摘 要：偽像會(huì)嚴(yán)重影響乳腺超聲儀采集數(shù)據(jù)的整體質(zhì)量和醫(yī)生對(duì)病灶的診斷。本文旨在對(duì)帶有空載區(qū)域、耦合不良和多重反射偽像的乳腺超聲圖像進(jìn)行自動(dòng)識(shí)別。標(biāo)注了4168張帶有空載區(qū)域、耦合不良和多重反射偽像的乳腺超聲圖像，并使用YOLOv8模型進(jìn)行訓(xùn)練。結(jié)果表明，模型整體平均精度（mAP50）系數(shù)為0.964，其中空載區(qū)域、耦合不良和多重反射的平均精度（mAP50）系數(shù)分別為0.995、0.922和0.974。經(jīng)測(cè)試，模型能夠?qū)蛰d區(qū)域、耦合不良和多重反射進(jìn)行精準(zhǔn)識(shí)別和分類，并提高乳腺超聲檢測(cè)的準(zhǔn)確性和可靠性。

關(guān)鍵詞：乳腺；超聲偽像；YOLO；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：R 445 " " 文獻(xiàn)標(biāo)志碼：A

乳腺超聲儀是現(xiàn)代乳腺疾病診斷的重要工具，具有無(wú)創(chuàng)、無(wú)輻射和實(shí)時(shí)動(dòng)態(tài)觀察等顯著優(yōu)勢(shì)。乳腺超聲儀能夠發(fā)送聲波并接收其在組織中的反射回聲，清晰地展現(xiàn)乳腺組織的內(nèi)部結(jié)構(gòu)，為醫(yī)生診斷提供詳盡的乳腺影像。該技術(shù)有助于發(fā)現(xiàn)乳腺腫塊、囊腫等早期病變，為乳腺疾病的良、惡性鑒別提供重要依據(jù)。但是乳腺超聲儀在檢測(cè)過程中易受醫(yī)生操作不規(guī)范和偽像的影響，出現(xiàn)采集數(shù)據(jù)質(zhì)量不達(dá)標(biāo)的問題。與操作不規(guī)范相比，偽像帶來的影響更嚴(yán)重且不容易規(guī)避，不僅會(huì)影響采集數(shù)據(jù)的質(zhì)量，還會(huì)影響后續(xù)醫(yī)生對(duì)病灶的診斷。進(jìn)行必要的自動(dòng)偽像檢測(cè)可以更好地幫助醫(yī)生把控采集數(shù)據(jù)的質(zhì)量，利用自動(dòng)化手段快速篩選出含有偽像的低質(zhì)量數(shù)據(jù)，使醫(yī)生專注于分析真實(shí)、有效的信息，避免誤診或漏診，還可以提高檢測(cè)的準(zhǔn)確性、可靠性和檢測(cè)效率，減少醫(yī)生的工作量。

1 偽像

偽像是指超聲顯示的斷層圖像與其相應(yīng)解剖斷面組織實(shí)際間的差異，又稱超聲偽差、偽影、假象等，表現(xiàn)為聲像圖中回聲信息的失真。當(dāng)偽像與病灶區(qū)域接近或重疊時(shí)，會(huì)干擾醫(yī)生對(duì)超聲數(shù)據(jù)的分析研判。通常有經(jīng)驗(yàn)的超聲醫(yī)生可以盡量減少這種偽像的產(chǎn)生。但是在大多數(shù)情況下，乳腺超聲的局部偽像是不可避免的[1]。

乳腺超聲偽像多種原因較多，例如探頭與皮膚貼合不夠、腺體為壓平、乳頭和乳暈區(qū)褶皺產(chǎn)生的圖像后方回聲減弱、耦合劑凝固出現(xiàn)小氣泡、焦點(diǎn)置于乳腺中部或后部以及跳躍征等[2-3]。

1.1 空載區(qū)域

當(dāng)探頭與檢測(cè)部位貼合不充分時(shí)，該處會(huì)出現(xiàn)全黑區(qū)域，如圖1所示，圖像的左側(cè)和右側(cè)均出現(xiàn)了寬度不同的空載區(qū)域，嚴(yán)重影響檢測(cè)部位采集的完整度和后續(xù)的檢測(cè)診斷。

1.2 耦合不良

超聲波的傳遞速度與介質(zhì)密度有關(guān)，不同組織對(duì)超聲波的吸收也不同。對(duì)超聲檢查影響最大的是空氣，空氣對(duì)超聲波的吸收系數(shù)較大，會(huì)導(dǎo)致超聲波傳遞不良，無(wú)法得到超聲反射圖像。對(duì)體表超聲來說，如果探頭與皮膚“干接觸”，那么二者間存在空氣薄層，超聲波無(wú)法到達(dá)并進(jìn)入人體[4-5]。如果耦合劑凝固或者涂抹不均勻，會(huì)在探頭和皮膚間產(chǎn)生氣泡，導(dǎo)致相應(yīng)深度的采集圖像產(chǎn)生偽像，耦合不良產(chǎn)生的偽像示例圖2中的淺色框區(qū)域所示。

1.3 多重反射

當(dāng)使用乳腺儀進(jìn)行檢測(cè)時(shí)，如果未及時(shí)更換底板或探頭儀器上的薄膜未正確平鋪，那么在所采集的乳腺圖像的淺層會(huì)出現(xiàn)多重反射現(xiàn)象，如圖3中的淺色框區(qū)域所示。多重反射會(huì)嚴(yán)重阻礙乳腺圖像淺表正常成像，可能會(huì)導(dǎo)致醫(yī)生疏漏被遮擋區(qū)域的病灶。

2 方法原理

目前，人工智能在大數(shù)據(jù)分析、自然語(yǔ)言處理和圖像識(shí)別等方面取得了飛速發(fā)展，其中神經(jīng)網(wǎng)絡(luò)在機(jī)器視覺方面的發(fā)展尤為引人注目。隨著深度學(xué)習(xí)不斷突破，神經(jīng)網(wǎng)絡(luò)能夠高效處理、分析海量圖像數(shù)據(jù)，不僅提高了圖像識(shí)別的準(zhǔn)確性和速度，而且推動(dòng)了自動(dòng)駕駛、智能監(jiān)控和醫(yī)療影像分析等多個(gè)領(lǐng)域的創(chuàng)新與發(fā)展，為生活帶來了前所未有的便利與安全。

2.1 卷積神經(jīng)網(wǎng)絡(luò)原理簡(jiǎn)介

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是一種基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)架構(gòu)，特別適用于處理圖像和視頻等數(shù)據(jù)。它利用多層結(jié)構(gòu)中的卷積層來自動(dòng)提取數(shù)據(jù)的局部特征，并利用池化層減少數(shù)據(jù)的空間維度和計(jì)算量。CNN的核心優(yōu)勢(shì)是其局部連接、權(quán)值共享和平移不變性等特點(diǎn)，這些特性使CNN在執(zhí)行圖像分類、物體檢測(cè)和圖像分割等任務(wù)時(shí)表現(xiàn)出色。此外，CNN還能采用反向傳播算法進(jìn)行訓(xùn)練，不斷優(yōu)化網(wǎng)絡(luò)參數(shù)并提高性能。

2023年張夢(mèng)夢(mèng)[6]采用深度可分離卷積的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的方式對(duì)超聲圖像中的腫瘤進(jìn)行了分類，在網(wǎng)絡(luò)中引入卷積塊注意力模塊，從通道和空間注意力2個(gè)方面提升了網(wǎng)絡(luò)提取重要特征的能力。并結(jié)合焦點(diǎn)損失函數(shù)和標(biāo)簽分布感知邊距損失函數(shù)，解決超聲乳腺腫瘤數(shù)據(jù)集分類不均的問題，使用遷移學(xué)習(xí)的方式緩解數(shù)據(jù)集不足導(dǎo)致的網(wǎng)絡(luò)收斂慢和魯棒性不足的問題，最終實(shí)現(xiàn)了超聲乳腺圖像中腫瘤的自動(dòng)分割和分類，不同程度上提高了腫瘤分割和分類的準(zhǔn)確度。

2.2 YOLO算法原理簡(jiǎn)介

YOLO（You Only Look Once）算法是一種以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)搭建的高效目標(biāo)檢測(cè)算法，其核心思想是將目標(biāo)檢測(cè)任務(wù)轉(zhuǎn)化為一個(gè)回歸問題，由單階段的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行端到端檢測(cè)。YOLO算法將輸入圖像劃分為多個(gè)網(wǎng)格，每個(gè)網(wǎng)格能夠預(yù)測(cè)中心點(diǎn)落在該網(wǎng)格內(nèi)的目標(biāo)，包括邊界框的位置、尺寸、置信度以及類別概率。2020年朱鄖濤[7]將目前最經(jīng)典的基于深度學(xué)習(xí)的4種目標(biāo)檢測(cè)算法（Faster R-CNN、SSD、YOLOv3以及CornerNet）應(yīng)用于超聲乳腺腫瘤識(shí)別中，基于專業(yè)醫(yī)生標(biāo)注的數(shù)據(jù)集在預(yù)訓(xùn)練模型上進(jìn)行訓(xùn)練和測(cè)試，最后采用mAP、FPS等多種評(píng)價(jià)指標(biāo)進(jìn)行評(píng)價(jià)，與其他3種算法相比，YOLOv3在識(shí)別精度和速率上均取得了較好效果。

YOLO算法經(jīng)過多個(gè)版本的迭代和優(yōu)化，例如YOLOv3、YOLOv5和YOLOv8等，性能不斷提升，在保持較高檢測(cè)精度的同時(shí)，大幅提升了檢測(cè)速度，能夠進(jìn)行實(shí)時(shí)目標(biāo)檢測(cè)，并廣泛應(yīng)用于自動(dòng)駕駛、智能監(jiān)控和人臉識(shí)別等領(lǐng)域。

3 方法與試驗(yàn)

試驗(yàn)通過訓(xùn)練YOLOv8模型來檢測(cè)乳腺數(shù)據(jù)中的空載區(qū)域、耦合不良和多重反射偽像區(qū)域。

3.1 試驗(yàn)流程

YOLOv8模型的訓(xùn)練過程包括數(shù)據(jù)標(biāo)注/處理、模型訓(xùn)練/參數(shù)選定以及模型檢測(cè)效果的測(cè)試等步驟，具體試驗(yàn)流程如圖4所示。首先，將收集的乳腺偽像數(shù)據(jù)進(jìn)行標(biāo)注，并將數(shù)據(jù)拆分為訓(xùn)練集和驗(yàn)證集。其次，利用標(biāo)注并拆分好的數(shù)據(jù)對(duì)YOLOv8模型進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練結(jié)果調(diào)整和優(yōu)化模型參數(shù)。最后，分別使用單幀的偽像圖像和完整的乳腺數(shù)據(jù)對(duì)訓(xùn)練好的YOLOv8模型進(jìn)行效果測(cè)試。

3.2 試驗(yàn)數(shù)據(jù)

在采集的83個(gè)存在偽像的乳腺橫斷面數(shù)據(jù)中抽取4168張帶有多種偽像的圖像，分為空載區(qū)域、耦合不良和多重反射3種類別進(jìn)行標(biāo)注，并按照9∶1的比例拆分為訓(xùn)練集、驗(yàn)證集。經(jīng)統(tǒng)計(jì)，各類別特征標(biāo)注共有11426個(gè)，其中空載區(qū)域3811個(gè)，耦合不良4155個(gè)，多重反射3460個(gè)，見表1。

3.3 模型最終參數(shù)和驗(yàn)證集結(jié)果

經(jīng)過模型參數(shù)調(diào)優(yōu)后，模型訓(xùn)練參數(shù)batchsize為4，學(xué)習(xí)策略和學(xué)習(xí)率分別為SGD、0.01，圖片尺寸為（640×640）ppi。模型共進(jìn)行了56輪訓(xùn)練，訓(xùn)練集和驗(yàn)證集損失變化如圖5所示。

測(cè)試結(jié)果表明，模型對(duì)空載區(qū)域的檢測(cè)率為100%，多重反射區(qū)域檢測(cè)率為96%，耦合不良區(qū)域檢測(cè)率相較略低，為89%。模型整體平均精度（mAP50）系數(shù)為0.964，空載區(qū)域、耦合不良和多重反射的平均精度（mAP50）系數(shù)分別為0.995、0.922和0.974。

抽取模型對(duì)驗(yàn)證集的可視化檢測(cè)結(jié)果如圖6所示，3種類別檢出均正確，并且置信度能夠正常地代表每個(gè)檢出類別的準(zhǔn)確性。

3.4 模型對(duì)整體數(shù)據(jù)的測(cè)試

在一個(gè)完整的乳腺數(shù)據(jù)中，存在偽像的幀在整體數(shù)據(jù)中占比較小，大部分幀為正常數(shù)據(jù)，為了測(cè)試訓(xùn)練好的YOLOv8模型在完整乳腺數(shù)據(jù)中的質(zhì)控效果，是否會(huì)出現(xiàn)誤檢情況，本文在乳腺橫斷面采集數(shù)據(jù)中分別抽取5個(gè)只帶有空載區(qū)域、耦合不良、多重反射偽像和不含偽像的合格數(shù)據(jù)共20個(gè)組成測(cè)試集，并將3種偽像的檢出閾值設(shè)定為0.8、0.7和0.7，當(dāng)數(shù)據(jù)出現(xiàn)大于檢出閾值時(shí)，認(rèn)定數(shù)據(jù)為相應(yīng)類別的異常數(shù)據(jù)，否則認(rèn)定為正常合格數(shù)據(jù)。使用訓(xùn)練好的YOLOv8質(zhì)控檢測(cè)模型進(jìn)行檢測(cè)，最終20個(gè)測(cè)試數(shù)據(jù)均能正常檢出偽像，并正確分類。

4 結(jié)語(yǔ)

乳腺超聲圖像的質(zhì)控主要分為掃描操作不規(guī)范和偽像2個(gè)部分，本文主要針對(duì)乳腺橫斷面數(shù)據(jù)偽像中的空載區(qū)域、耦合不良和多重反射偽像，訓(xùn)練YOLO模型對(duì)3種偽像進(jìn)行檢測(cè)，模型的平均精度（mAP50）系數(shù)為0.964，模型可以檢出所有空載區(qū)域、96%的耦合不良區(qū)域和89%的多重反射區(qū)域。在完整乳腺數(shù)數(shù)據(jù)測(cè)試中也能完成偽像檢測(cè)和正確分類。

除了空載區(qū)域、耦合不良和多重反射偽像，還有肋骨、乳頭和焦點(diǎn)置于乳腺中后部等偽像，后續(xù)的偽像檢出模型應(yīng)在目前基礎(chǔ)上增加更多的偽像類別。而在偽像檢出的基礎(chǔ)上，對(duì)于由掃描操作不規(guī)范導(dǎo)致的乳腺采集數(shù)據(jù)質(zhì)量不佳的問題，也可以從數(shù)據(jù)整體明暗程度、組織分布情況和特定部位特征等角度整體把控采集數(shù)據(jù)質(zhì)量。

參考文獻(xiàn)

[1]韓彩玲.基于卷積神經(jīng)網(wǎng)絡(luò)的乳腺超聲圖像分割與分類算法研究[D].成都：四川大學(xué)，2023.

[2]AlDJ，Sofie D，Katrien V，et al.Automated breast ultrasound （ABUS）：A pictorial essay of common artifacts and benign and malignant

pathology[J].Journal of ultrasonography，2022，22（91）：222-235.

[3]自動(dòng)乳腺容積超聲技術(shù)專家共識(shí)（2022版）[J].中國(guó)超聲醫(yī)學(xué)雜志，2022，38（3）：241-247.

[4]馬亦凡，李銳.消化道內(nèi)鏡超聲耦合介質(zhì)的臨床應(yīng)用及研究進(jìn)展[J].中華消化內(nèi)鏡雜志，2022，39（7）：582-585.

[5]牛鳳岐，朱承綱，程洋.醫(yī)用超聲耦合劑——超聲科醫(yī)師應(yīng)該了解的知識(shí)和信息[J].中國(guó)醫(yī)學(xué)影像技術(shù)，2009，25（4）：715-717.

[6]張夢(mèng)夢(mèng).基于卷積神經(jīng)網(wǎng)絡(luò)的超聲乳腺腫瘤圖像分割與分類研究[D].杭州：杭州電子科技大學(xué)，2023.

[7]朱鄖濤.基于卷積神經(jīng)網(wǎng)絡(luò)的乳腺超聲腫瘤檢測(cè)[D].哈爾濱：哈爾濱工程大學(xué)，2020.