張 麒 戴 偉 韓 紅 王文平

(上海大學(xué)通信與信息工程學(xué)院1，上海 200072;復(fù)旦大學(xué)附屬中山醫(yī)院超聲科2，上海 200072)

淋巴結(jié)超聲造影圖像序列的特征提取

張 麒1戴 偉1韓 紅2王文平2

(上海大學(xué)通信與信息工程學(xué)院1，上海 200072;復(fù)旦大學(xué)附屬中山醫(yī)院超聲科2，上海 200072)

區(qū)分淋巴結(jié)病變的良惡性具有積極臨床意義。超聲造影通過向血液中注射造影劑以動(dòng)態(tài)顯示組織中的新生血管及其血流灌注，是診斷淋巴結(jié)病變的新興方法。針對(duì)病變淋巴結(jié)，提出一種從淋巴結(jié)超聲造影圖像中提取量化特征的方法，包括心動(dòng)周期提取和子序列選擇、淋巴結(jié)分割、紋理特征提取、統(tǒng)計(jì)學(xué)檢驗(yàn)。對(duì)29個(gè)病人的41個(gè)淋巴結(jié)病灶的實(shí)驗(yàn)結(jié)果表明，提取的9個(gè)特征在良惡性淋巴結(jié)間存在顯著性差異(P<0.05)，有助于鑒別良惡性淋巴結(jié)。

特征提取 淋巴結(jié) 超聲造影 紋理特征 腫瘤

0 引言

淋巴結(jié)是淋巴系統(tǒng)的一部分，作用類似于過濾器，其內(nèi)部包含淋巴細(xì)胞，能夠吞噬淋巴液中的病毒與細(xì)菌。淋巴結(jié)的病變包含反應(yīng)性淋巴增生、淋巴結(jié)炎、淋巴瘤、轉(zhuǎn)移性惡性腫瘤等。其中反應(yīng)性淋巴增生、淋巴結(jié)炎為良性病變，淋巴瘤、轉(zhuǎn)移性惡性腫瘤為惡性病變。淋巴結(jié)病變的良惡性判別對(duì)于疾病的診治具有重要意義。

超聲造影(contrast-enhanced ultrasound，CEUS)又稱聲學(xué)造影，是近年來超聲醫(yī)學(xué)的熱門研究領(lǐng)域。CEUS通過向血液中注射造影劑來增強(qiáng)血液的背向散射，經(jīng)由諧波成像能夠清晰顯示新生血管和組織血流的灌注，大大提高超聲診斷的分辨力、敏感性和特異性，從而達(dá)到對(duì)疾病進(jìn)行鑒別診斷的目的[1-7]。淋巴結(jié)超聲造影是診斷淋巴結(jié)病變的新興手段。診斷時(shí)，需要有經(jīng)驗(yàn)的醫(yī)生人工判讀CEUS圖像中淋巴結(jié)血流的增強(qiáng)情況并給出診斷結(jié)論。但人工判讀耗時(shí)耗力且存在較大主觀性，診斷結(jié)果和醫(yī)生的經(jīng)驗(yàn)有密切關(guān)系。因此需要計(jì)算機(jī)輔助診斷技術(shù)減輕醫(yī)生負(fù)擔(dān)并提高疾病診斷客觀性。本文通過計(jì)算機(jī)算法自動(dòng)提取淋巴結(jié)量化特征，并且檢驗(yàn)這些特征用于區(qū)分良惡性淋巴結(jié)的能力，從而為下一步計(jì)算機(jī)自動(dòng)判別良惡性淋巴結(jié)作鋪墊[1]。

1 材料和方法

1.1 在體CEUS圖像的獲取及良惡性金標(biāo)準(zhǔn)

在體CEUS圖像序列采集自復(fù)旦大學(xué)附屬中山醫(yī)院超聲科。共獲得來自29個(gè)病人的41個(gè)淋巴結(jié)病灶的CEUS圖像序列，其中4個(gè)病例的5個(gè)病灶使用荷蘭飛利浦iU22系統(tǒng)，8個(gè)病例的10個(gè)病灶使用意大利百盛mylabtwice，其余病例均使用百盛mylab90。

CEUS圖像為256級(jí)灰度圖、大小800 pixel×555 pixel、分別率為(130.1±26.0) pixel/cm，序列采樣頻率fs為(23.5±4.8) frame/s。圖像序列以DICOM格式存儲(chǔ)于DVD中,便于離線分析。

所有病灶經(jīng)病理或/和PET(正電子發(fā)射計(jì)算機(jī)斷層掃描)證實(shí)，其中陰性病灶均經(jīng)病理證實(shí)，而陽(yáng)性病灶經(jīng)病理或/和PET證實(shí)。

1.2 心動(dòng)周期提取和子序列選擇

造影劑灌注期間，血壓搏動(dòng)引起的血管腔大小的變化將導(dǎo)致CEUS圖像的平均灰度值(average gray level，AGL)隨之變化[7]。本文通過選取一個(gè)包括淋巴結(jié)的矩形感興趣區(qū)域(region of interest，ROI)并計(jì)算其AGL的變化來提取心動(dòng)周期信息。圖1為心動(dòng)周期提取和子序列選擇示意圖。圖1(a)為一幅從CEUS圖像上截取的、包含淋巴結(jié)病灶的矩形區(qū)域子圖，從該矩形區(qū)域計(jì)算AGL。AGL信號(hào)隨時(shí)間變化取決于兩個(gè)因素：造影劑灌入灌出信息(頻率較低)、動(dòng)脈搏動(dòng)引起的血管形態(tài)的改變(頻率為心跳頻率fr，在1 Hz左右)[2]。

圖1 心動(dòng)周期提取和子序列選擇示意圖

AGL隨時(shí)間變化的信號(hào)可由時(shí)間強(qiáng)度曲線(time-intensity curve，TIC)表示，如圖1(b)所示。通過巴特沃斯帶通濾波器提取TIC曲線上代表心動(dòng)周期的頻段，從而獲得心動(dòng)周期信息，帶通濾波器通帶為fL= (1-α)fr～fH= (1+α)fr, 其中α(0<α<1)為定義半帶寬的參數(shù)。通過巴特沃斯低通濾波器從TIC上提取血流灌注信息，通帶頻率上限為βfL，其中β為縮放控制參數(shù)(0<β<1)。本文將α與β分別設(shè)為經(jīng)驗(yàn)值0.1與0.25[1]。

在低通濾波后的TIC上得到AGL最大的幀，即峰值幀，表示此時(shí)血液中的造影劑數(shù)量達(dá)到最大，如圖1(c)所示。在峰值幀前后各選取3個(gè)心動(dòng)周期的子序列，然后對(duì)這些圖像幀(心動(dòng)周期數(shù)量NC=6)求平均，得到時(shí)域平均圖像[8]。

1.3 時(shí)域平均圖像的分割

首先獲取時(shí)域平均圖像，提高圖像的信噪比；接著手工描記淋巴結(jié)輪廓，并通過插值運(yùn)算自動(dòng)連接成閉合曲線；最后對(duì)淋巴結(jié)區(qū)域進(jìn)行自動(dòng)閾值分割得到造影劑區(qū)域，即代表淋巴結(jié)內(nèi)的新生血管[8-9]。

1.3.1 時(shí)域平均圖像的獲取

由上節(jié)得到用于計(jì)算時(shí)域平均圖像的幀數(shù)目為：

(1)

則最終得到經(jīng)過時(shí)域?yàn)V波的時(shí)域平均圖像為：

(2)

1.3.2 淋巴結(jié)勾勒

時(shí)域平均圖像中，淋巴結(jié)形態(tài)各異且其回波特性與周圍組織非常相似，導(dǎo)致對(duì)淋巴結(jié)自動(dòng)分割極其困難。本文使用人工交互方式對(duì)淋巴結(jié)的邊界進(jìn)行手工勾勒：在淋巴結(jié)的邊界上點(diǎn)若干點(diǎn)，然后使用B樣條插值法對(duì)離散的點(diǎn)進(jìn)行插值,從而得到光滑的閉合曲線，曲線所圍區(qū)域即為淋巴結(jié)[10]。

1.3.3 淋巴結(jié)內(nèi)新生血管的自動(dòng)分割

為了實(shí)現(xiàn)淋巴結(jié)內(nèi)新生血管的自動(dòng)分割，本文使用大津閾值(Otsu’sthresholding)法來獲取淋巴結(jié)區(qū)域的粗閾值T，但是該做法只考慮了淋巴結(jié)內(nèi)部的對(duì)比增強(qiáng)而忽略了淋巴結(jié)外部組織的灰度值，所以對(duì)淋巴結(jié)內(nèi)部灰度的變化非常敏感，可能造成誤分割[9]。因此，本文考慮淋巴結(jié)外的像素點(diǎn)灰度，得到修正后的自適應(yīng)閾值為：

(3)

(4)

淋巴結(jié)內(nèi)新生血管分割后得到新生血管與背景分離的二值圖像Ib。二值圖像中血管面積AV占據(jù)整個(gè)淋巴結(jié)面積AP的比值A(chǔ)R為：

(5)

1.4 紋理特征的提取

在灰度圖像的淋巴結(jié)內(nèi)部提取一階統(tǒng)計(jì)量特征和灰度共生矩陣(graylevelco-occurrencematrix，GLCM)特征。其中一階統(tǒng)計(jì)量特征包括：均值(mean)、標(biāo)準(zhǔn)差(standarddeviation，SD)、變異系數(shù)(coefficientofvariance，CoV)、峰度(Kurt)、亮度熵(entropyofbrightness，EtBrt)[10-13]。

圖像的GLCM定義為間隔距離d和方向θ的函數(shù)G(i, j; d, θ)[10-13]。特定的θ方向、間隔距離為d的GLCM的第i行第j列元素，表示圖像中θ方向、間隔為d、起始像素取i值、終止像素取j值的像素點(diǎn)對(duì)的個(gè)數(shù)。本文求GLCM時(shí)設(shè)定θ= 0°、 45°、 90°、135°;d= 1, 2, …, 15 pixel。為了減少計(jì)算量，本文把256個(gè)灰度級(jí)重新量化到8個(gè)灰度級(jí)，此時(shí)GLCM被縮減到8×8大小。

從GLCM中提取對(duì)比度特征：

Cont=∑i∑j|i-j|2p(i,j)

(6)

式中：p(i, j)為灰度值i和j的聯(lián)合條件概率密度函數(shù)。對(duì)特定間隔d的所有四個(gè)方向的對(duì)比度求平均，得到該間隔情況下的最終對(duì)比度特征，以“Cont+d”的變量名命名(如Cont12，表示d=12pixel時(shí)的對(duì)比度)。

1.4.2 二值圖像中提取的紋理特征

從二值圖像Ib中提取的特征包括：離散度(dispersiondegree，DD)，表示新生血管中每個(gè)像素點(diǎn)到新生血管中心的歸一化距離的均值；徑向離散度(radialscatteringdegree，RSD)，表示新生血管中每個(gè)像素點(diǎn)到新生血管中心的歸一化距離的標(biāo)準(zhǔn)差。假設(shè)分割后的二值圖像中代表血管的像素點(diǎn)數(shù)為np個(gè)，則DD和RSD定義為：

(7)

(8)

1.5 統(tǒng)計(jì)檢驗(yàn)

本文使用t檢驗(yàn)來評(píng)價(jià)所提取的特征區(qū)分良惡性淋巴結(jié)的能力，P值代表統(tǒng)計(jì)檢驗(yàn)的顯著性水平，P<0.05表示在兩類間存在顯著性差異[10]。

2 實(shí)驗(yàn)結(jié)果

本文算法均由MatlabR2013a實(shí)現(xiàn)。圖2、圖3分別給出了一例惡性淋巴結(jié)(轉(zhuǎn)移性惡性腫瘤)、一例良性淋巴結(jié)(反應(yīng)性淋巴增生)的CEUS圖像分割結(jié)果。

定性觀察兩圖可以發(fā)現(xiàn)：惡性淋巴結(jié)中血管分布不均勻，且血管數(shù)量較少；而良性淋巴結(jié)中血管分布均勻且數(shù)量較多。

9個(gè)定量特征在良惡性淋巴結(jié)間存在的統(tǒng)計(jì)學(xué)差異如表1所示。

圖2 惡性淋巴結(jié)和內(nèi)部血管分割示意圖

圖3 良性淋巴結(jié)和內(nèi)部血管分割示意圖

Tab.1 Nine of quantitative features exhibit statistical differences between benign and malignant lymph nodes (P<0.05)

特征P值均值±標(biāo)準(zhǔn)差良性惡性DD0．00170．56±0．130．68±0．09RImax0．00330．83±0．170．64±0．22SD0．005633．85±14．6521．91±11．61Cont150．01453．39±1．122．54±0．93Cont140．02013．20±1．042．44±0．88Cont130．02383．03±0．972．34±0．83mean0．0260109．75±53．9276．02±40．12RSD0．03480．26±0．060．30±0．06Cont120．03642．85±0．912．25±0．79

3 結(jié)束語(yǔ)

本文首先從淋巴結(jié)CEUS序列的時(shí)間強(qiáng)度曲線中提取心動(dòng)周期信息，并計(jì)算時(shí)域平均圖像；然后對(duì)時(shí)域平均圖像進(jìn)行分割，得到淋巴結(jié)內(nèi)部新生血管；最后求取量化特征表征淋巴結(jié)特性。經(jīng)統(tǒng)計(jì)學(xué)檢驗(yàn)，本文提取的特征中有9個(gè)在良惡性兩類間存在顯著性差異(P<0.05)，說明這些特征有望用于對(duì)淋巴結(jié)進(jìn)行良惡性分類。在今后研究中，將從時(shí)間強(qiáng)度曲線上提取時(shí)間域特征，與本文提取的空間域特征相結(jié)合，通過設(shè)計(jì)支持向量機(jī)等分類器，共同對(duì)CEUS圖像中的淋巴結(jié)進(jìn)行良惡性分類。

[1] Zhang Q,Li C L,Han H,et al.Computer-aided quantification of contrast agent spatial distribution within atherosclerotic plaque in contrast-enhanced ultrasound image sequences [J].Biomedical Signal Processing and Control,2014(13):50-61.

[2] American Joint Committee on Cancer.AJCC cancer staging manual[M].7thed.New York:Springer,2010.

[3] Davies M,Arumugam P J,Shah V I,et al.The clinical significance of lymph node micrometastasis in stage I and stage II colorectal cancer[J].Clinical Translational Oncology,2008,10(3):175-179.

[4] Furlow B.Contrast-enhanced ultrasound [J].Radiologic Technology,2009,80(6):547S-561S.

[5] Moritz J D,Ludwig A,Oestmann J W.Contrast-enhanced color Doppler sonography for evaluation of enlarged cervical lymph nodes in head and neck tumors [J].American Journal of Roentgenology,2000,174(5):1279-1284.

[6] Correas J M,Bridal L,Lesavre A,et al.Ultrasound contrast agents:properties,principles of action,tolerance,and artifacts [J].European Radiology，2001,11(8):1316-1328.

[7] Marshall G,Sykes A,Jonker L.The “humble” bubble:Contrast-enhanced ultrasound [J].Radiography,2011,17(4):345-349.

[8] Angelelli P,Nylund K,Gilja O H,et al.Interactive visual analysis of contrast-enhanced ultrasound data based on small neighborhood statistics[J].Computers & Graphics,2011,35(2):218-226.

[9] Otsu N.A threshold selection method from gray-level histograms[J].Automatica,1975(11):23-27.

[10]Chicklore S,Goh V,Siddique M,et al.Quantifying tumour heterogeneity in 18F-FDG PET/CT imaging by texture analysis [J].European Journal of Nuclear Medicine and Molecular Imaging,2013,40(1):133-140.

[11]Yang X,Tridandapani S,Beitler J J,et al.Ultrasound GLCM texture analysis of radiation-induced parotid-gland injury in head-and-neck cancer radiotherapy:an in vivo study of late toxicity [J].Medical Physics,2012,39(9):5732-5739.

[12]McNitt-Gray M F,Wyckoff N,Sayre J W,et al.The effects of co-occurrence matrix based texture parameters on the classification of solitary pulmonary nodules imaged on computed tomography [J].Computerized Medical Imaging and Graphics,1999,23(6):339-348.

[13]Alvarenga A V,Pereira W C,Infantosi A F C,et al.Complexity curve and grey level co-occurrence matrix in the texture evaluation of breast tumor on ultrasound images[J].Medical Physics,2007,34(2):379-387.

Feature Extraction of Lymph Nodes from Contrast-enhanced Ultrasound Image Sequences

Discrimination of benign or malignant lesions of lymph nodes has positive clinical significance. The contrast-enhanced ultrasound (CEUS) is a novel method for diagnosis lesions of lymph nodes, through injecting contrast agents into blood, the tissue neovascularization and its blood perfusion can be displayed dynamically. Aiming at the lesions of lymph nodes, the method of extracting quantified features from CEUS image sequences is proposed; including cardiac cycle extraction and subsequence selection, lymph node segmentation, texture feature extraction and statistical tests. The results of experiments carried out on 41 lesions of lymph nodes from 29 patients demonstrated that significant differences (P<0.05) of 9 of the features extracted exist in benign and malignant lesions of lymph nodes; it is helpful to distinguishing benign or malignant lesions.

Feature extraction Lymph nodes Contrast-enhanced ultrasound (CEUS) Texture feature Tumor

國(guó)家自然科學(xué)基金青年基金資助項(xiàng)目(編號(hào)：61401267);

上海市自然科學(xué)基金資助項(xiàng)目(編號(hào)：12ZR1444100);

上海市教委人才計(jì)劃“晨光計(jì)劃”基金資助項(xiàng)目(編號(hào)：11CG45);

上海市教委科研創(chuàng)新基金資助項(xiàng)目(編號(hào)：12YZ026)。

張麒(1983-)，男，2010年畢業(yè)于復(fù)旦大學(xué)醫(yī)學(xué)電子學(xué)專業(yè)，獲博士學(xué)位，副教授；主要從事醫(yī)學(xué)圖像處理的研究。

TP391+.4;TH789

A

10.16086/j.cnki.issn1000-0380.201510010

修改稿收到日期：2014-12-11。