基于参考病例的乳腺肿块诊断技术研究-谭宏宝.docx

《基于参考病例的乳腺肿块诊断技术研究-谭宏宝.docx》由会员分享，可在线阅读，更多相关《基于参考病例的乳腺肿块诊断技术研究-谭宏宝.docx（48页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、华中科技大学 硕士学位论文 基于参考病例的乳腺肿块诊断技术研究 姓名：谭宏宝 申请学位级别：硕士 专业：计算机应用技术 指导教师：许向阳 20090528 摘要 乳腺癌计算机辅助检测系统 (Computer-Aided Detection and Diagnosis, CAD) 经过多年的发展在检测微小钙化灶方面已经达到很高的性能，但是在检测肿块方 面却灵敏度稍低，假阳性偏高。检测肿块的低性能以及 “ 黑匣子 ” 式的诊断方案导 致放射科医师对 CAD系统诊断肿块缺乏足够的信心。 为了增加医生对 CAD系统检测肿块的信心，基于参考病例的乳腺肿块诊断方 案被提出来。这种方案需要构建一个大规模的已

2、经确诊的参考图像库，它的优势 在于不仅能够提供决策分数，而且能够在参考图像库中查出视觉相似而且病理相 似的图像供医生参考。课题研究并改进了基于参考病例的乳腺肿块诊断技术： 采用了最大熵阀值分割算法获得可疑病灶的初始轮廓，再用 snake精化其边界 针对肿块形态多变难以用一组特征组合描述的问题，提出根据可疑病灶区域最大 熵阀值分割的好坏，把参考图像分成两类，对不同类别 的图像分别使用遗传算法 进行训练得到两组不同的特征组合作为分类依据 针对传统的相似性度量没有考 虑不同特征对度量的贡献不同的问题，采用粒子群优化算法训练特征权重，建立 基于特征权重的相似性度量，使得度量更加准确 针对最大熵阀值分割

3、坏的可疑 病灶区域相似性度量后返回的相似图像的次序与人类视觉不符的问题，采用 Pearson相关排序来校正从而增加人类视觉的相似性。 参考图像库来源于美国南佛罗里达大学的数字乳腺 X线图像数据库 (Digital database for screening mammography， DDSM)， 总共包含了 3143 幅乳腺 X 线图像 感兴趣区域 (ROI)(其中 2234幅正常 ROI， 910幅肿块 ROI)。 利用 Leave-One-Out 测试方法和ROC曲线来评估系统，反映系统性能好坏的 ROC值达 0.854,此外 做三组实验表明课题提出的改进能够提高系统的性能。 关键词：

4、计算机辅助诊断，乳腺 X线图像，乳腺肿块分割，基于参考病例图像检 索 Abstract As developing for many years,Computer-aided detection of Breast cancer have had very high performance for Microcalcification detection,but lower CAD sensitivity and the higher false-positive rates for mass detection. Low CAD performance for mass detection

5、and “black box”diagnosis method reduced doctors5confidence in CAD-cued masses. Reference case-based Mass diagnosis scheme was proposed to increase doctorsconfidence for mass detection.!: need a large and biopsy-proven mammography image base,it not only provides doctors decision ,but also retrieves t

6、he visual similar and pathologic similar images to give doctors refer.Project improved the scheme from four point: used the max-entropy algorithm to provide good initial boundary for snake and finally used snake to segment the suspicious region of image accurately the mass was difficult to use a fea

7、ture vector to describe becauce of the diverty shape , according to the case that reference image was segmented by the max-entropy algorithm goodly or badly, Project divided reference image to the two classes and different image were separately trained by GA algorithm to get the two different featur

8、e vector as the proof of classification. traditional simility method didnt consider the feature weight,project used PSO algorithm to get the two different feature vector weight,and made the measurement of simility better. after the measure of simility,the suspicious region that was segmented by the

9、max-entroy algorithm badly got back the similar images which wasnt conform to visual simility ,project researched Pearsons correlation sort to correct to improve the visual simility. Project builted a large and diverse reference library coming from DDSM and involving 3,143 regions of interests (910

10、mass regions,2233normal regions). “ Leave-One-Out” test method and ROC were used to evaluate the CAD ,ROC Az value which reflects the performance quality of CAD was 0.854. besides, project made experiments to prove the four points can enhance the profermance of mass detection. Key words: computer-ai

11、ded diagnosis, mammography, mass segment, reference case based image retrieval 独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在 文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权 保留并向国家有

12、关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本论文属于 保密 ，在 年解密后适用本授权书。 不保密口。 (请在以上方框内打 “ V” ） 学位论文作者签名： 日期： 年 月 日 指导教师签名： 日期： 年月 日 1 绪论 1.1背景、目的和意义 乳腺癌是最常见的恶性肿瘤之一，其发病率在逐年增加 1。在西欧、北美等 发达国家，乳腺癌发病率高居女性癌症发病率的首位。如果能在早期发现乳腺癌， 可以采取有效的治疗手段如保乳手术等来避免乳房全切除，减轻

13、患者的痛苦，同 时具有很高的治愈率。因而如何尽早地发现乳腺癌就成为一个重要的课题。 乳腺钥靶 X线摄影术 (mammography)被认为是早期诊断乳腺癌的最可靠且有 效的工具 2。从 X线图像上看，肿块 (mass)和微小钙化灶 (micro-calcification)是乳 腺癌的基本征象。但是，由于受成像原理和技术的限制，钥靶 X线图像模糊与对 比度低导致了许多较小的病变被正常的乳腺组织所淹没，不易观察和提取，容易 造成漏诊和误诊，因而根据乳腺钥靶 X线图像进行诊断在很大程度上需要放射科 医师有较丰富的阅片经验。在乳腺癌的普查活动中，医生的水平高低不一致，难 以检测诊断效率及准确性。为了

14、适应妇女乳腺癌普查的需要，减轻诊断工作量， 提高诊断效率和客观性，乳腺癌的计算机辅助检测与诊断 (computer-aided detection and diagnosis, CAD)应运而生。研究表明，乳腺 CAD技术在乳腺癌的早期诊断过 程中给放射科医生提供了有效的 “ 第二意见，2。 经过多年的发展，目前的乳腺 X线 CAD系统已经能够很好地检测出微小钙 化灶，但是检测肿块却灵敏度稍低，假阳性率偏高。由于系统对可疑病灶区域诊 断为肿块的依据只是其检测分数高于某个预先设定阈值，并没有可视化解释可疑 病灶区域被诊断为肿块的原因，因而这种 “ 黑匣子 ” 诊断方法使放射科医师不是十 分信任

15、CAD系统。为了增加医生对 CAD系统检测肿块的信心，基于参考病例的 乳腺肿块诊 断系统被提出来 3-5，其工作原理是首先构建一个大规模的已经确诊的 参考图像库，建立一套衡量相似性的方案，从参考图像库中查出与待诊图像相似 的图像，再根据这些返回的相似图像进行决策，从而为医生提供诊断上的帮助。 这种系统的工作就是模拟一位有多年阅片经验、在大脑里积攒大量病例图像的乳 腺癌诊断专家，对圈画的可疑区域，在大脑的记忆里面找到与它相似的图像，依 据已有的诊断结果为新病例作为诊断结论。 本文研究的重点是构建一个较大规模的已确诊的乳腺 X线图像数据库，对待 诊图像进行分割与提取特征，在图像库中查出与待诊图像相

16、似的图像，同时根据 查询返回的相似图像和决策算法计算出待诊图像是肿块的可能性，为医生提供诊 断上的帮助。本课题来源于华中科技大学计算机学院医学图像信息研究中心承担 的南宁市科技计划项目一基于多视图的计算机辅助乳腺癌诊断方法研究 (项目编 号： 2007011409C)、 国家高新技术研究计划 (863)项目一基于网格的数字化医疗决 策支持系统 (项目编号 ： 2006AA02Z347)、中英创新基金 (ICUK)项目 “ Quantitative medical imaging:technology innovation and clinical applications ” 。 1.2国内外

17、研究概况 随着计算机辅助检测与诊断系统和医学影像数字化技术的发展，从 80年代末 开始，计算机辅助检测与诊断技术日益受到重视。 目前已经有较成熟的商用系统问世，如美国 R2科技公司的 ImageChecker， 美国 CADx公司的 Second Look以及加拿大 ICAD公司的 MammoReader， 均已通 过美国食品和药物管理局 (Food and Drug Administration,FDA)认证，并广泛使用 于临床上。在国内，东软医疗研发的乳腺 CAD产品已经获得了国家食品药品监督 管理局 (SFDA)颁发的认证。 大多数乳腺 CAD系统是基于规则的 6-10，其检测和诊断流程

18、主要包含以下三 个步骤： 定位并分割出可疑感兴趣区域 (Region Of Interest， ROI); 提取可疑 区域的特征； 将提取的特征带入到训练好的分类器中进行分类，即判断可疑区 域是否为肿块。医生对这类乳腺肿块 CAD系统给出的诊断常常缺乏足够的信心。 一方面是因为分类器训练繁杂与及机制难以理解与信任，只是依据检测分数高于 预先设定的阀值就判断可疑病灶为肿块，并没有给出易于理解或者可视化的诊断 依据，另一方面确有检测肿块定位不准、分割肿块不准确、分类器产生错误结果 的情况。 为了增加医生对 CAD系统检测肿块的信心，基于参考病例的乳腺肿块诊断技 术被提出 3-5， 11，它的是优势

19、在于最终不仅能够提供一个决策值，同时还可以返回 多幅与待诊病例最相似的图像，医生可以根据返回的图像及已有的诊断结果判断 系统给出的决策正确率有多大，从而提高医生对系统的信任程度。 由于基于参考病例的乳腺肿块诊断技术最近几年才提出，目前没有商用的系 统。基于参考病例的乳腺肿块诊断技术有两种衡量相似性的方法。一种是直接依 据图像灰度信息匹配来建立相似性衡量，这种方法无需分割肿块和提取特征；另 一种是需要分割出肿块与提取特征，然后根据特征来确定相似性。下面分别介绍 这两个研究方向取得的研究成果。 1.2.1基于图像灰度信息匹配的度量 基于图像像素模板匹配建立度量的乳腺肿块诊断技术主要包括了以下两步：

20、 建立合适的度量相似性的方法 根据返回的相似图 像提供决策。其中最重要的是建 立合适的度量相似性的方法。 Duke大学的 Georgia D.Tourassi等根据图像灰度采用互信息作为图像间的相 似性度量 12，在参考图像库中检索返回与待诊图像相似的若干幅图像，其中包括 了前 K幅最相似的肿块图像与前 K幅最相似的正常图像，最后依据返回的相似图 像提供决策，决策的计算表示为前 K幅最相似的肿块图像的互信息和减去前 K幅 最相似的正常图像的互信息和。 D.Tourassi通过实验证明该 CAD可以达到较好的 检测效果。不过采用互信息作为度量方法的最大缺点在于计算量大 、耗费时间长。 后来 Ge

21、orgia D.Tourassi等对原来的算法进行了改进，依据信息论的知识只在与查 询的可疑病灶区域的熵相近图像中进行比较，不必与图像库每一幅图像进行相似 性度量 13， 14。最后实验表明在计算量大幅降低的情况下，系统的性能并没有多少 改变。 Peter Filev等开展一项评估匹配当前和过去乳腺图像中相应肿块研究项目 15。他 们采用多步配准技术在乳腺序列图像中自动配准乳腺区域，找到匹配的对应区域分 别采用 12种相似性度量方法进行相似性度量。其中这个多步配准技术包括三个步骤 : 基于当前图像中的肿块位置在以往的图像中确定一个初始的扇形搜索区域 通过 仿射变换和单纯形最优化的变换对扇形区域

22、作精炼。从而确定一个更优的搜索区域 在搜索区域内寻找来自当前图像的病灶模板和过去图像的最佳匹配。最后通过 3 组实验结果表明 Pearson的相关性、余弦系数和 Goodman和 Kruskal的 Gamma系数 这三种相似性度量方法在匹配相应的肿块时具有更高的精确性。 1.2.2基于图像相关多特征的度量 基于图像相关多特征匹配的乳腺肿块诊断技术 16主要包括四步： 乳腺肿块的 检测与分割 可疑肿块的相 关特征的提取 建立基于多特征的度量方法 可疑区域 为肿块的可能性。下面分别介绍这四步研究成果。 (1) 乳腺肿块的检测分割 肿块是患乳腺癌的重要迹象之一，乳腺肿块的形状千奇百怪，以团状和星形为

23、 主。肿块和在乳房区域内部广泛存在的腺体组织在特征上比较接近，不易分辨。 肿块相对于其背景的对比度往往不高，而且尺寸变化范围很大，极难进行定位和 提取，同时肿块的边缘往往非常模糊，从坏死的实质中心到外周的背景区域的灰 度往往呈逐步过渡分布，不易进行精确分割。为了准确地分割肿块，国内外 学者 做了大量的工作与研究。 Masahito Aoyama等人提出一种图像预处理的方法一背景趋势去除 17，这个方 法能减少背景组织对分割的影响。 Bin Zheng等提出 “ 三层地形分割法，的分割算法 18，它是一种基于区域生长 的分割算法，其基本思想是应用三个不同的阈值进行区域生长得到由内到外的三层 分割

24、区域，将最外层的分割区域作为最终的分割结果。 Li等人提出了一种分两步检测肿块的方法，首先根据自适应灰度阈值得到可 疑区域的初始分割结果，然后采用基于多分辨率马尔可夫场 (MRF)的方法来迭代 改进分割结果 19。 西安电子科技大学提出一种改进的基于 vague集的模糊区域生长分割算法 20， 对待检测的点首先判断它是否属于背景区域，对非背景区域的点，判断为肿块区域 还是模糊区域，对模糊区域的点算出该点的隶属函数值以及犹豫度，选取合适的截 集水平和较小的犹豫度作为生长的限制条件进行区域生长。为了能够检测出密度低、 灰度对比度不高的肿块，还提出一种分层检测算法。 浙江大学开发一种肿块与微小钙化族

25、的检测与辅助诊断系统 21，对于微小钙 化族，使用离散小波分解之后的第 2、 3层高频检索域中进行滞后阀值 化，以获得 所有疑似微钙化的位置，然后使用基于填充膨胀的区域扩张方法来提取所有目标 区域，而对于不同类型的肿块，使用不同的方法进行定位，使用 Canny算子监督下 的填充膨胀技术分割可疑肿块区域。 Berkman Sahiner等提出一种自动的肿块分割方案，运用 K-means clustering方法 得到肿块的初始轮廓，用 snake模型对初始轮廓进行精化 22。 Guido M. te Brake等提出离散动态轮廓模型方法 23，该模型和 snake模型相类似， 都是在内部能量和外

26、部能量的作用下使得曲线演 化，只是能量函数的表达形式不同。 Jiazheng Shi等设计一种自动的肿块分割方案，首先运用 K-means clustering方法 得到肿块的初始轮廓，再利用 level set模型对初始轮廓进行精化 24。 (2) 提取可疑肿块特征 分割出肿块后，用什么特征进行描述至关重要。特征的好坏直接影响到相似性 的衡量。如何构造出好的分辨肿块与正常组织的特征一直是个难题。很多学者在此 方面开展研究，先后提出了形态特征、灰度特征、纹理特征等。 Bin Zheng等提出 14个关于形态、灰度的特征 25。 Guido M.te Brake等人也提 出的10个形态的、灰度的

27、特征 23。此外常用的描述形态特征还有傅立叶形状描述 符 26、紧密度 27、局部凹度 27等。 纹理特征一般采用灰度共生矩阵来描述。在乳腺图像领域， Nicholas Petrick提 出了 13种基于灰度共生矩阵纹理特征 28。 Hilary Alto近一步指出，利用肿块边界计 算出来的纹理特征比利用整个肿块区域计算的纹理特征更能区分良性肿块和恶性肿 块 27。此外纹理特征也可以用不变矩 （ Moment Invariants)来描述，它是基于区域的 物体纹理表示方法，它具有变换、旋转和缩放无关性特性 29。 I.Christoyianni等人提出一种独立元分析提取可疑区域特征的方法 30

28、。其实验 结果表明该方法检测各种不正常情况的准确率约 88.23%，区分良性和恶性的准确 率约为79.31%，高于采用纹理特征判别良恶性的准确率。 除了传统描述乳腺肿块的特征此外，人们提出了更容易被人理解的视觉特征。 BinZheng引入两个视觉特征相似作为初始的筛选条件，在图象库中选出的 ROI， 不 仅病理上相似，视觉上也相似 25。目前越来越多的学者把心理学的知识应用到图像 相似的描述上，探索人类视觉与机械视觉上的相似性 4,31。 从图像中提取的特征由于每一个特征的分类能力不一样，而且彼此之间可能存 在冗余或者不一致，如果把它们全部加入到分类器中去训练和分类，会直接影响分 类器整体的分

29、类能力。所以需要从 n个特征中提取出对分类最有效的 m个特征 (mn)组合。 在乳腺诊断上，常用的特征选择算法有逐步判别分析法 （ SLDA)和遗传算法。 此外，Berkman Sahiner等人提出一种新的遗传算法应用 乳腺特征选择 32。南京航空 航天大学设计的基于代价敏感的乳腺癌自动诊断系统该系统提出了一个新的特征选 择方法选择性集合 SE,在考虑到诊断恶性代价要高于诊断出良性上，在原来的基础 上又提出了基于代价敏感的选择性集合的方法，大量的实验表明该方法特征选择效 果好 33。 (3) 相似性度量方法 Bin-zheng对可疑区域进行分割和提取相关特征 3, 18, 25，采用图像多特

30、征的欧 式距离来度量相似性，最后采用 ROC曲线分析方法进行评估系统，证明该方法有 效。 Y. Chang等只采用经过医生确诊的肿块图像构成参考图像库 5，分割可疑肿块采 用的是区域生长算法，总共生成了 51层，对每一层分别采用圆度与有效长度两个特 征来描述，相似性度量的计算如公式 (1.1) d min 1 A m(i) (11) f (i) 其中 f(i)为参考图像的第 i层的特征 ， /(i)为受试图像的第 w(i)层的特征 m(i) 士 ，0一 N 0, otherwise w(i+)为卷积函数，可以为线性函数，也可以非线性函数，它有一定的约束 w(i +1) - w(i)= 0,1,

31、2 if w(i) w(i -1) 1,2 if w(i) = w(i -1) w(0) = 0, w(N -1) = N -1 从公式 (1.1)看，相似性度量的计算需要分别对圆度与有效长度两个特征进行计 算，最后取对应层之间受试图像与参考图像的特征差与参考图像特征比值的累加和 的最小值。 Y. Chang选择不同的 w(i+)函数做实验，实验表明 w(i+)为非线性函数时， 度量效果更好。 (4)提供决策 返回最相似的 K幅图像后，计算决策值为医生提供诊断上的帮助，也是一个 关键的问题。 Bin-zheng查询返回 K幅最相似的已经确诊的图像后，根据改进的 KNN算法 计算决策为医生诊断上的帮助 3 18 25。 Y. Chang对返回的 K幅最相似的已经确诊为肿块的图像，累加它们的相似度， 对比预先设定的阀值，高于阀值就诊断为肿块 5。