乳腺超聲圖像腫瘤特征提取與腫瘤分類

謝軼峰

廣東省中山市人民醫院，廣東中山 528400

為了保障計算機輔助診斷系統診斷精度，需要提取乳腺超聲圖像腫瘤最典型的特征，因此，研究高效準確的診斷系統最關鍵的一步就是進行特征提取。 目前的臨床應用中，診斷乳腺腫瘤良性或惡性的主要標準是Stavros 標準。計算機輔助系統通過對計算機對圖像的分析，根據一定的分類算法，得出腫瘤良性或者惡性的診斷結果。 乳腺腫瘤分類就是根據提取的各種特征和不同的判別標準，運用一定的計算機技術把腫瘤分為惡性或良性。

1 乳腺超聲圖像腫瘤特征

根據Stavros 標準，乳腺超聲圖像腫瘤特征分為兩類，一類是用常規的超聲成像診斷儀器可以測量到的，這5 個特征有：乳腺超聲圖像紋理、腫瘤幾何形狀、邊緣鋒銳程度、腫瘤圖像亮度特征和聲波回聲特性。 后2 個特征是使用新的超聲成像技術——超聲彈性成像技術才能檢測到的特征： 腫瘤形狀是否隨外界壓力而改變和鈣化特性。 超聲彈性成像系統可以在一次顯像中同時顯示正常超聲成像和彈性成像兩種圖像并用于對照， 提高了檢測效率和準確性。

2 乳腺超聲圖像腫瘤特征提取

乳腺超聲圖像紋理特性、 腫瘤幾何形狀和超聲波回聲特性是乳腺癌良性和惡性的診斷最主要的依據， 同時也是乳腺腫瘤最基本最可靠的特征。 因此，該文主要介紹上述3 個特征的提取。

2.1 腫瘤紋理特征提取

腫瘤圖像分割是特征提取的第一步。 根據計算機圖像處理技術，分割子圖像大小應為包含整個可疑腫瘤區域的最小矩形，以保證筆者可以提取出整個腫瘤所有的醫學特征。 紋理特征提取分為空域提取和頻域提取。 空域提取又分為一階統計特征和二階統計特征。

空域提取腫瘤紋理特性時，筆者需要注意腫瘤圖像的灰度值和像素之間的距離d。根據圖像處理技術，空域特征提取需要考慮被提取對象超聲成像的窗口大小。 窗口的大小直接影響提取的結果。 如：窗口過大時，腫瘤微小的紋理特征無法計算，窗口過小時，不能涵蓋整個腫瘤的紋理特性，從而使筆者統計的結果毫無意義。 新一代的技術自適應量化技術，可以根據對象的統計函數特征，自動調整灰度級，從而使我們的提取更加合理。

頻域提取具有一定的優勢， 特別是由于快速傅里葉變換方法FFT 算法的提出以及高效率的DSP 芯片的開發利用，使筆者的分析更具有實時性。 然而，基于傅里葉變換的頻域分析更適合對圖像的周期特性進行分析， 對很多其他咋空域很難檢測的特征，如兩個周期模式間的差別等也非常有用。

2.2 腫瘤幾何特征提取

根據Stavros 博士的研究，良性腫瘤幾何形狀一般比較規則，近似圓形或者橢圓形， 而惡性腫瘤的幾何形狀則呈現不規則的狀態。 因此，腫瘤的橢圓相似度也成為判別腫瘤惡性或者良性的重要特征。 另一方面，由數學知識可知，圓是橢圓的特例，因此筆者計算出橢圓的離心率e，自然得出圓的相似度。 腫瘤幾何特征的提取的第一步就是計算出腫瘤輪廓的最佳擬合橢圓。 此外，橢圓相似度，腫瘤的方向角，腫瘤形狀緊湊度，腫瘤的深寬比，均是判別腫瘤良性或惡性的有效特征。

2.3 腫瘤后回聲特性特征提取

腫瘤后回聲特征之所以能成為腫瘤特征提取的重要部分，是由于良性腫瘤和惡性腫瘤不同的后回聲特性： 惡性腫瘤一般具有腫瘤后回聲陰影，而良性腫瘤一般會呈現回聲增強現象。 需要注意的是，有些組織的存在如庫伯韌帶、瘢痕、纖維組織、異物等，也會造成不同的特征陰影。 因此，在提取腫瘤后回聲特性時，要注意上述組織的影響。

在提取特征時，需要3 個32×32 個窗口：腫瘤正下方，同一深度腫瘤左、右兩側，然后根據這3 個評估窗口定義腫瘤后回聲特性特征度量——最小邊差異（MSD）：

MSD＝min (Ap-A1,Ap-Ar), 式中，Ap、Al、Ar 分別為腫瘤正下方、左邊、及右邊框內的灰度平均值。

3 基于SVM 的乳腺腫瘤分類

3.1 SVM 基本理論

SVM（Support Vector Machine），中文名稱為支持向量機，Vapnik 等人在多年研究統計學習理論基礎上對線性分類器提出了另一種設計最佳準則。 它由淺入深，從線性可分，然后擴展到線性不可分的情況。 支持向量機在很多模式識別問題中表現出許多優勢，如最小樣本問題、非線性問題、高維數和局部極小值等。支持向量機在腫瘤分類中的研究已經成為繼神經網絡之后新的研究熱點。 因此，把它作為乳腺癌良性和惡性分類器是非常實用的。

3.2 線性可分類

SVM 是從線性可分說起的，設 ω1，ω2，是待分的兩類，所求的最優分類面 ωχ+ω0=0 應滿足：①能夠無間隙徹底將 ω1，ω2分別開來，最優分類面上不存在其他不可分點；②最優分類面與其各自空間的支持向量之間的距離d 相等； ③分類平面在所有滿足特性①②的分類面中，與支持向量的距離d 是最大的。

3.3 線性不可分類

對于線性不可分的情況， 通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉化為高維特征空間使其線性可分， 從而使得高維特征空間采用線性算法對樣本的非線性特征進行線性分析成為可能。 這種情況屬于下面三類中的一種：①向量位與分離段外，這些點滿足不等式 yi（ωrχ+ω0）≥1；②位與分離段內且被正確分類的向量，滿足不等式 0≤yi（ωrχ+ω0）<1；③錯位分類的向量，這些點滿足不等式 yi（ωrχ+ω0）<0。

這種情況需要根據Mercer 定理來找到最優的分類平面：令x∈Rn和映射 Φ，x→Φ（x）∈H，其中 H 是歐式幾何空間。 內積運算表示為：∑Φr（xi）Φr（xj）=K（xi，xj）， 式中，Φr（x）——x 的映射Φ（x）的r 分量；K（x，z）——滿足∫K（x，z）g（x）g（z）dxdz。 對任意g（x），x∈Rn，有∫g（x）2dx<∞。也就是說，任意滿足上述條件的 K（x，z）都存在用K（x，z）定義的內積空間。 這樣的函數也稱為核函數。

4 結語

該文根據Stavros 標準，對乳腺腫瘤的幾個重要特征：乳腺的紋理特征、 腫瘤的幾何特征、 腫瘤后回聲特征等作了簡單的描述，并提出了用支持向量機SVM 來對我們提取的特征經行腫瘤良性和惡性的分類。 根據特征提取和腫瘤分類，結合計算機技術制造出的計算機超聲圖像輔助診斷系統， 可以在一定程度是避免人為的主觀因素和人為的模糊性， 從而使乳腺腫瘤的診斷更加可靠。

[1]American Cancer Society:Breast Cancer Facts&Figure,2006.

[2]K.Bovis,S.Singh,Fieldsend J.,Printer C.Identification of Masses in Digital Mammograms with MLP and RBF Net[J].IJCNN2000,2000,1:1342-1348.

[3]Chen SC，C.Y，Su CU.Analysis of sonographic features for the differentiation of benign and malignant breast tumors of different sizes[J].Ultrasound Obstet Gynecol，2004(33)：188-193.

[4]任樹軍，阮秋琦，李玉，等.基于各項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):1260-1270.

[5]吳君，賀超，趙興友，等.基于超聲圖像的紋理特征分析算法的應用[J].生物醫學工程研究，2007，26(2):166-169.

[6]張縉熙.乳腺疾病的超聲診斷[J].中國超聲診斷雜志，2001，2(1):53-54.