基于乳腺腫塊的超聲射頻信號特征算法識別

嚴　郁　方　舸　蔡潤秋　袁開開　吳意贇

基于乳腺腫塊的超聲射頻信號特征算法識別

嚴郁①方舸①蔡潤秋①袁開開②吳意贇①

目的：對超聲射頻信號進行數據編譯與信號處理研究，得到具有臨床診斷意義的相關特征參數，用以輔助乳腺腫塊的臨床診斷。方法：將VINNO 70超聲診斷平臺的后臺數據庫提供的超聲射頻信號數據，在Matlab軟件系統中編寫標準差及熵值算法，處理數值矩陣中腫塊區域與正常組織區域數值，以得到乳腺腫塊區域參數。結果：通過標準差及熵值算法的處理顯示，正常區域的熵值及標準差數值比腫塊區域均高出40%。結論：超聲射頻信號特征算法中的標準差及熵值算法處理，能夠有效區別乳腺腫塊區域與正常組織區域。

特征算法；超聲射頻；乳腺腫塊；超聲診斷平臺

［First-author’s address］ Department of Equipment， Jiangsu Traditional Chinese Medicine Hospital， Nanjing 210029，China.

醫學超聲成像是利用超聲聲束掃描人體，通過對反射信號的接收、處理以及反映的聲學特征差異來區分不同的組織，以獲得人體各個組織成分的圖像，并且用圖像顯示出臟器界面和組織內部的細微結構，借助圖像可對病灶與正常組織進行判別診斷［1-2］。然而，這種基于對直觀圖像的判斷具有一定的主觀性。因此，通過對原始的超聲無線射頻（radio frequency，RF）信號進行處理，針對其特性設計的算法進行計算，可獲取相應的特征參量，提升對圖像的認識度，輔助醫生診斷［3-4］。本研究針對乳腺腫塊的超聲RF信號進行超聲RF特征算法提取，而超聲影像的腫瘤診斷依靠肉眼判斷受主觀性影響較大，探討通過數據化分析給出特征參量輔助臨床診斷。

1　超聲射頻信號特征算法提取

1.1特征算法原理與編譯

特征參量算法編譯使用為工程領域標準行業Matlab軟件（美國Mathworks公司開發），提取超聲RF信號，計算相應區域的熵值與標準差，以達到更加直觀的區分病灶的目的。對超聲RF信號進行處理需要將RF信號以可讀取的方式提取出來。超聲RF信號的提取以超聲診斷系統VINNO 70的開放后臺數據庫為平臺進行，導出的16進制原數據被轉換，并重新排列編譯成10進制的數值矩陣，其矩陣中的每個數值點對應于超聲圖像中的相同行列坐標的像素點，而數值點的大小則反映了相應超聲圖像像素點的未經圖像增強前的本征灰度值，即形成的數值矩陣是超聲圖像未經圖像處理前所對應的二維數值表示［9-12］。由于未經過圖像增強，該數值矩陣所標示的超聲圖像在超聲臨床診斷中，尤其憑借超聲圖像視覺的判斷其意義不大。但對于信號分析與處理，該數值矩陣包含了最全面、未失真的超聲信息，適合于進行算法編譯，以得到具有臨床意義的參量。

1.2熵值與標準差

（1）統計樣本的熵值（S）定義為系統各樣本元素所有可能狀態的總數，熵值S的計算為公式1：

式中Nn為第n個狀態下的可能狀態數，在對信號的處理上反應為數值矩陣中具有同一數值大小的元素數量。熵值體現了統計樣本的混亂度。在對樣本標準差與熵值的分析中，將剔除遠場區末端以及鄰近皮膚表面的區域。

（2）標準差（σ）在數理統計中表示樣本元素之間的離散程度，標準差σ的計算為公式2：

式中xi為定義為樣本中各元素，與樣本均值μ的插值的算術均方根，標準差σ的大小反應了樣本元素的均一度。

由于遠場區末端的超聲信號衰減嚴重，信號噪聲累計，而鄰近皮膚表面區域強烈的聲波干涉以及實際耦合不完全等問題，遠場區以及皮膚鄰近區域的數據加入分析會增加統計漲落的不確定性，在本研究中遠場區末端與鄰近區域定義為數值坐標1500與100，因此取值區域在縱向坐標［100，1500］區間范圍內，超聲RF數據矩陣如圖1所示。

圖1　超聲RF數據矩陣圖像

2　特征算法臨床測試結果

利用邊界識別算法確定良性腫塊區域，勾勒出腫塊邊界，使用判斷程序讀出邊界坐標，并截取腫塊區域，分別求取腫塊區域與正常區域的標準差與熵值作比較［13-15］。

在實際數據處理的過程中，抽取4組超聲RF數據，采用抽樣的數據矩陣區塊對腫塊區域與正常區域的標準差與熵值進行比較分析，4組超聲RF數據的腫塊區域與正常區域的標準差與熵值比較結果見表1。

表1　超聲RF數據的腫塊區域與正常區域的標準差與熵值

表1顯示，正常乳腺組織與良性腫塊區的標準差與熵值數值大小有明顯的區別，正常組織的標準差數值集中在56和78，應與表中數據統一區間，而腫塊組織的標準差數值集中在40和49，應與表中數據統一區間。同樣在統計熵值中，正常組織的數值集中區間為6.75和6.95，而腫塊組織的數值集中區間5.15和6.22。

3　討論

3.1特征算法與病理組織學

迄今為止，對于超聲RF采集后圖像的處理，國內外學者提出了諸多方法，多是針對脂肪肝與肝纖維化分級的超聲RF信號提出的算法并進行評估。人體的組織結構極為復雜，在不同的器官和不同的組織中，有著不同的聲學特征，因此正常細胞區域和與病灶區域的聲阻抗也會有明顯差異，在超聲信號發射到人體后兩者會有不同的折射、散射及衰減，從而造成圖像上的差異［16-17］。圖像差異主要來自于兩點：①正常細胞的形態、規則及大小一致，細胞核與整個細胞的比例穩定，在每個細胞核內染色質分布均勻，而由于腫瘤細胞不受正常調控系統控制的特點，其細胞體積會明顯增大，核的形態也不一，可能出現多核、雙核及巨核等各種情況，因此細胞的核質比要比正常細胞大許多；②正常細胞大多具有接觸抑制，體內表現為細胞的排列規則，細胞生長過程中，一旦相互接觸達到致密結構便不再分裂，而腫瘤細胞則失去了接觸抑制，在體內無序的迅速增值，即使堆積成群，仍然可以繼續分裂生長，形成腫塊［18-19］。

腫瘤的特征與本研究的數據呈現的特征相一致，由于腫瘤細胞失去接觸抑制的特性，細胞呈現出更加團塊化的狀態，因此腫塊區域與正常區域相比，細胞核占據了大部分空間，使得整片區域對超聲信號的反映更加一致，圖像上表現為標準差更小，熵值更小。

3.2特征算法的臨床應用

由于超聲RF參數在正常組織與病變區域有著較大的區別，可被用作乳腺腫瘤的早期篩查與輔助判斷。在實際臨床應用中可以考慮將RF參數生成加入至超聲圖像掃描模塊，在圖像掃描的過程中手動選定ROI區域，由超聲診斷儀直接生成RF參數，輔助醫生診斷。

4　結論

在對超聲RF信號的分析表明，選取標準差與熵值兩種特征算法，均可較清晰地反映出正常乳腺組織和乳腺腫塊之間的差別。兩者在標準差與熵值的參數上均反映為集中在一定的區間內，而且正常區域相較于腫塊區域呈現出較高的數值，與細胞形態學上的相關特征反映一致。同時，在對腫塊區域和正常區域標準差參數分析的對比中顯示，兩者平均相差40%，具有較高的臨床診斷價值。熵值算法中正常區域更加集中，而腫塊區域較為分散。但兩種算法各有利弊，均能對輔助診斷提供依據。

［1］李曉峰，沈毅，王強，等.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），2009，39（3）：770-775.

［2］陳秋霞，向軍，劉奇，等.乳腺腫瘤超聲圖像紋理特征分析［J］.激光雜志，2014，35（3）：65-66.

［3］Tzagkarakis G，Achim A，Tsakalides P，et al. Joint reconstruction of compressively sensed ultrasound RF echoes by exploiting temporal correlations［C］.IEEE Internat Symposium Biomed Imaging，2013，20：632-635.

［4］Li G，Luo Y，Deng W，et al.Computer aided diagnosis of fatty liver ultrasonic images basedon support vector machine［J］.Conf Proc IEEE Eng Med Biol Soc，2008，2008：4768-4771.

［5］劉映，林江莉，陳科，等.基于PCA的脂肪肝超聲RF信號特征選擇［J］.實驗科學與技術，2014，12（4）：4-7.

［6］林江莉，汪小毅，李德玉.脂肪肝B超圖像特征提取研究［J］.四川大學學報（工程科學版），2005，37（1）：130-134.

［7］高永振，林春漪，陳秋彬，等.基于超聲射頻時間序列的肝纖維化程度評分方法［J］.生物醫學工程學雜志，2015（1）：175-180.

［8］劉志東，羅燕，林江莉.基于超聲射頻RF信號的脂肪肝分級量化方法［J］.四川大學學報（工程科學版），2011（S1）：160-164.

［9］肖舜金，武劍輝，欒強厚，等.基于PCI總線的超聲射頻數據傳輸系統［J］.電子測量技術，2012，35（3）：120-123.

［10］王婷，高曉蓉，李金龍，等.基于小波變換的超聲圖像去噪算法研究［J］.信息技術，2015（2）：93-96.

［11］Po-Wen Cheng，Che-Chou Shen，PCLi，et al. Ultrasound RF channel data compression for implementation of a software-based array imaging system［C］.IEEE International Ultrasonics Symposium，2011：1423-1426.

［12］廖長義，王華，周慧婷，等.基于超聲射頻回波分布的脂肪厚度測量［J］.壓電與聲光，2012，34（5）：806-810.

［13］林其忠，余建國，王怡，等.超聲乳腺腫瘤圖像的邊緣提取［J］.中國醫學影像技術，2007，23（10）：1572-1574.

［14］林一聰，鄭政，趙智慧，等.基于FPGA的超聲射頻信號自適應濾波器［J］.北京生物醫學工程，2012，31（1）：21-25，30.

［15］付樹軍，阮秋琦，李玉，等.基于各向異性擴散方程的超聲圖像去噪與邊緣增強［J］.電子學報，2005，33（7）：1191-1195.

［16］汪源源，沈嘉琳，王涌，等.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，2006，14（2）：333-340.

［17］高榆秀，趙誠，趙鵬，等.乳腺葉狀腫瘤與纖維腺瘤超聲圖像特征的統計學分析［J］.中國超聲醫學雜志，2013，29（11）：975-978.

［18］孫衛健，康莉，范曉芳.常規超聲與彈性成像技術鑒別診斷乳腺腫塊的比較研究［J］.中華超聲影像學雜志，2010，19（2）：181-182.

［19］張祥盛.WHO乳腺腫瘤組織學分類［J］.診斷病理學分類，2012，19（6）：477-478.

Ultrasound radio-frequency characteristic signal processing for breast lump recognition

YAN Yu， FANG Ge， CAI Run-qiu， et al

China Medical Equipment，2016，13（9）:20-22.

Objective: As an aided diagnostic method for medical ultrasound systems， radiofrequency characteristic signal processing enables doctors to increase the recognition rate for certain diseases， the aim of ultrasound RF signal processing is to acquire the corresponding parameters with clinical aids. Methods: The raw radio-frequency data， collected from the backstage databank of VINNO 70 ultrasound scanner， was compiled into manageable matrix format. Then the breast lump region and normal tissue region labelled in the data matrix，was processed by standard variance and entropy algorithms compiled using Matlab. Results: The results indicate the entropy and standard deviation of normal region is higher than lump region about 40%. Conclusion: The analysis of results conclude the effectivity of the standard variance and entropy algorithms to recognize the breast lump region and the normal tissue region.

Characteristic signal processing； Ultrasound radio-frequency signal； Breast lump； Ultrasound diagnostic platform

1672-8270（2016）09-0020-03

R445.1

A

10.3969/J.ISSN.1672-8270.2016.09.006

2016-03-29

①江蘇省中醫院設備處 江蘇 南京 210029

②南京醫科大學生物醫學工程系 江蘇 南京 210029

嚴郁，男，（1979- ），博士研究生，高級工程師。江蘇省中醫院設備處，從事醫院設備管理與采購工作。