乳腺图像（精选八篇）
乳腺图像 篇1
乳腺肿瘤的发病率和死亡率都居女性恶性肿瘤之首。早期诊断和早期治疗, 对提高乳腺肿瘤的术后生存率有重大意义[1]。随着超声仪器的发展, 目前高频超声已经成为乳腺肿瘤超声检查的常规手段, 乳腺肿瘤的超声图像已经成为在临床上乳腺肿瘤诊断的主要判据。
在乳腺肿瘤超声诊断中, 表征良、恶性的特征有肿块的形状、轮廓、纵横比、内部回声、后方回声、沙砾样钙化等边界特征是鉴别良、恶性肿瘤的重要特征之一[2]。恶性肿瘤通常会对周围组织发生浸润, 使得肿瘤的边界不规则或毛刺状。恶性肿瘤的这种特性使得轮廓特征可以被用来识别肿瘤的良、恶性。由于乳腺诊断的巨大社会意义, 吸引了大量的研究者对乳腺肿瘤超声图像的声学特征进行了研究。这些研究的主要集中于超声图像的纹理、灰度特征、轮廓边界特征等。Stavros等[3]在1995年采用超声图像的纹理参数, 用逐步回归的方法进行识别, 取得的良性肿瘤识别率73.5%, 恶性肿瘤识别率也达到了67.8%。 Zheng等[4]利用超声纹理特征参数, 使用自组织人工神经网络分类102个样本, 取得良性识别率为100%, 恶性识别率90%。Giger等[5]根据超声图上肿瘤的边缘、形状、内部回声是否均匀和后方回声是否衰减等特征来区分良性和恶性。Chandra等[6]选用了三个乳腺超声的边界特征及回归方程识别58个病例, 得到的良、恶性的识别率分别为95%、63%。目前的识别方法多基于纹理, 而在边界轮廓, 临床医生最为看重的这个特征上, 研究并不是特别的充分。本文将根据文献[7]对乳腺超声图像的边界特征进行量化参数, 用灰色理论的方法对乳腺肿瘤进行最后的识别。
1识别方法
1.1边界特征的获取与识别因素的选取
图1是使用的仪器是Philips ATL5000, 探头最高频率为12 MHz。图像的轮廓在超声专家的指导下用鼠标跟踪提取出来恶性 (浸润性导管肿瘤) 乳腺肿瘤图像的边沿轮廓。
边沿轮廓参数的定义与选取主要有2类[7], 一类是描述轮廓特征的肿瘤的似圆度、归一径向长度、归一径向长度方差, 径向长度直方图的熵, 边界粗糙度, 长宽比;另一类是面积比率, 面积比率也是形态特征中最重要的特征之一, 它表示的是肿瘤区域中超出以平均半径为半径的假想的圆形区域的面积与假想的圆形区域面积的比值, 它可以单独表征肿瘤的宏观边缘特征。即超出平均标准化半径的半径个数越多或值越大。肿瘤似圆度越差, 边缘越不规则, 越趋向于锯齿状, 是恶性肿瘤的机率也就越大。
1.2灰色识别模型
灰色关联分析法是灰色系统理论提出的可供分析系统中各因素或系统各方案关联程度的一种方法[8]。其原理是根据系统的动态过程发展态势, 根据参考数列 (良性标准参数) 曲线和被比较数列 (被诊断参数) 曲线间的相似程度来判断关联程度。相似程度越大, 关联程度越大, 被诊断参数与良性标准越接近。
灰色关联分析法的基本思路是在不完全信息中, 对所要分析研究的各因素通过一定的数据处理, 在随机的因素序列间, 找出它们的关联性, 发现主要矛盾, 找到主要特性和主要影响因素。由于关联分析是按发展趋势作分析, 因而对样本量的大小没有太高的要求, 分析时也不需要典型的分布规律, 而且分析结果一般与定性分析相吻合, 因而具有广泛的实用性。
一般情况下, 对乳腺肿瘤图像的边沿轮廓参数总是结合着该症状的似圆度、边界粗糙度、面积比率等几方面来识别。
记数列集:
Xm={Xm (1) , Xm (2) , …, Xm (n) }. (1)
式中m=0为参考数列, m=1, 2, …, n为被比较数列。
1.2.1 确定参考数列
利用灰色关联方法对乳腺肿瘤良、恶性诊断时, 临床上超声医师对乳腺肿瘤的诊断时通常最看重似圆度、面积比率以及纵横比三个量, 因为它们之间的差别比较明显, 这三个特征量的值都相对稳定, 对肿瘤的边界具有较好的描述能力。因此要诊断是否是良性, 需要有各参数的标准, 文献[7]统计了从四川大学华西医院病理诊断的119位乳腺肿瘤病人的超声图像。得到了良性超声图像的边沿轮廓的标准参数如表1。
对于初值不同的数列作关联度分析时, 一般要先进行无量纲化处理, 生成新的数列。这里选用均值化生成法。记均值化生成为:
Xm (k) 表示生成的新序列, X (1) 表示生成的新序列时原序列第1个数, X (k) 表示生成的新序列时原序列第k个数。
1.2.2 计算关联系数
关联系数是各被比较数列曲线和参考数列曲线在各点的相对差值。计算公式为:
undefined
其中 (3) 式中的ζ是分辨系数, 一般在0与1之间取值。
1.2.3 计算关联度
关联系数给出的信息过于分散, 不便于比较。可用求加权平均的方法对信息进行集中处理.得到关联度计算公式:
(4) 式中ζi (k) 是第k个时刻比较曲线与参考曲线X0的相对差值, 这种形式的相对差值称为Xi对X0在k时刻的关联系数。
γi越大, 表示被比较案例 (需诊断图像) 曲线和参考数列 (良性图像的标准参数) 曲线越接近, 即相应的诊断图像越接近良性。
2算例
假设有3种待诊断的乳腺肿瘤图像, 其边沿轮廓参数如表2。根据临床上超声医师的调查问卷统计结果, 结合专家意见归纳出各识别因素权值如表2所示。
注:为了计算方便, 良性与恶性乳腺肿瘤图像边沿轮廓的标准参数只取前3位小数。
现对这3种待诊断的乳腺肿瘤图像进行灰色识别。
由式 (2) 对该数列进行均值化无量纲处理得到的如表3所示。
取ζ=0.5, 由式 (3) 计算关联系数如表4所示。
由式 (4) 计算关联度
γ1=0.133 449, γ2=0.114 669, γ3=0.113 926, γ4=0.114 133。
由关联度γ1>γ2>γ4>γ3可知, 待诊Ⅰ与良性肿瘤参考数列的关联度最大, 可根据统计数据得到关联度的阀值, 如本例中关联度的阀值取0.114 521, 若大于该阀值即可判断为良性肿瘤如待诊Ⅰ、待诊Ⅱ。而小于此阀值都可判断为恶性肿瘤如待诊Ⅲ, γ4表示的恶性肿瘤与良性肿瘤的关联度, 若小于γ4则一定是恶性肿瘤。
3实验结果与结论
本实验总共使用南京市玄武区妇幼保健所76位病人的76幅超声图像, 仿真的结果为:恶性肿瘤12幅, 识别正确9幅, 正确识别率为75%, 良性的肿瘤64幅, 正确识别56幅, 正确率为 87.5%。临床上超声医师对乳腺肿瘤的诊断通常是利用超声图像中肿瘤的声像图表现包括边界特征、内部回声及后方回声等视觉判断, 诊断准确性受医师认识水平影响, 缺乏客观识别依据。本研究是在文献[7]定义的几个能量化的边界特征参数用灰理论的方法来识别恶性肿瘤, 进而建立一个计算机辅助诊断系统, 以减轻超声医师认识的主观性和工作量。由于本研究只是基于提取的肿瘤的边缘特征, 如果在将来的进一步加入肿瘤内部和肿瘤后方的其它特征参数, 相信识别率会大大提高。
参考文献
[1]American Cancer Society.Cancer facts and figures, 2001.
[2]王世萍, 周慧.彩色多普勒超声在鉴别乳腺肿瘤良恶性中的价值[J].交通医学, 2009, 23 (1) :103-105.
[3]Stavros A, Thickman D, Rapp C, et al.Solid BreastNodules:Use of Sonography to Distinguish Between Be-nign and Malignant Lesions[J].Radiology, 1995, 196:123.
[4]Yi Zheng, James F, John J Gisvold.Reduction of BreastBiopsies with a Modified Self-organizing Map[J].IEEETransactions on Neural Networks, 1997, 8 (6) :2.
[5]Giger ML, AI-Hallaq H, Huo Z, et al.Computerized A-nalysis of Lesions in US Images of the Breast[J].AcadRadiol, 1999, 6:665.
[6]Chandra M, Theodore W, Sarah A.Computer-basedMargin Analysis of Breast Sonography for DiffentiatingMalignant and Benign Masses[J].J Ultrasound Med, 2004, 23:1201.
[7]张科宏, 彭玉兰.基于边界特征的乳腺肿瘤超声图像识别[J].生物医学工程学杂志, 2006, 23 (6) :1237-1240.
乳腺图像 篇2
摘 要：针对深度卷积神经网络能够提取图像的高层特征并对图像进行有效表达。采用基于深度卷积神经网络的改进算法，设计了ZCNN网络结构对乳腺病理细胞图像进行分类研究。首先，对病理图像进行预处理，利用ZCA白化降低数据特征间的相关性，从而降低数据间的冗余。其次，在网络卷积层采用线性校正单元（ReLUs）作为网络的激活函数，加速计算网络输出。最后，在网络精调时，利用dropout方法随机断开池化层的网络节点，可以有效抑制算法的过拟合，提高算法的泛化能力。采用本文方法对benign和actionable两类病理细胞图像的分类，精度达到94.65%。性能上超过了Softmax，PCA以及传统的卷积神经网络。
关键词：深度卷积神经网络；ZCA白化；线性校正单元；dropout方法
中图分类号： F721.1 文献标识码： A 文章编号： 1673-1069（2016）18-144-3
1 概述
2006年，加拿大科学家Hinton和他的团队在science上发表一篇关于深度信念网络（DBN）[1]的文章，便引起了学术界的广泛关注，随后更多更一般的深度神经网络方法随之兴起，例如：Denoising Autoencoder（DAE）、Sparse Autoencoder（SAE）、Convolutional Neural Network（CNN）[2]等算法。深度卷积神经网络可以灵活的调节特征提取的空间尺度大小，因此，对图像中目标区域的特征提取会更加灵活。利用深度卷积神经网络对手写字体MNIST数据集进行识别，性能已经接近人类的识别率，在交通标记识别上已经超过了人类的识别能力[3]。文献[4]采用CNN结合图像的空间信息对图像中像素点进行分类研究，结果优于已有的SVM和k-NN分类方法。文献[5]将多示例学习（Multiple Instance Learning）方法与深度卷积神经网络结合应用于高分辨率图像的分类，并且首次对神经胶质瘤（LGG）进行分类精度达到97%，效果接近病理学家的分类结果。
随着计算机辅助诊断技术（Computer-assisted diagnosis， CAD）的不断进步，未来会大大降低病理学家繁重的工作强度。
本文主要是基于深度卷积神经网络的改进算法，设计了ZCNN网络结构对乳腺病理细胞图像进行分类研究。面对复杂的图片信息（光照、染色不均等），在特征提取前，采用ZCA白化对数据进行预处理，降低数据维度间的相关性，然后，利用深度卷积神经网络，逐层提取数据的高维特征。网络构建中，利用线性修正单元（ReLUs）作为各卷积层的网络输出函数，可以加快网络的计算速度。在池化层采用dropout方法随机断开网络节点，防止算法的过拟合，文献[2]采取的方法是在网络输出前的全连接层采用dropout方法，本文是二分类问题，在网络的全连接层并没有采用dropout方法，而是在池化层上使用dropout方法，随机阻止部分网络权值的更新。在网络精调时，采用随机梯度降法逐层计算深度卷积神经网络的参数。
為了提高算法的精度，采用BP（back propagation）算法对网络参数进行优化。
2 ZCA数据预处理
自然图像中相邻像素间存在很强的相关性。在学习统计模型时，通常采用预处理算法降低数据的这种冗余性。将数据的协方差矩阵转变成单位矩阵的过程称为白化（whitening）或球化（sphering）。白化的目的就是降低输入数据的冗余，使白化后的数据更接近原始数据。在数值上，主要是使数据具有统一的协方差，且每个特征都有相同的方差。通过ZCA（Zero Components Analysis）白化使得数据从x空间映射到XZCAwhite空间，降低了数据间的相关性，特征向量各维度方差相等，数据的重要程度得到统一。
3 深度卷积神经网络（CNN）
传统的图像特征提取方法没有固定的提取原则，依赖于手工设计特征提取方法。基于深度卷积神经网络是建立在人工神经网络基础上的自动特征提取方法，通过对输入数据进行多层线性或非线性变换，将数据映射到新的空间里表达，可以稳定有效地提取图像的固有特征。在视觉领域，通过学习整张数字图像能够提取图像局部的高层特征。通常深度卷积网络的底层可以学习边缘、形状等物理特征，随着网络隐含层层数增多可以学习到更多复杂、抽象的视觉特征。但是如果采用全连接方式，隐含层节点数量就会十分庞大，严重降低了算法的计算效率。因此，在学习图像特征时，通常将网络设计成局部连接的神经网络。特征平面上的所有神经元共享一个连接权值，也就是每个特征平面上每个神经元的权重都一样。因此，网络参数大大减少，复杂度也变低。
一个深度卷积神经网络主要由三部分组成：卷积层、池化层、全连接层。卷积层是对上层输入进行卷积滤波，池化层是对上层输入进行下采样。卷积层的每个神经元连接上层输入的小片相邻区域（即感受野区域），表达图像的局部特征。池化层用来提取图像的统计特征，使得网络结构对微小的平移和形变不敏感。卷积层与池化层交替连接且都是由多个2-D的特征平面构成，每个特征平面均代表一种特征映射，全连接层是1-D向量构成的网络层，是对输入数据的特征表达。如图1是本文中设计的ZCNN网络结构，共有11个隐含层，其中卷积层与池化层交替连接共有10层，最后一个隐含层为全连接层。网络的具体参数设置如表1所示。
4 训练阶段
当训练集比较小时，深度神经网络训练时会出现过拟合问题，为了消除过拟合对网络模型的不利影响，Hitton 等人设计了dropout方法，该方法是指在模型训练时，以某一概率随机阻断某些隐含层特征检测器的共同作用，即随机让网络的某些隐含层权重不更新，因此，在样本输入时会有部分隐含层网络节点的权重不更新。在测试阶段，所有的隐含层节点都有输出值，只是输出值降低为原来输出的1/2。
训练采用dropout方法的深度卷积神经网络与传统的神经网络训练类似，利用随机梯度下降法求解网络参数。卷积网络通过前向传播计算网络的实际输出值，然后用实际输出值与理想输出值作差，构造误差损失函数：
En=（t-y） （1）
其中，M表示样本类别数，n表示样本序号，t表示第n个样本的第s维对应的目标值（分类标签），y表示第n个样本对应的第s维输出。最后利用反向传播策略，通过梯度下降法更新网络的权值。
5 实验和结果
5.1实验数据和网络结构
实验数据集由北卡罗来纳大学夏洛特分校的张少霆教授提供，共计190张乳腺病理学图像，其中有100张为benign类，90张为actionable类。分别从benign和actionable类中的每张图像上采集5张互不相交的感兴趣区域作为子图，大小均为256*256*3。随机从benign类和actionable类中分别选取360张和340张子图訓练集，将剩下的子图作为测试集。
训练集数据是3维的RGB图像，我们提取R通道的灰度强度图像，对其进行归一化操作，然后再对图像进行ZCA白化处理去除图像的相关性。将预处理后的数据送入我们设计的深度卷积神经网络中，在所有池化层中采用dropout方法计算特征平面，全连接层将最后一个池化层的24个4*4的特征平面构成一个特征向量，作为图像的特征表达，大小为384*1，用于Softmax分类模型的训练。本文设计的网络结构（ZCNN）如表1所示：
算法通过MATLAB R2013a仿真研究，实验平台是基于Windows 7操作系统的工作站（Intel（R） Xeon（R） E5-2650 v2 CPU and 32 GB 内存），为了更好的说明本算法在benign和actionable两类病理细胞图像的分类效果，我们做了多组对照实验，计算各种分类方法的评价指标Precision，Recall和Accuracy，公式分别如下：
其中，TP表示benign类被正确分为benign类的样本个数，TN表示actionable类被正确分为actionable类的样本个数，FP表示benign类被分为actionable类的样本个数，FN表示actionable类被分为benign类的样本个数。
5.2 结果分析
分别对各种算法计算10组数据求取其平均值，结果如表2所示，利用我们的算法求取的精度明显优于其他几种方法。由结果可以看出Softmax分类器是单层分类器网络，没有充分提取图像的特征信息，其准确率为79.2%。PCA主要是通过数据降维的方法将高维数据映射到低维空间，在本文中，我们保留了95%的特征信息作为分类依据，准确率达到84.00%。利用文献[2]中的CNN方法，对图像数据进行特征提取后分类的精度已经比上述4中算法有了较大的提高，这主要得益于网络特征提取网络层数的增加。然而，在分类精度和特征提取的时间上不及本文算法效果好。深度网络的特征提取所需的时间远远大于传统方法。由此可见，对benign和actionable两类图像分类时，采用卷积神经网络提取图像的高层特征可以实现更好的分类效果，归根结底在于图像特征的有效提取。
6 结论
基于深度学习的特征提取方法在目标识别、图像分类等领域都远远超过了传统的手工特征提取方法，在本文中，我们基于深度卷积神经网络结构进行了改进。首先，利用ZCA白化对数据进行预处理降低特征间的相关性，然后，在训练深度卷积神经网络时，采用ReLUs作为非线性输出函数，可以提高网络计算速度。在网络优化阶段，采用BP算法更新网络权值，利用Dropout方法随机断开网络节点，实现网络结构进行优化。将提取病理细胞图像的高层特征作为Softmax分类器的输入，可以更精确有效的实现benign和actionable病理图像的分类。实验中，采用我们设计深度卷积神经网络结构的性能超过了传统方法，并且也优于不采用预处理和Dropout方法的卷积神经网络。
参 考 文 献
[1] G.Hinton and R.Salakhutdinov，Reducing the dimensio-
nality of data with neural networks， Science，vol.313， 504（2006）.
[2] A.Krizhevsky， I. Sutskever and G. Hinton， ImageNet classification with deep convolutional neural networks， Advances in neural information processing systems， 1097（2008）.
[3] C. Dan， M. Ueli and S. Jurgen， Multi-column deep neural networks for image classification， 2012 IEEE Conference on Computer Vision and Pattern Recognition（CVPR） 6， 3642（2012）.
[4] H.Nuh and B.Gokhan， Classification of histopathological images using convolutional neural network， International Conference on Image Processing Theory， Tools and Applications 4， （2014）， pp. 1-6.
乳腺图像 篇3
关键词：乳腺数字图像,乳腺摄影,软阅读,平均像素,灰阶亮度,窗宽窗位
1 目的与方法
1.1 实验目的
探讨乳腺数字图像兴趣区的平均像素与窗宽、窗位的关联性。
1.2 实验材料
Senographe DS采集系统、AW4.2工作站(5兆阴极射线管显示器[1]、mean测量软件、MG数字测试图像)、美国FLUKE 18-222(50/50)乳腺性能模体、国产DT-1308照度计、X射线QA用亮度计(ST-86LA)、灰塑料板1张(面积大于显示器屏)。
1.3 实验环境
室内照度小于50Lx;实测显示器表面照度2.32Lx、距显示器表面50cm处,测量显示器表面灰塑料板照度0.8Lx。环境测量时文字屏和另一图像屏处于遮挡状态。工作测量时,去掉遮挡。
1.4 实验方法
(1)AW4.2工作站和其它仪表开机10min后,开始测量20阶灰阶图像和(%类似SMPTE图像[2])灰阶图像的各个密度区域的mean和亮度值。其中亮度计使用仪表X100和X1000档测量亮度值,每次测量同一灰阶时,测量档不变。测量数值(见表1a和表1b)。
(2)用Senographo DS乳腺摄影机分别选择剂量模式(Dose)、标准模式(STD)、对比模式(CNT)对18-222模体照射各一次。选择测量面积(area)=50mm2,测量18-222模体图像圆圈兴趣区mean;选择area=100mm2,测量18-222模体图像9#标识的钙化簇区域的mean。记录默认窗宽和窗位数值,判读其纤维条数、斑块数和钙化簇数[3,4](见表2)。
(3)用表2 Dose、STD、CNT 3种模式的窗宽和窗位值在灰阶图像上调整窗宽与窗位;记录各个灰阶亮度值(见表3a)。
(4)选(%类似SMPTE图像)灰阶图像,以灰阶对应mean值作为窗位,调节窗宽;观察是否可以显示该窗位为中心的图像。
(5)在灰阶图像上以灰阶对应mean值作为窗位,调节窗宽。观察是否可以单独显示此窗位的灰阶。
2 实验结果
AW4.2工作站20级灰阶图像和(%类似SMPTE图像)灰阶图像的各个密度区域的mean值和亮度值见表1a、表1b。
选(%类似SMPTE图像)灰阶图像,以灰阶对应mean值作为窗位,调节窗宽。可显示此窗位为中心的图像。
选用20级灰阶图像,以灰阶对应mean值作为窗位,调节窗宽。可以单独显示对应窗位(或mean)的灰阶。
*AOP/CNT 24kV 23mAs AGD444.00mGy ESE0.77mGy Mo/AL ww11500/wl2000,测量面积(area)145mm2,背景平均像素=2000,亮度单位(Lx)。
*AOP/CNT 24kV 23mAs AGD444.00mGy ESE0.77mGy Mo/AL ww11500/wl2000,测量面积(area)145 mm2,Dose、STD、CNT 3种模式18-222图像的测量和显示参量见表2,亮度单位(Lx)。
*Dose:28kV 48mAs AGD1.07mGy ESE4.6mGy area单位mm2;*STD:28kV 59mAs AGD1.30mGy ESE5.54mGy area单位mm2;*CNT:27kV 141mAs AGD2.70mGy ESE11.56mGy area单位mm2;Dose、STD、CNT 3种模式对应窗宽、窗位的灰阶图像的测试值见表3a。
亮度单位Lx
3 实验分析
(1)分析表1证实:测试图像中平均像素值与灰阶亮度的改变具有负相关,平均像素值越大亮度值反而越低。
(2)分析表3证实:3种模式有各自的亮度显示区间,窗技术调整明显改变灰阶显示亮度,但不改变平均像素测量值。
(3)分析表2证实:18-222模体(3种模式)摄影图像兴趣区的平均像素数值与其接受射线剂量成负相关(Dose模式剂量最低,CNT模式剂量最大)。
(4)表2证实:平均像素值接近图像显示窗位默认的数值。
(5)实验结果支持:图像兴趣区平均像素值可作为窗位参考值。
4 结论
(1)窗口技术应用不影响图像兴趣区平均像素值测量准确性。
(2)数字图像兴趣区平均像素数值与射线剂量成负相关,不受窗口数据调控。
(3)数字图像兴趣区平均像素数值与显示器亮度具有线性负相关。
(4)数字图像兴趣区的平均像素数值,可作为图像窗位设置的重要参考值。
(5)不建议用单一兴趣区平均像素数值作为整体图像窗位设置的阅读标准。
参考文献
[1]康晓东.医学图像的数字化处理技术[M].北京:人民卫生出版社,2002:74-75.
[2]余建明,牛延涛,等.CR、DR成像技术[M].北京:中国医药科技出版社,2009.
[3]燕树林,牛延涛,等.乳腺X线摄影与质量控制[M].北京:人民军医出版社,2008.
乳腺图像 篇4
在处理乳腺图像的过程中, 需要先检测出胸墙的位置。目前, 工作人员主要是在经过了厚度均衡、组织均衡、增强、降噪等算法处理后的图像上进行相关检测。在处理图像时, 采用这种方法无法充分利用胸墙信息进行算法操作, 而且也很难排除胸墙信息对图像处理过程造成的干扰。
本文提出了一种基于FFDM系统采集到的原始乳腺图像进行胸墙检测的方法。在处理图像之前, 首先要检测胸墙区域的图像模板, 并将它用于后续的图像处理工作中。采用这种方法检测速度快, 检测到的胸墙区域准确度高, 能在一定程度上提高图像的对比度, 优化乳腺图像的质量, 进而满足临床使用需要。
1 方法概述
乳腺原始图像与处理后的图像相比, 对比度有很大的不同, 而要想在原始图像中确定胸墙的位置也有较大的难度。在实际操作过程中, 因为整个算法流程有时间限制, 所以, 对算法的准确度有较高的要求, 并且要求其执行速度要快。
本文所述方法使用的是探测器采集到的原始乳腺图像。在检测胸墙区域时, 因为是通过粗分割获得包括胸墙区域在内的初始区域, 然后在初始区域中检测胸墙区域的, 所以, 最终检测到的胸墙区域的准确度高, 检测速度也快很多。另外, 对胸墙区的检测是直接在原始图像中进行的, 因此, 在处理乳腺图像时, 可以去除检测到的胸墙区域信息, 避免其对后续处理造成的干扰, 从而提高最终获得的乳腺图像的质量, 增强FFDM系统的性能。
2 胸墙检测算法设计
图1 为胸墙检测算法设计流程。这里重点介绍2 种关键算法, 并利用粗分割的方法确定初始区域, 运用形态学的相关知识获得分割阈值。
2.1 粗分割确定初始范围
通常情况下, 在处理乳房图像时, 待检测的胸墙区域位于乳房图像的左上角。如果原始乳房图像中的胸墙区域不在图像的左上角, 则要先对图像作旋转处理, 将胸墙区域显示在图像的左上角, 然后再进行算法检测。
2.1.1 选择第一初始分割点
一般情况下, 探测器采集到的原始乳房图像包括水平边界、竖直边界和乳房边缘——图像的水平边界为Y轴正方向, 竖直边界为X轴正方向。为了尽可能地检全胸墙区域, 选择的第一初始分割点Of位于乳房图像边缘与其水平边界的交点, 具体如图2所示。
2.1.2 确定第二初始分割点
假设Lb为乳房边缘上的首末2 点, 其对应的是竖直方向上的坐标之间的距离, 如图2 所示, 即为Xf (首点横坐标) , Xe (末点横坐标) 之间的距离, 也就是Xe.
从乳房最下方 (近胸墙侧) 开始沿着乳房边缘向上的一段属于[0.5Lb, 0.7Lb]的部分乳房边缘。图2 中加粗显示的部分即为选取的部分乳房边缘, 连接第一初始分割点Of与部分乳房边缘上的各个像素点, 如图2 中虚线所示, 并计算其所在直线的斜率。此时, 可将直线斜率最小时 (图2 中用实线表示) 的乳房边缘上的像素点作为第二初始分割点Os.
2.1.3 确定第二分割点
基于第二初始分割点Os的位置确定第二分割点Ps, Ps的横坐标要小于Os的横坐标。为了尽可能地在粗分割时将胸墙区域分割出来, 取Ps的纵坐标为0, 即Ps位于乳房图像的竖直边界上。另外, Os横坐标与Ps横坐标之差的绝对值小于1/2Os横坐标的绝对值。具体来说, Ps的横坐标属于[0.5Xs, 0.9Xs]。其中, Xs为第二初始分割点Os的横坐标, 具体坐标关系如图3 所示。
2.1.4 确定第一分割点
根据第二分割点Ps确定第一分割点Pf.从乳房最上方开始沿乳房边缘向下的一段属于[0.2Lb, 0.4Lb]的部分乳房边缘, 图3 中加粗显示的即为上侧乳房的边缘部分。连接Ps与上侧乳房边缘上的各个像素点, 如图3 中虚线所示, 计算其所在直线的斜率。此时, 可将直线斜率最大时 (图3 中用实线表示) 乳房边缘上的像素点作为第一分割点Pf.
2.1.5 确定初始区域
连接第一分割点Pf与第二分割点Ps, 两点的连线与乳房图像的水平边界、竖直边界所组成的直角三角形区域即为包括胸墙区域的初始区域。
2.2 运用形态学知识获得分割阈值
形态学分析法好比胸墙区域的灰度值对于乳房区域的灰度值——胸墙区域的灰度值低, 从胸墙区域过渡到乳房区域时的灰度值变化越大, 灰度值的变化率也越大。
2.2.1 获得第一灰度直方图
将初始区域的灰度直方图归一化, 从而获得第一灰度直方图。图4 为归一化后的直方图, 其横坐标为灰度值, 纵坐标为像素点个数。对灰度直方图进行归一化, 即对直方图中的像素点个数进行归一化, 使直方图中峰值处对应的像素点个数等于直方图中最大灰度值与峰值处灰度值的差。如果原始直方图中的最大灰度值为1 200, 峰值处的灰度值为300, 并且对应的像素点个数为4 500, 则归一化操作即为原始直方图中纵坐标上的每一个值除以5, 即5=4 500/ (1 200-300) .
2.2.2 形态学分析
确定第一灰度直方图中像素点个数最多处对应的灰度值, 在大于该灰度值所对应的第一灰度直方图中搜索与该灰度值坐标预设邻域内的任一灰度值坐标距离最近的点, 并将该点对应的灰度值作为所述乳房图像中胸墙区域和其他组织区域的分割阈值。
如图4 所示, 先在第一灰度直方图中确定像素点个数最多时对应的灰度值GM.在大于灰度值GM所对应的第一灰度直方图中, 搜索与该灰度值GM坐标预设邻域内的任一灰度值坐标距离最近的点, 预设邻域的半径为[0, 0.15GL].其中, GL为第一灰度直方图中灰度区间的长度, 即第一灰度直方图的灰度分布范围。当GL为1 000 时, 如果GM的灰度值为300, 则可以在灰度值为300~450 的范围内搜索。图4 中以预设邻域半径为0 作了示意, 即在虚线的右半部分搜索与GM坐标距离最近的点, 并以GM坐标为圆心做虚线右侧的灰度直方图的内切圆。这时, 切点T为与GM坐标距离最近的点, 而它对应的灰度值为乳房图像中胸墙区域和其他组织区域的分割阈值。
在确定了分割阈值后, 大于等于该分割阈值的像素点为其他组织区域的像素点, 而小于该分割阈值的像素点为胸墙区域的像素点。这时就可以在初始区域中分割出胸墙区域。
3 算法效果检验
图5 为算法检测效果, 左侧黑白图为检测图像, 因为原始图像的对比度比较低, 视觉效果较差, 不容易分辨出胸墙区域, 所以, 为了使对比效果更加明显, 展示出的是处理后的图像。右侧彩色图像为经过算法检测得到的胸墙模板。从图5 中可以看出, 利用胸墙检测算法可以从原始图像中准确地分割出胸墙区域。
4 结论
本文提出的基于原始图像进行胸墙检测, 通过粗分割获取初始区域的方法可以保证检测结果的准确性。在初始区域中进行基于直方图的形态学分析, 不仅能保证检测的高效性, 还能在一定程度上提高图像的质量。
摘要：简要介绍了一种从乳房原始图像中检测胸墙的算法, 以期为日后的相关工作提供参考。这种算法是先在原始图像中确定胸墙的初始区域, 然后运用形态学的相关知识在初始区域中确定胸墙区域与其他组织区域的分割阈值, 从而得到胸墙区域模板。
关键词：图像处理,胸墙检测,域值分割,影像系统
参考文献
[1]Karthikeyan Ganesan.Pectoral muscle segmentation:A review[J].Computer Methods and Programs In Biomedicine, 2013 (IIO) .
[2]C K Feudjio.Automatic extraction of pectoral muscle in MLO view of mammograms[J].Physics In Medicine and Biology, 2013 (58) .
乳腺图像 篇5
1资料与方法
1.1一般资料
研究对象为2013月7月至2014年7月在本院检查并获得病理结果的67例乳腺肿块女性患者,年龄15~80岁之间,平均年龄46岁。其中,有34例因无意中发现乳房肿块后来院治疗,25例为正常体检发现乳腺肿块,8例因乳头溢液来院检查。所有患者均在本院接受规范化超声检查,11例经穿刺活检得到病理结果,56例经手术切除得到病理结果。
1.2方法
使用Philips IU22和GE-E8彩色多普勒超声诊断仪,探头频率5~12 MHz。根据患者不同条件先将仪器调整最优化后对患者双侧乳腺及腋窝进行全面系统扫查。
1.3超声图像的评分标准
观察乳腺肿块形态和边界、纵横比(A/T)、肿块后方回声、肿块有无钙化、肿块血流情况,由我科临床经验丰富的医生根据不同肿块声像图特点进行评分。Adler[1]半定量血流分级法:0级:无血流;Ⅰ级:少量血流,可见1~2处点状血流,管径<1 mm;Ⅱ级:中量血流,可见1~2条主要血管,长度超过肿块半径,或同时可见2~4条小血管;Ⅲ级:大量血流,可见4条以上的血管,粗细不等。评分标准见表1。
1.4统计学分析
采用SPSS19.0统计学软件,计数资料间比较采用χ2检验。敏感性、特异性、阳性预测率和阴性预测率采用四格表资料χ2检验。以P<0.05为差异有统计学意义。
注:a阻力指数以0.7 为界,>0.7 为高阻,<0.7 为低阻
2结果
2.1彩超诊断与病理对照
乳腺肿块术前彩超诊断结果与病理结果符合者61例,符合率91%。肿块病理结果如下:67例患者检出乳腺恶性病变40例,占60%,其中非特异性浸润性导管癌35例(见图1),乳腺恶性叶状肿瘤1例,乳腺浸润性微乳头状癌1例,乳腺浸润性大汗腺癌1例,乳腺浸润性小叶癌2例。乳腺良性病变27例,占40%,纤维腺瘤18例(见图2),腺病2例,导管内乳头状瘤4例,浆细胞性乳腺炎(肿块型)3例。
图 1 乳腺非特异性浸润性导管癌［a：超声示轮廓不规则，边界欠清，内回声不均匀，可见强回声光点与光团夹杂，CDFI 显示其内未见明显血流信号;b:病理证实为乳腺非特异性浸润性导管癌(HE染色×400)]
图 2 乳腺纤维腺瘤［a：超声示团状低回声,边界清,内回声均匀;b:病理证实为乳腺纤维腺瘤(HE染色×400)]
2.2 67 例乳腺肿块超声图像评分指标与病理结果对照:见表2。
2.3 5项声像图评分指标的敏感性、特异性
见表3。
2.4超声图像评分法同病理结果对比
见表4。
由表2~4得出:乳腺恶性肿块40例,良性肿块27例。其诊断乳腺癌的敏感性为95%,特异性为87%,阳性预测值为91%,阴性预测值为93%。乳腺恶性肿块组的综合评分显著高于良性肿块组(χ2=52.1,P<0.05)。
3讨论
《中国乳腺癌现状报告》提出,乳腺癌是中国女性发病率最高的癌症类型,近几年其发病率递增且呈年轻化趋势。超声由于其无创性、可重复性而被普遍应用于乳腺癌的筛查和诊断［2］。国外文献报道超声区分良恶性乳腺肿块的敏感性为98.4%,阴性预测值为99.5%［3］,国内文献报道超声诊断乳腺癌的敏感性为88.4%［4］。
目前,超声是乳腺肿块影像学检查的首选筛查方法,根据乳腺肿块的声像图特征能提示肿块的性质。本超声图像评分法简单易于掌握。据其他文献报道,超声弹性成像评分系统诊断乳腺癌的敏感性为68.8%。特异性为82.7%［5］,而利用本评分方法诊断乳腺癌的敏感性为95%,特异性为87%,即本评分法有较高的参考性与诊断性,可综合分析乳腺肿块的超声表现。此外,该评分法的敏感性、特异性高于5 项独立指标的敏感性、特异性。由综合评分结果得出,符合恶性的指标越多,其评分越高,恶性肿块的可能性越大。
本研究中良恶性乳腺肿块的形态与边界、A/T、肿块内部血流、肿块后方回声差异均有统计学意义,而良、恶性肿块内部钙化差异无统计学意义。超声显像在乳腺肿瘤内可以发现有颗粒状钙化和微小钙化两种,后者被认为在乳腺癌中发现微小钙化灶具有诊断价值,但其敏感性较低假阴性的病例较多,故其阴性结果的预测价值是有限的［6］。此外有文献[7]报道,仅检测乳腺肿块钙化单项特征诊断价值程度不等且均有一定的局限性,只有综合分析钙化点特征如面积、直径、长径、沙砾样钙化率、线样分支状钙化率钙化率等才能提高乳腺癌诊断的准确性。
本研究误诊6 例,2 例乳腺癌评分结果较低,误诊为纤维腺瘤,参考病理结果及相关文献主要是由于某些髓样癌及小叶癌形态常较规则,需要结合其他表现才能诊断［8］。4 例乳腺良性肿块评分结果高,2例将乳腺腺病误诊为乳腺癌,2 例将浆细胞性乳腺炎误诊为乳腺癌。乳腺腺病以实性低回声为主,肿块无包膜,与周围组织界限不清,后方可有衰减,可有血流信号,与乳腺癌区分有一定的难度。但乳腺腺病结节内可有纤细强回声分隔光带,具体发生机制尚不明确,可能与乳腺腺病瘤由乳腺腺体和纤维间质增生形成以腺体为主的独立界限清楚的肿块［9］。实性团块型浆细胞性乳腺炎与乳腺癌均可表现为边界不清,回声不均,均可有钙化。两者可以从发病部位、后方回声、有无沙砾样钙化以及血流频谱特征进一步鉴别［10］。此外,二维超声联合超声弹性成像、超声造影以及容积扫查可提高诊断准确率。
本研究不足之处是病例较少,有关超声图像评分法评价乳腺肿块良恶性的界值以及价值有待进一步探究。此外,不同超声设备对血流的敏感性也会影响评分结果,所以可能需要考虑更多因素来评价该评分法的准确性。总之,超声图像评分法可作为乳腺常规超声检查的一种补充,对乳腺肿块的良恶性诊断具有一定价值。
参考文献
[1]Adler DD,Carson PL,Rubin JM,et al.Dopple ultrasound color slow imaging in the study of breast cancer:preliminary.Ultrasound Med Bid,1990,16(6):553-559.
[2]张玲,何以敉,林礼务,等.彩色多普勒超声对早发性乳腺癌的诊断价值[J].中国超声医学杂志,2010,26(5):410-412.
[3]Helmut Madjar.Role of Breast ultrasound for the detection and differentiation of breast lesions[J].Breast Care,2010,5(2):109.
[4]郁骐襄.比较乳腺超声、钼靶及磁共振对乳腺癌病灶的敏感性及其诊断价值的研究[D].上海:上海交通大学,2012.
[5]于海晶,郭艳,丁文君.超声图像报告与数据系统和弹性成像联合检查在乳腺肿块的诊断价值[J].医学影像学杂志,2015,25(2):356-357.
[6]丁青薇,王绍文,孙宁,等.灰阶超声图像特征在乳腺肿瘤良恶性鉴别诊断中的价值[J].临床超声医学杂志,2006,8(5):285-288.
[7]姚吕祥,王金花,靳仓正,等.应用ROC曲线分析钙化点多项特征参数对乳腺癌的诊断价值[J].实用医学影像杂志,2013,14(2):100-102.
[8]汪登斌,谭令,江浩,等.乳腺癌MRI研究[J].中国医学计算机成像杂志,2002,8(1):23-27.
[9]刘新,谢军,宋阳,等.应用彩色多普勒超声鉴别乳腺腺病瘤与乳腺癌的意义[J].中国误诊学杂志,2003,3(9):1325.
乳腺图像 篇6
近几年,Moon[1]和Chen[2]提出了一种利用灰阶超声序列图像计算弹性特征参量的方法。该方法使用的原始数据为60幅连续的超声图像,其获取方式为在大约4秒钟时间内,使用超声探头对病灶缓慢下压0.4~0.6cm(取决于被测乳腺组织厚度),配合超声仪15帧/秒的帧率,获得共60幅连续图像。由于相邻的两幅图像十分相似,它们之间能够反映弹性的应变量也极小,所以对原始数据进行每8幅图像的抽样,即抽出第1、9、17、25、33、41、49、57幅,共8幅图像进行后续的去噪分割处理和特征提取。分析他们提出的几种弹性特征可知,前面进行等间隔抽样的目的,是为了让每两幅连续图像之间有近似的加压深度。但在实际操作中,医师很难保证每次都用4秒左右的时间完成0.4~0.6cm的下压过程,更难保证在整个下压过程中保持匀速,这必然造成等间隔抽取得到的图像之间的加压深度不相似,进而降低所提取特征的分类能力。为此,本文提出了一种估算加压深度的算法,并在此基础上提出了一组弹性特征参数。最后,辅以两个简单常用的形态特征,使用支持向量机(Support Vector Machine,SVM)进行判别能力的综合测试。
1 加压深度评估方法
2003年,牛津大学的Han等人[3]通过一系列实验证明:通过测量连续的B超图像,可以估算组织的表面位移,也可以估算组织内部位移场和组织厚度。这个结论为本文的研究提供了思路。
为了对加压深度进行评估,就需要找出一个评估的参考对象。一幅完整的超声图像由浅至深往往包含皮肤、皮下脂肪、乳腺腺体、胸大肌、肋骨这几个部分,如果存在乳腺肿瘤,其位置一般处于皮下脂肪和肋骨之间的某个区域。当医师通过超声探头向着肋骨方向对组织缓慢加压,皮肤、皮下脂肪、乳腺腺体、胸大肌以及肿瘤都会因受压而产生形变,但肋骨硬度相对较大,在手工施加的微小压力下几乎不会产生形变。随着超声探头的下压,探头表面与肋骨的距离逐渐变小,表现在声像图中则是代表肋骨的弧形强回声带随着加压过程向上移动。这样,只要能够估算出这个弧形强回声带的位移量,就等于估算出了探头表面与肋骨之间的距离变化量,也即是估算出了大致的加压深度。
19 98年,Steinberg[4]提出了一种名为Disparity Mapping的斑点跟踪算法。该算法利用两幅图像中局部斑纹的相似性来估算每一点的位移量。如图1所示,在第一帧图中,以待测点(x,y)为中心,取一个边长为N个像素的方窗,以此方窗作为模板,在第二帧图中查找最相似的等大小方窗。查找的范围是以(x,y)为中心,边长2k+1个像素的窗口。相似性测度使用归一化相关系数,其定义为:
式中,al,m代表模板图像中(l,m)处的灰度,bl,m代表被测图像中(l,m)处的灰度。计算得到(2k+1)×(2k+1)个归一化相关系数,则其中最大值所在位置便是最相似方窗的中心位置,而该位置与(x,y)之差便代表待测点的位移量(x,y)。由于本文是要估算加压深度,故只研究纵向的位移。
搜索窗口的尺寸取2k+1个像素,即表示沿搜索中心向上、下、左、右4个方向各搜索k个像素的距离,因此k的取值应当刚好大于相邻两帧图像中的最大位移。本文中取k=10。模板窗口的尺寸N决定了相关深度,类似于低通滤波器的时间常数。随着N值的增大,低通滤波程度逐渐增大。由于本文研究的对象是代表肋骨的弧形强回声带,故N值宜取小于回声带宽度的最大值,最终选择N=15。
对整幅图像的全部像素点做位移评估的计算量是十分庞大的。由于本文需要评估的对象是代表肋骨的弧形强回声带,故我们只用在这个强回声带中选择一个子区域进行位移评估,从而避免了庞大的计算量。图2给出了肋骨位置的示意图,在实际计算中,只用在白框所示的肋骨区域选择一小部分即可。对该子区域每一点的纵向位移量求平均,则此均值便反映了超声探头与肋骨之间的距离变化量。
对于超声序列图像,在第一帧图像的肋骨区域选择一个子区域作为位移评估对象,求出它相对于第二帧图像的横向位移量平均值和纵向位移量平均值,并根据这两个平均值对子区域进行平移,找出第二帧图像中对应的肋骨子区域,接着用新的子区域作为位移评估对象,计算其相对于第三帧图像的位移量。重复这个过程,即可得到一个纵向位移量均值序列。对于M帧图像的序列,共有M-1个纵向位移均值,每一个值代表当前帧与其后一帧的加压深度差异。接下来,便可使用这个位移量进行特征提取。
2 数据获取与处理流程
本文共使用了187例乳腺肿瘤,其中85例被确诊为恶性,102例被确诊为良性。这187例病例均为安徽中医学院第一附属医院,从2007年1月至2007年12月,用GE vivid7型超声影像仪采集所得,所用探头频率为10MHz。病例数据格式为未压缩的avi视频格式,帧率为19~24frame/s,分辨率为97.5pixel/cm。每一个数据都包含3个左右的缓慢加减压过程,加压深度0.4~0.6cm。
对每一个病例,首先从原始数据中选择一段包含加减压过程且病灶较清晰的视频,将其提取为图像序列,并进行合理裁剪,只留下灰阶超声图像部分。接着便使用上节所述方法,对这个序列进行加压深度评估,并在一段较平滑的加压过程中,近似等加压深度地抽取6~10幅图像,并计算它们之间的加压量。最后对抽取得到的图像按照文献[5]所述方法进行边缘提取,并将结果用于特征参数提取。在这6~10幅图像中,第一幅图像是未加压或者加压程度最小的图像,使用它进行形态特征的提取,而弹性特征的提取将使用抽取得到的全部图像。所有算法均使用Matlab7.0在1.86GHz、512M的PC上实现。
3 特征参数提取
结合加压深度评估的结果,本文提出了平均面积差异、平均纵横比差异、平均位移量和平均SSD值这四个弹性特征参数。
肿瘤受到压力时,面积会发生变化,良性肿瘤变化较大,恶性肿瘤变化较小。本文提出平均面积差异参数(AAD)来描述两幅图之间肿瘤面积的差异,其定义为:
式中,Areai、Areai+1分别代表第i幅、第i+1幅图像中的肿瘤面积,Dispi表示第i幅图与第i+1幅图之间加压深度的差异,N表示图像数目。
肿瘤受到压力时,纵向长度变小,纵横比也随之减小。恶性肿瘤硬度一般大于良性肿瘤,故纵横比减小程度较小。本文提出平均纵横比差异参数(ALWR)来描述两幅图之间肿瘤纵横比的差异,其定义为:
式中,LWRi、LWRi+1分别代表第i幅、第i+1幅图像中的肿瘤纵横比,Dispi和N的定义与AAD中相同。
肿瘤会随着加压过程而移动,由于恶性肿瘤向周围组织浸润性生长,与周围组织关联较大,故恶性肿瘤的位移量小于良性肿瘤。本文提出平均位移量参数(ADV),用于描述两幅图之间肿瘤的位移。位移的计算是先求出两幅图像中肿瘤的质心坐标,再求取两个质心点的距离。在这步操作的同时,顺便对肿瘤进行平移,使得两幅图像中肿瘤的质心重合,这也即是对肿瘤进行平移配准。平移配准后的图像将用于下一个特征的提取。经过位移计算,平均位移量ADV被定义为:相邻两幅图像中肿瘤的位移量除以这两幅图之间的加压深度差异,再对这N-1个位移值求平均。
除了上述变化,肿瘤受压时其轮廓状态也会发生变化,恶性肿瘤的轮廓变化较小,良性肿瘤变化较大。本文提出平均SSD值参数(ASSD),用于描述两幅图之间肿瘤的轮廓变化程度。差异的平方和值SSD(Sum of Squared Differences)是一种简单的度量图像间差异的参量。此处使用平移配准之后的肿瘤图像作为考察对象,故实际度量的是轮廓线之间的差异。ASSD的定义为:
式中,S SDi代表第i幅图与第i+1幅图之间的SSD值,Areai、Dispi和N的定义与AAD中相同。
可以看出,以上四个弹性特征参数都进行了加压深度归一化,以减小手工加压过程不匀速带来的影响。
为了提高辅助诊断系统的诊断准确度,本文在四个弹性特征的基础上,又引入了两个简单常用的形态特征参数:纵横比和凸壳度。
纵横比(LWR)是超声检测乳腺肿瘤的常用指标之一,其依据是恶性肿瘤的生长常常脱离正常组织平面而导致前后径增大。纵横比取值方法没有定论,本文采用外接矩形的高度除以宽度这种方式。
凸壳度(CAR)反映了肿瘤对其外接凸多边形的充满程度,定义为肿瘤面积除以凸多边形面积。良性肿瘤一般形状较规则,凸壳度较大;而恶性肿瘤形状不规则,边界有角状突起,使得其凸壳度较小。
纵横比中的外接矩形(Bounding Box)和凸壳度中的凸多边形面积(Convex Area),都可使用Matlab自带的regionprops函数直接获取,故提取方法相对简单。
表1给出了对187例乳腺肿瘤提取上述6种特征的统计结果,表中同时给出了每类特征的类间距和t检验概率。
从表1可以看到,全部特征的t检验概率值都小于0.001,说明良恶性肿瘤在每类特征都有显著的差异。而类间距参数则表明,平均面积差异、平均SSD值、纵横比这三个参数拥有比其他三个参数更优的分类能力。下一节将测试这些特征的组合分类能力。
4 分类判决
支持向量机(Support Vector Machines,SVM)是近年来在统计学习理论的基础上发展出来一种新的学习机器。它建立在统计学习理论的VC维理论和结构风险最小原理的基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以获得最好的推广能力[6],在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,在实际应用中也表现出良好的性能。本文使用Chang等人[7]发布的LIBSVM工具包来进行支持向量机的实验。
本文将187个病例随机分为5组,每组包含17个恶性病例和20~21个良性病例。每次使用一组病例作为测试集,另外4组作为训练集,重复5次该操作,使得每个病例都充当一次测试数据,最后统计得到整个数据集的分类准确度。表2给出了使用不同特征组合的部分实验结果。
表2中,真阳性TP代表正确分类的恶性病例,假阴性FN代表错误分类的恶性病例,真阴性TN代表正确分类的良性病例,假阳性FP代表错误分类的良性病例。从表2可以看出,单独使用各个特征时的分类准确度,分别低于它与其他特征组合使用的分类效果。当组合使用四个弹性特征时,准确度提高到85.03%,但进一步的实验发现,只使用AAD、ALWR、ASSD这三个弹性特征时的组合分类能力优于四个弹性特征的组合,准确度达到86.10%,这说明ADV参数在此组合中没有正面贡献。再联合使用2个形态特征,分类性能得以进一步提高,而平均位移量ADV在此组合中,具有明显贡献。最终,联合使用四个弹性特征和两个形态特征的性能为:准确度95.19%(178/187)、敏感度98.82%(84/85)、特异度92.16%(94/102)、阳性预测率91.30%(84/92)、阴性预测率98.95%(94/95)。
5 结论
基于灰阶超声序列图像的乳腺肿瘤弹性参数,是近年来出现的一种新的特征类型,它可以对现有形态特征和灰度纹理特征提供有效补充。本文针对现有弹性参数提取方法中加压速度难以保持匀速的问题,提出了一种评估加压深度的算法,并在此基础上提出了四个经过加压深度归一化的弹性特征参数。使用支持向量机对这四个参数的分类判别能力进行测试,发现组合使用平均面积差异、平均纵横比差异和平均SSD值时,取得最佳分类性能,达到准确率86.10%。再联合使用纵横比和凸壳度这两个形态特征参数,分类判别能力进一步提升,最终达到95.19%的分类准确度。实验结果表明,基于灰阶超声序列图像的弹性特征参数,对乳腺肿瘤的良恶性具有较好的区分能力,有望为临床判别提供辅助诊断依据。当然,本文的实验结果与所用肿瘤数据集有关,因此尚需更多实验数据对弹性参数的性能进行验证,以提高其统计意义。
摘要：提出了一种评估加压深度的算法,并在此基础上提出了四个经过加压深度归一化的乳腺弹性特征参数。分类判决实验证明,这些弹性参数对乳腺肿瘤良恶性具有较好的区分能力,若进一步联合使用形态特征,最终分类准确度、敏感度、特异度可高达95.19%、98.82%、92.16%。
关键词：乳腺肿瘤,灰阶超声序列图像,加压深度评估,弹性特征
参考文献
[1]Moon WK,Chang RF,Chen CJ,et al.Solid breast masses:classification with computer-aided analysis of continuous US images obtained with probe compression.Radiology,2005,236:458-464
[2]Chen CJ,Chang RF,Moon WK,et al.2-D ultrasound strain images for breast cancer diagnosis using nonrigid subregion registration.Ultrasound in Medicine and Biology,2006,32(6):837-846
[3]Han LH,Noble JA,Burcher M.A novel ultrasound indentation system for measuring biomechanical properties of in vivo soft tissue.Ultrasound in Medicine and Biology,2003,29(6):813-823
[4]Steinberg BD,Sullivan DC,Carlson DL.Disparity mapping applied to sonography of the breast.Radiology,1998,207(2):545-550
[5]哈章,李传富,王金萍,等.基于改进C-V模型的乳腺肿瘤超声图像分割.中国医疗器械杂志,2007,31(6):395-399
[6]Vapnik VN.The nature of statistical learning theory.NY:Springer-Verlag,1995
乳腺图像 篇7
超声检查是诊断乳腺肿瘤的重要手段之一, 较多的研究报道已确认了乳腺癌的二维声像图及CDFI血流表现[1,2,3]。但乳腺良、恶性肿瘤的超声表现互有交叉, 鉴别诊断时有困难。本研究应用灰阶超声图像特征多征象综合分析鉴别乳腺肿瘤良恶性, 旨在进一步探讨各种灰阶超声征象在诊断中的意义和价值。
1材料和方法
1.1 一般资料
1998-01～2008-12内蒙古自治区阿鲁科尔沁旗中医院应用灰阶超声多征象综合分析的病例:①乳腺癌84例, 肿瘤88个。其中, 女83例, 男1例, 年龄28～86岁, 平均53.7岁。病理类型:浸润性癌38例, 浸润性导管癌34例, 浸润性小叶癌1例, 髓样癌3例, 黏液腺癌3例, 单纯癌3例, 硬癌2例。单发癌81例, 多发癌3例。乳腺癌肿瘤最大直径5.2cm×3.6cm×2.3cm.最小直径0.7cm×0.6cm×0.5cm。其中锁骨下淋巴结转移20例, 胸壁淋巴结转移2例, 腋下淋巴结转移20例。②乳腺纤维瘤58例, 肿瘤65个, 乳腺纤维瘤肿瘤最大直径12.0cm×10.0cm, 最小直径1.5cm×1.5cm, 年龄15～56岁, 平均39.2岁。所有病例均经手术病理证实。
1.2 仪器和方法
使用ALOKA SSD 630, SSD 1200, RT fino5.0, GE LOGIQ3, BIOSOUND Au 4, PHILIPS HDI 350实时超声诊断仪, 探头频率分别为5.0MHz及7.5MHz。患者取仰卧位, 充分暴露两侧乳房, 依次对乳房4个象限和乳晕区分别进行二维超声扫查, 重点观察并记录以下声像图特征;①形态是椭圆形或不规则形;②肿瘤轮廓光滑整齐或呈锯齿状、毛刺状;③肿瘤周围有无包膜;④肿瘤内部结构回声均匀或不均匀;⑤肿瘤内部有无微小钙化灶;⑥肿瘤后方回声增强或回声衰减。同时扫查锁骨上下、胸壁及两侧腋下淋巴结有无肿大。全部病例进行肿块切除或 (及) 乳腺癌根治术。超声诊断与手术病理结果作对照。比较乳腺肿瘤上述6项二维超声征象检测在诊断中的敏感性、特异性、准确性、阳性预测值、阴性预测值, 数据经统计学处理, 计数资料采用χ2检验。
2结果
灰阶超声图像特征多征象对乳腺癌的诊断符合率为96.4%, 对乳腺纤维瘤的诊断符合率为85.3 % (58/68) 。乳腺癌和乳腺纤维瘤在肿瘤形态、轮廓、包膜、内部回声、微小钙化等5项指标具有显著性差异 (P<0.01;表1、2, 图1～5) , 后方回声衰减无显著性差异 (P>0.05;图6) 。
3讨论
3.1 乳腺良、恶性肿瘤多征象声像图特征的病理基础
良、恶性肿瘤的细胞分化及生长方式不同, 因此, 声像图表现不同。良性肿块形状规则, 边缘光滑整齐, 内部回声均匀, 后方回声增强;恶性肿块形状不规则, 边界不清晰, 凸凹不平, 呈浸润性生长, 内部回声不均匀, 后方回声衰减[4]。本研究结果显示恶性肿块和良性肿块在肿瘤形态、轮廓、包膜、内部回声、内部钙化等5方面测量值有显著性差异 (P<0.01) , 后方回声衰减无显著性差异 (P>0.05) 。乳腺癌是源于乳腺导管上皮和腺泡上皮的恶性肿瘤, 多数呈浸润性生长, 在病理组织上常可见癌组织呈放射状侵入邻近纤维、脂肪组织内, 因此, 边界粗糙不平、不清晰、呈“毛刺状”、“锯齿状”。乳腺纤维瘤瘤体由小乳管、腺泡和结缔组织构成, 以纤维组织为主, 瘤体越大越明显, 声像图表现为肿瘤形态为规则的椭圆形, 少数为分叶状, 轮廓光滑整齐, 与周围组织分界清楚, 大部分具有完整的包膜回声, 伴侧壁声影。乳腺纤维瘤主要生长方式是膨胀性生长, 有完整的包膜。但本组有8例形状不规则, 病理结果显示纤维组织增生, 有胶原性变或黏液性变。
3.1.1 肿块的形状
可为整齐与不整齐, 后者包括各种形状, 二者虽可交叉, 但不整齐的多数为恶性。边缘形态不规则, 表现为“锯齿状”“毛刺状”“伪足状突起”。有文献表明此征象特异性98%[2]。本组此征象特异性为93.8%, 提示各型乳腺癌均有此类表现, 以浸润性导管癌、髓样癌、单纯癌多见。
3.1.2 壁结构
反映肿块的境界, 指肿瘤与肿瘤的连接面。边缘:指限于境界附近的肿瘤内侧的领域。周边部:指紧邻境界的正常组织。良性肿块多有包膜, 边界光滑、清晰。恶性肿块多呈浸润性生长, 边缘与周边部锯齿状互相镶嵌, 声像图示厚薄不均, 回声强弱不等, 呈毛刺状, 两者有明显区别。
3.1.3 内部回声
反映肿瘤的内部组织物理特性。良性肿块多为均质回声, 仅在组织或腺体导管散在性纤维化时可致内部回声出现强回声带或强回声斑。恶性肿块多呈浸润性生长, 常引起明显的结缔组织反应或易发生坏死出血, 致瘤体内部结构不均质, 常伴有低回声或囊性变。砂粒样钙化指大小100～500μm的钙化, 后方无声影, 被认为是乳腺恶性肿瘤的特征, 因恶性肿瘤影响局部钙磷代谢而形成, 其发现率低, 一旦发现提示恶性的可能性大[2]。
3.1.4 后方回声
反映肿瘤内部组织的声阻抗和吸收超声声能的改变。文献指出肿瘤的细胞在增生和变质的过程中副产物胶原、胶原纤维>75%时可导致超声声能衰减, 反之不变或增强。后方回声衰减曾被认为是恶性病变的标志性特征。但目前认为, 肿瘤声像图后方的增强或衰减是根据肿瘤内部纤维组织及腺体成分多少而决定的, 如髓样癌细胞多, 组织疏松, 后方回声增强, 故应用时还应慎重[5,6]。
3.2 灰阶超声多征象对乳腺良、恶性肿瘤的鉴别价值
由于乳腺良、恶性肿瘤在生长方式、组织细胞结构等方面的差异, 导致声像图表现的差异, 也为鉴别诊断提供了依据。
3.2.1 肿瘤轮廓呈锯齿状或毛刺状
多数乳腺良性肿瘤表现为边界光滑, 与肿瘤呈膨胀性生长、有完整的包膜有关。恶性肿瘤表现为边界粗糙, 且前侧缘有不规则的强回声晕, 经特殊结缔组织染色清晰证明此与癌组织浸润及周围纤维组织反应性增生有关。本组84例乳腺癌88个肿瘤中有71个呈锯齿状或毛刺状轮廓边缘 (80.7%) , 65个乳腺纤维瘤中, 61个肿瘤边界清晰规则, 无锯齿状或毛刺状改变, 4个肿瘤呈分叶状 (6.2%) , 乳腺癌明显高于乳腺纤维瘤 (P<0.01) , 用这一指标诊断乳腺癌的敏感性为80.7%, 特异性为93.8%, 准确性为86.3%。本组有19.3%的乳腺癌并无典型的边界特征, 提示:虽然其阳性结果的诊断价值较高, 但对于阴性结果并不能排除乳腺癌的诊断。另外, 发现较早, 病灶<1.0cm的较小乳腺癌, 边界清晰, 在灰阶超声图像上无锯齿状或毛刺状改变。
3.2.2 肿瘤形态不规则
本组84例乳腺癌88个肿瘤中73个肿瘤形态不规则 (83.0%) , 仅有15个肿瘤形态较规则 (17.1%) ;而58例乳腺纤维瘤65个肿瘤中有8个肿瘤呈不规则形或分叶状 (12.3%) , 有57个肿瘤呈椭圆形 (87.7%) , 乳腺癌明显高于乳腺纤维瘤, 二者差异显著 (P<0.01) , 这一指标的敏感性为83.0%, 特异性为87.7 %, 准确性为85.0%。但有时相邻的多个病灶互相融合, 使肿瘤大体形态变为更加复杂, 给诊断造成困难。
3.2.3 肿瘤周围无包膜
本组88个乳腺癌肿瘤中69个肿瘤无包膜或壁 (78.4%) , 而65个乳腺纤维瘤中仅7个肿瘤无包膜或壁, (10.3 %) , 乳腺癌明显高于乳腺纤维瘤, 二者差异显著 (P<0.01) 。二维声像图发现某些乳腺癌肿瘤的包膜往往是因为早期较小的病灶浸润度小, 边界光滑, 形态规则, 回声均匀, 与周围回声较强的腺体组织分界清晰, 其包膜实为周围腺体组织所形成的假包膜, 而部分乳腺纤维瘤未发现包膜可能是因为病灶回声与周围腺体之间回声相似, 因而不显示典型包膜回声。
3.2.4 肿瘤内部回声不均匀
本组资料显示在88个乳腺癌病灶中有62个肿瘤内部回声不均匀 (70.5 %) , 而65个乳腺纤维瘤中仅9个肿瘤内部回声不均匀 (13.9%) , 乳腺癌明显高于乳腺纤维瘤 (P<0.01) , 以此鉴别良、恶性的敏感性为70.5%, 特异性为86.2%, 准确性为77.1 %。乳腺纤维瘤的回声不均匀, 多由于在其生长过程中部分组织发生液化、玻璃样变或钙化灶形成, 多见于较大肿瘤, 本组9例病灶回声不均匀的乳腺纤维瘤其肿块范围均>3cm。而乳腺癌肿瘤回声不均匀与肿块大小无明显关系。在误诊病例中有10例乳腺良性肿块因其内部回声强弱不均而误诊为乳腺癌, 应引以为鉴[7,8]。
3.2.5 肿瘤内微小钙化灶
超声显像在乳腺肿瘤内可以发现的钙化有颗粒状钙化和微小钙化两种, 后者被认为是乳腺恶性肿瘤的特征之一。本组病例中乳腺癌有25.0% (22/88) 可发现微小钙化灶, 而乳腺纤维瘤中有4.6% (3/65) 可发现微小钙化, 乳腺癌明显高于乳腺纤维瘤 (P<0.01) , 其鉴别诊断的敏感性为25.0%, 特异性为95.4 %, 准确性为54.9%。乳腺癌的微小钙化是由于组织变性坏死和钙盐沉着所致, 恶性程度越高, 其坏死程度越明显, 组织坏死而钙化。本组恶性肿瘤中22.7% (20/88) 已发生转移, 说明在乳腺癌中发现微小钙化灶其诊断价值是肯定的, 但由于其敏感度较低, 假阴性的病例较多, 其阴性结果的预测价值是有限的, 本组仅为48.4%。
3.2.6 肿瘤后方回声衰减
本组中乳腺癌88个肿瘤中仅有9个肿瘤后方回声衰减 (10.2%, 9/88) , 而乳腺纤维瘤65个肿瘤中5个肿瘤后方回声衰减 (7.7 %, 5/65) , 乳腺癌稍高于乳腺纤维瘤, 二者差异不显著 (P>0.05) 。在以往的文献报道中, 肿瘤后方回声衰减曾被认为是诊断乳腺肿瘤良、恶性的特征性标准, 但本研究中有89.8 % (79/88) 乳腺肿瘤并不具备此特征, 这表明单纯依靠声像图后方回声衰减这一指标来鉴别乳腺肿瘤的良、恶性有很大的局限性。
超声显像诊断中若以其中某一项超声征象如肿瘤形态不规则或肿瘤内部回声不均匀作为诊断依据, 则降低了特异性, 易误诊。若以上述全部6项声像图特征作标准诊断乳腺癌, 虽提高了特异性, 但降低了敏感性, 又易漏诊。因此, 以灰阶超声5项特征综合分析进行鉴别诊断可以提高诊断准确率[7,8]。
参考文献
[1]李建辉.彩色多普勒超声在乳腺癌中的研究进展.临床超声医学杂志, 2003, 5 (4) :238.
[2]白敏, 陈惠莉, 杜联芳, 等.乳腺癌57例超声图像分析.中国超声医学杂志, 2004, 20 (12) :894.
[3]游德亮, 彭慧芳, 吴世庭.二维及彩色多普勒超声诊断乳腺癌的价值分析 (附42例报告) .中国超声医学杂志, 2003, 19 (1) :53.
[4]孙健, 于青.乳腺癌声像图改变的诊断价值评估.临床超声医学杂志, 2004, 6 (6) :335.
[5]陈宏建, 谢义香, 王芳, 等.乳腺癌彩色多普勒超声的诊断及鉴别诊断.临床超声医学杂志, 2007, 9 (6) :350.
[6]刘月洁, 张颖, 凌广花, 等.彩色多普勒超声鉴别乳腺肿物良恶性的多因素分析.中国超声医学杂志, 2008, 24 (2) :119.
[7]王绍文, 孙国英, 周静兰, 等.二维超声征象多参数综合分析对乳腺良恶性肿瘤鉴别诊断的意义.中国医学影像技术, 2002, 18 (1) :34.
乳腺图像 篇8
1 资料与方法
1.1 一般资料
随机选取该院收治的乳腺病患者80例,将其随机分为对照组和观察组,分别为40例,所有患者均符合乳腺病的相关诊断标准。对照组患者年龄25～71岁,平均(45.3±5.1)岁,观察组患者年龄28～81岁,平均(46.8±6.1)岁。其中,乳腺图像标准:如果图像清晰,尤其是乳房及其相邻胸壁十分清晰,而乳头位于切线位,和摄影台平行,则符合诊断要求。如果乳腺片不仅具有适当的影像密度和良好的清晰度以及对比度,同时摄影体位符合相应的标准,没有技术操作缺陷,则为甲级片。如果有一项不符合标准则为乙级片,两项不符合则为丙级片,如果因技术等因素造成照片无法作为诊断依据,则为废片。所有患者中大专以上文化28例,初中及高中文化有12例,未触及肿块患者有22例,肿块直径在1～2 cm的患者有10例,肿块直径在2.1～5 cm的患者有8例。两组患者基本资料各方面差异均无统计学意义(P>0.05)。
1.2 方法
对照组采用超声诊断的方法,利用美国生产,型号为VOLU-SON730EXPERT,对患者双侧乳腺实施检测。而观察组则采用美国通用型号为GEApha ST MGF-101的乳腺钼靶X线对患者两侧乳腺进行摄影,如需可放大摄影,降低遗漏的可能。在阅片的过程中,要按照ACR乳腺报影质量保证委员会制定的MQST标准,对乳腺片的质量、等级以及影响因素等进行统计学处理,对比两种诊断方式的结果。
1.3 观察指标
对比两种诊断方式的结果,并探讨乳腺钼靶X线照片的质量及其影响摄影图像质量因素。观察图像是否清晰,是否有伪影等。
1.4 统计方法
数据均采用SPSS17.0统计学软件处理,诊断符合情况以率表示,组间比较x2检验。
2 结果
2.1 两组患者诊断符合率
对照组患者,超声诊断符合率达到57.5%(23/40),而观察组患者乳腺钼靶X线符合率达到77.5%(31/40)两者相较而言,差异有统计学意义(P<0.05)。见表1。
注:两组诊断符合率比较,差异有统计学意义(x2-7.65,P<0.05)。
2.2 影响乳腺图片质量因素情况
40例乳腺疾病患者,利用乳腺钼靶X线检测出阳性病例31例,其中,甲级片32份,乙级片6份,丙级片1份,废片1份。影响图片的质量因素情况,见表2。
3 讨论
目前,我国乳腺疾病的发病率呈现递增的趋势,而作为临床医学上独特的影响学检查,也是常用的检查方式[2],乳腺钼靶X线发挥着重要作用,不仅对乳腺疾病具有较高的诊断率,还具有较强的敏感度和特异度[3]。除此之外,超声诊断也具有良好作用,但利用超声诊断的方法很难对肿块未形成的患者检测出来,大大增加了漏诊的情况,而利用乳腺钼靶X线不仅能够避免超声的诊断的缺陷,还能够将未触及肿块及时诊断出来[4],更重要的一点是,乳腺钼靶X线对不规则高密度影也能显示清晰,尤其在实行造影增强后,能够较精确的检测出乳腺疾病的病变部位。由于乳腺疾病病变性质和结构等有很大不同,而利用乳腺钼靶X线的基础便是组织的病理变化[5],通常情况下,乳腺钼靶X线摄片能够将乳腺肿块的形态、密度等直接显示出来,临床中常见的肿块为毛刺肿块,其形状大小有很大差异,为患者治疗提供了重要参考依据。裴长志[6]学者对乳腺导管内癌诊断中乳腺钼靶X线摄影和超声的应用价值进行了分析研究,通过选取43例已确诊的乳腺导管内癌患者,分别行超声诊断与乳腺钼靶X线诊断,得到乳腺钼靶X线超声诊断符合率为76.74%(33/43),而超声诊断符合率仅为55.81%(24/43)。从表1中可以看出,观察组X线诊断(77.5%)符合率明显高于对照组(57.5%),这与裴长志等[6]研究相一致。
然而,在利用乳腺钼靶X线实际操作过程中,它很容易受到诸多因素的影响,极大的降低了摄影图像质量。已有学者对影响乳腺钼靶X线诊断的因素进行了分析,得到患者乳腺变化、操作及摆位不当及非人为的因素[7]。在该研究中,通过对影响乳腺钼靶X线因素进行分析得到:摆位不符合标准、对比度差、污渍、褶皱伪影及划痕等影响因素,与相关学者所提出的摆位不当相符合,但也提出了对比度差、褶皱伪影等其他因素。因此,要想提高乳腺钼靶X线诊断效率,应从以下几方面分析:首先,要做好和患者的沟通准备工作。检查前,技术工作人员认真阅读医生列出的申请单,同时还要及时对患者的病情及临床表现等进行详细询问,确认患者是否具有手术史、是否有隆胸等情况。由于乳腺钼靶X线检查主要是患者的私密部位,这就要求患者需要拥有足够的勇气,针对此,医护人员应及时和患者沟通,以消除患者的紧张、恐惧等不良情绪。尤其在检查前,要及时询问患者月经情况,为选择最佳检查时间提供有效依据,在检查过程中,要详细记录触诊情况,必要时在检查前应进行乳房清洁[8]。其次,严格遵守乳腺钼靶X线摄影操作规范。这就要求技术人员应按照患者体位,认真做好标识,通常情况下,标准摄影体位为MLO和CC位,也是基本的摄影方法。其中,对于前者来说,患者需面对乳腺机站立,足部和片盒胸壁侧缘呈45°角,患者要确保乳腺和胸大肌靠近暗盒托盘中心,待腋窝凹陷处处于暗盒拐角,应轻轻推动胸大肌,还要适当调节压迫器,直至压力足够。X线经乳腺内由上到下摄入胶片中心即可。对于后者来说,患者同样面对乳腺机站位,技术人员对患者两侧乳房进行检测,同时调节压迫器,自上而下压迫直至患者感到乳腺外侧有紧绷的感觉。从表2中可以看出,乳腺钼靶X线很容易受到摆位、褶皱伪影等因素影响图像质量。
综上所述,乳腺钼靶X线能够有效提高乳腺疾病的诊断率,优于超声诊断的方法。与此同时,确保乳腺钼靶规范化检查,能够有效提高乳腺钼靶X线的摄影质量,进一步提高诊断价值。
参考文献
[1]吴守红,翟红伟,郑宝聪,等.摆放体位对乳腺数字钼靶X线摄影图像质量的影响[J].福建医药杂志,2014,36(3):126,135.
[2]陈清,刘中胜.CT在乳腺疾病中的应用价值探讨[J].中外医疗,2012,31(21):165.
[3]刘志敏,骆殿存,李波,等.数字化钼靶X+线摄影在不典型乳腺癌中的诊断价值[J].中外医疗,2013,32(35):173-174.
[4]陈小雄.乳腺癌的钼靶X线诊断分析[J].中国现代医生,2011,12(13):78-83.
[5]柴丽君.钼靶X线乳腺肿块的诊断价值[J].中国现代医生,2008,46(6):68.
[6]裴长志,赖育美,林文.乳腺钼靶X线摄影和超声诊断乳腺导管内癌的对照研究[J].泰山医学院学报,2014,12(5):391-392.
[7]程春红.乳腺数字钼靶X线摄影的摆位对图像质量的影响探讨[J].吉林医学,2013,34(19):3870-3871.