基于激光共聚焦顯微鏡圖像的黑色素瘤計(jì)算機(jī)輔助診斷算法研究

王 婷 WANG Ting

后桂榮2 HOU Guirong

張 寧1 ZHANG Ning

余學(xué)飛1 YU Xuefei

2.南方醫(yī)院皮膚科 廣東廣州 510515

惡性黑色素瘤又稱黑色素瘤，是一種惡性程度較高、臨床預(yù)后較差的惡性皮膚腫瘤，多發(fā)生于皮膚，也見于黏膜和內(nèi)臟器官。惡性黑色素瘤通常由黑色素痣惡變而來，84%來自良性痣[1]。因此，良性痣與黑色素瘤的正確識(shí)別，對(duì)于黑色素瘤的早期診斷、治療尤為重要，早期診斷和治療能有效提高惡性黑色素瘤的治愈率。目前，臨床上常用的惡性黑色素瘤診斷方法是通過活體組織檢查，依據(jù)“ABCD”準(zhǔn)則，即形狀不對(duì)稱（asymmetry）、邊緣不規(guī)則（irregular）、顏色不均勻（nonuniform）、瘤體直徑（diameter）通常大于6 mm。這種方法雖然簡單快捷，但診斷準(zhǔn)確率低、誤診率高，而且需取活體組織進(jìn)行檢查，給患者增加痛苦[2]。隨著計(jì)算機(jī)影像技術(shù)的發(fā)展，臨床醫(yī)師在計(jì)算機(jī)輔助診斷系統(tǒng)的幫助下，可診斷早期皮膚腫瘤，并提高診斷準(zhǔn)確率。已有的輔助診斷算法根據(jù)組織決策分析方法來實(shí)現(xiàn)醫(yī)學(xué)圖像的自動(dòng)分析，主要基于共生矩陣的圖像紋理特征進(jìn)行分類判別，但該方法計(jì)算復(fù)雜度高，正確識(shí)別率低[3-5]。

激光共聚焦掃描顯微鏡（CLSM）又稱“皮膚CT”，是一種無創(chuàng)、安全可靠、早期診斷黑色素瘤的新成像工具，目前臨床醫(yī)師主要根據(jù)CLSM圖像視覺特征和臨床經(jīng)驗(yàn)進(jìn)行肉眼識(shí)別診斷良惡性黑色素瘤，但誤診率高。本研究基于CLSM圖像，選取小波變換的圖像紋理特征，研究在體惡性黑色素瘤的計(jì)算機(jī)輔助診斷算法，以協(xié)助臨床醫(yī)師實(shí)現(xiàn)早期診斷，為進(jìn)一步治療和預(yù)后提供保障。

1 資料與方法

1.1 研究對(duì)象 收集南方醫(yī)院皮膚科40幅常見良性痣與40幅惡性黑色素瘤圖像，所以患者均經(jīng)病理切片檢查證實(shí)。

1.2 儀器與方法 采用美國Lucid VivaScope1500 CLSM，光源為830 nm激光束，輸出功率為1.0~4.5 MJ/cm2，掃描深度為120 μm以內(nèi)的表皮層及真皮淺層組織。CLSM圖像基于細(xì)胞器和組織自身結(jié)構(gòu)的折射率不同而實(shí)現(xiàn)高分辨率。最終所得圖像為灰度圖像，其分辨率為1000×1000像素，每像素8位，圖像以BMP格式存儲(chǔ)。視野（FOV）0.5 mm×0.5 mm，可以對(duì)表皮和真皮組織的細(xì)胞級(jí)結(jié)構(gòu)進(jìn)行成像（圖1）。

圖1 激光共聚焦掃描顯微鏡皮膚圖像。A~C. 常見良性痣圖像示明顯的建筑結(jié)構(gòu)，如基底結(jié)構(gòu)周的痣細(xì)胞群和腫瘤細(xì)胞巢；D~F. 黑色素瘤圖像示黑色素細(xì)胞和結(jié)締組織，無或少有建筑結(jié)構(gòu)。

1.3 算法研究 由皮膚組織的CLSM圖像可知，皮膚組織結(jié)構(gòu)，如細(xì)胞、血管和其他包裹體等呈現(xiàn)出各種形狀。為了避免圖像分析過程中一般方法對(duì)圖像進(jìn)行自動(dòng)分割，本文將尺寸歸一化后的圖像均勻分割成相等大小的正方形單元，然后對(duì)單一的單元分別進(jìn)行分析。

1.3.1 小波變換理論 小波變換是強(qiáng)有力的時(shí)頻分析處理工具，是在克服傅里葉變換缺點(diǎn)的基礎(chǔ)上發(fā)展而來的。它的一個(gè)重要性質(zhì)是能在時(shí)域和頻域均具有很好的局部化特征，能夠提供目標(biāo)信號(hào)各頻率子段的頻率信息。這種信息對(duì)于信號(hào)分類是非常有用的。

圖像的小波變換過程是將圖像信號(hào)分解成不同尺度、不同頻率帶、不同方向的子圖像信號(hào)，從而由粗到細(xì)地對(duì)圖像進(jìn)行分析。圖像的小波變換得到的是一系列小波系數(shù)，離散小波變換可通過矩陣操作（WT）來實(shí)現(xiàn)，公式為：C=WT(B)，B為圖像矩陣，C為小波系數(shù)矩陣，其中圖像 B=f(x,y)；x，y=0,…,L－1。C=c(k,l)；k，l=0,…,L－1；x,y,k,l為圖像像素坐標(biāo)，L為圖像像素尺寸[6]。本文小波基選取為db4，小波分解尺度S=5，因此，每一個(gè)正方形單元圖像可分解3S+1個(gè)子頻率帶（圖2）。圖像分解即為圖像的小波變換過程，通過小波變換，將圖像分解成16個(gè)頻率帶，依次從低頻到高頻標(biāo)為0~15。圖像的主要信息內(nèi)容包含在低頻系數(shù)，而高頻系數(shù)主要反映圖像邊緣、細(xì)節(jié)變換。前4個(gè)頻率帶（0~3）取均值作為低頻帶，其余為高頻帶，共可得到13個(gè)頻率帶。

圖2 圖像分解

1.3.2 基于小波變換的紋理特征提取 基于小波變換的圖像紋理分析方法是基于各個(gè)頻率帶的小波系數(shù)[7]。圖像通過小波變換得到一系列小波系數(shù)矩陣，紋理分析方法的核心就是這些小波系數(shù)的特征提取，主要特征包括每個(gè)子帶小波系數(shù)的標(biāo)準(zhǔn)差FSTD(i)、能量FE(i)和熵值FENT(i)。公式如下：

不同頻率帶的特征反映出圖像在不同尺度的組織結(jié)構(gòu)和細(xì)胞結(jié)構(gòu)。對(duì)每一單元，小波分解后得到16個(gè)頻率帶，由于前4個(gè)頻率帶特征參數(shù)取均值作為一個(gè)頻率帶，因此只需計(jì)算13個(gè)頻率帶，而每個(gè)頻率帶包含標(biāo)準(zhǔn)差、能量、熵值 3個(gè)特征參數(shù)，共可得到39個(gè)特征值。特征提取完成后，利用該特征向量來代表每個(gè)正方形單元，表示方法如下：

其中，i為第i頻率帶，n為第n個(gè)正方形單元，N為研究集正方形單元的總數(shù)，這些特征向量用于下一步分析。

1.3.3 分類 分類是由分類和回歸樹（CART）算法來實(shí)現(xiàn)的。CART是一種具有縱向分析特征的樹型結(jié)構(gòu)，其分析結(jié)果的過程與臨床思維十分相似，因而容易被臨床醫(yī)師理解和接受。CART分析方法分樣本數(shù)據(jù)為訓(xùn)練樣本和測試樣本，通過兩步實(shí)現(xiàn)：種樹（growing tree）和剪枝（pruning and shrinking）。

CART通過創(chuàng)建簡單的二叉樹結(jié)構(gòu)來對(duì)數(shù)據(jù)進(jìn)行分類，算法的輸入為特征向量集，如：

CART分類算法過程：①創(chuàng)建初始的根節(jié)點(diǎn)，它包含所有的訓(xùn)練樣本。②特征向量xn中的每個(gè)特征屬性，用它構(gòu)成問題對(duì)根結(jié)點(diǎn)進(jìn)行提問測試，按照問題回答將根結(jié)點(diǎn)的樣本集分裂為左、右2個(gè)子集，這樣就能為當(dāng)前根結(jié)點(diǎn)生成2個(gè)子結(jié)點(diǎn)。比如：

t為根節(jié)點(diǎn)，U為閾值。③選擇最優(yōu)的提問將根結(jié)點(diǎn)分裂成2個(gè)子結(jié)點(diǎn)。對(duì)每個(gè)屬性劃分，計(jì)算其Gini系數(shù)，Gini metric用來評(píng)估以最優(yōu)的分裂方式進(jìn)行結(jié)點(diǎn)分裂[8]。④對(duì)每個(gè)子結(jié)點(diǎn)重復(fù)上述步驟，從而得到一棵最大的決策樹。然后對(duì)其進(jìn)行剪枝，找出分類錯(cuò)誤最小的子樹作為最終的分類模型。最終葉子結(jié)點(diǎn)的類別即作為測試樣本的CART預(yù)測結(jié)果。

本文算法總流程如圖3所示。

圖3 算法主要流程

2 結(jié)果

為了方便分析，將所有圖像大小歸一化為512×512像素，并進(jìn)行分塊分析（分塊大小依具體而定）。圖像的每個(gè)單元經(jīng)過小波變換提取其13個(gè)頻率帶的標(biāo)準(zhǔn)差、能量、熵值等特征參數(shù)。不同頻率帶的特征反映出圖像在不同尺度的組織結(jié)構(gòu)和細(xì)胞結(jié)構(gòu)，在不同頻率帶內(nèi)，對(duì)良性痣與惡性黑色素瘤局部紋理進(jìn)行小波變換后所得到分解系數(shù)的標(biāo)準(zhǔn)差和能量存在顯著差異，圖4為兩類圖像不同尺度的標(biāo)準(zhǔn)差值對(duì)比結(jié)果，分塊大小為128×128像素。結(jié)果顯示，對(duì)良性痣與惡性黑色素瘤局部紋理進(jìn)行小波變換后所得到的分解系數(shù)標(biāo)準(zhǔn)差存在顯著差異，在多數(shù)中、低頻率帶中良性痣的值比惡性黑色素瘤偏高。

圖4 惡性黑色素瘤與良性痣圖像標(biāo)準(zhǔn)差參數(shù)對(duì)比。A、B分別為良性痣及惡性黑色素瘤圖像

所有圖像進(jìn)行分類時(shí)，為了減少計(jì)算量，分塊大小選取256×256像素，每幅圖像可分成4個(gè)正方形單元，最終將所有單元的特征值作為樣本數(shù)據(jù)進(jìn)行CART分類。本文共采集80例圖像，首先將所有圖像作為整個(gè)研究集，CART分析采用10倍交叉驗(yàn)證方法進(jìn)行分類識(shí)別。同時(shí)，南方醫(yī)院皮膚科多位臨床醫(yī)師依據(jù)相同數(shù)據(jù)樣本圖像，利用已有知識(shí)與經(jīng)驗(yàn)來識(shí)別與區(qū)分良性痣與惡性黑色素瘤，最后結(jié)果取各位醫(yī)師診斷正確率的平均值。然后將整個(gè)研究集隨機(jī)選取40例圖像（20例良性痣與20例惡性黑色素瘤）進(jìn)行訓(xùn)練，另外40例進(jìn)行測試。

本文在已有方法上選取不同特征參數(shù)進(jìn)行分類（表1）。當(dāng)進(jìn)行總樣本數(shù)據(jù)分析時(shí)，分別選取標(biāo)準(zhǔn)差為分類指標(biāo)，標(biāo)準(zhǔn)差、能量為分類指標(biāo)，標(biāo)準(zhǔn)差、能量、熵值作為指標(biāo)進(jìn)行3次試驗(yàn)。結(jié)果顯示，前2次試驗(yàn)在惡性黑色素瘤和良性痣圖像中正確分類率分別為97.50%、88.75%，95.00%、91.25%（正確分類率即分類器的正確率，指分類器正確分類的項(xiàng)目占所有被分類項(xiàng)目的比率）。當(dāng)輸入為所有特征參數(shù)分類時(shí)正確率最高，在惡性黑色素瘤圖像中正確分類率為95.00%，在良性痣中達(dá)92.50%，平均正確率為93.75%。與之相比，臨床CLSM圖像肉眼識(shí)別方法對(duì)惡性黑色素瘤和良性痣的正確分類率只能達(dá)到90%、86%，平均正確率為88%[9,10]。該算法分類結(jié)果明顯優(yōu)于肉眼識(shí)別，提高了診斷準(zhǔn)確率。當(dāng)圖像集被均分為訓(xùn)練集和測試集時(shí)，CART分析在訓(xùn)練集中能正確分類96.25%的黑色素瘤圖像和93.75%的良性痣圖像，平均正確率為95.00%；在測試集中，正確分類率分別為91.25%、87.50%，平均正確率也可達(dá)到89.38%。

表1 已有算法與本文算法比較

3 討論

CLSM是一種用于惡性黑色素瘤早期發(fā)現(xiàn)與診斷的理想輔助成像工具。臨床醫(yī)師利用激光共聚焦掃描顯微鏡通過肉眼來識(shí)別惡性黑色素瘤不僅需要接受一定的訓(xùn)練，而且需要觀察者具備必要的專業(yè)知識(shí)和臨床診斷經(jīng)驗(yàn)。由于個(gè)體差異以及醫(yī)師對(duì)影像信息觀察掌握的局限性，有時(shí)不免會(huì)產(chǎn)生判斷失誤或錯(cuò)誤。

計(jì)算機(jī)輔助醫(yī)學(xué)診斷是通過計(jì)算機(jī)模擬專家思維和推理過程，結(jié)合計(jì)算機(jī)的分析計(jì)算，輔助醫(yī)師發(fā)現(xiàn)病灶，提高診斷準(zhǔn)確率[11,12]。本文基于CLSM圖像，在Matlab開發(fā)環(huán)境上，提取經(jīng)典小波變換的紋理特征，該方法簡易且區(qū)分度高，從而易于圖像的檢測識(shí)別。本文算法提高了臨床惡性黑色素瘤的診斷準(zhǔn)確率，降低了良性痣的誤診率；與病理“金標(biāo)準(zhǔn)”相比，也具有較好的一致性，并且彌補(bǔ)了傳統(tǒng)的病理切片的缺點(diǎn)。因此，對(duì)黑色素瘤的診斷和鑒別診斷具有重要意義。

[1] 李泓馨, 張選棉, 高天文. “皮膚CT”——皮膚病診斷的新手段. 中國皮膚性病學(xué)雜志, 2007, 21(7): 432-434.

[2] 鐘連生, 金鑫, 權(quán)晟, 等. 皮膚三維CT在尋常性銀屑病診斷中的應(yīng)用. 中國皮膚性病學(xué)雜志, 2011, 25(8): 607-608.

[3] Gareau D, Hennessy R, Wan E, et al. Automated detection of malignant features in confocal microscopy on superficial spreading melanoma versus nevi. J Biomed Opt, 2010, 15(6):061713.

[4] Wiltgen M, Gerger A, Smolle J. Tissue counter analysis of benign common nevi and malignant melanoma. Int J Med Inform, 2003, 69(1): 17-28.

[5] Zhang H, Zhang XB. Texture feature extraction based on wavelet transform. International Conference on Computer Application and System Modeling, 2010, 14(10): 146-149.

[6] Gerger A, Smolle J. Diagnostic imaging of melanocytic skin tumors. J Cutan Pathol, 2003, 30(4): 247-252.

[7] Wiltgen M, Gerger A, Wagner C, et al. Evaluation of texture features in spatial and frequency domain for automatic discrimination of histologic tissue. Anal Quant Cytol Histol, 2007,29(4): 251-263.

[8] 錢揖麗, 荀恩東. 基于分類回歸樹CART的漢語韻律短語邊界識(shí)別. 計(jì)算機(jī)工程與應(yīng)用, 2008, 44(6): 169-171.

[9] Gerger A, Koller S, Kern T, et al. Diagnostic applicability of in vivo confocal laser scanning microscopy in melanocytic skin tumors. J Invest Dermatol, 2005, 124(3): 493-498.

[10] Gerger A, Hofmann-Wellenhof R, Samonigg H, et al. In vivo confocal laser scanning microscopy in the diagnosis of melanocytic skin tumours. Br J Dermatol, 2009, 160(3): 475-481.

[11] 劉春, 楊韜, 王娟, 等. 計(jì)算機(jī)輔助診斷技術(shù)中圖像紋理研究的主要方法及其應(yīng)用. 中國組織工程研究與臨床康復(fù),2009, 13(39): 7721-7727.

[12] Erkol B, Moss RH, Stanley RJ, et al. Automatic lesion boundary detection in dermoscopy images using gradient vector fl ow snakes. Skin Res Technol, 2005, 11(1): 17-26.