基于激光圖像處理技術的微小乳腺腫瘤精準診斷

魏靜

(西安海棠職業學院 醫學美容學院， 陜西 西安 710038)

0 引言

乳腺腫瘤是當前世界范圍內影響女性健康的主要疾病之一[1]，國際相關組織的相關研究結果顯示[2]，全球每年有上百萬婦女因乳腺腫瘤疾病去世，截止到2017年，亞洲女性乳腺腫瘤發病率達到5%以上。乳腺腫瘤在早期的診斷方式普遍是靠專家篩查乳腺X線圖像[3]判斷腫瘤性質(良性腫瘤或惡性腫瘤)。但針對微小乳腺腫瘤，專業腫瘤醫生也不能完全實現精準診斷，因此針對微小乳腺腫瘤的精準診斷成為保障女性健康的熱點問題。

國內外對于乳腺腫瘤診斷進行大量研究，文獻[4]將交叉驗證方法引入多變量組合診斷，建立Logistic回歸預測模型，取靈敏度，特異度之和中最大的預測概率作為最佳診斷點，并根據ROC曲線下面積對模型的預測性能進行評估，比較DCE-MRI和DCE-MRI聯合IVIM-DWI對乳腺病變良、惡性的診斷效能；該方法中忽略乳腺腫瘤圖像處理過程，導致圖像特征模糊，造成乳腺腫瘤診斷精度存在明顯波動性；文獻[5]利用多卷積神經網絡模型進行訓練，融合訓練好的多個模型，提升最終乳腺腫瘤診斷的準確度；該方法診斷過程中需分別訓練模型并融合各模型，診斷過程較為復雜，時空性能較差；文獻[6]提取乳腺腫瘤區域與非乳腺腫瘤區域的灰度共生矩陣，采集乳腺腫瘤圖像的紋理特征，對特征進行模糊C聚類，以此診斷乳腺腫瘤；該方法針對較大的乳腺腫瘤進行診斷時精度較高，當腫瘤較小時，診斷精度明顯下降。

本文進行基于激光圖像處理技術的微小乳腺腫瘤精準診斷研究，通過對乳腺X線圖像進行處理，提升微小乳腺腫瘤診斷的精度。

1 激光圖像處理技術的微小乳腺腫瘤精準診斷方法

基于激光圖像處理技術的微小乳腺腫瘤精準診斷方法實現流程如圖1所示。

圖1 微小乳腺腫瘤精確診斷流程

對初始乳腺X線圖像進行圖像預處理，提取乳腺組織；對乳腺組織圖像進行圖像增強處理，提升圖像亮度、增強圖像邊緣、突出紋理細節；對增強處理后的圖像進行區域分割，劃分出感興趣區域，即乳腺腫瘤區域；提取乳腺腫瘤區域的紋理特征與幾何特征，根據特征對微小乳腺腫瘤進行精準診斷。

1.1 圖像預處理與圖像增強

圖像預處理的主要功能是在乳腺X線圖像中提取乳腺組織進行后續乳腺腫瘤分析。初始乳腺X線圖像預處理過程中需去除初始乳腺X線圖像內的胸肌與定位標簽或膠帶等偽影，由于乳腺纖維腺盤是致密組織與實質形態的主要聚集區域[7-8]，因此以該區域為主進行乳腺腫瘤精準診斷研究。作為迭代圖像增強模型，脈沖耦合神經網絡對視覺皮層神經元對視覺信號的感知進行模擬，主要用于增強圖像邊緣，提升圖像的亮度，突出紋理細節。利用脈沖耦合神經網絡模型對預處理后的乳腺X線圖像進行增強處理，提升其紋理清晰度。脈沖耦合神經網絡模型架構，如圖2所示。

圖2 脈沖耦合神經網絡模型架構

主要由接受域、非線性調制域和脈沖發生器共同組成[9]。脈沖耦合神經網絡模型在本質上是一個單層二維神經網絡模型，各神經元與輸入圖像的像素一一對應。

用(i,j)表示預處理后乳腺X線圖像中某像素的坐標，則Pij和Dij分別表示線性連接輸入和反饋輸入(外部輸入信號)，兩者共同組成接受域輸入，如式(1)、式(2)。

Dij[n]=Aij[n]

(1)

Pij[n]=e-?PPij[n-1]+VP∑EijklHkl[n-1]

(2)

式中，外部輸入信號Dij與預處理后乳腺X線圖像中該坐標像素的灰度值一致；鄰域神經元的連接輸入Pij經由相鄰神經元輸出Hkl與內部連接矩陣Eijkl加權和獲取，在脈沖耦合神經網絡模型中，各神經元輸出為相鄰神經元的輸入，Hkl初始化為0，Eijkl內包含相鄰神經元連接的加權系數；n、?P和VP分別表示脈沖點火迭代次數、Pij的衰減常數和連接輸入的內在電勢。

Dij與Pij兩個輸入通道經由信號調制產生的內部活動項為Uij，可表示調制域的輸出，如式(3)。

Uij[n]=Dij[n](1+δPij[n])

(3)

式中，δ表示連接強度系數。

在脈沖發生器內對比Uij和動態閾值Wij，由此輸出脈沖Yij。若Wij>Uij，則關閉脈沖發生器；相反則再次打開脈沖發生器，觸發神經元[10]，按式(4)、式(5)所示輸出脈沖序列。

這種方法是用來恢復指定頻率的諧波。一種簡單有效的方式恢復語音諧波是對應用非線性函數NL。這樣,由人工恢復的信號可由式(12)得到,

Wij[n]=e-?WWij[n-1]+VWYij[n-1]

(4)

(5)

式內，VW和?W分別表示振幅常數和Wij的時間衰減常數。同時，在設定?W值時，需考慮Wij衰減速度等情況。

為實現圖像增強，需要通過脈沖發生器的輸出提升預處理后乳腺X線圖像中各像素的灰度值，如式(6)。

(6)

1.2 圖像分割處理

選取基于多閾值的區域增長分割算法對增強后的乳腺X線圖像進行分割處理，確定微小乳腺腫瘤所在位置[11]。在增強后的乳腺X線圖像中對微小乳腺腫瘤大致所在區域隨機選取一個像素點，作為微小乳腺腫瘤區域內的種子點。針對大致區域內的某一點，若其與相鄰的4個點l(i,j)均符合式(7)所示內容，即可將該點納入微小乳腺腫瘤區域。

(7)

式中，θ(0≤θ≤1)、Jmax和Jmin分別表示閾值、大致區域內的最大像素值與最小像素值。像素點納入過程是循環迭代的過程[12]，直至沒有相鄰像素點符合式(7)標準。微小乳腺腫瘤區域的邊界即最外層的像素點[13]。這一過程中閾值的確定尤為重要，可通過多閾值方法對各微小乳腺腫瘤區域確定一個最優閾值θ。設定閾值θ的閾值范圍為式(8)。

θ(t+1)=θ(t)+step, 0.01≤θ(t)<0.4

(8)

針對不同閾值θ(t)，依照式(7)實施區域提升，獲取一個提升區域r(t)，該提升區域邊界表示為c(t)。在該提升區域內采集一組特征，用S(θ(t),j),j=1,2,…,m表示，其中m表示特征采集數量。針對各θ(t)構建特征向量，不同特征向量在第t次與第t+1次迭代過程的距離定義為式(9)。

(9)

歸一化距離定義為式(10)。

(10)

令歸一化距離d(t)最小的閾值對應的區域r(t)為最終微小乳腺腫瘤區域，其對應的邊界為最終微小乳腺腫瘤區域邊界。

1.3 特征提取

1.3.1 紋理特征

分析乳腺X線圖像微小乳腺腫瘤紋理特征時可利用歸一化自相關系數。描述乳腺X線圖像粗糙程度的歸一化自相關系數能夠體現微小乳腺腫瘤區域內像素間的相關性，如式(11)、式(12)。

(11)

式中，η表示正的常數。

(12)

為降低亮度對紋理的干擾，對式(12)進行優化，得到式(13)。

(13)

1.3.2 幾何特征

幾何特征是判斷乳腺X線圖像微小乳腺腫瘤性質的主要特征之一，通常情況下，良性乳腺腫瘤與惡性乳腺腫瘤的形狀分別表現為圓形(橢圓)和不規則形狀。在判斷微小乳腺腫瘤幾何特征時可利用緊湊度COMP指標，該指標描述如式(14)。

(14)

式中，Qr和K分別表示微小乳腺腫瘤生長區域面積和邊界周長。Qr和K可通過計算得到式(15)、式(16)。

(15)

(16)

式中，xi表示微小乳腺腫瘤區域邊界上第點的橫坐標；yi表示微小乳腺腫瘤區域邊界上第i點的縱坐標；C表示微小乳腺腫瘤區域邊界上點的數量。

根據乳腺X線圖像中微小乳腺腫瘤區域圖像的紋理特征與幾何特征可實現微小乳腺腫瘤的診斷。

2 實驗結果分析

實驗為驗證本文所研究的基于激光圖像處理技術的微小乳腺腫瘤精準診斷方法在實際臨床應用中的應用效果，在某三甲醫院腫瘤科乳腺X線圖像庫內隨機選取480張乳腺X線圖像作為診斷對象，其中良性腫瘤與惡性腫瘤圖像分別為234張和246張。這些乳腺X線圖像來自2017年6月1日至2018年3月1日期間在該科室就診并經活體切片確診的乳腺腫瘤病人，病人年齡在22歲至58歲之間。

2.1 乳腺X線圖像處理

利用本文方法對所選480張乳腺X線圖像進行處理，根據圖像處理結果判斷微小乳腺腫瘤性質。在良性乳腺X線圖像中隨機選取一張進行處理與診斷，結果如圖3所示。

(a) 初始乳腺X線圖像

(b) 預處理后的圖像

(c) 增強處理后的圖像

(d) 分割處理后的圖像圖3 乳腺X線圖像處理

分析圖3可知，圖3(a)初始乳腺X線圖像極為模糊，無法進行微小乳腺腫瘤性質的診斷；圖3(b)為采用本文方法對初始乳腺X線圖像進行預處理后的圖像，可排除非乳腺組織；圖3(c)為對預處理后的乳腺X線圖像進行增強處理以提升圖像亮度，增強圖像細節特征。對增強后的乳腺X線圖像進行區域劃分可準確獲取微小乳腺腫瘤所在區域，針對該區域采集的乳腺X線圖像紋理特征與幾何特征是微小乳腺腫瘤精確診斷的有力依據。對圖3(d)中微小乳腺腫瘤所在區域的紋理特征與幾何特征進行分析，診斷該圖像為良性微小乳腺腫瘤，診斷結果與實際選取圖像標準一致，由此驗證本文方法的有效性。

選取結構相似度指數與峰值信噪比作為乳腺X線圖像處理效果客觀評價的評價指標，這兩個指標分別描述原始乳腺X線圖像與處理后乳腺X線圖像間目標結構的相似性和處理后乳腺X線圖像內最大可能功率與影響其精度的噪聲功率間的比值。結構相似度指數越接近1，表示乳腺X線圖像處理效果越好。峰值信噪比同乳腺X線圖像清晰度之間成正比關系，峰值信噪比越高，表示乳腺X線圖像清晰度越高。

在480張乳腺X線圖像中隨機選取10張良性腫瘤和10張惡性腫瘤圖像，利用本文方法對所選圖像處理效果的客觀評價結果，如表1所示。

表1 圖像處理效果客觀評價

分析表1得到，利用本文方法對所選乳腺X線圖像進行處理后，良性腫瘤圖像結構相似度指數與峰值信噪比均值分別為0.91和36.36 dB，惡性腫瘤圖像結構相似度指數與峰值信噪比均值分別為0.89和35.46 dB。惡性腫瘤圖像處理效果與良性腫瘤圖像處理效果相比稍差，主要原因在于惡性腫瘤形狀具有不規則性，因此在圖像處理過程中出現一定偏差。實驗結果顯示本文方法對乳腺X線圖像處理的效果較好，滿足實際應用需求。

2.2 微小乳腺腫瘤診斷結果

為測試本文方法的應用效果，以文獻[4]方法和文獻[5]方法為對比方法，采用3種方法對全部480張乳腺X線圖像進行診斷，利用診斷精度ZJ、敏感性MG、特殊性TS、錯誤正比率CZ和錯誤負比率CF為指標，評價不同方法的診斷性能。不同方法對全部乳腺X線圖像的診斷結果，如圖4所示。

圖4 不同方法診斷結果對比

分析圖4可知，本文方法診斷精度達到93.14%，明顯高于另外兩種方法，其他各評價指標與對比方法相比也均有明顯提升。由此說明本文方法具有較好的實際應用性能。

3 總結

本文針對微小乳腺腫瘤的診斷提出基于激光圖像處理技術的微小乳腺腫瘤精準診斷方法。實驗結果顯示本文方法可提升微小乳腺腫瘤診斷精度近2%。在后續研究中主要針對具有不規則形狀的惡性腫瘤邊界信息模型問題進行詳細研究。