發布時間：2020-04-22所屬分類：醫學職稱論文瀏覽：1次
摘 要： 摘要:淋巴結病變的診斷對于患者的治療具有重要意義。在淋巴結病變的臨床超聲診斷中，通常只使用單一模態的B型超聲圖像。有時會采集B型超聲和彈性超聲或者采集B型超聲和超聲造影(CEUS)的雙模態圖像，很少情況下會采集全部三個模態圖像。為了提高B型單模態的診
摘要:淋巴結病變的診斷對于患者的治療具有重要意義。在淋巴結病變的臨床超聲診斷中，通常只使用單一模態的B型超聲圖像。有時會采集B型超聲和彈性超聲或者采集B型超聲和超聲造影(CEUS)的雙模態圖像，很少情況下會采集全部三個模態圖像。為了提高B型單模態的診斷性能，提出一種基于特權信息學習的淋巴結病變計算機輔助診斷(CAD)方法，在訓練階段使用三個模態圖像，在測試階段只使用B型。分別提取B型、彈性超聲和CEUS圖像的量化特征;在CAD模型中，訓練樣本為B型、彈性超聲和CEUS多模態數據，測試樣本只有B型;通過訓練樣本學習，得到結合特權信息的支持向量機(SVM+)模型，使用該模型對測試樣本進行分類。試驗結果表明，該方法的分類準確率、精度、敏感性、特異性和約登指數達到0.85、0.93、0.88、0.77和0.65，相較單模態B型超聲訓練的CAD模型，其分類結果分別提升了0.08、0.02、0.08、0.08和0.16。基于特權信息學習，提高了診斷精度，提升了計算機輔助診斷的性能。
關鍵詞:淋巴結病變;B型超聲;超聲彈性成像;超聲造影;多模態;特權信息學習
0引言淋巴結疾病是一種發病率增長快的疾病[1]。有效地區分淋巴結病變的良惡性、及早地確診淋巴結病變，能減少淋巴結病變對人體的侵害、提升治愈率、降低術后風險。超聲是淋巴結病變的常用診斷手段。在淋巴結病變的臨床超聲診斷中，通常只使用患者單一模態的B型超聲圖像[2]。有時會采集B型超聲圖像和彈性超聲圖像、B型超聲圖像和CEUS圖像序列的雙模態影響信息，而很少情況下會采集這三個模態的全部信息[3]。
特權信息學習作為一種新型的機器學習模式，與傳統機器學習不同[4]。在模型訓練階段，特權信息學習利用一些只能在訓練樣本中獲取而不能在測試樣本中提供的特權信息來輔助機器學習模型的訓練。所以，當臨床診斷中只有一個模態的影像數據時，可以使用預先由特權信息學習訓練好的模型來輔助診斷[5]。
本課題已經擁有可用于訓練的雙模態甚至三模態影像數據。為了應對臨床實踐中只有單一B型模態用于診斷的普遍情形，本文提出一種基于特權信息學習的淋巴結病變良惡性判別的計算機輔助診斷(computer-aideddiagnosis，CAD)系統[6]。
1材料和方法
1.1圖像采集與預處理
本文樣本均來自復旦大學附屬中山醫院超聲科，共獲得來自94個病人的133個淋巴結病變病灶(42例良性，91例惡性)數據。這42例良性病灶中:13例有B型超聲圖像、超聲彈性圖像和超聲造影(contrast-enhancedultrasound，CEUS)圖像序列三個超聲模態的數據，另外29例有B型超聲圖像、CEUS圖像序列兩個模態的數據。91例惡性病灶中:49例有B型超聲圖像、超聲彈性圖像和CEUS圖像序列三個超聲模態的數據，另外42例有B型超聲圖像、CEUS圖像序列兩個模態的數據。采集的B型超聲圖像和超聲彈性圖像均以靜態圖片的形式保存，CEUS圖像保存為音頻視頻交織(audiovideointerleaved，AVI)或者醫學數字成像和通信標準(digitalimagingandcommunicationinmedicine，DICOM)格式的視頻序列文件，以供后續離線分析。
推薦閱讀：醫師論文怎么樣投稿
B型和超聲彈性成像采用意大利百勝(Esaote)公司的Mylab90彩色超聲診斷儀，探頭采用線性陣列探頭L523，頻率為4～13MHz。在超聲彈性圖像中，彈性感興趣區域由表示組織硬度的彩色RGB圖像疊加在B型灰階圖像上構成[4]。從彩色彈性到軟度轉變圖，如圖1所示。
圖1中:顏色條表示組織彈性。顏色條每一行中的顏色均表示相同的彈性應變值，反映了對應組織的軟硬程度。根據顏色條將色彈性圖轉化為范圍從0(硬)到1(軟)的彈性應變值信息的灰度圖像。大多數淋巴結病灶臨床CEUS圖像序列使用百勝MyLabTwice系統采集，一部分病灶數據使用飛利浦iU22系統采集。
本文在B型超聲圖像上確定淋巴結位置，并使用實時壓縮感知跟蹤算法[7]定位病灶在視頻中各幀的位移情況，再將其映射到CEUS圖像序列上，從而得到CEUS病灶跟蹤結果。
1.2B型和超聲彈性圖像特征提取
利用計算機自動算法，分別從B型和超聲彈性圖像中的病灶區域提取量化特征。根據特征的物理意義，B型和超聲彈性圖像均含以下3類特征。一階統計量特征[8]包括中值、均值、標準差、變異系數、亮度熵、偏度等。灰度共生矩陣(graylevelco-occurrencematrix，GLCM)特征[9]，包括對比度、能量、均一度和熵等。針對每幅圖片分別計算0°、45°、90°和135°這4個方向的1～15像素偏移量的GLCM，然后對4個方向上的結果求均值，最終得到60個特征。二值圖像特征[10]包括:面積比、1/3內部面積比、2/3外部面積比、內部面積與外部面積比的比值、中心偏離度、離散度、徑向偏離度等。B型(B，左上)和彈性(E，左下)雙模態超聲圖像特征提取如圖2所示。圖2B型(B，左上)
此外，由于病灶的形態、尺寸對淋巴結病變的診斷非常有意義，本文還在B型超聲圖像上計算了病灶的形態學特征。形態學特征包括面積、凸面積、周長、等效直徑、長軸和短軸長度等。
1.3CEUS圖像序列特征提取
運用影像組學，對運動補償后的CEUS圖像進行時空域特征提取，得到312維特征。
①時域特征。
計算每幀圖像的平均灰度值，得到平均灰度隨時間變化的曲線(time-intensitycurve，TIC)，如圖3所示。從TIC提取峰值增強強度(peakenhancement，PE)、達峰時間(timetopeak，TOP)、曲線下面積(areaunderthecurve，AUC)等9個量化特征[11]。本文基于有無運動跟蹤、有無低通濾波相互組合的4種情況，提取共9×4=36個時域特征。
②空域特征。
TIC達到峰值時的圖像幀稱為峰值幀。以峰值幀為中心、前后均取若干幀平均得到的圖像稱為時間平均圖像。本文從有運動補償的時間平均圖像、無運動補償的時間平均圖像、峰值幀圖像3種圖像中，分別提取92個空域特征，共92×3=276個特征。92個特征包括如下。①一階統計量:中值、直方圖熵等共18個統計學特征。②灰度共生矩陣紋理特征:對比度、能量、均一度、熵。在像素間隔0，1，...，15時分別計算，因此共含4×15=60個特征。③二值圖像特征:用大津閾值法[10]將灰度圖轉為二值圖。提取1n外部面積比值、中心偏移度、徑向偏離度、離散度、內部面積比與外部面積比的比值、徑向離散度等共14個特征。
1.4分類器設計
本文根據所提取的B型超聲圖像、彈性超聲圖像和CEUS圖像序列3個模態的特征，用5折交叉驗證[12]的方式把樣本劃分為訓練集和測試集。同時，使用主成分分析法[13]，對直接提取的特征進行降維后，選擇特征值和大于95%特征值總和時對應的特征維數，再將這些降維后的特征輸入到分類器進行分類。
1.5試驗方案
本文在CAD模型訓練階段，使用B型作為標準信息、彈性超聲和CEUS作為特權信息，通過三個模態信息構建基于特權信息的CAD模型;在測試階段，只使用B型以實現對淋巴結病變的單模態超聲診斷。同時，作為對比試驗，本文還設計了B型作為標準信息、彈性超聲或CEUS作為特權信息、B型和彈性超聲作為標準信息，CEUS作為特權信息、B型和CEUS作為標準信息，彈性超聲作為特權信息的方案。
2結果與分析
將B型超聲圖像特征記為B、超聲彈性圖像特征記為E、CEUS圖像序列特征記為C;特權信息用(*)表示;標準信息、特權信息和分類器的組合用(-)表示。分類指標為敏感性(Sen)、特異性(Spc)、精度(Pre)、準確率(Acc)和約登指數(YI)。標準信息只包含B、包含B和E或C的兩種模態的分類結果如下。
2.1單模態標準信息分類結果
①B作為標準信息，E*、C*和E*串聯C*分別作為特權信息，特權學習結果如表1所示。良性∶惡性=13∶49。
由表1可見，即使在B型超聲單模態情況下，傳統SVM模型也能得到一定的分類效果。但由于本文所用樣本量較小，特異性較低。B-E*-SVM+的結果表明，增加了E*作為特權信息之后，分類的Spc、YI得到顯著提升由0.69到0.92和0.49到0.64，分別提高了0.23和0.15。B-C*-SVM+的結果表明，增加了C*作為特權信息，使得在保持分類精確度的情況下敏感性和特異性更加均衡;相對單模態B型超聲，由0.80和0.69改善為0.76和0.85。增加了E*和C*特權信息的B-E*-C*-SVM+，在本組試驗中取得了最好的Acc和YI，分別為0.85和0.93。由此說明，特權信息的引入使得分類器的模型更加完善。②B作為標準信息，C*作為特權信息，特權學習結果如表2所示。良性∶惡性=42∶91。
表2的情況同表1，但表2試驗的樣本量更大，良惡性樣本的比例更加均衡。因此，表2的分類約登指數更高，整體分類效果更好。
2.2雙模態標準信息分類結果
①B串聯E作為標準信息，C*作為特權信息，特權學習，結果如表3所示。良性∶惡性=13∶49。
與前兩組試驗不同，表3和表4的試驗中，標準信息包含兩種模態的信息，特權信息分別為CEUS信息和彈性信息。表3中的B-E-C*-SVM+相較B-ESVM的Acc、Pre、Sen、Spc、YI，分別提高了0.08、0.03、0.08、0.07、0.16;表4中的B-C-E*-SVM+相較B-C-SVM的Acc、Pre、Sen、Spc、YI，分別提高了0.04、0.04、0.02、0.15、0.17。這些結果同樣表明，特權信息的加入使得分類效果更好。
試驗結果表明，增加特權信息的學習算法SVM+能提高分類準確度，在臨床診斷上具有一定的前景。
SCISSCIAHCI
