基于乳腺肿块的超声射频信号特征算法识别

严　郁　方　舸　蔡润秋　袁开开　吴意贇

基于乳腺肿块的超声射频信号特征算法识别

严郁①方舸①蔡润秋①袁开开②吴意贇①

目的：对超声射频信号进行数据编译与信号处理研究，得到具有临床诊断意义的相关特征参数，用以辅助乳腺肿块的临床诊断。方法：将VINNO 70超声诊断平台的后台数据库提供的超声射频信号数据，在Matlab软件系统中编写标准差及熵值算法，处理数值矩阵中肿块区域与正常组织区域数值，以得到乳腺肿块区域参数。结果：通过标准差及熵值算法的处理显示，正常区域的熵值及标准差数值比肿块区域均高出40%。结论：超声射频信号特征算法中的标准差及熵值算法处理，能够有效区别乳腺肿块区域与正常组织区域。

特征算法；超声射频；乳腺肿块；超声诊断平台

［First-author’s address］ Department of Equipment， Jiangsu Traditional Chinese Medicine Hospital， Nanjing 210029，China.

医学超声成像是利用超声声束扫描人体，通过对反射信号的接收、处理以及反映的声学特征差异来区分不同的组织，以获得人体各个组织成分的图像，并且用图像显示出脏器界面和组织内部的细微结构，借助图像可对病灶与正常组织进行判别诊断［1-2］。然而，这种基于对直观图像的判断具有一定的主观性。因此，通过对原始的超声无线射频（radio frequency，RF）信号进行处理，针对其特性设计的算法进行计算，可获取相应的特征参量，提升对图像的认识度，辅助医生诊断［3-4］。本研究针对乳腺肿块的超声RF信号进行超声RF特征算法提取，而超声影像的肿瘤诊断依靠肉眼判断受主观性影响较大，探讨通过数据化分析给出特征参量辅助临床诊断。

1　超声射频信号特征算法提取

1.1特征算法原理与编译

特征参量算法编译使用为工程领域标准行业Matlab软件（美国Mathworks公司开发），提取超声RF信号，计算相应区域的熵值与标准差，以达到更加直观的区分病灶的目的。对超声RF信号进行处理需要将RF信号以可读取的方式提取出来。超声RF信号的提取以超声诊断系统VINNO 70的开放后台数据库为平台进行，导出的16进制原数据被转换，并重新排列编译成10进制的数值矩阵，其矩阵中的每个数值点对应于超声图像中的相同行列坐标的像素点，而数值点的大小则反映了相应超声图像像素点的未经图像增强前的本征灰度值，即形成的数值矩阵是超声图像未经图像处理前所对应的二维数值表示［9-12］。由于未经过图像增强，该数值矩阵所标示的超声图像在超声临床诊断中，尤其凭借超声图像视觉的判断其意义不大。但对于信号分析与处理，该数值矩阵包含了最全面、未失真的超声信息，适合于进行算法编译，以得到具有临床意义的参量。

1.2熵值与标准差

（1）统计样本的熵值（S）定义为系统各样本元素所有可能状态的总数，熵值S的计算为公式1：

式中Nn为第n个状态下的可能状态数，在对信号的处理上反应为数值矩阵中具有同一数值大小的元素数量。熵值体现了统计样本的混乱度。在对样本标准差与熵值的分析中，将剔除远场区末端以及邻近皮肤表面的区域。

（2）标准差（σ）在数理统计中表示样本元素之间的离散程度，标准差σ的计算为公式2：

式中xi为定义为样本中各元素，与样本均值μ的插值的算术均方根，标准差σ的大小反应了样本元素的均一度。

由于远场区末端的超声信号衰减严重，信号噪声累计，而邻近皮肤表面区域强烈的声波干涉以及实际耦合不完全等问题，远场区以及皮肤邻近区域的数据加入分析会增加统计涨落的不确定性，在本研究中远场区末端与邻近区域定义为数值坐标1500与100，因此取值区域在纵向坐标［100，1500］区间范围内，超声RF数据矩阵如图1所示。

图1　超声RF数据矩阵图像

2　特征算法临床测试结果

利用边界识别算法确定良性肿块区域，勾勒出肿块边界，使用判断程序读出边界坐标，并截取肿块区域，分别求取肿块区域与正常区域的标准差与熵值作比较［13-15］。

在实际数据处理的过程中，抽取4组超声RF数据，采用抽样的数据矩阵区块对肿块区域与正常区域的标准差与熵值进行比较分析，4组超声RF数据的肿块区域与正常区域的标准差与熵值比较结果见表1。

表1　超声RF数据的肿块区域与正常区域的标准差与熵值

表1显示，正常乳腺组织与良性肿块区的标准差与熵值数值大小有明显的区别，正常组织的标准差数值集中在56和78，应与表中数据统一区间，而肿块组织的标准差数值集中在40和49，应与表中数据统一区间。同样在统计熵值中，正常组织的数值集中区间为6.75和6.95，而肿块组织的数值集中区间5.15和6.22。

3　讨论

3.1特征算法与病理组织学

迄今为止，对于超声RF采集后图像的处理，国内外学者提出了诸多方法，多是针对脂肪肝与肝纤维化分级的超声RF信号提出的算法并进行评估。人体的组织结构极为复杂，在不同的器官和不同的组织中，有着不同的声学特征，因此正常细胞区域和与病灶区域的声阻抗也会有明显差异，在超声信号发射到人体后两者会有不同的折射、散射及衰减，从而造成图像上的差异［16-17］。图像差异主要来自于两点：①正常细胞的形态、规则及大小一致，细胞核与整个细胞的比例稳定，在每个细胞核内染色质分布均匀，而由于肿瘤细胞不受正常调控系统控制的特点，其细胞体积会明显增大，核的形态也不一，可能出现多核、双核及巨核等各种情况，因此细胞的核质比要比正常细胞大许多；②正常细胞大多具有接触抑制，体内表现为细胞的排列规则，细胞生长过程中，一旦相互接触达到致密结构便不再分裂，而肿瘤细胞则失去了接触抑制，在体内无序的迅速增值，即使堆积成群，仍然可以继续分裂生长，形成肿块［18-19］。

肿瘤的特征与本研究的数据呈现的特征相一致，由于肿瘤细胞失去接触抑制的特性，细胞呈现出更加团块化的状态，因此肿块区域与正常区域相比，细胞核占据了大部分空间，使得整片区域对超声信号的反映更加一致，图像上表现为标准差更小，熵值更小。

3.2特征算法的临床应用

由于超声RF参数在正常组织与病变区域有着较大的区别，可被用作乳腺肿瘤的早期筛查与辅助判断。在实际临床应用中可以考虑将RF参数生成加入至超声图像扫描模块，在图像扫描的过程中手动选定ROI区域，由超声诊断仪直接生成RF参数，辅助医生诊断。

4　结论

在对超声RF信号的分析表明，选取标准差与熵值两种特征算法，均可较清晰地反映出正常乳腺组织和乳腺肿块之间的差别。两者在标准差与熵值的参数上均反映为集中在一定的区间内，而且正常区域相较于肿块区域呈现出较高的数值，与细胞形态学上的相关特征反映一致。同时，在对肿块区域和正常区域标准差参数分析的对比中显示，两者平均相差40%，具有较高的临床诊断价值。熵值算法中正常区域更加集中，而肿块区域较为分散。但两种算法各有利弊，均能对辅助诊断提供依据。

［1］李晓峰，沈毅，王强，等.超声乳腺肿瘤图像计算机辅助诊断系统［J］.吉林大学学报（工学版），2009，39（3）：770-775.

［2］陈秋霞，向军，刘奇，等.乳腺肿瘤超声图像纹理特征分析［J］.激光杂志，2014，35（3）：65-66.

［3］Tzagkarakis G，Achim A，Tsakalides P，et al. Joint reconstruction of compressively sensed ultrasound RF echoes by exploiting temporal correlations［C］.IEEE Internat Symposium Biomed Imaging，2013，20：632-635.

［4］Li G，Luo Y，Deng W，et al.Computer aided diagnosis of fatty liver ultrasonic images basedon support vector machine［J］.Conf Proc IEEE Eng Med Biol Soc，2008，2008：4768-4771.

［5］刘映，林江莉，陈科，等.基于PCA的脂肪肝超声RF信号特征选择［J］.实验科学与技术，2014，12（4）：4-7.

［6］林江莉，汪小毅，李德玉.脂肪肝B超图像特征提取研究［J］.四川大学学报（工程科学版），2005，37（1）：130-134.

［7］高永振，林春漪，陈秋彬，等.基于超声射频时间序列的肝纤维化程度评分方法［J］.生物医学工程学杂志，2015（1）：175-180.

［8］刘志东，罗燕，林江莉.基于超声射频RF信号的脂肪肝分级量化方法［J］.四川大学学报（工程科学版），2011（S1）：160-164.

［9］肖舜金，武剑辉，栾强厚，等.基于PCI总线的超声射频数据传输系统［J］.电子测量技术，2012，35（3）：120-123.

［10］王婷，高晓蓉，李金龙，等.基于小波变换的超声图像去噪算法研究［J］.信息技术，2015（2）：93-96.

［11］Po-Wen Cheng，Che-Chou Shen，PCLi，et al. Ultrasound RF channel data compression for implementation of a software-based array imaging system［C］.IEEE International Ultrasonics Symposium，2011：1423-1426.

［12］廖长义，王华，周慧婷，等.基于超声射频回波分布的脂肪厚度测量［J］.压电与声光，2012，34（5）：806-810.

［13］林其忠，余建国，王怡，等.超声乳腺肿瘤图像的边缘提取［J］.中国医学影像技术，2007，23（10）：1572-1574.

［14］林一聪，郑政，赵智慧，等.基于FPGA的超声射频信号自适应滤波器［J］.北京生物医学工程，2012，31（1）：21-25，30.

［15］付树军，阮秋琦，李玉，等.基于各向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（7）：1191-1195.

［16］汪源源，沈嘉琳，王涌，等.基于形态特征判别超声图像中乳腺肿瘤的良恶性［J］.光学精密工程，2006，14（2）：333-340.

［17］高榆秀，赵诚，赵鹏，等.乳腺叶状肿瘤与纤维腺瘤超声图像特征的统计学分析［J］.中国超声医学杂志，2013，29（11）：975-978.

［18］孙卫健，康莉，范晓芳.常规超声与弹性成像技术鉴别诊断乳腺肿块的比较研究［J］.中华超声影像学杂志，2010，19（2）：181-182.

［19］张祥盛.WHO乳腺肿瘤组织学分类［J］.诊断病理学分类，2012，19（6）：477-478.

Ultrasound radio-frequency characteristic signal processing for breast lump recognition

YAN Yu， FANG Ge， CAI Run-qiu， et al

China Medical Equipment，2016，13（9）:20-22.

Objective: As an aided diagnostic method for medical ultrasound systems， radiofrequency characteristic signal processing enables doctors to increase the recognition rate for certain diseases， the aim of ultrasound RF signal processing is to acquire the corresponding parameters with clinical aids. Methods: The raw radio-frequency data， collected from the backstage databank of VINNO 70 ultrasound scanner， was compiled into manageable matrix format. Then the breast lump region and normal tissue region labelled in the data matrix，was processed by standard variance and entropy algorithms compiled using Matlab. Results: The results indicate the entropy and standard deviation of normal region is higher than lump region about 40%. Conclusion: The analysis of results conclude the effectivity of the standard variance and entropy algorithms to recognize the breast lump region and the normal tissue region.

Characteristic signal processing； Ultrasound radio-frequency signal； Breast lump； Ultrasound diagnostic platform

1672-8270（2016）09-0020-03

R445.1

A

10.3969/J.ISSN.1672-8270.2016.09.006

2016-03-29

①江苏省中医院设备处 江苏 南京 210029

②南京医科大学生物医学工程系 江苏 南京 210029

严郁，男，（1979- ），博士研究生，高级工程师。江苏省中医院设备处，从事医院设备管理与采购工作。