高凡 屠娟,2 章東,2

(1 南京大學(xué)聲學(xué)研究所 南京 210093)

(2 湖南潤澤醫(yī)學(xué)影像科技有限公司 岳陽 414000)

0 引言

癌癥是對人類健康的一大威脅，在中國，癌癥的發(fā)病率和死亡率一直持續(xù)上升[1]。而在所有癌癥當(dāng)中，甲狀腺癌的增長是最為明顯的，而且由于人口老齡化的原因，未來所面臨的情況將更為嚴(yán)峻[2]。因此，對存在癌變可能的甲狀腺結(jié)節(jié)進(jìn)行檢查顯得尤為重要。細(xì)針穿刺活檢(Fine-needle aspiration,FNA)[3]是判斷甲狀腺結(jié)節(jié)良惡性的金標(biāo)準(zhǔn)，但是檢查費(fèi)用昂貴，而且會給患者帶來巨大的痛苦，在目前的臨床應(yīng)用中，僅當(dāng)結(jié)節(jié)被懷疑為惡性的時候才會進(jìn)行穿刺活檢。因此，在做穿刺活檢之前對甲狀腺結(jié)節(jié)的預(yù)篩查有著重要的臨床價值。

甲狀腺結(jié)節(jié)的預(yù)篩查方法主要包括X光照片(Radiographs)[4]、計算機(jī)斷層成像(Computed tomography,CT)[5]、磁共振成像(Magnetic resonance imaging,MRI)[6]和超聲成像。其中X光檢查的輻射會對人體造成損害，CT和MRI需要消耗大量的時間，使用成本較高。相比較而言，超聲由于其非侵入性、成本較低、使用方便、對人體無害的特點(diǎn)，目前在臨床上已經(jīng)廣泛應(yīng)用于甲狀腺結(jié)節(jié)的篩查[7]。美國放射學(xué)會提出甲狀腺成像報告和數(shù)據(jù)系統(tǒng)(Thyroid imaging reporting and data system,TI-RADS)[8]，用于對甲狀腺結(jié)節(jié)圖像進(jìn)行預(yù)篩查。但是TI-RADS依賴于超聲科醫(yī)生的經(jīng)驗，具有較強(qiáng)的主觀性，且人工篩查會增加醫(yī)生的工作量。超聲智能診斷系統(tǒng)在解決以上問題方面展現(xiàn)出巨大的應(yīng)用前景。該方法旨在通過各類機(jī)器學(xué)習(xí)技術(shù)，利用計算機(jī)智能分析對超聲圖像給出參考性的診斷意見，進(jìn)行初步的篩查，幫助醫(yī)生減輕工作量。

目前在智能診斷方面的研究大致分為兩類：一類是將特定參數(shù)人工提取與較為簡單的機(jī)器學(xué)習(xí)工具相結(jié)合的傳統(tǒng)方法，計算機(jī)所需要完成的僅僅是對人工提取完畢的特征進(jìn)行分析和組合；另一類是依靠深度神經(jīng)網(wǎng)絡(luò)，利用計算機(jī)對大量標(biāo)記后的超聲圖像進(jìn)行自發(fā)學(xué)習(xí)和聚類，而無需人工提取特定參數(shù)。前者中比較有代表性的包括P值法[9]、基于定量超聲(Quantitative ultrasound,QUS)參數(shù)的研究[10]等。這類方法依賴于人工對興趣區(qū)(Region of interest,ROI)的準(zhǔn)確選取或精確的圖像分割方法來將結(jié)節(jié)與正常組織區(qū)分開，且往往將分割出的結(jié)節(jié)作為一個整體進(jìn)行研究，在整個結(jié)節(jié)內(nèi)部取得參數(shù)的平均值，這樣的做法可能會導(dǎo)致信息的丟失。根據(jù)TIRADS中的臨床診斷標(biāo)準(zhǔn)，結(jié)節(jié)良惡性的區(qū)分不僅依賴于與結(jié)節(jié)整體的特征例如平均灰度、散射子平均直徑，也與很多圖像的局部特征有關(guān)，諸如是否有毛刺[11]、邊界是否清晰規(guī)整[12]、內(nèi)部是否有鈣化斑點(diǎn)[13]等等，甚至結(jié)節(jié)周邊的組織形態(tài)也與結(jié)節(jié)的良惡性有著密切的關(guān)聯(lián)[14]，而這些特點(diǎn)很難用單個參數(shù)來進(jìn)行表征。因此，傳統(tǒng)方法具有較大的局限性，限制其準(zhǔn)確度的進(jìn)一步提升以及臨床應(yīng)用的可能性。為了解決以上問題，深度神經(jīng)網(wǎng)絡(luò)被應(yīng)用到該領(lǐng)域[15?17]，通過搭建復(fù)雜的神經(jīng)網(wǎng)絡(luò)，對大量的超聲圖像進(jìn)行層層卷積，由計算機(jī)自動提取所需特征。該類方法可以充分利用圖像中的細(xì)節(jié)信息，從而達(dá)到更高的準(zhǔn)確率。但是深度學(xué)習(xí)本身依賴于大量的樣本和較大的計算資源，成本較高，如果樣本數(shù)目不足，則無法自動提取出準(zhǔn)確的分類特征，且對于計算機(jī)自動判別的中間過程難以給出詳細(xì)的理論解釋，限制其與現(xiàn)有的醫(yī)學(xué)知識相結(jié)合。因此，有必要在這兩者之間進(jìn)行折衷，提出一些針對醫(yī)學(xué)領(lǐng)域特定的方法，既可以盡量減小所需的計算資源，又可以對結(jié)節(jié)的良惡性進(jìn)行準(zhǔn)確區(qū)分。此前，研究者們通過灰度共生矩陣提取超聲射頻(Radio-frequency,RF)信號的紋理特征[18?19]，且取得較好的分類效果，并可通過改進(jìn)算法進(jìn)一步縮減計算量。

超聲RF信號相比于傳統(tǒng)超聲圖像在計算機(jī)智能診斷方面具有獨(dú)到的優(yōu)勢。傳統(tǒng)超聲圖像除了對超聲RF信號進(jìn)行取包絡(luò)和對數(shù)壓縮之外，還加入了諸如對比度增強(qiáng)、平滑濾波等個性化設(shè)置，這些操作會使超聲圖像更加美觀，但是其中的一部分信息不可避免地丟失。研究表明，超聲原始RF信號比傳統(tǒng)的超聲圖像包含更多信息，而一些在人工判斷中用處不大的信息對于機(jī)器來說卻可以很好地利用[18]。近年來，基于超聲RF信號的組織定征參數(shù)已經(jīng)被應(yīng)用于甲狀腺診斷之外的醫(yī)學(xué)領(lǐng)域，例如Tsui等使用基于超聲原始RF信號的香農(nóng)熵[20]、加權(quán)熵[21]和峰度[22]對脂肪肝病變進(jìn)行分級，而Nakagami成像也被應(yīng)用于白內(nèi)障的篩查[23]。這類組織定征參數(shù)基于超聲RF背向散射信號，描述其局部的概率密度函數(shù)的特征，具有較強(qiáng)的物理理論基礎(chǔ)，能夠反映生物組織由于各種原因發(fā)生的異變，且與灰度共生矩陣相比，其計算量有著明顯的降低。

因此，本文提出一種基于該類參數(shù)的計算機(jī)智能診斷方法用于甲狀腺結(jié)節(jié)的預(yù)篩查，使用滑動窗口圖像分析方法，對超聲原始RF信號進(jìn)行重構(gòu)，形成熵、加權(quán)熵、Nakagami-m和峰度的圖像。為了進(jìn)一步提取樣本的細(xì)節(jié)，在特征提取的步驟中，使用16塊ROI覆蓋結(jié)節(jié)，以代替?zhèn)鹘y(tǒng)方法中僅使用一整塊區(qū)域的做法。本文使用基于誤差逆向傳播算法訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network,ANN)[24?25]作為分類器，該種網(wǎng)絡(luò)相比用于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)要簡單，具優(yōu)勢在于：無需對潛在的關(guān)鍵變量進(jìn)行先驗的識別，無需對數(shù)據(jù)進(jìn)行太多的正則化，并且可以識別輸入變量之間復(fù)雜的非線性關(guān)系，且有多種訓(xùn)練模式可供選擇。此外，本文還研究了覆蓋甲狀腺結(jié)節(jié)的ROI數(shù)量和大小對于準(zhǔn)確率和訓(xùn)練時間的影響，比較了基于概率密度函數(shù)的熵、加權(quán)熵、Nakagami-m和峰度與基于灰度共生矩陣參數(shù)的計算時間。在本文的研究基礎(chǔ)上，有望可以建立更為精準(zhǔn)、高效的基于超聲RF信號的甲狀腺結(jié)節(jié)良惡性智能診斷新方法，并推動其在臨床領(lǐng)域的實際應(yīng)用。

1 材料和方法

本研究的數(shù)據(jù)處理流程如圖1所示。將采集得到的超聲RF信號經(jīng)過數(shù)據(jù)篩選、滑動窗口重構(gòu)、特征提取等預(yù)處理步驟之后，得到一系列用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本，再利用劃分出的訓(xùn)練集和驗證集訓(xùn)練用于良惡性分類的人工神經(jīng)網(wǎng)絡(luò)，用預(yù)留的測試集測試其分類效果，并統(tǒng)計結(jié)果。

圖1 數(shù)據(jù)處理的流程圖Fig.1 Flow chart of data processing

1.1 數(shù)據(jù)獲取

從南京軍區(qū)總院采集數(shù)據(jù)，用vinno70型飛依諾彩色多普勒超聲系統(tǒng)采集患者的原始RF數(shù)據(jù)并保存其對應(yīng)的B超圖像。診斷儀設(shè)置在組織諧波模式，即由二次諧波信號成像，掃描探頭為X6-16L寬頻帶探頭，探頭頻率設(shè)為10 MHz。以50 MHz采樣頻率采集回聲信號，獲得原始RF數(shù)據(jù)，每幀數(shù)據(jù)包含312條掃描線，每條掃描線包含2856個采樣點(diǎn)，共采集270例樣本。

為適應(yīng)文中所提出的方法，對數(shù)據(jù)按照一定標(biāo)準(zhǔn)進(jìn)行篩選，首先，去除由于采集時抖動等客觀原因而導(dǎo)致圖像模糊、無法人工標(biāo)定結(jié)節(jié)的樣本。此外，由于本文所提出的方法在參數(shù)提取的步驟中需要使用多塊ROI對結(jié)節(jié)的局部區(qū)域進(jìn)行提取分析，過大的結(jié)節(jié)需要用較大的ROI來進(jìn)行覆蓋，而過大的ROI會包含更多的生物組織，難以再視為結(jié)節(jié)局部的特征，合理性和一致性均有待商榷，基于這樣的認(rèn)識，本文去除了直徑超過2.5 cm的結(jié)節(jié)。剩余的樣本數(shù)量為155例，其中良性67例，惡性88例。

1.2 滑動窗口重構(gòu)和使用的參數(shù)

使用滑動窗口技術(shù)[20]提取超聲原始RF信號的特征參數(shù)。窗口長度設(shè)置為單個RF脈沖的1/2，以50%重疊率移動小窗遍歷整個RF信號矩陣，在每個停留處計算其局部的參數(shù)大小。再以線性插值的方法將重構(gòu)后的矩陣還原到原始信號相同大小，以方便后續(xù)統(tǒng)一進(jìn)行計算處理。所提取的組織定征參數(shù)包括以下4類，即香農(nóng)熵、加權(quán)熵、Nakagami-m及峰度。

香農(nóng)熵[20]的計算公式為

其中，y代表信號幅度，w(y)是其概率密度函數(shù)，在實際計算中以離散的統(tǒng)計直方圖代替。香農(nóng)熵衡量的是信號的混亂程度，如果信號幅度處處相等，則熵取得最小值；若信號幅度每處均不相等，則熵取得最大值。注意到滑動窗口所覆蓋的信號為二維信號，本文將二維信號重排成為一維信號，再對重排得到的一維信號使用公式進(jìn)行計算。

加權(quán)熵[21]的計算公式為

加權(quán)熵是針對香農(nóng)熵的統(tǒng)計學(xué)修正。注意到香農(nóng)熵的公式的幅值y只在概率密度函數(shù)w(y)中出現(xiàn)，因此香農(nóng)熵的大小實質(zhì)上和幅值大小無關(guān)，只與其概率密度函數(shù)有關(guān)。而加權(quán)熵多了一個幅度加權(quán)因子，會放大信號中幅值較大的部分的影響，在組織定征方面與香農(nóng)熵有一定的差異性。

Nakagami-m[23]參數(shù)的提取通常基于Nakagami信道模型，在該模型下，信號的概率密度函數(shù)可以表示為

其中，Γ和U代表伽馬函數(shù)和階躍函數(shù)，Ω表示信號的平均功率，為信號包絡(luò)R的均方值。如果用E來代表統(tǒng)計平均值，那么m可以用公式(4)來表示：

其中，R為RF信號包絡(luò)。Nakagami-m反映的是信號的分部類型偏離瑞利分布的程度，m<0.5時，屬于Nakagami-gamma分布；0.51時為后瑞利分布。

峰度[22]的計算公式為

其中，μ是RF包絡(luò)信號R的平均值。峰度是度量信號分布的尖銳程度的參量。峰度K=3表示包絡(luò)數(shù)據(jù)的概率分布是高斯分布；當(dāng)K>3時，信號分布比高斯分布尖銳，當(dāng)K<3時，信號分布比高斯分布平緩。

圖2是同一例原始RF信號經(jīng)過滑動窗口重構(gòu)之后得到的組織定征參數(shù)圖像，每幅圖像根據(jù)范圍設(shè)置了不同的色軸，在所有圖片中均可以看到異常的結(jié)節(jié)區(qū)域，對應(yīng)RF灰度圖片的低回聲區(qū)，但是其邊緣輪廓和細(xì)節(jié)特征因參與圖像重構(gòu)的參數(shù)不同而有一定的區(qū)別。

圖2 典型的重構(gòu)圖像和結(jié)節(jié)選取Fig.2 Typical reconstructed image and nodule selection

1.3 組織病理學(xué)檢查

通過常規(guī)的石蠟切片和蘇木精-伊紅染色，由經(jīng)驗豐富的病理學(xué)家判斷組織病理學(xué)結(jié)果。結(jié)節(jié)性甲狀腺腫、甲狀腺腺瘤和甲狀腺炎被歸為良性，甲狀腺乳頭狀癌、濾泡狀甲狀腺癌等歸為惡性。

病理學(xué)檢查的良惡性將作為金標(biāo)準(zhǔn)用于之后的ANN監(jiān)督學(xué)習(xí)和敏感性、特異性、正確率的統(tǒng)計。

1.4 結(jié)節(jié)的選取和特征提取

首先，由有經(jīng)驗的超聲科醫(yī)師用矩形框?qū)x定甲狀腺結(jié)節(jié)進(jìn)行定位，選取要求為包含甲狀腺結(jié)節(jié)及其完整輪廓，如圖2中紅框所示，同一例樣本在灰度圖像和每個重構(gòu)圖像中選擇相同區(qū)域。對每個框定的結(jié)節(jié)，使用16塊等大的ROI進(jìn)行覆蓋，并計算其中的參數(shù)平均值作為樣本特征(如圖3所示)。為分析甲狀腺結(jié)節(jié)與正常組織之間的差異性，本文取得與之等大的參考區(qū)域(Region of reference,RR)，選擇與包含結(jié)節(jié)的方框相同大小的區(qū)域，且不包含明顯異常的組織，盡量與結(jié)節(jié)相同高度，以保證是同一層組織，能有效對比(如圖2中黃框所示)。

圖3 多ROI覆蓋結(jié)節(jié)和參數(shù)提取Fig.3 Use multiple ROIs to cover nodules and extract features

1.5 基于人工神經(jīng)網(wǎng)絡(luò)的圖像識別

使用神經(jīng)網(wǎng)絡(luò)模式識別工具(Neural net pattern recognition tool,NPRTOOL)來搭建誤差逆向傳播的前饋人工神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行良惡性分類。選擇萊文伯格-馬夸特方法(Levenberg-Marquardt algorithm)作為訓(xùn)練方法，該算法是介于牛頓法與梯度下降法之間的一種非線性優(yōu)化方法，對于過參數(shù)化問題不敏感，能有效處理冗余參數(shù)問題，使代價函數(shù)陷入局部極小值的機(jī)會大大減小，因此適用于當(dāng)前的問題。使用“交叉熵”作為網(wǎng)絡(luò)的代價函數(shù)，其優(yōu)點(diǎn)在于使用sigmoid函數(shù)在梯度下降時能避免均方誤差損失函數(shù)學(xué)習(xí)速率降低的問題，因為學(xué)習(xí)速率可以被輸出的誤差所控制。

隱藏層中神經(jīng)元的數(shù)量由以下經(jīng)驗公式確定：

其中，m是隱藏層中神經(jīng)元的數(shù)量；n是輸入層中輸入的數(shù)量，該問題下為96；l是輸出層中輸出的數(shù)量，該問題下為1；α是1到10之間的常數(shù)。過少的神經(jīng)元會導(dǎo)致網(wǎng)絡(luò)的欠擬合，即無法充分利用輸入的信息；而過多的神經(jīng)元會增加網(wǎng)絡(luò)的復(fù)雜度，也容易在訓(xùn)練中陷入局部極小點(diǎn)，使網(wǎng)絡(luò)學(xué)習(xí)速度變慢。經(jīng)過調(diào)試，神經(jīng)元數(shù)量最終被確定為10。

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖如圖4所示，其中Input代表輸入的特征，在本問題下包括16處RF信號包絡(luò)、16個灰度值、16個香農(nóng)熵、16個加權(quán)熵、16個Nakagami-m和16個峰度，共96個特征。隱藏層包含10個神經(jīng)元，單個神經(jīng)元的結(jié)構(gòu)如圖4中所示，將輸入x轉(zhuǎn)為w x+b的形式，再由非線性的sigmoid函數(shù)來控制輸出，w和b為待定系數(shù)，會在網(wǎng)絡(luò)的收斂過程中不斷調(diào)整直至穩(wěn)定。輸出層與隱藏層類似，但是只包含一個神經(jīng)元用于控制最終的輸出。Output為0或1，0代表良性，1代表惡性。

圖4 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.4 Schematic diagram of artificial neural network structure

2 結(jié)果

表1是各個組織定征參數(shù)在155例樣本中的分布范圍，以平均值±標(biāo)準(zhǔn)差的形式表示。其中參考區(qū)域選取的是結(jié)節(jié)附近相同大小不包含結(jié)節(jié)的正常組織。分別在結(jié)節(jié)和參考區(qū)之間、良性與惡性結(jié)節(jié)之間使用雙樣本t檢驗(p<0.05時視為有顯著差異)。結(jié)果顯示，結(jié)節(jié)與不包含結(jié)節(jié)的正常區(qū)域之間、良性和惡性兩類結(jié)節(jié)之間，各項參數(shù)均具有統(tǒng)計學(xué)差異。

該結(jié)果表明，所選取的組織定征參數(shù)能有效反映甲狀腺結(jié)節(jié)引起的組織異變，且惡性結(jié)節(jié)引發(fā)的異變相比于良性結(jié)節(jié)更大：惡性結(jié)節(jié)有著較低的香農(nóng)熵、加權(quán)熵、Nakagami-m和較高的峰度，與之相反，不包含結(jié)節(jié)的正常組織，其香農(nóng)熵、加權(quán)熵和Nakagami-m較高，峰度較低，而良性結(jié)節(jié)的各項參數(shù)正好介于惡性結(jié)節(jié)與正常組織之間。

使用人工神經(jīng)網(wǎng)絡(luò)統(tǒng)合所有的組織定征參數(shù)，表2是對155例樣本進(jìn)行良惡性分類的結(jié)果，其中70%的樣本(109例)被劃分為訓(xùn)練集，各15%的樣本(各23例)被劃分為驗證集和測試集。以敏感度表示惡性結(jié)節(jié)的檢出概率，以特異性表示良性結(jié)節(jié)的檢出概率。在訓(xùn)練集上，網(wǎng)絡(luò)達(dá)到了89.8%的敏感度、94.0%的特異性、91.7%的準(zhǔn)確率；在驗證集上，敏感度、特異性、準(zhǔn)確率均為100%；在測試集上，敏感度為100%，特異性為90.6%，準(zhǔn)確率為95.7%。所有樣本敏感度為93.2%，特異性為94.0%，而準(zhǔn)確率為93.5%。

基于上述結(jié)果，本文認(rèn)為所有的組織定征參數(shù)在訓(xùn)練過程中都存在自身的貢獻(xiàn)，并非單一某個參數(shù)的作用。為了驗證這一推斷，本文將單個參數(shù)分布作為輸入量，使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分類并記錄了結(jié)果，如表3所示，僅將單參數(shù)作為輸入量進(jìn)行訓(xùn)練時，其敏感度、特異性和準(zhǔn)確率和表2中的結(jié)果相比均有不同程度的下降。

表1 灰度和組織定征參數(shù)的分布范圍Table 1 Distribution range of grayscale and tissue characterization parameters

表2 人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Table 2 Artificial neural network training results

表3 單一參數(shù)的訓(xùn)練結(jié)果Table 3 Single parameter training results

圖5是根據(jù)神經(jīng)網(wǎng)絡(luò)給出的參考評分與穿刺活檢的良惡性結(jié)果做出的受試者特征(Receiver operating characteristic,ROC)曲線，其曲線下面積(Area under curve,AUC)可以用于評判二分類問題下的分類效果。結(jié)果顯示，將所有的組織定征參數(shù)相結(jié)合(黑色曲線)的時候，AUC明顯大于僅使用單一參數(shù)時的AUC。這進(jìn)一步說明在網(wǎng)絡(luò)訓(xùn)練的過程中，多個參數(shù)共同作用的效果要優(yōu)于單個參數(shù)，且并非其中某一個參數(shù)在起主導(dǎo)作用，各個組織定征參數(shù)之間確實存在一定的互補(bǔ)性。

圖5 良惡性分類的ROC曲線Fig.5 ROC curves for benign and malignant classification

3 討論

3.1 組織定征參數(shù)對比灰度共生矩陣參數(shù)

對于計算機(jī)智能診斷系統(tǒng)來說，除準(zhǔn)確率之外，其成本與運(yùn)行時間也是需要考慮的因素，尤其在實際應(yīng)用中需要應(yīng)對大量樣本時就顯得更為重要。

基于灰度共生矩陣的紋理特征參數(shù)曾被用于超聲圖像的分析，但是其計算量相比于文中所用的組織定征參數(shù)更大，這是因為計算這類參數(shù)首先需要建立灰度共生矩陣，在此過程中，需要對每個滑動窗口中相鄰的像素點(diǎn)進(jìn)行逐點(diǎn)掃描統(tǒng)計，耗時較長。相比較而言，本文所用的熵、加權(quán)熵、Nakagami-m和峰度這幾個組織定征參數(shù)來作為訓(xùn)練特征，僅需要在每個滑動窗口停留處做概率密度函數(shù)統(tǒng)計，無需通過二維紋理掃描的方式建立中間過度的灰度共生矩陣，其計算復(fù)雜度和耗時均較灰度共生矩陣參數(shù)有明顯降低。

為了進(jìn)一步驗證這個猜測，本文同樣對155例原始RF信號進(jìn)行灰度共生矩陣參數(shù)的滑動窗口重構(gòu)，提取灰度共生矩陣參數(shù)包括能量、逆差矩、對比度、同質(zhì)性。結(jié)果顯示，灰度共生矩陣的滑動窗口重構(gòu)平均每例需要耗費(fèi)48 s，總共需要將近2 h來完成，而使用香農(nóng)熵、加權(quán)熵、Nakagami-m和峰度進(jìn)行滑動窗口重構(gòu)，平均每例僅需要12 s，155例樣本總共只需0.5 h即可完成。

3.2 覆蓋結(jié)節(jié)的ROI數(shù)目對訓(xùn)練時間的影響

本文采用了多塊ROI覆蓋甲狀腺結(jié)節(jié)的方法，以代替?zhèn)鹘y(tǒng)方法中在整個結(jié)節(jié)內(nèi)部取得參數(shù)平均的做法。對于人工神經(jīng)網(wǎng)絡(luò)來說，多塊ROI進(jìn)行覆蓋可以增加樣本信息，提供更多的局部特征，從而為其分類提供更充分的依據(jù)，但是過于密集的小塊ROI和過于細(xì)致的提取同時也會帶來額外的計算負(fù)擔(dān)，因此需要考慮兩者之間的平衡。

為了研究這個問題，本文分別使用1塊、4塊、9塊、16塊、36塊、81塊ROI對結(jié)節(jié)進(jìn)行覆蓋和特征提取，并分別獨(dú)立地用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和分類。如圖6所示，當(dāng)ROI數(shù)目從1塊增加到16塊時，良惡性分類的準(zhǔn)確率隨著ROI數(shù)目的增加而增加(從75%增加至95%)。但當(dāng)ROI數(shù)目大于16塊后，良惡性分類的準(zhǔn)確率增長趨于飽和，而訓(xùn)練時間則始終隨著ROI數(shù)量的增加呈指數(shù)增長。鑒于在使用16塊ROI來覆蓋結(jié)節(jié)之后，其分類準(zhǔn)確率已經(jīng)達(dá)到90%以上，足以完成預(yù)篩查的要求，所以本文最終采用16塊ROI來對結(jié)節(jié)進(jìn)行覆蓋和特征提取。

圖6 ROI數(shù)目對準(zhǔn)確率和訓(xùn)練時間的影響Fig.6 The effect of ROI number on accuracy and training time

3.3 滑動窗口圖像分析方法

本文使用滑動窗口對超聲RF信號進(jìn)行重構(gòu)，形成新的組織定征參數(shù)圖。在此過程中，窗口的大小是一個重要的變量。以往的研究表明，無論過大或者過小的窗口都會導(dǎo)致參數(shù)無法準(zhǔn)確估計，過大的窗口還會導(dǎo)致分辨率下降。因此，本文嘗試了不同窗口大小下的成像效果，發(fā)現(xiàn)在1/2脈沖長度的時候，所提取的參數(shù)區(qū)分度是最大的，同時圖像分辨率也較高，綜合參數(shù)的分布范圍和圖像的視覺效果，最終選擇1/2脈沖長度作為窗口大小。

滑動窗口重構(gòu)的過程中，使用公式對圖像局部的參數(shù)進(jìn)行計算，由于窗口大小遠(yuǎn)小于整幅超聲二維圖像，且與單個RF脈沖長度在同一數(shù)量級，因此可以認(rèn)為局部的信號類型是比較接近的。而文中所用的組織定征參數(shù)的公式，對于各個信號的出現(xiàn)順序并無要求，所以本文將位于窗口內(nèi)的由幾小段RF信號線組成的二維信號重排為一維，視為一列新的RF信號進(jìn)行處理，計算該處的參數(shù)值。

3.4 局限性

需要指出的是，在基于B超圖像的甲狀腺智能診斷的工作中，結(jié)節(jié)的大小或整體形狀可能會對診斷結(jié)果產(chǎn)生影響，因此，研究者們通常會采用入組數(shù)據(jù)預(yù)篩選的方式來提高診斷準(zhǔn)確率。例如，Xu等[9]的工作通過對比ROI與RR區(qū)域中非線性二次諧波差異度，計算相對P值來對甲狀腺結(jié)節(jié)的良惡性進(jìn)行分類。當(dāng)結(jié)節(jié)過大時，很難確保ROI和RR區(qū)域面積相等，只能通過數(shù)據(jù)預(yù)篩選剔除過大的結(jié)節(jié)，以降低誤判概率。而本文采用滑動窗圖像分析方法，通過對RF信號重構(gòu)形成熵、加權(quán)熵、Nakagami-m和峰度等圖像，在此基礎(chǔ)上提取樣本不同分區(qū)的細(xì)節(jié)信息，并利用ANN作為分類工具，將所有小塊ROI的特征信息(如灰度、熵值等)作為綜合判據(jù)納入考量，由此避免單塊ROI數(shù)據(jù)平均造成的細(xì)節(jié)信息損失，以此提高診斷的準(zhǔn)確率。當(dāng)結(jié)節(jié)過大時，需要設(shè)置較大的ROI來包含更多的生物組織，但過大的ROI難以被視為結(jié)節(jié)局部的特征。因此，本文也通過數(shù)據(jù)預(yù)篩選的方式去除了直徑超過2.5 cm的結(jié)節(jié)。換言之，本文所提出的方法主要聚焦結(jié)節(jié)的細(xì)節(jié)信息，而忽略了樣本的總體形態(tài)信息(如樣本大小、縱橫比等)對診斷結(jié)果的影響，且對面積過大的結(jié)節(jié)無法適用。

4 結(jié)論

本文提出了一種基于超聲原始RF信號的組織定征參數(shù)和人工神經(jīng)網(wǎng)絡(luò)結(jié)合的甲狀腺結(jié)節(jié)智能診斷方法。通過滑動窗口成像得到基于超聲原始RF信號的組織定征參數(shù)圖，提取結(jié)節(jié)內(nèi)參數(shù)的平均值，并在良性和惡性樣本、結(jié)節(jié)和正常組織之間使用雙樣本t檢驗，結(jié)果顯示，結(jié)節(jié)與正常組織的參數(shù)有明顯不同，且惡性結(jié)節(jié)偏離正常組織的程度更高。采用多ROI覆蓋結(jié)節(jié)進(jìn)行滑動窗成像，并結(jié)合人工神經(jīng)網(wǎng)絡(luò)對155例樣本進(jìn)行多參數(shù)提取和良惡性分類，可以達(dá)到93.2%的敏感度、94.0%的特異性、93.5%的準(zhǔn)確率。此外，文中所用的組織定征參數(shù)計算復(fù)雜度要低于灰度共生矩陣參數(shù)，耗時僅為后者的1/4。在比對了不同數(shù)量和密集程度的ROI覆蓋結(jié)節(jié)的效果之后，本文發(fā)現(xiàn)16塊ROI是較為優(yōu)化的選擇，在達(dá)到較為滿意的準(zhǔn)確率的同時，盡可能控制計算資源和時間耗費(fèi)。本文所提出的方法在一定程度上克服了傳統(tǒng)方法無法充分利用圖像局部細(xì)節(jié)信息的不足，另一方面，相比于深度神經(jīng)網(wǎng)絡(luò)來說，資源和樣本量的需求較少，屬于兩者之間的折衷，有望在此基礎(chǔ)上建立一套可用于甲狀腺結(jié)節(jié)的預(yù)篩查的臨床智能診斷系統(tǒng)。