乳腺肿瘤超声图像感兴趣区域的自动识别综述

1.  研究背景与意义

乳腺恶性肿瘤是女性最常见的恶性肿瘤之一，其死亡率已经超过宫颈癌死亡率，位居癌症死亡率的前五名 [d1]。 美国癌症协会的调查报告 [d2] 显示2008年全球新发乳腺癌病例达140万，死亡病例45.8万。该调查报告指出，乳腺癌发病率在北美、西欧等工业发达的国家最高，东欧、南欧的国家次之，亚洲、非洲和拉丁美洲等的国家最低。我国虽在世界上属乳腺癌低发区，但随着我国经济的发展，生活方式的改变，乳腺癌发病率正逐年上升，且其上升趋势已明显高于欧美国家 [d3] 。据统计，我国乳腺癌的发病率已从1998年的十万分之十七增加到2003年的十万分之五十二，上升超过三倍 [d4] 。以上海市疾病预防控制中心针对上海市区乳腺癌流行现状及趋势的分析统计报告 [d5] 为例，上海市女性的乳腺癌发病率1972年为18.9/10万，1999年达到52.98/10万，比1972年上升了180.3%，至2007年已达到60.07/10万，已接近西方乳腺癌高发国家的水平。因此，如何有效控制乳腺癌的发病率显得十分紧急和重要。

乳腺癌的成因目前并没有明确的定论，其临床治疗也未找到理想的方法。乳腺癌的治疗效果完全取决于乳腺肿瘤的早期诊断和治疗，早期原位癌的治愈率为95%，而晚期的乳腺癌则很难治愈[d6] 。因此，研究和探索提高早期乳腺肿瘤诊断准确率的方法意义重大。超声检测凭借其无创、无辐射、成像速度快、敏感性强、检查价格相对较低、操作简单便捷等优势，已成为乳腺检查的首选方法。但乳腺肿瘤超声图像存在严重的斑点噪声、伪影、图像分别率和对比度低、肿瘤可能的形状复杂多变等特点，同时对超声图像的解读依赖于医生，具有较强的主观性，医生在高强度的工作下，连续大量读片可能造成漏诊或误诊。因此，临床上迫切需要在检测病情时引入计算机辅助诊断系统（Computerized Aided Diagnosis，CAD）以辅助医生分析和判读医学数据，从而提高检查的准确度、客观性和可重复性，利于后续治疗。

2.  乳腺超声图像的基本原理与特点

医学超声检查是一种基于超声波的医学影像学诊断技术，使肌肉和内脏器官（包括其大小、结构和病理学病灶）可视化。不同组织和器官之间不同的声学特征导致的声阻抗不同，从而在超声图像中的表现不同。计算机辅助的乳腺肿瘤诊断系统，正是借助于比较不同组织的回声以及良恶性乳腺肿瘤的超声图像特征的区别，来实现肿瘤的检测及良恶性判别的。

正常的乳腺超声图像由浅至深可分五层结构：最外层为皮肤，厚2至3mm，呈强回声带；第二层为皮下脂肪，呈低回声，其内可见三角形回声，为CooPer韧带声像；第三层为腺体层，厚1.0cm士3.0cm，呈低回声，其中夹杂有点状及条状回声，为纤维组织、脂肪及导管结构；第四、五层为胸肌及肋间肌，一般易于分辨，呈条状回声[d1] 。如下图1所示：

肿瘤在超声图像中一般表现为低回声区。具体来说，可从以下各项特征入手描述不同的乳腺肿瘤[d1] ：（1）肿瘤形状或形态，分为规则的圆形、椭圆形及不规则的任意形状；（2）方向（即肿块最长轴与皮肤线的关系），分为平行（纵横比<0.7）及不平行（纵横比>0.7）；（3）病灶边缘部分在声像图上的表现，分为光整（边缘部分较易界定,在病灶和正常组织间有突然的转变）及不光整（边缘部分难以清晰界定，病灶和正常组织间缺乏明显的转变，一共有模糊、成角、小叶、毛刺四种模式，可以同时出现其中若千项）；（4）病灶与周围组织间的交界的部分在声像图上的表现，分为清晰及不清晰（即病灶与周围组织间无明确界限,通常有一个高回声或者低回声区间过度）；（5）内部回声模式，分为单一均匀回声及不均匀的几种回声模式的混合回声；（6）肿瘤后方的组织回声特征，代表该肿瘤在声学传导方面的特性，可分为增强、不变、衰减、混合等几种；（7）周围组织因肿瘤的作用而在声像图上产生的可观察到的变化，包括皮肤增厚、皮肤退缩不规则、水肿、结构扭曲、Cooper韧带改变、导管内径异常增粗或出现分枝状改变。下表1[d2] 总结了良恶性乳腺肿瘤在超声图像特征中的区别：

表1 超声图像中良恶性乳腺肿瘤特征比较

良性                                 恶性

形态                规则（圆/椭圆）                   不规则

边缘                光整（界定明显）               不光整（界定不清晰）

边界回声                  清晰                        不清晰 内部回声             均匀、低回声                 混合不均、低回声

微小钙化                  无                            有

声衰减                   不明显                         明显

侧后声影                  明显                         不明显

纵横比例                   <0.7                         >0.7

皮肤浸润                   无                           有

3.  乳腺超声的诊断流程

首先，医生将涂有耦合剂的超声探头放置于患者皮肤表面上，探头发射超声波。医生一手移动探头，一手操作超声设备。流程为：选定感兴趣区域→标定肿瘤边界→判别肿瘤良恶性→审核并打印检查报告。整个流程对医生的经验要求很高，不同医生间诊断差异较大，且超声医生的劳动强度很大，同时在偏远地区医院及社区医疗不适用。因此，开发一种新的、高效的计算机辅助诊断方法，在各个流程上减少人工干预，已成为当下广大科研工作者的一个研究热点。

4.乳腺肿瘤超声图像感兴趣区域的自动识别方法综述

正常的乳腺超声图像由浅至深可分为五层结构，从外到内依次为皮肤强回声带、皮下脂肪低回声带（包括Cooper韧带声像）、腺体层低回声带（其中夹杂的点状及条状回声，为纤维组织、脂肪及导管结构）、胸肌及肋间肌条状回声。而这些脂肪和腺体组织的回声特性，都与呈低回声团块的肿瘤十分相似。因此，如果直接对整幅乳腺超声图像进行边缘分割，运算量会相当大，同时分割过程也会受到周边组织和脂肪的干扰，导致分割失败。所以，目前的乳腺肿瘤超声图像的分割大多处于半自动阶段，即首先由有经验的医生在原图中划出感兴趣目标所在区域（(Region Of Interest ,ROI），再对该区域采用各种边缘分割算法进行轮廓提取，接着结合人的主观综合判断和计算机的运算能力，实现较为准确的分割结果[d1] 。

目前学者们已经探索出来的乳腺肿瘤超声图像感兴趣区域的自动识别方法有三种，分别是Y.L.Huang和D.R.Chen[d2][d3] [d4] 提出的基于分水岭算法的乳腺超声图像分割算法、苏燕妮[d5] 提出的基于神经网络自组织映射（SOM）分类器对像素点的分类方法和刘博[d6] 提出的基于局部纹理的近似肿瘤区域定位方法及在此基础之上的结合概率密度差异与局部边缘信息的肿瘤区域精确定位方法。下面分别介绍。

Huang和Chen提出的基于分水岭算法的乳腺超声图像分割算法是通过采用自组织映射（SOM）方法分析图像的纹理，从一组滤波器中选择一个合适的滤波器对图像进行降噪处理。对降噪后的图像，采用分水岭算法实现分割。如图2所示。首先，直接对如图2(a)所示的整幅乳腺超声图像做分水岭，会产生如图2(b)所示的严重过分割情况，因而在此引入非线性的中值滤波器，采用改进的分水岭分割算法得到一个初步的分割结果；再对分水岭初步分割结果采用基于区域同质性或者基于纹理特性的区域合并方法，合并其中具有相似灰度或纹理特征的邻域，山于在基于纹理特征的区域合并法中，不同的灰度共生矩阵特征权重系数会得到不同的边缘分割结果，分别如图2(c)和图2(d)中白色轮廓线所示，因而选择合适的权重系数，合并相似邻域后，找出属于乳腺肿瘤的区域，以其轮廓作为分水岭及区域合并的初步轮廓，分别如图2(c)和图2(d)中红色轮廓线所示；最后，用传统的活动轮廓模型细化所得到的初始边缘，以得到最终的肿瘤边缘分割。

该方法的不足在于需要基于整幅图像做分水岭分割，进行初始边缘的提取，因此过程较为耗时，且其在图像包含有伪影或者多个与肿瘤相似的区域时，较难自动确定实际肿瘤所在位置。

苏燕妮提出的基于神经网络自组织映射（SOM）分类器对像素点的分类方法首先针对超声图像的特点，对其进行形态学滤波，去除四周标注信息，得到反映乳腺组织成像信息的超声子图；再采用SRAD模型去噪、直方图均衡化进行对比度增强等处理，使得图像特征更为显著；接着，对上述预处理后的超声图像，进行特征提取(包括纹理特征、灰度共生矩阵特征、位置特征)；再利用特征选择选定其中部分特征输入自组织映射神经网络进行分类，以提高算法效率，避免维数灾难；最后，对分类的结果做进一步的目标筛选后处理，即可提取出乳腺肿瘤超声图像的ROI。其流程为：

整个处理的流程示意图为：

苏燕妮采用该方法对图像库中132幅图像的感兴趣区域自动检测准确率为88.6%。该方法存在的缺点是：针对少数质量过差或伪影、干扰十分严重的超声图像，ROI的自动检测结果仍存在一定偏差，分别包括以下两种：一种是，选出的ROI虽包括实际肿瘤，但面积较大；另一种是识别出的ROI遗漏了真正的肿瘤所在位置，造成感兴趣区域识别的错误。

    刘博提出的基于局部纹理的近似肿瘤区域定位方法及在此基础之上的结合概率密度差异与局部边缘信息的肿瘤区域精确定位方法灵感来源于对医生在临床实践中检测乳腺肿瘤区域的观察。从图像处理角度来看，这一过程是一个尺度层次逐渐下降，定位精度逐渐上升的处理过程，因此，其采用一种多层次肿瘤特征区域定位思路来实现不同精度的肿瘤特征区域定位。主要思想是：首先在较高尺度层次上对完整的乳腺超声图像进行分割，找到一个该尺度层次下的近似肿瘤区域；然后，降低尺度层次，参考在较高尺度层次下得

到的定位结果，在较低尺度上对图像的某一部分进行处理，提高定位精度，直到得肿瘤区域的精确位置。该方法的主要思路是：将乳腺超声图像分为大小相等的块；在每个图像块中提取局部纹理信息特征；利用支持向量机方法建立一个分类器，将所有图像块分为“肿瘤”和“正常组织”两类，使图像二值化；然后，利用医学背景知识在二值化结果中找到肿瘤近似区域，最后结合概率密度差异与局部边缘信息的肿瘤区域精确定位。

初定位结果为：

该方法缺点是依然存在少数样例本章方法尚不能进行准确地进行肿瘤区域定位。

本文是本人在课题组项目“基于深度学习的乳腺肿瘤超声图像处理医疗辅助诊断系统”的前期调研中所写，本文所引用的文章和都已标明并在此对前辈们表示感谢。分享本文的初衷也是希望能够帮助后来研究这方面的研究者，有不当之处，欢迎读者朋友们批评指正！

二零一七年六月三十日 晚         于清华大学深圳研究生院

---

 [d1]D.R.Chen,Y.H.Hsiao.Computer-aided diagnosis in breast ultrasound[J].Journalof Ultrasound in Medicine,2008.16(1):46-56

 [d2]Y. L. Huang, D. R. Chen. Watershed segmentation for breast tumor in2-D sonography. Ultrasound in Medicine and Biology, 2004, 30(5): 625-632

 [d3]YL.Huang,D.R.Chen.Automatic contouring for breast tumors in 2-D Sonography[C].Proc. IEEE EMBC,

2005:3225-3228.

 [d4]Y.L.Huang,X.Y.Lin.Texture-based region merging for watershed segmentationin sonography [C].Proc.NCS,2003:2150-2158.

苏燕妮 [d5]超声图像乳腺肿瘤自动检测及良恶性判别

 [d6]刘博 乳腺超声图像中的肿瘤区域定位与肿瘤分类技术研究

 [d1]施俊,王锐玲,周世崇,常才.结合乳腺影像报告和数据体系的乳腺超声CAD研究进展[J].生物医学工程学杂志,2010,27(5):1169-1172.

 [d2]苏燕妮 超声图像乳腺肿瘤自动检测及良恶性判别

---

 [d1]白人驹.医学影像诊断学(第2版) [M].北京:人民军医出版社,2006.

---

 [d1]陈成华. 乳腺癌影像学诊断进展综述[J].临床合理用药,2013,6(10):171-172.

 [d2]E.Bleeher,K.C.Graves,C.Desantis,B.Edwards,J.FerlayD.Forman,N.Grey,J.Harford,J.Klamer,A.MeMikel,B.MeNeal,M.O.Brien,L.Pace,M.Parkin,A.Robbins,R.Sankaranarayanan,F.Sitas,R.Sloan,K.Sullivan.D.wagner,E.Ward.Globaleancerfaets&figuresZndedition[R].Atlanta,GA:AmerieanCancerSoeiety,2011.

 [d3]G. Agarwal, P.V. Pradeep, V. Aggarwal, C.H.YIP, P.S.

Cheung. Spectrum of breast cancer in Asianwomen[J].World Journal of Surgery,2007,31(5):1031-1040.

 [d4]彭玉兰.乳腺高频超声图谱[M].北京:人民卫生出版社,2004.7

 [d5]郑莹,李德绿,向泳梅,李新建.上海市区乳腺癌流行现状及趋势分析[J1.外科理论与实践,2001,6(4):219-221.

杨玲,李连弟,陈肖德,D.M.Parkin.中国乳腺癌发病死亡趋势的估计与预测[J].中华肿瘤志,2006,28(6):438-440

 [d6]高粱 超声图像乳腺肿瘤分割新方法研究