蔡雅麗，蔡盛，施敏敏，陳向榮，柳培忠,3，黃永礎*

1.福建醫(yī)科大學附屬泉州市第一醫(yī)院影像科，福建泉州 362000；2.華僑大學工學院，福建泉州 362021；3.華僑大學醫(yī)學院，福建泉州 362021； *通訊作者 黃永礎 huangyc79319@163.com

乳腺癌是女性發(fā)病率最高、增長最快的癌癥之一。據(jù)世界衛(wèi)生組織統(tǒng)計，全球每年超過120萬女性新患乳腺癌，50萬女性死于乳腺癌，其發(fā)病率以每年2%~8%的速度遞增[1]。美國癌癥協(xié)會2019年提供的數(shù)據(jù)顯示，美國2018年新增女性乳腺癌患者27萬例，死亡4萬例[2]；中國平均每年新增乳腺癌16.9萬例，死亡4.5萬例。中國乳腺癌的發(fā)病率增長速度快，發(fā)病年齡呈年輕化趨勢[3]。

微鈣化是乳腺癌最為重要和明顯的病理征象。特別對于早期“隱匿性”的乳腺癌，微鈣化通常是唯一的標志，亦是早期乳腺癌的重要標志。乳腺X線攝影是乳腺癌/病變檢測的常用方法，在對微鈣化的檢查較乳腺彩色多普勒超聲及乳腺MRI檢查具有更高的敏感性。但由于微鈣化與周圍血管、導管等復雜的組織結構相似，常存在漏診等情況。本研究擬研究計算機輔助系統(tǒng)在乳腺鈣化性病變X線攝影診斷中的應用，為乳腺癌的早期診斷提供參考。

1 資料與方法

1.1 研究對象 回顧性分析2018年1—9月于福建醫(yī)科大學附屬泉州市第一醫(yī)院進行乳腺X線攝影檢查、診斷，并經手術病理證實的316例病例，其中經病理證實為含鈣化病灶112例，不含鈣化病灶204例。納入標準：①女性；②經手術病理證實；③行雙側乳腺頭尾位及內外側斜位X線攝影；④影像圖片質量合格，臨床資料完整。排除標準：①既往有乳腺手術史（包括病變切除、假體植入）；②影像圖片質量不佳、臨床資料不全者。本研究經我院倫理委員會批準，患者自愿簽署知情同意書。

1.2 乳腺X線圖像采集 采用Siemens數(shù)字化乳腺X線機拍攝雙側乳腺頭尾位及內外側斜位片。標準化壓迫乳房，壓迫板壓力60~200 N。每例樣本均由具有多年工作經驗的專業(yè)放射學醫(yī)師進行甄選。去除患者的病理信息、姓名、性別、年齡、出生日期、病歷號、影像號及乳腺X線檢查日期等。將病理資料分為兩組，選取216例乳腺X線攝影圖像作為計算機檢測算法的訓練樣本（含鈣化病變62例、不含鈣化病變154例），用于建立檢測算法模型并進行回顧性分析；選取100例乳腺X線攝影圖像作為計算機檢測算法和2名放射學專業(yè)醫(yī)師鈣化檢測能力對比的測試樣本（含鈣化病變50例、不含鈣化病變50例）。每例乳腺X線攝影圖像數(shù)據(jù)樣本大小為4084×3328。

1.3 計算機輔助鈣化病變的檢測方法 計算機輔助鈣化病變檢測方法見圖1。包括乳腺X線圖像預處理、感興趣區(qū)（ROI）分割、特征提取以及分類器設計等。原始正常和鈣化圖像經過預處理步驟以提升對比度和去除噪聲干擾；觀察灰度直方圖找出顏色區(qū)間，利用K-means算法分割ROI，統(tǒng)計灰度共生矩陣和局部二值化紋理特征，對比支持向量機（support vector machine，SVM）、隨機森林（random forests，RF）、自適應提升算法（adaptive boosting，AB），得到最優(yōu)鈣化圖像檢測算法。

1.3.1 乳腺X線圖像預處理 利用塔形方向濾波器組對圖像進行多尺度分解濾波以過濾大部分噪聲[4]；再利用局部直方圖均衡化對乳腺區(qū)域進行圖像增強，對乳腺局部對比度較低的區(qū)域進行非線性拉伸，圖像中的每個像素值得到重新分配，使得灰度直方圖峰頂部分對比度增強，谷底部分對比度降低。

圖1 乳腺鈣化病變計算機輔助檢測算法流程

1.3.2 ROI提取 利用K-means聚類算法多閾值方法將乳腺圖像分割為多個目標區(qū)域和背景。通過多閾值分割確定鈣化點所在的ROI區(qū)域。但是分層過細會引入過多的假陽性區(qū)域[5]。為進一步降低假陽率，后續(xù)將得到的ROI區(qū)域利用特征分類器進行分類。

1.3.3 圖像特征提取分析 該算法主要采用圖像紋理和形狀特征，包含圖像中各像素間的空間分布關系，利用局部二值模式算法的旋轉不變性和灰度不變性等特點提取局部紋理特征，利用的灰度共生矩陣提取包括能量、熵、對比度、相關度等形狀特征。結合局部二值模式與灰度共生矩陣的特征提升乳腺鈣化算法檢測效果[6]。

1.3.4 機器學習算法 在pycharm軟件上采用python3.6實現(xiàn)機器學習算法編程。本研究使用SVM、RF和AB的機器學習方法。

1.4 醫(yī)師診斷方法 分別由從事乳腺X線攝影診斷約1年的低年資住院醫(yī)師和從事相關工作約5年的低年資主治醫(yī)師在規(guī)定時間內對100例測試樣本進行鈣化區(qū)域的診斷分析。

1.5 統(tǒng)計學方法 采用SPSS 20.0軟件，通過與病理結果進行對照，利用受試者工作特征（ROC）曲線分別評價3個分類器算法及2名放射科醫(yī)師對病變檢測的準確度。計算曲線下面積作為衡量標準。同時計算該方法對于該診斷方法的敏感度、特異度、準確度，采用χ2檢驗進行比較。P<0.05表示差異有統(tǒng)計學意義。

2 結果

從事乳腺X線影像學診斷工作約1年的低年資住院醫(yī)師鈣化檢測的準確率為80.0%；從事乳腺X線影像學診斷工作約5年的低年資主治醫(yī)師的準確率為85.0%。SVM、RF和AB算法均可較好地區(qū)分正常樣本和鈣化樣本，檢測的精確率分別為90.0%、81.5%和87.5%，ROC曲線下面積分別達0.9372、0.8526和0.9272；2名醫(yī)師的ROC曲線下面積分別為0.8250、0.8750（表1、圖2）。SVM算法和從事乳腺X線診斷工作5年的低年資主治醫(yī)師準確率比較，差異有統(tǒng)計學意義（χ2=5.380，P=0.02）。SVM算法和低年資住院醫(yī)師準確率比較，差異有統(tǒng)計學意義（χ2=4.729，P=0.029）。

表1 SVM、RF和AB算法的鈣化檢測結果比較

圖2 SVM、RF和AB三種算法的ROC曲線

3 討論

3.1 計算機輔助系統(tǒng)在乳腺鈣化性病變X線攝影中的診斷價值 乳腺癌是常見的女性惡性腫瘤，發(fā)病原因未知且難預防，故早期診斷和早期治療是治愈乳腺癌、降低病死率的關鍵。乳腺鉬靶X線攝影是目前乳腺癌診斷的首選方法[7]。微鈣化是乳腺鉬靶X線攝影圖像中最重要、最明顯的病理征象之一。因此，微鈣化點的檢測對于乳腺癌的早期診斷具有重要意義。目前對于鈣化點的檢測多依賴于醫(yī)師觀察乳腺X線圖像，對醫(yī)師經驗要求較高，且日常圖像數(shù)量巨大，易造成視覺疲勞。本研究提出的計算機輔助檢測技術能夠較好地幫助傳統(tǒng)的乳腺醫(yī)師閱片，尤其是一些低對比度的細小鈣化點。這類鈣化點通常密度較低，與致密的腺體背景重疊，醫(yī)師難以識別。同時計算機診斷技術可節(jié)省診斷時間，提高診斷準確率[8]。本研究能 夠初步達到很好的結果，智能地找到微鈣化區(qū)域，最 后與病理學進行對照，為醫(yī)師提供第二參考點。

3.2 計算機輔助系統(tǒng)與其他研究結果的差異 近年，研究者利用計算機輔助技術對乳腺鈣化進行檢測與診斷。對于乳腺X線圖像檢測鈣化點的研究方法大體分為3類：①基于圖像增強方法。李凱等[9]提出借助直方圖均衡化和局部均衡對暗調圖像進行操作，對原始圖像實現(xiàn)微鈣化分割的方法，但是如果直接對圖像進行局部均衡化處理方法變換后圖像的灰度級減少，某些細節(jié)消失，會造成失真現(xiàn)象。②基于深度學習的方法，左東奇等[10]提出了一種基于深度學習算法的鈣化點提取法，通過改變卷積層和全連接層節(jié)點的數(shù)量，使得特征提取更加精細，最終提取鈣化特征。但在有限數(shù)據(jù)量的應用場景下，深度學習算法不能夠對數(shù)據(jù)的規(guī)律進行無偏差的估計。深度學習為了達到很好的精度，需要大數(shù)據(jù)支撐。③基于機器學習的方法。譚婉嫦等[11]提取的每個微鈣化特征的診斷效能，基于SVM分類器對圖像的每塊區(qū)域進行檢測，以確定是否包含微鈣化點。但該研究未對前期數(shù)據(jù)做預處理，檢測效果未達到最佳。本研究充分分析既往研究的經驗成果，在有限數(shù)據(jù)量下，入選樣本包含病理證實為惡性及良性病灶，盡量選取X線攝影所見鈣化分布及形態(tài)多樣性樣本。原始正常和鈣化圖像經過預處理步驟以提升對比度和去除噪聲干擾。利用K-means算法分割ROI，算法簡單易實現(xiàn)。在特征選取方面，統(tǒng)計灰度共生矩陣和局部二值化紋理特征，鈣化特征選取很詳細，全面反映了鈣化的統(tǒng)計學、分布和紋理特征。與譚婉嫦等[11]的研究相比，本研究將SVM、RF、AB進行對比，得到最優(yōu)鈣化圖像檢測算法。

3.3 計算機輔助系統(tǒng)3種比較算法結果差異分析 SVM使用核函數(shù)將原本低維度難分開的數(shù)據(jù)映射到高維空間，用超平面盡可能寬的明顯間隔分開數(shù)據(jù)特征的分類器；RF是一種包含多個決策樹的分類器的集成學習方法，并且其輸出的類別是由個別樹輸出的類別的眾數(shù)而定；AB是一種流行的加權提升算法，每輪降低分對樣本的權重，增加錯樣本的權重，使得分類器在不斷迭代過程中改進。3種算法效果分類差異較小。SVM綜合效果最佳，適用于二元分類和小樣本模型，如果用SVM處理多元分類的問題，則需要一對多的框架，而這種框架通常要消耗更多的內存。本文利用自適應核學習相關向量機提高乳腺鈣化點檢測效率。而RF和AB分類模型更適用于多元分類。經觀察發(fā)現(xiàn)，大多數(shù)鈣化點形態(tài)接近圓形，且存在簇狀分布。選用能量、熵、對比度、相關度等紋理特征， 能夠很好地檢測出強背景中的弱小鈣化點，且檢測結果貼近于鈣化點真實的病灶[12]。

3.4 計算機輔助系統(tǒng)算法的不足與展望 本研究算法中采用的乳腺X線影像資料在病理組成上尚不夠平衡，微鈣化特征樣本選取尚未達到最佳，并存在特異度不高、準確度不夠理想的缺點，這也是目前鈣化檢測技術普遍存在的缺陷。本研究結果具有較好的普遍性。僅需改變訓練數(shù)據(jù)，選取具有代表性的數(shù)據(jù)，即可具備理想的泛化能力。今后將進一步延伸應用至其他器官X圖像的鈣化檢測。今后的研究除反映圖像的特征信息，引入患者體重指數(shù)、年齡等信息，并進行良惡性分析的研究。將機器學習和深度學習等人工智能算法引入醫(yī)學診斷將進一步提升診斷準確度。計算機輔助乳腺X線鈣化病變檢測算法充分利用圖像增強算法，圖像分割算法以及機器學習分類算法，實驗結果證明具有重要意義，可為乳腺X線攝影放射科醫(yī)師提供良好的第二觀感，可為乳腺癌的早期診斷提供參考。