乳腺超声图像肿瘤特征提取与肿瘤分类

谢轶峰

广东省中山市人民医院，广东中山 528400

为了保障计算机辅助诊断系统诊断精度，需要提取乳腺超声图像肿瘤最典型的特征，因此，研究高效准确的诊断系统最关键的一步就是进行特征提取。 目前的临床应用中，诊断乳腺肿瘤良性或恶性的主要标准是Stavros 标准。计算机辅助系统通过对计算机对图像的分析，根据一定的分类算法，得出肿瘤良性或者恶性的诊断结果。 乳腺肿瘤分类就是根据提取的各种特征和不同的判别标准，运用一定的计算机技术把肿瘤分为恶性或良性。

1 乳腺超声图像肿瘤特征

根据Stavros 标准，乳腺超声图像肿瘤特征分为两类，一类是用常规的超声成像诊断仪器可以测量到的，这5 个特征有：乳腺超声图像纹理、肿瘤几何形状、边缘锋锐程度、肿瘤图像亮度特征和声波回声特性。 后2 个特征是使用新的超声成像技术——超声弹性成像技术才能检测到的特征： 肿瘤形状是否随外界压力而改变和钙化特性。 超声弹性成像系统可以在一次显像中同时显示正常超声成像和弹性成像两种图像并用于对照， 提高了检测效率和准确性。

2 乳腺超声图像肿瘤特征提取

乳腺超声图像纹理特性、 肿瘤几何形状和超声波回声特性是乳腺癌良性和恶性的诊断最主要的依据， 同时也是乳腺肿瘤最基本最可靠的特征。 因此，该文主要介绍上述3 个特征的提取。

2.1 肿瘤纹理特征提取

肿瘤图像分割是特征提取的第一步。 根据计算机图像处理技术，分割子图像大小应为包含整个可疑肿瘤区域的最小矩形，以保证笔者可以提取出整个肿瘤所有的医学特征。 纹理特征提取分为空域提取和频域提取。 空域提取又分为一阶统计特征和二阶统计特征。

空域提取肿瘤纹理特性时，笔者需要注意肿瘤图像的灰度值和像素之间的距离d。根据图像处理技术，空域特征提取需要考虑被提取对象超声成像的窗口大小。 窗口的大小直接影响提取的结果。 如：窗口过大时，肿瘤微小的纹理特征无法计算，窗口过小时，不能涵盖整个肿瘤的纹理特性，从而使笔者统计的结果毫无意义。 新一代的技术自适应量化技术，可以根据对象的统计函数特征，自动调整灰度级，从而使我们的提取更加合理。

频域提取具有一定的优势， 特别是由于快速傅里叶变换方法FFT 算法的提出以及高效率的DSP 芯片的开发利用，使笔者的分析更具有实时性。 然而，基于傅里叶变换的频域分析更适合对图像的周期特性进行分析， 对很多其他咋空域很难检测的特征，如两个周期模式间的差别等也非常有用。

2.2 肿瘤几何特征提取

根据Stavros 博士的研究，良性肿瘤几何形状一般比较规则，近似圆形或者椭圆形， 而恶性肿瘤的几何形状则呈现不规则的状态。 因此，肿瘤的椭圆相似度也成为判别肿瘤恶性或者良性的重要特征。 另一方面，由数学知识可知，圆是椭圆的特例，因此笔者计算出椭圆的离心率e，自然得出圆的相似度。 肿瘤几何特征的提取的第一步就是计算出肿瘤轮廓的最佳拟合椭圆。 此外，椭圆相似度，肿瘤的方向角，肿瘤形状紧凑度，肿瘤的深宽比，均是判别肿瘤良性或恶性的有效特征。

2.3 肿瘤后回声特性特征提取

肿瘤后回声特征之所以能成为肿瘤特征提取的重要部分，是由于良性肿瘤和恶性肿瘤不同的后回声特性： 恶性肿瘤一般具有肿瘤后回声阴影，而良性肿瘤一般会呈现回声增强现象。 需要注意的是，有些组织的存在如库伯韧带、瘢痕、纤维组织、异物等，也会造成不同的特征阴影。 因此，在提取肿瘤后回声特性时，要注意上述组织的影响。

在提取特征时，需要3 个32×32 个窗口：肿瘤正下方，同一深度肿瘤左、右两侧，然后根据这3 个评估窗口定义肿瘤后回声特性特征度量——最小边差异（MSD）：

MSD＝min (Ap-A1,Ap-Ar), 式中，Ap、Al、Ar 分别为肿瘤正下方、左边、及右边框内的灰度平均值。

3 基于SVM 的乳腺肿瘤分类

3.1 SVM 基本理论

SVM（Support Vector Machine），中文名称为支持向量机，Vapnik 等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。 它由浅入深，从线性可分，然后扩展到线性不可分的情况。 支持向量机在很多模式识别问题中表现出许多优势，如最小样本问题、非线性问题、高维数和局部极小值等。支持向量机在肿瘤分类中的研究已经成为继神经网络之后新的研究热点。 因此，把它作为乳腺癌良性和恶性分类器是非常实用的。

3.2 线性可分类

SVM 是从线性可分说起的，设 ω1，ω2，是待分的两类，所求的最优分类面 ωχ+ω0=0 应满足：①能够无间隙彻底将 ω1，ω2分别开来，最优分类面上不存在其他不可分点；②最优分类面与其各自空间的支持向量之间的距离d 相等； ③分类平面在所有满足特性①②的分类面中，与支持向量的距离d 是最大的。

3.3 线性不可分类

对于线性不可分的情况， 通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分， 从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。 这种情况属于下面三类中的一种：①向量位与分离段外，这些点满足不等式 yi（ωrχ+ω0）≥1；②位与分离段内且被正确分类的向量，满足不等式 0≤yi（ωrχ+ω0）<1；③错位分类的向量，这些点满足不等式 yi（ωrχ+ω0）<0。

这种情况需要根据Mercer 定理来找到最优的分类平面：令x∈Rn和映射 Φ，x→Φ（x）∈H，其中 H 是欧式几何空间。 内积运算表示为：∑Φr（xi）Φr（xj）=K（xi，xj）， 式中，Φr（x）——x 的映射Φ（x）的r 分量；K（x，z）——满足∫K（x，z）g（x）g（z）dxdz。 对任意g（x），x∈Rn，有∫g（x）2dx<∞。也就是说，任意满足上述条件的 K（x，z）都存在用K（x，z）定义的内积空间。 这样的函数也称为核函数。

4 结语

该文根据Stavros 标准，对乳腺肿瘤的几个重要特征：乳腺的纹理特征、 肿瘤的几何特征、 肿瘤后回声特征等作了简单的描述，并提出了用支持向量机SVM 来对我们提取的特征经行肿瘤良性和恶性的分类。 根据特征提取和肿瘤分类，结合计算机技术制造出的计算机超声图像辅助诊断系统， 可以在一定程度是避免人为的主观因素和人为的模糊性， 从而使乳腺肿瘤的诊断更加可靠。

[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]任树军，阮秋琦，李玉，等.基于各项异性扩散方程的超声图像去噪与边缘增强[J].电子学报，2005(33):1260-1270.

[5]吴君，贺超，赵兴友，等.基于超声图像的纹理特征分析算法的应用[J].生物医学工程研究，2007，26(2):166-169.

[6]张缙熙.乳腺疾病的超声诊断[J].中国超声诊断杂志，2001，2(1):53-54.