超聲圖像偏倚式干涉技術(shù)的建立及鑒別乳腺腫物性質(zhì)的研究

董振宇 劉鐳 劉力 張玲利 葉然 譚瑩

乳腺腫物病變的檢出率逐年增高［1］。乳腺內(nèi)結(jié)節(jié)病變種類較多， 對于其性質(zhì)的鑒別往往存在困難［2］。提高乳腺內(nèi)腫物病變的惡性檢出率，是無創(chuàng)診斷領(lǐng)域的熱點，也是提高生存率的重要手段。超聲是目前最廣泛使用的無創(chuàng)診斷技術(shù)， 但診斷水平參差不齊。而隨著圖像識別技術(shù)發(fā)展，對于超聲診斷的客觀性、全面性提出了更高的要求［3］。本研究通過以病理和超聲圖像的等比例取樣點特征，并通過標化、非線性增強等干涉手段建立相關(guān)性方程，對乳腺內(nèi)腫物病變圖像做出良惡性診斷，并與人工檢查和病理檢查結(jié)果對比， 以探討該技術(shù)的臨床應用價值。

資料與方法

1.研究對象

2018年1月～2019年3月來我院就診的患者79 人，年齡 40±16 歲，全部為女性。納入標準：經(jīng)過B 超檢查在上述人群乳腺內(nèi)選定腫物病變79個，其中良性 50 例，惡性 29 例。79 個結(jié)節(jié)分為兩組，建模組 45 例，其中良性 30 例，惡性 15 例，驗證組34 例，其中良性20 例，惡性14 例。全部經(jīng)過人工檢查、偏倚式干涉（bias interference，BI）檢查和手術(shù)。全部患者在行手術(shù)前均簽署知情同意書。本研究經(jīng)我院倫理委員會審核通過。

2.研究方法

本研究采用董振宇等［4］建立的采樣方法。超聲診斷儀使用了Philips IU ELITE、GE LOGIQ E9、EPIQ 5 并配合其相應線陣探頭結(jié)合乳腺預設(shè)條件。（1）病理學及超聲圖像特征提取。對建模組獲取的病變圖像使用Coral Paint Shop Pro 2019 為工具，以大體病理標本為本底，灰度化本底圖片，以病灶中心為中點，每120°定向等間距（病灶中心至邊緣長度25%）取點，取點范圍涵蓋病變邊緣［5,6］，獲取每點灰階數(shù)值（圖1，2）。超聲圖像的處理與病理圖像的處理一致（圖3）［7,8］。為保證超聲圖像和病理圖像的對應關(guān)系， 在獲取病理標本做切片時，按乳腺掃查方向進行切割，以其相對于胸骨旁線垂直距離、距前腋皺襞起始點距離、鎖骨中線上距肋緣距離定位腫塊，并依此切割（圖4）。（2）對（1）中獲取數(shù)據(jù)行BI。對病理及超聲獲取數(shù)據(jù)進行相關(guān)性分析并建立回歸方程。將該方程引入MATLAB 并對驗證組中病灶超聲圖像進行自動分析獲取結(jié)果［9］。（3）將（2）中的分析與人工檢查及病理檢查對比，進行統(tǒng)計學分析。

采用SPSS 22 統(tǒng)計軟件?；译A等計量資料的數(shù)據(jù)以均數(shù)±標準差（）表示。兩組間差異比較使用t 檢驗，多組間比較采用方差分析，計數(shù)資料用相對數(shù)表示,組間比較采用 χ2檢驗。P＜0.05 為差異具有統(tǒng)計學意義。

結(jié) 果

79 個乳腺內(nèi)腫物病變惡性共計29 例， 良性50 例，建模組 45 例，其中良性 30 例（病灶大小21±7 mm），惡性 15 例（病灶大小 29±10 mm），驗證組 34 例，其中良性 20 例（病灶大小 22±8 mm），惡性 14 例（病灶大小 28±15 mm）。均完成病理學檢查。兩組行 χ2檢驗，提示兩組間病例數(shù)量（χ2=0.513，P=0.474）及病灶大小（χ2=0.041，P=0.84）間差異均無統(tǒng)計學意義。

圖1 大體標本圖像灰度值示例 圖2 Paint Shop Pro 定點采集并測量病理圖 圖3 Paint Shop Pro 定點采集并測量超聲圖像灰度值示例 圖4 以胸骨旁線垂直距離、 距前腋皺襞起始點距離、鎖骨中線上距肋緣距離相對于乳腺腫塊的位置作為定位標記（紅線標記），確保切片的準確性

對建模組中的良、 惡性病灶超聲圖像及病理大體標本獲取的圖像（含數(shù)據(jù)）見圖5、6，數(shù)據(jù)分析如下（表1，2）。

依據(jù)獲取數(shù)據(jù)以超聲灰度測值為自變量對兩組數(shù)據(jù)進行相關(guān)性分析，相關(guān)性分析結(jié)果見表3。

超聲圖像各點可見與病理圖像具有統(tǒng)計學意義的相關(guān)性。將上述相關(guān)性公式導入MATLAB 運行，對驗證組34 例圖像進行分析，符合中心-25-50-75-邊緣的圖像會被系統(tǒng)自動標識出來， 其中圖像符合定義為自變量系數(shù)χ[-1.1,1.1]，符合此圖像范圍內(nèi)病灶即被認為符合惡性病變特征，未完全標識5 種特征的圖像被認為是良性病變。其統(tǒng)計結(jié)果如表 4。BI 的符合率 82.35（28/34），真陽性率 80.00%（16/20），真陰性率 85.71（13/15）。由表5 可知，人工檢查與BI 的檢查結(jié)果之間差異無統(tǒng)計學意義。

圖5 a)建模組良性病灶及數(shù)據(jù)采集；b)建模組惡性病灶及數(shù)據(jù)采集 圖6 a)驗證組良性病灶及數(shù)據(jù)采集；b)驗證組惡性病灶及數(shù)據(jù)采集

表1 建模組病理大體標本獲取的圖像灰階數(shù)據(jù)情況 （）

表1 建模組病理大體標本獲取的圖像灰階數(shù)據(jù)情況 （）

注：對原始數(shù)據(jù)行獨立樣本 t 檢驗，中心、25%距離、50%距離、75%距離、邊緣 t 值分別為-8.618、-7.702、-6.473、-4.195、3.325（P=0.000、0.000、0.000、0.000、0.002）

良性惡性中心70±12 40±6距中心25%瘤體大小83±15 61±29距中心50%瘤體大小73±19 60±25距中心75%瘤體大小81±21 74±24邊緣86±9 91±19

表2 建模組超聲圖像灰階數(shù)據(jù)情況 （）

表2 建模組超聲圖像灰階數(shù)據(jù)情況 （）

注：對原始數(shù)據(jù)行 χ2 分析，中心、25%距離、50%距離、75%距離、邊緣 t 值分別為-6.540、-4.506、-5.914、5.837，6.127（P=0.000、0.000、0.000、0.000、0.000）

良性惡性中心71±9 74±12距中心25%瘤體大小77±13 61±12距中心50%瘤體大小76±19 68±9距中心75%瘤體大小90±18 87±12邊緣81±8 87±5

表3 超聲及病理圖像相關(guān)性分析情況

表4 圖像特征識別結(jié)果情況（例）

表5 BI 與人工檢查圖像識別結(jié)果情況（例）

討 論

超聲作為一種快捷簡便的醫(yī)學常用技術(shù)已廣為使用。本課題的建立目的為通過自動化分析提高超聲診斷效率， 并依據(jù)相關(guān)結(jié)果對該技術(shù)的臨床應用價值做出初步的研究［10,11］。圖像的建模方式多種多樣［12］，本課題建?；诓±泶篌w標本，在超聲相應位置基于灰階圖像建立圖像干涉， 對超聲圖像進行糾正并建模。

乳腺腫物的良惡性診斷時機決定了預后。雖然乳腺癌大部分惡性程度較低， 且其預后與患者的年齡、病理分級等因素有關(guān)，但早期診斷仍是延長生存時間的最主要因素［13,14］。本研究結(jié)果顯示了超聲圖像與病理圖像相關(guān)的變化規(guī)律， 對乳腺內(nèi)腫物病變的定性提供了較為有力的幫助［15,16］。

結(jié)果中顯示病理和超聲圖像的定點灰階值的差異無統(tǒng)計學意義， 這也說明了病理學圖像與超聲圖像實質(zhì)是相對應的。超聲是以灰度變化區(qū)分各組織間形態(tài)的差異， 無論是病灶邊緣還是內(nèi)部結(jié)構(gòu)［17］。因此病理學大體診斷規(guī)律可通過數(shù)學方程表達， 也因此對于病灶中心至邊緣區(qū)域的圖像變化可建立回歸方程， 這也是利用病理學大體圖像建模的優(yōu)勢［18,19］。同時為保證準確利用相對位置的圖像特征對超聲圖像屬性進行調(diào)整。本研究中通過多層次動態(tài)掃查獲取全容積圖像， 在結(jié)合病理學以超聲視角進行操作（如切割固定）基礎(chǔ)上提取相應部位圖像，以保證對應位置的準確性。

結(jié)果提示超聲圖像和病理圖像的定位點特征其差異不具有顯著統(tǒng)計學意義， 說明超聲圖像的特征分析是可做出較吻合的診斷。應用該技術(shù)后的診斷情況與病理符合率較高， 且與人工檢查的差異無統(tǒng)計學意義， 因此該技術(shù)對于快速篩查診斷有較理想的應用價值。而對于良惡性的鑒別診斷除了使用中心距離的圖像灰階屬性分析（點分析）外，還可使用區(qū)域光點分布密度（面分析）來分析，增加該技術(shù)應用的廣度［20］。

理論上病灶取點越多越準確， 但由于受限于儀器性能及數(shù)據(jù)傳輸?shù)臏螅?本課題依然使用了5 點是依據(jù)病灶的大小和圖像分辨率制定的。相關(guān)性分析中的散點圖呈沿線性集中的趨勢能說明超聲圖像的變化規(guī)律是與病理相對應的。多角度選點的目的在于防止背景圖像的不均質(zhì)性造成圖像干涉的不確定性， 由此可能造成對病灶定性錯誤。本次研究的多點采樣也顯示了位于同一直線的采點如偏離軸線形成一個小的區(qū)域， 則診斷的敏感性會增高， 但囿于設(shè)備性能未對此進行進一步研究。

本次研究的數(shù)據(jù)以及相關(guān)資料的研究提示，自動化智能化做出超聲診斷是目前精準醫(yī)療的發(fā)展方向，也是可行及可靠的。在研究過程中發(fā)現(xiàn)如下情況：（1）乳腺內(nèi)腫物病變的亞型分類無法用通用公式解決。（2）大體標本的獲取、切割導出血的污染， 人為因素造成病灶的缺失導致病灶范圍過小等問題依然存在， 因此該技術(shù)目前不能替代病理學，尤其是細針取樣活檢。（3）數(shù)據(jù)處理對工作平臺的性能亦具有一定要求， 進行廣泛臨床應用仍存在困難。（4）對于分辨率要求比較高，較小的病變依然存在取點的困難， 病灶大小與腫瘤生物學特性關(guān)系的不明確性仍需要大樣本的檢驗。

本研究利用圖像BI 技術(shù)對超聲圖像調(diào)整并應用于臨床診斷，BI 病理符合率高， 與人工操作無差異，其有助于為臨床提供較為有價值的信息。