发布时间：2020-04-22所属分类：医学职称论文浏览：1次
摘 要： 摘要:淋巴结病变的诊断对于患者的治疗具有重要意义。在淋巴结病变的临床超声诊断中，通常只使用单一模态的B型超声图像。有时会采集B型超声和弹性超声或者采集B型超声和超声造影(CEUS)的双模态图像，很少情况下会采集全部三个模态图像。为了提高B型单模态的诊
摘要:淋巴结病变的诊断对于患者的治疗具有重要意义。在淋巴结病变的临床超声诊断中，通常只使用单一模态的B型超声图像。有时会采集B型超声和弹性超声或者采集B型超声和超声造影(CEUS)的双模态图像，很少情况下会采集全部三个模态图像。为了提高B型单模态的诊断性能，提出一种基于特权信息学习的淋巴结病变计算机辅助诊断(CAD)方法，在训练阶段使用三个模态图像，在测试阶段只使用B型。分别提取B型、弹性超声和CEUS图像的量化特征;在CAD模型中，训练样本为B型、弹性超声和CEUS多模态数据，测试样本只有B型;通过训练样本学习，得到结合特权信息的支持向量机(SVM+)模型，使用该模型对测试样本进行分类。试验结果表明，该方法的分类准确率、精度、敏感性、特异性和约登指数达到0.85、0.93、0.88、0.77和0.65，相较单模态B型超声训练的CAD模型，其分类结果分别提升了0.08、0.02、0.08、0.08和0.16。基于特权信息学习，提高了诊断精度，提升了计算机辅助诊断的性能。
关键词:淋巴结病变;B型超声;超声弹性成像;超声造影;多模态;特权信息学习
0引言淋巴结疾病是一种发病率增长快的疾病[1]。有效地区分淋巴结病变的良恶性、及早地确诊淋巴结病变，能减少淋巴结病变对人体的侵害、提升治愈率、降低术后风险。超声是淋巴结病变的常用诊断手段。在淋巴结病变的临床超声诊断中，通常只使用患者单一模态的B型超声图像[2]。有时会采集B型超声图像和弹性超声图像、B型超声图像和CEUS图像序列的双模态影响信息，而很少情况下会采集这三个模态的全部信息[3]。
特权信息学习作为一种新型的机器学习模式，与传统机器学习不同[4]。在模型训练阶段，特权信息学习利用一些只能在训练样本中获取而不能在测试样本中提供的特权信息来辅助机器学习模型的训练。所以，当临床诊断中只有一个模态的影像数据时，可以使用预先由特权信息学习训练好的模型来辅助诊断[5]。
本课题已经拥有可用于训练的双模态甚至三模态影像数据。为了应对临床实践中只有单一B型模态用于诊断的普遍情形，本文提出一种基于特权信息学习的淋巴结病变良恶性判别的计算机辅助诊断(computer-aideddiagnosis，CAD)系统[6]。
1材料和方法
1.1图像采集与预处理
本文样本均来自复旦大学附属中山医院超声科，共获得来自94个病人的133个淋巴结病变病灶(42例良性，91例恶性)数据。这42例良性病灶中:13例有B型超声图像、超声弹性图像和超声造影(contrast-enhancedultrasound，CEUS)图像序列三个超声模态的数据，另外29例有B型超声图像、CEUS图像序列两个模态的数据。91例恶性病灶中:49例有B型超声图像、超声弹性图像和CEUS图像序列三个超声模态的数据，另外42例有B型超声图像、CEUS图像序列两个模态的数据。采集的B型超声图像和超声弹性图像均以静态图片的形式保存，CEUS图像保存为音频视频交织(audiovideointerleaved，AVI)或者医学数字成像和通信标准(digitalimagingandcommunicationinmedicine，DICOM)格式的视频序列文件，以供后续离线分析。
推荐阅读：医师论文怎么样投稿
B型和超声弹性成像采用意大利百胜(Esaote)公司的Mylab90彩色超声诊断仪，探头采用线性阵列探头L523，频率为4～13MHz。在超声弹性图像中，弹性感兴趣区域由表示组织硬度的彩色RGB图像叠加在B型灰阶图像上构成[4]。从彩色弹性到软度转变图，如图1所示。
图1中:颜色条表示组织弹性。颜色条每一行中的颜色均表示相同的弹性应变值，反映了对应组织的软硬程度。根据颜色条将色弹性图转化为范围从0(硬)到1(软)的弹性应变值信息的灰度图像。大多数淋巴结病灶临床CEUS图像序列使用百胜MyLabTwice系统采集，一部分病灶数据使用飞利浦iU22系统采集。
本文在B型超声图像上确定淋巴结位置，并使用实时压缩感知跟踪算法[7]定位病灶在视频中各帧的位移情况，再将其映射到CEUS图像序列上，从而得到CEUS病灶跟踪结果。
1.2B型和超声弹性图像特征提取
利用计算机自动算法，分别从B型和超声弹性图像中的病灶区域提取量化特征。根据特征的物理意义，B型和超声弹性图像均含以下3类特征。一阶统计量特征[8]包括中值、均值、标准差、变异系数、亮度熵、偏度等。灰度共生矩阵(graylevelco-occurrencematrix，GLCM)特征[9]，包括对比度、能量、均一度和熵等。针对每幅图片分别计算0°、45°、90°和135°这4个方向的1～15像素偏移量的GLCM，然后对4个方向上的结果求均值，最终得到60个特征。二值图像特征[10]包括:面积比、1/3内部面积比、2/3外部面积比、内部面积与外部面积比的比值、中心偏离度、离散度、径向偏离度等。B型(B，左上)和弹性(E，左下)双模态超声图像特征提取如图2所示。图2B型(B，左上)
此外，由于病灶的形态、尺寸对淋巴结病变的诊断非常有意义，本文还在B型超声图像上计算了病灶的形态学特征。形态学特征包括面积、凸面积、周长、等效直径、长轴和短轴长度等。
1.3CEUS图像序列特征提取
运用影像组学，对运动补偿后的CEUS图像进行时空域特征提取，得到312维特征。
①时域特征。
计算每帧图像的平均灰度值，得到平均灰度随时间变化的曲线(time-intensitycurve，TIC)，如图3所示。从TIC提取峰值增强强度(peakenhancement，PE)、达峰时间(timetopeak，TOP)、曲线下面积(areaunderthecurve，AUC)等9个量化特征[11]。本文基于有无运动跟踪、有无低通滤波相互组合的4种情况，提取共9×4=36个时域特征。
②空域特征。
TIC达到峰值时的图像帧称为峰值帧。以峰值帧为中心、前后均取若干帧平均得到的图像称为时间平均图像。本文从有运动补偿的时间平均图像、无运动补偿的时间平均图像、峰值帧图像3种图像中，分别提取92个空域特征，共92×3=276个特征。92个特征包括如下。①一阶统计量:中值、直方图熵等共18个统计学特征。②灰度共生矩阵纹理特征:对比度、能量、均一度、熵。在像素间隔0，1，...，15时分别计算，因此共含4×15=60个特征。③二值图像特征:用大津阈值法[10]将灰度图转为二值图。提取1n外部面积比值、中心偏移度、径向偏离度、离散度、内部面积比与外部面积比的比值、径向离散度等共14个特征。
1.4分类器设计
本文根据所提取的B型超声图像、弹性超声图像和CEUS图像序列3个模态的特征，用5折交叉验证[12]的方式把样本划分为训练集和测试集。同时，使用主成分分析法[13]，对直接提取的特征进行降维后，选择特征值和大于95%特征值总和时对应的特征维数，再将这些降维后的特征输入到分类器进行分类。
1.5试验方案
本文在CAD模型训练阶段，使用B型作为标准信息、弹性超声和CEUS作为特权信息，通过三个模态信息构建基于特权信息的CAD模型;在测试阶段，只使用B型以实现对淋巴结病变的单模态超声诊断。同时，作为对比试验，本文还设计了B型作为标准信息、弹性超声或CEUS作为特权信息、B型和弹性超声作为标准信息，CEUS作为特权信息、B型和CEUS作为标准信息，弹性超声作为特权信息的方案。
2结果与分析
将B型超声图像特征记为B、超声弹性图像特征记为E、CEUS图像序列特征记为C;特权信息用(*)表示;标准信息、特权信息和分类器的组合用(-)表示。分类指标为敏感性(Sen)、特异性(Spc)、精度(Pre)、准确率(Acc)和约登指数(YI)。标准信息只包含B、包含B和E或C的两种模态的分类结果如下。
2.1单模态标准信息分类结果
①B作为标准信息，E*、C*和E*串联C*分别作为特权信息，特权学习结果如表1所示。良性∶恶性=13∶49。
由表1可见，即使在B型超声单模态情况下，传统SVM模型也能得到一定的分类效果。但由于本文所用样本量较小，特异性较低。B-E*-SVM+的结果表明，增加了E*作为特权信息之后，分类的Spc、YI得到显著提升由0.69到0.92和0.49到0.64，分别提高了0.23和0.15。B-C*-SVM+的结果表明，增加了C*作为特权信息，使得在保持分类精确度的情况下敏感性和特异性更加均衡;相对单模态B型超声，由0.80和0.69改善为0.76和0.85。增加了E*和C*特权信息的B-E*-C*-SVM+，在本组试验中取得了最好的Acc和YI，分别为0.85和0.93。由此说明，特权信息的引入使得分类器的模型更加完善。②B作为标准信息，C*作为特权信息，特权学习结果如表2所示。良性∶恶性=42∶91。
表2的情况同表1，但表2试验的样本量更大，良恶性样本的比例更加均衡。因此，表2的分类约登指数更高，整体分类效果更好。
2.2双模态标准信息分类结果
①B串联E作为标准信息，C*作为特权信息，特权学习，结果如表3所示。良性∶恶性=13∶49。
与前两组试验不同，表3和表4的试验中，标准信息包含两种模态的信息，特权信息分别为CEUS信息和弹性信息。表3中的B-E-C*-SVM+相较B-ESVM的Acc、Pre、Sen、Spc、YI，分别提高了0.08、0.03、0.08、0.07、0.16;表4中的B-C-E*-SVM+相较B-C-SVM的Acc、Pre、Sen、Spc、YI，分别提高了0.04、0.04、0.02、0.15、0.17。这些结果同样表明，特权信息的加入使得分类效果更好。
试验结果表明，增加特权信息的学习算法SVM+能提高分类准确度，在临床诊断上具有一定的前景。
SCISSCIAHCI
