徐偉棟 劉 偉 厲力華 馬 莉 張 娟 邵國良

1(杭州電子科技大學(xué)，杭州 310018)

2(浙江省腫瘤醫(yī)院，杭州 310000)

引言

乳腺癌是威脅我國婦女身體健康最主要的惡性腫瘤之一。在我國一些省份，乳腺癌的發(fā)病率已經(jīng)超過肺癌，成為女性癌癥中的第一殺手。雖然目前我國乳腺癌的平均發(fā)病率尚未超過歐美，但死亡率卻高得驚人，這主要是由于我國婦女普遍缺乏對包括乳腺癌在內(nèi)的重大疾病進(jìn)行早期篩查的意識和習(xí)慣。因此，做好“早發(fā)現(xiàn)、早診斷、早治療”是乳腺癌防治工作的重點(diǎn)。在眾多的乳腺癌早期篩查手段中，由于鉬靶X線攝影對乳腺癌的早期征象微鈣化和直接病灶腫塊均有較好的顯像效果，所以它是我國各級醫(yī)院使用最廣泛的乳腺癌檢查技術(shù)。使用計(jì)算機(jī)輔助檢測(computer-aided detection，CAD)技術(shù)來協(xié)助醫(yī)師們閱讀乳腺鉬靶片，可提高讀片的效率，降低讀片過程中的漏診率和誤診率，對促進(jìn)乳腺癌的防治具有積極意義。

在鉬靶圖像病灶的檢測、分割和識別等方面，國內(nèi)外已進(jìn)行了大量的研究［1－3］，但由于不同設(shè)備與病例間的差異性較大，尚有不少問題有待解決或改善。其中，在腫塊的檢測方面，為了在不顯著增加假陽性的前提下檢測到較隱匿的腫塊，許多研究致力于對乳房局部紋理和灰度層疊現(xiàn)象的利用。Székely提出了一種檢測腫塊的混合系統(tǒng):首先，使用一個(gè)移窗來遍歷圖像并抽取窗內(nèi)像素的若干紋理特征，依據(jù)這些特征、結(jié)合決策樹技術(shù)獲得疑似區(qū)域的粗分割;然后，使用 Markov隨機(jī)場和 RGI(radial gradient index)方法，完成區(qū)域的精分割;最后，通過一系列形狀與紋理特征進(jìn)行識別［4］。Hupse則在研究中發(fā)現(xiàn)正常組織的紋理特征對腫塊良惡性的判定有幫助，通過將檢測到疑似腫塊的圖像與另一側(cè)乳房兩個(gè)視角的圖像中對應(yīng)位置的紋理特征進(jìn)行融合，提高了檢測的精度［5］。Eltonsy提出了存在于腫塊周圍的形態(tài)學(xué)同軸環(huán)層(morphological concentric layer，MCL)概念，通過在顆?；?granulation)后的圖像中遍歷不同層的同軸環(huán)并抽取形態(tài)特征，獲得大量的焦點(diǎn)區(qū)域(focal region)，然后根據(jù)每個(gè)焦點(diǎn)區(qū)域周圍的同軸環(huán)分布狀況、乳房區(qū)域的焦點(diǎn)頻度和最短距離評估等，對疑似目標(biāo)進(jìn)行篩選和剔除［6］。高新波則使用了形態(tài)學(xué)分量分析(morphological component analysis，MCA)的方法，將圖像分解為分段平滑分量與紋理分量，然后基于這些分量實(shí)施形態(tài)特征的抽取，在引入MCL方法進(jìn)行焦點(diǎn)區(qū)域的檢測時(shí)，還改進(jìn)了焦點(diǎn)區(qū)域疑似度的評估策略［7］。

筆者此前在鉬靶腫塊的CAD方面也已進(jìn)行了長期的研究［8－10］。對于腫塊的檢測，使用的是基于腫塊特性模型(characteristic model，CM)的檢測方法［9］，該算法雖非源自MCL方法，卻也是針對腫塊周圍的像素呈同軸環(huán)狀層疊分布的現(xiàn)象而設(shè)計(jì)的。它先使用迭代閾值法來逐步剝離乳房區(qū)域中的脂肪，然后將剩余的孤立物體當(dāng)做疑似脂肪組織中的腫塊保留，并在較大的孤立物體中再通過檢測高頻黑洞的方式，尋找致密組織中的腫塊。該算法最大的缺陷就是不易判定脂肪剝離完畢，也不易防止將脂肪組織中的腫塊誤剝離。筆者經(jīng)過反復(fù)設(shè)計(jì)和試驗(yàn)，并結(jié)合 MCL法的一些思路，提出了 CM法的一個(gè)改進(jìn)方案——基于海島沖刷模型(island scouring model，ISM)的腫塊檢測算法。該方案克服了CM法的一些弊端，不僅能檢測到CM法所涉及的兩類腫塊，而且對CM法以及MCL法不易處理的一些腫塊也有較好的檢測效果。

1 材料與方法

1.1 材料

使用的所有數(shù)據(jù)均來自于浙江省腫瘤醫(yī)院放射科，都是計(jì)算機(jī)放射成像(computed radiography，CR)的攝片。每幅數(shù)字化圖像的尺寸為1780像素×2320像素，位深度為12位。所有病例的患者信息、病理數(shù)據(jù)和活檢結(jié)果都是完整的，并由浙江省腫瘤醫(yī)院放射科的醫(yī)師人工對腫塊區(qū)域進(jìn)行了區(qū)域標(biāo)注、定性描述與手動輪廓勾勒。在所涉及的實(shí)驗(yàn)中，從圖像庫按要求隨機(jī)抽取了50個(gè)病例，內(nèi)含對應(yīng)100個(gè)乳房的200幅乳腺鉬靶圖像，其中惡性腫塊與良性腫塊的分布狀況如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)中良惡性腫塊的統(tǒng)計(jì)Tab.1 Statistical table of benign and malignant masses in the experiments

1.2 方法

1.2.1 海島沖刷模型

在鉬靶圖像的乳房區(qū)域中，主要有以下幾種正常的組織或器官:胸肌、脂肪、腺體、靜脈、皮膚和乳頭等。在這些組織或器官中，皮膚和乳頭的含義不言而喻，胸肌表現(xiàn)為乳房邊角區(qū)域一些高亮的斜置矩形，腺體表現(xiàn)為乳房中心區(qū)域內(nèi)一些高亮的團(tuán)狀、云狀或亂麻狀物體，靜脈表現(xiàn)為乳房中間區(qū)域內(nèi)一些稍亮的條帶狀物體，脂肪表現(xiàn)為乳房中間區(qū)域內(nèi)一些較暗的大片區(qū)域，而腫塊則表現(xiàn)為在腺體或脂肪區(qū)域中的一些相對于其背景(腺體或脂肪)具有一定對比度的團(tuán)塊。從乳房區(qū)域中檢測腫塊，關(guān)鍵就是要從脂肪或腺體區(qū)域中提取具有較高灰度和對比度的局部團(tuán)塊，同時(shí)抑制腺體、靜脈等相似結(jié)構(gòu)的干擾。

本研究提出的海島沖刷模型ISM專為從大片區(qū)域中提取多個(gè)非狹長型目標(biāo)而設(shè)計(jì)，它建立在一個(gè)虛構(gòu)場景的基礎(chǔ)上:在持續(xù)的溫室效應(yīng)影響下，全球海平面不斷上升，海水涌過一些低洼的邊緣向大陸內(nèi)部侵蝕，許多陸地沉入海底淪為大陸架;一段時(shí)間之后，大陸的多處邊緣均因無法阻擋不斷上升的海平面而潰壩，大量涌入的海水將大陸分割成許多彼此孤立的海島，這個(gè)現(xiàn)象稱為“大崩塌”;大崩塌之后，人們都意識到要為最后的生存空間而奮斗，因此開始在各自生活的海島邊緣修筑堤壩;海水繼續(xù)上漲，不斷沖擊堤壩、侵蝕海島、切斷群島之間的連接，只有足夠高的海島邊緣(由天然的懸崖和人工的堤壩共同組成)才能阻擋它們;最后，海平面終于不再升高，這時(shí)還未被吞沒的海島就稱為“安全島”。在這個(gè)模型中，海水負(fù)責(zé)消滅一切無法與之對抗的力量，往往只有那些原本邊緣就很高的海島才能在這場浩劫中生存下來，同時(shí)人們的筑壩行為也為延長海島的生存時(shí)間以達(dá)到最終的安全做出重要的貢獻(xiàn)。

在將ISM應(yīng)用到乳腺鉬靶圖像上時(shí)，圖像灰度代表地面的高度值，背景區(qū)域代表海洋，前景區(qū)域代表還未被侵蝕的陸地。算法的最終目標(biāo)是將乳房區(qū)域中的疑似腫塊當(dāng)做安全島檢測出來，包括以下步驟。

步驟1:將背景區(qū)域看作海洋，灰度統(tǒng)一置零，海平面H初始化為零;乳房區(qū)域看作陸地，灰度大于零。

步驟2:海平面H上漲一定的幅度ΔH，即H=H+ΔH;海平面膨脹，從當(dāng)前區(qū)域開始，以四鄰域十字星為單位進(jìn)行迭代擴(kuò)張，將所有接觸到的灰度不大于H的陸地像素吸收為海洋區(qū)域。

步驟3:海水沖刷陸地:對所有的陸地區(qū)域進(jìn)行一定深度的開運(yùn)算，剔除毛刺和小物體;對剩下所有的陸地區(qū)域進(jìn)行基于形態(tài)學(xué)方法的自動切斷(關(guān)鍵環(huán)節(jié)1)，將那些粘連在一起的大塊物體分離。

步驟4:計(jì)算當(dāng)前的最大陸地區(qū)域與原始陸地區(qū)域的比值Rarea=Amax/Aorig，將其與閾值Tpeel進(jìn)行比較，判斷是否已經(jīng)發(fā)生大崩塌，如果還未發(fā)生則直接返回步驟2。

步驟5:針對每個(gè)海島，根據(jù)各種特征判斷其是否符合絕對安全島的的標(biāo)準(zhǔn)(關(guān)鍵環(huán)節(jié)2)，如果符合就判斷為絕對安全而提前保留，此后不再對其進(jìn)行海水沖刷和筑壩。

步驟6:對剩下所有的海島進(jìn)行筑壩，將邊緣帶上的像素提升一定幅度(關(guān)鍵環(huán)節(jié)3)，增強(qiáng)其在下一次海水沖刷中的生存能力。

步驟7:根據(jù)一個(gè)閾值 Theight來判斷 H的高度，如果足夠高就結(jié)束循環(huán)，將剩下的海島都認(rèn)作為最終的安全島，否則返回步驟2。為保證所有像素都被算法所覆蓋，一般將該閾值設(shè)為原始圖像中的最高灰度加1，使海水漫過所有的自然高地，只有人類的筑壩行為才能真正防止海水入侵。

之前的研究表明，疑似腫塊周圍的像素往往具有同軸環(huán)狀層疊的現(xiàn)象［6－9］，在模型中相當(dāng)于支撐當(dāng)前海島、向外層級延伸的大陸架。因此，通過上述的方法，疑似腫塊可在海水不斷的沖刷中被逐個(gè)剝離，且具有完整的形體而非零碎狀態(tài)。

1.2.2 關(guān)鍵環(huán)節(jié)

在ISM中存在3個(gè)關(guān)鍵環(huán)節(jié)，即用于分離大塊物體的形態(tài)學(xué)方法、絕對安全島的判定準(zhǔn)則和海島邊緣像素的提升原則，其處理效果直接影響到檢測與分割的精確性。

對于彼此粘連的大塊物體的分離問題，使用形態(tài)學(xué)分水嶺算法(見圖1)。這是一種建立在形態(tài)學(xué)重構(gòu)思想基礎(chǔ)上的分水嶺算法:對于任何一個(gè)待處理的物體群落，首先采用形態(tài)學(xué)腐蝕的方式，將其從外到里逐層剝離，從而統(tǒng)計(jì)出每一個(gè)像素到背景的最短距離，所有這些距離值所構(gòu)成的、與物體群落面積相等的映射圖稱做距離函數(shù)圖;將距離函數(shù)圖的灰度反色，此時(shí)圖中物體群落的邊緣處灰度高、中心處灰度低;最后使用分水嶺算法對距離函數(shù)圖進(jìn)行分割，可以將整個(gè)群落按照不同的物體中心分離。當(dāng)然，由于物體群落的形態(tài)差異很大，分水嶺算法很容易出現(xiàn)過分割，因此要達(dá)到理想的自動切斷效果，需要進(jìn)行一系列約束，包括防止超長切割線對任何大物體的攔腰切斷、防止小端切割線對物體邊緣所有突起的切斷、防止對非凸物體的切斷等。通過這樣的切斷，那些通過島間窄通路粘連在一起的腫塊或腺體組織可以被合理分離(見圖2)，而那些腺體群落與邊緣凸起并不會被誤分割。

圖1 形態(tài)學(xué)分水嶺算法。(a)待分割的物體;(b)該物體的距離函數(shù)圖的反色;(c)距離函數(shù)反色圖的剖面示意;(d)形態(tài)學(xué)分水嶺的切斷結(jié)果Fig.1 Morphological watershed algorithm.(a)object to be segment;(b)invert color of distance function map;(c)profile of invert color of distance function map;(d)segmentation result

圖2 基于形態(tài)學(xué)分水嶺算法的粘連物體自動切斷。(a)～(c)3個(gè)不同粘連物體的自動切斷示例Fig.2 Automatic segmentation for adherent objects using morphological watershed.(a)～(c)Three examples of object segmentation

對于絕對安全島的判定，課題組通過測量當(dāng)前海島的一組安全特征并計(jì)算其歸一化加權(quán)和來進(jìn)行評估，有:

式中，αrank為評估結(jié)果的安全系數(shù)，M為安全特征的個(gè)數(shù)，Wi為第i個(gè)安全特征的權(quán)值，εi為第i個(gè)安全特征的歸一化評估值(取值在［0，1］區(qū)間內(nèi))。

對于任意安全特征，如其測量值為γ，那么評估值為 ε=f(γ，U，L)，這里的 U和 L分別是該安全特征先驗(yàn)的上下限值，激勵(lì)函數(shù)f通過線性或非線性的形式，將測量值γ映射成相應(yīng)的ε值。在一般情況下，激勵(lì)函數(shù)定義為線性形式，即 f(γ，U，L)=(γ－L)/(U－L)。當(dāng)安全系數(shù) αrank超過閾值 Trank時(shí)，海島就被判定為絕對安全而提前保留。

同時(shí)，經(jīng)過一系列的前期試驗(yàn)，將海島的安全特征定義為灰度對比度、灰度一致性、邊緣梯度方向熵、形態(tài)細(xì)長度、形態(tài)稀疏度、剝離速率、低灰度面積比7種。灰度對比度表明了海島相對于海平面的高度差，越大越不易被淹沒;灰度一致性表明了海島內(nèi)部的平坦程度，越高越利于人們的協(xié)作筑壩;邊緣梯度方向熵是海島邊緣上梯度方向所構(gòu)成的熵值，如果較高則能將海水的沖擊力分散到多個(gè)方向;形態(tài)細(xì)長度是海島外接最小矩形的長度與寬度之比，如果較小也說明抗沖擊能力較強(qiáng);形態(tài)稀疏度被定義為海島面積與外接最小矩形面積之比，如果較大則說明海島的內(nèi)核較堅(jiān)實(shí)、形態(tài)不散亂;剝離速率是本輪海水沖刷中海島損失的面積與海島剩余面積的比值，如果較小則說明海水對海島的威脅已減弱;低灰度面積比是海島內(nèi)部海平面以下的像素總數(shù)與海島面積的比值，如果較小則說明海島內(nèi)部的洼地很少。根據(jù)這些特征，在對海島所謂的“安全程度”進(jìn)行評估的同時(shí)，也判定了其作為腫塊的可能性:不僅可以通過對比度、一致性等特征快速地剔除脂肪、皮膚等組織中的一些形態(tài)相似的贗像，而且也可通過邊緣梯度方向熵、細(xì)長度、稀疏度、低灰度面積比等特征，有效地抑制同樣具有較高對比度和一致性的靜脈、腺體等結(jié)構(gòu)。

對于海島的筑壩問題，即海島邊緣像素灰度的提升，這里采用的是基于灰度對比度、灰度一致性、邊緣梯度方向熵的提升算法。海島的對比度較高，相對于海平面的落差較大，在筑壩時(shí)受到的海水干擾就比較少;海島的一致性較高，平坦度較好，在筑壩時(shí)的效率就比較高;海島的邊緣梯度方向熵比較高，海島的勻稱性較好，在筑壩時(shí)的工程難度就比較低。在根據(jù)這些特性進(jìn)行筑壩時(shí)，由于腫塊本身就具有對比度、一致性、方向熵高的特點(diǎn)，因此其邊緣就能得到較大幅度的增強(qiáng);而那些作為干擾因素的靜脈、腺體等結(jié)構(gòu)，很少會同時(shí)具備這三方面的特點(diǎn)，不易得到持續(xù)的增強(qiáng)，在多輪的海水上漲之后就會出現(xiàn)筑壩方面的劣勢，從而更容易被海水淹沒或沖刷。因此，算法將首先通過形態(tài)學(xué)腐蝕減影的方式提取海島的一定厚度的邊緣帶，然后針對邊緣帶上任意一點(diǎn)，按比例提升灰度 Δg=ΔHr(δ，φ，E)。其中，ΔH就是海水上漲的幅度，δ、φ、E分別表示對比度、一致性和方向熵3個(gè)安全特征的歸一化評定值;r是一個(gè)融合函數(shù)，一般情況下被定義為加權(quán)和模式即可滿足要求，即 r=wbias+wδδ+wφφ +wEE。

1.2.3 基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)的參數(shù)調(diào)節(jié)

在海島檢測法的流程中需要很多參數(shù)，一般參數(shù)(包括海島沖刷過程中的ΔH、Tpeel，安全評估中的特征權(quán)值 Wi，以及筑壩提升的權(quán)值 wbias、wδ、wφ、wE等)都可以通過前期試驗(yàn)來確定其經(jīng)驗(yàn)值。但是，有些參數(shù)并不適宜使用固定不變的取值，如形態(tài)學(xué)分水嶺算法中超長切割線的判斷閾值 Tline、安全特征歸一化評定過程中的先驗(yàn)上下限U和L等，常需要根據(jù)具體的情況進(jìn)行調(diào)節(jié)。在先前的研究中，筆者就多次使用模糊神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)神經(jīng)模糊推理系統(tǒng)(adaptive-network-based fuzzy inference system，ANFIS)，根據(jù)圖像的局部特性，調(diào)節(jié)各種檢測方法的臨時(shí)參數(shù)值，取得了較好的效果［9］。在這里，又使用了ANFIS對Tline以及每個(gè)安全特征的 U和L進(jìn)行調(diào)節(jié)，其依據(jù)是海島的面積A與周長 P。這是因?yàn)樵谠囼?yàn)中發(fā)現(xiàn)，超長切割線的判定、海島各種安全特征的評估標(biāo)準(zhǔn)主要就是對照海島的尺寸進(jìn)行調(diào)節(jié)的，而通過面積和周長這兩個(gè)參數(shù)，基本上可以表征海島的尺寸狀態(tài)。因此，算法首先針對大量海島進(jìn)行特征測量和參數(shù)最優(yōu)值的估測，然后使用ANFIS來表述海島的尺寸特征與局部參數(shù)最優(yōu)值之間的關(guān)系曲線F(Tline，U，L|A，P)。當(dāng)一個(gè)新的海島需要處理時(shí)，先測量出其面積與周長，然后作為輸入向量交給訓(xùn)練完成的 ANFIS，再根據(jù)所輸出的Tline、U和L和等局部參數(shù)的最優(yōu)取值進(jìn)行檢測，可以取得較好的效果，如圖3和圖4所示。

圖3 基于ISM的疑似腫塊檢測流程。(a)原圖;(b)～(c)中間結(jié)果;(d)基于形態(tài)學(xué)分水嶺算法的自動切斷;(e)本區(qū)域的最終檢測結(jié)果Fig.3 Detection flow for suspicious masses based on ISM.(a)original image;(b)～(c)intermediate result;(d)segmentation for adherent objects using morphological watershed is applied;(e)final detection result

圖4 使用ISM對部分腫塊的檢測結(jié)果。(a)～(d)醫(yī)師手動勾勒的腫塊;(e)～(h)相應(yīng)的ISM檢測結(jié)果Fig.4 Detection result for masses using ISM.(a)～(d)masses outlined by radiologists;(e)～(h)masses detected using ISM

1.2.4 實(shí)驗(yàn)設(shè)計(jì)

為了比較和驗(yàn)證本算法的性能，將 CM法［9］、Eltonsy的MCL法［6］與所提出的 ISM法都用來檢測同一批乳腺鉬靶圖像中的腫塊。其中，由于經(jīng)典的MCL法并不擅長檢測良性腫塊，因此根據(jù)文獻(xiàn)［7］所提出的方法，在其焦點(diǎn)區(qū)域的疑似度評估策略上進(jìn)行了一定的修改，使其對多種腫塊具有敏感性。同時(shí)，為了獲得不同假陽性率下的真陽性率，實(shí)驗(yàn)中通過調(diào)節(jié)3種方法的參數(shù)固定值和使用不同訓(xùn)練標(biāo)準(zhǔn)的ANFIS，對算法在高真陽性率與低假陽性率之間的權(quán)衡位置進(jìn)行微調(diào)，計(jì)算出相應(yīng)的 FROC(free receiver operating characteristic)曲線。

2 結(jié)果

圖5 3種腫塊檢測方法的FROC曲線。(a)對于所有腫塊;(b)對于惡性腫塊Fig.5 FROC curves of three detection methods for masses.(a)for all masses;(b)for malignant masses

利用CM法、MCL法和ISM法，分別對200幅乳腺鉬靶圖像進(jìn)行檢測，通過調(diào)節(jié)3種方法在高真陽性率與低假陽性率之間的權(quán)衡位置，計(jì)算出相應(yīng)的FROC曲線，如圖5所示。其中，(a)是3種方法對所有腫塊的檢測效果，(b)則是3種方法對所有惡性腫塊的檢測效果?？梢钥闯觯琁SM法在每幅圖像1.13個(gè)假陽性時(shí)對所有腫塊獲得了78.86%的真陽性率，在每幅圖像3.85個(gè)假陽性時(shí)對所有腫塊獲得了94.31%的真陽性率，而MCL法在每幅圖像4.34個(gè)假陽性時(shí)對所有腫塊獲得的真陽性率僅為88.62%。

3 討論

根據(jù)FROC曲線可以發(fā)現(xiàn):在曲線的左端(即假陽性率很低時(shí))，之前所使用的CM法通過對脂肪組織的層層剝離和對高灰度區(qū)域的高頻黑洞檢測，具有較穩(wěn)定的真陽性率，特別是對良性腫塊的檢測效果較好;而MCL法依賴大量的先驗(yàn)閾值，特別是在焦點(diǎn)區(qū)域的評估、篩選與最短距離判定等問題上，對閾值的敏感性較強(qiáng)，在降低假陽性率時(shí)會造成大量的漏檢，其效果不如CM法;ISM法在CM法的剝離策略基礎(chǔ)上采用了海島評估的方式，不僅繼承了其對脂肪組織腫塊的檢測能力，而且增強(qiáng)了對腫塊的真?zhèn)涡缘淖R別能力，因此在曲線左端已經(jīng)對所有腫塊獲得了高于75%的真陽性率。

在曲線的右端(即假陽性較高時(shí))，CM法的缺點(diǎn)開始顯現(xiàn)。由于剝離法存在的尺度與結(jié)束條件等方面的問題，以及高頻黑洞檢測法對腺體組織腫塊的致密內(nèi)核假設(shè)有時(shí)失效，所以即使通過參數(shù)調(diào)節(jié)，將剝離步長縮小、判定要求降低，也很難提高真陽性率，曲線很快趨于水平(即使允許假陽性率升高，也無法再讓真陽性率顯著提升);MCL法通過將各種閾值的要求降低，可以檢測到隱匿性的腫塊，特別在對惡性腫塊的檢測方面效果不錯(cuò)，但由于CR圖像的乳房區(qū)域存在許多局部干擾，所以假陽性率提升速率很快，在對所有腫塊獲得85%左右的真陽性率時(shí)，MCL法的假陽性率已超過每幅圖像4個(gè)(而類似真陽性率下ISM法的假陽性率還沒達(dá)到每幅圖像3個(gè));ISM法由于使用了自動切斷、人工筑壩等技術(shù)，對于那些CM法無法實(shí)施剝離或剝離過程中形態(tài)嚴(yán)重受損的腫塊也能進(jìn)行處理，并且海水上漲與海島評估的迭代流程也解決了剝離法的結(jié)束條件問題，因此一旦降低了安全評估的標(biāo)準(zhǔn)，在假陽性升高的同時(shí)，原先許多被漏檢的腫塊也將得到確認(rèn)，從而在曲線右端獲得了最高的真陽性率。

圖6 3種腫塊檢測方法的結(jié)果比較((a)～(d)表示原圖1及相應(yīng)的檢測結(jié)果，下行表示原圖2及相應(yīng)的檢測結(jié)果)。(a)原圖1(圓圈表示腫塊位置);(b)CM方法;(c)MCL方法;(d)ISM方法;(e)原圖2(圓圈表示腫塊位置);(f)CM方法;(g)MCL方法;(h)ISM方法Fig.6 Comparison of results using three detection methods for masses(The top line is one example，the bottom line is the other example.(a)original image 1(the circle denotes mass);(b)CM method;(c)MCL method;(d)ISM method;(e)original image 2，(the circle denotes mass);(f)CM method;(g)MCL method;(h)ISM method

然后，從3種方法的檢測原理出發(fā)，進(jìn)一步結(jié)合實(shí)驗(yàn)結(jié)果又可以發(fā)現(xiàn):CM法主要依靠逐層剝離與高頻黑洞檢測來檢測腫塊，能依靠迭代閾值法逐層剝離的腫塊一定能被ISM法的海水沖刷所分離，而具有致密內(nèi)核的腺體組織腫塊又具有足夠高的一致性，能保證海島有較高的安全等級，因此能檢測到的腫塊基本上都能被ISM法檢測到。CM法和ISM法都由疑似目標(biāo)外圍通過剝離技術(shù)向內(nèi)核迫近并實(shí)施評估，而MCL法則需先確定疑似的內(nèi)核再向外檢測同軸環(huán)分布狀態(tài)，因此與前兩者可以根據(jù)局部細(xì)節(jié)來動態(tài)調(diào)整參數(shù)取值，后者對內(nèi)核的評估門檻只能采取統(tǒng)一閾值的方式，所以在低假陽性率時(shí)精度較低，一旦為了提高真陽性率而整體降低評估門檻，又會增加大量的假陽性(所有疑似目標(biāo)都需要通過測量相應(yīng)的特征來抑制，計(jì)算成本較高)，且會讓部分真陽性腫塊被多個(gè)焦點(diǎn)區(qū)域瓜分，而CM法和ISM法的問題則在于從外向內(nèi)逐層剝離時(shí)可能會產(chǎn)生失誤。MCL法主要利用腫塊周邊像素灰度的同軸環(huán)狀層疊現(xiàn)象進(jìn)行檢測，要求腫塊的內(nèi)核特性較強(qiáng)，因此對惡性腫塊更加適合;ISM法通過海島安全評估中的對比度、剝離度等特征可以逼近這一思想，而其他安全特征以及自動切斷、人工筑壩等功能又能支持對類似結(jié)構(gòu)的抑制、對粘連組織的分離和對腫塊形態(tài)的維護(hù)，因此并不要求腫塊在內(nèi)核、形態(tài)或邊緣某一方面具有較強(qiáng)特性(而是通過多種特征的綜合評估)，能檢測到種類更多的腫塊。圖6展示了一些CM法和MCL法無法檢測到而ISM法卻能檢測到的腫塊:這些腫塊由于存在與腺體間的粘連，采用CM法在外圍時(shí)所確定的腫塊框架偏大，進(jìn)入內(nèi)核時(shí)又由于形態(tài)已經(jīng)破壞，最多只能檢測到腫塊的部分結(jié)構(gòu);而由于腫塊的內(nèi)核特性不夠顯著，焦點(diǎn)區(qū)域評估門檻較高時(shí)MCL法檢測不到腫塊，門檻降低時(shí)又會將其分割成多個(gè)腫塊;ISM法通過自動切斷、人工筑壩和安全評估等功能，更容易避免這些問題，所以可獲得相對準(zhǔn)確的檢測。但是，對于如圖7所示的一些超大良性腫塊，由于其不同區(qū)域的一致性較差，ISM法也無能為力，因?yàn)橹饘觿冸x失誤正是它的軟肋;CM法也依靠剝離，同樣無法處理這些腫塊;而MCL法在確定焦點(diǎn)區(qū)域之后依靠環(huán)狀層疊向外擴(kuò)展，同樣最多只能將超大腫塊的一部分結(jié)構(gòu)檢測出來。

圖7 海島沖刷模型對超大腫塊的檢測缺陷(均只能檢測到腫塊的部分結(jié)構(gòu))。(a)和(c)原圖(已由醫(yī)師勾勒了腫塊的邊緣);(b)和(d)相應(yīng)的錯(cuò)誤檢測結(jié)果Fig.7 Disadvantage on detection for large masses using island scouring model(only part of the large mass could be detected).(a)and(c)two original images;(b)and(d):false detection result for(a)and(c)，respectively

4 結(jié)論

綜上所述，ISM法與傳統(tǒng)的 CM法、MCL法相比，充分利用了乳腺鉬靶圖像中腫塊附近像素呈同軸環(huán)狀層疊分布的特點(diǎn)，同時(shí)采用了包括自動切斷、人工筑壩、安全評估在內(nèi)的一系列輔助方法對腫塊進(jìn)行形態(tài)保護(hù)，在腫塊自動檢測方面具有更好的總體檢測效果，特別對那些和腺體有粘連、邊緣不是很完整或者處于復(fù)雜背景中的腫塊具有較高的真陽性率，并且在提升真陽性率的過程中假陽性的上升速率也低于MCL法。因此，ISM法是一種性能較出色的乳腺鉬靶圖像腫塊檢測方法。

［1］Rangayyana R，Ayresa F，Desautels L.A review of computeraided diagnosis of breast cancer:toward the detection of subtle signs［J］.Journal of the Franklin Institute，2007，344(3 －4):312－348.

［2］Tang Jinshan，Rangayyan R，Xu Jun，et al.Computer-aided detection and diagnosis of breast cancer with mammography:recentadvances［J］. IEEE Transactions on Information Technology in Biomedicine，2009，13(2):236－251.

［3］王瑞平，萬柏坤，高上凱.獨(dú)立分量分析在乳腺鉬靶X片感興趣區(qū)域提取中的應(yīng)用［J］.中國生物醫(yī)學(xué)工程學(xué)報(bào)，2007，26(4):532－536.

［4］Székely N，Tóth N，Pataki B.A hybrid system for detecting masses in mammographic images［J］.IEEE Transactions on Instrumentation and Measurement，2006，55(3):944 －952.

［5］Hupse R，Karssemeijer N.Use of normal tissue context in computer-aided detection of masses in mammograms［J］.IEEE Transactions on Medical Imaging，2009，28(12):2033 －2041.

［6］Eltonsy N，Tourassi G，Elmaghraby A.A concentric morphology model for the detection of masses in mammography［J］.IEEE Transactions on Medical Imaging，2007，26(6):880 －889.

［7］Gao Xinbo，Wang Ying，Li Xuelong，et al.On combining morphological component analysis and concentric morphology model for mammographic mass detection［J］.IEEE Transactions on Information Technology in Biomedicine，2010，14(2):266－273.

［8］Xu Weidong，Xia Shunren，Duan Huilong，et al.Segmentation of mass in mammograms using a novel intelligent algorithm［J］.InternationalJournalon Pattern Recognition and Artificial Intelligence，2006，20(2):255－270.

［9］徐偉棟，劉偉，厲力華，等.基于特性模型與神經(jīng)網(wǎng)絡(luò)的乳腺圖像腫塊自動檢測技術(shù)［J］.電子與信息學(xué)報(bào)，2009，31(7):1653－1658.

［10］虞紅偉，厲力華，徐偉棟，等.一種基于水平集的多尺度乳腺腫塊分割方法［J］.儀器儀表學(xué)報(bào)，2010，31(6):1418－1423.