發(fā)布時(shí)間：所屬分類：醫(yī)學(xué)職稱論文瀏覽：1次
摘 要： 摘要:淋巴結(jié)病變的診斷對(duì)于患者的治療具有重要意義。在淋巴結(jié)病變的臨床超聲診斷中，通常只使用單一模態(tài)的B型超聲圖像。有時(shí)會(huì)采集B型超聲和彈性超聲或者采集B型超聲和超聲造影(CEUS)的雙模態(tài)圖像，很少情況下會(huì)采集全部三個(gè)模態(tài)圖像。為了提高B型單模態(tài)的診
摘要:淋巴結(jié)病變的診斷對(duì)于患者的治療具有重要意義。在淋巴結(jié)病變的臨床超聲診斷中，通常只使用單一模態(tài)的B型超聲圖像。有時(shí)會(huì)采集B型超聲和彈性超聲或者采集B型超聲和超聲造影(CEUS)的雙模態(tài)圖像，很少情況下會(huì)采集全部三個(gè)模態(tài)圖像。為了提高B型單模態(tài)的診斷性能，提出一種基于特權(quán)信息學(xué)習(xí)的淋巴結(jié)病變計(jì)算機(jī)輔助診斷(CAD)方法，在訓(xùn)練階段使用三個(gè)模態(tài)圖像，在測(cè)試階段只使用B型。分別提取B型、彈性超聲和CEUS圖像的量化特征;在CAD模型中，訓(xùn)練樣本為B型、彈性超聲和CEUS多模態(tài)數(shù)據(jù)，測(cè)試樣本只有B型;通過(guò)訓(xùn)練樣本學(xué)習(xí)，得到結(jié)合特權(quán)信息的支持向量機(jī)(SVM+)模型，使用該模型對(duì)測(cè)試樣本進(jìn)行分類。試驗(yàn)結(jié)果表明，該方法的分類準(zhǔn)確率、精度、敏感性、特異性和約登指數(shù)達(dá)到0.85、0.93、0.88、0.77和0.65，相較單模態(tài)B型超聲訓(xùn)練的CAD模型，其分類結(jié)果分別提升了0.08、0.02、0.08、0.08和0.16。基于特權(quán)信息學(xué)習(xí)，提高了診斷精度，提升了計(jì)算機(jī)輔助診斷的性能。
關(guān)鍵詞:淋巴結(jié)病變;B型超聲;超聲彈性成像;超聲造影;多模態(tài);特權(quán)信息學(xué)習(xí)
0引言淋巴結(jié)疾病是一種發(fā)病率增長(zhǎng)快的疾病[1]。有效地區(qū)分淋巴結(jié)病變的良惡性、及早地確診淋巴結(jié)病變，能減少淋巴結(jié)病變對(duì)人體的侵害、提升治愈率、降低術(shù)后風(fēng)險(xiǎn)。超聲是淋巴結(jié)病變的常用診斷手段。在淋巴結(jié)病變的臨床超聲診斷中，通常只使用患者單一模態(tài)的B型超聲圖像[2]。有時(shí)會(huì)采集B型超聲圖像和彈性超聲圖像、B型超聲圖像和CEUS圖像序列的雙模態(tài)影響信息，而很少情況下會(huì)采集這三個(gè)模態(tài)的全部信息[3]。
特權(quán)信息學(xué)習(xí)作為一種新型的機(jī)器學(xué)習(xí)模式，與傳統(tǒng)機(jī)器學(xué)習(xí)不同[4]。在模型訓(xùn)練階段，特權(quán)信息學(xué)習(xí)利用一些只能在訓(xùn)練樣本中獲取而不能在測(cè)試樣本中提供的特權(quán)信息來(lái)輔助機(jī)器學(xué)習(xí)模型的訓(xùn)練。所以，當(dāng)臨床診斷中只有一個(gè)模態(tài)的影像數(shù)據(jù)時(shí)，可以使用預(yù)先由特權(quán)信息學(xué)習(xí)訓(xùn)練好的模型來(lái)輔助診斷[5]。
本課題已經(jīng)擁有可用于訓(xùn)練的雙模態(tài)甚至三模態(tài)影像數(shù)據(jù)。為了應(yīng)對(duì)臨床實(shí)踐中只有單一B型模態(tài)用于診斷的普遍情形，本文提出一種基于特權(quán)信息學(xué)習(xí)的淋巴結(jié)病變良惡性判別的計(jì)算機(jī)輔助診斷(computer-aideddiagnosis，CAD)系統(tǒng)[6]。
1材料和方法
1.1圖像采集與預(yù)處理
本文樣本均來(lái)自復(fù)旦大學(xué)附屬中山醫(yī)院超聲科，共獲得來(lái)自94個(gè)病人的133個(gè)淋巴結(jié)病變病灶(42例良性，91例惡性)數(shù)據(jù)。這42例良性病灶中:13例有B型超聲圖像、超聲彈性圖像和超聲造影(contrast-enhancedultrasound，CEUS)圖像序列三個(gè)超聲模態(tài)的數(shù)據(jù)，另外29例有B型超聲圖像、CEUS圖像序列兩個(gè)模態(tài)的數(shù)據(jù)。91例惡性病灶中:49例有B型超聲圖像、超聲彈性圖像和CEUS圖像序列三個(gè)超聲模態(tài)的數(shù)據(jù)，另外42例有B型超聲圖像、CEUS圖像序列兩個(gè)模態(tài)的數(shù)據(jù)。采集的B型超聲圖像和超聲彈性圖像均以靜態(tài)圖片的形式保存，CEUS圖像保存為音頻視頻交織(audiovideointerleaved，AVI)或者醫(yī)學(xué)數(shù)字成像和通信標(biāo)準(zhǔn)(digitalimagingandcommunicationinmedicine，DICOM)格式的視頻序列文件，以供后續(xù)離線分析。
推薦閱讀：醫(yī)師論文怎么樣投稿
B型和超聲彈性成像采用意大利百勝(Esaote)公司的Mylab90彩色超聲診斷儀，探頭采用線性陣列探頭L523，頻率為4～13MHz。在超聲彈性圖像中，彈性感興趣區(qū)域由表示組織硬度的彩色RGB圖像疊加在B型灰階圖像上構(gòu)成[4]。從彩色彈性到軟度轉(zhuǎn)變圖，如圖1所示。
圖1中:顏色條表示組織彈性。顏色條每一行中的顏色均表示相同的彈性應(yīng)變值，反映了對(duì)應(yīng)組織的軟硬程度。根據(jù)顏色條將色彈性圖轉(zhuǎn)化為范圍從0(硬)到1(軟)的彈性應(yīng)變值信息的灰度圖像。大多數(shù)淋巴結(jié)病灶臨床CEUS圖像序列使用百勝M(fèi)yLabTwice系統(tǒng)采集，一部分病灶數(shù)據(jù)使用飛利浦iU22系統(tǒng)采集。
本文在B型超聲圖像上確定淋巴結(jié)位置，并使用實(shí)時(shí)壓縮感知跟蹤算法[7]定位病灶在視頻中各幀的位移情況，再將其映射到CEUS圖像序列上，從而得到CEUS病灶跟蹤結(jié)果。
1.2B型和超聲彈性圖像特征提取
利用計(jì)算機(jī)自動(dòng)算法，分別從B型和超聲彈性圖像中的病灶區(qū)域提取量化特征。根據(jù)特征的物理意義，B型和超聲彈性圖像均含以下3類特征。一階統(tǒng)計(jì)量特征[8]包括中值、均值、標(biāo)準(zhǔn)差、變異系數(shù)、亮度熵、偏度等。灰度共生矩陣(graylevelco-occurrencematrix，GLCM)特征[9]，包括對(duì)比度、能量、均一度和熵等。針對(duì)每幅圖片分別計(jì)算0°、45°、90°和135°這4個(gè)方向的1～15像素偏移量的GLCM，然后對(duì)4個(gè)方向上的結(jié)果求均值，最終得到60個(gè)特征。二值圖像特征[10]包括:面積比、1/3內(nèi)部面積比、2/3外部面積比、內(nèi)部面積與外部面積比的比值、中心偏離度、離散度、徑向偏離度等。B型(B，左上)和彈性(E，左下)雙模態(tài)超聲圖像特征提取如圖2所示。圖2B型(B，左上)
此外，由于病灶的形態(tài)、尺寸對(duì)淋巴結(jié)病變的診斷非常有意義，本文還在B型超聲圖像上計(jì)算了病灶的形態(tài)學(xué)特征。形態(tài)學(xué)特征包括面積、凸面積、周長(zhǎng)、等效直徑、長(zhǎng)軸和短軸長(zhǎng)度等。
1.3CEUS圖像序列特征提取
運(yùn)用影像組學(xué)，對(duì)運(yùn)動(dòng)補(bǔ)償后的CEUS圖像進(jìn)行時(shí)空域特征提取，得到312維特征。
①時(shí)域特征。
計(jì)算每幀圖像的平均灰度值，得到平均灰度隨時(shí)間變化的曲線(time-intensitycurve，TIC)，如圖3所示。從TIC提取峰值增強(qiáng)強(qiáng)度(peakenhancement，PE)、達(dá)峰時(shí)間(timetopeak，TOP)、曲線下面積(areaunderthecurve，AUC)等9個(gè)量化特征[11]。本文基于有無(wú)運(yùn)動(dòng)跟蹤、有無(wú)低通濾波相互組合的4種情況，提取共9×4=36個(gè)時(shí)域特征。
②空域特征。
TIC達(dá)到峰值時(shí)的圖像幀稱為峰值幀。以峰值幀為中心、前后均取若干幀平均得到的圖像稱為時(shí)間平均圖像。本文從有運(yùn)動(dòng)補(bǔ)償?shù)臅r(shí)間平均圖像、無(wú)運(yùn)動(dòng)補(bǔ)償?shù)臅r(shí)間平均圖像、峰值幀圖像3種圖像中，分別提取92個(gè)空域特征，共92×3=276個(gè)特征。92個(gè)特征包括如下。①一階統(tǒng)計(jì)量:中值、直方圖熵等共18個(gè)統(tǒng)計(jì)學(xué)特征。②灰度共生矩陣紋理特征:對(duì)比度、能量、均一度、熵。在像素間隔0，1，...，15時(shí)分別計(jì)算，因此共含4×15=60個(gè)特征。③二值圖像特征:用大津閾值法[10]將灰度圖轉(zhuǎn)為二值圖。提取1n外部面積比值、中心偏移度、徑向偏離度、離散度、內(nèi)部面積比與外部面積比的比值、徑向離散度等共14個(gè)特征。
1.4分類器設(shè)計(jì)
本文根據(jù)所提取的B型超聲圖像、彈性超聲圖像和CEUS圖像序列3個(gè)模態(tài)的特征，用5折交叉驗(yàn)證[12]的方式把樣本劃分為訓(xùn)練集和測(cè)試集。同時(shí)，使用主成分分析法[13]，對(duì)直接提取的特征進(jìn)行降維后，選擇特征值和大于95%特征值總和時(shí)對(duì)應(yīng)的特征維數(shù)，再將這些降維后的特征輸入到分類器進(jìn)行分類。
1.5試驗(yàn)方案
本文在CAD模型訓(xùn)練階段，使用B型作為標(biāo)準(zhǔn)信息、彈性超聲和CEUS作為特權(quán)信息，通過(guò)三個(gè)模態(tài)信息構(gòu)建基于特權(quán)信息的CAD模型;在測(cè)試階段，只使用B型以實(shí)現(xiàn)對(duì)淋巴結(jié)病變的單模態(tài)超聲診斷。同時(shí)，作為對(duì)比試驗(yàn)，本文還設(shè)計(jì)了B型作為標(biāo)準(zhǔn)信息、彈性超聲或CEUS作為特權(quán)信息、B型和彈性超聲作為標(biāo)準(zhǔn)信息，CEUS作為特權(quán)信息、B型和CEUS作為標(biāo)準(zhǔn)信息，彈性超聲作為特權(quán)信息的方案。
2結(jié)果與分析
將B型超聲圖像特征記為B、超聲彈性圖像特征記為E、CEUS圖像序列特征記為C;特權(quán)信息用(*)表示;標(biāo)準(zhǔn)信息、特權(quán)信息和分類器的組合用(-)表示。分類指標(biāo)為敏感性(Sen)、特異性(Spc)、精度(Pre)、準(zhǔn)確率(Acc)和約登指數(shù)(YI)。標(biāo)準(zhǔn)信息只包含B、包含B和E或C的兩種模態(tài)的分類結(jié)果如下。
2.1單模態(tài)標(biāo)準(zhǔn)信息分類結(jié)果
①B作為標(biāo)準(zhǔn)信息，E*、C*和E*串聯(lián)C*分別作為特權(quán)信息，特權(quán)學(xué)習(xí)結(jié)果如表1所示。良性∶惡性=13∶49。
由表1可見(jiàn)，即使在B型超聲單模態(tài)情況下，傳統(tǒng)SVM模型也能得到一定的分類效果。但由于本文所用樣本量較小，特異性較低。B-E*-SVM+的結(jié)果表明，增加了E*作為特權(quán)信息之后，分類的Spc、YI得到顯著提升由0.69到0.92和0.49到0.64，分別提高了0.23和0.15。B-C*-SVM+的結(jié)果表明，增加了C*作為特權(quán)信息，使得在保持分類精確度的情況下敏感性和特異性更加均衡;相對(duì)單模態(tài)B型超聲，由0.80和0.69改善為0.76和0.85。增加了E*和C*特權(quán)信息的B-E*-C*-SVM+，在本組試驗(yàn)中取得了最好的Acc和YI，分別為0.85和0.93。由此說(shuō)明，特權(quán)信息的引入使得分類器的模型更加完善。②B作為標(biāo)準(zhǔn)信息，C*作為特權(quán)信息，特權(quán)學(xué)習(xí)結(jié)果如表2所示。良性∶惡性=42∶91。
表2的情況同表1，但表2試驗(yàn)的樣本量更大，良惡性樣本的比例更加均衡。因此，表2的分類約登指數(shù)更高，整體分類效果更好。
2.2雙模態(tài)標(biāo)準(zhǔn)信息分類結(jié)果
①B串聯(lián)E作為標(biāo)準(zhǔn)信息，C*作為特權(quán)信息，特權(quán)學(xué)習(xí)，結(jié)果如表3所示。良性∶惡性=13∶49。
與前兩組試驗(yàn)不同，表3和表4的試驗(yàn)中，標(biāo)準(zhǔn)信息包含兩種模態(tài)的信息，特權(quán)信息分別為CEUS信息和彈性信息。表3中的B-E-C*-SVM+相較B-ESVM的Acc、Pre、Sen、Spc、YI，分別提高了0.08、0.03、0.08、0.07、0.16;表4中的B-C-E*-SVM+相較B-C-SVM的Acc、Pre、Sen、Spc、YI，分別提高了0.04、0.04、0.02、0.15、0.17。這些結(jié)果同樣表明，特權(quán)信息的加入使得分類效果更好。
試驗(yàn)結(jié)果表明，增加特權(quán)信息的學(xué)習(xí)算法SVM+能提高分類準(zhǔn)確度，在臨床診斷上具有一定的前景。