計算機輔助診斷技術在超聲醫學中的應用進展

畢 珂 ，王 茵

1. 同濟大學附屬上海市肺科醫院超聲科，上海 200433；

2. 同濟大學附屬同濟醫院病理科，上海 200065

超聲作為醫學實踐中常用的影像學技術之一，一直被應用于臨床一線，尤其是在甲狀腺、乳腺、心血管和婦產等領域具有獨特的優勢。與其他影像學方法相比，超聲具有實時成像、無創傷和無電離輻射的優點。但是在醫師能夠正確解讀超聲圖像之前，需要經過大量的培訓，且學習周期長、學習難度大，不同操作者對圖像的解讀具有差異性。

計算機輔助診斷（computer aided diagnosis，CAD）在超聲中的應用應運而生。早在20世紀60年代，就已有計算機數字圖像分析的報道［1］，而近年來興起的深度學習技術正在加速CAD的推廣和應用。

1 傳統超聲CAD技術

傳統CAD技術需要人工進行特征提取，然后將特征向量化后進行機器學習［2］。這種訓練方法易于理解，因為其結果是依據輸入的特征運算的，可以有效提高訓練的效率和準確率，降低運算的復雜度，但該方法的局限性也十分明顯，對大量數據的特征提取需要的人力成本較高，且可能出現人為偏倚，另外還存在一些潛在的特征不能被機器主動發現的問題［3］。

超聲圖像中的常見特征有形態、紋理、反向散射回波和特征描述符等［4］。

1.1 形態

形態特征的范圍較廣，是超聲圖像人工解讀的通用特征，其中最常見的是縱橫比和邊緣光整度。

1.1.1 縱橫比

縱橫比是腫瘤良惡性分類中的重要指標。惡性病灶由于其侵襲性和對營養的掠奪性，呈縱向生長，縱橫比多＞1，而良性病灶多呈橫向的膨脹性生長，縱橫比＜1［5-8］。

1.1.2 邊緣光整度

邊緣光整度反映病灶與周圍組織的關系，惡性病灶多無包膜或包膜不完整，與周圍組織分界模糊，邊緣不光整，而良性病灶通常擁有完整的包膜結構，邊緣光整度高。這一特征可以被量化并納入CAD的計算過程中［9］。

1.2 紋理

紋理是影像學CAD中常用的特征之一，它將人眼觀察到的圖像經過運算而量化［10］，反映其中呈規律性變化的排列特征，不斷重復的、局部一致的、隨機出現的圖像灰度分布特點可以被用于對圖像內容的區分［11-13］。該特征具有良好的抗噪能力，被廣泛用于對各種圖像的識別和場景的分類，但其只注重局部特征的分析和提取，不能兼顧整體圖像特征，且該方法是對排列特征的描述，不能反映圖像中物體的本質屬性。

常用的紋理分析方法有統計法、結構法和頻譜法。

1.2.1 統計法

統計法利用像素的灰階和相對位置建立“灰階共生矩陣”，計算反映圖像均勻性的“二階矩”、反映隨機性的“熵”、反映相鄰像素差異的“對比度”，進而對比不同類圖像的差異［14］。該方法最易被理解和接受，技術難度較低。

1.2.2 結構法

結構法將圖像中復雜的紋理結構視為一些簡單紋理單元的有序排列，確定了紋理單元和排列方法就可以輕松地將圖像量化，從而進行統計對比［15］。

1.2.3 頻譜法

常用的獲取圖像頻譜的方法為“傅里葉變換”和“蓋伯變換”。若頻譜中出現明顯的峰值，即對應一個明顯的紋理，其強度、方向和周期性可作為圖像識別的分類指標；另外，除去峰值的非周期性信息也可以被利用。

具有“數字顯微鏡”之稱的小波變換是另一種常用的方法，這種方法更適用于處理自然科學領域中的非平穩信號［16］。小波指的是一種能量在很短的時間內非常集中的波，它能量很小，以某一點為中心波動，可以是不規則或不對稱的，但各方向的積分最終為零。按行和列可以對圖像進行反復多次的小波分解和重構，這一過程可以不斷突出其中最具代表性的波，從而達到濾過雜波獲得小波特征的效果。

1.3 反向散射回波

超聲成像是依據超聲波的反射實現的，除此之外，散射、折射也會形成獨特的圖像特征。學者們依據不同組織的反向散射回波特征建立多種模型，再將模型應用于圖像的分析中，對比模型參數進行組織類型的分類。其中Nakagami模型和K分布模型已經在超聲CAD中得到了廣泛的應用［17-18］。

1.4 特征描述符

特征描述符這類特征是根據診斷經驗人為規定的，是特定病種診斷中醫師關注的特點，例如乳腺影像報告和數據系統（Breast Imaging Reporting and Data System，BI-RADS）和甲狀腺影像報告和數據系統（Thyroid Imaging Reporting and Data System，TI-RADS）中提及的形狀、內部回聲、后方回聲變化及鈣化等［19］。

2 應用深度學習的新型超聲CAD技術

1943年，McCulloch和Pitts［20］最早提出了人工神經網絡、人工神經元的概念和模型。經過半個多世紀的發展與完善，2006年Hinton等［21］的深度學習網絡突破諸多瓶頸，實現了強大的特征學習能力。

深度學習是將普通的事物特征抽象化（將低級別特征轉化為高級別特征），從而實現對特征進行描述、識別和分類的一種機器學習技術。深度學習無監督的學習方式、特征數據較強的代表性，都極大地推動了它在圖像識別、語義分析和疾病診斷等多個領域的發展。

與傳統CAD不同的是，深度學習可以不依據人工提取的特征進行后續的圖像處理。有學者［22］指出，深度神經網絡提取的特征有時比人類設計的特征更有效。大量超聲CAD模型的成果構建和優秀的診斷能力也證明了這一點。

2.1 超聲CAD在乳腺、甲狀腺病變診斷中的應用

超聲是乳腺、甲狀腺等淺表器官最常用的影像學診斷方法，高分辨率的圖像、多模式的成像方法、便捷的操作性能使超聲成為一線診斷方法。超聲方面的CAD技術開發的也較早，基于BI-RADS、TI-RADS特征描述符的傳統卷積神經網絡分類［6-8］和新型的棧式深度多項式網絡集成學習框架［23］均有應用報道，其準確率可達到90.90%～97.50%［23-24］。

2.2 超聲CAD在頸動脈病變診斷中的應用

頸動脈是超聲檢測動脈硬化程度最常用的區域，其內中膜厚度是重要的指標。為了更快速、準確地獲知其厚度，有學者應用深度學習中的自動編碼器算法進行圖像分割，從而實時獲取精準的內中膜厚度數據，誤差僅為（5.79± 34.42）μm［25］。另外，卷積神經網絡模型對斑塊的脂質核心、纖維帽、鈣化灶的檢測與臨床評估具有90%的相關性［26］。

2.3 超聲CAD在肝臟疾病診斷中的應用

超聲診斷的肝臟疾病包括彌漫性和局限性病變。肝纖維化作為彌漫性疾病的代表一直備受關注，Meng等［27］利用深度卷積神經網絡（VGGNet和FCNet）將纖維化程度分為正常、早期和晚期三級，獲得了93.90%的準確率。Liu等［28］將彈性成像等量化數據加入分類特征中，將診斷準確率提高到了96.80%。

2.4 超聲CAD在其他疾病診斷中的應用

除了上述成果之外，更多領域的超聲CAD應用結果也逐漸被報道。Hetherington等［29］將超聲CAD應用于椎間位置的檢測，從而輔助麻醉進針位置的選取；Burlina等［30］對肌炎、皮肌炎的超聲圖像CAD技術進行了研究，獲得了76.2%的分類準確率；Yu等［31］將超聲CAD技術用在胎兒標準平面的分析中，得到了比傳統方法高的準確率（93.03%）。還有更多的應用范圍和技術手段正在探索和應用中。

3 小 結

本研究總結并分析了超聲CAD技術國內外的相關文獻，分別介紹了CAD的原理和其在超聲醫學中的應用現狀。

對于傳統CAD技術而言，特征的人工提取對最終的性能影響最大。其中，紋理特征是最早采用的一種特征，但由于該特征很難被人眼直接解讀，需要通過軟件轉換，因此很難被接受和推廣。而形態特征因其直觀性被逐漸應用，該特征可以將現有經驗和診斷指南納入運算，再結合其他的特征描述符進一步提高診斷性能。但傳統CAD技術的局限性也很突出，大量的人力成本和自主探索能力的不足使其難以跟上現代醫學快速發展的步伐。

隨著深度學習技術的發展，新型CAD技術實現了利用深度學習網絡自主探索和提取特征，并且只需人工進行簡單的修正和校對即可完成大批量的工作。新型CAD技術極大地提高了學習效率，并實現了對人類未知領域的探索。但該技術仍有不足，類似黑匣子的深度學習網絡很難用人類語言解讀，給人工干預造成了極大的困難。

目前，超聲CAD的相關研究十分豐富，從淺表器官到深部臟器，圖像識別到功能探索都已有相關報道，并獲得了較好的研究成果。但這些研究都存在著標準不統一、數據樣本較小等不足。 綜上所述，超聲CAD技術的發展十分迅速，將會是未來超聲醫學重要的趨勢之一。隨著技術的不斷更新發展，多維度、多模式、多參數的影像學CAD系統日益強大，將極大地改善現有的臨床工作流程，有望達到醫學工學相結合、人腦電腦相融合的更高境界。