乳腺超聲圖像腫瘤特征提取與腫瘤分類

謝軼峰

廣東省中山市人民醫(yī)院，廣東中山 528400

為了保障計(jì)算機(jī)輔助診斷系統(tǒng)診斷精度，需要提取乳腺超聲圖像腫瘤最典型的特征，因此，研究高效準(zhǔn)確的診斷系統(tǒng)最關(guān)鍵的一步就是進(jìn)行特征提取。 目前的臨床應(yīng)用中，診斷乳腺腫瘤良性或惡性的主要標(biāo)準(zhǔn)是Stavros 標(biāo)準(zhǔn)。計(jì)算機(jī)輔助系統(tǒng)通過對計(jì)算機(jī)對圖像的分析，根據(jù)一定的分類算法，得出腫瘤良性或者惡性的診斷結(jié)果。 乳腺腫瘤分類就是根據(jù)提取的各種特征和不同的判別標(biāo)準(zhǔn)，運(yùn)用一定的計(jì)算機(jī)技術(shù)把腫瘤分為惡性或良性。

1 乳腺超聲圖像腫瘤特征

根據(jù)Stavros 標(biāo)準(zhǔn)，乳腺超聲圖像腫瘤特征分為兩類，一類是用常規(guī)的超聲成像診斷儀器可以測量到的，這5 個(gè)特征有：乳腺超聲圖像紋理、腫瘤幾何形狀、邊緣鋒銳程度、腫瘤圖像亮度特征和聲波回聲特性。 后2 個(gè)特征是使用新的超聲成像技術(shù)——超聲彈性成像技術(shù)才能檢測到的特征： 腫瘤形狀是否隨外界壓力而改變和鈣化特性。 超聲彈性成像系統(tǒng)可以在一次顯像中同時(shí)顯示正常超聲成像和彈性成像兩種圖像并用于對照， 提高了檢測效率和準(zhǔn)確性。

2 乳腺超聲圖像腫瘤特征提取

乳腺超聲圖像紋理特性、 腫瘤幾何形狀和超聲波回聲特性是乳腺癌良性和惡性的診斷最主要的依據(jù)， 同時(shí)也是乳腺腫瘤最基本最可靠的特征。 因此，該文主要介紹上述3 個(gè)特征的提取。

2.1 腫瘤紋理特征提取

腫瘤圖像分割是特征提取的第一步。 根據(jù)計(jì)算機(jī)圖像處理技術(shù)，分割子圖像大小應(yīng)為包含整個(gè)可疑腫瘤區(qū)域的最小矩形，以保證筆者可以提取出整個(gè)腫瘤所有的醫(yī)學(xué)特征。 紋理特征提取分為空域提取和頻域提取。 空域提取又分為一階統(tǒng)計(jì)特征和二階統(tǒng)計(jì)特征。

空域提取腫瘤紋理特性時(shí)，筆者需要注意腫瘤圖像的灰度值和像素之間的距離d。根據(jù)圖像處理技術(shù)，空域特征提取需要考慮被提取對象超聲成像的窗口大小。 窗口的大小直接影響提取的結(jié)果。 如：窗口過大時(shí)，腫瘤微小的紋理特征無法計(jì)算，窗口過小時(shí)，不能涵蓋整個(gè)腫瘤的紋理特性，從而使筆者統(tǒng)計(jì)的結(jié)果毫無意義。 新一代的技術(shù)自適應(yīng)量化技術(shù)，可以根據(jù)對象的統(tǒng)計(jì)函數(shù)特征，自動(dòng)調(diào)整灰度級，從而使我們的提取更加合理。

頻域提取具有一定的優(yōu)勢， 特別是由于快速傅里葉變換方法FFT 算法的提出以及高效率的DSP 芯片的開發(fā)利用，使筆者的分析更具有實(shí)時(shí)性。 然而，基于傅里葉變換的頻域分析更適合對圖像的周期特性進(jìn)行分析， 對很多其他咋空域很難檢測的特征，如兩個(gè)周期模式間的差別等也非常有用。

2.2 腫瘤幾何特征提取

根據(jù)Stavros 博士的研究，良性腫瘤幾何形狀一般比較規(guī)則，近似圓形或者橢圓形， 而惡性腫瘤的幾何形狀則呈現(xiàn)不規(guī)則的狀態(tài)。 因此，腫瘤的橢圓相似度也成為判別腫瘤惡性或者良性的重要特征。 另一方面，由數(shù)學(xué)知識(shí)可知，圓是橢圓的特例，因此筆者計(jì)算出橢圓的離心率e，自然得出圓的相似度。 腫瘤幾何特征的提取的第一步就是計(jì)算出腫瘤輪廓的最佳擬合橢圓。 此外，橢圓相似度，腫瘤的方向角，腫瘤形狀緊湊度，腫瘤的深寬比，均是判別腫瘤良性或惡性的有效特征。

2.3 腫瘤后回聲特性特征提取

腫瘤后回聲特征之所以能成為腫瘤特征提取的重要部分，是由于良性腫瘤和惡性腫瘤不同的后回聲特性： 惡性腫瘤一般具有腫瘤后回聲陰影，而良性腫瘤一般會(huì)呈現(xiàn)回聲增強(qiáng)現(xiàn)象。 需要注意的是，有些組織的存在如庫伯韌帶、瘢痕、纖維組織、異物等，也會(huì)造成不同的特征陰影。 因此，在提取腫瘤后回聲特性時(shí)，要注意上述組織的影響。

在提取特征時(shí)，需要3 個(gè)32×32 個(gè)窗口：腫瘤正下方，同一深度腫瘤左、右兩側(cè)，然后根據(jù)這3 個(gè)評估窗口定義腫瘤后回聲特性特征度量——最小邊差異（MSD）：

MSD＝min (Ap-A1,Ap-Ar), 式中，Ap、Al、Ar 分別為腫瘤正下方、左邊、及右邊框內(nèi)的灰度平均值。

3 基于SVM 的乳腺腫瘤分類

3.1 SVM 基本理論

SVM（Support Vector Machine），中文名稱為支持向量機(jī)，Vapnik 等人在多年研究統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上對線性分類器提出了另一種設(shè)計(jì)最佳準(zhǔn)則。 它由淺入深，從線性可分，然后擴(kuò)展到線性不可分的情況。 支持向量機(jī)在很多模式識(shí)別問題中表現(xiàn)出許多優(yōu)勢，如最小樣本問題、非線性問題、高維數(shù)和局部極小值等。支持向量機(jī)在腫瘤分類中的研究已經(jīng)成為繼神經(jīng)網(wǎng)絡(luò)之后新的研究熱點(diǎn)。 因此，把它作為乳腺癌良性和惡性分類器是非常實(shí)用的。

3.2 線性可分類

SVM 是從線性可分說起的，設(shè) ω1，ω2，是待分的兩類，所求的最優(yōu)分類面 ωχ+ω0=0 應(yīng)滿足：①能夠無間隙徹底將 ω1，ω2分別開來，最優(yōu)分類面上不存在其他不可分點(diǎn)；②最優(yōu)分類面與其各自空間的支持向量之間的距離d 相等； ③分類平面在所有滿足特性①②的分類面中，與支持向量的距離d 是最大的。

3.3 線性不可分類

對于線性不可分的情況， 通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分， 從而使得高維特征空間采用線性算法對樣本的非線性特征進(jìn)行線性分析成為可能。 這種情況屬于下面三類中的一種：①向量位與分離段外，這些點(diǎn)滿足不等式 yi（ωrχ+ω0）≥1；②位與分離段內(nèi)且被正確分類的向量，滿足不等式 0≤yi（ωrχ+ω0）<1；③錯(cuò)位分類的向量，這些點(diǎn)滿足不等式 yi（ωrχ+ω0）<0。

這種情況需要根據(jù)Mercer 定理來找到最優(yōu)的分類平面：令x∈Rn和映射 Φ，x→Φ（x）∈H，其中 H 是歐式幾何空間。 內(nèi)積運(yùn)算表示為：∑Φr（xi）Φr（xj）=K（xi，xj）， 式中，Φr（x）——x 的映射Φ（x）的r 分量；K（x，z）——滿足∫K（x，z）g（x）g（z）dxdz。 對任意g（x），x∈Rn，有∫g（x）2dx<∞。也就是說，任意滿足上述條件的 K（x，z）都存在用K（x，z）定義的內(nèi)積空間。 這樣的函數(shù)也稱為核函數(shù)。

4 結(jié)語

該文根據(jù)Stavros 標(biāo)準(zhǔn)，對乳腺腫瘤的幾個(gè)重要特征：乳腺的紋理特征、 腫瘤的幾何特征、 腫瘤后回聲特征等作了簡單的描述，并提出了用支持向量機(jī)SVM 來對我們提取的特征經(jīng)行腫瘤良性和惡性的分類。 根據(jù)特征提取和腫瘤分類，結(jié)合計(jì)算機(jī)技術(shù)制造出的計(jì)算機(jī)超聲圖像輔助診斷系統(tǒng)， 可以在一定程度是避免人為的主觀因素和人為的模糊性， 從而使乳腺腫瘤的診斷更加可靠。

[1]American Cancer Society:Breast Cancer Facts&Figure,2006.

[2]K.Bovis,S.Singh,Fieldsend J.,Printer C.Identification of Masses in Digital Mammograms with MLP and RBF Net[J].IJCNN2000,2000,1:1342-1348.

[3]Chen SC，C.Y，Su CU.Analysis of sonographic features for the differentiation of benign and malignant breast tumors of different sizes[J].Ultrasound Obstet Gynecol，2004(33)：188-193.

[4]任樹軍，阮秋琦，李玉，等.基于各項(xiàng)異性擴(kuò)散方程的超聲圖像去噪與邊緣增強(qiáng)[J].電子學(xué)報(bào)，2005(33):1260-1270.

[5]吳君，賀超，趙興友，等.基于超聲圖像的紋理特征分析算法的應(yīng)用[J].生物醫(yī)學(xué)工程研究，2007，26(2):166-169.

[6]張縉熙.乳腺疾病的超聲診斷[J].中國超聲診斷雜志，2001，2(1):53-54.