基于边缘几何特征的乳腺X线图像中微小肿瘤检测方法

2022-05-30刘雅楠李靖宇许东滨孟洪颜赵添羽

影像科学与光化学 2022年3期

刘雅楠，李靖宇，许东滨，孟洪颜，董静*，赵添羽，唐丽，邹鹤

1.齐齐哈尔医学院医学技术学院，黑龙江齐齐哈尔 161006；2.齐齐哈尔大学通信与电子工程学院，黑龙江齐齐哈尔 161006；3.齐齐哈尔建华医院乳腺科室，黑龙江齐齐哈尔 161006

1 引言

近年来，乳腺癌作为一种常见的恶性肿瘤，对女性的健康与生命造成严重的威胁[1]。有关文献表明，自20世纪70年代起，乳腺癌作为发病数较高的女性恶性疾病，在全球范围内激增，其致死率仅次于肺癌[2]。由此可见，乳腺癌逐渐成为影响全球女性健康的问题，对其进行系统、深入的研究十分具有必要性。随着医疗诊断技术的不断提升，乳腺癌的诊断与治疗方面均得到了大幅度提高。在诊断方面，多使用X线检测、热图像检测或是CT检测。虽然人们在乳腺癌检查治疗方面已经取得了突破，但却只能在乳腺癌的早期治疗中取得效果，其主要原因是癌症晚期在多处发生转移，此时采用何种治疗措施均不能得到理想的治疗效果[3,4]。因此，在乳腺组织出现微小肿块时对其进行及时的诊断对于挽救患者的生命至关重要。由于乳腺组织中的血管、结缔组织以及血管等软组织密度相对较大，使用X线获取乳腺图像具有一定的影响，不稳定的图像质量以及患者自身身体素质的不同均会对乳腺癌筛查的准确性造成影响。且当前使用的微小肿瘤对图像亮度的依赖性较大，无法进行高精度的检测[5]。针对恶性肿瘤的结构特征，在本次研究中根据边缘几何特征完成检测过程。在图像质量无法快速提高的前提下，提高诊断准确率，帮助患者更早地发现病情，从而采取更加有效的治疗手段，提高健康水平。

2 基于边缘几何特征的乳腺X线图像中微小肿瘤检测

2.1 乳腺X线图像增强处理

为了给予后续检测工作良好的图像基础，首先对原始乳腺X线图像进行增强处理，根据形态学原理[6,7]完成此部分处理过程。在以往的乳腺肿瘤检测过程中，如何将肿瘤从复杂的乳腺组织中分离出来一直都是制约检测精度的重要问题。为此，在本次研究中首先对原始图像进行膨胀处理。设定膨胀运算的符号为⊕，图像结构元素a对灰度X线图像f进行的膨胀运算可写作a⊕f，其计算过程可以表示为

(a⊕f)=max{f(c-x,d-y)+a(x,y)|(c-x)}

(d-y)∈Sfand(x,y)∈Sa

(1)

其中，Sf和Sa分别表示f与a的定义域，(c-x)与(d-y)必须存在于f的定义域中，此两部分的运算结果必须存在非零元素相交。在完成膨胀运算处理后，对其展开腐蚀处理。设定腐蚀运算符号为⊗，图像结构元素a对灰度X线图像f进行的膨胀运算可写作a⊗f，则其计算过程可以表示为

(a⊗f)=min{f(c+x,d+y)-a(x,y)|(c+x)}

(d+y)∈Sfand(x,y)∈Sa

(2)

其中，(c+x)与(d+y)必须存在于f的定义域中，如两个影像中存在细小连接，当结构元素增强到足够大时，对其进行分离处理。

上述运算过程结束后，对处理后的图像进行开合运算与闭合运算。在对X线图像f以及结构元素a进行运算的过程中，用a·f表示两者之间的开合运算，a○f表示两者之间的闭合运算，见式(3)、(4)。

a·f=(a⊗f)⊕a

(3)

a○f=(a⊕f)⊗a

(4)

在实际操作中，使用开合运算与闭合运算对图像中的亮细节与暗细节进行处理[8,9]，在不对图像原貌造成影响的前提下，对图像中的微小细节进行处理，以此提升图像的清晰度，保证后续处理的稳定性。

由于乳腺X线图像的尺寸相对较大，经过预处理后，其尺寸控制在1000×500像素以上，且肿块大小不一，其处理后的图像像素具有一定的差异，当前肿瘤检测方法对于像素以及亮度的依赖性较高，无法完成高精度检测，为此，将处理后的图像作为基础，结合历史数据，获取乳腺肿瘤边缘几何特征。

2.2 乳腺肿瘤边缘几何特征提取

在本次研究中选用HOG特征提取方法[10]获取乳腺微小肿瘤边缘几何特征，特征获取流程如图1所示。

从图1中可以看出乳腺肿瘤边缘几何特征提取的过程大致为：完成乳腺肿瘤图像输入后，通过预处理提高图像的质量。对肿瘤图像的梯度进行计算，从而实现单元映射。最后，通过归一化计算处理，得到乳腺肿瘤图像的特征组合，完成乳腺肿瘤边缘几何特征。

根据上述流程完成特征提取过程，使用提取后的特征构建图像稀疏分类器[11,12]。根据图像灰度特征与HOG特征，结合边缘字典完成图像分类。分别构建两个训练字典，在检测阶段使用滑动窗口向乳腺区域滑动，得到待检测图像，而后使用分类器对其进行分类处理。

本次研究中，将训练样本分为两类，分别为含有微小肿瘤区域以及正常乳腺区域，假设第i类图像样本生成的训练字典为Ei=[Ei1,Ei2,…,Eiki]，其中ki表示第i类图像样本提取出的特征数目。对于待检测图像，同样提取出的特征使用l表示，此特征可使用训练字典ki表示，见式(5)。

(5)

其中，βi=[βi1,βi2,…,βiki]表示待测试图像块l在分类字典Ei的系数，根据此公式完成图像块分解工作，如图2所示。

X线图像块分解的原理为：将原始图像划分为两个图像块，并且分别计算每个图像块的分割系数，从而更好地实现图像块分解。在实际的计算过程中，可以根据实际需求，将原始图像划分为任意数量的图像块，从而使图像块数量满足计算需求。

假设乳腺X线图像可分为V类，为了使此部分系数满足稀疏计算要求，通过最小化β的h范数进行近似求解，则有

min‖β‖i

(6)

根据拉格朗日计算原理[13]，在式(6)中引入平衡因子η，将其转化为所求公式的最小化，则每个图像块分别对应的类别见式(7)。使用此公式对图像中的肿瘤疑似区域以及正常区域进行划分，并将其作为微小肿瘤诊断的基础。

Lable=min‖l-Eiβi‖η

(7)

2.3 恶性微小肿瘤检测

(8)

(9)

将式(9)转换为模板运算，并将中心点使用墨点表示。使用模板进行操作后，对图像进行锐化处理，实现图像增强处理，使其变得清晰。将清晰的图像作为基础，使用差影法获取图像间的差异信息，并对微小肿块进行捕捉，则含有微小肿瘤的图像f(x,y)与正常乳腺组织图像d(x,y)之间的差异可表示为式(10)。

r(x,y)=f(x,y)-d(x,y)

(10)

使用式(10)对图像进行分类后，按照分类器中预存的肿瘤边缘特征对含有肿瘤区域的图像进行分析，以此确定肿瘤位置。在实际应用过程中可能会出现假阳性区域，为了提高检测精度，使用自适应阈值分割方法，降低后续处理的运算时间，将假阳性区域从肿瘤疑似区去除。再剔除假阳性区域完成微小肿瘤的检测工作。

对上述新型检测方法各环节进行整合，并将与当前使用方法有机融合，至此，基于边缘几何特征的乳腺X线图像中微小肿瘤检测方法构建完成。

3 实验论证分析

本次研究针对乳腺肿块的边缘特征，构建新型乳腺X线图像微小肿瘤检测方法。为证实此方法对于当前的乳腺癌诊断具有辅助作用，构建实验环节对其使用效果加以评估。为了提高实验结果的可靠性并降低实验误差，在相同的实验数据与实验环境下，将所提出方法与传统方法进行对比验证，从而充分验证所提出方法对于微小肿瘤检测的有效性。

3.1 图像来源及预处理

本次实验共使用1000张乳腺图像，选取其中十分之一作为训练样本，在训练样本中含有50张含有微小肿瘤的图像，另外的50张为正常乳腺图像。除去上述图像后，剩余900张病变图像作为本次实验中的测试样本，此部分图像中含有300张良性肿块图像，恶性肿块图像600张。为了更好地完成实验过程，将乳腺组织按密度划分为3类，对应的图像数目分别为：Ⅰ类200张；Ⅱ类400张；Ⅲ类400张。将上述图像输入到matlab软件中，使用软件中的检测窗口完成检测实验环节。在实验中，进行实验的样本均为从原始图像中截取的ROI区域，图像大小均设定为150×150。在进行检测时，将图像检测窗口设定为150×150的滑窗完成图像扫描过程。

3.2 不同覆盖率X线图像检测分析

在本次实验中，将扫描窗口的覆盖率分别设定为50%与80%，随机选取某一图像进行检测，得到检测实验结果图像如图3所示。

图3中，方框区域为检测出的可疑位置。对上述图像进行分析可以看出，当检测窗口的覆盖率增加后，检测效果可以得到极大的提升。根据此实验结果可知，新型检测方法具有一定的可行性与科学性。但仅仅通过图像确定新型检测方法的使用效果具有一定的主观性，为此，本研究提出检测灵敏度与假阳性指标，对乳腺图像进行检测。

3.3 检测灵敏度及假阳性实验分析

在本次实验中，选择两种当前使用率较高的检测方法与新型检测方法进行对比，选中方法分别为计算机辅助检测方法(方法1)以及稀疏表示检测方法(方法2)。在对大量的文献进行分析后，获得检测灵敏度及假阳性计算公式，见式(11)、(12)。

(11)

(12)

其中，Q表示检测灵敏度；Pn表示图像数量；lesion表示损伤图像数量；lmage表示假阳性图像数量。在对测试集图像进行全面检测后，使用上述公式对检测结果展开测算，据点结果如下所示：检测覆盖率为50%时，新型方法检测灵敏度为60%，假阳性为1.05个；方法1检测灵敏度为54%，假阳性为2.32个；方法2检测灵敏度为50%，假阳性为2.41个。检测覆盖率为80%时，新型方法检测灵敏度为75%，假阳性为0.94个；方法1检测灵敏度为57%，假阳性为1.78个；方法2检测灵敏度为54%，假阳性为2.32个。

根据上述实验结果可知，当图像检测覆盖率提升后，多种检测方法的灵敏度得到了提升，但检测时间也随之增长，综合分析上述实验结果后可初步判定新型检测方法的使用效果较好。

3.4 恶性微小肿块检测分析

根据上述实验结果，将恶性微小肿块检测框覆盖率设定为80%，并分别使用不同的检测方法对恶性肿瘤图像测试集进行检测，随机选取一张图像作为测试结果输入，具体如图4所示。

由上述测试结果可以看出，文本检测方法能够较好地锁定X线图像中的微小肿瘤位置，对病变位置进行标记，这是一种可靠性较高的检测方法。根据检测灵敏度及假阳性计算公式，得到此算法的恶性微小肿瘤检测灵敏度为91.5%，平均每幅图的假阳性区域为2.57个。为了更加细致地说明此方法的使用效果，按照乳腺组织密度对检测结果进行划分，结果如表1所示。

从表1可知，本文检测方法对于每种乳腺密度图像的检出度均较高，说明此方法对于图像的亮度依赖性较低，可以较好地完成肿块的捕捉工作。与此同时，随着乳腺组织密度的增加，此方法的假阳性个数出现略微的波动，说明此方法敏感性相对较高。由于部分肿块边缘较为不平整，对检测方法的要求相对较高，为了更好分析不同检测方法的使用效果，将传统方法的检测灵敏度与假阳性个数同样按照乳腺密度进行划分，结果如表2所示。

表1 本文方法微小肿瘤检测性能

表2 传统方法微小肿瘤检测性能

结合上述实验结果可以看出，每种肿瘤检测方法都各有优劣：传统方法能够对亮度较高区域的肿块进行捕捉，使用其可对乳腺组织密度较低的图像进行高精度检测。本文检测方法从边缘特征着手，通过描述算子完成高精度的微小肿瘤检测。由于大部分恶性微小肿瘤其边缘多为放射性毛刺，因此，本文检测方法的使用效果与灵敏度均高于传统对比方法。

3.5 实验结果讨论与分析

本次实验中主要对所提微小肿瘤检测方法的性能与使用效果进行分析，同时获取实验中选定的两种检测方法与新型检测方法优劣性，并对其进行统一说明。经实验可知，新型检测方法在检测灵敏度以及肿瘤分类方法具有较为优异的使用效果，在日后的乳腺肿瘤图像分析与诊断过程中，可使用此方法提高诊断精度，为医生提供可靠性更高的辅助信息。但此方法存在部分问题需要改进：(1)乳腺肿块因其位置不同，肿块的表现形式有所不同，其检测的难度也有所差异，在后续的研究中需要对肿瘤的分类进行进一步分析与研究，以此实现肿块的细分；(2)提取更多的边缘几何特征参数，使用多种计算方法优化特征参数，而后将参数进行融合分析，以此确定最优特征参数。