魏靜

(西安海棠職業(yè)學(xué)院 醫(yī)學(xué)美容學(xué)院， 陜西 西安 710038)

0 引言

乳腺腫瘤是當(dāng)前世界范圍內(nèi)影響女性健康的主要疾病之一[1]，國際相關(guān)組織的相關(guān)研究結(jié)果顯示[2]，全球每年有上百萬婦女因乳腺腫瘤疾病去世，截止到2017年，亞洲女性乳腺腫瘤發(fā)病率達(dá)到5%以上。乳腺腫瘤在早期的診斷方式普遍是靠專家篩查乳腺X線圖像[3]判斷腫瘤性質(zhì)(良性腫瘤或惡性腫瘤)。但針對微小乳腺腫瘤，專業(yè)腫瘤醫(yī)生也不能完全實現(xiàn)精準(zhǔn)診斷，因此針對微小乳腺腫瘤的精準(zhǔn)診斷成為保障女性健康的熱點問題。

國內(nèi)外對于乳腺腫瘤診斷進(jìn)行大量研究，文獻(xiàn)[4]將交叉驗證方法引入多變量組合診斷，建立Logistic回歸預(yù)測模型，取靈敏度，特異度之和中最大的預(yù)測概率作為最佳診斷點，并根據(jù)ROC曲線下面積對模型的預(yù)測性能進(jìn)行評估，比較DCE-MRI和DCE-MRI聯(lián)合IVIM-DWI對乳腺病變良、惡性的診斷效能；該方法中忽略乳腺腫瘤圖像處理過程，導(dǎo)致圖像特征模糊，造成乳腺腫瘤診斷精度存在明顯波動性；文獻(xiàn)[5]利用多卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，融合訓(xùn)練好的多個模型，提升最終乳腺腫瘤診斷的準(zhǔn)確度；該方法診斷過程中需分別訓(xùn)練模型并融合各模型，診斷過程較為復(fù)雜，時空性能較差；文獻(xiàn)[6]提取乳腺腫瘤區(qū)域與非乳腺腫瘤區(qū)域的灰度共生矩陣，采集乳腺腫瘤圖像的紋理特征，對特征進(jìn)行模糊C聚類，以此診斷乳腺腫瘤；該方法針對較大的乳腺腫瘤進(jìn)行診斷時精度較高，當(dāng)腫瘤較小時，診斷精度明顯下降。

本文進(jìn)行基于激光圖像處理技術(shù)的微小乳腺腫瘤精準(zhǔn)診斷研究，通過對乳腺X線圖像進(jìn)行處理，提升微小乳腺腫瘤診斷的精度。

1 激光圖像處理技術(shù)的微小乳腺腫瘤精準(zhǔn)診斷方法

基于激光圖像處理技術(shù)的微小乳腺腫瘤精準(zhǔn)診斷方法實現(xiàn)流程如圖1所示。

圖1 微小乳腺腫瘤精確診斷流程

對初始乳腺X線圖像進(jìn)行圖像預(yù)處理，提取乳腺組織；對乳腺組織圖像進(jìn)行圖像增強(qiáng)處理，提升圖像亮度、增強(qiáng)圖像邊緣、突出紋理細(xì)節(jié)；對增強(qiáng)處理后的圖像進(jìn)行區(qū)域分割，劃分出感興趣區(qū)域，即乳腺腫瘤區(qū)域；提取乳腺腫瘤區(qū)域的紋理特征與幾何特征，根據(jù)特征對微小乳腺腫瘤進(jìn)行精準(zhǔn)診斷。

1.1 圖像預(yù)處理與圖像增強(qiáng)

圖像預(yù)處理的主要功能是在乳腺X線圖像中提取乳腺組織進(jìn)行后續(xù)乳腺腫瘤分析。初始乳腺X線圖像預(yù)處理過程中需去除初始乳腺X線圖像內(nèi)的胸肌與定位標(biāo)簽或膠帶等偽影，由于乳腺纖維腺盤是致密組織與實質(zhì)形態(tài)的主要聚集區(qū)域[7-8]，因此以該區(qū)域為主進(jìn)行乳腺腫瘤精準(zhǔn)診斷研究。作為迭代圖像增強(qiáng)模型，脈沖耦合神經(jīng)網(wǎng)絡(luò)對視覺皮層神經(jīng)元對視覺信號的感知進(jìn)行模擬，主要用于增強(qiáng)圖像邊緣，提升圖像的亮度，突出紋理細(xì)節(jié)。利用脈沖耦合神經(jīng)網(wǎng)絡(luò)模型對預(yù)處理后的乳腺X線圖像進(jìn)行增強(qiáng)處理，提升其紋理清晰度。脈沖耦合神經(jīng)網(wǎng)絡(luò)模型架構(gòu)，如圖2所示。

圖2 脈沖耦合神經(jīng)網(wǎng)絡(luò)模型架構(gòu)

主要由接受域、非線性調(diào)制域和脈沖發(fā)生器共同組成[9]。脈沖耦合神經(jīng)網(wǎng)絡(luò)模型在本質(zhì)上是一個單層二維神經(jīng)網(wǎng)絡(luò)模型，各神經(jīng)元與輸入圖像的像素一一對應(yīng)。

用(i,j)表示預(yù)處理后乳腺X線圖像中某像素的坐標(biāo)，則Pij和Dij分別表示線性連接輸入和反饋輸入(外部輸入信號)，兩者共同組成接受域輸入，如式(1)、式(2)。

Dij[n]=Aij[n]

(1)

Pij[n]=e-?PPij[n-1]+VP∑EijklHkl[n-1]

(2)

式中，外部輸入信號Dij與預(yù)處理后乳腺X線圖像中該坐標(biāo)像素的灰度值一致；鄰域神經(jīng)元的連接輸入Pij經(jīng)由相鄰神經(jīng)元輸出Hkl與內(nèi)部連接矩陣Eijkl加權(quán)和獲取，在脈沖耦合神經(jīng)網(wǎng)絡(luò)模型中，各神經(jīng)元輸出為相鄰神經(jīng)元的輸入，Hkl初始化為0，Eijkl內(nèi)包含相鄰神經(jīng)元連接的加權(quán)系數(shù)；n、?P和VP分別表示脈沖點火迭代次數(shù)、Pij的衰減常數(shù)和連接輸入的內(nèi)在電勢。

Dij與Pij兩個輸入通道經(jīng)由信號調(diào)制產(chǎn)生的內(nèi)部活動項為Uij，可表示調(diào)制域的輸出，如式(3)。

Uij[n]=Dij[n](1+δPij[n])

(3)

式中，δ表示連接強(qiáng)度系數(shù)。

在脈沖發(fā)生器內(nèi)對比Uij和動態(tài)閾值Wij，由此輸出脈沖Yij。若Wij>Uij，則關(guān)閉脈沖發(fā)生器；相反則再次打開脈沖發(fā)生器，觸發(fā)神經(jīng)元[10]，按式(4)、式(5)所示輸出脈沖序列。

這種方法是用來恢復(fù)指定頻率的諧波。一種簡單有效的方式恢復(fù)語音諧波是對應(yīng)用非線性函數(shù)NL。這樣,由人工恢復(fù)的信號可由式(12)得到,

Wij[n]=e-?WWij[n-1]+VWYij[n-1]

(4)

(5)

式內(nèi)，VW和?W分別表示振幅常數(shù)和Wij的時間衰減常數(shù)。同時，在設(shè)定?W值時，需考慮Wij衰減速度等情況。

為實現(xiàn)圖像增強(qiáng)，需要通過脈沖發(fā)生器的輸出提升預(yù)處理后乳腺X線圖像中各像素的灰度值，如式(6)。

(6)

1.2 圖像分割處理

選取基于多閾值的區(qū)域增長分割算法對增強(qiáng)后的乳腺X線圖像進(jìn)行分割處理，確定微小乳腺腫瘤所在位置[11]。在增強(qiáng)后的乳腺X線圖像中對微小乳腺腫瘤大致所在區(qū)域隨機(jī)選取一個像素點，作為微小乳腺腫瘤區(qū)域內(nèi)的種子點。針對大致區(qū)域內(nèi)的某一點，若其與相鄰的4個點l(i,j)均符合式(7)所示內(nèi)容，即可將該點納入微小乳腺腫瘤區(qū)域。

(7)

式中，θ(0≤θ≤1)、Jmax和Jmin分別表示閾值、大致區(qū)域內(nèi)的最大像素值與最小像素值。像素點納入過程是循環(huán)迭代的過程[12]，直至沒有相鄰像素點符合式(7)標(biāo)準(zhǔn)。微小乳腺腫瘤區(qū)域的邊界即最外層的像素點[13]。這一過程中閾值的確定尤為重要，可通過多閾值方法對各微小乳腺腫瘤區(qū)域確定一個最優(yōu)閾值θ。設(shè)定閾值θ的閾值范圍為式(8)。

θ(t+1)=θ(t)+step, 0.01≤θ(t)<0.4

(8)

針對不同閾值θ(t)，依照式(7)實施區(qū)域提升，獲取一個提升區(qū)域r(t)，該提升區(qū)域邊界表示為c(t)。在該提升區(qū)域內(nèi)采集一組特征，用S(θ(t),j),j=1,2,…,m表示，其中m表示特征采集數(shù)量。針對各θ(t)構(gòu)建特征向量，不同特征向量在第t次與第t+1次迭代過程的距離定義為式(9)。

(9)

歸一化距離定義為式(10)。

(10)

令歸一化距離d(t)最小的閾值對應(yīng)的區(qū)域r(t)為最終微小乳腺腫瘤區(qū)域，其對應(yīng)的邊界為最終微小乳腺腫瘤區(qū)域邊界。

1.3 特征提取

1.3.1 紋理特征

分析乳腺X線圖像微小乳腺腫瘤紋理特征時可利用歸一化自相關(guān)系數(shù)。描述乳腺X線圖像粗糙程度的歸一化自相關(guān)系數(shù)能夠體現(xiàn)微小乳腺腫瘤區(qū)域內(nèi)像素間的相關(guān)性，如式(11)、式(12)。

(11)

式中，η表示正的常數(shù)。

(12)

為降低亮度對紋理的干擾，對式(12)進(jìn)行優(yōu)化，得到式(13)。

(13)

1.3.2 幾何特征

幾何特征是判斷乳腺X線圖像微小乳腺腫瘤性質(zhì)的主要特征之一，通常情況下，良性乳腺腫瘤與惡性乳腺腫瘤的形狀分別表現(xiàn)為圓形(橢圓)和不規(guī)則形狀。在判斷微小乳腺腫瘤幾何特征時可利用緊湊度COMP指標(biāo)，該指標(biāo)描述如式(14)。

(14)

式中，Qr和K分別表示微小乳腺腫瘤生長區(qū)域面積和邊界周長。Qr和K可通過計算得到式(15)、式(16)。

(15)

(16)

式中，xi表示微小乳腺腫瘤區(qū)域邊界上第點的橫坐標(biāo)；yi表示微小乳腺腫瘤區(qū)域邊界上第i點的縱坐標(biāo)；C表示微小乳腺腫瘤區(qū)域邊界上點的數(shù)量。

根據(jù)乳腺X線圖像中微小乳腺腫瘤區(qū)域圖像的紋理特征與幾何特征可實現(xiàn)微小乳腺腫瘤的診斷。

2 實驗結(jié)果分析

實驗為驗證本文所研究的基于激光圖像處理技術(shù)的微小乳腺腫瘤精準(zhǔn)診斷方法在實際臨床應(yīng)用中的應(yīng)用效果，在某三甲醫(yī)院腫瘤科乳腺X線圖像庫內(nèi)隨機(jī)選取480張乳腺X線圖像作為診斷對象，其中良性腫瘤與惡性腫瘤圖像分別為234張和246張。這些乳腺X線圖像來自2017年6月1日至2018年3月1日期間在該科室就診并經(jīng)活體切片確診的乳腺腫瘤病人，病人年齡在22歲至58歲之間。

2.1 乳腺X線圖像處理

利用本文方法對所選480張乳腺X線圖像進(jìn)行處理，根據(jù)圖像處理結(jié)果判斷微小乳腺腫瘤性質(zhì)。在良性乳腺X線圖像中隨機(jī)選取一張進(jìn)行處理與診斷，結(jié)果如圖3所示。

(a) 初始乳腺X線圖像

(b) 預(yù)處理后的圖像

(c) 增強(qiáng)處理后的圖像

(d) 分割處理后的圖像圖3 乳腺X線圖像處理

分析圖3可知，圖3(a)初始乳腺X線圖像極為模糊，無法進(jìn)行微小乳腺腫瘤性質(zhì)的診斷；圖3(b)為采用本文方法對初始乳腺X線圖像進(jìn)行預(yù)處理后的圖像，可排除非乳腺組織；圖3(c)為對預(yù)處理后的乳腺X線圖像進(jìn)行增強(qiáng)處理以提升圖像亮度，增強(qiáng)圖像細(xì)節(jié)特征。對增強(qiáng)后的乳腺X線圖像進(jìn)行區(qū)域劃分可準(zhǔn)確獲取微小乳腺腫瘤所在區(qū)域，針對該區(qū)域采集的乳腺X線圖像紋理特征與幾何特征是微小乳腺腫瘤精確診斷的有力依據(jù)。對圖3(d)中微小乳腺腫瘤所在區(qū)域的紋理特征與幾何特征進(jìn)行分析，診斷該圖像為良性微小乳腺腫瘤，診斷結(jié)果與實際選取圖像標(biāo)準(zhǔn)一致，由此驗證本文方法的有效性。

選取結(jié)構(gòu)相似度指數(shù)與峰值信噪比作為乳腺X線圖像處理效果客觀評價的評價指標(biāo)，這兩個指標(biāo)分別描述原始乳腺X線圖像與處理后乳腺X線圖像間目標(biāo)結(jié)構(gòu)的相似性和處理后乳腺X線圖像內(nèi)最大可能功率與影響其精度的噪聲功率間的比值。結(jié)構(gòu)相似度指數(shù)越接近1，表示乳腺X線圖像處理效果越好。峰值信噪比同乳腺X線圖像清晰度之間成正比關(guān)系，峰值信噪比越高，表示乳腺X線圖像清晰度越高。

在480張乳腺X線圖像中隨機(jī)選取10張良性腫瘤和10張惡性腫瘤圖像，利用本文方法對所選圖像處理效果的客觀評價結(jié)果，如表1所示。

表1 圖像處理效果客觀評價

分析表1得到，利用本文方法對所選乳腺X線圖像進(jìn)行處理后，良性腫瘤圖像結(jié)構(gòu)相似度指數(shù)與峰值信噪比均值分別為0.91和36.36 dB，惡性腫瘤圖像結(jié)構(gòu)相似度指數(shù)與峰值信噪比均值分別為0.89和35.46 dB。惡性腫瘤圖像處理效果與良性腫瘤圖像處理效果相比稍差，主要原因在于惡性腫瘤形狀具有不規(guī)則性，因此在圖像處理過程中出現(xiàn)一定偏差。實驗結(jié)果顯示本文方法對乳腺X線圖像處理的效果較好，滿足實際應(yīng)用需求。

2.2 微小乳腺腫瘤診斷結(jié)果

為測試本文方法的應(yīng)用效果，以文獻(xiàn)[4]方法和文獻(xiàn)[5]方法為對比方法，采用3種方法對全部480張乳腺X線圖像進(jìn)行診斷，利用診斷精度ZJ、敏感性MG、特殊性TS、錯誤正比率CZ和錯誤負(fù)比率CF為指標(biāo)，評價不同方法的診斷性能。不同方法對全部乳腺X線圖像的診斷結(jié)果，如圖4所示。

圖4 不同方法診斷結(jié)果對比

分析圖4可知，本文方法診斷精度達(dá)到93.14%，明顯高于另外兩種方法，其他各評價指標(biāo)與對比方法相比也均有明顯提升。由此說明本文方法具有較好的實際應(yīng)用性能。

3 總結(jié)

本文針對微小乳腺腫瘤的診斷提出基于激光圖像處理技術(shù)的微小乳腺腫瘤精準(zhǔn)診斷方法。實驗結(jié)果顯示本文方法可提升微小乳腺腫瘤診斷精度近2%。在后續(xù)研究中主要針對具有不規(guī)則形狀的惡性腫瘤邊界信息模型問題進(jìn)行詳細(xì)研究。