B超圖像的乳腺腫瘤計算機輔助診斷系統研究

摘要：目的 分析B超圖像的乳腺腫瘤計算機輔助診斷系統，以降低活檢率。方法 收集我院2012年11月～2014年11月診治的乳腺腫瘤患者423例作為研究對象，采用回顧性的方式分析患者的臨床資料，總結乳腺腫瘤超聲聲像圖特征。結果 本文通過對患者的乳腺腫瘤超聲聲像圖特征分析，最終利用加權中值濾波算法將speckle 噪聲有效的清除干凈，同時采用另一種新型的直方圖均衡化算法大大提高了圖像的對比度；其次是應用區域生長的基礎上演變而來的分割算法對乳腺腫瘤初始區域進行了切割和提取，并選擇空洞填充和形態學濾波完成了后續工作，最終獲得了423份準確度較高的病灶區域；最后在病理學的基礎上提出一種特征提取方式，該方式主要以乳腺腫瘤輪廓分型為基礎，同時綜合了其形狀、長寬比、粗糙度等 共計七個形態特征對腫瘤邊界的粗糙度進行全面的描述。再結合BP神經網絡區分不同類型的特征矢量，大大提高了乳腺腫瘤的良惡診斷率，最終完成了降低活檢率的目標。結論 充分利用B超圖像的乳腺腫瘤計算機輔助診斷系統對于提高乳腺腫瘤的良惡診斷率、降低活檢率具有非常重要的作用，值得在臨床應用上推廣。

關鍵詞：B超圖像；乳腺腫瘤；計算機輔助診斷系統

乳腺癌是女性排名第一的惡性腫瘤，嚴重危害著女性的身體健康和生命安全[1]。臨床表明，采取有效的診斷方式及早診斷并積極治療對于提高治療效果和預后具有非常重要的作用。B超診斷乳腺癌由于具有價格低廉、無放射等優勢而在臨床上得到了廣泛的應用。但在圖像的鑒別上往往是通過肉眼和經驗，容易發生誤診，尤其是對良性腫瘤的誤檢率教導引起了活檢結果為良性的患者不斷增多，增加了患者的痛苦和經濟負擔[2，3]。本文旨在分析B超圖像的乳腺腫瘤計算機輔助診斷系統，以降低活檢率，本文收集我院2012年11月～2014年11月診治的423例乳腺腫瘤患者的臨床資料進行回顧性分析，現報道如下。

1資料與方法

1.1一般資料 收集我院2012年11月～2014年11月診治的423例乳腺腫瘤患者，本組患者年齡15～79歲，平均年齡（47.56±5.34）歲；對照組年齡為21～74歲，平均年齡（45.64±5.34）歲。

1.2 方法 本次檢查使用的儀器為PHILIPS 5500 B超機，選擇頻率為7.5～10 MHz的探頭。具體檢查步驟為：患者仰臥或者側臥，使受檢的腋窩和乳房充分的暴露出來，以乳頭為中心，沿著乳腺各象限并沿著乳腺導管長軸切面做橫向和縱向連續掃描。詳細查看腫塊的位置、邊緣、形態、大小、內部回聲、包膜、腫塊內的血流情況以及腫塊后方回聲，記錄檢查的阻力指數和收縮期最大流速峰值，最后將圖像傳輸到相應的軟件系統進行圖像處理。在此過程中以聲像圖特征基礎，充分結合加權中值濾波算法、分割算法、直方圖均衡化算法等多種算法對圖像進行處理。

1.3效果判定標準 根據我國衛生部頒布的相關《乳腺癌診治規范》[4]中的條例判定乳腺癌。

2結果

本文通過對患者的乳腺腫瘤超聲聲像圖特征分析，最終利用加權中值濾波算法將speckle 噪聲有效的清除干凈，同時采用另一種新型的直方圖均衡化算法大大提高了圖像的對比度；其次是應用區域生長的基礎上演變而來的分割算法對乳腺腫瘤初始區域進行了切割和提取，并選擇空洞填充和形態學濾波完成了后續工作，最終獲得了423份準確度較高的病灶區域；最后在病理學的基礎上提出一種特征提取方式，該方式主要以乳腺腫瘤輪廓分型為基礎，同時綜合了其形狀、長寬比、粗糙度等 共計七個形態特征對腫瘤邊界的粗糙度進行全面的描述。再結合BP神經網絡區分不同類型的特征矢量，大大提高了乳腺腫瘤的良惡診斷率，最終完成了降低活檢率的目標。

3討論

3.1 乳腺腫瘤的超聲圖像預處理 超聲圖像在生成和傳輸過程中往往會受到多種因素的影響，尤其是噪音，最終導致圖像質量變差。因此，在超聲檢查過程中圖像去噪就非常重要。臨床表明，超聲圖像的噪聲主要來源于散斑（Speckle），散斑具有來源廣、相位隨機的特點。本文利用噪聲信號服從 Rayleigh 分布的特性，利用加權中值濾波算法有效的將散斑去除；圖像對比度主要是增強圖像中用戶感興趣的信息，并對另外一些不重要的信息進行屏蔽或者模糊，以提高圖像的分析效果和識別能力，超聲圖像獲取時會因為多方面因素降低圖像質量，在圖像增強的處理上主要是增強乳腺腫塊 ROI 區域及邊緣信息，并對非ROI 區域信息進行抑制[5]。本文在圖像增強的方式上主要選擇空域濾波，對灰度拉伸進行了對比分析，另外是利用直方圖均衡化處理，在此基礎上提出了一種乳腺腫瘤 B 超圖像的邊界直方圖均衡增強算法。

3.2 乳腺腫瘤的超聲圖像分割 乳腺腫瘤超聲圖像分割的目的主要是分離腫瘤 ROI 區域和背景區域，從而將乳腺腫瘤邊緣輪廓提取出來。通過對乳腺腫瘤的邊界、回聲分布、形態等信息對腫瘤的良惡性進行判斷，因此，獲得良好的分割效果對腫瘤的診斷具有非常重要的意義。目前常用的醫學超聲圖像分割方法分為兩種類型：一類為基于區域生長的方法，另一類為基于邊緣檢測的方法，常見的基于區域生長方法主要包括閾值分割、區域生長法兩種類型，閾值分割具有計算速度快、方法簡單等優勢；基于邊緣檢測方法的原理為對相鄰象素特征值的突變性進行檢測從而得到各區域之間的邊緣解決圖像分割的問題，但大量的臨床案例表明，這種方式往往會由于邊緣信息突出情況不明顯而產生間隙，從而降低了檢測的準確率[6]。本文所選423例患者均采用基于區域生長的方法完成圖像分割，最終取得了較好的效果。同時，在采用基于區域生長的方法完成圖像分割之后，由于初始腫瘤區域在細節上存在許多細小的毛刺和突起，內部也存在一些空洞，因此要對初始腫瘤區域圖像進行后續濾波處理。本文423例患者均選擇空洞填充和形態學濾波完成了后續工作，最終獲得了423份準確度較高的病灶區域。

3.3 特征提取與識別 乳腺腫瘤的特征主要分為兩種類型：紋理特征、形態特征，形態特征主要是通過觀察腫瘤的外形特點，包括形狀、是否有針狀體、邊界規則度等，紋理特征則反映了腫瘤內部的回聲分布、與鄰近組織的關系等。這兩種特征也是識別和診斷乳腺腫瘤的重要依據。而紋理特征容易受到噪聲的影響，而形態特征則相對較直觀，不容易受到噪聲的干擾[7]，因此本文423例患者均采用采形態特征作為判別乳腺腫瘤良惡性。本文423例患者中通過應用區域生長算法提取輪廓及邊緣，其中有417例得到了準確的結果，另外6例患者獲得腫瘤輪廓與邊緣與醫生勾勒的結果存在較大的偏差。

4結論

據有關臨床統計資料表明，乳腺癌是全世界婦女最常見的惡性腫瘤，并且正呈現逐年上升的勢態發展。據國外的相關報道稱，自上世紀90年代開始，乳腺癌患者就在不斷的增多，每年的增長率大約為1.5%。因此，對于乳腺癌的診治已引起了全世界各界人士的關注。Houssami表明，在乳腺癌發病的早期便積極診治對于提高治療效果有著很大的幫助，并且病灶越小，診治效果越好。超聲技術是診斷乳腺癌的常用方式，而在實施超聲診斷過程中，報告圖像的質量直接決定了超聲診斷的準確率。這就需要合理的選擇計算機輔助診斷系統的相關工具和計算方法進行圖像處理，獲得質量更高的圖像，從而提高診斷效率和準確性。

本文主要對我院2012年11月～2014年11月診治的423例乳腺腫瘤患者的臨床資料進行回顧性分析，通過本次研究可以看出，充分利用B超圖像的乳腺腫瘤計算機輔助診斷系統對于提高乳腺腫瘤的良惡診斷率、降低活檢率具有非常重要的作用，值得在臨床應用上推廣。

參考文獻：

[1]王瓊芳.B超圖像的乳腺腫瘤計算機輔助診斷系統研究[D].四川師范大學，2009.

[2]郭凌云.基于小波變換的乳腺腫瘤超聲圖像識別研究[D].中南大學，2010.

[3]王鮮.基于肝臟B超圖像的計算機輔助診斷研究[D].華中科技大學，2009.

[4]姜興岳，耿道穎，沈天真，等.基于Bayes網絡的常見腦腫瘤計算機輔助診斷系統初步研究[A].浙江省放射學學會.2006年華東六省一市暨浙江省放射學學術年會論文匯編[C].浙江省放射學學會，2009：1.

[5]汪源源，沈嘉琳，王涌，王怡.基于形態特征判別超聲圖像中乳腺腫瘤的良惡性[J].光學精密工程，2011，02：333-340.

[6]李曉峰，沈毅.基于支持向量機的超聲乳腺腫瘤圖像計算機輔助診斷系統[J].光電子.激光，2010，01：115-119.

[7]李曉峰，沈毅，王強.超聲乳腺腫瘤圖像計算機輔助診斷系統[J].吉林大學學報（工學版），2009，03：770-775.

編輯/申磊