基于遷移學習的乳腺腫瘤超聲圖像智能分類診斷

，*， ， ，

(1.暨南大學附屬第一醫院醫學影像中心，廣東 廣州 510630；2.廣東財經大學信息學院，廣東 廣州 510630)

早期檢測和診斷乳腺癌對治療方案的選擇至關重要[1-3]。目前超聲已廣泛應用于乳腺癌的臨床診斷和治療[4]。但聲像圖分辨率低，器官之間邊界模糊、噪聲較多，使判讀圖像難度較大；此外，乳腺圖像判讀的主觀性強，易致漏診或誤診[5-6]。研究利用人工智能和數字圖像處理等技術，輔助臨床提高超聲診斷乳腺腫瘤的準確率、降低漏診率及誤診率具有重要意義[7-8]。常規醫學影像計算機輔助診斷(computer-assisted diagnosis， CAD)分為3步：①圖像預處理與邊緣檢測；②圖像特征提取；③圖像分類，將量化的圖像特征數據作為輸入，通過構造分類器識別圖像中的復雜模式，從而最終區分各種病變。目前常用的圖像分類方法為決策樹(decision tree, DT)、貝葉斯分類器(bayes classifier, BC)、神經網絡(neural network, NN)及支持向量機(support vector machine, SVM)等。分類器是基于特定的樣本數據集訓練而獲得，通?？蛇_到預期效果；但對新的圖像樣本，分類器需重新訓練，適應性有限，且工作重復[9-10]。

新人工智能方法遷移學習運用自身已學習并存有的知識對相關領域內的不同問題進行求解[11-12]。遷移學習能挖掘2個相互關聯但又彼此不同的圖像間的某些特征和變化，使標注數據和其他監督信息可在相互關聯的圖像之間實現遷移和重復使用[13-14]。本研究采用遷移學習對乳腺腫瘤聲像圖進行分類，以期提高人工智能方法對超聲圖像的分類效率。

1 資料與方法

1.1 一般資料 選取2014年1月—2017年8月于我院接受手術治療并經病理證實為乳腺腫瘤的447例(447個病灶)患者，均為女性，年齡15～90歲，平均(40.5±14.0)歲。根據病理結果將其分為2組，良性組315例，年齡15～85歲，平均(35.6±11.8)歲，病灶最大徑0.32～5.20 cm，平均(2.21±0.90)cm；惡性組132例，年齡29～90歲，平均(51.9±12.3)歲，病灶最大徑0.40～10.30 cm，平均(2.60±1.47)cm。本研究經我院倫理委員會批準，所有患者均簽署知情同意書。

1.2 儀器與方法 采用Philips iU22、iU-Elite超聲診斷儀，高頻線陣探頭，頻率10～16 MHz。囑患者取仰臥位或側臥位，常規掃查雙側乳腺及腋窩，記錄病灶大小、形態、邊緣、內部回聲、后方回聲、鈣化及縱橫比等特征。根據2013年美國放射學會的乳腺影像報告和數據系統(breast imaging reporting and data system， BI-RADS)第2版標準進行分類，BI-RADS 2～3類為良性，4～6類為惡性。由2名超聲科主治醫師采用盲法完成，意見不同時經討論達成一致。

1.3 圖像預處理 為減少原始聲像圖中病灶周圍組織對提取病灶邊緣的干擾，以手工方式選取ROI(圖1、2)。

1.4 邊緣檢測 對Roberts、Sobel、Prewitt、Log和Canny算子進行對比，選擇合適的邊緣檢測算子。圖3和圖4分別為1例良性和1例惡性乳腺腫瘤聲像圖邊緣提取結果對比，其中采用Roberts、Sobel和Prewitt算子對圖像的邊緣檢測效果不理想，Sobel與Prewitt算子的檢測效果相近，Log算子檢測效果一般，Canny算子的檢測效果較好，本研究最終選取Canny算子。

1.5 特征提取 采用主成分分析(principal component analysis, PCA)方法提取乳腺聲像圖中腫瘤紋理、邊緣鋒銳程度、腫瘤幾何形狀、腫瘤圖像亮度特征、回聲特性等特征[2]的所有變量，刪去重復和相互關聯的變量，建立兩兩不相關的新變量，使新變量盡可能少，保留反映乳腺腫瘤原有特征的信息。通過PCA方法分析，選擇的計算機定量分析特征指標包括腫瘤面積、堅固度、邊緣粗糙度、鄰域灰度差矩陣(neighborhood gray-tone difference matrix, NGTDM)粗糙度、腫塊后方與周圍區域回聲差異、水平方向高頻分量和垂直方向低頻分量的直方圖(horizontal high frequency and vertical low frequency components-histogram, HL-H)能量及縱橫比，分別對應病灶大小、形態、邊緣、內部回聲、后方回聲、鈣化及縱橫比等超聲指標。

1.6 主動遷移學習算法[15]采用Matlab 7.0軟件，Windows XP操作系統。隨機選取147例(惡性46例，良性101例)為訓練集和300例(惡性101例，良性199例)為測試集。算法步驟：①設M為初始訓練樣本數，Q為從K個域中取的樣例集合，W為未標記樣本集，T為算法迭代次數，N為每次迭代搜索到的樣例數；②對每個域中的M個數據樣例進行隨機標記，進而形成初始訓練集R；③在初始訓練集R基礎上訓練K個域的分類器；④從W中找出N個最少圖像特征損失的樣本進行標記，并記為X；⑤按照R←R∪(W*,X*)更新訓練集R，從Q中移除W；⑥輸出K個域的分類器。

表1 惡性組與良性組超聲圖像特征定量分析比較(±s)

表1 惡性組與良性組超聲圖像特征定量分析比較(±s)

組別腫瘤面積(cm2)堅固度邊緣粗糙度惡性組(n=132)0.20±0.081 678 869.00±4 129 946.00114.79±74.95良性組(n=315)0.19±0.06578 283.50±619 759.6673.91±32.77t值1.1874.7128.243P值0.682<0.001<0.001組別NGTDM粗糙度腫塊后方與周圍區域回聲差異HL-H能量縱橫比惡性組(n=132)0.57±0.262.94±9.870.002±0.0010.004±0.002良性組(n=315)0.47±0.171.36±3.220.003±0.0010.006±0.002t值5.2022.5914.8406.593P值0.0010.0010.0410.874

圖1 乳腺腫瘤原始聲像圖 圖2 手工選取ROI

圖3 不同算子對良性乳腺腫瘤超聲圖像邊緣檢測效果對比 A.原始聲像圖； B.Roberts算子； C.Sobel算子； D.Prewitt算子； E.Log算子； F.Canny算子

1.7 統計學分析 采用SPSS 19.0統計分析軟件。對數據進行正態分析和方差齊性檢驗，計量資料以±s表示，計數資料以構成比表示；采用兩獨立樣本t檢驗比較2組各項定量超聲指標的差異。P<0.05為差異有統計學意義。

2 結果

2.1 聲像圖特征定量分析 惡性組與良性組堅固度、邊緣粗糙度、NGTDM粗糙度、腫瘤后方與周圍區域回聲差異及HL-H能量的差異均有統計學意義(P均<0.05)；而腫瘤面積及縱橫比差異均無統計學意義(P均>0.05)。見表1。

2.2 超聲診斷效能 以病理結果為金標準，超聲診斷乳腺惡性腫瘤的敏感度為96.21%(127/132)，特異度為66.35%(209/315)，陽性預測值為54.51%(127/233)，陰性預測值為97.66%(209/214)，準確率為75.17%(336/447)。

2.3 主動遷移學習算法分類識別結果 以病理結果為金標準，測試集中，主動遷移學習算法診斷乳腺惡性腫瘤的敏感度為96.04%(97/101)，特異度為98.49%(196/199)，陽性預測值為97.00%(97/100)，陰性預測值為98.00%(196/200)，準確率為97.67%(293/300)。

3 討論

圖像紋理、邊緣鋒銳程度、腫瘤幾何形狀、腫瘤圖像亮度、回聲特性等超聲特征有助于診斷乳腺癌，其中乳腺超聲聲像圖紋理特性、腫瘤幾何形狀及回聲特性是鑒別乳腺腫瘤良惡性的主要依據[16]。本研究對乳腺腫瘤超聲聲像圖的7個定量特征參數進行分析，其中乳腺惡性腫瘤的腫塊堅固度、邊緣粗糙度、NGTDM粗糙度均高于良性腫瘤，提示聲像圖中惡性腫瘤形態不規則、邊緣不光整、內部回聲不均勻的可能性更高，且惡性腫瘤后方與周圍區域回聲差異更加明顯，與既往研究[17]結果一致。

Nascimento等[18]發現形態學特征用于病變分類比紋理特征更佳，且減少的特征集比全組的特征集表現更好。本研究在提取圖像特征時，集中選取乳腺腫瘤超聲診斷中的二維特征指標，剔除血流參數指標如腫塊血流信號分級和血流阻力指數，結果顯示良惡性乳腺腫瘤之間，除腫瘤面積和縱橫比外，堅固度、邊緣粗糙度、NGTDM粗糙度、腫塊后方與周圍區域回聲差異及HL-H能量的差異均有統計學意義(P均<0.05)，提示經PCA方法選擇的7個定量超聲指標較為合理。

圖4 不同算子對惡性乳腺腫瘤超聲圖像邊緣檢測效果對比 A.原始聲像圖； B.Roberts算子； C.Sobel算子； D.Prewitt算子； E.Log算子； F.Canny算子

Zhang等[19]建立深度學習自動提取圖像特征數據的剪切波彈性學習架構，并對乳腺良惡性腫瘤進行鑒別，結果表明，采用深度學習提出的特征診斷乳腺惡性腫瘤的敏感度為88.6%，特異度為97.1%，準確率為93.4%，提示深度學習可能在乳腺癌的臨床計算機輔助診斷中具有潛在的應用價值。但是，該研究對訓練的計算需求較大，未進行數據增強，且未分析同一病灶的多幅圖像間的相關性和變化。主動遷移學習算法可對屬于同一個病灶的多個乳腺腫瘤的超聲圖像樣本數據進行集中自動標記，避免分別標記帶來的額外計算，從而提高分類效率。本研究采用主動遷移學習算法，能有效地在相似圖像之間進行信息共享和遷移，診斷乳腺惡性腫瘤的敏感度為96.04%，特異度98.49%，準確率97.67%，提示遷移學習方法識別良惡性乳腺腫瘤的聲像圖有較高的分類診斷效率。

綜上所述，主動遷移學習能有效識別良惡性乳腺腫瘤聲像圖，且準確率較高，有助于避免超聲科醫師判斷的模糊性和主觀性，從而使超聲診斷乳腺腫瘤更加準確、可靠。