計(jì)算機(jī)輔助系統(tǒng)在診斷乳腺良惡性腫瘤中的應(yīng)用

吳秀明，王霞麗，呂國(guó)榮，魏夢(mèng)婉，杜永兆，，柳培忠，

1.福建醫(yī)科大學(xué)附屬泉州第一醫(yī)院超聲科，福建泉州362000；2.泉州醫(yī)學(xué)高等?？茖W(xué)校省級(jí)母嬰健康服務(wù)應(yīng)用技術(shù)協(xié)同創(chuàng)新中心，福建泉州362000；3.華僑大學(xué)工學(xué)院，福建泉州362000

前言

乳腺癌嚴(yán)重影響著女性健康，根據(jù)世界衛(wèi)生組織的數(shù)據(jù)，乳腺癌的發(fā)病率一直呈上升趨勢(shì)，而早期診斷和治療是提高乳腺癌生存率的重要手段［1］。超聲是目前最常用的乳腺腫瘤早期檢查手段之一，然而正確解讀超聲圖像依賴醫(yī)師的臨床經(jīng)驗(yàn)，主觀性因素的干擾影響其可靠性及可重復(fù)性［2-3］。利用計(jì)算機(jī)輔助技術(shù)（Computer Aided Detection,CAD）可有效地區(qū)分乳腺腫塊的良惡性，但鮮有報(bào)道［4-8］。因此，本研究探討CAD在良惡性檢測(cè)與特征提取基礎(chǔ)上的分類對(duì)于乳腺腫瘤的診斷價(jià)值。

1 資料與方法

1.1 病例資料

回顧性分析2017年1月～2018年12月于泉州市第一醫(yī)院乳腺超聲影像檢查發(fā)現(xiàn)腫瘤的1 016 例患者超聲影像資料，有既往乳腺手術(shù)史和影像圖片質(zhì)量不佳、臨床資料不完整的病例給予剔除，最終獲得617例乳腺超聲圖像，根據(jù)BⅠ-RADS評(píng)分系統(tǒng)對(duì)其實(shí)施分級(jí)診斷［9］，診斷結(jié)果為惡性267 例，良性350 例，所有病例均經(jīng)過(guò)超聲科醫(yī)師診斷及術(shù)后病理學(xué)證實(shí)，且超聲圖片質(zhì)量合格，臨床資料完整。

1.2 儀器與方法

采用PHⅠLⅠPS iu22、PHⅠLⅠPS iu Elite 等彩超診斷儀，探頭頻率12 MHz?；颊呷⊙雠P位，于乳腺各個(gè)象限作縱切面和橫切面掃查。在病灶位置重點(diǎn)觀察腫塊的邊緣形態(tài)、周圍聲暈、內(nèi)部回聲、后方衰減等，采集不加彩色血流、不加標(biāo)注的原始圖像供計(jì)算機(jī)分析。

1.3 計(jì)算機(jī)輔助乳腺腫瘤良惡性檢測(cè)方法

CAD腫瘤良惡性檢測(cè)方法流程如圖1所示，主要包括圖像預(yù)處理、特征提取及分類器設(shè)計(jì)等幾個(gè)部分。

圖1 CAD乳腺腫瘤良惡性檢測(cè)方法流程圖Fig.1 Flowchart of benign and malignant breast tumors detection by computer-aided detection

1.4 圖像預(yù)處理

如圖2所示，圖像邊緣有很多文本及其他干擾信息，有必要為圖像選擇ROⅠ。但是由于腫瘤的大小、形狀及其在圖像中的分布位置并不固定，很難自動(dòng)選取ROⅠ和腫瘤輪廓。因此，為了保證ROⅠ和腫瘤輪廓的準(zhǔn)確性，我們采用人工提取的方式，過(guò)程如圖3所示。

1.5 特征提取

目前對(duì)超聲圖像提取的特征主要包括形態(tài)學(xué)、統(tǒng)計(jì)學(xué)、紋理以及分布等特征。本文主要采用圖像的形態(tài)學(xué)特征及紋理特征，是圖像物體表面的重要特性，包含了圖像中各像素間的空間分布關(guān)系。利用HOG［10］計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域梯度方向直方圖來(lái)形成特征，利用LBP［11］描述圖像局部紋理特征，利用GLCM［12］提取包括能量、熵、對(duì)比度、相關(guān)度等紋理特征，結(jié)合HOG、LBP及GLCM 的特征提升乳腺腫瘤良惡性檢測(cè)的效果。

1.6 SVM分類器算法

本文對(duì)SVM 分類器進(jìn)行研究［13］，具體方法是利用核函數(shù)將原始數(shù)據(jù)映射到高維空間，得到?jīng)Q策超平面。

1.7 人工診斷方法

由兩名熟悉超聲儀器、具有醫(yī)學(xué)專業(yè)主治醫(yī)師以上職稱的醫(yī)師聯(lián)合提出診斷。

1.8 統(tǒng)計(jì)學(xué)方法

采用SPSS 19.0 軟件進(jìn)行數(shù)據(jù)處理，計(jì)量數(shù)據(jù)用均數(shù)±標(biāo)準(zhǔn)差表示。計(jì)算人工診斷、HOG、LBP、GLCM 單特征以及三特征融合CAD方法鑒別良惡性腫瘤的敏感性、特異性、陰性預(yù)測(cè)值、陽(yáng)性預(yù)測(cè)值、準(zhǔn)確率及ROC曲線下面積（AUC）值。組間比較采用χ2檢驗(yàn)，AUC值的比較采用McNemar配對(duì)檢驗(yàn)，P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

圖2 乳腺超聲圖像樣本Fig.2 Samples of breast ultrasound images

圖3 圖像預(yù)處理過(guò)程Fig.3 Image preprocessing

2 結(jié)果

利用如圖1 所示的CAD 乳腺腫瘤良惡性檢測(cè)方法，對(duì)所有乳腺腫瘤病例進(jìn)行訓(xùn)練及測(cè)試，基于SVM分類算法的各種特征提取方法得到的對(duì)比結(jié)果如表1所示。

表1 SVM分類算法結(jié)果Tab.1 Classification results based on support vector machine

多特征融合方法的各項(xiàng)診斷效能及AUC值均優(yōu)于單特征LBP、HOG、GLCM（P值均＜0.05），見(jiàn)圖4。與人工診斷相比，多特征融合的敏感性無(wú)顯著差異，但特異度顯著升高達(dá)98.57%（Z值=2.25,P＜0.05），同時(shí)AUC值為0.985，顯著優(yōu)于人工診斷的0.910（Z值=1.99,P＜0.05）。

圖4 SVM分類算法結(jié)果的ROC曲線比較Fig.4 Comparison of receiver operating characteristic curves of classification results based on support vector machine

3 討論

上世紀(jì)90年代以來(lái)，乳腺癌的發(fā)病率逐年升高。根據(jù)世界衛(wèi)生組織的數(shù)據(jù)，乳腺癌每年造成50 多萬(wàn)人死亡，每年有170萬(wàn)新病例被確診為乳腺癌［14］。超聲檢查因其無(wú)創(chuàng)性、可重復(fù)性強(qiáng)、費(fèi)用低等優(yōu)點(diǎn)，是目前最常用的乳腺腫瘤早期篩查手段之一［15］。然而，正確解讀超聲圖像需要醫(yī)生具備較高的技術(shù)和臨床經(jīng)驗(yàn)，且診斷結(jié)果往往較為主觀，容易導(dǎo)致漏診和誤診［16］。部分無(wú)法直接通過(guò)影像結(jié)果確診的患者需要進(jìn)行活檢，但活檢是一種侵入性檢查，并且大部分檢查結(jié)果是良性的，這將給患者的生理和心理健康帶來(lái)危害［17］。因此，利用CAD 對(duì)乳腺腫瘤進(jìn)行良惡性分析的方法應(yīng)運(yùn)而生。CAD 可以從超聲圖像中檢測(cè)出人眼無(wú)法獲取的信息，如紋理信息、邊緣信息等，給醫(yī)生提供可靠的輔助診斷意見(jiàn)，不僅利于緩解醫(yī)生的工作負(fù)荷，減少因醫(yī)生經(jīng)驗(yàn)不足或視覺(jué)疲勞等主觀原因引起的誤診，也為病人降低了活檢率，減輕痛苦。

鑒于此，CAD 技術(shù)的研究應(yīng)用也在國(guó)內(nèi)外受到了廣泛關(guān)注。對(duì)于乳腺超聲圖像腫瘤良惡性檢測(cè)的研究方法主要分為兩大類：（1）基于手工提取特征的方法：Gomez等［5］通過(guò)提取病灶周圍最小邊界矩形區(qū)域計(jì)算出灰度共生矩陣，并分別從6個(gè)量化水平、4個(gè)方向和10 個(gè)距離計(jì)算出22 個(gè)共生統(tǒng)計(jì)量，采用Fisher 線性判別分析對(duì)紋理特征的判別能力進(jìn)行評(píng)價(jià)；汪源源等［5］提出基于形態(tài)特征判別超聲圖像中乳腺腫瘤的良惡性方法，先提取超聲圖像中乳腺腫瘤的邊緣，然后對(duì)所得邊緣計(jì)算相應(yīng)的3 種形態(tài)參數(shù)，最后分別采用Fisher線性判據(jù)、誤差反向傳播神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)形態(tài)參數(shù)進(jìn)行分類［18］；吳英等［7］探討采用遷移學(xué)習(xí)方法對(duì)乳腺良惡性腫瘤超聲圖像分類的價(jià)值，指出乳腺惡性腫瘤的邊緣模糊度、硬度、腫瘤后方與周圍區(qū)域回聲差異、鄰域灰度差矩陣粗糙度及水平方向高頻分量和垂直方向低頻分量的直方圖能量均明顯高于良性腫瘤。（2）基于深度學(xué)習(xí)自動(dòng)提取特征的方法：Shi 等［19］使用深度多項(xiàng)式網(wǎng)絡(luò)從超聲圖像中提取紋理特征，再進(jìn)行良惡性分類；Qi 等［20］將采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的Mt-Net和Sn-Net 兩個(gè)子網(wǎng)絡(luò)連接起來(lái)，對(duì)乳腺腫瘤圖像進(jìn)行深度學(xué)習(xí)特征提取。這些研究顯示多特征融合方法的各項(xiàng)診斷效能及AUC 值均優(yōu)于單特征LBP、HOG、GLCM（P值均＜0.05），表明基于計(jì)算機(jī)輔助技術(shù)的乳腺超聲圖像診斷可以有效區(qū)分腫塊的良惡性，在臨床診斷上有很大的應(yīng)用前景。

本文提出一種基于超聲圖像的HOG、LBP 和GLCM 3 個(gè)特征融合的計(jì)算機(jī)輔助診斷乳腺良惡性腫瘤方法。結(jié)果表明，聯(lián)合多種紋理特征的多特征融合方法比單個(gè)紋理特征在診斷乳腺疾病方面的各項(xiàng)效果更好。本研究結(jié)果還表明，通過(guò)多特征融合方法對(duì)超聲乳腺腫瘤進(jìn)行自動(dòng)分類的診斷效能優(yōu)于人工診斷分類（P＜0.05），有效減少人為診斷所需要耗費(fèi)的精力和時(shí)間，有望為臨床鑒別提供輔助診斷依據(jù)。由于本文的實(shí)驗(yàn)數(shù)據(jù)來(lái)自不同超聲設(shè)備及不同操作醫(yī)生，實(shí)驗(yàn)結(jié)果受其影響。希望在今后的進(jìn)一步研究中，能夠解決超聲設(shè)備及檢查人員等存在的問(wèn)題。