基于YOLO的乳腺超聲偽像的檢測

摘 要：偽像會嚴重影響乳腺超聲儀采集數據的整體質量和醫生對病灶的診斷。本文旨在對帶有空載區域、耦合不良和多重反射偽像的乳腺超聲圖像進行自動識別。標注了4168張帶有空載區域、耦合不良和多重反射偽像的乳腺超聲圖像，并使用YOLOv8模型進行訓練。結果表明，模型整體平均精度（mAP50）系數為0.964，其中空載區域、耦合不良和多重反射的平均精度（mAP50）系數分別為0.995、0.922和0.974。經測試，模型能夠對空載區域、耦合不良和多重反射進行精準識別和分類，并提高乳腺超聲檢測的準確性和可靠性。

關鍵詞：乳腺；超聲偽像；YOLO；卷積神經網絡

中圖分類號：R 445 " " 文獻標志碼：A

乳腺超聲儀是現代乳腺疾病診斷的重要工具，具有無創、無輻射和實時動態觀察等顯著優勢。乳腺超聲儀能夠發送聲波并接收其在組織中的反射回聲，清晰地展現乳腺組織的內部結構，為醫生診斷提供詳盡的乳腺影像。該技術有助于發現乳腺腫塊、囊腫等早期病變，為乳腺疾病的良、惡性鑒別提供重要依據。但是乳腺超聲儀在檢測過程中易受醫生操作不規范和偽像的影響，出現采集數據質量不達標的問題。與操作不規范相比，偽像帶來的影響更嚴重且不容易規避，不僅會影響采集數據的質量，還會影響后續醫生對病灶的診斷。進行必要的自動偽像檢測可以更好地幫助醫生把控采集數據的質量，利用自動化手段快速篩選出含有偽像的低質量數據，使醫生專注于分析真實、有效的信息，避免誤診或漏診，還可以提高檢測的準確性、可靠性和檢測效率，減少醫生的工作量。

1 偽像

偽像是指超聲顯示的斷層圖像與其相應解剖斷面組織實際間的差異，又稱超聲偽差、偽影、假象等，表現為聲像圖中回聲信息的失真。當偽像與病灶區域接近或重疊時，會干擾醫生對超聲數據的分析研判。通常有經驗的超聲醫生可以盡量減少這種偽像的產生。但是在大多數情況下，乳腺超聲的局部偽像是不可避免的[1]。

乳腺超聲偽像多種原因較多，例如探頭與皮膚貼合不夠、腺體為壓平、乳頭和乳暈區褶皺產生的圖像后方回聲減弱、耦合劑凝固出現小氣泡、焦點置于乳腺中部或后部以及跳躍征等[2-3]。

1.1 空載區域

當探頭與檢測部位貼合不充分時，該處會出現全黑區域，如圖1所示，圖像的左側和右側均出現了寬度不同的空載區域，嚴重影響檢測部位采集的完整度和后續的檢測診斷。

1.2 耦合不良

超聲波的傳遞速度與介質密度有關，不同組織對超聲波的吸收也不同。對超聲檢查影響最大的是空氣，空氣對超聲波的吸收系數較大，會導致超聲波傳遞不良，無法得到超聲反射圖像。對體表超聲來說，如果探頭與皮膚“干接觸”，那么二者間存在空氣薄層，超聲波無法到達并進入人體[4-5]。如果耦合劑凝固或者涂抹不均勻，會在探頭和皮膚間產生氣泡，導致相應深度的采集圖像產生偽像，耦合不良產生的偽像示例圖2中的淺色框區域所示。

1.3 多重反射

當使用乳腺儀進行檢測時，如果未及時更換底板或探頭儀器上的薄膜未正確平鋪，那么在所采集的乳腺圖像的淺層會出現多重反射現象，如圖3中的淺色框區域所示。多重反射會嚴重阻礙乳腺圖像淺表正常成像，可能會導致醫生疏漏被遮擋區域的病灶。

2 方法原理

目前，人工智能在大數據分析、自然語言處理和圖像識別等方面取得了飛速發展，其中神經網絡在機器視覺方面的發展尤為引人注目。隨著深度學習不斷突破，神經網絡能夠高效處理、分析海量圖像數據，不僅提高了圖像識別的準確性和速度，而且推動了自動駕駛、智能監控和醫療影像分析等多個領域的創新與發展，為生活帶來了前所未有的便利與安全。

2.1 卷積神經網絡原理簡介

卷積神經網絡（Convolutional Neural Networks，CNN）是一種基于深度學習的神經網絡架構，特別適用于處理圖像和視頻等數據。它利用多層結構中的卷積層來自動提取數據的局部特征，并利用池化層減少數據的空間維度和計算量。CNN的核心優勢是其局部連接、權值共享和平移不變性等特點，這些特性使CNN在執行圖像分類、物體檢測和圖像分割等任務時表現出色。此外，CNN還能采用反向傳播算法進行訓練，不斷優化網絡參數并提高性能。

2023年張夢夢[6]采用深度可分離卷積的輕量級卷積神經網絡的方式對超聲圖像中的腫瘤進行了分類，在網絡中引入卷積塊注意力模塊，從通道和空間注意力2個方面提升了網絡提取重要特征的能力。并結合焦點損失函數和標簽分布感知邊距損失函數，解決超聲乳腺腫瘤數據集分類不均的問題，使用遷移學習的方式緩解數據集不足導致的網絡收斂慢和魯棒性不足的問題，最終實現了超聲乳腺圖像中腫瘤的自動分割和分類，不同程度上提高了腫瘤分割和分類的準確度。

2.2 YOLO算法原理簡介

YOLO（You Only Look Once）算法是一種以卷積神經網絡為基礎搭建的高效目標檢測算法，其核心思想是將目標檢測任務轉化為一個回歸問題，由單階段的卷積神經網絡進行端到端檢測。YOLO算法將輸入圖像劃分為多個網格，每個網格能夠預測中心點落在該網格內的目標，包括邊界框的位置、尺寸、置信度以及類別概率。2020年朱鄖濤[7]將目前最經典的基于深度學習的4種目標檢測算法（Faster R-CNN、SSD、YOLOv3以及CornerNet）應用于超聲乳腺腫瘤識別中，基于專業醫生標注的數據集在預訓練模型上進行訓練和測試，最后采用mAP、FPS等多種評價指標進行評價，與其他3種算法相比，YOLOv3在識別精度和速率上均取得了較好效果。

YOLO算法經過多個版本的迭代和優化，例如YOLOv3、YOLOv5和YOLOv8等，性能不斷提升，在保持較高檢測精度的同時，大幅提升了檢測速度，能夠進行實時目標檢測，并廣泛應用于自動駕駛、智能監控和人臉識別等領域。

3 方法與試驗

試驗通過訓練YOLOv8模型來檢測乳腺數據中的空載區域、耦合不良和多重反射偽像區域。

3.1 試驗流程

YOLOv8模型的訓練過程包括數據標注/處理、模型訓練/參數選定以及模型檢測效果的測試等步驟，具體試驗流程如圖4所示。首先，將收集的乳腺偽像數據進行標注，并將數據拆分為訓練集和驗證集。其次，利用標注并拆分好的數據對YOLOv8模型進行訓練，根據訓練結果調整和優化模型參數。最后，分別使用單幀的偽像圖像和完整的乳腺數據對訓練好的YOLOv8模型進行效果測試。

3.2 試驗數據

在采集的83個存在偽像的乳腺橫斷面數據中抽取4168張帶有多種偽像的圖像，分為空載區域、耦合不良和多重反射3種類別進行標注，并按照9∶1的比例拆分為訓練集、驗證集。經統計，各類別特征標注共有11426個，其中空載區域3811個，耦合不良4155個，多重反射3460個，見表1。

3.3 模型最終參數和驗證集結果

經過模型參數調優后，模型訓練參數batchsize為4，學習策略和學習率分別為SGD、0.01，圖片尺寸為（640×640）ppi。模型共進行了56輪訓練，訓練集和驗證集損失變化如圖5所示。

測試結果表明，模型對空載區域的檢測率為100%，多重反射區域檢測率為96%，耦合不良區域檢測率相較略低，為89%。模型整體平均精度（mAP50）系數為0.964，空載區域、耦合不良和多重反射的平均精度（mAP50）系數分別為0.995、0.922和0.974。

抽取模型對驗證集的可視化檢測結果如圖6所示，3種類別檢出均正確，并且置信度能夠正常地代表每個檢出類別的準確性。

3.4 模型對整體數據的測試

在一個完整的乳腺數據中，存在偽像的幀在整體數據中占比較小，大部分幀為正常數據，為了測試訓練好的YOLOv8模型在完整乳腺數據中的質控效果，是否會出現誤檢情況，本文在乳腺橫斷面采集數據中分別抽取5個只帶有空載區域、耦合不良、多重反射偽像和不含偽像的合格數據共20個組成測試集，并將3種偽像的檢出閾值設定為0.8、0.7和0.7，當數據出現大于檢出閾值時，認定數據為相應類別的異常數據，否則認定為正常合格數據。使用訓練好的YOLOv8質控檢測模型進行檢測，最終20個測試數據均能正常檢出偽像，并正確分類。

4 結語

乳腺超聲圖像的質控主要分為掃描操作不規范和偽像2個部分，本文主要針對乳腺橫斷面數據偽像中的空載區域、耦合不良和多重反射偽像，訓練YOLO模型對3種偽像進行檢測，模型的平均精度（mAP50）系數為0.964，模型可以檢出所有空載區域、96%的耦合不良區域和89%的多重反射區域。在完整乳腺數數據測試中也能完成偽像檢測和正確分類。

除了空載區域、耦合不良和多重反射偽像，還有肋骨、乳頭和焦點置于乳腺中后部等偽像，后續的偽像檢出模型應在目前基礎上增加更多的偽像類別。而在偽像檢出的基礎上，對于由掃描操作不規范導致的乳腺采集數據質量不佳的問題，也可以從數據整體明暗程度、組織分布情況和特定部位特征等角度整體把控采集數據質量。

參考文獻

[1]韓彩玲.基于卷積神經網絡的乳腺超聲圖像分割與分類算法研究[D].成都：四川大學，2023.

[2]AlDJ，Sofie D，Katrien V，et al.Automated breast ultrasound （ABUS）：A pictorial essay of common artifacts and benign and malignant

pathology[J].Journal of ultrasonography，2022，22（91）：222-235.

[3]自動乳腺容積超聲技術專家共識（2022版）[J].中國超聲醫學雜志，2022，38（3）：241-247.

[4]馬亦凡，李銳.消化道內鏡超聲耦合介質的臨床應用及研究進展[J].中華消化內鏡雜志，2022，39（7）：582-585.

[5]牛鳳岐，朱承綱，程洋.醫用超聲耦合劑——超聲科醫師應該了解的知識和信息[J].中國醫學影像技術，2009，25（4）：715-717.

[6]張夢夢.基于卷積神經網絡的超聲乳腺腫瘤圖像分割與分類研究[D].杭州：杭州電子科技大學，2023.

[7]朱鄖濤.基于卷積神經網絡的乳腺超聲腫瘤檢測[D].哈爾濱：哈爾濱工程大學，2020.