乳腺病灶的多顯著性檢測(cè)方法

方宏文，蔡 念，周靜雯，白有芳，黎 劍，王 晗

1.廣東工業(yè)大學(xué) 信息工程學(xué)院，廣州 510006

2.中山大學(xué) 腫瘤中心 診斷和介入超聲科，廣州 510060

3.廣東工業(yè)大學(xué) 機(jī)電工程學(xué)院，廣州 510006

乳腺癌是導(dǎo)致全世界婦女死亡的主要癌癥之一[1]。臨床研究發(fā)現(xiàn)，如果及早發(fā)現(xiàn)乳腺病灶并進(jìn)行有效治療，治愈率可以大大提高。因此，早期術(shù)前影像學(xué)評(píng)估，尤其是無創(chuàng)的超聲影像學(xué)檢查，對(duì)乳腺癌的研究和治療具有重要意義[2]。

乳腺病灶自動(dòng)檢測(cè)可大幅度減輕醫(yī)生勞動(dòng)強(qiáng)度[3]，受到廣泛關(guān)注和研究[4-12]。其中，顯著性檢測(cè)符合人類的視覺注意力機(jī)制，成功應(yīng)用于乳腺病灶檢測(cè)。文獻(xiàn)[4]提出一種乳腺超聲圖像腫瘤自動(dòng)檢測(cè)的顯著性模型；文獻(xiàn)[5]提出一種基于先驗(yàn)知識(shí)學(xué)習(xí)的乳腺腫瘤自動(dòng)定位算法；文獻(xiàn)[10]提出了一種混合優(yōu)化的腫瘤顯著性估計(jì)框架；文獻(xiàn)[12]提出一種基于吸收馬爾可夫鏈的超聲圖像中乳腺腫瘤的顯著性目標(biāo)檢測(cè)方法。但是，由于乳腺超聲圖中包括脂肪層、乳腺層和肌肉層等，因此圖像對(duì)比度低，存在斑點(diǎn)噪聲。此外，部分腫瘤邊界模糊，使得檢測(cè)出來的腫瘤邊界存在偽影等干擾。因此，這些顯著性檢測(cè)方法對(duì)乳腺病灶檢測(cè)仍有提升空間。本文提出一種基于多種先驗(yàn)知識(shí)決策的乳腺病灶顯著性檢測(cè)方法。首先，采用中值濾波進(jìn)行濾波，提出一種自適應(yīng)閾值分割提高乳腺超聲圖像質(zhì)量。然后，基于圖像背景先驗(yàn)獲得粗糙顯著圖。為了抑制誤檢的非病灶區(qū)域，再融入頻率先驗(yàn)和自適應(yīng)中心先驗(yàn)進(jìn)行顯著性優(yōu)化。最后，再進(jìn)行圖割優(yōu)化獲得最終精細(xì)顯著圖，檢測(cè)超聲圖像中的乳腺病灶。

論文貢獻(xiàn)主要體現(xiàn)在：

（1）針對(duì)以往方法對(duì)乳腺病灶先驗(yàn)知識(shí)利用不足而導(dǎo)致檢測(cè)精度較低的問題，本文融合背景先驗(yàn)、頻率先驗(yàn)和中心先驗(yàn)等三種先驗(yàn)知識(shí)，結(jié)合單元胞自動(dòng)化機(jī)和圖割優(yōu)化，提出一種多顯著性檢測(cè)方法實(shí)現(xiàn)超聲乳腺病灶區(qū)域自動(dòng)檢測(cè)。

（2）針對(duì)傳統(tǒng)方法簡(jiǎn)單地利用固定閾值分割方法來增強(qiáng)圖像對(duì)比度而導(dǎo)致檢測(cè)效果差的問題，提出一種基于經(jīng)驗(yàn)累積分布函數(shù)自適應(yīng)閾值分割的方法，解決超聲乳腺圖像對(duì)比度低造成的顯著性檢測(cè)效果差的問題。

（3）針對(duì)傳統(tǒng)方法會(huì)出現(xiàn)由于乳腺病灶偏離乳腺超聲圖像的中心而導(dǎo)致漏檢或錯(cuò)檢問題，本文在自適應(yīng)確定乳腺病灶區(qū)域的基礎(chǔ)上，提出一種改進(jìn)的自適應(yīng)中心先驗(yàn)方法。

1 本文算法

如圖1 所示，本文提出的算法框架由三部分構(gòu)成，分別為預(yù)處理、顯著性檢測(cè)和顯著性優(yōu)化。

圖1 本文算法框架圖Fig.1 Framework of proposed algorithm

1.1 預(yù)處理

由于乳腺超聲圖像的質(zhì)量（包括灰度、對(duì)比度等）較差，且存在一些固有的斑點(diǎn)噪聲。為了減少噪聲的干擾，利用中值濾波器對(duì)原乳腺超聲圖像進(jìn)行平滑處理。

由于乳腺超聲圖有脂肪層、乳腺層和肌肉層三個(gè)主要層，脂肪層和肌肉層形成許多水平亮帶，乳腺層位于脂肪層和肌肉層之間，因此乳腺病灶呈現(xiàn)低回聲特征出現(xiàn)在乳腺層。針對(duì)以往方法簡(jiǎn)單地利用固定閾值分割方法來增強(qiáng)圖像對(duì)比度而導(dǎo)致檢測(cè)效果差的問題，本文提出一種基于經(jīng)驗(yàn)累積分布函數(shù)自適應(yīng)閾值分割的方法，分割低回聲區(qū)域（即病灶區(qū)），增強(qiáng)病灶區(qū)域與周圍其他組織的對(duì)比度，通過兩個(gè)自適應(yīng)閾值l和h分割得到增強(qiáng)圖像I：

其中，f(x,y)表示原超聲圖像的灰度值，l和h采用經(jīng)驗(yàn)累積分布函數(shù)F(t)[6]來確定，本文中l(wèi)和h分別取F（0.1）和F（0.8），這將在本文的2.2節(jié)討論證明。

1.2 顯著性檢測(cè)

1.2.1 基于背景先驗(yàn)初始顯著圖

式中，sk,i表示超像素i與第k聚類中所有位于乳腺超聲圖像邊界的背景種子之間的顏色差異，||ci,cj||表示超像素i和超像素j在CIE LAB 顏色空間的歐式距離；wk,j表示超像素i與第k類中所有背景種子之間的空間距離，ri和rj是超像素i和j的坐標(biāo)；pk為屬于聚類k的邊界超像素；θ是一個(gè)平衡參數(shù)，用來平衡顏色和空間位置距離之間的重要性。

1.2.2 基于頻率先驗(yàn)顯著圖

乳腺病灶區(qū)域往往富含細(xì)節(jié)信息，尤其當(dāng)乳腺病灶存在浸潤現(xiàn)象時(shí)，因此頻率先驗(yàn)對(duì)于乳腺病灶檢測(cè)也具有重要意義。由于二維對(duì)數(shù)Gabor 濾波器是一種在對(duì)數(shù)頻率尺度上傳遞函數(shù)為高斯函數(shù)的濾波器，可以更好地反映二維乳腺超聲圖像的頻率響應(yīng)，因此采用二維對(duì)數(shù)Gabor濾波器[16]的傳遞函數(shù)對(duì)乳腺超聲圖像進(jìn)行帶通濾波，提取醫(yī)學(xué)上較為關(guān)注的乳腺病灶邊界區(qū)域的頻率特征，得到基于頻域先驗(yàn)顯著圖SF：

其中，u=(u,v)∈R2為頻域坐標(biāo)，ω0為濾波器的中心頻率，實(shí)驗(yàn)中ω0=0.002，σ2F=6.2為濾波器的帶寬。

1.2.3 基于自適應(yīng)中心先驗(yàn)顯著圖

基于人類視覺機(jī)制，物體的目標(biāo)通常置于圖像的中心位置，通過中心先驗(yàn)可以簡(jiǎn)單快捷地提高目標(biāo)的檢測(cè)效率。傳統(tǒng)方法采用圖像中心位置作為中心先驗(yàn)來構(gòu)建高斯圖，從而獲得中心先驗(yàn)顯著圖S(x)[16]：

1.3 顯著性優(yōu)化

1.3.1 單元胞自動(dòng)機(jī)優(yōu)化

在1.2.1小節(jié)生成的基于背景先驗(yàn)的粗糙顯著圖Sb中，存在大量的非乳腺病灶區(qū)域，并且檢測(cè)到的病灶區(qū)域沒有完全凸顯。在本文中，采用單元胞自動(dòng)機(jī)嘗試解決這一問題。

其中，||ci,cj||表示超像素i和j在CIELAB 顏色空間的歐式距離，σ3為一個(gè)參數(shù)用來控制相似度的強(qiáng)度，N(i)表示單元i的鄰集。

更新規(guī)則定義為：

1.3.2 多先驗(yàn)融合優(yōu)化

以往方法[14-15，17]主要利用單一先驗(yàn)或兩種簡(jiǎn)單先驗(yàn)實(shí)現(xiàn)顯著性檢測(cè)。但是，乳腺超聲圖因病灶及周邊組織的存在而導(dǎo)致圖像內(nèi)容較為復(fù)雜，難以用簡(jiǎn)單先驗(yàn)知識(shí)進(jìn)行表征。因此，針對(duì)以往方法對(duì)乳腺病灶先驗(yàn)利用不足的問題，本文提出一種多顯著性檢測(cè)方法檢測(cè)超聲乳腺病灶區(qū)域。通過融合多種先驗(yàn)顯著圖，不僅有利于消除顯著圖中的背景噪聲，還可以準(zhǔn)確地融合各種顯著特征，從而提高病灶區(qū)域的檢測(cè)準(zhǔn)確率。

融合方法定義為：

其中，λ是一個(gè)平衡參數(shù)，用來平衡三種顯著圖的關(guān)系。如圖2所示，通過單元胞自動(dòng)機(jī)優(yōu)化后的背景先驗(yàn)顯著圖在一定程度上進(jìn)一步凸顯了乳腺病灶。精細(xì)顯著圖Sopt相對(duì)于其他兩種顯著圖具有較大的比重。因此，本文經(jīng)驗(yàn)選取λ=2。此外，θ1、θ2為兩個(gè)權(quán)重參數(shù)，且θ1+θ2=1 ，當(dāng)經(jīng)驗(yàn)性地設(shè)置為θ1=0.3，θ2=0.7時(shí)，乳腺病灶的檢測(cè)效果最佳。

圖2 各階段顯著圖可視化結(jié)果Fig.2 Saliency map visualization results of each stage

最后，采用圖割優(yōu)化方法對(duì)融合結(jié)果進(jìn)一步平滑得到最終的乳腺病灶定位結(jié)果。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集和評(píng)價(jià)指標(biāo)

由中山大學(xué)腫瘤中心提供的208 張臨床乳腺超聲圖像構(gòu)成實(shí)驗(yàn)數(shù)據(jù)集，數(shù)據(jù)集考慮了多種復(fù)雜形態(tài)、不同信噪比等特性。由經(jīng)驗(yàn)豐富的放射科醫(yī)生通過Labelme 軟件手動(dòng)標(biāo)記生成乳腺病灶金標(biāo)準(zhǔn)，即正確標(biāo)簽（GT）。

與其他顯著性檢測(cè)方法相似[15]，采用3 種經(jīng)典評(píng)價(jià)標(biāo)準(zhǔn)評(píng)價(jià)算法性能：精確率（P）、召回率（R）、F-measure值。所有實(shí)驗(yàn)在CPU 為i5/2.6 GHz，8 GB/RAM 和GPU為GT940M的電腦及軟件平臺(tái)MatlabR2014a上進(jìn)行。

2.2 l 和h 值的選擇

在預(yù)處理階段，自適應(yīng)閾值l和h由經(jīng)驗(yàn)累積分布函數(shù)F(tj)確定。因此，經(jīng)驗(yàn)累積分布函數(shù)F(tj)中的參數(shù)tj(j=1,2)對(duì)所提出的顯著性檢測(cè)方法的性能有重要影響。

在這一節(jié)中，通過實(shí)驗(yàn)討論了這兩個(gè)參數(shù)tj(j=1,2)對(duì)所提出的顯著性檢測(cè)方法的影響。為了簡(jiǎn)單起見，使用F-measure值進(jìn)行評(píng)估。如圖3（a）所示，F(xiàn)-measure值在t1∈[0.09,0.11]和t2∈[0.78,0.82]時(shí)相對(duì)大。因此，本文將這兩個(gè)參數(shù)(j=1,2)選擇為t1=0.1，t2=0.8，如圖3（b）中的黑點(diǎn)所示（黑點(diǎn)表示t1和t2的選擇），即自適應(yīng)閾值l和h分別為l=F(0.1)和h=F(0.8)。

圖3 不同參數(shù)的顯著性檢測(cè)結(jié)果tj(j=1,2)Fig.3 Saliency detection results with different parameters tj(j=1,2)

2.3 與其他顯著性算法對(duì)比

將本文提出的方法與其他5 種顯著性檢測(cè)方法（BSCA2015[15]、TIP2015[17]、TIP2017[18]、DSMR2018[19]、AMC2019[12]）進(jìn)行比較。圖4 展示了4 張典型的乳腺超聲圖病灶的檢測(cè)視覺效果。如圖4所示，本文方法的檢測(cè)結(jié)果更接近GT，能更準(zhǔn)確地定位乳腺病灶。雖然，本文方法檢測(cè)出來的乳腺病灶區(qū)域內(nèi)有少許的陰影，但這是因?yàn)樵卺t(yī)學(xué)上乳腺病灶的邊界區(qū)域中的過渡能夠反映乳腺病灶的浸潤等現(xiàn)象，因此未做后處理將這些陰影去除。至于其他方法，檢測(cè)出來的視覺效果都較差，出現(xiàn)了大量的誤檢，甚至出現(xiàn)一些棋盤方塊現(xiàn)象。具體來說，BSCA2015 方法雖然可以大概定位病灶，但是仍然存在眾多誤檢區(qū)域；TIP2015 方法錯(cuò)誤地把脂肪當(dāng)作病灶檢測(cè)出來，并且檢測(cè)出的病灶不完整，背景噪聲多，因此，該方法精確率和召回率都非常低；TIP2017 方法與TIP2015方法相似，也將脂肪當(dāng)作病灶導(dǎo)致檢測(cè)效果差；DSMR2018 顯著性檢測(cè)模型通過約束傳播方式來檢測(cè)腫瘤區(qū)域，因此，當(dāng)腫瘤部分區(qū)域?qū)Ρ榷容^低時(shí)，則檢測(cè)出來的腫瘤不完整；AMC2019 檢測(cè)模型利用吸收馬爾科夫鏈的吸收時(shí)間衡量腫瘤的顯著性，因此當(dāng)腫瘤和邊界非常相似時(shí)，則檢測(cè)失敗。表1直觀地顯示了各種顯著性檢測(cè)方法的定量統(tǒng)計(jì)的對(duì)比結(jié)果，可以看出，提出的算法的性能優(yōu)于其他算法。

圖4 不同顯著性檢測(cè)方法的顯著性檢測(cè)結(jié)果Fig.4 Saliency detection results of different saliency detection methods

表1 不同顯著性檢測(cè)方法的比較Table 1 Comparison of different saliency detection methods

在本文提出的基于多顯著性融合的乳腺病灶檢測(cè)方案中，基于背景先驗(yàn)顯著圖通過選擇背景種子的方式可以大致定位到乳腺病灶區(qū)域，但是還存在大量的非病灶區(qū)域（即背景噪聲），并且存在病灶檢測(cè)不完整，病灶邊界特征不明顯等問題。基于頻率先驗(yàn)顯著圖對(duì)于病灶邊界，病灶的整體特征提取較為充分，但是存在其他無關(guān)的組織特征也被檢測(cè)出來，因此，基于頻率先驗(yàn)的顯著圖也同樣存在大量的背景噪聲。基于自適應(yīng)中心先驗(yàn)顯著圖以高斯圖的方式來凸顯病灶的區(qū)域，其他無關(guān)的非病灶區(qū)域則通通被消除掉。因此，三種先驗(yàn)顯著圖存在著互補(bǔ)的關(guān)系，融合三種先驗(yàn)顯著圖有利于抑制大量的無關(guān)背景噪聲，并且進(jìn)一步凸顯病灶區(qū)域。

然而，本文所提出的方法也存在一個(gè)缺陷：由于本文的方法將背景先驗(yàn)結(jié)合到混合的顯著性檢測(cè)框架中，該框架利用乳腺超聲圖像邊界作為背景，然后計(jì)算與乳腺超聲圖像邊界距離較大的作為乳腺病灶的顯著性，這將導(dǎo)致當(dāng)大部分病灶位于圖像邊界時(shí)，檢測(cè)效果不理想。

3 結(jié)論

乳腺超聲病灶自動(dòng)檢測(cè)可以輔助診斷乳腺腫瘤，有助于減少醫(yī)生的工作量和提高診斷效率。本文融合背景先驗(yàn)、自適應(yīng)中心先驗(yàn)以及頻率先驗(yàn)等三種先驗(yàn)知識(shí)，結(jié)合顯著性優(yōu)化建立多顯著性檢測(cè)方法，實(shí)現(xiàn)超聲影像中的乳腺病灶檢測(cè)。

實(shí)驗(yàn)結(jié)果顯示，本文方法在檢測(cè)乳腺病灶時(shí)的精確率Precision 值達(dá)92.50%，召回率Recall 達(dá)87.05%，F(xiàn)-measure 值達(dá)91.18%，優(yōu)于當(dāng)前多種顯著性檢測(cè)方法，在乳腺外科輔助診斷上展示了較強(qiáng)的應(yīng)用潛力。