° - 模糊化模組50會偵測自組性類神經網路(SOMNN)所分類 料級中’ S否有足夠蝴化點，如果在__倾塊影像22 中有足夠的鈣化點，並且此區塊影像22鈣化點的叢集狀態符 合，則視此區塊影像22為所需選取之等級。補充說明，以模 糊理論對相關分級所做出之選擇以及篩選，至少有二實施例 ❿ 可陳述於後。 第一例如下，以灰階值以及超過特定灰階值所佔百分比 數量，分別分為「低」、「正常」、「高」、「很高」、「非常高」 等五個區等。其中，預先定義出語義學（linguistic)，語義 學可例如下述四點： 1. 當一個區塊影像22中灰階值的平均值較「很高」區 等為高，且此區塊影像22中百分比數量為「很高」區等，則 可視此區塊影像22之等級為所欲選取之等級。 2. 當一個區塊影像22中灰階值的平均值低於「高」區 201000074 等，且此區塊影像22中百分比數量為「正常」區等，則可視 此區塊影像22之等級為所欲選取之等級。 3. 當一個區塊影像22中灰階值的平均值高於「很高」 區等，並且其中99%的晝素單位20也是屬於「很高」區等， 則此區塊影像22之等級應視為不被選取之等級。 4. 其他狀況的區塊影像22之等級，都被視為不被選取 之等級。 © 然後針對每一個等級(如等級1〜等級32)的區塊影像 22，分別計算出每一個等級的平均灰階值以及超過特定灰階 值所佔百分比數量（如超過灰階值18〇晝素單位2〇所佔百分 *數量）。接著，比對預定之語義學與第九圖之歸屬函數 (membership f_i〇n) ’第九圖之歸屬函數可根據經驗值來 取得。若此等級之區塊影像22符合歸屬函數與語義學中肯定 所需求等級的條件，則做此區塊影像22為所需選取之等 級。 ❹ 例=:「等、級28」的平均灰階值為150，百分比數量為 二8(18/〇，則「等級28」於灰階值歸屬函數位於「正常」 「高」區等）’且「等級28」於百分比數量歸屬函 厂耸；正常」區荨，此係符合上述語義學之第二點。所以， 驗選被判定為所需選取之等級。如此，相較先前以經 的莖如疋等級之方法’以模糊理論可進一步選出更多相關 的等級’靴魏影像26更為精確。 t卜盔例如下’同樣的，歸屬函數(不論是灰階值或是百分 ’皆分別分為「低」、「正常」、「高」、「很高」、「非常 15 201000074 问」等五個區等，也比較_之語義學。 例如級?大:圍的等級為我們所要的等級範圍， 有的區塊影像選取此等級範圍所 ^==平__砂嫌量，再將每一個 ilUf ^平均灰階值與百分比數量，依據前例所 ❹ 蘇上1，匕較分類’則可以自此大範圍的等級 判〜所雷::不狀區塊影像22，剩下的區塊影像22，即為 之區塊影像22。如此，較前例之方法，以模糊 f两可進—步選出貼切的區塊影像22,以使病理影像26更 為快速。 %參閱第十圖’第十圖係本發明病理檢測方法之流程 圖。本發明也係-麵用讀測制透娜像之病理檢測方 法，用以自-乳房透視影像中篩選出—病理影像26，該病理 檢測方法係包含下列步驟： 步驟S02 :以X光擷取乳房透視影像1〇。 步驟S04 :將乳房透視影像1〇轉換為灰階值。 步驟S06 :將所擷取之乳房透視影像10調整為適當畫面 尺規。 步驟S08 :於乳房透視影像1〇轉換為灰階值後，強化該 乳房透視影像10中灰階值較大之影像。 步驟S10 :分割乳房透視影像1〇為複數個區塊影像22。 201000074 ^驟S12 :針對該等區塊影像22之每一個區塊影像22， 產生複數種特徵參數，所述產生複數種特徵參數，於本發明 實施例中主要係針對該等區塊影像22之灰階值，產生平均 值、熵（Entropy)、標準差、以及離散餘弦轉換等四個特徵參 數。 步驟S14 :預設出複數種等級的數量。 y驟S16 .掏取所述該等特徵參數，以自我組織特徵映 ❹ 射類神經網路(Self-organizing Map Neural Ne1:work ; NN) ’將所預定的複數種等級，對應分類予每一個區塊影 像22。 步驟S18 :擷取至少一種等級所對應之區塊影像22，於 該乳錢郷像t之對獅置，娜組合丨―樣本影像24。 步驟S20 :根據預定之灰階門檻值，於樣本影像％中擷 取出所述之病理影像26。 步驟S22 .以至少一標示框4〇來框標出所述之病理影像 从 26〇 此外’請參閱第十-圖’第十—圖係本發明另一實施例 =流程圖。另一例係以模糊理論法來進行樣本擷取，其中與 前例所不一樣的是該樣本擷取方法係於「以自 . 射類神經網路將所預定的複數種等級，對應二予= 塊影像22」之步驟後，進一步包含下列步驟： 步驟S30 :以模糊理論法擷取所有相關等級所對應之區 塊影像22。 〜 17 201000074 步驟S32 .將所擷取所有相關等級所對應之區塊影像 22 ’於該乳房透視影像中之對稱位置，擷取組合出—樣本影 像24。 步驟S34 :根據預定之灰階門檻值，於樣本影像％中掏 取出所述之病理影像26。 步驟S36 .以至少一標示框4〇來框標出所述 26。 豕 ❻

請參閱第十二圖’第十二圖係比對習知以及本發明所分 析之病理影像之示意圖。圖左塊為f知電腦輔助診斷系統& CAD所自動化檢測之病理影像，圖右塊為本發明所自動化分 析之病理影像’觀對，習知之技術會旨職判為病理影 像’而本發明之技術所觸之_影像賴為鮮。’ 因此’藉由本發明利用以檢測乳房透視影像之病理檢蜊 =統30以及方法，_自餘織類映_神軸路進行演 算判讀’除能快速、準確的判別出病理影像26之外，更可藉 由調變參數來it應不_資料庫，如自體贿較多的東 質中’挑_化點叢集’消除用西方標準資料庫現行作 缺失，以做出更準確的判定。 、 、、藉由以上較佳频實施例之詳述，係希望能更加清 述本發明之概與精神’而並非以上述__較佳: 施例來對本發明之鱗加以關。減地，其目的是^ 涵蓋各種改變及具相等性的安排於本發明所欲申 = 圍的範略内。 κ寻利範 .201000074 【圖式簡單說明】 一第一圖係本發明圖形使用者介面所顯示乳房透視影 之示意圖； 第二圖係本發明病理檢測系統之示意圖； 第一圖係本發明切割區塊影像之結果影像的示意圖； i第四圖係本發明對區塊影像分配等級之結果影像的示 思、圖； .第五圖係本發明擷取特定等級區塊影像之結果影像的 示意圖； 第圖係本發明自特定等級區塊影像中擷取病理影像 之結果影像的示意圖； 第七圖係本發明最後結果影像之示意圖； 第八圖係本發明另一實施例之功能方塊示意圖； 第九圖係本發明灰階值與百分比數量之歸屬函數之示 意圖； 第十圖係本發明病理檢測方法之流程圊； 第十一圖係本發明另一實施例之流程圖；以及 — 第十二圖係比對習知以及本發明所分析之病理影像之 不意圖。 【主要元件符號說明】 圖形使用者介面8 乳房透視影像1〇 19 201000074 ❹ 原始影像4 乳房12 操作指令鍵13 透視影像擷取裝置32 前處理模組3204 特徵值擷取模組34 特徵值產生模組3404 特徵等級分類模組3602 影像套接模組3802 標示模組3806 區塊影像22 病理影像26 模糊化模組50 影像結果6 影像14 病理檢測系統30 X光影像偵測器3202 影像強化模組3206 影像切割模組3402 自我級織特徵映射模組36 樣本梅取模组38 病理點過濾模組3804 晝素單位20 樣本影像24 標示框4〇

20

Claims (1)

1. 201000074 十、申請專利範圍： 種利用以檢測乳房透視影像之病理檢測系 統，用以自一乳房透視影像中篩選出一病理影 像，該病理檢測系統係進一步包含： —透視影像擷取装置，係用以擷取該乳房透視 影像； 特徵值擷取模組，將該乳房透視影像區分為 複數個區塊影像，該特徵值擷取模組係針對 該等區塊影像之每一個區塊影像，產生複數 種特徵參數； 自我纟且織特徵映射模組，係預定複數種等 級，該自我組織特徵映射模組係擷取所述 該等特徵參數，以自我組織特徵映射類神 經網路（Self-organizing Map Neural Network ; SOMNN)，將所預定的複數種等 級’對應分類予每一個區塊影像；以及 一樣本擷取模組，係擷取至少一種等級所對應 之區塊影像，其中組成該樣本擷取模組所擷 取之區塊影像，則係組成為所述之病理影 像。 21 201000074 2、 如申請專利範圍第丨項所述之病理檢測系統，其 中該透視影像擷取裝置進一步包含： 一前處理模組，係將該乳房透視影像轉換為灰 階值。 3、 如申請專利範圍第2項所述之病理檢測系統，其 中該透視影像擷取裝置進一步包含： 一 X光影像偵測器，係擷取該乳房透視影像， 該前處理模組係將該X光影像偵測器所擷取 之乳房透視影像調整為適當畫面尺規；以及 一影像強化模組，係強化該乳房透視影像中灰 階值較大之影像。 4、 如申請專利範圍第2項所述之病理檢測系統，其 〇 中該特徵值擷取模組進一步包含： 一影像切割模組，該影像切割模組係將該乳房 透視影像區分為複數個區塊影像；以及 一特徵值產生模組，係針對該等區塊影像之灰 階值，產生平均值、熵（Entropy)、標準差、 以及離散餘弦轉換等四個特徵參數。 5、 如申請專利範圍第1項所述之病理檢測系統，其 22 201000074 中該自我組織特徵映射模組係進一步包含· 一特徵等級分類模組，係根據所輸人之數字， 預定為所需要分類等級的數量。 6、如中請專利㈣第2項所述之病理檢喝統，其 中β亥樣本掏取模組進一步包含： ❹ -影像套接模組’係將所擷取該種等級對應之 區塊影像，於該乳房透視影像中之對稱位 置，擷取組合出一樣本影像；以及 一病理點過濾模組，係根據預定之灰階門檻 值，於該樣本影像中擷取出所述之病理影 像。 ⑹申請專利範圍第6項所述之病理檢測系統，其 中該樣本擷取模組進一步包含： —標示模組，係以至少一標示框來框標出所述 之病理影像。 如申明專利範圍第2項所述之病理檢測系統，其 中該樣本操取模組進一步包含： —模糊化模組，係以模糊理論法擷取所有相關 等級所對應之區塊影像； 23 201000074 p像套接n係將所擁取所有相關等級所 對應之區塊影像，於該乳房透視影像中之對 稱位置，指員取組合出一樣本影像；以及 病理點過濾、模組，係根據預定之灰階門播 值’於該樣本影像中擷取出所述之病理影 像。 、 如申"月專利圍第8項所述之病理檢測系統，其 中該樣本_取模組進一步包含： -標示模組，係以至少一標示框來框標出所述 之病理影像。 10 ❹ 種利用以檢測乳房透視影像之病理檢測方 法，用以自一乳房透視影像中篩選出一病理影 像’該病理檢測方法係包含下列步驟： 擷取該乳房透視影像； 分割該乳房透視影像為複數個區塊影像； 針對該等區塊影像之每一個區塊影像，產生複 數種特徵參數； 預設出複數種等級的數量； 擷取所述该等特徵參數，以自我纟且織特徵映射 24 201000074 類神經網路（Self-organizing Map Neural Network ; SOMNN)，將所預定的複數種等 級，對應分類予每一個區塊影像；以及 擷取至少一種等級所對應之區塊影像，其中組 成所擷取之區塊影像，則係為所述之病理影 像。 ❹ 11 12 13、 如申請專利範圍第1 〇項所述之病理檢測方法， 其中該透視影像擁取方法於擁取該乳房透視影 像後，進一步包含下列步驟： 將該乳房透視影像轉換為灰階值。 如申請專利範圍第11項所述之病理檢測方法， 其中針對擷取該乳房透視影像，係進一步包含下 列步驟： 以X光擷取該乳房透視影像； 將所擷取之乳房透視影像調整為適當畫面尺 規；以及 於該乳房透視影像轉換為灰階值後，強化該乳 房透視影像中灰階值較大之影像。 如申請專· ®第U項所述之病理檢測方法， 25 201000074 其中所述產生複數種特徵參數，係針對該等區塊 影像之灰階值，產生平均值、熵（Entr〇py；)、標準 差、以及離散餘弦轉換等四個特徵參數。 14 ❹ 15、 ❹ 16、 、如申請專利範圍第U項所述之病理檢測方法， 其中該樣本擷取方法於擷取至少一種等級所對 應之區塊影像後，進一步包含下列步驟： 將所擷取該種等級對應之區塊影像，於該乳房 透視影像中之對稱位置，擷取組合出一樣本 影像；以及 根據預定之灰階門襤值’於該樣本影像中梅取 出所述之病理影像。 如申請專利範圍第14項所述之病理檢測方法， 其中該樣本擷取方法於擷取出所述之病理影像 後’進一步包含下列步驟： 以至少-標示框來框標出所述之病理影像。 如申請專利範圍第11項所述之病理檢測方法， 其中該樣本擷取方法於以自我組織特徵映射類 神經網路將所預定的複數種等級，對應分類予每 一個區塊影像後，進一步包含下列步驟： 26 201000074 以模糊理論法擷取所有相關等級所對應之區塊 影像； 將所掏取所有相關等級所對應之區塊影像，於 "亥礼房透視影像中之對稱位置，擷取組合出 一樣本影像；以及

   17 根據預定之灰階門檻值’於該樣本影像中操取 出所述之病理影像。 其申明專利範圍第16項所述之病理檢測系統， 後^樣本擁取方法於掏取出所述之病理影像 進一步包含下列步驟：

   以至少一 標示框來框標出所述 之病理影像 27