图像分类技术在超声诊断甲状腺结节中的应用进展

梁晓雯综述，陈智毅审校

(广州医科大学附属第三医院超声医学科，广东 广州 510150)

甲状腺结节发病率逐年升高，在成人中的发病率高达70%，其中恶性病灶仅占5%[1]。寻找精确、高效的诊断方法是甲状腺疾病的研究热点。常规超声是诊断甲状腺疾病的重要手段，具有高敏感度及低特异度。随着计算机技术快速发展，超声图像分类在甲状腺疾病计算机辅助诊断(computer-aided diagnosis, CAD)中的重要意义日益凸显。本文对超声图像分类技术诊断甲状腺疾病的应用进展进行综述。

1 超声图像分类定义

图像分类即基于图像的不同特征，通过计算机分析区分不同类型的图像，依赖于所选图像特征的质量[2]。超声图像分类即通过算法对超声图像进行自动分类，以建立智能化诊疗模型，达到精准诊断的目的。

2 甲状腺结节特征提取

特征是图像分类的基础，良好的特征有助于数据降维，简化多元数据的复杂性，以便获取主要分类信息[3-4]。2017版甲状腺影像报告和数据系统(thyroid imaging-reporting and data system, TI-RADS)将“组成、回声、形态、边缘及钙化”确立为评估特征，以预测病灶性质并指导诊治[5]。有学者[6]联合结节超声特征及病理结果，以期提高非典型结节性甲状腺肿的诊断准确性。随着技术的发展，特征分析已不再局限于图像本身，以纹理分析为代表的图像模式识别已成为新的研究思路。有学者[7]分析70例甲状腺结节患者6个类别共270个纹理特征，发现纹理分析方法有助于提高鉴别诊断甲状腺结节良恶性的效能。Chen等[8]以76幅甲状腺超声图像的157个ROI为样本，通过纹理分析将样本分为“滤泡结节”及“纤维结节”，并建立分类系统，结果表明在“滤泡结节”中乳头状癌非均质性更明显，而在“纤维结节”中纹理变异相应增加，诊断准确率>95%。

此外，随着基于评估单一特征诊断技术的发展，超声诊断甲状腺疾病的特异度逐步提高，如基于硬度评估的弹性成像、基于血流评估的CEUS等。有学者[9]观察CEUS定量评估甲状腺结节良恶性的价值，结果表明乳头状癌的最大峰值强度显著低于良性结节。然而，单一指标难以明确诊断恶性肿瘤[10]。多项研究[11-12]发现，联合应用高频超声、弹性成像及CEUS评估甲状腺结节良恶性的准确率优于单一模式；但多模式联合导致图像数据处理分析工作量增加，如何对图像进行优化处理及分类是亟待解决的问题。

3 甲状腺超声图像预处理

原始图像含有大量模糊信息，直接应用易产生较大误差。因此，在进一步分类前，需对图像进行预处理，以保证数据的一致性和确定性[13]。常见的预处理方法包括图像分割、图像配准及融合。

3.1图像分割 超声图像分割技术已广泛应用于心血管、腹部及胎儿等领域。根据方法不同，可分为区域分割、边缘分割、轮廓分割以及深度学习分割法等。其原理在于通过不同方法识别不同回声组织间的划分点，以自动检测区域内病灶、自动测量体积及引导临床治疗[14]。传统区域分割主要包括阈值法、区域生长及分裂合并，快速有效，但对阈值要求较高，对低对比度的病灶分界效果欠佳。边缘分割为并行或串行边缘检测，可通过微分算子获得连续边缘，但若未进行边缘平滑预处理，易获得伪边缘[15]。甲状腺结节回声复杂，应用传统分割法存在一定困难。多项研究[15-16]在传统方法的基础上进行改良，如针对区域分割存在的无效分割、空洞形成等局限性，对排除的区域进行二次对比，以精确边界；采用基于各向异性扩散滤波器及归一化分数分割甲状腺超声图像，获得更准确的病灶边缘，以协助细针穿刺活检(fine-needle aspiration, FNA)定位。

常见超声图像轮廓分割法包括Snake活动轮廓模型和Chan-Vese模型(C-V模型)[17]等。此类算法属于偏微分方程分割法，能有效扩展、捕获区域，但对初始位置敏感，对内部回声不均匀病灶效果不佳。此外还有基于特定理论的分割，如小波变换结合霍夫转换[18]，可有效改善传统分割诊断非均质性甲状腺结节的精确性，有助于指导FNA。

与传统人工神经网络(artificial neural network, ANN)相比，神经网络深度学习在多层网络的基础上加入了特征学习，可自动筛选特征，提高分类精确度。以卷积神经网络(convolutional neural network, CNN)为代表的深度学习可进一步提高分割甲状腺超声图像的精确性。有学者[19]收集5 842例患者21 523幅甲状腺结节超声图像，建立级联CNN模型，获得了较好的诊断效能。此外，深度学习还用于多种模式的超声图像分割中，在甲状腺结节实时弹性图像的分析中，可通过深度学习自动筛选最优图像，以降低人为选择的主观性[20]。随着计算机学科发展，越来越多新算法的出现有望进一步提高甲状腺结节超声图像的分割效率及准确性。

3.2图像配准及融合 图像配准融合常见于多模态成像，即在不同模式及成像各有优劣的基础上，经过变换处理而将多种解剖或功能成像图融为一体，形成多信息同步可视化，改善单一成像的局限性[21]。21世纪初，多模态成像已开始应用于神经外科领域[22]。有学者[23]将颅内肿瘤术前MRA图像与术中CEUS图像进行三维融合，发现术中肿瘤血管位置较术前产生改变，提示术中精准导航意义重要。

由于不同模式图像间存在差异，配准前应根据需求进行变换，使各种图像在空间描述上达成一致[21]，再定位多源图像。常见定位方法包括外定标及内定标法。外定标法即采用侵入性或非侵入性方法于受试者身上放置感应标志物，临床适用性较低；内定标法即利用特定解剖标识(像素或特征)进行配准，常用基于特征的配准。有学者[24]应用容积导航实现甲状腺超声与手控SPECT图像基于边缘特征配准融合，综合二者的优势，同时可改善手控SPECT分辨率不佳、超声不能功能成像的局限性。

超声成像原理及空间定位均与其他影像学检查方法存在较大差异，图像配准融合难度大。随着图像质量提升、超声技术及算法的进一步发展，超声相关多模态成像已广泛应用于导航、消融等疾病诊疗，如将超声与MRI进行图像融合，用于引导子宫肌瘤HIFU消融治疗[25]。

4 基于超声特征的图像分类及算法模型建立

早期诊断甲状腺癌具有重要意义。FNA能快速获取细胞学结果，接受度较高，但属于有创检查，且5%～20%诊断不明确[4]。CAD图像分类诊断稳定、精准、无创，可针对性提高超声诊断甲状腺结节效能，增加结果可信度，便于统一及推广；还可降低成本，避免不必要的有创诊治，减轻患者负担。

图像分类基本组成是分类器，即通过输入数据、监督学习、训练、反馈等步骤完成对未知图像的自动分类。目前常用的甲状腺超声图像分类器包括ANN及支持向量器(support vector machine, SVM)，以及高斯混合模型、决策树等[4]。

4.1ANN ANN可模拟神经元的结构功能[26]，由输入层、隐藏层及输出层组成，通过学习和记忆对新个体进行分类。以CNN为代表的深度学习及深度置信网络是在ANN基础上，通过多层网络训练使高维数据转化为低维数据。ANN训练速度较慢，多层分类效果不佳，目前已较少应用。深度学习(新算法/现有算法改良)或多个分类器联合评估是目前的研究热点。Chi等[27]应用预处理后的甲状腺样本图像对现有深度学习网络GoogLeNet进行改良，发现其诊断效果良好。

联合多种深度学习在产前诊断中的应用已较为成熟。 联合两种CNN算法建立计算机化的胎儿图像质量评估(FUIQA)方案，可有效提高胎儿超声图像的诊断精度[28]；采用复合深度学习结合序列学习自动识别胎儿标准切面，诊断准确性良好[29]。应用两个CNN融合后模型对8 148例甲状腺结节超声图像进行分类，其性能高于直方图及SVM，提示多层CNN能有效减少图像预处理不当导致的潜在错误及分类偏差[30]。

4.2SVM SVM适用于高维数据分类，应用推断统计学方法构建多维超平面以获得最优解，是常用超声图像分类方法之一。 基于SVM图像分析系统与贝叶斯分类器及最小二乘最小距离法对比分析甲状腺超声图像分类效能，发现SVM更为精确，可有效减少FNA的使用[31]。Chang等[32]评估118例甲状腺结节超声图像多区域特征，采用SVM分类良恶性结节，发现多变量网络的诊断精确度高于单变量网络及影像医师诊断。

4.3ANN与SVM的选择及联合应用 CAD图像分类具有智能化分类、推广度增加、主观性及诊治成本降低等优势。分类器的选择受多因素影响，如样本量较小时适宜采用SVM，样本量较大时宜用神经网络深度学习方法。增加样本量可有效提高分类效率。研究者[33]应用离散小波变换及纹理分析提取50例甲状腺病灶三维CEUS图像特征，分别采用与K最近邻算法(K-Nearest Neighbor, KNN)、概率神经网络及决策树分类器进行分类，发现KNN诊断精确度最高。还有研究[34]发现SVM诊断小样本桥本甲状腺炎的效果较好。Wu等[35]采用神经网络方法鉴别诊断970例甲状腺良恶性结节，效果优于贝叶斯分类器及SVM。联合应用ANN及SVM鉴别甲状腺良恶性结节的敏感度高于单独应用ANN与SVM升高，而特异度降低[36]。

5 小结与展望

结合算法的图像分类是甲状腺超声诊断新方法。从原始图像到建立诊断模型，需经过特征筛选、图像预处理及算法模型建立等步骤；其中深度学习以其高效、精确的特性已成为目前甲状腺超声CAD的重要工具，能有效提高诊断准确性。随着研究深入及超声技术的发展，针对结节血流、硬度等特征的超声图像分类研究正在逐渐开展，多模式、多方法融合的智能化诊疗系统将成为未来超声诊疗甲状腺疾病的发展趋势。