乳腺病灶的多顯著性檢測方法

方宏文，蔡 念，周靜雯，白有芳，黎 劍，王 晗

1.廣東工業大學 信息工程學院，廣州 510006

2.中山大學 腫瘤中心 診斷和介入超聲科，廣州 510060

3.廣東工業大學 機電工程學院，廣州 510006

乳腺癌是導致全世界婦女死亡的主要癌癥之一[1]。臨床研究發現，如果及早發現乳腺病灶并進行有效治療，治愈率可以大大提高。因此，早期術前影像學評估，尤其是無創的超聲影像學檢查，對乳腺癌的研究和治療具有重要意義[2]。

乳腺病灶自動檢測可大幅度減輕醫生勞動強度[3]，受到廣泛關注和研究[4-12]。其中，顯著性檢測符合人類的視覺注意力機制，成功應用于乳腺病灶檢測。文獻[4]提出一種乳腺超聲圖像腫瘤自動檢測的顯著性模型；文獻[5]提出一種基于先驗知識學習的乳腺腫瘤自動定位算法；文獻[10]提出了一種混合優化的腫瘤顯著性估計框架；文獻[12]提出一種基于吸收馬爾可夫鏈的超聲圖像中乳腺腫瘤的顯著性目標檢測方法。但是，由于乳腺超聲圖中包括脂肪層、乳腺層和肌肉層等，因此圖像對比度低，存在斑點噪聲。此外，部分腫瘤邊界模糊，使得檢測出來的腫瘤邊界存在偽影等干擾。因此，這些顯著性檢測方法對乳腺病灶檢測仍有提升空間。本文提出一種基于多種先驗知識決策的乳腺病灶顯著性檢測方法。首先，采用中值濾波進行濾波，提出一種自適應閾值分割提高乳腺超聲圖像質量。然后，基于圖像背景先驗獲得粗糙顯著圖。為了抑制誤檢的非病灶區域，再融入頻率先驗和自適應中心先驗進行顯著性優化。最后，再進行圖割優化獲得最終精細顯著圖，檢測超聲圖像中的乳腺病灶。

論文貢獻主要體現在：

（1）針對以往方法對乳腺病灶先驗知識利用不足而導致檢測精度較低的問題，本文融合背景先驗、頻率先驗和中心先驗等三種先驗知識，結合單元胞自動化機和圖割優化，提出一種多顯著性檢測方法實現超聲乳腺病灶區域自動檢測。

（2）針對傳統方法簡單地利用固定閾值分割方法來增強圖像對比度而導致檢測效果差的問題，提出一種基于經驗累積分布函數自適應閾值分割的方法，解決超聲乳腺圖像對比度低造成的顯著性檢測效果差的問題。

（3）針對傳統方法會出現由于乳腺病灶偏離乳腺超聲圖像的中心而導致漏檢或錯檢問題，本文在自適應確定乳腺病灶區域的基礎上，提出一種改進的自適應中心先驗方法。

1 本文算法

如圖1 所示，本文提出的算法框架由三部分構成，分別為預處理、顯著性檢測和顯著性優化。

圖1 本文算法框架圖Fig.1 Framework of proposed algorithm

1.1 預處理

由于乳腺超聲圖像的質量（包括灰度、對比度等）較差，且存在一些固有的斑點噪聲。為了減少噪聲的干擾，利用中值濾波器對原乳腺超聲圖像進行平滑處理。

由于乳腺超聲圖有脂肪層、乳腺層和肌肉層三個主要層，脂肪層和肌肉層形成許多水平亮帶，乳腺層位于脂肪層和肌肉層之間，因此乳腺病灶呈現低回聲特征出現在乳腺層。針對以往方法簡單地利用固定閾值分割方法來增強圖像對比度而導致檢測效果差的問題，本文提出一種基于經驗累積分布函數自適應閾值分割的方法，分割低回聲區域（即病灶區），增強病灶區域與周圍其他組織的對比度，通過兩個自適應閾值l和h分割得到增強圖像I：

其中，f(x,y)表示原超聲圖像的灰度值，l和h采用經驗累積分布函數F(t)[6]來確定，本文中l和h分別取F（0.1）和F（0.8），這將在本文的2.2節討論證明。

1.2 顯著性檢測

1.2.1 基于背景先驗初始顯著圖

式中，sk,i表示超像素i與第k聚類中所有位于乳腺超聲圖像邊界的背景種子之間的顏色差異，||ci,cj||表示超像素i和超像素j在CIE LAB 顏色空間的歐式距離；wk,j表示超像素i與第k類中所有背景種子之間的空間距離，ri和rj是超像素i和j的坐標；pk為屬于聚類k的邊界超像素；θ是一個平衡參數，用來平衡顏色和空間位置距離之間的重要性。

1.2.2 基于頻率先驗顯著圖

乳腺病灶區域往往富含細節信息，尤其當乳腺病灶存在浸潤現象時，因此頻率先驗對于乳腺病灶檢測也具有重要意義。由于二維對數Gabor 濾波器是一種在對數頻率尺度上傳遞函數為高斯函數的濾波器，可以更好地反映二維乳腺超聲圖像的頻率響應，因此采用二維對數Gabor濾波器[16]的傳遞函數對乳腺超聲圖像進行帶通濾波，提取醫學上較為關注的乳腺病灶邊界區域的頻率特征，得到基于頻域先驗顯著圖SF：

其中，u=(u,v)∈R2為頻域坐標，ω0為濾波器的中心頻率，實驗中ω0=0.002，σ2F=6.2為濾波器的帶寬。

1.2.3 基于自適應中心先驗顯著圖

基于人類視覺機制，物體的目標通常置于圖像的中心位置，通過中心先驗可以簡單快捷地提高目標的檢測效率。傳統方法采用圖像中心位置作為中心先驗來構建高斯圖，從而獲得中心先驗顯著圖S(x)[16]：

1.3 顯著性優化

1.3.1 單元胞自動機優化

在1.2.1小節生成的基于背景先驗的粗糙顯著圖Sb中，存在大量的非乳腺病灶區域，并且檢測到的病灶區域沒有完全凸顯。在本文中，采用單元胞自動機嘗試解決這一問題。

其中，||ci,cj||表示超像素i和j在CIELAB 顏色空間的歐式距離，σ3為一個參數用來控制相似度的強度，N(i)表示單元i的鄰集。

更新規則定義為：

1.3.2 多先驗融合優化

以往方法[14-15，17]主要利用單一先驗或兩種簡單先驗實現顯著性檢測。但是，乳腺超聲圖因病灶及周邊組織的存在而導致圖像內容較為復雜，難以用簡單先驗知識進行表征。因此，針對以往方法對乳腺病灶先驗利用不足的問題，本文提出一種多顯著性檢測方法檢測超聲乳腺病灶區域。通過融合多種先驗顯著圖，不僅有利于消除顯著圖中的背景噪聲，還可以準確地融合各種顯著特征，從而提高病灶區域的檢測準確率。

融合方法定義為：

其中，λ是一個平衡參數，用來平衡三種顯著圖的關系。如圖2所示，通過單元胞自動機優化后的背景先驗顯著圖在一定程度上進一步凸顯了乳腺病灶。精細顯著圖Sopt相對于其他兩種顯著圖具有較大的比重。因此，本文經驗選取λ=2。此外，θ1、θ2為兩個權重參數，且θ1+θ2=1 ，當經驗性地設置為θ1=0.3，θ2=0.7時，乳腺病灶的檢測效果最佳。

圖2 各階段顯著圖可視化結果Fig.2 Saliency map visualization results of each stage

最后，采用圖割優化方法對融合結果進一步平滑得到最終的乳腺病灶定位結果。

2 實驗結果與分析

2.1 數據集和評價指標

由中山大學腫瘤中心提供的208 張臨床乳腺超聲圖像構成實驗數據集，數據集考慮了多種復雜形態、不同信噪比等特性。由經驗豐富的放射科醫生通過Labelme 軟件手動標記生成乳腺病灶金標準，即正確標簽（GT）。

與其他顯著性檢測方法相似[15]，采用3 種經典評價標準評價算法性能：精確率（P）、召回率（R）、F-measure值。所有實驗在CPU 為i5/2.6 GHz，8 GB/RAM 和GPU為GT940M的電腦及軟件平臺MatlabR2014a上進行。

2.2 l 和h 值的選擇

在預處理階段，自適應閾值l和h由經驗累積分布函數F(tj)確定。因此，經驗累積分布函數F(tj)中的參數tj(j=1,2)對所提出的顯著性檢測方法的性能有重要影響。

在這一節中，通過實驗討論了這兩個參數tj(j=1,2)對所提出的顯著性檢測方法的影響。為了簡單起見，使用F-measure值進行評估。如圖3（a）所示，F-measure值在t1∈[0.09,0.11]和t2∈[0.78,0.82]時相對大。因此，本文將這兩個參數(j=1,2)選擇為t1=0.1，t2=0.8，如圖3（b）中的黑點所示（黑點表示t1和t2的選擇），即自適應閾值l和h分別為l=F(0.1)和h=F(0.8)。

圖3 不同參數的顯著性檢測結果tj(j=1,2)Fig.3 Saliency detection results with different parameters tj(j=1,2)

2.3 與其他顯著性算法對比

將本文提出的方法與其他5 種顯著性檢測方法（BSCA2015[15]、TIP2015[17]、TIP2017[18]、DSMR2018[19]、AMC2019[12]）進行比較。圖4 展示了4 張典型的乳腺超聲圖病灶的檢測視覺效果。如圖4所示，本文方法的檢測結果更接近GT，能更準確地定位乳腺病灶。雖然，本文方法檢測出來的乳腺病灶區域內有少許的陰影，但這是因為在醫學上乳腺病灶的邊界區域中的過渡能夠反映乳腺病灶的浸潤等現象，因此未做后處理將這些陰影去除。至于其他方法，檢測出來的視覺效果都較差，出現了大量的誤檢，甚至出現一些棋盤方塊現象。具體來說，BSCA2015 方法雖然可以大概定位病灶，但是仍然存在眾多誤檢區域；TIP2015 方法錯誤地把脂肪當作病灶檢測出來，并且檢測出的病灶不完整，背景噪聲多，因此，該方法精確率和召回率都非常低；TIP2017 方法與TIP2015方法相似，也將脂肪當作病灶導致檢測效果差；DSMR2018 顯著性檢測模型通過約束傳播方式來檢測腫瘤區域，因此，當腫瘤部分區域對比度較低時，則檢測出來的腫瘤不完整；AMC2019 檢測模型利用吸收馬爾科夫鏈的吸收時間衡量腫瘤的顯著性，因此當腫瘤和邊界非常相似時，則檢測失敗。表1直觀地顯示了各種顯著性檢測方法的定量統計的對比結果，可以看出，提出的算法的性能優于其他算法。

圖4 不同顯著性檢測方法的顯著性檢測結果Fig.4 Saliency detection results of different saliency detection methods

表1 不同顯著性檢測方法的比較Table 1 Comparison of different saliency detection methods

在本文提出的基于多顯著性融合的乳腺病灶檢測方案中，基于背景先驗顯著圖通過選擇背景種子的方式可以大致定位到乳腺病灶區域，但是還存在大量的非病灶區域（即背景噪聲），并且存在病灶檢測不完整，病灶邊界特征不明顯等問題。基于頻率先驗顯著圖對于病灶邊界，病灶的整體特征提取較為充分，但是存在其他無關的組織特征也被檢測出來，因此，基于頻率先驗的顯著圖也同樣存在大量的背景噪聲。基于自適應中心先驗顯著圖以高斯圖的方式來凸顯病灶的區域，其他無關的非病灶區域則通通被消除掉。因此，三種先驗顯著圖存在著互補的關系，融合三種先驗顯著圖有利于抑制大量的無關背景噪聲，并且進一步凸顯病灶區域。

然而，本文所提出的方法也存在一個缺陷：由于本文的方法將背景先驗結合到混合的顯著性檢測框架中，該框架利用乳腺超聲圖像邊界作為背景，然后計算與乳腺超聲圖像邊界距離較大的作為乳腺病灶的顯著性，這將導致當大部分病灶位于圖像邊界時，檢測效果不理想。

3 結論

乳腺超聲病灶自動檢測可以輔助診斷乳腺腫瘤，有助于減少醫生的工作量和提高診斷效率。本文融合背景先驗、自適應中心先驗以及頻率先驗等三種先驗知識，結合顯著性優化建立多顯著性檢測方法，實現超聲影像中的乳腺病灶檢測。

實驗結果顯示，本文方法在檢測乳腺病灶時的精確率Precision 值達92.50%，召回率Recall 達87.05%，F-measure 值達91.18%，優于當前多種顯著性檢測方法，在乳腺外科輔助診斷上展示了較強的應用潛力。