淋巴結超聲造影圖像序列的特征提取

張 麒 戴 偉 韓 紅 王文平

(上海大學通信與信息工程學院1，上海 200072;復旦大學附屬中山醫院超聲科2，上海 200072)

淋巴結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

(上海大學通信與信息工程學院1，上海 200072;復旦大學附屬中山醫院超聲科2，上海 200072)

區分淋巴結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態顯示組織中的新生血管及其血流灌注，是診斷淋巴結病變的新興方法。針對病變淋巴結，提出一種從淋巴結超聲造影圖像中提取量化特征的方法，包括心動周期提取和子序列選擇、淋巴結分割、紋理特征提取、統計學檢驗。對29個病人的41個淋巴結病灶的實驗結果表明，提取的9個特征在良惡性淋巴結間存在顯著性差異(P<0.05)，有助于鑒別良惡性淋巴結。

特征提取 淋巴結 超聲造影 紋理特征 腫瘤

0 引言

淋巴結是淋巴系統的一部分，作用類似于過濾器，其內部包含淋巴細胞，能夠吞噬淋巴液中的病毒與細菌。淋巴結的病變包含反應性淋巴增生、淋巴結炎、淋巴瘤、轉移性惡性腫瘤等。其中反應性淋巴增生、淋巴結炎為良性病變，淋巴瘤、轉移性惡性腫瘤為惡性病變。淋巴結病變的良惡性判別對于疾病的診治具有重要意義。

超聲造影(contrast-enhanced ultrasound，CEUS)又稱聲學造影，是近年來超聲醫學的熱門研究領域。CEUS通過向血液中注射造影劑來增強血液的背向散射，經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，從而達到對疾病進行鑒別診斷的目的[1-7]。淋巴結超聲造影是診斷淋巴結病變的新興手段。診斷時，需要有經驗的醫生人工判讀CEUS圖像中淋巴結血流的增強情況并給出診斷結論。但人工判讀耗時耗力且存在較大主觀性，診斷結果和醫生的經驗有密切關系。因此需要計算機輔助診斷技術減輕醫生負擔并提高疾病診斷客觀性。本文通過計算機算法自動提取淋巴結量化特征，并且檢驗這些特征用于區分良惡性淋巴結的能力，從而為下一步計算機自動判別良惡性淋巴結作鋪墊[1]。

1 材料和方法

1.1 在體CEUS圖像的獲取及良惡性金標準

在體CEUS圖像序列采集自復旦大學附屬中山醫院超聲科。共獲得來自29個病人的41個淋巴結病灶的CEUS圖像序列，其中4個病例的5個病灶使用荷蘭飛利浦iU22系統，8個病例的10個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格式存儲于DVD中,便于離線分析。

所有病灶經病理或/和PET(正電子發射計算機斷層掃描)證實，其中陰性病灶均經病理證實，而陽性病灶經病理或/和PET證實。

1.2 心動周期提取和子序列選擇

造影劑灌注期間，血壓搏動引起的血管腔大小的變化將導致CEUS圖像的平均灰度值(average gray level，AGL)隨之變化[7]。本文通過選取一個包括淋巴結的矩形感興趣區域(region of interest，ROI)并計算其AGL的變化來提取心動周期信息。圖1為心動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、包含淋巴結病灶的矩形區域子圖，從該矩形區域計算AGL。AGL信號隨時間變化取決于兩個因素：造影劑灌入灌出信息(頻率較低)、動脈搏動引起的血管形態的改變(頻率為心跳頻率fr，在1 Hz左右)[2]。

圖1 心動周期提取和子序列選擇示意圖

AGL隨時間變化的信號可由時間強度曲線(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曲線上代表心動周期的頻段，從而獲得心動周期信息，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。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(0<β<1)。本文將α與β分別設為經驗值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，表示此時血液中的造影劑數量達到最大，如圖1(c)所示。在峰值幀前后各選取3個心動周期的子序列，然后對這些圖像幀(心動周期數量NC=6)求平均，得到時域平均圖像[8]。

1.3 時域平均圖像的分割

首先獲取時域平均圖像，提高圖像的信噪比；接著手工描記淋巴結輪廓，并通過插值運算自動連接成閉合曲線；最后對淋巴結區域進行自動閾值分割得到造影劑區域，即代表淋巴結內的新生血管[8-9]。

1.3.1 時域平均圖像的獲取

由上節得到用于計算時域平均圖像的幀數目為：

(1)

則最終得到經過時域濾波的時域平均圖像為：

(2)

1.3.2 淋巴結勾勒

時域平均圖像中，淋巴結形態各異且其回波特性與周圍組織非常相似，導致對淋巴結自動分割極其困難。本文使用人工交互方式對淋巴結的邊界進行手工勾勒：在淋巴結的邊界上點若干點，然后使用B樣條插值法對離散的點進行插值,從而得到光滑的閉合曲線，曲線所圍區域即為淋巴結[10]。

1.3.3 淋巴結內新生血管的自動分割

為了實現淋巴結內新生血管的自動分割，本文使用大津閾值(Otsu’sthresholding)法來獲取淋巴結區域的粗閾值T，但是該做法只考慮了淋巴結內部的對比增強而忽略了淋巴結外部組織的灰度值，所以對淋巴結內部灰度的變化非常敏感，可能造成誤分割[9]。因此，本文考慮淋巴結外的像素點灰度，得到修正后的自適應閾值為：

(3)

(4)

淋巴結內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占據整個淋巴結面積AP的比值AR為：

(5)

1.4 紋理特征的提取

在灰度圖像的淋巴結內部提取一階統計量特征和灰度共生矩陣(graylevelco-occurrencematrix，GLCM)特征。其中一階統計量特征包括：均值(mean)、標準差(standarddeviation，SD)、變異系數(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值的像素點對的個數。本文求GLCM時設定θ= 0°、 45°、 90°、135°;d= 1, 2, …, 15 pixel。為了減少計算量，本文把256個灰度級重新量化到8個灰度級，此時GLCM被縮減到8×8大小。

從GLCM中提取對比度特征：

Cont=∑i∑j|i-j|2p(i,j)

(6)

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

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像素點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像素點到新生血管中心的歸一化距離的標準差。假設分割后的二值圖像中代表血管的像素點數為np個，則DD和RSD定義為：

(7)

(8)

1.5 統計檢驗

本文使用t檢驗來評價所提取的特征區分良惡性淋巴結的能力，P值代表統計檢驗的顯著性水平，P<0.05表示在兩類間存在顯著性差異[10]。

2 實驗結果

本文算法均由MatlabR2013a實現。圖2、圖3分別給出了一例惡性淋巴結(轉移性惡性腫瘤)、一例良性淋巴結(反應性淋巴增生)的CEUS圖像分割結果。

定性觀察兩圖可以發現：惡性淋巴結中血管分布不均勻，且血管數量較少；而良性淋巴結中血管分布均勻且數量較多。

9個定量特征在良惡性淋巴結間存在的統計學差異如表1所示。

圖2 惡性淋巴結和內部血管分割示意圖

圖3 良性淋巴結和內部血管分割示意圖

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

特征P值均值±標準差良性惡性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 結束語

本文首先從淋巴結CEUS序列的時間強度曲線中提取心動周期信息，并計算時域平均圖像；然后對時域平均圖像進行分割，得到淋巴結內部新生血管；最后求取量化特征表征淋巴結特性。經統計學檢驗，本文提取的特征中有9個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淋巴結進行良惡性分類。在今后研究中，將從時間強度曲線上提取時間域特征，與本文提取的空間域特征相結合，通過設計支持向量機等分類器，共同對CEUS圖像中的淋巴結進行良惡性分類。

[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

國家自然科學基金青年基金資助項目(編號：61401267);

上海市自然科學基金資助項目(編號：12ZR1444100);

上海市教委人才計劃“晨光計劃”基金資助項目(編號：11CG45);

上海市教委科研創新基金資助項目(編號：12YZ026)。

張麒(1983-)，男，2010年畢業于復旦大學醫學電子學專業，獲博士學位，副教授；主要從事醫學圖像處理的研究。

TP391+.4;TH789

A

10.16086/j.cnki.issn1000-0380.201510010

修改稿收到日期：2014-12-11。