基于超聲圖像的乳腺鈣化點自動檢測技術(shù)*

劉洋洋，任麗，曹雪虹,，童瑩 △

(1.南京工程學(xué)院信息與通信工程學(xué)院，南京 210016；2.南京郵電大學(xué)通信與信息工程學(xué)院，南京 210003)

1 引 言

乳腺腫瘤因其初期臨床表現(xiàn)存在體征隱匿、不明顯現(xiàn)象，對其確診一般較晚，因而實現(xiàn)乳腺腫瘤的早期檢測具有重要意義[1-2]?，F(xiàn)有的診斷手段包括X線攝影、超聲檢查等，其中超聲檢查發(fā)展較快，具有無輻射、價格低等優(yōu)點[3-4]。研究表明，惡性鈣化與乳腺腫瘤密切相關(guān)，鈣化可以作為乳腺腫瘤的重要影像學(xué)特征[5-6]。2014年，關(guān)于乳腺影像報告和數(shù)據(jù)系統(tǒng)(BI-RADS)簡介中對于鈣化提出了精確描述：粗鈣化定義為“通常大于0.5 mm的不規(guī)則、明顯的鈣化”，細(xì)小多形鈣化定義為“直徑小于0.5 mm，形狀和面積各不相同的鈣化”[7]。乳腺鈣化形成原因較多，與乳腺癌變有明顯相關(guān)性，因而，分析乳腺鈣化點的分布及數(shù)目在乳腺腫瘤自動判別系統(tǒng)中具有重要價值[8-9]。

在乳腺影像學(xué)圖像中，大部分鈣化點具有較高的亮度，存在一個較為清晰的輪廓，但是鈣化點的位置分布和形態(tài)上具有明顯差異性[10-11]。根據(jù)鈣化點的這些特征，目前基于乳腺X光片的鈣化點檢測方法包括基于小波變換的處理方法、基于統(tǒng)計學(xué)的方法、基于先驗?zāi)Ｐ偷娜橄兮}化點檢測算法以及這幾種方法的綜合應(yīng)用，這些方法具有一定的復(fù)雜性，但均取得了一定的效果[11-15]。然而，這些方法難以直接應(yīng)用于乳腺的超聲圖像中，由于超聲圖像固有的成像特點，基于單像素的圖像處理方法難以消除超聲斑點噪聲造成的影響，導(dǎo)致分割精度嚴(yán)重下降[16-17]。因此，針對超聲圖像中單像素存在的問題以及鈣化點檢測技術(shù)的快速穩(wěn)定性，本研究提出了一種基于超像素和灰度特征的乳腺超聲圖像鈣化點自動檢測技術(shù)。

超像素分割算法是利用像素點的一些特征，先將圖像分成大量不規(guī)則的小塊(超像素)，然后再進(jìn)行后續(xù)的處理，一方面彌補(bǔ)了單像素處理帶來的低精度問題，另一方面也降低了后續(xù)的復(fù)雜性，加快運算速度[18]。2003年，Ren等[19]首次提出了超像素的概念，之后Achanta等[20]提出了簡單線性迭代聚類的算法(SLIC)，發(fā)現(xiàn)改進(jìn)后的K均值聚類算法生成超像素具有顯著的處理速度與存儲效率。本研究首先將乳腺超聲圖像中的感興趣區(qū)域 (region of interest，ROI)提取出來，將ROI分割成多個同質(zhì)子區(qū)域(超像素)；然后通過提取表征各超像素的特征量，構(gòu)建基于灰度特征的鈣化顯著圖，基于顯著圖獲取粗鈣化點；最終對于分割后的粗鈣化區(qū)域進(jìn)行形態(tài)學(xué)檢測，達(dá)到超聲圖像的細(xì)鈣化點自動檢測。此方法取得了較好的分割效果，具有較強(qiáng)的魯棒性。

2 實驗方法

2.1 實驗數(shù)據(jù)

超聲乳腺腫瘤數(shù)據(jù)來源于江蘇省中醫(yī)院(VINNO 70超聲診斷儀，飛依諾科技有限公司，蘇州)，探頭發(fā)射頻率為5～14 MHz。實驗數(shù)據(jù)庫中包括192張圖片，其中惡性腫瘤圖片71張，良性腫瘤圖片121張，所有超聲圖像的良惡性判別標(biāo)準(zhǔn)以活檢結(jié)果為準(zhǔn)。所有數(shù)據(jù)均獲得受試者書面同意，且符合醫(yī)院人體倫理認(rèn)可。

2.2 超像素分割

為了避免不同的腫瘤分割技術(shù)引起的誤差，通過醫(yī)生勾勒的腫瘤二值模板將腫瘤部分提取出來，令腫瘤以外的部分為黑色，獲取腫瘤超聲圖像ROI，見圖1。

圖1乳腺腫瘤超聲圖像

(a).原始超聲圖像;(b).腫瘤二值模板;(c).ROI提取結(jié)果

Fig.1Ultrasound image of breast tumors

(a).original ultrasound image;(b).tumor binary template;(c).ROI extraction results

乳腺腫瘤ROI的超像素分割采用SLIC 超像素分割算法，該算法處理速度與存儲效率均優(yōu)于其它算法，為了提高分割的實時性，研究中將腫瘤圖像中的ROI(非ROI設(shè)置為黑色)分割成內(nèi)部顏色相近的超像素塊。該算法首先將彩色圖像轉(zhuǎn)換為CIELAB 圖像空間，然后對于五維空間向量進(jìn)行k-means聚類，部分算法步驟如下：

(1)獲取聚類中心：若圖片有像素點N個，設(shè)定分割為K個超像素塊(大小為N/K)，相鄰種子點的距離約為S=sqrt(N/K)；

(2)調(diào)節(jié)聚類中心；

(3)聚類；

(4)距離度量：對于每個搜索到的像素點，分別計算它和對應(yīng)聚類中心的距離，取最小值對應(yīng)的種子點作為該像素點的聚類中心。距離計算方法如下：

(1)

(2)

(3)

其中，dc代表顏色距離，ds代表空間距離，Ns是類內(nèi)最大空間距離。(Ns=S=sqrt(N/K))，最大的顏色距離Nc與圖片和聚類相關(guān)，這里取一個固定常數(shù)m(取值范圍[1,40]，取10)代替。最終的距離度量D′如下：

(4)

(5)迭代：理論上上述步驟不斷迭代直至誤差收斂，研究中迭代次數(shù)為10。

設(shè)定分割的超像素塊數(shù)為600塊(通過試驗塊數(shù)500、600、700、800、900、1 000，發(fā)現(xiàn)600塊時得到的鈣化點與醫(yī)生勾畫最相近)，超像素分割圖見圖2。

圖2 腫瘤ROI中的超像素分割

接著統(tǒng)計超像素塊中像素點的個數(shù)，比較每個超像素塊中所有像素的灰度值，取灰度最大值代表該超像素塊的灰度值，取所有超像素的平均位置(橫坐標(biāo)均值，縱坐標(biāo)均值)代表超像素塊的位置，得到超像素圖Si(i)。

2.3 基于灰度特征的鈣化點顯著圖

見圖1(a)，超聲圖像中心部位具有若干鈣化點，具有相對高的亮度，與周圍組織存在較大的對比度。雖然鈣化點比周圍的像素更易被人眼發(fā)現(xiàn)，但由計算機(jī)進(jìn)行自動分割時存在困難，如果超聲圖像本身具有多噪聲特點，圖像中有其它高亮度組織難以與鈣化點區(qū)分。因而，本研究以3×3鄰域的思想為依據(jù)，選擇相鄰超像素塊進(jìn)行比較，獲取灰度值較大的超像素塊出現(xiàn)頻率，結(jié)合頻率圖計算鈣化點顯著圖。

設(shè)定每個超像素塊的灰度值為qc，將qc與該超像素塊相鄰的p(p=8)個像素塊的灰度值q進(jìn)行比較，若該超像素塊的灰度值大于相鄰1個的超像素塊灰度值，則該超像素塊的位置被標(biāo)記被1/p；若該超像素塊的灰度值均小于相鄰的超像素塊灰度值，則該超像素塊的位置被標(biāo)記被0，依次計算每個超像素塊的線索表f。

(5)

式中，T為選取的灰度閾值。將線索表f與超像素圖Si(i)相乘得到鈣化點顯著圖So(i)，見圖3。

圖3 基于灰度特征的鈣化點顯著圖

2.4 粗、細(xì)鈣化點檢測

獲取鈣化點顯著圖后，基于灰度值進(jìn)行粗鈣化點分割，在這里采用經(jīng)典的Otsu算法，即求得最佳閾值來區(qū)分背景、目標(biāo)兩類像素，使得背景和目標(biāo)能夠明顯區(qū)分開來。通過Otsu算法分割出的區(qū)域定義為粗鈣化點，需要進(jìn)一步處理獲取細(xì)鈣化點。經(jīng)研究發(fā)現(xiàn)，粗鈣化點包括一些不規(guī)則形狀但灰度值較大的腫瘤內(nèi)部組織，為了排除這種情況，采用類圓性或者類橢圓性去篩選出細(xì)鈣化點，考慮到鈣化點的形狀是類似橢圓或者圓的，見式(6)。實驗證明，若計算超像素塊的SC的值在0.9～1.3之間，則為最終的鈣化點。

(6)

式中，通過將區(qū)域內(nèi)像素點個數(shù)進(jìn)行統(tǒng)計獲得面積S，邊界周長L可通過統(tǒng)計區(qū)域邊緣上像素點的個數(shù)獲得。

3 結(jié)果與討論

3.1 基于超聲圖像的乳腺鈣化點自動檢測結(jié)果

本研究的實驗平臺為64 位Windows 10;CPU：Core(TM)2 Duo E7400;RAM：4 G。使用MATLAB 2017 a版本，基于開源SLIC源碼實現(xiàn)本研究算法。利用本研究算法，選擇的圖片中鈣化點檢測的結(jié)果見圖4。

圖4鈣化點檢測結(jié)果

(a).乳腺腫瘤超聲ROI;(b).粗鈣化點檢測結(jié)果;(c).細(xì)鈣化點檢測結(jié)果

Fig.4Calcification point detection results

(a).breast tumors ROI;(b).rough calcification point detection results;(c).fine calcification point detection results

圖4(a)中間部位有明顯的3個鈣化點，在腫瘤邊緣部分也包含高亮的部分但不是鈣化點，圖4(b)為粗鈣化點檢測結(jié)果，圖中有明顯的錯誤鈣化點被檢測出來，但圖4(c)的最終鈣化檢測結(jié)果準(zhǔn)確率很高，證明本研究算法能夠應(yīng)用于此超聲圖像。

3.2 鈣化點檢測結(jié)果比較

本研究數(shù)據(jù)庫中包括惡性腫瘤圖片71張(符合活檢結(jié)果)，其中50張腫瘤超聲圖像中有鈣化點出現(xiàn)，出現(xiàn)的位置以及鈣化點大小、形狀均有差異，見圖5、圖6。同屬于惡性腫瘤超聲圖像，圖5中具有一個較不明顯的鈣化點，但圖6中明顯沒有鈣化點的存在。由于超聲圖像的低分辨率，針對不同的惡性腫瘤超聲圖像，醫(yī)生對鈣化點的認(rèn)定沒有清晰的界限，醫(yī)生的勾畫只標(biāo)注出鈣化點的位置?；诒狙芯康淖詣訖z測算法均能獲取一個較為準(zhǔn)確的實驗結(jié)果。

圖5 鈣化點檢測結(jié)果

(a).extraction results of breast tumors A;(b).rough calcification point detection results of breast tumors A;(c).fine calcification point detection results of breast tumors A;(d).scanning results of doctors

圖6 鈣化點檢測結(jié)果

(a).乳腺腫瘤B提取結(jié)果;(b).乳腺腫瘤B粗鈣化點檢測結(jié)果;(c).乳腺腫瘤B細(xì)鈣化點檢測結(jié)果;(d).醫(yī)生勾畫結(jié)果

Fig.6Calcification point detection results

(a).extraction results of breast tumors B;(b).rough calcification point detection results of breast tumors B;(c).fine calcification point detection results of breast tumors A;(d).scanning results of doctors

4 結(jié)論

本研究提出了一種基于超像素和灰度顯著性的乳腺鈣化點的自動檢測方法，實驗方法簡單、檢測效果明顯，檢測結(jié)果與醫(yī)生勾畫結(jié)果基本相符，是一種行之有效的快速檢測方法，為形成具有普適性的腫瘤自動診斷方案奠定了研究基礎(chǔ)。但是，本研究的鈣化點檢測技術(shù)是基于醫(yī)生的專業(yè)勾畫基礎(chǔ)上，鈣化點勾畫準(zhǔn)確性與腫瘤分割結(jié)果具有強(qiáng)相關(guān)性，尋找準(zhǔn)確有效的腫瘤分割算法將會得到更好的檢測結(jié)果。在今后的研究工作中，應(yīng)結(jié)合相關(guān)理論獲取更有效的腫瘤分割算法和鈣化點檢測方法。