乳腺肿瘤的超声图像特征定量分析与良恶性识别

乳腺肿瘤的超声图像特征定量分析与良恶性识别

论文摘要

随着超声成像和医学诊断技术的发展,超声已成为乳腺癌检查的主要影像学手段之一。然而,超声影像的临床分析主要通过医生对图像的定性评价完成,缺乏规范、定量的乳腺超声表现描述,诊断结果与医生的经验、水平、状态等因素相关。通过计算机辅助分析方法,可客观定量地分析超声影像特征,减少主观因素对诊断结果的影响;通过分析量化影像特征与病灶良恶性之间的关系,建立鉴别模型评估病灶恶性风险,可辅助医生进行诊断,减少漏诊和误诊。本文的研究目标是全面量化乳腺肿瘤的超声征象,发现具有诊断信息的乳腺超声影像特征的量化指标;利用量化图像特征,建立可解释的乳腺肿瘤良恶性鉴别模型,揭示量化特征与肿瘤良恶性之间的关系的关系,并使模型预测性能的敏感度较高同时保持适当的特异性,使得计算机辅助分析方法可提供明确的易于理解的辅助诊断建议。通过与医生进行交流,总结医生在临床诊断中依据经验使用的视觉特征,明确这些视觉特征的含义,设计对应的计算方法进行量化,使得量化的图像特征与人视觉一致、可直观解释,并提供有效的诊断信息,为乳腺超声表现的标准化描述提供基础;利用已有病例的超声影像和临床资料,通过统计学习方法建立可解释的乳腺肿瘤良恶性鉴别模型,为临床诊断提供参考建议。本文的主要研究内容包括:(1)乳腺超声图像的分割。这是进行乳腺超声图像特征提取和分析的必要前提。乳腺超声图像较为复杂,一般的图像分割技术不能有效解决乳腺超声图像的分割问题。医生手工分割存在工作量大、定位不准确的问题,且不同医生勾画的肿瘤边界会有一定差异,不利于图像特征的统计分析。归一化图割和live-wire分别用于实现乳腺超声图像的自动和交互式分割。归一化图割方法利用了图像中低层和高层各种信息,结合提出的先验规则,可得到与手工勾画近似的分割结果。live-wire交互式分割的进程由医生控制,可精确定位病灶边界,又能有效结合医生的领域知识和经验,更为重要的是live-wire分割结果可重复,医生提取的肿瘤轮廓差异小,在此基础上进行特征提取和分析,可得到稳定、可靠的统计结果。(2)乳腺肿瘤超声图像特征的量化。以BI-RADS乳腺超声征象的定性描述为依据,从乳腺肿瘤的形状、边缘、朝向、边界、回声衰减和回声模式等六个方面量化超声图像特征。统计分析发现,乳腺肿瘤形状特征区分良恶性的能力相对较强。进一步地,将大量形状度量都归结为形状复杂度,提出将形状复杂度作为乳腺肿瘤形状特征的一个综合指标,并设计了相应的算法,获得了与视觉感知较为一致且鉴别肿瘤良恶性能力强的形状复杂度度量。另外,依据临床观察,肿瘤形状的不对称通常是恶性信号。提出了一种基于面积积分不变量的多尺度对称度,研究了乳腺良、恶性肿瘤形状对称性之间的差异,尺度对对称度的影响。实验结果表明,良、恶性乳腺肿瘤的镜像对称性显著不同,验证了良性肿瘤普遍比恶性肿瘤对称的经验规律;在合适的尺度下,提出的对称性度量可以体现并量化肿瘤形状的镜像对称性,对于乳腺肿瘤良恶性鉴别具有一定价值。(3)乳腺超声图像特征解释。本质上,量化的图像特征与乳腺肿瘤良恶性风险之间的关系是非线性的。这样,在提供量化特征指标的同时,需要给出这些量化特征与肿瘤恶性风险之间的关系。本文以Boosting方法产生的决策树集成模型作为量化特征与肿瘤恶性风险之间关系的逼近,采用特征重要性度量评价量化特征对良恶性鉴别的重要性,量化特征的变化对肿瘤恶性风险的影响用偏依赖图进行表达,为医生使用单个量化特征提供可视化的参考。(4)乳腺肿瘤良恶性鉴别模型。以量化图像特征为输入变量,采用统计学习方法构造乳腺肿瘤良恶性鉴别模型,实现肿瘤良恶性鉴别,为医生提供诊断建议和参考。提出了代价敏感的Boosting和最大化ROC(Receiver Operating Characteristic Curve)曲线下面积(AUC)的规则集成方法,通过最小化代价加权的间隔损失函数和最大化AUC构建鉴别模型,实现了鉴别模型敏感度和特异性的特定要求。其中,规则集成方法产生一组线性加权的简单规则,在形式上与医生使用的鉴别诊断规则有一定相似性,可看做一个恶性风险评分规则系统,易于理解;最大化AUC策略可有效优化预测模型的AUC,评分规则系统的AUC可达到0.94,在敏感度大于0.95时特异性可达到0.70。本文系统地研究了乳腺超声征象的定量分析方法,提出了用于乳腺超声的形状复杂度和对称度及相应的计算方法,并检验了这些形状度量鉴别乳腺肿瘤良恶性的能力。在提取定量图像特征的基础上,通过统计学习构建决策树集成和规则集成模型反映定量特征与乳腺肿瘤良恶性之间的关系,辅助医生分析乳腺超声图像和提供诊断建议。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 乳腺癌发病与防治状况
  • 1.2 乳腺癌的影像学诊断方法
  • 1.2.1 乳腺癌组织学分类
  • 1.2.2 乳腺癌的影像学诊断方法
  • 1.3 乳腺肿瘤的超声表现与良恶性鉴别方法
  • 1.3.1 乳腺肿瘤的灰阶超声表现
  • 1.3.2 乳腺肿瘤的灰阶超声良恶性鉴别方法
  • 1.4 乳腺超声图像分析与CAD 研究现状
  • 1.4.1 基于影像的计算机辅助诊断
  • 1.4.2 乳腺超声图像分析与CAD 研究状况
  • 1.5 本文的研究内容
  • 第二章 基于图论的乳腺超声图像分割
  • 2.1 引言
  • 2.2 图论与图像分割
  • 2.3 基于振荡模式的SPECKLE 纹理分解
  • 2.4 基于K 分NORMALIZED CUT 的超声图像自动分割
  • 2.4.1 K 分Normalized Cut
  • 2.4.2 图像权矩阵计算
  • 2.4.3 基于先验规则的肿瘤区域提取
  • 2.4.4 实验结果
  • 2.5 基于LIVE-WIRE 的超声图像交互式分割
  • 2.5.1 Live-wire 算法
  • 2.5.2 乳腺超声图像梯度、边缘和分水岭
  • 2.5.3 live-wire 的代价函数
  • 2.5.4 实验结果
  • 2.6 小结
  • 第三章 乳腺超声BI-RADS 征象描述量化
  • 3.1 引言
  • 3.2 超声征象量化方法
  • 3.2.1 形状特征
  • 3.2.2 边缘特征
  • 3.2.3 肿瘤朝向
  • 3.2.4 边界特征
  • 3.2.5 后方回声衰减
  • 3.2.6 回声模式
  • 3.2.7 纵横比
  • 3.3 量化特征统计
  • 3.3.1 乳腺肿瘤超声图像数据
  • 3.3.2 量化特征评价
  • 3.4 小结
  • 第四章 乳腺肿瘤形状复杂度分析
  • 4.1 引言
  • 4.2 形状表达与描述
  • 4.2.1 形状全局描述子
  • 4.2.2 链码
  • 4.2.3 形状标记
  • 4.2.4 保针状结构的多边形逼近
  • 4.3 形状复杂度
  • 4.3.1 基于熵的复杂度
  • 4.3.2 基于形状相似性的复杂度
  • 4.3.3 模拟人类视觉感知的形状复杂度
  • 4.4 实验结果与分析
  • 4.4.1 形状复杂度度量与视觉感知
  • 4.4.2 形状复杂度与乳腺肿瘤良恶性
  • 4.5 小结
  • 第五章 乳腺肿瘤形状多尺度对称性分析
  • 5.1 引言
  • 5.2 形状镜像对称性及其度量方法
  • 5.3 形状的多尺度表达与对称性
  • 5.3.1 形状尺度空间
  • 5.3.2 尺度形状标记
  • 5.4 基于积分不变量的多尺度对称性度量
  • 5.4.1 基于积分不变量的形状距离
  • 5.4.2 基于积分不变量的对称性度量
  • 5.5 实验结果与分析
  • 5.5.1 尺度对对称度的影响
  • 5.5.2 对称度鉴别乳腺肿瘤良恶性
  • 5.6 小结
  • 第六章 基于决策树集成和规则集成的乳腺肿瘤良恶性鉴别模型
  • 6.1 引言
  • 6.2 代价敏感的BOOSTING
  • 6.2.1 代价敏感分类问题
  • 6.2.2 代价加权间隔损失函数
  • 6.2.3 Boosting
  • 6.2.4 代价敏感的Boosting
  • 6.2.5 树集成的解释
  • 6.3 最大化AUC 的规则集成
  • 6.3.1 决策树集成与规则分解
  • 6.3.2 规则的拟合与L1 正则化
  • 6.3.3 基于AUC 最大化的规则集成
  • 6.4 BOOSTING 实验结果
  • 6.4.1 代价权重对模型性能的影响
  • 6.4.2 树大小的影响
  • 6.4.3 损失函数对QBoost 的影响
  • 6.4.4 特征的重要性
  • 6.4.5 恶性风险对特征的偏依赖
  • 6.5 规则集成实验结果
  • 6.5.1 代价敏感的规则集成
  • 6.5.2 AUC 最大化的规则集成
  • 6.5.3 诊断规则提取
  • 6.5.4 规则集成模型与Giger’s 模型比较
  • 6.6 小结
  • 第七章 总结与展望
  • 7.1 工作总结
  • 7.2 工作展望
  • 参考文献
  • 攻读博士学位期间已发表或录用的论文
  • 致谢
  • 相关论文文献

    标签:;  ;  ;  ;  

    乳腺肿瘤的超声图像特征定量分析与良恶性识别
    下载Doc文档

    猜你喜欢