用于乳腺癌診斷的超聲彈性圖像特征選擇與分類實(shí)驗(yàn)

【作 者】張耀楠，張永亮,，肖楊

1 西安思源學(xué)院電子信息工程學(xué)院，西安市，710038

2 東北大學(xué)中荷生物醫(yī)學(xué)與信息工程學(xué)院，沈陽市，110169

3 中國科學(xué)院深圳先進(jìn)技術(shù)研究院生物醫(yī)學(xué)與健康工程研究所，深圳市，518055

用于乳腺癌診斷的超聲彈性圖像特征選擇與分類實(shí)驗(yàn)

【作 者】張耀楠1,2，張永亮2,3，肖楊3

1 西安思源學(xué)院電子信息工程學(xué)院，西安市，710038

2 東北大學(xué)中荷生物醫(yī)學(xué)與信息工程學(xué)院，沈陽市，110169

3 中國科學(xué)院深圳先進(jìn)技術(shù)研究院生物醫(yī)學(xué)與健康工程研究所，深圳市，518055

乳腺癌是女性最常見的惡性腫瘤，而怎樣利用超聲彈性圖像定量地診斷乳腺癌還是尚未解決的問題。該文根據(jù)乳腺腫塊圖像彈性信息，提取5個彈性特征來描述腫瘤的彈性屬性；提取腫塊的4個灰度共生矩陣特征來描述乳腺腫塊的紋理特征。為進(jìn)一步研究應(yīng)用SVM分類器，對這些特征進(jìn)行訓(xùn)練而完成分類，并且運(yùn)用一致性、分類精度、ROC曲線及曲線下面積AUC對分類結(jié)果進(jìn)行評估。利用超聲彈性成像設(shè)備從實(shí)際病人采集數(shù)據(jù)，共采集了142例患者195個病灶的圖像數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，提取出的彈性特征分類性能良好，而支持向量機(jī)比較適合乳腺圖像分類，分類精度比較高，有比較好的診斷價值。同時也發(fā)現(xiàn)，提取的灰度共生矩陣特征診斷價值比較低，參考意義較少。

超聲；彈性圖像；紋理；SVM分類器；乳腺癌

0 引言

乳腺癌是女性最常見的惡性腫瘤之一，其發(fā)病率已居女性惡性腫瘤首位。超聲因?yàn)楸阋?、無創(chuàng)傷、靈便、無輻射等優(yōu)點(diǎn)，已經(jīng)成為了診斷乳腺疾病的常規(guī)影像學(xué)方法之一，而超聲彈性成像(Ultrasound Elastography，UE)是將人體組織的軟硬程度顯示為彩色圖像，可以幫助醫(yī)生診斷乳腺腫瘤良惡性，能夠?yàn)榕R床診斷提供更準(zhǔn)確信息，已經(jīng)顯示出良好的前景[1-2]。

彈性成像的概念被提出后，在最近的幾十年間得到了快速的發(fā)展，已經(jīng)成為了諸多醫(yī)學(xué)應(yīng)用領(lǐng)域廣泛關(guān)注的課題。1998年Krouskop 等[3-4]學(xué)者發(fā)現(xiàn)乳腺內(nèi)部彈性系數(shù)由于組織的不同而各不一樣，彈性系數(shù)按大小排列依次為浸潤性導(dǎo)管癌、非浸潤性導(dǎo)管癌、乳腺纖維化、正常乳腺組織和脂肪組織。2004年Itoh[5]最早提出彈性成像評分系統(tǒng)，之后日本Tsukuba大學(xué)的植野教授提出5分法，對乳腺腫瘤的彈性進(jìn)行分級，并且提出以UE評分≥3分作為惡性病變的診斷標(biāo)準(zhǔn)。但是植野教授提出的評分法不能夠包含所有類型的UE 圖像，這使得檢測結(jié)果出現(xiàn)誤診或漏診情況；繼而中山大學(xué)第二附屬醫(yī)院羅葆明教授[6]提出改良5分法，目前臨床多采用改良的5分法評分標(biāo)準(zhǔn)；隨后，沈建紅等提出新的7分法評分標(biāo)準(zhǔn)，曾婕等提出8分評分標(biāo)準(zhǔn)。還有學(xué)者提出一種新的估算組織硬度的方法，即應(yīng)變率比值（Strain Ratio， SR）法，它是一種定量估算的方法，通過計(jì)算病灶區(qū)域和周圍組織區(qū)域的應(yīng)變率的比值，推斷出病灶相對于周圍正常組織的硬度，該彈性特征主要用于占位性病變的檢測和診斷[7-9]。

超聲彈性成像技術(shù)已經(jīng)有一些成熟的產(chǎn)品，開始在臨床得到應(yīng)用，但現(xiàn)在醫(yī)生面臨的問題是怎樣利用這些新的成像模式定量地進(jìn)行診斷，這方面還有不少工作需要完成。針對此問題，本文根據(jù)乳腺腫塊圖像彈性方面信息，提取5個彈性特征來描述腫瘤的屬性；提取腫塊的4個灰度共生矩陣特征來描述乳腺腫塊的紋理特征；提取圓度特征來描述腫塊的形狀變化情況。這些特征對于乳腺腫瘤的定量鑒別有著重要意義。本文進(jìn)一步研究應(yīng)用SVM(Support Vector Machine)分類器，對這些特征進(jìn)行訓(xùn)練，完成分類，并且運(yùn)用一致性、分類精度、ROC曲線及曲線下面積AUC對分類結(jié)果進(jìn)行評估，以評價特征分類性能的好壞。

1 數(shù)據(jù)采集

本文所用數(shù)據(jù)是由科學(xué)院深圳先進(jìn)技術(shù)研究院保羅·勞特伯生物醫(yī)學(xué)成像研究中心國家工程超聲實(shí)驗(yàn)室和中山大學(xué)附屬第三醫(yī)院超聲科共同采集的。由3名有著 2～10年乳腺超聲信息采集工作經(jīng)驗(yàn)的醫(yī)生，采用日本日立公司 HITACHI-8500彩色多普勒超聲診斷儀采集。該設(shè)備具備實(shí)時組織彈性成像（Real-Time Elastography imaging，RTE）功能。

采集的具體流程如下：選擇設(shè)備預(yù)設(shè)的乳腺檢查條件[9]，根據(jù)乳腺腺體層、脂肪層及胸壁肌層的厚度，調(diào)整深度、增益及聚焦部位，使二維超聲能夠清楚顯示乳腺的解剖分層；囑咐患者仰臥，必要時左側(cè)臥或右側(cè)臥，雙手自然上舉，充分地漏出乳房和腋窩，以乳頭為中心行乳腺放射狀縱切、橫切、斜切面常規(guī)檢查；然后待圖像穩(wěn)定后，再切換到超聲彈性成像模式，采用雙幅實(shí)時顯示功能，調(diào)節(jié)取樣框大于病灶范圍2倍，使用 Itoh 等描述的手動加壓技術(shù)生成圖像，手持探頭垂直于胸壁與胸大肌，在病灶部位作微小振動，探頭在加壓時外力要＜10%，主要靠自主呼吸和心搏的幅度完成超聲診斷儀的彈性計(jì)算。觀察二維圖像與彈性圖像，重點(diǎn)觀察腫塊及周圍組織形變情況，調(diào)整圖像清晰程度。

2 預(yù)處理

2.1 圖像去噪

超聲圖像固有的斑點(diǎn)噪聲由超聲成像的相干性導(dǎo)致，斑點(diǎn)噪聲降低了圖像質(zhì)量，圖像某些細(xì)節(jié)信息遭到掩蓋，給圖像的邊緣檢測、特征提取等后續(xù)處理帶來困難。去噪主要目的是抑制斑點(diǎn)噪聲，改善圖像質(zhì)量。本文采用一種各向異性擴(kuò)散濾波器（Speckle Reducing Anisotropic Diffusion，SRAD），它能夠在降噪的同時，保留甚至增強(qiáng)圖像中的邊緣信息。較小明亮細(xì)節(jié)存在于經(jīng)過斑點(diǎn)噪聲濾波后的圖像較低灰度值區(qū)域（如腫瘤內(nèi)部），而較高灰度值區(qū)域（如周圍的軟組織）存在著較小暗色細(xì)節(jié)，這主要由腫瘤內(nèi)部微細(xì)結(jié)構(gòu)（如血管、鈣化灶等）組成，可通過形態(tài)學(xué)濾波器平滑。采用交替順序?yàn)V波，即用一系列不斷增大的結(jié)構(gòu)元素來執(zhí)行開閉濾波，結(jié)構(gòu)元素取圓盤型，半徑可以設(shè)置為 2～5個像素。

2.2 腫瘤區(qū)域分割

由于彈性信息圖像上僅顯示組織間彈性系數(shù)關(guān)系，因此病灶區(qū)域分割首先在B模式圖像上實(shí)現(xiàn)，然后映射到彈性信息圖像上，以便于用于接下來的彈性特征提取。本文的分割方法是水平集方法，分割結(jié)果如圖1所示。

圖1 腫瘤區(qū)域分割結(jié)果Fig.1 Tumor segmentation result

2.3 軟硬區(qū)域界定

在彈性圖像中，良惡性腫瘤軟硬程度差異大，彈性模量量化值代表了組織的彈性程度，即軟硬程度，因此可通過組織的硬度值量化其彈性模量值。為了確保彈性模量量化值提取的準(zhǔn)確性，需要對病灶及其周邊區(qū)域內(nèi)的硬區(qū)間進(jìn)行精確的定義。

以往的彈性模量量化值提取中，軟硬區(qū)域通過一個固定閾值來定義。不同患者彈性圖像中同一顏色實(shí)際對應(yīng)的應(yīng)變力不一定相同，固定閾值分割技術(shù)適用性不強(qiáng)，導(dǎo)致彈性值量化有較大的誤差。乳腺彈性信息圖像上組織內(nèi)部顏色變化沒有明顯的界限，腫瘤內(nèi)部軟硬區(qū)域的界限是不分明的模糊集。針對這一特征，本文采用模糊聚類分析技術(shù)實(shí)現(xiàn)軟硬區(qū)域的自動界定。結(jié)果如圖2所示，圖中白線為硬區(qū)間邊界線。

圖2 軟硬區(qū)域的自動界定Fig.2 Automatic separation of soft and hard regions

3 乳腺腫瘤特征

在彈性圖像中，彈性系數(shù)小的組織較軟，顯示為紅色；彈性系數(shù)中等的組織顯示為綠色；彈性系數(shù)大的組織較硬顯示為藍(lán)色。結(jié)合病理學(xué)知識和醫(yī)生的臨床經(jīng)驗(yàn)，一般認(rèn)為[10]：良性表現(xiàn)為藍(lán)、綠色，病灶內(nèi)部彈性分布較均勻，與周圍組織彈性的對比度較?。粣盒圆≡畋憩F(xiàn)為紅、黃色，病灶內(nèi)部的彈性分布不均勻（如血管，鈣化灶等），與周圍組織彈性的對比度較大。本文根據(jù)乳腺腫塊圖像彈性方面信息，提取5個彈性特征來描述腫瘤的彈性屬性[11-14]；提取腫塊的4個灰度共生矩陣特征來描述乳腺腫塊的紋理特征；提取了圓度特征來描述腫塊的形狀變化情況，下面分別描述。

3.1 彈性特征

(1) 腫瘤區(qū)域硬度率

腫瘤區(qū)域硬度率定義為腫瘤內(nèi)部硬區(qū)域面積與腫瘤面積之比。它能夠表現(xiàn)出腫瘤內(nèi)部的軟硬程度，對于乳腺良惡性腫瘤來說，惡性腫瘤區(qū)域硬區(qū)域所占比重大于良性腫瘤區(qū)域內(nèi)硬區(qū)域所占比重，硬度率可以作為乳腺腫瘤良惡性判別的一個重要依據(jù)。

(2) 腫瘤周邊區(qū)域硬度率

腫瘤周邊區(qū)域硬度率定義為腫瘤周邊區(qū)域硬區(qū)域面積與腫瘤周邊區(qū)域面積之比。腫瘤周邊區(qū)域的劃分方法為：采用形態(tài)學(xué)圖像處理方法，設(shè)定半徑為20個像素的圓盤型結(jié)構(gòu)元素，對腫瘤區(qū)做膨脹運(yùn)算，得到腫瘤周邊組織區(qū)域，結(jié)果如圖3所示。惡性腫瘤重要的生物學(xué)特征之一就是惡性腫瘤的浸潤性生長，因此對于乳腺惡性腫瘤來說，腫塊區(qū)域周邊的硬度率會因?yàn)閻盒阅[瘤的浸潤性發(fā)生變化。

圖3 病灶周邊區(qū)域Fig.3 The surrounding area of lesions

(3) 彈性比

彈性比定義為腫瘤內(nèi)部均值與除腫瘤區(qū)域外的ROI區(qū)域均值之比，彈性比值能夠表現(xiàn)出來腫瘤與周圍正常組織區(qū)域的彈性變化程度，相對于乳腺正常組織來說，乳腺病灶區(qū)域的硬度會發(fā)生變化，彈性比就有了重要的研究價值。

(4) 面積比

面積比定義為總面積（腫瘤周邊區(qū)域與腫瘤內(nèi)部區(qū)域）內(nèi)硬區(qū)域面積與腫瘤內(nèi)部硬區(qū)域面積之比，腫瘤區(qū)域及周邊區(qū)域中的硬區(qū)域的面積由于惡性腫瘤的浸潤性特性會發(fā)生變化，面積變化的情況能夠有效地描述乳腺腫塊的特性。

(5) 同深度均值比

均值比定義為腫瘤內(nèi)部像素均值與其同深度組織處像素均值之比，乳腺組織由于腫塊的產(chǎn)生使得腫塊處的硬度相對于同深度組織處的硬度發(fā)生變化。

3.2 紋理特征

灰度共生矩陣（Gray Level Co-occurrence Matrix，GLCM）是像素距離與角度的矩陣函數(shù)，是一種檢測像素之間空間關(guān)系紋理特征的統(tǒng)計(jì)方法，它通過計(jì)算圖像中特定的像素在某一空間位置關(guān)系中出現(xiàn)的次數(shù)來反映圖像灰度在不同方向、不同間隔上的變化幅度及變化快慢上的綜合信息。

本文使用下面幾種基于灰度共生矩陣的紋理特征：① 對比度（Contrast） 對比度反映了圖像的清晰度和紋理溝紋深淺的程度；② 相關(guān)性（Correlation）相關(guān)性是用來度量空間灰度共生矩陣元素在行方向上或列方向上的相似程度；③ ASM能量（Angular Second Moment，ASM） ASM能量是灰度共生矩陣元素值的平方和，表征圖像灰度均勻分布程度和紋理粗細(xì)度；④ 同質(zhì)性（Homogeneity） 同質(zhì)性表征圖像紋理局部變化的程度。

3.3 圓度

在乳腺腫瘤圖像中，圓度是用來描述病灶區(qū)域與圓形的偏離程度的參數(shù)，計(jì)算公式為：

式(1)中，A為病灶區(qū)域的面積，D為病灶區(qū)域的周長。相同面積條件下，圓形區(qū)域的周長最短，其圓形度roundR=1。若可疑區(qū)域越接近于圓形，其圓度值越接近于1，反之越接近于0。對于良惡性腫瘤來說，良性腫瘤邊界比較清晰、光滑，呈現(xiàn)類圓型；惡性腫瘤邊界模糊，帶有毛刺，不規(guī)則形。故良性腫塊圓度值要大于惡性腫塊，圓度值可以作為腫瘤良惡性判斷的特征標(biāo)準(zhǔn)之一。

4 結(jié)果與分析

4.1 數(shù)據(jù)病理統(tǒng)計(jì)

本文中，實(shí)驗(yàn)數(shù)據(jù)來源于中山大學(xué)附屬第三醫(yī)院超聲科，經(jīng)病理證實(shí)，數(shù)據(jù)有142例患者共195個病灶，年齡范圍是16～81歲，平均年齡為48.5歲。其中，良性病灶129個，尺寸范圍為3.2～112.4 mm，平均尺寸是17.8 mm；良性腫塊中有纖維腺瘤88個，纖維囊性乳腺病33個，導(dǎo)管內(nèi)乳頭腫瘤3個，良性葉狀腫瘤4個，囊性增生1個；惡性病灶66個，尺寸范圍為4.1～43.2 mm，平均尺寸為23.4 mm；惡性腫塊中有浸潤性導(dǎo)管癌59個，粘液癌3個，重度非典型增生2個，導(dǎo)管內(nèi)原位癌1個，乳腺浸潤性小葉癌伴粘液癌1個。

4.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中對195副圖像各提取10個特征值構(gòu)成特征向量，采用支持向量機(jī)分類器訓(xùn)練分類模型，應(yīng)用留一法對特征進(jìn)行交叉驗(yàn)證，同時將這些特征的聯(lián)合特征（Computer Aided Diagnosis，CAD）與醫(yī)生評分系統(tǒng)（Breast Imaging-Reporting and Data System，BI-RADS，美國放射學(xué)會推薦的乳腺影像數(shù)據(jù)報告系統(tǒng)）做對比研究。除此之外，均值、一致性測度的P參數(shù)（分布），ROC (Receiver Operating Characteristic Curve)曲線及曲線下面積AUC(Area Under Curve)、分類精度，也被運(yùn)用于分析10個特征值的分類性能。

4.2.1 均值及t分布參數(shù)

實(shí)驗(yàn)結(jié)果中，特征的均值及t分布參數(shù)見表1。表1中10個特征參數(shù)的分布下P值均小于0.001（標(biāo)準(zhǔn)為P＜0.05），具有統(tǒng)計(jì)學(xué)意義，乳腺良惡性腫瘤的10個特征差異顯著。

4.2.2 分類準(zhǔn)確率（精度）及曲線下面積AUC

實(shí)驗(yàn)結(jié)果中，10個特征、聯(lián)合特征（CAD）以及醫(yī)生評分系統(tǒng)（BI-RADS）的準(zhǔn)確率（Accuracy）、靈敏度（Sensitivity）、特異度（Specificity）、陽性預(yù)測值（Positive Predictive Value，PPV）、陰性預(yù)測值（Negative Predictive Value，NPV）、曲線下面積（AUC）被計(jì)算列舉在表2、表3中。

表1 特征的均值及t分布參數(shù)Tab.1 The means of features and parameters of t distribution

表2 彈性特征、CAD及醫(yī)生評分的分類精度及AUCTab.2 The classifcation accuracy of elastographic features, CAD and BI-RADS

表3 灰度共生矩陣特征的分類精度及AUCTab.3 The classifcation accuracy of GLCM and AUC

總體來說，5種特征在乳腺腫瘤良惡性分類有一定的分類價值，能夠運(yùn)用到分類系統(tǒng)中，尤其是CAD聯(lián)合特征表現(xiàn)出良好的性能，在乳腺腫瘤良惡性診斷中表現(xiàn)的性能很好，雖然存在一定的假陽性及漏檢率，但是比醫(yī)生評分系統(tǒng)（BI-RADS）性能要好，可以說本文設(shè)計(jì)的方法具有一定的應(yīng)用價值，為醫(yī)生在乳腺腫瘤良惡性的診斷上提供幫助。

表3中，可以直觀地發(fā)現(xiàn)，5種灰度共生矩陣特征的準(zhǔn)確率、靈敏度、特異度均低于70%，有的甚至低于50%，只有對比度特征的準(zhǔn)確度（60%）及特異度（69%）表現(xiàn)為診斷價值極低，在乳腺腫塊良惡性分類中表現(xiàn)為不能夠有效地診斷其良惡性?？偟膩碚f，5種灰度共生矩陣特征診斷的結(jié)果沒有借鑒價值，不能夠有效地識別乳腺腫瘤的良惡性，在腫瘤分類中體現(xiàn)的意義不大，在以后的研究學(xué)習(xí)中會去除這幾個特征以加快計(jì)算速度，提高SVM的分類效率。

4.2.3 ROC曲線

實(shí)驗(yàn)結(jié)果中，10個特征、聯(lián)合特征（CAD）、醫(yī)生評分系統(tǒng)（BI-RADS）以及基準(zhǔn)線的ROC曲線圖被呈現(xiàn)在圖4～圖7中，4張圖分別為10個特征的ROC曲線圖、5個彈性特征與醫(yī)生評分系統(tǒng)（BI-RADS）的ROC曲線圖、5個彈性特征與聯(lián)合特征（CAD）的ROC曲線圖、聯(lián)合特征（CAD與醫(yī)生評分系統(tǒng)（BIRADS）的ROC曲線圖。

圖4 10個特征的ROC曲線Fig.4 The ROC curves of 10 features

圖5 彈性特征與醫(yī)生評分系統(tǒng)的ROC曲線圖Fig.5 The ROC curves of elastographic features and BI-RADS

圖4 可以發(fā)現(xiàn)，5個彈性特征相比于5個灰度共生矩陣特征，ROC曲線明顯的靠近左上角，說明彈性特征分類準(zhǔn)確性要高于灰度共生矩陣特征，分類性能比灰度特征好；并且5個彈性特征的曲線下面積AUC（表2）均大于0.85，其中硬度率、彈性比、面積比、均值比的曲線下面積分別為0.960 5、0.912 3、0.914 9、0.939 4，均高于0.9，大于周邊硬度率的曲線下面積（0.871 6），特征的分類價值很高；而5種灰度共生矩陣特征的曲線均靠近基準(zhǔn)線，曲線下面積在0.5～0.7之間，診斷價值很低，在乳腺腫瘤分類中沒有意義，與表3中分類精度測試結(jié)果一致。

圖5、圖6、圖7對比可以發(fā)現(xiàn)，5種彈性特征曲線比較接近醫(yī)生評分系統(tǒng)（BI-RADS）周邊硬度率除外，其曲線下面積（0.871 6）較小于醫(yī)生評分系統(tǒng)（0.935 7），沒有醫(yī)生評分系統(tǒng)診斷價值高；聯(lián)合特征明顯比5種特征的ROC曲線靠近左上角，曲線下面積大于5種特征，診斷準(zhǔn)確率更高。

圖6 彈性特征與CAD的ROC曲線圖Fig.6 The ROC curves of elastographic features and CAD

圖7 CAD與醫(yī)生評分系統(tǒng)的ROC曲線圖Fig.7 The ROC curves of CAD and BI-RADS

而聯(lián)合特征與醫(yī)生評分系統(tǒng)相比，聯(lián)合特征相比于醫(yī)生評分曲線更靠近左上角，聯(lián)合特征曲線下面積(0.968 1)大于醫(yī)生評論系統(tǒng)曲線下面積(0.935 7)，聯(lián)合特征系統(tǒng)具有更好的診斷性能。

5 結(jié)論與討論

分析實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，超聲彈性成像技術(shù)在乳腺腫瘤良惡性分類中有較高的價值，使用的圖像處理方法流程有較好的檢測結(jié)果，實(shí)現(xiàn)了腫瘤區(qū)域的分割，為特征的提取及分類提供了基礎(chǔ)，達(dá)到了預(yù)期目的；提取出的彈性特征表現(xiàn)為分類性能良好，支持向量機(jī)比較適合乳腺圖像分類，分類精度比較高，有比較好的診斷價值，在臨床判斷上有較大的借鑒意義。

本文同時也發(fā)現(xiàn)，提取的灰度共生矩陣特征診斷價值比較低，沒有參考意義，分析原因如下：灰度圖像上乳腺病灶沒有與周圍圖像形成強(qiáng)烈對比，而一些病灶還伴隨有囊腫及增生，共生矩陣高灰度值點(diǎn)影響較大，不能有效反映圖像紋理情況；乳腺病灶的邊界多為不規(guī)則形，不是簡單的圓形，邊界上點(diǎn)比較多，共生矩陣受到邊界上的點(diǎn)影響比較大；另外在確定灰度共生矩陣計(jì)算區(qū)域時，程序中分割坐標(biāo)P值的估算也對共生矩陣的生成及后續(xù)計(jì)算產(chǎn)生有較大的影響。

另外，圖像中一些區(qū)域的灰度分布、紋理結(jié)構(gòu)呈現(xiàn)為與腫塊接近，造成腫塊在圖像上不顯示為高亮區(qū)域，使得這些區(qū)域特征與腫塊相似，在利用SVM分類時，會出現(xiàn)錯誤的分類，產(chǎn)生假陽區(qū)域；一些腫塊體積較小，會對腫塊的檢測造成不利影響。

在彈性圖像中，不同組織間的彈性系數(shù)會發(fā)生交叉重疊的現(xiàn)象，例如惡性病變出現(xiàn)囊性時，硬度會有所降低，可能會出現(xiàn)假陰性結(jié)果，良性病變發(fā)生鈣化或者纖維化程度較高時，病變硬度增加，可能會出現(xiàn)假陽性結(jié)果，比如纖維腺瘤；彈性成像圖像質(zhì)量依賴于換能器頻率、帶寬和射頻采樣率等，彈性成像儀器會對圖像質(zhì)量造成影響，病灶形狀不規(guī)則，病灶的深度等也會影響圖像質(zhì)量，使得鑒別良惡性腫塊的敏感性降低；某些病灶太大，取樣框很難達(dá)到腫塊的2～3倍，也影響診斷的準(zhǔn)確率；支持向量機(jī)本身存在一定的局限性，分類的準(zhǔn)確率不能達(dá)到100%，分類過程存在誤差，會導(dǎo)致腫塊漏診。

本文實(shí)現(xiàn)195幅圖像的病變區(qū)域檢測，對均值、ROC曲線、分類精度等結(jié)果進(jìn)行數(shù)據(jù)分析，完成10個特征值的分類性能評估?？偟膩碚f，本文提出的操作流程即圖像處理方法能夠比較客觀地診斷鑒別乳腺腫瘤的良惡性，可以實(shí)現(xiàn)重復(fù)操作，提取的特征值，彈性特征分類性能良好，這些定量的彈性特征在乳腺腫瘤分類中是有意義的。而灰度共生矩陣特征無診斷價值，沒有參考意義。而關(guān)于圓度特征的實(shí)驗(yàn)還比較初步，需要在以后的實(shí)驗(yàn)中進(jìn)一步加強(qiáng)。

[1] 童清平, 張俊楠, 杜歡, 等. 一種新型實(shí)時超聲彈性成像定量化系統(tǒng)的構(gòu)建[J]. 中國超聲醫(yī)學(xué)雜志，2015, 31(6): 552–555.

[2] 李競, 張立春, 趙連春. 超聲彈性成像技術(shù)在乳腺腫瘤診斷中的應(yīng)用[J]. 齊齊哈爾醫(yī)學(xué)院學(xué)報, 2015, 36(8): 1163-1164.

[3] Krouskop TA, Wheeler TM, Kallel F, et al. Elastic moduli of breast and prostate tissues under compression[J]. Ultrasonic Imag, 1998, 20(4): 260-274.

[4] Hao Y, Guo X, Ma B, et al. Relationship between ultrasound elastography and myofbroblast distribution in breast cancer and its clinical signifcance[J]. Scientifc Reports, 2016, 6:19584.

[5] Itoh A, Ueno E, Tohno E. Comparison between ultrasonic elastogram and histologic fndings in breast diseases[C]// Seventh Congress of Asian Federation of Societies for Ultrasound in Medicine and Biology (AFSUMB 2004), 2004: 330.

[6] 羅葆明, 楊海云, 肖曉云, 等. 改良彈性評分標(biāo)準(zhǔn)在乳腺良惡性病灶鑒別診斷中的前瞻性研究[J]. 中華超聲影像學(xué)雜志, 2009, (6): 514-516.

[7] Wells PNT, Liang HD. Medical ultrasound: imaging of soft tissue strain and elasticity[J]. J R Soc Interface, 2011, 8(64): 1521-1549.

[8] Mu WJ, Zhong WJ, Yao JY, et al. Ultrasonic elastography research based on a multicenter study: adding strain ratio after 5-point scoring evaluation or not[J]. PLoS ONE, 2016, 11(2): e0148330.

[9] 宋宇, 夏稻子. 超聲彈性成像觀察正常成年女性乳腺組織[J]. 中國醫(yī)學(xué)影像技術(shù), 2012, 28(10): 1831-1834.

[10] Moon WK, Chang SC, Chang JM, et al. Classification of breast tumors using elastographic and B-mode features: comparison of automatic selection of representative slice and physician-selected slice of images[J]. Ultrasound Med Biol, 2013, 39(7): 1147-1157.

[11] Xiao Y, Zeng J, Qian M, et al. Quantitative analysis of peri-tumor tissue elasticity based on shear-wave elastography for breast tumor classifcation[C]// 35th IEEE EMBC, 2013: 1128-1131.

[12] Cai L, Wang X, Wang Y, et al. Robust phase-based texture descriptor for classifcation of breast ultrasound images[J]. Biomed Eng Online, 2015, 14:26.

[13] Chou YH, Tiu CM, Hung GS, et al. Stepwise logistic regression analysis of tumor contour features for breast ultrasound diagnosis[J]. Ultrasound Med Biol, 2001, 27(11): 1493-1498.

[14] Zhou Z, Wu S, Chang KJ. Classifcation of benign and malignant breast tumors in ultrasound images with posterior acoustic shadowing using half-contour features[J]. J Med Biol Eng, 2015, 35(2): 178-187.

Experiments on the Feature Selection and Classification of Ultrasound Elastography Images for the Diagnosis of Breast Cancers

【 Writers 】ZHANG Yaonan1,2, ZHANG Yongliang2,3, XIAO Yang3
1 College of Electronics and Information Engineering, Xi’an Siyuan University, Xi’an, 710038
2 Sino-Dutch Biomedical and Information Engineering School，Northeastern University, Shenyang, 110169
3 Institute of Biomedical and Health Engineering，Shenzhen Institutes of Advanced Technology, Chinese Academy of
Science, Shenzhen, 518055

Breast cancers are the most common malignant tumors in women, and how to use ultrasound to diagnose breast cancers quantitatively is still an unsolved problem. This paper extracts fve elastic features based on the elastography images of the breast tumors, furthers extract four features related to gray co-occurrence matrix to describe the texture of breast masses. we study the application of SVM classifer to classify these features, and uses the consistency, classification accuracy, ROC curve and AUC (area under the curve) to assess the classification results. we used ultrasound imaging technique to collect data from the actual patients, with the data of 195 lesions in 142 patients. Experimental results show that the classifcation performance of the elastic features is good, and the support vector machine is suitable for breast image classifcation, and its classifcation accuracy is high, which provides a good value for diagnosis. Meanwhile, it is found that the extracted features related to gray level co-occurrence matrix have a low diagnostic value.

ultrasound, elastography images, texture, SVM classifer, breast cancer

R445.1

A

10.3969/j.issn.1671-7104.2016.06.002

1671-7104(2016)06-0397-06

2016-04-11

西安思源學(xué)院校級重大科研項(xiàng)目(XASY-B1601)

張耀楠，教授，E-mail: johanzyn@qq.com

肖楊，博士，E-mail: yang.xiao@siat.ac.cn