《乳腺肿瘤的超声图像分析及良恶性判别》由会员分享，可在线阅读，更多相关《乳腺肿瘤的超声图像分析及良恶性判别（90页珍藏版）》请在金锄头文库上搜索。
1、乳腺肿瘤的超声图像分析及良恶性判别,汪源源 沈嘉琳 复旦大学电子工程系,内容概要,课题背景介绍课题内容介绍 超声图像中乳腺肿瘤的边缘提取 乳腺肿瘤的超声图像特征提取 乳腺肿瘤性质的分类判别总结与展望,概述,乳腺癌是女性最常见的恶性肿瘤之一。1999年上海市乳腺癌的发病率已跃居女性恶性肿瘤发病率之首*；目前对乳腺癌尚无积极的预防办法，早期诊断和及时治疗是提高乳腺癌术后生存率的唯一途径；临床主要采用触诊、乳腺X线摄片(钼靶摄片)和乳腺超声成像这三种方法检测乳腺肿瘤，其中乳腺超声成像凭借其无创、实时、可重复性强的特点，在我国很多地区都被选为乳腺影像学检查的首选方法。* 郑莹, 李德録, 向泳梅, 李
2、新建. 上海市区乳腺癌流行现状及趋势分析J. 外科理论与实践, 2001, 6(4): 219-221.,超声成像鉴别乳腺肿瘤的诊断基础,典型的良恶性乳腺肿瘤的超声图像特征比较*,* 王怡, 秦茜淼, 陈为民, 杨永明. 188枚良恶性乳腺肿块声像图识别J. 上海 医学影像杂志, 2003, 12(1): 30-34.,存在的问题,良恶性乳腺肿瘤的超声图像特征存在一定的交叠，对于超声图像表现不典型的乳腺肿瘤，单凭其中某一条或几条指标来判断肿瘤的性质是极不可靠的；(如：纵横比0.7的纤维腺瘤也比较常见；髓样癌肿块内部回声较低且分布均匀，一般还伴有后方回声增强) 如何对一例肿瘤进行综合评判？ 检查
3、医生经验和标准上的差异会导致不同的诊断结果； 如何提高诊断的客观性？超声图像自身存在着噪声大、分辨率低等缺点。 如何排除干扰获得有价值信息？,如何提高超声成像的诊断正确率,建立乳腺良恶性肿瘤的超声图像库，并不断积累病例数；对乳腺肿瘤的超声图像特征进行量化分析，并考察各特征参数对良恶性肿瘤的分类能力；选择分类能力强的特征构成特征参数组合，对乳腺肿瘤进行综合评估。,国内外研究现状 I ：研究对象一览,形态特征,纹理特征,肿瘤的边缘提取,国内外研究现状 II ：系统流程一览,选择相应的形态或纹理特征参数进行量化分析,从众多参数中找出具有较强分类能力的特征参数，对乳腺肿瘤进行综合识别,手动、半自动或全
4、自动提取乳腺肿瘤边缘,国内外研究现状 III：三类计算机辅助分析系统,基于乳腺肿瘤形态特征的提取与分析考察点：肿瘤的形状和边界特征代表参数：形状的紧致度、离心率、矩、边界的凸度和凹度、傅里叶描述子、分形描述等干扰因素：形态特征不典型的肿瘤 基于乳腺肿瘤纹理特征的提取与分析考察点：肿瘤的内部、边界、后方的回声特性代表参数：基于灰度共生矩阵的纹理描述、基于空间频率的纹理参数、基于纹理基元长度的描述等 干扰因素：良恶性肿瘤的纹理特征交叠程度更高，较差的成像质量，高频超声的衰减 基于乳腺肿瘤形态和纹理特征的综合分析,本课题内容的简要说明,以乳腺肿瘤的灰阶超声图像为研究对象，通过分析比较良恶性肿瘤的超声
5、图像特征，实现对乳腺肿瘤良恶性的计算机自动判别，从而为医生的临床诊断提供有价值的参考意见，以提高乳腺癌尤其是超声图像表现不典型的乳腺癌的诊断准确率。,本课题的主要研究工作和创新点,建立具有一定病例数的图像库； 实现计算机对超声图像中乳腺肿瘤边缘的半自动提取： 提出灰度阈值分割和动态规划相结合的边缘提取算法； 提出小波分析和动态规划相结合的边缘提取算法； 实现计算机对乳腺肿瘤超声图像特征的量化研究： 研究乳腺肿瘤的各种形态特征的量化分析方法； 研究乳腺肿瘤的各种纹理特征的量化分析方法； 计算机对乳腺肿瘤的良恶性判别 对量化特征作统计分析，并进行参数筛选； 建立基于人工神经网络的分类器，实现乳腺肿
6、瘤的良恶性判别。,实验数据的获得,图像库规模：168幅乳腺肿瘤的超声图像，其中良性81例、恶性87例；采集地点：复旦大学附属华山医院超声科涉及的超声仪：ATL HDI-3000、GE Logic9、ACUSON Sequoia-512、SIEMENS G50 和HITACHI 8500；探头发射频率：5 MHz 14 MHz；实验平台：配置为Pentium4 3.00 GHz，内存504 M的个人计算机，编程软件为Matlab 6.1。,内容概要,课题背景介绍课题内容介绍 超声图像中乳腺肿瘤的边缘提取 乳腺肿瘤的超声图像特征提取 乳腺肿瘤性质的分类判别总结与展望,基于灰度阈值分割和动态规划提取
7、边缘的基本思路,灰度阈值分割优点：原理简单、计算量小缺点：直接用于对比度低噪声大的超声图像效果差基于传统活动轮廓模型的动态规划优点：具有较好的抗噪性缺点：对边缘的初始位置敏感活动轮廓模型的初始轮廓一般由手动勾画给出灰度阈值分割和动态规划的联合运用灰度阈值分割给出初始边缘，动态规划修正初始边缘获得最终边缘优点：减少了初始边缘的人工干预，加快动态规划的收敛,算法流程示意图,ROI: region of interest,ROI的选取,ROI选择的意义： 1) 减少乳腺肿瘤周围具有相似灰度分布或纹理特征的组织或后方回声对正确提取肿瘤边缘的干扰; 2) 减少图像处理的时间。,原图大小：377410 R
8、OI 大小：281309,ROI的预处理,降噪：采用一个递归的二阶Butterworth低通滤波器滤除噪声 图像增强：提高肿瘤和背景的对比度，并增强边缘锐度 形态滤波(开运算)：滤除残余噪声，调节肿瘤内部的灰度分布,降噪后,图像增强后,形态滤波后,分割阈值的选取：尝试过的方法,经典的“双峰谷值”法：预处理后的ROI直方图仍呈单峰分布最大类间方差准则确定全局阈值：分割后的肿瘤区域比实际区域大；易受肿瘤前、后方回声分布的干扰结合像素点的局部纹理信息计算局部阈值：实验结果与采用单一灰度信息的结果向比未见明显改善基于最大类间方差准则的自适应阈值：可在一定程度上克服前、后方回声分布的干扰，但对于其他图像
9、其分割效果没有明显改善,分割阈值的选取：本文采用的方法,其中，gB(x, y)、Is(x, y) 和 I(x, y) 分别表示预处理后的ROI、肿瘤区和原始ROI。对ROI中的肿瘤区采用上述公式定义的阈值进行图像分割，灰度值低于该阈值的像素点被认为属于肿瘤部分，在二值图中以“0”表示；不满足这一条件的像素点都被归入背景区，在二值图中以“1”表示。对于ROI中肿瘤区以外的部分则全部认为是背景区域，直接在二值图中用“1”表示。,gB(x, y)的均值,Is(x, y)的均值,I(x, y)的均值,阈值分割后初始边缘的提取,二值图的形态滤波：滤掉图像中的小毛刺和孤立点、切断细长搭接、平滑肿瘤边缘、对
10、肿瘤内部的空洞采用填充运算进行填补在二值图中用sobel算子检测肿瘤边缘，即获得肿瘤的初始边缘,阈值化后的二值ROI,形态滤波后的二值ROI,sobel算子的边缘检测,初始边缘在ROI上显示,活动轮廓模型(Snake模型)简介,应用：图像分析和机器视觉领域，如边缘提取、图像分割和分类、运动跟踪、3D重建、立体视觉匹配等 基本思想：对一条初始的闭合轮廓曲线定义能量函数，通过最小化该能量函数，驱使轮廓曲线沿能量最低的方向演化(运动)，最终演化到物体的真实边界优点：保证边缘的闭合性；模型受图像性质和曲线特性的双重制约，并直接以参数化形式表达曲线的演化 缺点：需手动勾画初始轮廓；对初始轮廓的位置和形状
11、敏感；外力捕捉域小，不易进入轮廓的凹陷区,动态规划简介,一种解决多阶段决策过程的最优化方法 “分而治之，逐步改善”：把待解决问题划分成若干相互联系的阶段(stage)，通过逐段分析求解，最终求得全局最优解 每个阶段要作出一个决策(policy)，该决策的效果是把该阶段的当前状态(state)转换成与下一阶段相关联的某状态 寻求的解需满足从某初始状态经过所有阶段到达最终状态这一过程，使某一目标函数值最优 最优性原理：对已给定的当前状态，余下各阶段的最优方针与以前已采取的方针决策无关 求解过程从寻求最后阶段的每种状态的最优方针开始，通过反向递推的方法，逐步获得前一阶段每个状态的最优方针，直到递推至
12、第一阶段的最优方针,基于活动轮廓模型的动态规划,活动轮廓模型 最小化能量函数 调整轮廓形状动态规划 一种基于最优化原理的最优化方法基于活动轮廓模型的动态规划 既能有效利用活动轮廓模型的局部信息，又能从全局上保证最终轮廓的最优性 选用基于传统活动轮廓模型的离散化形式，能量函数由内部力和外部力构成用动态规划法进行目标的边缘优化是一个获得图像最低能量代价阵的过程，而目标的边缘则对应于最低代价阵中终止点和起始点之间能量值下降最快的路径，在确定了能量代价阵最小值，即确定了能量下降最快路径的终止点后，在对应的位置矩阵中反向跟踪通过该终止点的最小代价路径，就可获得最优化的轮廓,最优化问题的求解,初始边缘等间
13、隔采样,由轮廓的一阶项和二阶项组成,梯度,迭代型动态规划修正肿瘤边缘的具体步骤,对初始边缘的控制点计算初始代价阵；在初始控制点构成的搜索域中采用动态规划法寻找最优路径；计算初始边缘和该最优路径的能量代价差，若差值小于一个设定的阈值，则认为当前迭代的最优路径即为最终结果；否则，将当前迭代的最优路径视为新的初始边缘，重复步骤2和步骤3，直到两次迭代结果的能量差小于设定阈值，则迭代完毕，最后一次迭代获得的最优路径即为乳腺肿瘤的最终边缘。若迭代至最大迭代次数仍未收敛，则表明迭代失败，若最终结果可接受则作为乳腺肿瘤最终边缘保留，否则对灰度分割阈值作适当调整，在获得新的初始边缘后，重复步骤1至3，直至得到
14、满意结果。,动态规划的修正结果,初始边缘在ROI上的显示,初始边缘在预处理后ROI上的显示,最终边缘在ROI上的显示,最终边缘在预处理后ROI上的显示,边缘调整前后的对比,初始边缘和最终边缘在原始超声图上的显示,初始边缘,最终边缘,对比分析：初始边缘的定位对最终边缘的影响,基于最大类间方差准则获得的初始边缘,最终边缘,初始边缘和最终边缘的对比,分析：虽然动态规划可获得对初始边缘的最优化调整，但由于其基于的活动轮廓模型自身存在着外力场捕捉域小等缺点，使得最终边缘仍不能收敛到肿瘤真实边缘附近 解决方案：1、尽可能保证初始边缘获得较好的定位，降低对动态规划修正的依赖程度；2、修正活动轮廓模型的能量函
15、数，引入更高级的参数项，提高活动轮廓的运动能力,初始边缘的手动调整,灰度阈值分割法获得的初始边缘,手动调整的结果,存在的问题,问题一： ROI预处理中的形态滤波是基于灰度图像进行的，计算时间较长；解决方案：采用基于模糊域变换的图像增强技术代替原ROI预处理中的图像增强和形态滤波，以获得更高的计算效率 。问题二： 当肿瘤前后方回声强度差别较大时，初始轮廓定位会出现较明显的错误，例如肿瘤后方出现声衰减时，初始阈值分割易将声衰减区归入肿瘤部分，从而造成局部的初始轮廓定位错误 ；解决方案：引入了一种类似解决光照不均问题的校正方法，在ROI预处理前，先对存在后方回声显著增强或显著衰减的ROI进行灰度补偿
16、校正，使肿瘤前、后方的相似组织在灰度值上基本保持一致。,基于模糊域变换的图像增强技术,模糊逻辑和模糊集概念作为一种处理非确定数据的方法，已被广泛应用于图像处理领域，如模式识别、图像分割和图像增强等；基于模糊逻辑的图像增强的基本思想是将图像视为一个模糊数据集，通过降低该数据集的模糊度以达到调整目标和背景的对比度、锐化目标边界的目的；基于模糊域变换的 ROI增强：先将降噪后ROI的动态范围和图像细节采用模糊逻辑转换到模糊域，然后在模糊域上调整ROI对比度并锐化肿瘤边缘，最后将调整结果反变换到原始域从而获得增强后的ROI,模糊域变换函数和增强函数示意图,模糊域变换函数,模糊域增强函数,关于乳腺肿瘤后方回声衰减或增强的灰度值校正,对后方回声衰减的列信号校正,对后方回声增强的列信号校正,如何确定ROI是否需要进行回声校正,判定存在声衰减的条件：左后均值 / 左前均值 0.88 且 右后均值 / 右前均值 0.88 判定存在声增强的条件：左后均值 / 左前均值 1.2 且 右后均值 / 右前均值 1.2,
