基于B超圖像的甲狀腺良惡性結節識別

張振宇,萬丹丹

（河北大學 電子信息工程學院,河北 保定 071000）

甲狀腺結節在臨床中十分常見，通過高分辨超聲發現，人群甲狀腺結節的患病率為19%～67%，其中，甲狀腺癌占5%～15%[1]。由于甲狀腺結節的發病原因未知，只有盡早地發現、確診，才能提高甲狀腺癌的治愈率。B超具有無創、動態和廉價等特點，已成為甲狀腺結節術前檢查的首選方法[2]。當前，醫學圖像的臨床分析主要通過醫生對圖像的定性判別來完成。使用的特征和診斷標準不同，缺乏圖像特征的定量度量以及視覺感知上的差異,導致不同醫生對于同一病例的診斷結果存在差異。

超聲圖像的分類已被廣泛應用于肝臟、乳腺等處的不同疾病的計算機輔助診斷中。但由于甲狀腺癌生物學特性多變，多源性多種性質結節并存，從臨床表現和影像學特征上與良性病變常難以區別，使得普通超聲成像在甲狀腺疾病的診斷上價值有限，因此,目前針對超聲圖像的甲狀腺結節良惡性識別的研究也相對較少。此外，現在的多數圖像識別方法都是以神經網絡作為分類器對圖像進行分類，而且針對病灶特征的提取不全面，導致分類結果不甚理想。支持向量機(SVM)是統計學習理論最年輕、最實用的內容，現已成為繼神經網絡之后新的研究熱點。本文將臨床鑒別甲狀腺結節良惡性的依據進行分類、量化，并選擇出類間距最大的5個向量作為支持向量機的輸入向量組合,對樣本進行識別分類。

1 甲狀腺結節超聲圖像的特征提取

在臨床應用中，醫生一般根據表1列出的特征來判別甲狀腺結節的惡性和良性[3]。由表1可知，惡性結節圖像和良性結節圖像在形狀、邊界、回聲和鈣化等特征上都存在不同，結節的良、惡性可以依據這些特征的差異區別開。

表1 甲狀腺結節良惡性鑒別點

1.1 病灶區域選擇

本文中所用的病灶區域圖像均由醫學專家劃定，這樣可以近似認為病灶區域圖像中心就是甲狀腺結節的中心。結節(無論良性或惡性)與正常組織的物理特性是有所不同的(如紋理、亮度等)，所以它們的圖像與周圍正常組織的圖像也是不同的。利用這一特性，可以把結節輪廓提取出來。

1.2 特征量化

1.2.1 形狀特征

良性結節的形狀主要是圓形、橢圓形，而惡性結節形狀往往是不規則的，因此，采用緊致度、不規則度分別對其進行量化。

緊致度(Compactness)度量了結節輪廓形狀與其等價圓的相似程度，定義為等價圓與形狀周長比的平方：

其中,A為結節區域面積，P為結節輪廓周長。當結節輪廓為圓時，緊致度值為1，否則小于1。

不規則度 (Irregularity)用來度量結節形狀的不規則程度。首先將圓形視為規則形狀，然后比較結節形狀與圓之間的重合程度(差異程度)，即：

此外，縱橫比 DWR(Depth-Width Ratio)也是臨床中甲狀腺結節超聲檢查常用的一個特征，它在一定程度上反映了結節的生長情況，如果結節的縱橫比小于1，則結節的惡性程度相對較低?？v橫比定義為結節的縱向長度與橫向寬度之比，即：

1.2.2 邊界特征

惡性結節的邊界特征是不清晰的，可以是微小分葉的、有角的以及毛刺狀等。對結節邊緣的清晰程度，采用邊界上點的銳度(Acutance)進行量化。

用一維高斯偏導核與結節邊界的垂直和水平坐標進行卷積，求取結節邊界上各點的法向方向。對于邊界上每一點P，設其法向方向上邊界內、外與點P距離i的像素灰度分別為 g(i)、h(i)(i=1,2,…，10),定義 P點處的邊緣銳度為：

結節的整體邊緣銳度定義為邊界上所有點歸一化銳度的均值：

其中，dmax為結節邊界上各點銳度絕對值的最大值。銳度Acu的最大值為1。

1.2.3 邊緣特征

關于惡性結節的邊緣特征是有包膜和聲暈。邊緣特征的量化可以利用結節邊界鄰近區域的灰度分布進行計算。采用半徑為12像素的圓盤結構對結節區域上的二值圖像進行腐蝕和膨脹操作，分別得到位于結節內、外部的兩條帶狀區域。

設邊界內、外帶狀區域內像素個數分別為n1、n2，灰度均值分別為 u1、u2。用類間方差（Intervariance）度量結節鄰近邊界的內、外區域之間灰度的統計差異：

InterVar越大，則結節邊界內、外鄰近區域的灰度越可能存在統計意義上的差異。通過進行歸一化處理，使其與灰度絕對值無關，定義平均可分性(Average separability)為：

其中，TotalVar為邊界內、外帶狀區域所有像素灰度的方差。平均可分性的最大值為1。

1.2.4 衰減特征

后方回聲采用衰減系數進行量化。在結節區域后方灰度變化最大的方向上選取一個矩形區域，其高和寬與結節邊界框的高和寬相等。衰減系數AC(Attenuation Coefficient)定義為結節區域和其后方區域灰度均值的比值：

其中，utumor為結節區域灰度均值，upott為后方區域灰度均值。

1.2.5 回聲模式

內部回聲可能有高回聲、等回聲、低回聲、混合回聲和無回聲等情況,回聲的高低是甲狀腺結節相對周圍組織的回聲強度而言的。可以采用相對亮度RB(Relative Brightness)進行量化，即結節內部區域灰度均值與結節外部區域的灰度均值之比：

RB在一定程度上與成像儀器和設置參數有關。

1.2.6 鈣化特征

在高頻超聲圖像上，鈣化可分為微鈣化(≤1 100 u的針尖樣強光點)、粗鈣化(>1100 u的強光團)和弧形鈣化(腫塊表面弧形或環形強光帶后伴聲影)3種類型。經臨床證實，惡性組中鈣化檢出率明顯高于良性，而且大部分為微鈣化。針對此種特性，采用鈣化度(Calcification)進行量化。

設鈣化≤1 100 u的強光點內像素個數為v1,微鈣化點的個數為n，結節內像素點總數為v，鈣化度定義為：

過腔的特征主要有音調的依附性、或0性（即可去過腔）、音樂材料的以主調和級音為主性、構式的多樣性、音數的不定性、起音的眼位性、樂音進行的級進性、節奏的頓逗性等。下面僅以音調的依附性、音數的不定性、結構的類型性和構式的多樣性三點為例。

1.3 特征選擇

前面提取了緊致度、不規則度、縱橫比和銳度等9個特征，但不是所有的特征都能有效地用于后續的識別。特征選擇是為了能夠更好地對超聲圖像進行分類，排除那些對圖像識別貢獻很小或沒有貢獻的特征，以達到減少運算量、降低特征空間維數的目的。為了將良性結節和惡性結節的特征進行直觀的對比，采用計算類間距的方法，統計各個特征量不同類別的均值和方差，并在此基礎上計算出類間距。對于某一個特征x而言，第i類和第j類類間距離D為：

其中，μxi為第 i類特征向量的均值，μxj為第 j類特征向量的均值,σxi為第 i類的特征向量的方差，σxj為第 j類的特征向量的方差。各類特征的類間距如表2所示。

表2 各特征的類間距

類間距D越大，則表示該特征對于分類識別的能力越強。由表2可以觀察到有5個特征的類間距大于1，分別是不規則度、衰減系數、縱橫比、緊致度和鈣化度，說明這5個特征對于甲狀腺結節的良惡性識別能力較強。其中,不規則度特征的類間距為1.954 7，表明結節不規則度是區分結節的良惡性最有效特征。本文提取不規則度、衰減系數、縱橫比、緊致度和鈣化度作為特征向量組合，對樣本進行識別。

2 支持向量機原理

SVM是基于統計學習理論發展而來的一種新的機器學習方法[4]。其基本思想是：通過分析相關性找到空間映射函數，將輸入向量映射到高維特征空間，在映射后的空間中尋找一個最優的分界面(超平面)。在尋找最優分界面時，依據結構風險最小化原則，得到的最優分界面不但能將兩類無錯誤地分開,而且使兩類分類間隔(Margin)最大，并巧妙地利用原空間的核函數代替高維特征空間中的點積，避免了復雜計算。

SVM的分類算法如下：

設線性可分的訓練樣本集為：

D維空間中分類分界面的方程為：

對式(13)進行歸一化，使得訓練樣本集滿足：

在此約束條件下對αi求解下列函數的最大值：

這是一個不等式約束下二次函數尋優的問題，存在唯一解。容易證明，通常解中只有少部分αi不為零，則其對應的樣本就是支持向量。求解上述問題后得到的最優分界面分類函數為：

式(17)的求和實際上只對支持向量進行，b是分類閾值，可用任意一個支持向量求得。

SVM的算法流程如圖1所示。

K(xi,xj)被稱為核函數，SVM的基本核函數主要有線性核函數、多項式核函數、徑向基函數和Sigmoid函數：

線性核函數：K(xi,xj)=xiTxj；

多項式核函數：K(xi,xj)=(γxiTxj+r)d,γ>0；

徑向基函數：K(xi,xj)=exp(-γ‖xi-xj‖2),γ>0；

Sigmoid 函數：K(xi,xj)=tanh(γxiTxj+r)。

3 實驗

本文訓練樣本共有70張圖像，其中惡性39張，良性31張。這些圖像來自20歲到45歲病人，采集的時間為2011年12月1日到2012年9月1日。這些圖像都是經過醫院專家診斷且經過術后病理證實的病例。所用的超聲診斷儀為Philips iU22及HDI 5000 Sono彩色超聲診斷儀，探頭頻率為7 MHz～12 MHz。由本文第二部分可知，提出的系統有調節參數C和核函數兩個參數需要確定，這兩個參數對分類精度至關重要。

為了確定使用何種核函數，將樣本集分為兩組，分別用這4種核函數對訓練樣本進行學習分類。4種不同的核函數的分類識別結果如表3所示。

表3 使用不同核函數的分類結果

從表3可以看出，非線性的分類器(如多項式核函數和徑向基函數等核函數)具有較高的準確率，線性的分類器結果稍差，而Sigmoid函數由于不具有穩定性，導致分類結果不很理想。其中，徑向基函數的識別準確率最高，本篇選擇徑向基函數作為核函數進行分類。

經過驗證，C=100，σ=0.5時,診斷系統處于最佳狀態。

甲狀腺結節良惡性的診斷需要綜合運用臨床、影像和病理學等知識和技術手段，早發現、早治療仍然是現階段有效提高惡性結節治愈率的主要措施。本文將各類特征進行精確量化，選取緊致度、不規則度、縱橫比、衰減系數和鈣化度作為特征向量組，采用徑向基函數作為支持向量機的核函數進行分類。該識別方法對甲狀腺結節超聲圖像具有較高的分類準確性,準確率達到91.25%，有望提高甲狀腺癌超聲早期診斷的準確性。

[1]POLYZES S A，KITA M，AVRAMIDIS A.Thyroid nodules-stepwise diagnosis and management[J].HORMONES，2007，6(2)：101-119.

[2]羅斌鈺，趙詠桔.超聲檢查在甲狀腺結節術前鑒別診斷中的作用——一項2890患者、4 165結節的超聲-病理分析[J].中華內分泌代謝雜志，2010，26(4)：282-284.

[3]呂珂，姜玉新,張縉熙，等.甲狀腺結節的超聲診斷研究[J].中華超聲影像學雜志，2003，12(5)：285-288.

[4]張學工.關于統計學習理論與支持向量機[J].自動化學報，2000，26(1)：32-41.