乳腺超声分析系统

封面：写清楚文档版本、撰写时间、变更人、属性
以最近负责的乳腺超声图象肿瘤性质判别为例：

一、项目背景
乳腺癌是世界范围威胁女性健康的头号疾病。乳腺癌目前的发病原因尚未完全明了，因此在疾病的治疗与管理方面仍然需要谨慎对待。目前得到的共识是，早期发现和治疗可以大幅提升乳腺癌的长期生存率，有益于患者的愈后。现有诊断模式中，对于乳腺癌较为有效且普及的影像学方式是超声和钼靶，而超声由于适合亚洲女性的致密性乳腺并且便捷的特点，在中国地区更加广泛接受。超声因其无创性、成像速度快、成像价格低、可重复性强和无电磁辐射等优势，目前已形成成熟的诊断体系，其中最具代表性的是美国放射学会提出的乳腺影像报告和数据系统 (Breast imaging-reporting and data system, BI-RADS)，用于临床诊疗工作。

表1：BI-RAD介绍
但是由于超声成像方式的限制，图像中包含大量斑点噪声，使得图像边界模糊、信噪比低，部分特征视觉上观察不明显。而临床医生根据BI-RADS定性指标对乳腺肿瘤进行打分时，主要依赖超声图像和经验，其诊断结果易受到图像质量和主观判断的影响，同一幅图像不同医生评价结果不同。因此为了更好地分析乳腺肿瘤超声图像，提高诊断准确率，我们将BI-RADS特征进行计算机量化，设计完整的乳腺超声图像分析系统，用于定量分析和处理乳腺超声图像，从而提供客观的预测诊断结果，帮助医师更准确地做出判断。其意义和目的具体如下：

 目的

1. 针对乳腺肿瘤良超声表现、BI-RADS分类和良恶性判别，设计一组识别能力强、不依赖采集系统的量化BI-RADS特征。
2. 设计乳腺超声图像分析系统，自动形成完整的超声报告、BI-RADS分类和肿瘤良恶性概率，为医生诊断提供客观依据。
3. 在保证高准确性的同时，进一步提高系统的自动化程度，为临床提供有价值的参考意见。

 意义：

1. 本系统基于BI-RADS标准，设计并提取新颖有效的量化高通量特征，以区分不同类别肿瘤，所设计的高通量特征可以全面详细描述整个BI-RADS系统，为后续系统开发打下基础
2. 设计的系统可以对乳腺肿瘤进行详细的超声描述，区分良恶性肿瘤，并且对于每幅超声图像中的肿瘤进行恶性程度的预测，给出一个BI-RADS的类别，最终形成完善的乳腺超声分析报告。
3. 整个系统输入乳腺超声图像，输出完整超声报告，形成半自动化软件，从而有望为在偏远地区或社区医疗等提供便捷的初步诊断。

二、软件功能说明

超声乳腺分析系统主要由三个功能模块组成，分别的功能是病人乳腺超声图片的读取、肿瘤的定位、肿瘤的性质判别，最后系统输出形式是超声肿瘤性质判别报告。

图4：乳腺超声图像分析系统流程图
该系统主要包括三个模块组成：：乳腺肿瘤边缘的自动分割、BI-RADS高通量特征设计与提取、乳腺肿瘤分类判别。通过用Matlab设计的界面，选择分析的乳腺超声图像文件，会显示原始图像、分割图像、脂肪层图像，输出结果包括超声描述、BI-RADS类别、肿瘤良恶性判别，最后超声图像可以选择保存在所选择的文件夹中.
三、功能明细
在对肿瘤进行性质判别的时候，提取乳腺肿瘤的内部回声模式，通过对比内部灰度均值与脂肪层灰度均值，两者比较判断内部回声高低情况，因此增加了手动选取脂肪层区域的操作，脂肪层的操作选择手工选取矩形对角两个点的方式。

图5：脂肪层区域示意图
为了方便，界面加载时预先对部分参数设定了默认值，整个系统的操作流程如下图所示：

图6：系统操作流程图
Step1：运行GUI函数初始化软件。

图7：系统初始界面
Step2：点击“文件”→“打开图片”，选择“PICimg”文件夹中的乳腺超声图像，图像显示在超声乳腺图像”部分。

图8：打开原始乳腺超声图象界面
Step3：点击“手动选取边界点”，勾勒矩形感兴趣区域。
Step4：点击“手动选取脂肪层”，勾选脂肪层区域，结果显示在“脂肪层图像”部分。

图9：手动选取后的界面
Step5：点击“开始自动分割”，开始分割肿瘤图片，结果显示在“肿瘤分割图像”部分

图10：自动分割界面
Step6：点击“生成超声报告”，分类结果分别显示在下方的三个文本框内“超声表现”“肿瘤诊断”“良恶性诊断”。

图11：超声报告结果界面图
乳腺超声图象分析系统报告描述语言总结如下：

Step7：软件输出分割分类结果后，用户根据需求自行选择点击“文件”→“保存报告”，自动将分割分类结果保存在当前文件夹“Results”中。

四、与研发人员交接确定解决方案细节
该系统主要包括三个模块组成：：乳腺肿瘤边缘的自动分割、BI-RADS高通量特征设计与提取、乳腺肿瘤分类判别。通过用Matlab设计的界面，选择分析的乳腺超声图像文件，会显示原始图像、分割图像、脂肪层图像，输出结果包括超声描述、BI-RADS类别、肿瘤良恶性判别，最后超声图像可以选择保存在所选择的文件夹中.
首先感兴趣区域的选取是在原始肿瘤图象上手动选取肿瘤最外侧的四个边界点，根据四个点选取可以覆盖肿瘤区域的最小矩形并将长宽分别向外延展1/6。
获得ROI之后，使用基于相位信息的动态轮廓(phase-based active contour, PBAC)模型，用于乳腺超声图像的自动分割。高通量特征提取设计是根据BI-RADS评估分类系统，所有BI-RADS类别、描述和对应的465个特征如表1所示。其中SNR(signal-to-noise ratio)是指信噪比，ROI(region of interest)是指感兴趣的区域。


在提取了465个高通特征后，首先采用T检验(T Test)，亦称Student t检验(Student’s t-test)进行单因素分析，选出高相关度的特征。用T分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著，将0.05(p<0.05)的显着性水平设置为阈值。然后，我们使用基于遗传算法结合最小冗余-最大相关(minimal-redundancy-maximal-relevance, mRMR) 准则的特征选择方法。进一步降低特征冗余性。将特征筛选后的最优特征集作为输入，用留一法交叉检验(Leave-one-out Cross-validation, LOOCV)对数据进行分类准确性验证，并从中选出对应于最佳分类性能的特征集，用以构建效果最佳的分类器模型。
BI-RADS分类是将乳腺肿瘤分成3、4A、4B、4C、5五类。在训练的时候选择3/4A；3/4B；3/4C；3/5；4A/4B；4A/4C；4A/5；4B/4C；4B/5；4C/5所对应的病例数据作为训练集，然后得到十个训练的分类器模型。测试时，把对应的病例送入这个十个分类器模型中进行测试，最后采取投票的方式，得票最多即为最终结果。