在分割和结节的分类人工神经网络模型在乳房超音波数字图像应用

抽象

这项研究提出了乳腺超声所见的自动检测和表征的方法。我们进行在从制成仿组织材料的乳房体模获得的超声图像的测试。当结果是相当大的，我们应用到临床检查相同的技术。该工艺采用开始预处理（Wiener滤波器，均衡和中值滤波），以尽量减少噪音。又过了五项分割技术进行了研究，以确定病灶轮廓的最简洁的表达，使我们能够考虑神经网络SOM作为最相关的。对象的划界后，最具表现特征被定义为以下发现的形态的说明中，产生所述输入数据到神经多层感知器（MLP）分类器。训练用模拟图像期间所取得的准确率为94.2％，产生0.92的AUC。为了评估数据概括，分类用的一组未知影像至系统，既模拟器和临床试验，导致分别为90％和81％，的精度进行。建议的分类被证明是在乳腺超声诊断的重要工具。

1.简介

根据美国癌症协会的数据，每年有超过178000名妇女受到乳腺癌的影响；国际统计报告估计每年有1152161例新病例。这种疾病是40至55岁妇女的主要杀手，也是妇女的第二大死因[1]。由于这个原因，使早期检测和诊断筛查技术已经为了增加生存的机会少用积极的治疗[研究2，3]。

在目前可用的筛选技术，乳房X光检查是最常用的，视为黄金标准，以乳腺肿瘤检测。然而，调查致密乳房由于相对较高的假阴性率[当这个程序是事倍功半1]。此外，不必要的活检的数量是非常大的，并可能导致在实质更改难以阅读随后的乳腺摄影图像[2]。

近年来，超声检查已证实用作辅助常规X线摄影乳房病变的检测和分类[一个有价值的技术1]。这个过程已被用于获得额外的诊断信息，以减少不必要的活检的数量和更准确地帮助简单囊肿的诊断（大约功效的96-100％时这两种技术一起使用）4]。超声波的另外一个优点是，它不使用电离辐射，因此是非常有用的尤其是对于年轻患者谁往往有致密乳房[五]。

医学图像异常的检测是一个容易出错的过程，即使是合格的放射科医生，由于定义边界的主观性，良性和恶性特征的重叠，以及可能混淆诊断的伪影的存在[6]。为了提高诊断的准确性和减少此类错误，已经开发了计算工具来为专家提供第二种意见，并帮助早期发现乳腺癌。在此背景下，本研究旨在开发一种基于超声图像中病灶自动检测的辅助诊断工具，并结合对其形态学特征的分析，对临床可疑(恶性)或非良(良性)的发现进行相应的分类。

2。材料和方法

本研究使用的数据库由两组不同的乳腺超声图像组成。第一个对应于乳房幽灵的图像，第二个对应于传统临床检查的图像。

2.1。数据库

幻影图像是从巴西圣保罗大学医学仪器和超声创新小组（GIIMUS）的测试中获得的。本研究中使用的模型是BB-1模型（乳腺活检模型，ATS实验室）和维埃拉等人先前开发的模型。[7]。所有的幽灵作了声学仿组织材料制成，并具有类似于成年女性的乳房的形状。数字1说明了这些幻影的几个例子。

All these phantoms were submitted to ultrasound beams from a GE Logic-Book XP portable device, operating in the frequency range of 1–10 MHz. A total of 144 phantom images in B-mode were acquired as those illustrated in Figure2。

在圣卡洛斯，SP，巴西成像诊断的两个医疗中心，提供临床超声图像。Four devices were used in the process of obtaining these images, Siemens G50, Medison X8, Toshiba Nemio 30, and General Electric Logiq P5, considering a broadband linear transducer of 7.5–10 MHz frequency range. A total of 123 images were acquired during imaging routine procedures. Figure3示出了具有这样的不同设备获取的B模式超声图像的一些例子。

3.图像的处理

对于每一个图像，一个有经验的放射科医师，以便检测与可疑病变的外观进行分析，然后选择的感兴趣（投资回报）​​的区域。这些感兴趣区具有矩形形状，并且包括在病灶和周围的组织。因此，这样的方法得到相应于实际临床超声图像和从​​图像幻影144 173点的ROI。

为了噪声去除并平滑图像分量，感兴趣区已通过维纳滤波器，其次是对比度增强（图像均衡）和中值滤波器进行预处理。

基于分割技术的可变性，在评估疗效时考虑了一些用于突出病变的技术：活动轮廓[14]、区域发展[15]，模糊-means [16]-means [17， SOM神经网络[18，19]。

然后，后处理技术应用于旨在改善分割的质量，因为许多像素进行了验证使用上述的一些技术中提到之后从实际病变断开。因此，这样的效果已经产生了更spiculated和嘈杂的外表比实际有结节。此外，内部的山谷进行鉴定。因此，从感兴趣的对象断开连接的工件被淘汰和内部谷都加入了区域[20.]。

4.特征提取和选择

数字图像的特征提取是识别目标的关键步骤。在大多数情况下，需要使用多个度量来确定模式属于哪个类。最常见的方法是从每个样本中提取几个度量值，然后通过一个向量来表示它们，向量将作为分类器的输入[21]。

一般来说，良性肿瘤与较软的形状相对应，恶性肿瘤往往具有不规则的边缘[10]。因此，基于病变的形状如先前报道[22，每个样本提取24个形态学特征。

然而，由于考虑到大量的功能，高斯分布曲线[21]使用了关于这个功能集的优化，使其能够准确地描述所确定的对象。在此过程中，每个描述符被归一化和高斯曲线是基于值的呈现为每个类（或只是两个用于这项工作的目的）的分布产生。这些曲线的分析是通过的一些细节目视检查进行的。最重要的是曲线交叉点的电平：越小其发生，表示这种类别这样的特征的较高概率。此外，在横坐标轴的值的分布范围必须以确定的类之间的最佳距离进行检查。数字4示出了这些曲线的一些示例。

5个。分类

多层感知器(MLP)神经网络是一种常用的鉴别良恶性病变的工具。它的拓扑结构由感觉单元组成，其中包括输入层、一个或多个隐藏层(也称为中间层)和一个输出层[23]。学习过程受到监督;也就是说，所需的输出是必需的。监督学习算法通过输入和期望输出之间的比较行为来分析训练数据，并生成一个推断函数，该函数可用于映射新示例。最优方案将允许算法正确地确定未知实例的类标签。

在学习方法（反向传播）执行比较后，将突触权重连续地调整达到收敛。在该步骤中，通过所述网络和所述期望信号产生的响应之间的差异进行评估。网络调节突触权重的值，并且仅当该错误假定一个可接受的值[该处理完成23]。

交叉验证方法被用于评估数据的概括。该过程通过数据集的随机分配进行成两个子集：训练和测试[23]。训练只在幻像由于在实际临床检查数量低的恶性案件完成。因此，被用于分类从体模图像144点的ROI中，对应于良性72和72至恶性的图像。从这些图像144，70％被指定用于训练和30％进行验证。

6.结果与讨论

第一个计算测试是在一组80个来自幻影图像的roi和50个来自实际临床图像的roi上进行的。在ROI选择后，应用以下预处理技术:维纳滤波、均衡滤波、中值滤波。数据五和6显示出对幻影和临床图像预处理这个效果的一些例子。

在第二步中，一些分割技术（如前面在小节中提到的3）为了精确地描绘与平滑和规则的边缘病变施加。活动轮廓是，没有使用预处理的唯一技术。然而，这是必须施加开口和分割之后，关闭形态学算子来平滑分割病变边缘[22]. 由经验丰富的放射科医生提供的手动分割，以及分割技术应用和后处理对幻象图像的影响的一些示例如图所示7。

为了证实这些方法对实际临床图像的有效性，应用了相同的技术并进行了类似的评估。相应的结果如图所示8。

由于在评价中要寻找最准确的探测器是视觉上的主观性，因此确定了一些措施来量化自动定义的边缘和由经验丰富的放射科医生手动划定的边缘之间的距离。因此，根据[24-26]. 幻影图像数据集的计算值如表所示1而表2报告中的值，但他们计算了实际乳房的图像数据集。

基于这些数据，可以看出主动轮廓线分割和SOM神经网络分割的优越性。此外，当比较这两种方法与放射科医生的界定时，他们报告了更高的准确性和较低的错误率。因此，这两个探测器分别进行测试，以收集最佳的分类结果与幽灵以及实际的临床图像。

第一步是24个形态特征[提取22]只适用于144张幽灵图像(其中72张为良性信号，72张为恶性信号)。然后利用高斯分布曲线选取最相关的特征。在产生的24条曲线中，没有显示出适当的视觉结果的曲线，即有完全或部分重叠区域的曲线被丢弃。8个高斯分布为主动轮廓分割和SOM分割提供了良好的分割效果，如表所示3。

根据高斯分布曲线选取的8个特征分别引入MLP，但得到的结果并不显著。因此，对所有可能的组合进行了测试。

网络拓扑结构在训练过程中不断调整。神经元中的单隐层中的量变化范围为1到9，和0.1和0.9之间的学习速率不断地调整。在此步骤期间，数据的70％分配给训练和30％至验证过程。

表中描述了为每个检测器获得最佳结果的拓扑结构4。在分类的准确率当病变是由SOM分割为94.2％，它是95.6％当病变是由主动轮廓分段。

数字9示出了用于确定由重复的分析来选择每个描述符相应的高斯分布曲线。

在完成分类过程之后，我们获得了真阳性（TP），假阳性（FP），假阴性（FN），和真阴性（TN）的值，如表五。

在图10，关于与MLP幻影图像的分类ROC曲线被示出为用于通过网络SOM的（a）以及由活动轮廓（b）中的分割。对于曲线（AUC）下的面积计算出的值被显示在它们各自的图形。

这种分类器的性能进行了比较先前由相关成分与文献相似的目的描述等。表6显示以前这些研究的每一个相比，我们的研究结果主要呈现在精度，灵敏度和特异性方面利率的数据。

两种分类方案均采用SOM(病例1)和active contour(病例2)对乳腺病变的轮廓进行分割，均具有较高的敏感性和特异性，与表中所考虑的工作相似6。这两种情况都达到了同样的精度，并且比这类工作的所有结果都要高。在我们的研究中，病例1的敏感性更高，而病例2的特异性更高。

此外，它要强调，在我们的研究训练和验证程序，是幻像进行，由于小集合对应于类临床影像的重要的“恶性”。这些幻像有兴趣结构具有相对规则的形状，并在某些情况下，他们很容易被分割。这在帮助在这两种情况下实现高精确度（良性和恶性模拟结构）。为了评估分类是否能够概括，并且当应用于实际的临床图像得出了类似的结果，进行与第二数据集的测试，考虑到它与具有略微不同的固有特性幻像训练的事实。与此目的，有经验的放射科医生确定173倍的ROI，其被自动地由两种技术（即，活动轮廓和SOM）分段。然后，硬度，面积比，和形式因子的措施从每个ROI提取。最后，这些数据被用于由与拓扑结构提供用于每个检测器的最佳结果的神经网络分类器（在表中所示4）。在此分类中获得的结果列于表7。

高FP率主要与幻像和实际的，主要是模拟结构之间的幻影测试下更圆形状的形态差异。其结果是，与细长形状的肿瘤临床图像被错误地分类。数字11举例说明这种特性的一个例子。

即使有这些形态上的差异，分类器在使用SOM分割时仍能获得良好的数据泛化效果，敏感性达到100%，特异性达到78%。在活动轮廓分割后的分类中，虽然特异性几乎相同，但敏感性率明显降低(仅63%):79%。当计算曲线下的面积时，这种差异很明显;结果如图所示12。

7.结论

超声图像中良恶性特征的重叠，使诊断过程变得主观化，容易使乳腺病变的诊断复杂化。为此，计算机辅助设计（CAD）方案应运而生，通过计算机化的特征描述来改进放射科医生的分析。

从乳腺超声收购主要是由于去斑于病灶边界定义噪声影响评估图像时的一些缺陷但是经常出现在许多CAD方案。这是在分割程序之前应用预处理技术的原因。

测试了五种探测器技术，并测量了它们与地面真实情况的关系，只有SOM网络和活动轮廓产生了显著的准确率。

主动轮廓技术的差速器而不需要预处理和使用形态学算子的平滑边缘。不过，这最终导致平滑病灶限制一些变化，影响分类步骤。此外，它的算法复杂，需要很多数字运算和迭代，直到数据的融合已经达到了。因此，这导致高的计算成本，使得加工相对慢：关于每个ROI 30秒。

另一方面，SOM网络分割产生了更平滑的轮廓和更快的结果，可以更好地了解良性和恶性病变的形态学差异。

基于这样的结果，对两个检测器进行由MLP的分类。经过广泛的测试和拓扑变化，检测所述拍摄分类乳房幻像通过主动轮廓大于95％的准确，速率高于由SOM网络（94.24％）的检测。然而，当应用于实际临床图像，其已经注册的77.5％的准确度的分类与由检测活动轮廓的索引显著降低。相反，用检测分类准确率通过SOM几乎81％。因此，利用神经网络SOM的检测允许更好的精度和数据概括当新的图像被引入分类。

要强调的另一个重要特点是贡献乳房幻影超声图像为这项调查做出，因为它们是已知的材料和形态特征可管理的数据集。此外，由于涉及到模拟的病灶形态变化较大，可以提供，该数据集将成为与美国实际图像测试之前，网络训练有用的，特别是用于临床超声弹性成像的新的指导方针和建议。

这里描述的系统具有直观易用的界面，提供快速而准确的答复的专家。该工具是完全自动化的，但允许，如果有必要，用户干预，以提高分割过程中，由于在训练的最大和最小参数手动改变。据认为，该系统已经产生了良好的效果，作为对乳腺超声诊断援助的重要工具。

相互竞争的利益

作者宣称，他们没有竞争的利益。

致谢

由于是由于FAPESP（PROC 2010 / 14194-5）提供的财政支持;分众医疗诊所，并提供美国临床图像综合中心影像诊断在圣保罗卡洛斯（巴西）的圣卡萨;并卢西亚娜B.Verçosa博士，医学博士，她的实验测试的贡献。

参考文献

1. 黄永发。李英成，陈家华。张等，“b超边界不规则性和多声像图特征的计算机辅助诊断”，《中国医学杂志》医学影像2013：计算机辅助诊断卷。8670SPIE论文集2013年2月，美国佛罗里达州布埃纳维斯塔湖。查看位置：出版商的网站|谷歌学术
2. M. H.邑，E. A. Edirisingue和H. E. BEZ，“对象在超声图像边界检测，”在IEEE第三届加拿大计算机与机器人视觉会议（CRV'06）论文集，第53-58页，2006年6月。查看位置：出版商的网站|谷歌学术
3. 程海东，胡，朱，田，“乳房超声图像中肿块的检测与分类”，数字信号处理卷。20，没有。3，第824-836，2010。查看位置：出版商的网站|谷歌学术
4. K. Horsch, M. L. Giger, L. A. Venta，和C. J. Vyborny，“超声对乳腺病变的自动分割”，医学物理卷。28，没有。8，第1652-1659，2001。查看位置：出版商的网站|谷歌学术
5. K. G.金，S. W.卓，S. J.敏，J. H.金，B. G.敏和K. T.裴勇俊，“评估乳腺肿块的超声表现计算机化计划”放射学学术，第12卷，no。1，第58-66页，2005。查看位置：出版商的网站|谷歌学术
6. A. T.斯塔夫罗斯，“在乳腺超声新进展：计算机辅助检测，”超声诊所卷。4，没有。3，第285-290，2009。查看位置：出版商的网站|谷歌学术
7. S. L.维埃拉，T. Z.帕，J.利亚小型，和A. A. O. Carneiro的“石蜡凝胶仿组织对超声引导下穿刺活检体模材料，”医学与生物学中的超声卷。39，没有。12，第2477至2484年，2013。查看位置：出版商的网站|谷歌学术
8. 张、陆，“形状表现与描述技术之回顾”，模式识别卷。37，没有。1，第1-19页，2004年。查看位置：出版商的网站|谷歌学术
9. M. Peura和J. Iivarinen，“简单的形状描述符的效率，”在第三届视觉形式国际研讨会论文集(IWVC3 '97)，第443-451，卡普里岛，意大利，1997年5月。查看位置：谷歌学术
10. R.-F.长安，W.-J.吴，W. K.月球和D.-R.陈，“超声分割和形态基固体乳腺肿瘤的自动诊断”乳腺癌研究与治疗，第89卷第1期。2，第179-185页，2005。查看位置：出版商的网站|谷歌学术
11. A.五阿尔瓦伦加，W. C. A.佩雷拉，A F. C. Infantosi和C. M.阿泽维多，“关于使用形态参数超声图像乳腺肿瘤的分类，”在IEEE智能信号处理国际研讨会论文集，第206-210，2005年9月。查看位置：谷歌学术
12. 叶文华，“乳房超声病灶之分类:人工描述与计算机分割之效能评估”，国立中央大学医学研究所硕士论文有医学成像卷。的9787SPIE论文集，圣迭戈，加利福尼亚州，美国，2016年2月。查看位置：出版商的网站|谷歌学术
13. R.辽，T.万，和Z.秦“在超声图像良，恶性乳腺肿瘤基于多超声和纹理特征的分类，”在在智能人机系统与控制论第三届国际会议论文集（IHMSC '11），第71-74页，2011年8月。查看位置：出版商的网站|谷歌学术
14. M.卡斯A.威特金，和D. Terzopoulos，“蛇：主动轮廓模型，”国际计算机视觉杂志卷。1，没有。4，第321-331，1988。查看位置：出版商的网站|谷歌学术
15. R.亚当斯和L.比朔夫，“种子区域生长”IEEE交易模式分析与机器智能，第16卷，第6期，第641-6471994页。查看位置：出版商的网站|谷歌学术
16. J. C. Bezdek，模式识别与模糊目标函数算法，Kluwer学术，葛诺，马萨诸塞，美国，1931年。
17. E. Forgy，“多变量数据的聚类分析：分类的效率对解释性，”生物识别技术，第21卷，第768-769页，1965。查看位置：谷歌学术
18. T. Kohonen的，自我组织和联想记忆，施普林格，纽约，NY，USA，第3版，1984年。
19. K、 D.Marcomini，H.Schiabel和A.A.O.Carneiro，“乳腺超声图像中病变自动检测方法的定量评估”，in医学影像：计算机辅助诊断卷。8670SPIE论文集，第271-277，2013年2月。查看位置：出版商的网站|谷歌学术
20. K. D. Marcomini和H. Schiabel，“结节分割在乳腺超声利用人工神经网络的自组织图，”在世界工程大会论文集，第1152至1155年，2012。查看位置：谷歌学术
21. P. B. Ribeiro, H. Schiabel和A. C. Patrocinio，“通过从乳房肿块中选择最佳纹理特征来改进人工神经网络的性能，”IFMBE诉讼卷。14，页。2321年至2324年，2006年。查看位置：谷歌学术
22. m . D. Marcomini, a . O. Carneiro和H. Schiabel，“超声乳房图像中结节检测和分类的计算机工具的开发”医学影像：计算机辅助诊断卷。的9035SPIE论文集，圣迭戈，加利福尼亚州，美国，2014年2月。查看位置：出版商的网站|谷歌学术
23. S、 海金，神经网络和学习机，Prentice Hall出版社，新泽西州，新泽西州，美国，第3版，2008年。
24. C.裴，C. Wang和S.许，“使用标记控制的分水岭变换乳房X线照片的乳房区域的分割，”在在信息科学与工程学院第二届国际学术会议论文集（ICISE '10），第2371至2374年，IEEE，中国杭州，2010年12月。查看位置：出版商的网站|谷歌学术
25. M.维尔特，D. Nikitenko和J.里昂，“在使用基于规则的模糊推理算法乳房X线照片的乳房区域的分割，”ICGST-GVIP期刊卷。5，没有。2，第45-54页，2005年。查看位置：谷歌学术
26. T.福塞特“的介绍ROC分析，”模式识别快报，第27卷，no。第861-874页，2006。查看位置：出版商的网站|谷歌学术

版权

版权所有©2016卡里姆D. Marcomini等。这是下发布的开放式访问文章知识共享署名许可，它允许在任何媒体中不受限制地使用、分发和复制，前提是正确引用了原始作品。