依托弹性与B型双模态超声影像组学的腋窝淋巴结转移评价

【作者】索静峰，张麒，常婉英，施俊，严壮志，陈曼

1 上海大学通信与信息工程学院，上海市，200444 2 上海交通大学医学院附属瑞金医院超声科，上海市，200025

依托弹性与B型双模态超声影像组学的腋窝淋巴结转移评价

【作者】索静峰1，张麒1，常婉英2，施俊1，严壮志1，陈曼2

1 上海大学通信与信息工程学院，上海市，200444 2 上海交通大学医学院附属瑞金医院超声科，上海市，200025

目的 探索弹性与B型双模态超声影像组学定量特征对乳腺癌腋窝淋巴结转移的诊断价值。方法 回顾性分析来自158位乳腺癌患者的161个腋窝淋巴结（良性69个，转移性92个）的弹性与B型超声图像。计算病灶的B型形态学特征和双模态的影像强度特征与灰度共生矩阵特征，共428个特征。在留一法情况下通过最小绝对压缩（Lasso）法进行特征选择得到最佳特征组合，并利用支持向量机进行良性与转移性的分类。结果 通过Lasso法选出的35个影像组学特征，其敏感性、特异性、准确率和约登指数分别为86.96%、85.51%、86.34%和72.46%。结论 弹性与B型双模态超声影像组学定量特征取得较高的分类性能，有望应用于腋窝淋巴结转移的临床诊断。

影像组学；腋窝淋巴结；超声弹性成像；多模态；乳腺癌

腋窝淋巴结状态是影响乳腺癌患者预后的关键因素，对于乳腺癌的治疗至关重要[1]。目前，判断乳腺癌患者腋窝淋巴结状态最可靠的方法是腋窝淋巴结清扫(Axillary Lymph Node Dissection, ALND)及病理学检查[2]。然而，对于大多数早期乳腺癌患者，ALND或可导致过度治疗，增加一些不必要的术后并发症[3]。近年来，前哨淋巴结活检（Sentinel Lymph Node Biopsy, SLNB）越来越多地应用于临床，并逐渐整合到早期乳腺癌治疗中。然而，SLNB价格昂贵并且具有染色过敏和假阴性结果的风险。因此，迫切需要一种无创准确检测腋窝淋巴结转移的方法。

学业基础不扎实是职高学生的一个通病，一来他们原先的学习基础不理想，二来自我约束能力不足，同时又缺乏学习兴趣和积极性。

在台湾，传统的阵头是民间祭祀、庙会喜庆不可或缺的民俗之一。分为文阵和武阵，文阵有车鼓、桃花过渡、牛犁、布马、大鼓阵、病囝歌、十八摸等，武阵有宋江阵、八家将、舞龙、舞狮、七爷八爷等[2]。

传统超声成像如B型超声可提供关于淋巴结的数量、尺寸、形状及边界等信息[4-5]。近年实时弹性成像（Real-Time Elastography, RTE）已被应用于评估组织弹性[6-7]。与传统超声相比，RTE提供了关于淋巴结的生物力学信息。

世界历史进程中“一带一路”建设——基于英国对印度的双重使命视域的探讨………………………………………………吴美川（3）：20

影像组学（Radiomics）是一种新兴的医学影像分析手段，是指通过数据挖掘技术从医学图像中高通量地提取大量（即高维）定量特征[8-9]，并通过特征选择等降维技术筛选得到精简的重要特征，从而建立图像特征和临床表型或病理分型之间的关联。影像组学被越来越多地应用于计算机断层扫描成像、磁共振成像和正电子断层扫描成像上[9-11]，但很少应用于超声成像[9]。实际上本研究组已于近期将影像组学用于超声图像中乳腺肿瘤的良恶性分类，取得不俗效果[9]。本文进一步探索超声影像组学在评估乳腺癌腋窝淋巴结中的作用。本文目的即在于通过影像组学分析B型与弹性双模态超声图像中腋窝淋巴结的影像学特征，为判断其是否转移提供无创准确的依据。

1.5 支持向量机分类器设计

1 方法与材料

1.1 图像采集、硬度转换和图像分割

本文选用Mylab 90彩色超声诊断仪（Esaote,Genoa, Italy），探头型号为L523，频率为4～13 MHz。患者处于仰卧位使腋窝充分暴露，在B型超声模式下选择淋巴结目标，随后切换至弹性成像模式。该系统提供了双模态显示界面。如图1(a)所示，左为B型超声图像，右为半透明彩色弹性图叠加显示在灰度二维B型图上形成复合的彩色图像。

腋窝淋巴结的超声检查对象为瑞金医院2013年12月至2014年12月收治的行腋窝淋巴结常规超声检查及超声弹性成像的乳腺癌患者共158例（55.20±5.20岁），合计161个淋巴结（转移性92，良性69）。本实验获得伦理委员会批准，并收到所有患者的书面同意书。

以某种口径火炮为研究对象，考虑到膛内时期身管后坐对发射过程的影响较小，为此简化数值计算模型，不考虑身管后坐的影响，建立其弹炮耦合有限元模型有限元模型中。其中，弹带与弹体之间采用面面绑定约束，装药与弹体，弹带、弹丸定心部与身管接触设置。弹带挤进过程中会自身接触，因此，弹带采用自接触设置，动摩擦系数为0.1。图1为正常未磨损的身管内膛结构，图2为试验测得的身管内膛磨损曲线，图3为根据图2的磨损量建立的身管内膛磨损的有限元网格模型，图4为弹带有限元网格模型，图5为弹炮耦合有限元网格模型。

在Mylab 90系统中，颜色条（图1(a)中的右侧）表示组织弹性，其颜色由绿色（最软）渐变为紫色最终渐变为红色（最硬）。颜色条每一行中的颜色均表示相同的弹性应变值，但是以不同的B型灰度为底色。亦即，复合弹性图像中由于底色的B型灰度值不同，因此颜色条中每一行的颜色稍有不同，但每一行叠加的彩色均表示相同的弹性应变值。

这里x和s表示所有该样本特征的均值和标准差。以各行为特征、各列为样本，通过伪彩色显示Z-score，即得到热图。同时，本文还对行列方向分别进行分层聚类（Hierarchical Clustering, HC），在热图左方与上方显示HC所得的聚类树，以展示各特征或各样本之间的相似程度及聚类层次关系。

淋巴结的勾画由一名经验丰富的超声科医师完成。图1(c)和图1(d)给出一例淋巴结的勾画示例。勾画之后，将图像数据传到计算机，采用Matlab（R2014a版，MathWorks）编程进行影像组学特征提取及分析。

良好亲子关系是良好家庭教育的基础。保持良好亲子关系的家庭，即使孩子出现阶段性的成长问题，也是比较容易解决的。亲子关系是检视教养成效的重要指征之一。常见的亲子关系问题是亲子关系疏离、亲子关系过度依赖、亲子关系冲突等。

对每个特征x∈R1×P计算Z-score：

特征间相关性和冗余特征会使分类准确率降低，并且医学图像一般样本数较少，特征数目过多会导致过拟合。因此需要对特征进行选择和优化。本文采用最小绝对压缩（Least Absoulute Shrinkage and Selection Operator, Lasso）法进行特征选择[13]，筛选出与转移最为相关的关键特征子集，称之为影像组学印签。Lasso法采用模型系数的绝对值函数作为惩罚对回归系数进行压缩，使绝对值较小的系数完全收缩至0，从而筛选出鉴别能力较强的特征。其公式为：

形态学特征：定量描绘淋巴结的形状。包括：面积、凸面积、周长、等效直径、长轴和短轴长度、方向、实心度、偏心率、厚度平均值、厚度中值、厚度最大值、宽度平均值、宽度中值和宽度最大值。

影像强度特征：量化了图像像素的强度分布，主要由淋巴结内的强度值（即B型灰度值或软度值）计算得到。包括各种一阶统计量、例如平均值、标准偏差、方差系数、偏度、峰值、直方图熵、面积比和组合面积比，以及多个百分位数[12]。其他特征包括淋巴结外强度的统计特征和淋巴结内外强度统计量的比值。

GLCM特征：G(i,j)计算了图像强度为i和j的一对像素在特定角度θ和距离d下出现的次数。通过归一化获得联合条件概率密度函数，从中推导出基于GLCM的纹理特征。包括GLCM的对比度、能量、均一度和熵[12]。其中对比度与熵反映图像纹理的非均匀程度或者复杂程度，灰度分布越不均匀，取值较大；能量与均一度则表征图像纹理的同质性，其值越大说明纹理的不同区域区间变化越少，分布越均匀。

本文求GLCM时，像素距离d分别取1、2、4和8，方向θ为0o、45o、90o和135o。四个方向的特征求平均值作为最后的纹理特征[12]。

1.3 特征选择

本文共提取腋窝淋巴结三类特征，即形态学特征、影像强度特征和灰度共生矩阵特征（Gray Level Co-occurrence Matrix, GLCM）。因为淋巴结的勾画只在B型超声图像上进行，因此形态学特征只计入B型超声特征。影像强度特征和GLCM特征分别在B型超声和弹性超声两个模态上计算。

其中yi是第i个响应向量（良恶性标签）；xi=(xi1,xi2, ... ,xiP)是观察向量（P维量化特征）；βj为第j个变量的回归系数。式（2）中s为回归系数的1范式惩罚项，取值为0到正无穷，s足够小时，将某些与响应变量相关度较低的观察变量的回归系数严格压缩至0，从而筛选出鉴别能力强的特征子集。当s足够大时，将不再具有约束功能，此时将保留所有特征即不起特征选择作用。

使用Lasso方法选取出最优的特征，确定一个具有最高预测ACC的优化特征空间。本文采用留一法，将一个淋巴结样本作为测试集，其余样本作为训练集通过Lasso进行特征选择选出最优的30个特征，记录选取的特征。重复上述过程直至所有样本都做过测试集，统计各特征被选取为最优特征的次数，由多到少进行排序。

1.4 热图可视化与聚类分析

1.2 特征提取

根据颜色条将彩色弹性图（图2(a)）转化为范围从0（最硬）到1（最软）的“软度值”图。首先，将颜色条中每行的颜色线性转换为软度值，即顶行转换为1，底行转换为0，其余行的软度值以线性插值得到（图2(b)和图2(c)）。其次，通过公式d2= (Re–Ri)2+(Ge–Gi)2+(Be–Bi)2计算彩色弹性图中的某像素（Re, Ge, Be）与颜色条中每个像素（Ri, Gi, Bi）之间的欧氏距离d。找到颜色条上欧式距离最小的像素（图2(a)和图2(b)），并且将其对应的软度值赋给弹性图中的像素（图2(d)）。当弹性图中所有像素都赋上对应的软度值时，得到0至1取值的灰度弹性图（图2(d)）。

“典故”通常被使用来指关于历史人物、典章制度等的故事或传说，也有涉及诗人、词人词句和古谚的化用。一般意义上，“典故”的使用，或简称之“用典”，作为典型的修辞格而活跃于古今中外文人墨客手中。

HC技术已广泛使用于基因表达数据，在基因组学领域发挥重要作用[14]。HC将数据进行多尺度的聚类生成聚类树，前一层次聚类而成的目标（特征或样本）合并聚成下一层次的目标。本文将HC应用于腋窝淋巴结的影像组学分析。当样本被聚类成最大（最顶层）的两类时，这两类很可能分别包含以良性（或恶性）为主的样本[11]。因此，样本的聚类结果即可初步用于良恶性分类。

2.2.1 早、中、晚稻的抗性不同，早稻感病最高，晚稻最低。抗病品种的抗性有相对的稳定性。从抗性品种中进行系统选育可以得到高产抗病的品种。

当然，本文尚有不足之处：1) 本文假设供应链上的信息是对称的，但现实情况中，供应链上的信息往往是不对称的，尤其是在突发事件的背景下.在信息不对称的情况下，探讨三级数量弹性契约如何协调应对价格随机的突发事件，还是一个待研究的问题.2) 本文假设随机价格是与供求关系成简单的线性关系变化，但在现实情况中，价格的变化可能呈多种形式变化.3) 本文假设供应链参与者皆为风险中性，但在现实情况中，不同的参与者有不同的风险偏好，尤是当外界环境不确定时，参与者的风险态度往往会从风险中性转为风险厌恶.另外，参与者的努力程度也会影响供应链的最优订货量.这些因素，将在后续研究中逐步考虑进来.

HC聚类本身是种非监督学习方法，学习中未使用标签信息，因此基于聚类结果进行分类其效果仍有提升空间。故本文还采用支持向量机（Support Vector Machine, SVM）方法对良性和转移性淋巴结进行更准确的分类。在SVM过程中采用留一法计算161个淋巴结分类敏感性（SEN）、特异性（SPC）、准确性（ACC）和约登指数（YI）。通过使用Sigmoid函数将每个样本的距离映射到SVM分类器的决策边界，得到SVM良性似然值[15]。良性似然值是0和1之间的后验概率，表示淋巴结属于良性淋巴结的可能性。

2 实验结果

本文构建了基于双模态超声影像组学的腋窝淋巴结转移预测方法，在B型超声和弹性超声中共提取428个定量图像特征。在全部428个特征中，有294个特征表现出很强的显著性差异（P＜0.001,t-test）。

2.1 单模态SVM分类结果

本文计算了单独B型与单独弹性模态下，所有特征和t检验选择的特征的分类结果。如表1所示，其中Lasso选择的弹性特征分类效果最佳。这一结果表明单独弹性模态的分类效果要好于单独B型超声。

缓解现阶段美术教学中出现问题的解决方法是采用“具象表现绘画”的教学方法，具象表现绘画的基本方法既可以避免传统具象写实的客观地死板呈现，又减弱了现代极端化的主观表现，同时还培养学生独特的的观察能力以及创造力。

表1 在单模态下选取不同特征时判断腋窝淋巴结是否转移的分类性能Tab.1 Diagnostic values of single modal features for identifying metastatic axillary lymph nodes

2.2 双模态聚类分析结果

新课程理念对课堂教学提出了新的要求，要求教师本着对学生终身发展负责的态度，既关注学生的学习成绩，也扶持学生的个性发展，让学生养成科学态度和科学精神，全面发展，真正成为21世纪社会主义新的接班人。高中生物教师应当在新课改理念的指导下，革新教学观念，大胆运用与实践这些新的教学方式方法，并结合自身教学经验对这些方式方法予以进一步优化完善，使其更加适用于自己的课堂教学，最终促进课堂教学效率的提高。

从聚类数目上看：若采用全部特征时，全体淋巴结被聚为样本数分别为81个和80个的两类。若采用Lasso优化，全体淋巴结被聚为样本数分别为73个和88个的两类（图3）。将数目居多的一类视为转移性，数目居少的视为良性，计算其分类性能。

图3 以热图形式描绘从161个腋窝淋巴结样本中计算出的影像组学特征的Z-scoreFig.3 Heat maps depicting Z-scores of radiomics features for 161 axillary lymph nodes

采用所有特征聚类的SEN、SPC、ACC与YI分别为：57.61%、60.87%、59.01%和18.48%。Lasso方法优化后的35个特征聚类结果分别为67.39%、73.91%、70.19%和41.30%。可见特征选择得到的特征能更加准确地刻画淋巴结特性从而有助于更准确的分类。

2.3 双模态SVM分类结果

在留一法循环使用Lasso选取特征时，本实验共记录45个特征。有16个特征每次都出现。经过测试，发现选择前35个特征的分类效果最佳，为最优特征空间。将所有特征、t检验（P＜0.001）选择的特征、及Lasso选择的特征进行比较，其SVM分类指标见表2。Lasso特征的SEN、SPC、ACC和YI均最佳，分别为86.96%、85.51%、86.34%和72.46%。当只采用一个模态进行分类时，其效果不如双模态。这说明各个模态之间信息有互补作用。

表2 在双模态下选取不同特征时判断腋窝淋巴结是否转移的分类性能Tab.2 Diagnostic values of dual-modal features for identifying metastatic axillary lymph nodes

3 讨论

对Lasso选择的35个特征中的每个特征进行SVM分类。分类效果最佳的是B型超声中淋巴结内外强度统计量95百分位数的比值。其SEN、SPC、ACC和YI分别为69.57%、78.26%、73.29%和47.83%。单个特征的分类性能均不如35个精选特征联合分类的结果，说明双模态多特征的联合能提高分类性能。

从留一法训练集结果进行分析，采用所有特征分类的S E N、S P C、A C C和Y I为98.93%±0.23%、100.00%±0.00%、99.39%±0.13%和98.93%±0.23%；采用t检验选择的特征分类结果为92.68%±0.77%、97.90%±0.85%、94.91%±0.65%和90.58%±1.33%；经过Lasso选择的特征分类的结果为89.04%±0.47%、91.32%±0.39%、90.02%±0.29%和80.36%±0.55%。与其对应测试集结果相比，所有特征的分类结果差别最大，而Lasso选择的特征差别最小。这是因为采用所有特征分类时样本数目较少而特征数目过多，从而导致过拟合。Lasso优化后训练集和测试集的结果更加接近，表明其有助于克服过拟合，更适应于新的样本数据。

本文主要集中在B型超声与弹性超声上，并未包括其他模态的特征。在以后的研究中将整合其他超声模态，如多普勒、超声造影和剪切波弹性成像，以便进行更全面的多模态分析。此外，还将整合包括磁共振成像、计算机断层成像和正电子发射断层成像在内的其他模态，以更好地区分转移性淋巴结和良性淋巴结。

除了应用于腋窝淋巴结转移判别，本文提出的影像组学方法也有望扩展至其他癌症的病理分型和预后预测。在后续工作中，将进一步探索影像组学在肿瘤诊疗中的应用潜力。

4 总结

本文提出在弹性和B型双模态超声图像上运用影像组学提取大量定量特征，进行Lasso特征选择，最终用SVM判别淋巴结是否转移。分类结果表明该方法在判断腋窝淋巴结是否转移上颇具价值，有望应用于临床诊断。

[1] Axelsson C K, Düring M, Christiansen P M, et al. Impact on regional recurrence and survival of axillary surgery in women with node-negative primary breast cancer[J]. Brit J Surg, 2009, 96(1):40-46.

[2] 周维. 乳腺癌腋窝淋巴结转移超声的诊断价值[J]. 现代实用医学, 2013, 25(9): 1022-1024.

[3] Yip C H, Taib N A, Tan G H, et al. Predictors of axillary lymph node metastases in breast cancer: is there a role for minimal axillary surgery[J]. World J Surg, 2009, 33(1): 54-57.

[4] Li Q, Wang L, Wu H, et al. Controlled study of traditional ultrasound and ultrasound elastography on the diagnosis of breast masses[J]. Ultrasound Quart, 2015, 31(4): 250.

[5] Dietrich C F, Mathis G, Cui X W, et al. Ultrasound of the pleurae and lungs[J]. Ultrasound Med Biol, 2015, 41(2): 351-365.

[6] Dietrich C F, Softoiu A, Jenssen C. Real time elastography endoscopic ultrasound (RTE-EUS), a comprehensive review[J].Euro J Radiol, 2014, 83(3): 405.

[7] Zhang Q, Xiao Y, Dai W, et al. Deep learning based classif i cation of breast tumors with shear-wave elastography[J]. Ultrasonics,2016, 72: 150-157.

[8] Aerts H J, Velazquez E R, Leijenaar R T, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach[J]. Nat Commun, 2014, 5: 4006.

[9] Zhang Q, Xiao Y, Suo J, et al. Sonoelastomics for breast tumor classif i cation: a radiomics approach with clustering-based feature selection on sonoelastography[J]. Ultrasound Med Biol, 2017,43(5): 1058-1069.

[10] Huang Y Q, Liang C H, He L, et al. Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer[J]. J Clin Oncol, 2016, 34(18):2157.

[11] Gillies R J, Kinahan P E, Hricak H. Radiomics: images are more than pictures, they are data[J]. Radiology, 2015, 278(2): 151169.

[12] Zhang Q, Li C, Han H, et al. Computer-aided quantification of contrast agent spatial distribution within atherosclerotic plaque in contrast-enhanced ultrasound image sequences[J]. Biomed Sign Proc Contr, 2014, 13(1): 50-61.

[13] Tibshirani R. Regression Shrinkage and Selection via the Lasso[J].J R Stat Soc, 2011, 73(3): 273-282.

[14] Bar-Joseph Z, Gifford D K, Jaakkola T S. Fast optimal leaf ordering for hierarchical clustering[J]. Bioinformatics, 2001, 17 (Suppl 1):S22-S29.

[15] Uniyal N, Eskandari H, Abolmaesumi P, et al. Ultrasound RF time series for classif i cation of breast lesions[J]. IEEE Trans Med Imag,2015, 34(2): 652-661.

Evaluation of Axillary Lymph Node Metastasis by Using Radiomics of Dual-modal Ultrasound Composed of Elastography and B-mode

【Writers】SUO Jingfeng1, ZHANG Qi1, CHANG Wanying2, SHI Jun1, YAN Zhuangzhi1, CHEN Man2
1 Institute of Biomedical Engineering, Shanghai University, Shanghai, 200444 2 Department of Ultrasound, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, 200025

Objective To explore the diagnostic value of quantitative radiomics features from dual-modal ultrasound composed of elastography and B-mode for axillary lymph node metastasis in breast cancer patients. Methods We retrospectively analyzed 161 axillary lymph nodes (69 benign and 92 metastatic) undergoing real-time elastography and B-mode ultrasound from 158 patients with breast cancer. We extracted a total of 428 features, consisting of morphologic features from B-mode, and intensity features and gray-level co-occurrence matrix features from the dual modalities,and the optimal subsut of features was selected through least absolute shrinkage and selection operator (Lasso)under the condition of leave-one-out cross validation. We used SVM for the classi fi cation of benign and metastatic nodes. Results The sensitivity, speci fi city, accuracy and Youden’s index of the 35 radiomics features selected with Lasso were 86.96%, 85.51%, 86.34% and 72.46%, respectively. Conclusion The radiomics features from dual-modal ultrasound (elastography and B-mode) have demonstrated good performance for classi fi cation and have potential to be applied to clinical diagnosis of axillary lymph node metastasis.

radiomics, axillary lymph node, real-time elastography, multimode, breast cancer

R736.3

A

10.3969/j.issn.1671-7104.2017.05.001

1671-7104(2017)05-0313-04

2017-03-27

国家自然科学基金(61671281，61401267)

张麒，E-mail: zhangq@t.shu.edu.cn；

陈曼，E-mail: maggiech1221@126.com