论文部分内容阅读
乳腺癌是女性常见的恶性肿瘤,严重威胁广大女性的健康。由于其发病机制复杂,影响因素众多,人们尚未找到根治乳腺癌的理想方法。临床上主要以手术为主,结合放化疗、靶向治疗、生物免疫治疗等辅助手段,形成综合治疗方法。乳腺癌的早期诊断和治疗,是提高乳腺癌治愈率的有效途径之一,而影像学检查是乳腺肿瘤早期筛查和诊断的主要方式。其中超声弹性成像技术的发展为乳腺肿瘤早期的检查提供了更加准确和有效的依据。剪切波弹性成像(Shear-Wave Elastography,SWE)是超声弹性成像的新兴手段,它利用超声剪切波在不同硬度组织中传播速度不同的原理实现成像。首先通过超声辐射力在组织中产生剪切波,然后利用快速扫描技术动态捕捉剪切波的传播速度,进而形成表示组织弹性信息的二维图像。超声弹性成像技术可以在组织形态发生改变之前,更早发现乳腺组织的病变信息,对乳腺癌的早期诊断具有重要意义。剪切波弹性成像技术能够形成二维量化弹性图,具有较高的重复性和实用性,受到学术界的广泛关注。但临床诊断时,需要超声医生对乳腺弹性成像所获得的SWE与B型超声双模态图像进行人工判读,从而导致诊断具有很强的主观性与变异性,重复性差。目前,对剪切波弹性图像的量化分析还比较欠缺,因此临床上迫切需要计算机辅助诊断系统来量化和判断乳腺肿瘤图像,从而降低医生的工作量,增强乳腺肿瘤检测的客观性、重复性与准确率。本文主要围绕超声乳腺肿瘤图像的滤波、分割、特征提取和分类器设计四个方面展开,借助计算机算法客观、自动地完成对乳腺肿瘤良恶性的鉴别。第一,乳腺超声图像斑点噪声的抑制。本文将强鲁棒性的新型边缘检测算子引入各向异性扩散(Anisotropic Diffusion,AD)模型,提高其抑制斑点噪声的能力。首先,将距离映射函数与Mc Ilhagga边缘检测算子相结合,提出一种具有连续输出值的改进型Mc Ilhagga边缘检测算子,并将其融入AD模型,生成基于Mc Ilhagga算子的各向异性扩散模型(Mc Ilhagga-based Anisotropic Diffusion,MAD),增加了滤波的鲁棒性和边缘保持能力。依据类似思路,将Gabor边缘检测算子融入AD模型,生成基于Gabor的各向异性扩散模型(Gabor-based Anisotropic Diffusion,GAD)。通过对模拟与实际超声图像的实验比较MAD、GAD与传统滤波方法的降噪效果。模拟实验结果表明,在较小噪声方差下(<0.1),MAD、GAD与传统算法效果相当;当噪声方差较大时(=0.2),在滤波后峰值信噪比相差不大(约15 d B)的情况下,MAD的图像佳数和结构相似度分别为0.38和0.82,相较传统方法中的最优指标分别提高80.77%和35.15%;GAD算法的图像佳数和结构相似度分别为0.74和0.86,提高259.61%和42.41%。综合比较后,本文在后续的分割算法中采用GAD算法,更利于图像的量化分析。第二,乳腺肿瘤病灶区域的分割。乳腺肿瘤SWE图像中目标区域轮廓不明显,因此为了得到病灶位置,首先对乳腺肿瘤B型超声图像进行分割,然后根据其与弹性图像的对应关系,得到弹性图像上的病灶区域。对乳腺B型超声图像分割的优劣直接影响弹性图像的病灶提取的质量。本文将GAD融入边缘停止函数,提出一种改进的反应扩散水平集模型,以提高模型在分割乳腺肿瘤B型超声图像时的演化效率和捕捉弱边缘能力。以手工勾勒病灶为金标准,将本文算法与原始反应扩散水平集方法进行对比,结果表明本文方法分割乳腺肿瘤超声图像的精度更优,肿瘤病灶分割真阳性率和准确率分别为86.65%和96.33%,分别提高9.27%和0.79%,均方根误差为7.26 pixel,降低14.8%。第三,乳腺肿瘤病灶特征的提取。乳腺肿瘤量化参数的提取是肿瘤良恶性判别准确与否的关键因素。由于肿瘤细胞存在生物学异质性,在SWE与B型超声图像上,肿瘤内像素值呈现非均匀分布,其非均匀程度有助于良恶性鉴别。因此,本文除了提取传统的肿瘤形态特征,着重提取肿瘤的纹理特征,以表征SWE与B型图像中良恶性肿瘤的弹性模量(剪切波速度)与B型灰度值的均匀性与异质性。提取的纹理特征包括病灶内部弹性模量及B型灰度值的均值、标准差、最大值、最小值等一阶统计量和灰度共生矩阵的对比度、相关、能量、均一度和熵。上述纹理特征称之为原始域纹理特征。此外,利用轮廓波变换,在多方向、多分辨率框架下,将图像变换为轮廓波域,进一步提取了病灶在SWE图像和B型图像中的轮廓波纹理特征。实验结果表明两种域上的纹理特征能更加全面地量化乳腺肿瘤病灶的属性。第四,乳腺肿瘤良恶性鉴别。以病理结果为金标准,将量化的SWE图像和B型图像的特征作为输入变量,对不同类型图像特征进行组合,采用支持向量机和深度网络基学习算法两种方法构造乳腺肿瘤良恶性鉴别模型,实现肿瘤分类。实验结果表明:当结合SWE图和B型图一级轮廓波变换域上的纹理特征与形态学特征时,深度网络基学习算法的分类敏感性、特异性、准确率和约登指数分别达到91.30%、99.26%、96.04%和90.56%,得到了较为准确的乳腺肿瘤良恶性鉴别结果。