本文關鍵詞：乳腺腫瘤超聲剪切波彈性圖像的計算機輔助診斷

  更多相關文章： 乳腺腫瘤 剪切波彈性成像 各向異性擴散 水平集分割 特征提取 計算機輔助診斷

【摘要】：乳腺癌是女性常見的惡性腫瘤,嚴重威脅廣大女性的健康。由于其發(fā)病機制復雜,影響因素眾多,人們尚未找到根治乳腺癌的理想方法。臨床上主要以手術為主,結合放化療、靶向治療、生物免疫治療等輔助手段,形成綜合治療方法。乳腺癌的早期診斷和治療,是提高乳腺癌治愈率的有效途徑之一,而影像學檢查是乳腺腫瘤早期篩查和診斷的主要方式。其中超聲彈性成像技術的發(fā)展為乳腺腫瘤早期的檢查提供了更加準確和有效的依據(jù)。剪切波彈性成像(Shear-Wave Elastography,SWE)是超聲彈性成像的新興手段,它利用超聲剪切波在不同硬度組織中傳播速度不同的原理實現(xiàn)成像。首先通過超聲輻射力在組織中產(chǎn)生剪切波,然后利用快速掃描技術動態(tài)捕捉剪切波的傳播速度,進而形成表示組織彈性信息的二維圖像。超聲彈性成像技術可以在組織形態(tài)發(fā)生改變之前,更早發(fā)現(xiàn)乳腺組織的病變信息,對乳腺癌的早期診斷具有重要意義。剪切波彈性成像技術能夠形成二維量化彈性圖,具有較高的重復性和實用性,受到學術界的廣泛關注。但臨床診斷時,需要超聲醫(yī)生對乳腺彈性成像所獲得的SWE與B型超聲雙模態(tài)圖像進行人工判讀,從而導致診斷具有很強的主觀性與變異性,重復性差。目前,對剪切波彈性圖像的量化分析還比較欠缺,因此臨床上迫切需要計算機輔助診斷系統(tǒng)來量化和判斷乳腺腫瘤圖像,從而降低醫(yī)生的工作量,增強乳腺腫瘤檢測的客觀性、重復性與準確率。本文主要圍繞超聲乳腺腫瘤圖像的濾波、分割、特征提取和分類器設計四個方面展開,借助計算機算法客觀、自動地完成對乳腺腫瘤良惡性的鑒別。第一,乳腺超聲圖像斑點噪聲的抑制。本文將強魯棒性的新型邊緣檢測算子引入各向異性擴散(Anisotropic Diffusion,AD)模型,提高其抑制斑點噪聲的能力。首先,將距離映射函數(shù)與Mc Ilhagga邊緣檢測算子相結合,提出一種具有連續(xù)輸出值的改進型Mc Ilhagga邊緣檢測算子,并將其融入AD模型,生成基于Mc Ilhagga算子的各向異性擴散模型(Mc Ilhagga-based Anisotropic Diffusion,MAD),增加了濾波的魯棒性和邊緣保持能力。依據(jù)類似思路,將Gabor邊緣檢測算子融入AD模型,生成基于Gabor的各向異性擴散模型(Gabor-based Anisotropic Diffusion,GAD)。通過對模擬與實際超聲圖像的實驗比較MAD、GAD與傳統(tǒng)濾波方法的降噪效果。模擬實驗結果表明,在較小噪聲方差下(0.1),MAD、GAD與傳統(tǒng)算法效果相當;當噪聲方差較大時(=0.2),在濾波后峰值信噪比相差不大(約15 d B)的情況下,MAD的圖像佳數(shù)和結構相似度分別為0.38和0.82,相較傳統(tǒng)方法中的最優(yōu)指標分別提高80.77%和35.15%;GAD算法的圖像佳數(shù)和結構相似度分別為0.74和0.86,提高259.61%和42.41%。綜合比較后,本文在后續(xù)的分割算法中采用GAD算法,更利于圖像的量化分析。第二,乳腺腫瘤病灶區(qū)域的分割。乳腺腫瘤SWE圖像中目標區(qū)域輪廓不明顯,因此為了得到病灶位置,首先對乳腺腫瘤B型超聲圖像進行分割,然后根據(jù)其與彈性圖像的對應關系,得到彈性圖像上的病灶區(qū)域。對乳腺B型超聲圖像分割的優(yōu)劣直接影響彈性圖像的病灶提取的質(zhì)量。本文將GAD融入邊緣停止函數(shù),提出一種改進的反應擴散水平集模型,以提高模型在分割乳腺腫瘤B型超聲圖像時的演化效率和捕捉弱邊緣能力。以手工勾勒病灶為金標準,將本文算法與原始反應擴散水平集方法進行對比,結果表明本文方法分割乳腺腫瘤超聲圖像的精度更優(yōu),腫瘤病灶分割真陽性率和準確率分別為86.65%和96.33%,分別提高9.27%和0.79%,均方根誤差為7.26 pixel,降低14.8%。第三,乳腺腫瘤病灶特征的提取。乳腺腫瘤量化參數(shù)的提取是腫瘤良惡性判別準確與否的關鍵因素。由于腫瘤細胞存在生物學異質(zhì)性,在SWE與B型超聲圖像上,腫瘤內(nèi)像素值呈現(xiàn)非均勻分布,其非均勻程度有助于良惡性鑒別。因此,本文除了提取傳統(tǒng)的腫瘤形態(tài)特征,著重提取腫瘤的紋理特征,以表征SWE與B型圖像中良惡性腫瘤的彈性模量(剪切波速度)與B型灰度值的均勻性與異質(zhì)性。提取的紋理特征包括病灶內(nèi)部彈性模量及B型灰度值的均值、標準差、最大值、最小值等一階統(tǒng)計量和灰度共生矩陣的對比度、相關、能量、均一度和熵。上述紋理特征稱之為原始域紋理特征。此外,利用輪廓波變換,在多方向、多分辨率框架下,將圖像變換為輪廓波域,進一步提取了病灶在SWE圖像和B型圖像中的輪廓波紋理特征。實驗結果表明兩種域上的紋理特征能更加全面地量化乳腺腫瘤病灶的屬性。第四,乳腺腫瘤良惡性鑒別。以病理結果為金標準,將量化的SWE圖像和B型圖像的特征作為輸入變量,對不同類型圖像特征進行組合,采用支持向量機和深度網(wǎng)絡基學習算法兩種方法構造乳腺腫瘤良惡性鑒別模型,實現(xiàn)腫瘤分類。實驗結果表明:當結合SWE圖和B型圖一級輪廓波變換域上的紋理特征與形態(tài)學特征時,深度網(wǎng)絡基學習算法的分類敏感性、特異性、準確率和約登指數(shù)分別達到91.30%、99.26%、96.04%和90.56%,得到了較為準確的乳腺腫瘤良惡性鑒別結果。
【學位授予單位】：上海大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R737.9;TP391.7

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 余錦華;汪源源;;基于各向異性擴散的圖像降噪算法綜述[J];電子測量與儀器學報;2011年02期

，

本文編號：1300132