王 婷 WANG Ting

后桂榮2 HOU Guirong

張 寧1 ZHANG Ning

余學飛1 YU Xuefei

2.南方醫(yī)院皮膚科 廣東廣州 510515

惡性黑色素瘤又稱黑色素瘤，是一種惡性程度較高、臨床預后較差的惡性皮膚腫瘤，多發(fā)生于皮膚，也見于黏膜和內(nèi)臟器官。惡性黑色素瘤通常由黑色素痣惡變而來，84%來自良性痣[1]。因此，良性痣與黑色素瘤的正確識別，對于黑色素瘤的早期診斷、治療尤為重要，早期診斷和治療能有效提高惡性黑色素瘤的治愈率。目前，臨床上常用的惡性黑色素瘤診斷方法是通過活體組織檢查，依據(jù)“ABCD”準則，即形狀不對稱（asymmetry）、邊緣不規(guī)則（irregular）、顏色不均勻（nonuniform）、瘤體直徑（diameter）通常大于6 mm。這種方法雖然簡單快捷，但診斷準確率低、誤診率高，而且需取活體組織進行檢查，給患者增加痛苦[2]。隨著計算機影像技術的發(fā)展，臨床醫(yī)師在計算機輔助診斷系統(tǒng)的幫助下，可診斷早期皮膚腫瘤，并提高診斷準確率。已有的輔助診斷算法根據(jù)組織決策分析方法來實現(xiàn)醫(yī)學圖像的自動分析，主要基于共生矩陣的圖像紋理特征進行分類判別，但該方法計算復雜度高，正確識別率低[3-5]。

激光共聚焦掃描顯微鏡（CLSM）又稱“皮膚CT”，是一種無創(chuàng)、安全可靠、早期診斷黑色素瘤的新成像工具，目前臨床醫(yī)師主要根據(jù)CLSM圖像視覺特征和臨床經(jīng)驗進行肉眼識別診斷良惡性黑色素瘤，但誤診率高。本研究基于CLSM圖像，選取小波變換的圖像紋理特征，研究在體惡性黑色素瘤的計算機輔助診斷算法，以協(xié)助臨床醫(yī)師實現(xiàn)早期診斷，為進一步治療和預后提供保障。

1 資料與方法

1.1 研究對象 收集南方醫(yī)院皮膚科40幅常見良性痣與40幅惡性黑色素瘤圖像，所以患者均經(jīng)病理切片檢查證實。

1.2 儀器與方法 采用美國Lucid VivaScope1500 CLSM，光源為830 nm激光束，輸出功率為1.0~4.5 MJ/cm2，掃描深度為120 μm以內(nèi)的表皮層及真皮淺層組織。CLSM圖像基于細胞器和組織自身結構的折射率不同而實現(xiàn)高分辨率。最終所得圖像為灰度圖像，其分辨率為1000×1000像素，每像素8位，圖像以BMP格式存儲。視野（FOV）0.5 mm×0.5 mm，可以對表皮和真皮組織的細胞級結構進行成像（圖1）。

圖1 激光共聚焦掃描顯微鏡皮膚圖像。A~C. 常見良性痣圖像示明顯的建筑結構，如基底結構周的痣細胞群和腫瘤細胞巢；D~F. 黑色素瘤圖像示黑色素細胞和結締組織，無或少有建筑結構。

1.3 算法研究 由皮膚組織的CLSM圖像可知，皮膚組織結構，如細胞、血管和其他包裹體等呈現(xiàn)出各種形狀。為了避免圖像分析過程中一般方法對圖像進行自動分割，本文將尺寸歸一化后的圖像均勻分割成相等大小的正方形單元，然后對單一的單元分別進行分析。

1.3.1 小波變換理論 小波變換是強有力的時頻分析處理工具，是在克服傅里葉變換缺點的基礎上發(fā)展而來的。它的一個重要性質(zhì)是能在時域和頻域均具有很好的局部化特征，能夠提供目標信號各頻率子段的頻率信息。這種信息對于信號分類是非常有用的。

圖像的小波變換過程是將圖像信號分解成不同尺度、不同頻率帶、不同方向的子圖像信號，從而由粗到細地對圖像進行分析。圖像的小波變換得到的是一系列小波系數(shù)，離散小波變換可通過矩陣操作（WT）來實現(xiàn)，公式為：C=WT(B)，B為圖像矩陣，C為小波系數(shù)矩陣，其中圖像 B=f(x,y)；x，y=0,…,L－1。C=c(k,l)；k，l=0,…,L－1；x,y,k,l為圖像像素坐標，L為圖像像素尺寸[6]。本文小波基選取為db4，小波分解尺度S=5，因此，每一個正方形單元圖像可分解3S+1個子頻率帶（圖2）。圖像分解即為圖像的小波變換過程，通過小波變換，將圖像分解成16個頻率帶，依次從低頻到高頻標為0~15。圖像的主要信息內(nèi)容包含在低頻系數(shù)，而高頻系數(shù)主要反映圖像邊緣、細節(jié)變換。前4個頻率帶（0~3）取均值作為低頻帶，其余為高頻帶，共可得到13個頻率帶。

圖2 圖像分解

1.3.2 基于小波變換的紋理特征提取 基于小波變換的圖像紋理分析方法是基于各個頻率帶的小波系數(shù)[7]。圖像通過小波變換得到一系列小波系數(shù)矩陣，紋理分析方法的核心就是這些小波系數(shù)的特征提取，主要特征包括每個子帶小波系數(shù)的標準差FSTD(i)、能量FE(i)和熵值FENT(i)。公式如下：

不同頻率帶的特征反映出圖像在不同尺度的組織結構和細胞結構。對每一單元，小波分解后得到16個頻率帶，由于前4個頻率帶特征參數(shù)取均值作為一個頻率帶，因此只需計算13個頻率帶，而每個頻率帶包含標準差、能量、熵值 3個特征參數(shù)，共可得到39個特征值。特征提取完成后，利用該特征向量來代表每個正方形單元，表示方法如下：

其中，i為第i頻率帶，n為第n個正方形單元，N為研究集正方形單元的總數(shù)，這些特征向量用于下一步分析。

1.3.3 分類 分類是由分類和回歸樹（CART）算法來實現(xiàn)的。CART是一種具有縱向分析特征的樹型結構，其分析結果的過程與臨床思維十分相似，因而容易被臨床醫(yī)師理解和接受。CART分析方法分樣本數(shù)據(jù)為訓練樣本和測試樣本，通過兩步實現(xiàn)：種樹（growing tree）和剪枝（pruning and shrinking）。

CART通過創(chuàng)建簡單的二叉樹結構來對數(shù)據(jù)進行分類，算法的輸入為特征向量集，如：

CART分類算法過程：①創(chuàng)建初始的根節(jié)點，它包含所有的訓練樣本。②特征向量xn中的每個特征屬性，用它構成問題對根結點進行提問測試，按照問題回答將根結點的樣本集分裂為左、右2個子集，這樣就能為當前根結點生成2個子結點。比如：

t為根節(jié)點，U為閾值。③選擇最優(yōu)的提問將根結點分裂成2個子結點。對每個屬性劃分，計算其Gini系數(shù)，Gini metric用來評估以最優(yōu)的分裂方式進行結點分裂[8]。④對每個子結點重復上述步驟，從而得到一棵最大的決策樹。然后對其進行剪枝，找出分類錯誤最小的子樹作為最終的分類模型。最終葉子結點的類別即作為測試樣本的CART預測結果。

本文算法總流程如圖3所示。

圖3 算法主要流程

2 結果

為了方便分析，將所有圖像大小歸一化為512×512像素，并進行分塊分析（分塊大小依具體而定）。圖像的每個單元經(jīng)過小波變換提取其13個頻率帶的標準差、能量、熵值等特征參數(shù)。不同頻率帶的特征反映出圖像在不同尺度的組織結構和細胞結構，在不同頻率帶內(nèi)，對良性痣與惡性黑色素瘤局部紋理進行小波變換后所得到分解系數(shù)的標準差和能量存在顯著差異，圖4為兩類圖像不同尺度的標準差值對比結果，分塊大小為128×128像素。結果顯示，對良性痣與惡性黑色素瘤局部紋理進行小波變換后所得到的分解系數(shù)標準差存在顯著差異，在多數(shù)中、低頻率帶中良性痣的值比惡性黑色素瘤偏高。

圖4 惡性黑色素瘤與良性痣圖像標準差參數(shù)對比。A、B分別為良性痣及惡性黑色素瘤圖像

所有圖像進行分類時，為了減少計算量，分塊大小選取256×256像素，每幅圖像可分成4個正方形單元，最終將所有單元的特征值作為樣本數(shù)據(jù)進行CART分類。本文共采集80例圖像，首先將所有圖像作為整個研究集，CART分析采用10倍交叉驗證方法進行分類識別。同時，南方醫(yī)院皮膚科多位臨床醫(yī)師依據(jù)相同數(shù)據(jù)樣本圖像，利用已有知識與經(jīng)驗來識別與區(qū)分良性痣與惡性黑色素瘤，最后結果取各位醫(yī)師診斷正確率的平均值。然后將整個研究集隨機選取40例圖像（20例良性痣與20例惡性黑色素瘤）進行訓練，另外40例進行測試。

本文在已有方法上選取不同特征參數(shù)進行分類（表1）。當進行總樣本數(shù)據(jù)分析時，分別選取標準差為分類指標，標準差、能量為分類指標，標準差、能量、熵值作為指標進行3次試驗。結果顯示，前2次試驗在惡性黑色素瘤和良性痣圖像中正確分類率分別為97.50%、88.75%，95.00%、91.25%（正確分類率即分類器的正確率，指分類器正確分類的項目占所有被分類項目的比率）。當輸入為所有特征參數(shù)分類時正確率最高，在惡性黑色素瘤圖像中正確分類率為95.00%，在良性痣中達92.50%，平均正確率為93.75%。與之相比，臨床CLSM圖像肉眼識別方法對惡性黑色素瘤和良性痣的正確分類率只能達到90%、86%，平均正確率為88%[9,10]。該算法分類結果明顯優(yōu)于肉眼識別，提高了診斷準確率。當圖像集被均分為訓練集和測試集時，CART分析在訓練集中能正確分類96.25%的黑色素瘤圖像和93.75%的良性痣圖像，平均正確率為95.00%；在測試集中，正確分類率分別為91.25%、87.50%，平均正確率也可達到89.38%。

表1 已有算法與本文算法比較

3 討論

CLSM是一種用于惡性黑色素瘤早期發(fā)現(xiàn)與診斷的理想輔助成像工具。臨床醫(yī)師利用激光共聚焦掃描顯微鏡通過肉眼來識別惡性黑色素瘤不僅需要接受一定的訓練，而且需要觀察者具備必要的專業(yè)知識和臨床診斷經(jīng)驗。由于個體差異以及醫(yī)師對影像信息觀察掌握的局限性，有時不免會產(chǎn)生判斷失誤或錯誤。

計算機輔助醫(yī)學診斷是通過計算機模擬專家思維和推理過程，結合計算機的分析計算，輔助醫(yī)師發(fā)現(xiàn)病灶，提高診斷準確率[11,12]。本文基于CLSM圖像，在Matlab開發(fā)環(huán)境上，提取經(jīng)典小波變換的紋理特征，該方法簡易且區(qū)分度高，從而易于圖像的檢測識別。本文算法提高了臨床惡性黑色素瘤的診斷準確率，降低了良性痣的誤診率；與病理“金標準”相比，也具有較好的一致性，并且彌補了傳統(tǒng)的病理切片的缺點。因此，對黑色素瘤的診斷和鑒別診斷具有重要意義。

[1] 李泓馨, 張選棉, 高天文. “皮膚CT”——皮膚病診斷的新手段. 中國皮膚性病學雜志, 2007, 21(7): 432-434.

[2] 鐘連生, 金鑫, 權晟, 等. 皮膚三維CT在尋常性銀屑病診斷中的應用. 中國皮膚性病學雜志, 2011, 25(8): 607-608.

[3] Gareau D, Hennessy R, Wan E, et al. Automated detection of malignant features in confocal microscopy on superficial spreading melanoma versus nevi. J Biomed Opt, 2010, 15(6):061713.

[4] Wiltgen M, Gerger A, Smolle J. Tissue counter analysis of benign common nevi and malignant melanoma. Int J Med Inform, 2003, 69(1): 17-28.

[5] Zhang H, Zhang XB. Texture feature extraction based on wavelet transform. International Conference on Computer Application and System Modeling, 2010, 14(10): 146-149.

[6] Gerger A, Smolle J. Diagnostic imaging of melanocytic skin tumors. J Cutan Pathol, 2003, 30(4): 247-252.

[7] Wiltgen M, Gerger A, Wagner C, et al. Evaluation of texture features in spatial and frequency domain for automatic discrimination of histologic tissue. Anal Quant Cytol Histol, 2007,29(4): 251-263.

[8] 錢揖麗, 荀恩東. 基于分類回歸樹CART的漢語韻律短語邊界識別. 計算機工程與應用, 2008, 44(6): 169-171.

[9] Gerger A, Koller S, Kern T, et al. Diagnostic applicability of in vivo confocal laser scanning microscopy in melanocytic skin tumors. J Invest Dermatol, 2005, 124(3): 493-498.

[10] Gerger A, Hofmann-Wellenhof R, Samonigg H, et al. In vivo confocal laser scanning microscopy in the diagnosis of melanocytic skin tumours. Br J Dermatol, 2009, 160(3): 475-481.

[11] 劉春, 楊韜, 王娟, 等. 計算機輔助診斷技術中圖像紋理研究的主要方法及其應用. 中國組織工程研究與臨床康復,2009, 13(39): 7721-7727.

[12] Erkol B, Moss RH, Stanley RJ, et al. Automatic lesion boundary detection in dermoscopy images using gradient vector fl ow snakes. Skin Res Technol, 2005, 11(1): 17-26.