乳腺肿瘤超声图像识别模式分类方法的对比研究

赵添羽，苗 术，李靖宇，郝利国，戴 航（通讯作者），刘雅楠

（齐齐哈尔医学院 黑龙江 齐齐哈尔 161006）

近年来，在我国女性中乳腺癌的发病率逐年升高，乳腺癌早期几乎无明显临床症状，因而极易被漏诊，较多患者错失早期治疗时机，不利于预后的改善，因而应积极地提升乳腺肿瘤的辅助诊断水平。影像学技术是乳腺肿瘤诊断的最常用方法，也是早期筛查及临床确诊的重要手段，乳腺超声具有安全、重复性好、费用低、准确性好等特征，可作为首选的筛查、诊断方法[1]。目前，针对乳腺肿瘤的超声肿瘤分类技术已经日趋成熟，自动化肿瘤分类技术经历了快速发展阶段，但是如何更加有效地尽早诊断、准确治疗乳腺癌，仍亟待解决。本研究提出了一种基于灰度概率密度差异与局部边缘信息利用模糊逻辑算法精确肿瘤区域定位的方法，为进一步其复杂诊断价值，本次研究选择2019年1月—2020年6月期间在本院手术治疗的61例乳腺肿瘤患者作为研究对象，对比分析了该全自动肿瘤定位方法和先验知识模型定位的辅助诊断效果，现总结如下。

1 资料与方法

1.1 一般资料

选择2019年1月—2020年6月期间在本院手术治疗的61例乳腺肿瘤患者作为研究对象。61例患者术前均行乳腺超声检查。患者年龄25～72岁，平均年龄（48.52±23.41）岁，病程2～13个月，平均（9.52±3.46）月；已婚者48例，未婚者13例；已生育者41例，未生育者20例。两组在一般资料方面，差异不显著（P＞0.05），具有可比性。本研究经院伦理委员会批准通过，（伦理编号：2018医伦审054）。

1.2 纳入与排除标准

纳入标准：术前影像学资料完整；临床资料完整；术后病理组织学诊断明确。排除标准：原发性肿瘤病史；无法配合超声检查者；胸部手术史；非乳腺肿瘤者；合并其他原发性恶性肿瘤者；哺乳期或妊娠期妇女等。患者和家属均自愿参与本次研究，并签署知情同意书。

1.3 超声检查方法

采用Philips ATI-5000的彩色超声诊断仪完成61例患者乳腺超声检查，患者均充分暴露胸区，采用高频探头（线阵，最高频率12 MHz）扫查乳腺各象限，分别作纵向、横向和放射状切面扫描，扫描数据传入工作站。

1.4 分类方法

61例患者乳腺超声影像数据传入工作站后进行处理，每位患者筛选出1张乳腺肿瘤影像图片，由2位超声专家指导用鼠标跟踪提取肿瘤图像轮廓；先采用先验知识模型定位乳腺超声图像中的肿瘤区域；再采用全自动肿瘤定位方法定位肿瘤区域：提取最佳乳腺超声图像灰度共生矩阵中的纹理特征，通过采用灰度概率密度差异与局部边缘信息利用模糊逻辑算法、Mean-Shift算法迭代得到自动参考点，并在此基础上通过获取种子点，该点则是肿瘤所处区域。两种定位方法，分别采用乳腺肿瘤计算机辅助诊断（computer-aided diagnosis systems, CAD）系统对乳腺肿瘤进行识别、诊断。

1.5 观察指标

统计61例患者乳腺肿瘤影像图片识别结果，对比先验知识模型定位和全自动肿瘤定位方法定位后乳腺肿瘤进行识别、诊断结果；术后统计患者病理诊断结果，与乳腺肿瘤超声图像识别结果进行对比，以病理诊断为金标准，统计灵敏度=真阳性/（真阳性+假阴性）×100%；特异度=真阴性/（真阴性+假阳性）×100%；准确率=（真阴性+真阳性）例数/样本数×100%[2]。

1.6 统计学方法

2 结果

61例乳腺肿瘤患者术后病理诊断显示，38例为纤维腺瘤（良性），23例浸润性导管癌（恶性）。先验知识模型定位乳腺肿瘤超声图像识别结果灵敏度、特异度和准确率显著低于用基于灰度概率密度差异与局部边缘信息利用模糊逻辑算法的全自动肿瘤定位方法，差异有统计学意义（P＜0.05），见表1。

表1 两种模式识别结果比较

3 讨论

乳腺肿瘤诊断中，影像学技术应用最为广泛，当前临床应用的影像学乳腺肿瘤诊断方式较多，包括超声磁共振，X线钼靶等诊断技术，其中乳腺超声的临床应用率较高，彩色多普勒超声等设备，临床普及率相对较高，而乳腺影像报告与数据系统对于乳腺超声的数据分析也较为全面，而广泛应用于乳腺肿瘤诊断治疗中[3]。乳腺超声对于肿瘤的诊断，需要依靠临床医师的准确识别，对于医生的要求较高，但是医师识别作为人工操作必然存在较多干扰因素，客观性不足，因而需积极探索肿瘤自动分类技术，改善医师诊断带来的主观性[4]。但是，目前针对乳腺肿瘤的超声影像肿瘤区域定位方法存在较多不足，距离预定目标尚有较大距离，为解决定位准确性低的问题，临床领域开始探索运用肿瘤自动分类技术，辅助完成肿瘤区域定位，而该技术需解决有效特征提取和分类两大问题，存在较高的难度[5]。

采用先验知识模型定位乳腺超声图像中的肿瘤区域时，对脂肪组织、伪影等干扰因素的抵抗力差，当肿瘤位置发生变化时无法自动定位肿瘤区域，定位肿瘤区域准确率低。提取最佳乳腺超声图像灰度共生矩阵中的纹理特征；通过全自动肿瘤定位方法，采用通过采用灰度概率密度差异与局部边缘信息利用模糊逻辑算法、Mean-Shift算法迭代得到自动参考点，并在此基础上通过获取种子点，该点则是肿瘤所处区域，该定位方法提取了乳腺肿瘤的有效特征，可灵活解决乳腺肿瘤患者个体差异性较大的问题；通过分析患者乳腺超声图像的灰度概率密度差异与局部边缘信息，并进行运算处理，可有效确定肿瘤区域[6]。乳腺肿瘤超声图像识别模式分类方法相关研究显示，图像灰度共生矩阵局部纹理特征提取，可有效提升良恶性肿瘤识别效果，准确率可达到90%以上，灵敏度可达到80%～95%，特异度可达到85%～95%，而未图像灰度共生矩阵局部纹理特征者准确率仅为70%～90%，灵敏度降低至60%～80%，特异度约为60%～84%[7]。本次研究也发现，先验知识模型定位乳腺肿瘤超声图像识别结果灵敏度（73.91%，17/23）、特异度（73.68%，28/38）和准确率（73.77%，45/61）显著低于全自动肿瘤定位（91.30%，21/23；92.10%，35/38；91.80%，56/61），可知基于灰度概率密度差异与局部边缘信息，利用模糊逻辑算法实现肿瘤区域精确定位，可有效提升良恶性乳腺肿瘤识别准确性，应用价值较高，值得推广借鉴。

综上所述，通过提取最佳乳腺超声图像灰度共生矩阵中的纹理特征进行全自动肿瘤定位，可有效提升良恶性肿瘤识别准确性；基于图像灰度共生矩阵局部纹理特征对肿瘤特征区域的定位差异方法，为医生提供辅助诊断信息，同时帮助医生提高其诊断质量，为乳腺癌的后续及时准确医治提供可靠的医学图像信息，临床应用价值较高，值得推广借鉴。