乳腺癌計算機輔助診斷技術研究進展

本文原載於《中華放射學雜誌》2017年第11期

計算機輔助診斷技術（computer aided diagnosis，CAD）是隨著計算機技術的飛速發展而應用於影像診斷領域的一項新技術[1,2]。CAD技術是數字圖像處理、模式識別等專業的綜合應用，主要包括圖像採集、圖像預處理、ROI域分割、特徵提取和分類識別等工作模塊[3]。2012年全球腫瘤統計結果顯示，乳腺癌高居女性惡性腫瘤患病率第1位[4]，早發現、早診斷、早治療是降低乳腺癌病死率的關鍵。目前乳腺癌的主要影像診斷技術包括乳腺X線攝影、超聲和乳腺動態增強MRI等，CAD技術的應用有利於提高乳腺癌影像診斷的價值。筆者就CAD在乳腺X線攝影、超聲及MRI中的最新研究進展進行綜述，並對其發展前景進行展望。

一、乳腺X線圖像的CAD

基於乳腺X線圖像的CAD是藉助計算機模式識別、圖像處理以及人工智慧等技術而建立起來的自動分析技術[5,6]。乳腺X線攝影檢查簡便無創，成像清晰，對乳腺內鈣化的敏感度高，價格相對便宜，已經成為乳腺癌篩查和早期診斷的首選方法和重要手段。乳腺X線圖像的CAD技術中，最關鍵的步驟是病灶檢測和特徵提取，病灶檢測是診斷的基礎，發現病灶的能力是CAD重要的評價指標，特徵提取是分辨良、惡性的關鍵，特徵提取的正確與否關係到診斷結果的可信度。

1．病灶檢測：

乳腺X線圖像的CAD技術主要是識別鈣化和腫塊，鈣化點檢測的敏感度可達98%，而平均每幅圖像的假陽性數0.2個；但是由於早期乳腺癌腫塊較小且對比度低，造成CAD系統腫塊檢測的敏感度低且假陽性率高[7]。因此，如何提高腫塊的檢出率是CAD技術亟待解決的難題之一。

Wei等[5]開發了四視圖CAD系統，該CAD系統由4大部分組成：（1）乳腺腫塊的初始檢測；（2）乳房同側視圖信息融合（簡稱兩視圖分析）；（3）乳房對側相應視圖信息融合（簡稱雙邊分析）；（4）四視圖信息融合為決策樹。Wei等[5]收集了2組數據進行CAD系統的檢測，包含389例經活檢證實的乳腺癌和200名正常人，使用單一視圖CAD系統，每幅圖的假陽性數為0.5、1.0時，敏感度分別為58%和77%，而四視圖CAD系統測試的敏感度分別提高到76%和87%。

de Nazaré Silva等[6]提出了使用質量閾值（quality threshold，QT）和支持向量機（support vector machine，SVM）來自動檢測腫塊的方法，採用來自乳腺X線篩查數字化資料庫（digital database for screening mammography，DDSM）的100個圖像進行驗證，其中51個圖像包含至少1個腫塊，49個圖像不含腫塊。所得敏感度、特異度和準確度分別為92.31%、82.20%和83.53%。Anitha和Peter[8]提出採用自動分割的方法來識別和細分乳腺X線圖像的可疑腫塊區域，胞自動機（cellular automata，CA）使用最大細胞強度更新規則，在粗級分割中，基於直方圖峰分析提出自適應全局閾值，以獲得ROI的粗糙區域；通過對來自乳腺X線圖像分析學會資料庫（mammographic image analysis society，mini-MIAS）的70例乳腺X線圖像進行檢測，得到的敏感度和特異度分別為92.25%和93.48%。Radovic等[9]提出一個簡單的回歸函數作為閾值函數提取腫塊，通過運行優化程序從而確保檢測的敏感度，該CAD系統配備了可靠性估值模塊。採用mini-MIAS資料庫的298個乳腺X線圖像進行驗證，敏感度、特異度和準確度分別為72.6%、88.9%和87.8%，ROC曲線下面積為0.902。Thivya等[10]提出採用框架變換分析來研究腫塊，從框架中提取統計學上的特徵，支持向量機採用K-交叉驗證方法進行分類；採用MIAS資料庫的161例患者的322張乳腺X線圖像進行驗證，該CAD系統在分辨腫塊良、惡性階段獲得100%的準確度。

對於微鈣化而言，只有直徑>100 μm的較大微鈣化才會出現在圖像中，而且分布在乳腺不同位置的微鈣化其背景特徵有很大差距，使得微鈣化點的檢測成為CAD技術的難點之一。Andreadis等[11]開發了一個基於微鈣化群的形態和周圍組織紋理特徵來檢測微鈣化群的CAD系統，提出聯繫替代分類演算法和乳房概率圖來預估診斷為惡性的風險，並採用DDSM資料庫對該CAD系統評估，準確度由51.4%提高到69.0%，特異度由16.6%提高到54.7%。

由此可見，通過多種演算法和分析方法可大大改善腫塊及微鈣化的檢出率，但尚無一種優勢明顯的方法能夠完全取代其他方法，仍需進一步探索提高腫塊及微鈣化的其他手段。

2．特徵提取：

特徵提取是乳腺CAD系統的重要環節，無論是病灶分類還是相似病灶的檢索，都要以其為依據，病灶特徵是否具有代表性，直接決定了CAD輔助診斷的結果是否具有參考價值。

Melendez等[12]提出了2種方法用於CAD病灶特徵提取。第一種是特徵最大化，通過相鄰的區域再現功能最大值；第二種方法為局部特徵選擇，結合與圖像位置相關聯的不同特徵向量的不同子集。這2種方法都可獨立或聯合使用。Melendez等[12]採用382例患者對該CAD系統進行了試驗，2種方法同時應用時可獲得最好結果，平均每幅圖像的假陽性數（false positives per image，FPPI）為1時，敏感度從0.628提高到0.734。Dheeba等[13]研究了使用粒子群優化小波神經網路（particle swarm optimized wavelet neural network，PSOWNN）來檢測乳房異常的新分類方法，該方法被應用到54例患者的216例乳腺X線圖像中，結果顯示該演算法的ROC曲線下面積為0.968，敏感度、特異度和準確度分別為94.17%、92.10%和93.67%。Casti等[14]提出的CAD進行檢測的新穎方法為基於梯度矢量場的可疑焦點區域的選擇，使用多向Gabor濾波排斥乳房組織的導向部件，通過分析周邊的纖維結締組織減少誤報；該方法將3 080個可疑的焦點區域從一組88例患者的156張全視野數字化乳腺X線圖像中提取出來，假陽性數為1.83，敏感度為96%。Dhahbi等[15]提出了一種小波變換特徵提取方法，交叉驗證252例來自mini-MIAS資料庫及11 553例來自DDSM資料庫的乳房X線圖像，mini-MIAS資料庫結果顯示準確度為91.27%，DDSM資料庫結果顯示所提出的方法不僅簡化特徵背景，在準確度方面也優於所有方法。Yousefi Banaem等[16]通過集成分類方法來區分乳房X線圖像，首先使用灰度共生矩陣（gray-level co-occurrence matrix，GLCM）方法提取乳房紋理特徵，使用最大差值法來選擇主要特徵。通過該方法所獲得的敏感度、特異度和準確度分別為96.66%、97.50%和97.00%。綜上，通過多種特徵提取演算法可準確提取出病灶的特徵信息，部分演算法獲得的敏感度已高達96.66%，從而為進一步分析病灶的良、惡性提供重要價值。

二、乳腺超聲的CAD

乳腺超聲成像是乳腺X線攝影檢查的必要補充，在區分囊腫和實質腫瘤及緻密乳腺的檢查方面具有獨特的優勢，然而閱讀超聲圖像需要豐富的臨床經驗，主觀性較大，超聲CAD的發展對降低主觀性、減少漏診率具有重要意義。近期超聲CAD研究的熱點集中在紋理特徵和彈性成像技術方面。

1．基於紋理特徵的CAD研究：

紋理是表達物體結構的屬性，是區別圖像中不同區域的有效依據，準確識別不同組織的紋理特徵對於病灶的診斷具有重要價值。Liu等[17]研究了將紋理特徵結合到現有乳腺超聲CAD系統的優點，該系統採用支持向量機分類器進行分級，並用424個病變做了10倍交叉驗證，其中良性病變239個，惡性病變185個，添加紋理特徵的CAD系統使ROC下面積從0.90提高到0.91。Lo等[18]通過將像素轉換成強度不變階係數，減少圖像之間的灰度變化以改善紋理特徵，69例活檢證實的乳腺影像報告和數據系統（breast imaging reporting and data system，BI-RADS）3類腫塊用來評估該CAD系統，其中惡性腫塊21例，良性腫塊48例，帶有階轉換的腫瘤特徵和斑點紋理ROC下面積更大，差異有統計學意義。

三陰性乳腺癌（triple negative breast cancer，TNBC）由於乳腺超聲（ultrasound，US）上的良性形態特徵經常被誤判為纖維腺瘤。Moon等[19]報道了一種基於紋理特徵的CAD系統區分超聲圖像上的TNBC和良性纖維腺瘤，納入169例經病理證實的腫瘤超聲圖像（大小0.70~3.00 cm，平均1.65 cm），良性纖維腺瘤84例，TNBC 85例。形態、傳統紋理、多解析度灰度不變紋理特徵集的ROC下面積分別為0.847、0.854及0.970，組合特徵集的CAD系統的ROC下面積為0.970。Chen等[20]將148個乳腺癌三維超聲圖像，從紋理、形態、橢圓擬合、後方回聲特徵等方面進行定量表徵，同時開發了一個用來劃分乳腺腫瘤的高、低等級的支持載體，該CAD系統的敏感度、特異度和準確度分別為79.31%、86.55%和85.14%，ROC下面積為0.794。Ardakani等[21]評估了基於紋理分析的CAD對提高放射科醫師乳腺癌診斷準確性的價值，從20例良性腫瘤和12例惡性腫瘤患者中，提取300個紋理特徵用於描述每個ROI，最終獲得的敏感度、特異度、準確度分別為94.28%、100.00%和97.80%。由此可見，紋理分析是一種可靠的方法，並已被有效地用於乳腺超聲良性和惡性腫瘤的分類中。

2．基於彈性成像的CAD研究：

彈性成像是一種新的超聲成像技術，獲得組織的應變信息並將信息轉換成圖像。Lo等[22]開發了一個CAD系統用於從彈性圖像中提取定量應變特徵，並提供一個乳腺腫塊自動分類程序。從圖像資料庫中選擇45個惡性和45個良性乳腺腫塊，測試得出應變特徵的敏感度、特異度和準確度均為80%，將應變特徵與B模式特徵相結合可獲得更好的ROC下面積（0.930）。因此，量化應變特徵可以與B模式特徵相組合用於良、惡性腫瘤的區分。Lo等[23]開發了基於橫波彈性成像（shear wave elastography，SWE）量化顏色分布的CAD，用於評估乳腺腫瘤的良、惡性。首先從57個良性病變和31個惡性腫瘤的ROI提取出18個SWE特徵，然後在ROI描繪出每個顏色通道的直方圖，3個顏色通道合併作為載體來評價組織彈性。將SWE特徵與邏輯回歸分類器結合用於乳腺腫瘤分類，該CAD系統的準確度達81%，將BI-RADS評估系統與CAD相結合可使ROC下面積從0.77升至0.89。

3．其他相關研究：

由於超聲波圖像中有固有斑點、對比度低，準確有效定位ROI仍然是乳腺超聲CAD系統中一個具有挑戰性的任務。Wang等[24]提出了一個全自動、高效的ROI定位辦法，首先對乳腺US圖像進行預處理以提高圖像質量，計算出預處理圖像的最大能量取向相位，最後採用區域選擇演算法從3個二進位圖像中選擇真正的腫瘤區域。採用168例超聲圖像（良性病變81例、惡性病變87例）對該CAD進行驗證，結果顯示該方法使ROI的定位更準確、高效。自動化三維乳腺超聲近年備受關注，Tan等[25]使用了大量的二維Haar樣特徵來區分病變結構和假陽性，使用Gentle Boost分類器來結合這些功能，該方法用211個癌症患者進行測試，腫塊大小為14.72 mm。在最初的檢測階段，漏檢率減少了18.8%。Chmielewski等[26]描述了一個在超聲圖像中分類腋窩淋巴結的方法，對105個（良性81個、惡性24個）乳腺癌患者腋窩淋巴結的超聲圖像進行評價，手動分割每個淋巴結，劃定整個淋巴結範圍，獲得的ROC下面積為0.95，敏感度和特異度均為0.90。

三、乳腺MRI的CAD

動態對比增強MRI（dynamic contrast enhanced magnetic resonance imaging，DCE-MRI）組織解析度高，廣泛應用於乳腺癌早期診斷，基於DCE-MRI的CAD是目前CAD領域的研究熱點，其用於乳腺癌早期檢測和分類的準確性取決於所使用的CAD分類器的功能。快速正交搜索（fast orthogonal search，FOS）提供了計算逐步回歸特徵選擇的更有效的迭代方式，可從一組動能和紋理候選特徵中選擇有預測值的特徵。Rakoczy等[27]採用83個DCE-MRI圖像對這種方法進行檢測，其中乳腺癌病灶20個，良性病灶63個。由FOS選擇的特徵被用於一個FOS預測器和最鄰近的預測器，ROC下面積分別為0.889和0.791。DCE-MRI診斷乳腺癌敏感度較高，但特異度相對較低。Yang等[28]探討一種新的方法以提高DCE-MRI的診斷能力，該方法基於自動檢測和左、右乳房的特徵動力學特徵雙側不對稱分析。130例DCE-MRI圖像數據集用於該系統檢查，其中經病理活檢惡性病灶80例，良性病灶50例，ROC下面積為0.78±0.04，陽性預測值和陰性預測值分別為0.77和0.64。

四、結論和建議

多種影像手段的CAD技術對提高診斷的敏感度和準確度具有重要意義，目前乳腺X線攝影的CAD技術已日趨成熟，並廣泛用於臨床診斷。但東、西方女性由於種族和地理環境的差異，乳腺組織結構存在較大差異。通常西方女性乳腺脂肪含量高，多為脂肪型乳腺；東方女性普遍脂肪含量低，多為緻密型乳腺。緻密型乳腺常與病灶組織重疊造成大量微小病灶被掩蓋，目前採用的標準圖像庫為美國的DDSM資料庫或英國的MIAS資料庫，對於中國女性並不適用，往往導致漏檢率較高。因此，建立針對中國女性的標準圖像庫至關重要且意義重大。基於超聲紋理特徵的CAD研究是目前研究的熱點，進一步的研究工作可以將其與形態特徵相結合，從而有望提高其診斷的準確性。乳腺DCE-MRI中乳腺背景強化對乳腺癌的診斷具有重要意義，如果將乳腺背景特徵融合至已有的CAD系統中將有望提升其臨床應用價值。

參考文獻

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！