運用超聲造影特征選擇的淋巴結良惡性鑒別

林細林，張 麒，韓 紅

(1.上海大學通信與信息工程學院，上海 200444；2.復旦大學附屬中山醫院超聲科，上海 200032)

0 引言

淋巴結病變分為良性病變和惡性病變。良性病變包括反應性增生和淋巴結核，惡性病變包括淋巴瘤和轉移性惡性腫瘤[1]。甲狀腺癌轉移性淋巴結病變為淋巴結惡性病變的易發癥[2]。利用計算機輔助區分甲狀腺癌轉移性淋巴結病變和良性病變具有重要的臨床意義。超聲造影(contrast-enhanced ultrasound,CEUS)通過向血液中注射造影劑來增強血液的背向散射，并用諧波成像顯示淋巴結內部新生血管，經由經驗豐富的醫生判斷淋巴結的良惡性[3]。

醫生人工判斷存在主觀性和可變性，難以準確、客觀地對良惡性淋巴結作出評價，而運用影像組學可對CEUS圖像提取量化特征，以定量描述淋巴結的性質。影像組學是一種新興的醫學影像分析手段，其通過數據挖掘技術從醫學圖像中提取多維度的量化特征[4-11]，并通過特征選擇等降維技術篩選得到具有更好鑒別能力的特征子集，從而建立圖像特征和病理良惡性、分子分型或預后等之間的關聯。影像組學較少應用于CEUS圖像，本文將其應用于CEUS圖像中淋巴結病變的良惡性分類，效果較好。

由于特征數量多且相互之間存在冗余及干擾信息，因此需對提取到的特征進行降維，從而獲取具備更佳鑒別能力的特征子集。該任務即為特征選擇。本文運用三種特征選擇方法對高維的淋巴結CEUS特征進行降維，以提高計算機自動分類的準確率。

1 材料和方法

1.1 視頻分幀和病灶跟蹤

①視頻分幀。

本課題的淋巴結CEUS圖像序列采集自復旦大學附屬中山醫院超聲科，采集了50個病人共計66個淋巴結腫大病灶(包含35個良性病灶和31個甲狀腺癌轉移性病灶)的CEUS圖像序列。將采集到的視頻文件統一分離為靜態的JPEG圖像幀。臨床上通常在屏幕上雙幅并排顯示B型超聲圖像和CEUS圖像，獲取的圖像幀如圖1所示。

圖1 臨床淋巴結圖像Fig.1 Clinical image of a lymph node

②病灶跟蹤。

與CEUS圖像相比，B型超聲圖像能更加明顯地呈現病灶形態。因此，首先在第一幀B型超聲圖像中勾勒病灶輪廓以確定其位置，接著運用實時壓縮感知跟蹤(real-time compressive tracking,RTCT)算法跟蹤B型超聲圖像的病灶區域并進行運動補償[8]。該算法的基本思想是：確定第一幀中跟蹤窗口的位置，在當前窗口中心位置采集若干正樣本；在遠離窗口中心的位置采集若干負樣本，對這些樣本提取多尺度圖像特征；利用符合壓縮感知有限等距性條件的隨機測量矩陣，對提取到的多尺度圖像特征進行優化，從而對樸素貝葉斯分類器的參數進行更新[4-5]。接下來的每一幀，均在前幀窗口中心的附近位置提取若干樣本，在分類器中得分最高的樣本將被確定為跟蹤到的當前幀病灶位置。根據B型超聲圖像每幀相同的位移量，可以對CEUS圖像中的病灶進行運動補償。

1.2 時空域特征提取

運用影像組學，對運動補償后的CEUS圖像進行時空域特征提取，得到312維特征。

①時域特征。

計算每幀圖像的平均灰度值，得到平均灰度隨時間變化的曲線 (time-intensity curve,TIC)如圖2所示。

圖2 平均灰度變化曲線Fig.2 Average gray change curve

從TIC提取峰值增強強度(peak enhancement,PE)、達峰時間(time to peak,TTP)、曲線下面積(area under the curve,AUC)等9個量化特征[1]。本文基于有無運動跟蹤、有無低通濾波相互組合的4種情況，提取時域特征，共9×4=36個。

②空域特征。

TIC達到峰值時的圖像幀稱為峰值幀。以峰值幀為中心、前后均取若干幀平均得到的圖像稱為時間平均圖像。本文從3種圖像(有運動補償的時間平均圖像、無運動補償的時間平均圖像、峰值幀圖像)中分別提取92個空域特征，共92×3=276個。92個特征如下。

一階統計量：中值(Median)、直方圖熵(EntropyHis)等共18個統計學特征。

灰度共生矩陣紋理特征：對比度(Cont)、能量(E)、均一度(Hm)、熵(Et)。在像素間隔0,1,...,15時分別計算，因此共含4×15=60個特征。

二值圖像特征：用大津閾值法[6]將灰度圖轉為二值圖。提取1/n外部面積比值(AR1n_out)、中心偏移度(CDD)、徑向偏離度(RDD)、離散度(DD)、內部面積比與外部面積比的比值(RARx)、徑向離散度(RSD)等共14個特征。

1.3 特征選擇

特征選擇能有效降低特征的維數，消除噪聲及冗余特征。挑選出與問題相關及具有良好區分能力的特征子集[7]，并稱之為影像組學印簽。篩選出的特征更能代表問題的實質，從而有效地提高分類的精確度。本文分別運用最小絕對壓縮(least absolute shrinkage and selection operator,LASSO)法、支持向量機回歸特征(recursive feature elimination based on support vector machine,SVM-RFE)法、Fisher準則法這3種方法，對312維特征進行降維。

由Robert Tibshirani提出[7]的公式為：

(1)

(2)

式中：yi為響應向量(標簽)；xi=(xi1,xi2,...,xin)為觀察向量(量化特征)；βj為第j個變量的回歸系數。

Guyon等人提出將SVM-RFE用于特征選擇[10]。SVM-RFE的基本流程如下[7]。

①當前特征(current feature,CF)子集包含所有的特征，最優特征(best feature,BF)子集為空集。

②設定每一次迭代時刪除的特征數為1。

③重復以上步驟，直到CF的集合中不包含任何元素。

根據單個特征的特征權重|w|，對當前特征子集內的特征進行降序排列。刪除排名最后的特征，余下的特征構成新的CF。若當前CF的判別準確率高于BF的準確率，則該CF成為新的BF。

④返回BF子集。

Fisher準則：設N個樣本分屬2類，記為wi={x(k),k= 1,2,…,Ni}，i=0，1；記x(k)、mi(k)、m(k)分別表示樣本x的樣本均值在第k維的取值、wi的樣本均值在第k維的取值、所有樣本的均值在第k維的取值。

(3)

(4)

(5)

1.4 SVM留一法分類

假設有n個樣本，將其中(n-1)個樣本用于訓練SVM分類器模型，剩余一個樣本用于預測，交叉驗證n次，得到平均預測分類結果。

2 試驗和結果

全體312維特征的支持向量機(support vector machine,SVM)留一法分類準確率(Acc)、精度(Pre)、敏感性(Sen)、特異性(Spc)、約登指數(Yi)分別為87.1%、85.2%、82.1% 、85.7%、67.9%。

2.1 LASSO篩選后分類結果

試驗表明，當特征數為10個左右時，分類性能最佳。試驗時，分別篩選出8～12個特征并進行SVM留一法分類，結果如表1所示。

表1LASSO特征選擇后分類結果

Tab.1ClassificationresultsoffeatureselectionbyusingLASSO%

當篩選特征數為11個時，SVM留一法分類Acc、Pre、Sen、Spc、Yi分別達到了98.5%、100%、97.1%、100%、97.1%。試驗結果表明，DD、AR13_out、RSD、AR12_out、 RDD、EntropyHis、AUC、TTP這些量化特征在良惡性淋巴結間有顯著差異(t檢驗p<0.001)。

2.2 SVM-RFE篩選后分類結果

使用SVM-RFE篩選特征，最先剔除的排在最后，最后剔除的排在第一，按排列順序篩選出前8～12個特征并進行SVM留一法分類，結果如表2所示。

表2SVM-RFE特征選擇后分類結果

Tab.2ClassificationresultsoffeatureselectionbyusingSVM-RFE%

結果顯示，選出10個特征作為特征子集時，SVM留一法分類Acc、Pre、Sen、Spc、Yi分別達到了92.4%、94.1%、91.4%、93.6%、 85.0%。AR13_out、DD、AR12_out、PE、CDD、median這些特征均滿足p<0.001。

2.3 Fisher準則篩選后分類結果

采用Fisher準則篩選出8～12個特征并進行SVM留一法分類，結果如表3所示。

表3Fisher準則特征選擇后分類結果

Tab.3ClassificationresultsoffeatureselectionbyusingFisthercriterion%

篩選出9個特征時，SVM留一法分類Acc、Pre、Sen、Spc、Yi分別達到了92.4%、94.1%、91.4%、93.6%、85.0%。AR13_out、AR12_out、DD、RAR2、RAR3、PE特征均滿足p<0.001。

3 結束語

經影像組學提取高維量化特征，并由LASSO、SVM-RFE、Fisher準則法這三種方法降維后的影像組學印簽相對全體特征，分類準確度均得到提升。SVM留一法最佳，分類準確率分別達到了92.4%、92.4%、98.5%，說明特征選擇能夠得到鑒別能力更強的特征子集。

LASSO特征篩選的SVM留一法分類性能顯著提升，Acc、Pre、Sen、Spc、Yi分別達到了98.5%、100%、97.1%、100%、 97.1%，相較全體特征的分類結果提高了11.4%、14.8%、15.0%、14.3%、29.2%。DD、AR13_out、RSD、AR12_out、RDD、EntropyHis、AUC、TTP這些量化特征在良惡性淋巴結間差異顯著，有望對區分甲狀腺癌轉移性淋巴結與良性淋巴結和治療評估提供幫助。在后續工作中，將進一步探究影像組學在腫瘤診療中的應用。

參考文獻:

[1] 張麒，戴偉，韓紅，等.淋巴結超聲造影圖像序列的特征提取[J].自動化儀表,2015,36(10):40-43.

[2] DAVIES M,ARUMUGAM P J,SHAH V I,et al.The clinical significance of lymph node micrometastasis in stage I and stage II colorectal cancer[J].Clinical and Translational Oncology,2008,10(3):175-179.

[3] FFSCHNEIDER M.Bubbles in echocardiography: climbing the learning curve[J].European Heart Journal Supplements,2002(4):C3-C7.

[4] LIU L,FIEGUTH P W.Texture classification from random features[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(3):574-586.

[5] WRIGHT J,YANG A Y,GANESH A,et al.Robust face recognition via sparse representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(2):210-227.

[6] 王君.基于SVM-RFE的特征選擇方法研究[D].大連：大連理工大學,2015.

[7] TIBSHIRANI R.Regression shrinkage and selection via the LASSO[J].Journal of the Roya Statistica Society:Series B,2011,73(3):273-282.

[8] ZHANG K,ZHANG L, YANG M H.Real-time compressive tracking[M].Berlin:Springer,2012:864-877.

[9] GUYON I,WESTON J,BARNHILL S,et al.Gene selection for cancer classification using support vector machines[J].Machine Learning,2002,46(1-3):389-422.

[10]AERTS H J W L,VELAZQUEZ E R,LEIJENAAR R T H,et al.Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach[J].Nature Communications,2014(5):4006.

[11]ZHANG Q,XIAO Y,SUO J,et al.Sonoelastomics for breast tumor classification: a radiomics approach with clustering-based feature selection on sonoelastography[J].Ultrasound in Medicine & Biology,2017(6):109-115.