基于超聲彈性成像的支持向量機(jī)對頸動脈易損斑塊的自動識別

徐游民，劉志，何瓊，羅建文

清華大學(xué) 醫(yī)學(xué)院 生物醫(yī)學(xué)工程系，北京 100084

引言

中風(fēng)是中國第一大殺手[1]，中風(fēng)的一個主要原因是頸動脈粥樣硬化斑塊的破裂[2]。因此，評估頸動脈粥樣硬化斑塊的破裂風(fēng)險（即易損性）對預(yù)防中風(fēng)至關(guān)重要。目前，頸動脈粥樣硬化斑塊的危險性評估主要是根據(jù)超聲成像對斑塊大小和狹窄程度的檢測[3]。在臨床上，當(dāng)斑塊引起的頸動脈狹窄程度大于70%時，醫(yī)生會建議患者做頸動脈內(nèi)膜剝脫術(shù)或血管支架移植手術(shù)[4]。然而有研究表明，很多發(fā)生腦血管事件的患者的頸動脈狹窄程度低于50%[5]。因此，單一頸動脈狹窄程度的判斷標(biāo)準(zhǔn)不夠準(zhǔn)確。另有一些研究表明，經(jīng)過組織學(xué)驗(yàn)證，易損斑塊通常有大的脂質(zhì)核、薄的纖維帽、斑塊內(nèi)出血、炎癥和新生血管等特征，而穩(wěn)定斑塊通常有鈣化、厚的纖維帽以及沒有脂質(zhì)核，因此評估斑塊成分可以有效區(qū)分斑塊的易損性[6]。

目前，多種影像技術(shù)可以應(yīng)用于頸動脈易損性評估，如超聲（Ultrasound，US）、磁共振成像（Magnetic Resonance Imaging，MRI）、正電子發(fā)射型計算機(jī)斷層顯像（Positron Emission Tomography，PET）和X射線電子計算機(jī)斷層掃描（X-Ray Computed Tomography，X-CT）等[7]。PET 對檢查者操作要求高，且存在電離輻射。CT同樣存在電離輻射,且對脂質(zhì)和纖維化成分缺乏足夠的對比度[8]。MRI被認(rèn)為是評估頸動脈粥樣硬化斑塊成分的一種可靠的成像方式[9]。通過對頸動脈內(nèi)膜剝脫術(shù)得到的斑塊樣本進(jìn)行組織學(xué)分析發(fā)現(xiàn)，MRI可以有效地評價頸動脈斑塊的特征，進(jìn)而對斑塊易損性進(jìn)行評估[10]。MRI無電離輻射，但是掃描時間長,檢查費(fèi)用昂貴。而超聲成像性價比高，成像速度快，無電離輻射，適合于大規(guī)模人群的篩查及病情的持續(xù)監(jiān)測。有研究證明，不同的斑塊成分有不同的彈性模量（如楊氏模量）。因此，超聲彈性成像可用于斑塊成分的檢測[11]。de Korte等[12]利用血管內(nèi)超聲彈性成像成功區(qū)分了穩(wěn)定和易損斑塊，但是血管內(nèi)超聲成像有創(chuàng)，且成本高,也不適用于頸動脈。因此，我們需要一種性價比高、無創(chuàng)的血管成像方式去評估頸動脈斑塊的易損性。

近些年來，無創(chuàng)超聲頸動脈彈性成像的研究越來越多。它的基本原理是：首先在體外無創(chuàng)地獲取頸動脈（斑塊）的超聲射頻數(shù)據(jù)，然后用運(yùn)動估計算法進(jìn)行處理，得到位移和應(yīng)變（或應(yīng)變率）分布[13]，反映其彈性模量分布。一些研究結(jié)果證明，超聲頸動脈彈性成像可以有效評估斑塊的易損性[14]，然而，這些研究只是驗(yàn)證了應(yīng)變或應(yīng)變率等單一特征（比如最大值、均值、中值、標(biāo)準(zhǔn)差等）對于評估頸動脈斑塊易損性的可行性，并沒有對未知易損性的頸動脈斑塊（即測試數(shù)據(jù)集）進(jìn)行檢測。

隨著計算機(jī)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)的方法被廣泛應(yīng)用于醫(yī)學(xué)影像研究中。國內(nèi)外開展了很多醫(yī)學(xué)圖像自動分析及計算機(jī)輔助診斷的研究[15]，幫助醫(yī)生自動檢測相關(guān)疾病。采用機(jī)器學(xué)習(xí)的方法可望實(shí)現(xiàn)應(yīng)變或應(yīng)變率的多特征分析，達(dá)到對測試數(shù)據(jù)集中的斑塊自動檢測的功能。支持向量機(jī)（Support Vector Machine，SVM）是目前應(yīng)用較為廣泛的一種機(jī)器學(xué)習(xí)方法[16]。與傳統(tǒng)的機(jī)器學(xué)習(xí)方法以及人工神經(jīng)網(wǎng)絡(luò)方法相比，SVM在樣本數(shù)相對較少、特征維數(shù)高的情況下，仍然具有很好的識別能力。同時，SVM通過“核函數(shù)”和“大間隔”的思想，有效地解決了以下兩個問題。首先，通過核函數(shù)，將原空間的非線性問題轉(zhuǎn)化成新空間中的線性問題，因此，計算可以在低維空間里進(jìn)行，大大減少了計算復(fù)雜度；其次，通過最大化分類間隔，使其在高維空間里仍可以保持很好的分類結(jié)果[17]。因此，國內(nèi)外有越來越多的學(xué)者將SVM方法應(yīng)用于醫(yī)學(xué)影像領(lǐng)域[18-19]。但是，到目前為止，SVM還沒有應(yīng)用于頸動脈易損斑塊的自動檢測中。本研究以高分辨率MRI的診斷結(jié)果作為參考，通過SVM的方法對已知易損性的頸動脈斑塊的超聲彈性成像結(jié)果進(jìn)行訓(xùn)練，得到一個頸動脈易損斑塊的自動識別模型，并對測試數(shù)據(jù)集中的斑塊進(jìn)行自動檢測。

1 材料與方法

1.1 數(shù)據(jù)獲取

本研究涵蓋了197個年齡在58到86歲之間的志愿者，他們在6個月內(nèi)均沒有發(fā)生過明顯心血管事件（比如心臟病、中風(fēng)、心肌梗死和短暫性腦缺血等）。隨后，有經(jīng)驗(yàn)的臨床醫(yī)生用配備L9-3線陣探頭的飛利浦iU22超聲成像系統(tǒng)采集每個志愿者頸動脈長軸方向的超聲射頻數(shù)據(jù)，以用于后續(xù)頸動脈斑塊的應(yīng)變率估計。

同時，每個患者也接受配備自主設(shè)計的36 通道神經(jīng)血管線圈的飛利浦 Achieva TX 3.0 T MRI系統(tǒng)對頸動脈進(jìn)行掃描。MRI有三個多對比度的三維黑血序列，分別是3D-MERGE、VISTA和SNAP[20-22]。MRI沿橫截面采集，覆蓋整個頸動脈，包括頸總動脈、頸動脈分叉、頸內(nèi)動脈和頸外動脈。

為了便于超聲彈性成像的分析以及考慮到較大的斑塊更具有臨床意義，本研究選擇厚度大于2.5 mm的斑塊（即剔除了無頸動脈粥樣硬化斑塊以及動脈粥樣硬化斑塊比較小的數(shù)據(jù)），共計52位志愿者的80例斑塊數(shù)據(jù)用于后續(xù)的分析。

MRI的判讀是在飛利浦工作站上重建MRI切片，并在空間上匹配3D-MERGE，SNAP，VISTA 圖像[20-22]，對比斑塊的信號強(qiáng)度，根據(jù)標(biāo)準(zhǔn)的判別流程識別鈣化（Calcification，Ca）、斑塊內(nèi)出血（Intraplaque Hemorrhage，IPH）和富含脂質(zhì)的壞死核（Lipid-Rich Necrotic Core，LRNC）等斑塊成分。手動分割LRNC和血管壁，獲得LRNC與血管壁橫截面面積之比，將出現(xiàn)IPH或者LRNC面積超過20%的斑塊歸為易損斑塊[23]。最后，80例斑塊中，50例判讀為穩(wěn)定斑塊，30例判讀為易損斑塊。

頸動脈斑塊的應(yīng)變率估計流程如下所述。首先利用光流法，從連續(xù)采集的斑塊超聲射頻數(shù)據(jù)中依次估計出相鄰兩幀間的二維位移（包括軸向和側(cè)向位移）和應(yīng)變（包括軸向和側(cè)向應(yīng)變）。由于側(cè)向估計結(jié)果較差，本研究只采用軸向應(yīng)變估計結(jié)果[24]。為了消除不同幀頻的影響，對應(yīng)變結(jié)果進(jìn)行歸一化，得到應(yīng)變率結(jié)果（應(yīng)變率=應(yīng)變×幀頻）。在所有幀的應(yīng)變率估計完成之后，確定每個心動周期中絕對應(yīng)變率最大的那一幀，然后對其進(jìn)行斑塊分割。斑塊的分割由兩位有豐富經(jīng)驗(yàn)的研究者結(jié)合斑塊的B超圖和應(yīng)變率圖來完成。最后，將斑塊的應(yīng)變率結(jié)果提取出來，用于后續(xù)的特征提取及斑塊易損性分析。

1.2 斑塊特征選擇

本研究采用最大絕對應(yīng)變率（Maximum Absolute Strain Rate，MaxASR）、絕對應(yīng)變率中值（Median Absolute Strain Rate，MedASR）、絕對應(yīng)變99%分位數(shù)（99thPercentile of Absolute Strain Rate，99thASR）、絕對應(yīng)變均值（Mean Absolute Strain Rate，MeanASR）和絕對應(yīng)變標(biāo)準(zhǔn)差（Standard Deviation of Absolute Strain Rate，SDASR）[25]作為頸動脈斑塊的應(yīng)變率特征。

使用受試者工作特征（Receiver Operating Characteristic，ROC）曲線下的面積（Area Under Receiver Operating Characteristic Curve，AUC）[26]，分析不同應(yīng)變率特征對斑塊進(jìn)行分類的效果。首先，通過設(shè)定不同的閾值，畫出某一特征對斑塊進(jìn)行分類的ROC曲線；然后，計算其對應(yīng)的AUC；通過比較不同特征的AUC大小，評估特征與易損斑塊識別的相關(guān)性，以此剔除與易損斑塊識別關(guān)系不大的特征，避免影響后續(xù)分類器的設(shè)計。

1.3 SVM自動識別技術(shù)

假定有線性可分的訓(xùn)練樣本集：

其中每個樣本都是d維向量，y是樣本標(biāo)簽。存在一個超平面：

當(dāng)原始樣本集是非線性的，可以引入核函數(shù)，新空間的決策函數(shù)為：

本研究采用的核函數(shù)為徑向基（Radial Basis Function,RBF）核函數(shù)

本研究先分析各單一特征的AUC，排除AUC值最小的特征，并將剩下的特征按AUC值從大到小排序，分別將前兩個特征、前三個特征、......、前n個特征組合在一起，然后利用SVM方法分別基于單一特征、各個特征組合對斑塊進(jìn)行分類。當(dāng)多特征組合的線性程度降低時，采用RBF核函數(shù)，將原始特征空間的非線性問題轉(zhuǎn)換為新特征空間的線性問題。當(dāng)核函數(shù)為RBF時，的選擇非常重要。太小時，RBF只會作用于支持向量樣本附近，使得該方法在訓(xùn)練樣本上有很高的準(zhǔn)確率，而在測試樣本上分類效果很差；太大時，平滑效應(yīng)太大，無法在訓(xùn)練集上得到特別高的準(zhǔn)確性，進(jìn)而影響在測試集上的分類效果[17]。本研究以基于RBF核函數(shù)的SVM在測試集上的準(zhǔn)確性為指標(biāo)，選擇最優(yōu)的，最后用優(yōu)化后的RBF核函數(shù)，基于各個特征組合對頸動脈易損斑塊進(jìn)行識別。

1.4 評估標(biāo)準(zhǔn)

由于樣本量較少，為了保證數(shù)據(jù)充分利用，本研究采用留一法對數(shù)據(jù)集進(jìn)行交叉驗(yàn)證。留一法的原理是把n個樣本中的n-1個樣本作為訓(xùn)練集，將剩下的一個作為測試集，這樣就有n次訓(xùn)練過程，且每個樣本都預(yù)測了一次，然后取預(yù)測結(jié)果的平均值作為最后預(yù)測結(jié)果[27]。本研究使用靈敏性（Sensitivity，SEN）、特異性（Specificity，SPC）、準(zhǔn)確性（Accuracy，ACC）作為SVM分類的評價指標(biāo)，具體定義如下：

其中TP、FN、TN和FP分別為真陽性、假陰性、真陰性和假陽性。

2 結(jié)果

由單一特征得到的ROC曲線和AUC結(jié)果如圖1、表1所示?？梢钥闯?，頸動脈斑塊彈性成像的99thASR的AUC值最大（0.817），說明該特征與易損斑塊識別的關(guān)聯(lián)性最高；而MedASR的AUC值最?。?.719），表明該特征與易損斑塊識別的相關(guān)性最低。因此，我們剔除了MedASR這個特征，最終選擇了99thASR、MaxASR、SDASR和MeanASR這四個特征用于后續(xù)的SVM分析。

圖1 各個特征的ROC曲線

表1 各個特征的AUC值

基于各個特征，線性核函數(shù)的SVM在測試集上的分類結(jié)果如表2所示?？梢?，當(dāng)選擇的特征分別為99thASR、MaxASR、SDASR時，其準(zhǔn)確率最高（78.8%），而靈敏性、特異性相差不大。

表2 基于各單一特征的線性核函數(shù)的SVM在測試集上的分類結(jié)果（%）

根據(jù)各個特征的AUC值大小排序，取99thASR、MaxASR為兩特征組合，取99thASR、MaxASR和SRASR作為三特征組合，最后將99thASR、MaxASR、SRASR和MeanASR作為四特征組合。

基于兩特征、三特征和四特征組合，線性核函數(shù)的SVM在測試集上的分類結(jié)果如表3所示。對比表3與表2可知，當(dāng)基于兩特征組合時，線性核函數(shù)的SVM的準(zhǔn)確性較單個特征時略微提高，但基于三特征、四特征組合時，靈敏性、準(zhǔn)確性比基于兩特征組合更低。

表3 基于兩特征、三特征和四特征組合，線性核函數(shù)的SVM在測試集上的分類結(jié)果（%）

圖2 靈敏性、特異性、準(zhǔn)確性隨值的變化曲線

表4 基于多特征，采用最優(yōu)值的RBF核函數(shù)的SVM在測試集上的分類結(jié)果（%）

表4 基于多特征，采用最優(yōu)值的RBF核函數(shù)的SVM在測試集上的分類結(jié)果（%）

注：① 99thASR+MaxASR；② 99thASR+MaxASR+SDASR；③99thASR+MaxASR+SDASR+MeanASR。

特征 靈敏性 特異性 準(zhǔn)確性兩特征組合① 66.7 88.8 80.0三特征組合② 70.0 88.0 81.3四特征組合③ 70.0 88.0 81.3

3 討論

本研究以高分辨率MRI診斷結(jié)果作為參考，根據(jù)AUC分析超聲頸動脈彈性成像獲得的應(yīng)變率特征與頸動脈易損斑塊識別的相關(guān)性，選擇99thASR、MaxASR、SDASR和MeanASR等四個特征用于后續(xù)分析；進(jìn)一步，按照AUC值大小順序形成兩特征、三特征和四特征組合，利用線性核函數(shù)的SVM分別基于單一特征和多特征對斑塊進(jìn)行分類。結(jié)果表明，三特征、四特征組合的線性核函數(shù)的SVM的靈敏性、準(zhǔn)確性比兩特征的要差，說明當(dāng)線性核函數(shù)的SVM分類結(jié)果較差的特征加入時，組合的特征線性程度會降低。最后，以靈敏性和準(zhǔn)確性為指標(biāo)，對RBF核函數(shù)的參數(shù)進(jìn)行優(yōu)化，用四特征組合獲得更好的斑塊分類結(jié)果。

采用RBF核函數(shù)的SVM方法能夠?qū)崿F(xiàn)頸動脈易損斑塊的自動識別，并通過“大間隔”和“核函數(shù)”的思想，在保證靈敏性和準(zhǔn)確性的情況下，大大減少運(yùn)算時間。表5是當(dāng)99thASR、MaxASR、SDASR和MeanASR四特征組合在一起時，線性核函數(shù)的SVM、RBF核函數(shù)的SVM、logistic回歸（Logistic Regression，LR）[28]及K最近鄰（K-Nearest Neighbor，KNN）[17]方法的分類結(jié)果與耗時對比。

表5 基于四特征的不同分類方法在測試集上分類結(jié)果與耗時

其中，logistic回歸分類由隨機(jī)梯度下降法實(shí)現(xiàn)，KNN方法中選擇了最優(yōu)的K值，K=3。由表5可見，RBF核函數(shù)的SVM方法在保證高靈敏性、準(zhǔn)確率的條件下，耗時更低；其時間復(fù)雜度主要跟支持向量的個數(shù)（一般小于樣本數(shù)量）有關(guān)。logistic回歸分類過程需要利用梯度下降法，在每次更新回歸系數(shù)時遍歷整個數(shù)據(jù)集，如果樣本量及樣本維度增大，時間復(fù)雜度大大增高[28]。對于KNN方法，新樣本需要和每一個樣本計算距離,再通過排序找出前K個最近鄰，對于大樣本而言計算量也非常大[17]。當(dāng)樣本量增大時，RBF核函數(shù)的SVM方法在保證高的靈敏性、特異性、準(zhǔn)確性的情況下，能夠快速計算，因此該 方法性能更優(yōu)。

本研究存在一些局限性。首先，本研究采用頸動脈長軸方向的掃描，只能涵蓋前壁和后壁的斑塊，而無法包含血管側(cè)壁的斑塊，可能會對模型的訓(xùn)練造成影響。其次，本研究使用的特征來源于手動分割的頸動脈斑塊應(yīng)變率結(jié)果；手動分割受人為因素影響較大，容易將邊界處的噪聲劃入斑塊區(qū)域，影響本研究分類的準(zhǔn)確性。再次，本研究所使用的特征均為一階應(yīng)變率特征；用灰度共生矩陣、Hough變換、小波變換等方法可以提取斑塊的二階特征[29]，可能可以提高SVM分類的準(zhǔn)確性。此外，本研究的樣本量比較少；當(dāng)樣本量足夠大后，可以采用SVM自動識別方法對斑塊成分進(jìn)行進(jìn)一步的統(tǒng)計分析，可能可以提高訓(xùn)練模型對斑塊易損性識別的準(zhǔn)確性。

4 結(jié)論

本研究以高分辨率MRI的診斷結(jié)果作為參考，開展了基于超聲彈性成像的支持向量機(jī)對頸動脈易損斑塊進(jìn)行自動識別的研究。首先，利用AUC來評估超聲彈性成像獲得的應(yīng)變率特征與易損斑塊識別的相關(guān)性，選出四個特征。接著，采用基于RBF核函數(shù)的SVM方法，并利用訓(xùn)練得到的模型對測試數(shù)據(jù)進(jìn)行自動識別。結(jié)果表明，當(dāng)這四個特征組合在一起時，采用最優(yōu)值的RBF核函數(shù)，SVM方法對80例頸動脈斑塊進(jìn)行分類的效果最好。本研究初步驗(yàn)證了基于超聲彈性成像的支持向量機(jī)用于頸動脈易損斑塊自動識別的可行性。