文摘

本文提出一种新颖的两步方法,结合模糊c均值(fcm)聚类和梯度矢量流(预防)蛇病灶轮廓分割算法在乳腺磁共振成像(BMRI)。手册描述病变的专家放射科医生先生作为一个参考标准在评估电脑细分方法。该算法也较基于fcm聚类方法。与数据库的60似的质量病变(22良性和恶性肿瘤38例),该方法证明足够良好的分割性能。使用的形态和纹理特征提取和分类的良性和恶性病变的基础上,提出计算机分割轮廓和放射科医生分别描述。特征提取特征的方法被用来区分病变的接受者操作特征曲线下面积(AUC)为0.968,相比,0.914基于特征提取的AUC放射科医生的描述。该方法在当前的研究可以帮助放射科医生描绘和描述BMRI病变,如量化形态和纹理特性和改善BMRI解释的客观性和效率有一定的临床价值。

1。介绍

乳腺癌是最常见的癌症,在全球女性癌症死亡的主要原因(1]。在美国,发展中浸润性乳腺癌的机会在一个女人的生活几乎是1 8 [2]。医学成像,具体地说,核磁共振成像(MRI)中扮演着关键角色在检测和诊断乳腺病变和肿瘤。在乳房x光检查,最近报道,可能无法发现高达20%的肿瘤,MRI可以检测乳腺癌错过了乳房x光检查(3,4]。由于核磁共振成像的有效性检测乳腺癌,美国癌症协会发布的指导方针建议女性患乳腺癌的风险高接受核磁共振检查(5]。

以其高灵敏度和特异性的变量,MRI已越来越多地用于乳腺癌检测和表征(6- - - - - -8]。因此,迫切需要开发一个计算机辅助诊断系统释放放射科医生从医学图像分析的沉重的工作。不幸的是,与乳房x光检查相比,相对较少的自动化无赖开发专门为乳房核磁共振成像。陈等人。9)应用区域增长方法段病变,后来他们(10)提出了一个半自动的基于模糊c均值(fcm)聚类算法的缺点对噪音;细的et al。11]提出user-interaction-threshold方法提取感兴趣的区域(ROI),需要人工干预;Stoutjesdijk et al。12)设计一个自动化的计算机程序的基础上选择roi mean-shift-clustering方法,该方法是一种精确的方法来自动确定相邻地区的利益。施等。13)用fcm聚类算法紧随其后的是一个3 d水平集分割细化(LS)方法,和最近的一篇论文Meinel et al。14似的质量]报道计算机细分方法乳房核磁共振成像病变涉及健壮的种子点开始选择,比手动可再生的方法在测量病灶的大小和形状。,因为图像是一个二维图像序列,分割的二维三维分割的基础仍然是重要的。

纹理分析是广泛用于量化的图像特征(即先生、同质性和规律性诊断潜在的图像)。应用灰度共生矩阵建立灰度同现矩阵()方法,提出Haralick et al。15),在医学图像分析仪器。各种纹理分析研究报告,包括大脑疾病(16),骨(17),和腹部肿瘤(18]。应用灰度共生矩阵建立的方法也应用于乳腺癌的分析。陈等人。19]提出一种基于纹理特征的方法对歧视乳房x光检查病变通过使用线性判别分析。吉布斯和特恩布尔(20.]手动划定乳腺MRI病灶,然后采用应用灰度共生矩阵建立的方法来区分良性和恶性病变。

Computer-extracted形态学特征展示了某些有用的描述乳房病变(11,21,22]。乳腺影像报告和数据系统(BI-RADS)词典引入了对病变进行分类的外观。然而这样的词汇是放射科医生的评估。目标computer-extracted特性可能受益放射科医生提高特色的解读和可接受性。

在这项研究中,我们调查系统分割和特征的良性和恶性乳腺病变内胸先生使用一个计算机化的分割图像和特征包我们开发了专门为乳房核磁共振成像。两个分割的计算结果和乳腺病变的特征也与手册描述和病理结果由有经验的放射科医生。

2。材料和方法

图1显示了我们的计算机乳腺病变的流程图分割和描述方法。我们的计算机程序执行一个自动分割和图像分析结果后,手动病变乳房核磁共振(2 d)的识别输入。在计算机化分割部分,基于fcm聚类方法用于产生一个输入图像的初始分割,而梯度矢量流(预防)蛇模型应用于初始分割获得最终的分割。初始分割方法被称为FCMs-based和最终的分割方法被称为GVF-FCMs。这两种方法的分割性能评估与手工分割有经验的放射科医生在动态对比度增强磁共振成像(DCE)。在计算机化的特征部分,我们提取形态和纹理特性GVF-FCMs方法和放射科医生的描述。最后,费舍尔逐步判别分析(FSDA)应用于选择特征提取GVF-FCMs和放射科医生的手册描述区分良性和恶性病变。

2.1。乳房病变数据库

这项研究由38 22良性和恶性乳腺病变与最终的组织病理学检查确认(年龄范围= 27 - 65岁,平均年龄标准差= 42±9年)。只有似的质量病变显示强烈的对比增强被选为这个研究。在每种情况下图像的数据库包含一个矢状postcontrast图像切片显示一个明显的对比度增强和演示的最大尺寸质量损伤。图像的大小与256 - 512×512像素灰度。

成像先生1.5 T超导磁系统上执行(通用电气、标记、HDx)。使用一个breast-specific 4-channel相控阵表面线圈。通过手静脉穿刺技术对比剂注射。患者在卧姿扫描双边乳房自然挂成线圈的两个洞,脚刚放入机器。工程师协会的横断面T1WI使用以下参数:第一次使用TR = 650毫秒,TE: Min, ETL = 2和BW = 20.83。工程师协会横断面、矢状面T2WI然后使用以下参数:使用TR = 4650毫秒,TE = 85毫秒,ETL = 16和BW = 20.83, THK = 6毫米间距= 1毫米,FOV调整是基于乳房的大小,从18厘米到28厘米,矩阵= 320×224,Frep DIR = A / P和NEX = 2。除了横断面T1WI,其他序列都是脂肪抑制序列。DCE-MRI是普通扫描后进行如下:(1)动态扫描后启动预扫描获得满意的图像质量的同时推动高压注射器按钮和动态扫描按钮;(2)使用MRI-specific高压注射器(Medrad喷射器系统、匹兹堡)注入0.1更易/公斤体重造影剂钆二乙撑三胺penta-acetic酸(Gd-DTPA)使用手静脉穿刺技术3毫升/秒的速度,然后注入10毫升生理盐水洗管3毫升/秒;(3)所有的病人接受了矢状活力多瞬时DCE-MRI使用3 d快速FSPGR脉冲序列和以下参数:FA = 12, BW = 83.33,矩阵= 288×288,FOV = 38毫米,阶段FOV = 0.90, Frep DIR = A / P,多相= 8 ~ 10,邮政= 2,THK = 3.4毫米和loc /板= 50 mm; (4) the initial section of the dynamic study was obtained in the sagittal plane at 20 second intervals for 11 minutes. After that, cross-sectional and sagittal MRI was employed using fat-suppressed enhanced T1WI sequence.

2.2。初始分割

分割精度有相当大的影响后续描述用来区分良性和恶性乳腺病变。因为这个原因,包括一名有经验的放射科医师来识别可疑地区首先乳腺病变的定位和定义感兴趣的一个矩形区域,如图2(a)感兴趣的区域作为一个输入下面的部分。然后一个两步分割方法用于找出病灶的精确轮廓。基于fcm聚类方法是用于生产的初始分割前的ROI养狐业蛇进行细化。

fcm是一种无监督的机器学习在模式识别领域,它已广泛应用于图像处理(23]。先生永远存在的重叠图像强度对不同组织因为噪声和模糊的收购。本质上不同的组织之间的界限是模糊的。传统的(困难)聚类方法迫使像素只属于一个类。因此,模糊c均值聚类(fcm)方法允许不确定归属的不同成员地图,是特别适合先生的分割图像。

在这项研究中,应用fcm方法构建的可能性的ROI加入地图(集群数量,2;加权指数,2;停止标准,0.0005,最大迭代,100)。binarize会员地图,我们有一些文章提到10,13)和实验确定一个阈值的可能性。在二进制会员地图,流程包括hole-filling,形态,和二维连通分支标签(8-connected对象)进行删除的断开连接的主要病变的部分。最后,得到一个初始分割大小略有减少。图2(b)显示了一个使用FCMs-based初始损伤分割方法。

2.3。养狐业细分

在这项研究中,梯度向量流蛇(预防)模型应用于进一步完善初始分割。这里的“蛇”一词指的是一个曲线,可以变形影响下的“内部”和“外部”部队(24]。预防蛇模型通常应用于医学图像,因为他们可以捕捉不规则形状和形状变形在解剖结构。其主要贡献是克服泄漏弱边界进展蛇进入凹边界地区。至于养狐业蛇模型,外部力场被定义为一个扩散的梯度向量的灰度边缘地图来自图像(25]。边缘地图来自一个图像被定义为 养狐业外部字段是向量场最小化能量函数 在哪里是一个正则化参数管理的第一项和第二项之间的权衡(2)。根据(25),我们选择在我们的研究实验的分割任务。

预防蛇是定义为一个参数曲线 在哪里表示一个弧长参数。曲线变形内力之间的迭代,直到达到一个平衡和外部力量。内部和外部的力量 在哪里和加权参数,控制蛇的紧张和刚度和实验设置为0.01,根据[024,25]。两倍和四倍质数代表第二和四阶的导数,分别。养狐业蛇模型由离散化数值求解和迭代以类似的方式对传统蛇(24]。在迭代过程中,内力可以防止蛇轮廓拉伸和弯曲过度25),而外力把蛇向真正的轮廓。我们将设置最大迭代当蛇迭代达到一个平衡。很难达到平衡时,图像很模糊和复杂。图2(c)显示了养狐业的变形由FCMs-based蛇初始化方法。

2.4。特征提取

2.4.1。纹理特征

纹理是物体的固有特性之一,和医学图像分析是很重要的26]。各种结构的算法已经提出的人员,如fractal-based描述,纹理谱和马尔可夫随机场模型(27- - - - - -29日]。应用灰度共生矩阵建立的纹理方法广泛应用于医学图像处理通过利用像素的相对位置15]。矩阵的元素应用灰度共生矩阵建立的是发生的联合概率密度为一对像素距离定义在一个ROI、方向和灰色的水平和。我们计算13结构措施最近的像素(距离:1像素)在四个方向有限,0°、45°、90°和135°,分别。应用灰度共生矩阵建立13特征源自角二阶矩,相反,相关性,逆不同时刻,和平均值,方差,和熵,熵,平均差异,差异方差,差熵,信息的相关性,分别为2和信息的相关性。由于图像的各向同性结构调查,我们评估的特性在当前的研究中是四个方向的平均值。这些纹理特征包含了一些重要的信息在同质性,相反,和其他组织结构的图像。

2.4.2。形态学特征

八个形态学特征,包括密实度、spiculation程度上,伸长,坚固,循环,和径向长度分布熵、选择和计算来描述形态属性乳腺影像报告和数据系统中定义的词汇。下面列出的这些特性的定义。 :密实度 在哪里和是给定的长度和周长面积乳腺MRI病灶轮廓,分别。 :Spiculation 在哪里是像素的数量在病灶轮廓和吗是单独的径向长度。个人径向长度定义为对象的欧几里得距离中心的轮廓像素。 程度: 在哪里是最小的矩形的面积包含给定的病灶轮廓。 :伸长 在哪里和垂直和水平长度的最小矩形包含给定的病灶轮廓。 :坚固 在哪里是可以包含的最小凸多边形的面积给定的病灶轮廓。 :循环 在哪里是平均的。 :径向长度分布的熵 在哪里是一个给定的概率密度。 :偏心率偏心是一个标量,指定的椭圆的离心率相同的second-moments病变区域。它的比例是椭圆的焦点之间的距离,其长轴长度。

2.5。分割性能测量

有些很难评价计算机分割方法的分割性能,因为没有金色的事实描述准确的轮廓。在本文中,我们把手册描述由两名有经验的放射科医生在解释BMRI作为参考标准。所有图片被两名放射科医生手动划定蒙蔽的组织学结果,和分歧通过共识来解决。图2(d)演示了放射科医生的描述。

FCMs-based病变区域提取的初始分割和GVF-FCMs与同行相比由放射科医生手动分割。皮尔森相关系数(皮尔森)和成对的学生的t以及用于评估计算机会计系统和手工分割之间的一致性。在接下来的讨论中,和表示病变区域由计算机计算和放射科医生对于给定的损伤,分别。意味着一个十字路口组从两种方法返回的病变区域意味着一套联盟。₁和优势₂被定义为两个重叠的措施比较电脑细分与放射科医生的描述(10,13)如下:

我们计算的优势₁和优势₂的分割性能评估FCMs-based初始分割和GVF-FCMs方法,分别。一般来说,一个更好的分割时达到优势价值的方法之一。

2.6。费舍尔逐步判别分析模型

判别分析包括衍生变量,它是一个独立变量的线性组合,将从先验歧视的最好定义组(30.]。初始数据的坐标变换的方法实现重叠的数据点的预测在不同群体最大限度地提高诊断准确性。

2.7。统计分析

FSDA涉及进入和删除功能得到显著子集预测恶性肿瘤,据子集的歧视性的力量增加了组成员预测(30.]。指的是(31日),我们设置的值输入临界概率和消除临界概率和,分别。FSDA用来做选择和分类的功能。在这项研究中,一个数据库被用于训练和测试,用“分析交叉验证”方法来避免overfit。所有的诊断性能计算的细节分析交叉验证方法。

模型在预测的准确性评估经常使用ROC分析。ROC曲线是由结合真阳性分数(灵敏度)和假阳性分数(1-specificity)用不同的阈值设置决定。ROC曲线下面积(AUC)估计的分类精度。一般来说,一个更大的AUC代表一个更好的预测性能。

3所示。结果与讨论

在准确界定病变乳房核磁共振图像引导活检是诊断的关键和相关,挤牙膏式手册描述的放射科医生既耗时又受制于interobserver和intraobserver变化(32]。我们目前的研究涉及计算机化分割和特征。本研究旨在克服这些问题。

3.1。分割性能

表1总结了区域的平均值和标准偏差的病灶轮廓分段FCMs-based, GVF-FCMs和放射科医生的手工描述,分别。计算机方法之间的差异和放射科医生手册描述分析了利用皮尔逊相关系数(皮尔森的)和成对的学生的t以及(表1)。最初的假设是,两组之间没有显著差异的病变区域分割不同的方法。

皮尔森的FCMs-based方法之间的病变区域分割和放射科医生的手册描述是0.891而配对t地区之间以及提取两种方法实现值为0.105。结果表明,区域由这两种方法是高度相关的平均水平没有显著差异。精制后的预防方法,和值均增加,仍显示高度相关性地区平均水平没有显著差异()。这些结果表明,两种计算机化方法有一定的潜力,帮助放射科医生在一个精确的描述,和GVF-FCMs方法显示两种方法之间的更好的性能。

图3显示区域的双对数散点图测量使用计算机化方法与放射科医生的手动分割。病变区病变区域的像素数量。我们画了双对数散点图,因为病变区域的范围宽。根据数据点的分布在图3、计算机方法有所低估了病变区域相比,放射科医生的参考面积,因为大部分的数据点分布在对角线的引用。GVF-FCMs方法具有较小的低估了。fcm实现的一个缺点是,该方法仅仅取决于强度信息,不包括像素的空间关系。为一个更复杂的病变增强,FCMs-based方法很难定位方法接近现实的病变的轮廓线。GVF-FCMs方法提高了初始分割当变形平衡内部和外部的力量。

图4展品的直方图电脑上的重叠措施方法:FCMs-based和GVF-FCMs。事实证明,所有病灶分割GVF-FCMs方法有优势比的值₁和优势₂超过0.6。在重叠GVF-FCMs方法具有更好的性能措施,。从[10),3 d分割阈值0.4表明,这个方法已经成功分割的病变。阈值应该在2 d更严格的分割和设置为0.6。重叠的阈值,质量病变都正确地分割细化后的预防方法。两组重叠比较采用配对学生的价值t以及,P之间的价值优势₁是0.064,而优势₂是0.005。优势₂值被发现在平均统计上显著的两个计算机之间的分割方法()。

3.2。费舍尔的特征选择和性能逐步判别分析模型

特征的情况下,形态和纹理特性评估,了解他们是否可以用于分类乳房病变,以及计算机的功能分割方法是否能有一个更好的诊断性能区分良性和恶性病变。在两个训练集,特征提取的两种方法都没有统计上显著的双功能之间的相关性。

3.2.1之上。GVF-FCMs特征提取的方法

在两个电脑分割方法中,GVF-FCMs方法达到更好的分割性能。因此GVF-FCMs因此采用以下分析方法作为一个特征的首选方法。当形态学特征是单独考虑,分类器包括三个特点:spiculation,怪癖,坚固,AUC为0.883。然而,应用灰度共生矩阵建立在使用纹理特征的分类器包含四个特点:熵,平均差异,差异方差和信息的相关性,并分类器可以实现的AUC 0.921。当结合所有的形态和纹理特性,选择五个特性分类器改进的AUC为0.968。他们熵,相关性,和平均,平均差异和稳健。诊断措施细节如表所示2。

3.2.2。特征提取的放射科医生的手册描述

分类器选择只有一个形态特征:spiculation AUC的0.836。应用灰度共生矩阵建立的纹理特性,分类器选择三个特点:熵、平均差异,和信息的相关性1与0.914的AUC ROC分析。当结合形态和纹理特性,只有三个提到的纹理特征选择没有任何形态特征。所以AUC是一样的只使用纹理特性。诊断性能给出了表的细节2。

3.2.3。基于计算机诊断性能的比较和手动分割方法

选择不同的形态学特征在使用不同的分割方法。Spiculation、偏心度和稳定性被选中当GVF-FCMs分割方法是应用,而只有通过选择Spiculation放射科医生的描绘。这些特性都是权重的不规则轮廓。一般来说,一个尖锐的轮廓和形状不规则归因于恶性病变而光滑的轮廓和形状是归因于一个良性小跑。电脑分割方法可以改善形态学特征的歧视性的力量,与放射科医生”描绘的结果进行比较。

当考虑纹理特征,选择的特征两种分割方法几乎是相同的。信息熵、平均差异和测量相关1都是选择的两种方法,但不同方差只选定的计算机方法。熵与损伤结构的异质性和复杂性。相关的纹理特征可能是平滑,均匀,和更低的增强的良性病变与不规则边缘相比,异构和更高的恶性病变的增强。诊断之间的性能是相似的纹理特征从不同的分割方法。

通过结合形态和纹理特性,没有一个形态学特征选择基于放射学家的描述而选择可靠的计算机化的分割方法。这可能是由于粗polygon-like轮廓放射科医生,和形态学特征只有温和的歧视性的权力。自从GVF-FCMs方法包括拉伸和弯曲轮廓在力平衡之前,它可以适应真正的病灶轮廓,因此GVF-FCMs方法的特点更符合乳腺病变的分类。

3.3。比较的ROC曲线下的面积

图5显示两个判别函数的ROC曲线。应用方法,德龙et al。33),无显著差异的两个auc之间观察到两个分类器()。结果产生两种影响:首先,计算机分类的特征提取方法有相似的判别能力现状的轮廓是由放射科医生;其次,电脑描述病变可能提供了一个更高效的和客观的方法来量化外观(纹理)和形状特征(形态)。

4所示。结论

在这项研究中,我们已经开发出一种方法基于fcm聚类和养狐业蛇似的质量损伤模型轮廓分割和特征的乳房核磁共振成像。分割性能措施表明,两步电脑化的分割方法是一种精确的方法来自动确定可疑病灶区域,可以帮助放射科医生在乳房核磁共振的发现和描述。特征的部分,费舍尔逐步判别分析用于选择形态和纹理特性,使分类使用“分析交叉验证”方法。预测性能基于GVF-FCMs分割比放射科医生的手动方法,但不同的是无关紧要的使用ROC曲线分析。乳腺MRI的应用计算机化分割和描述包我们开发了可以帮助放射科医生量化形态和纹理特性,改善乳房核磁共振成像解释的客观性和有效性。在未来,我们打算做进一步的验证和评估在更大的独立的数据库。

附录

模糊c均值聚类算法

模糊c均值聚类是一种无监督学习方法在模式识别23]。该算法用于最小化目标函数如下: 与约束 在哪里是像素的数量在感兴趣的区域(ROI);是集群的数量(值设置为2);是一个加权指数(a .);在ROI是一个像素的灰度;是集群中心(从随机分配);像素的可能性吗属于集群;的表示欧氏距离。

目标函数可能只有最小化 的值和将迭代更新(a .)和(各)。迭代停止准则时将停止或达到最大迭代(100)。

b .灰度同现矩阵应用灰度共生矩阵建立()和应用灰度共生矩阵建立特征提取

的空间灰度同现矩阵估计图像属性相关的二阶统计(15]。每个元素(应用灰度共生矩阵建立)在指定的次数的像素的灰度值发生相邻的像素值在给定的偏移量()。应用灰度共生矩阵建立数学上,在一个图像元素给药

在#代表特定pixel-pair的数量。如果是不同的图像的灰度值的数量,我们表示了吗

13个纹理特征计算如下。 :角二阶矩 :对比 :相关 在哪里和的平均值和标准偏差分别;和的平均值和标准偏差,分别。 :逆不同时刻 :和平均 :和方差 :和熵 :熵 :不同平均 在哪里是平均的。 :不同的方差 在哪里的意思是。 :不同的熵 1:信息的相关性 2:信息的相关性 在哪里。

作者的贡献

第一和第二作者的贡献同样这项研究。

承认

这项工作得到了国家自然科学基金(批准号10875178),基础研究基金为中央大学、高等教育专业博士项目的研究基金(批准号20110171110023)、广州技术支持项目批准号下2010 j-e151,广东省科技计划项目,中国批准号2010 a030500004。