（生物医学工程专业论文）颈部淋巴结超声图像分析与应用.pdf

摘要 淋巴结是人体内产生免疫应答的重要器官，淋巴结异常通常表明其属区范围 内出现病变，因此检查淋巴结对相关疾病的诊断具有重要意义。颈部淋巴结是淋 巴疾病的好发区，在临床上颇为重要。对颈部淋巴结检查的各种方法中，超声成 像技术由于具有无损性、实时性、廉价性、操作方便等优点，是首选的影像方式。 但颈部淋巴结超声图像的人工判读有较大的主观性。通过计算机对淋巴结超声图 像进行量化分析，必将有利于提高医生诊断的客观性。为此，本文建立了一套颈 部淋巴结超声图像分析系统，该系统完成了对颈部淋巴结超声图像的分割、量化 特征提取和分类识别。 本文首先对梯度矢量流s n a k e 模型进行改进，用于淋巴结超声图像分割。传 统梯度矢量流s n a k e 模型仅根据图像中的亮度信息进行图像分割。由于淋巴结超 声图像质量较差，含有大量的斑点噪声而且对比度较低。传统梯度矢量流s n a k e 模型的分割结果难以令人满意。本文利用包含图像纹理和亮度信息的边缘流形成 梯度矢量流，充分利用了超声图像中的纹理信息。在由医生给定四个标记点的条 件下，实现了对淋巴结超声图像的半自动分割。对分割结果的定性和定量评价都 显示了将边缘流引入梯度矢量流s n a k e 模型将明显改善对淋巴结超声图像的分割 结果。 基于图像分割所得淋巴结轮廓，本文设计了一套超声图像特征提取算法，总 共量化了1 0 类超声图像特征，包括从b 型超声图像中提取了淋巴结大小特征、 外形特征、边界特征、形态特征、髓质比例、髓质分布、回声强度和回声均匀度 特征，以及从多普勒功率图中提取了血流密度和血流分布等特征。并对每一类特 征将各量化特征参数和医生的主观分级判断进行相关分析，以评价所计算的各量 化超声特征用于辅助诊断的价值。然后将每一类特征中相关度最高的量化特征参 数提供给医生，以辅助分析颈部淋巴结超声图像。 最后，本文将粗糙集概念引入支持矢量机，以消除由于训练样本中的噪声和 离群数据而引起的过学习问题。本文定义了粗糙间隔，基于粗糙间隔最大化来确 定两类数据间的最优分类面。由于粗糙间隔的引入，在支持矢量机的训练过程中 将自适应地考虑更多的训练样本。从而使噪声或离群数据的影响减弱。对三个标 准数据库测试结果证明：在存在噪声或离群数据的情况下，基于粗糙间隔的支持 矢量机的推广能力优于传统支持矢量机分类器。 综合上述三个步骤，本文构建了一个完整的颈部淋巴结超声图像辅助分析系 统，该系统除了具有图像分割、特征提取以及分类识别的主要功能外，还可手 动修正分割结果、对训练数据集进行增减、以及显示已知类别的训练样本信息等 功能。将该系统用于对2 1 0 个颈部淋巴结( 包括9 6 个良性淋巴结和1 1 4 个恶性 淋巴结) 超声图像的分析和识别，测试结果为：正确率为8 4 2 9 ，其中灵敏度为 8 4 2 1 ，特异度为8 4 3 8 。和医生的诊断结果相比较( 正确率为7 8 5 7 ，其中灵 敏度为8 0 7 0 ，特异度为7 6 0 4 ) ，该系统将在一定程度上提高医生应用超声技 术鉴别诊断颈部淋巴结良恶性的正确率。 关键词：颈部淋巴结；超声图像；计算机辅助诊断：图像分割；s n a k e 模型；特 征提取；相关分析；支持矢量机；粗糙集。 中图分类号t p3 9 1 ；r 3 1 9 2 a b s t r a c t l y m p hn o d ei so n eo f t h ei m p o r t a n to r g a n s 够t h ei m m u n o l o g i cf i l t e ri nt h eb o d y t h ea b n o r m i t yo fl y m p hn o d e so f t e nd e n o t e sp a t h o l o g i c a lc h a n g e sw i t h mt h e f t a t t r i b u t i v ea r e a s t h e r e f o r e ，t h ee v a l u a t i o no fl y m p hn o d e si sm e a n i n g f u lf o rt h e d i s e a s ed i a g n o s i s s i n c ec e r v i c a l l y m p hn o d e sa r e t h e p r o n er e g i o n so ft h e l y m p h a d e n o p a t h y ，t h e ya r ee s p e c i a l l yi m p o r t a n ti nt h ec l i n i c a m o n ga l lk i n d so f i m a g i n gm o d a l i t i e s ，t h eu l t r a s o u n di st h ep r e f e r r e dt e c h n i q u ef o rt h ee v a l u a t i o no f c e r v i c a ln o d e s ，d u et oi t sg o o dq u a l i t i e so fn o n i n v a s i o n , r e a lt i m e ，c h e a p n e s s ，a n d c o n v e n i e n c e h o w e v e r ，t h es o n o g r a p l l i ce x a m i n a t i o no fc e r v i c a ll y m p hn o d e si s h i g h l ys u b j e c t i v e i tw i l lb eh e l p f u lf o rt h er a d i o l o g i s t st od i a g n o s et h ec e r v i c a ln o d e s o ns o n o g r a m sm o r eo b j e c t i r e l yb yt h eq u a n t i f i e ds o n o g r a p h i cf e a t u r e sa n da n a l y s e s p r o v i d e db yac o m p u t e r i nt h i sd i s s e r t a t i o n , ac o m p u t e r - a i d e dd i a g n o s i s ( c a d ) s y s t e mh a sb e e nd e v e l o p e d ，w h i c hh a st h em a i nf u n c t i o n so fi m a g es e g m e n t a t i o n , f e a t u r ee x t r a c t i o na n dc l a s s i f i c a t i o no f c e r v i c a ln o d e so ns o n o g r a m s f i r s t l y , a ni m p r o v e dg r a d i e n tv e c t o rf l o w ( g v f ) s n a k em o d e li sp r o p o s e dt o s e g m e mt h en o d e so ns o n o g r a m s t h et r a d i t i o n a lg v fs n a k em o d e ls e g n f l e n t sa n i m a g eo n l yb a s e do nt h ei n t e n s i t ya t t r i b u t e s i n c et h en o d es o n o g r a m se x h i b i tp o o r q u a l i t y 、i t i ls p e c k l en o i s e sa n dl o wc o n t r a s t , t h ep e r f o r m a n c eo ft h et r a d i t i o n a lg v f s n a k em o d e li sn o ts a t i s f i e df o rt h es o n o g r a m s t of a l l yu t i l i z et h et e x t u r ei n f o r m a t i o n i nt h es o n o g r a m s t h eg v fi sf o r m e dw i t i lt h ee d g ef l o wt h a ts y n t h e s i z e st h ei n t e n s i t y a n dt e x t u r ei n f o r m a t i o n as e m i a u t o m a t i cs e g m e n t a t i o no fs o n o g r a m so ft h el y m p h n o d ei sa c c o m p l i s h e du n d e rt h ec o n d i t i o nt h a tt h ef o u rm a r k sa r ep r o v i d e db ya r a d i o l o g i s t b o t ht h eq u a l i t a t i v ea n dt h eq u a n t i t a t i v ee v a l u a t i o no ft h es e g m e n t a t i o n r e s u l t si n d i c a t e st h a tt h es e g m e n t a t i o nq u a l i t yi so b v i o u s l yi m p r o v e d 晰t i it h e i n t e g r a t i o no ft h ee d g ef l o wi n t ot h eg v f s n a k em o d e lf o rt h es e g m e n t a t i o no fn o d e s o ns o n o g r a m s b a s e d0 nt h es e g m e n t e dc o n t o u r so ft h en o d e s ，ac o m p u t e r i z e ds c h e m ei s d e s i g n e dt oe x t r a c tt h es o n o g r a p h i cf e a t u r e s t o t a l l y1 0k i n d so fs o n o g r a p h i cf e a t u r e s a r eq u a n t i f i e di n c l u d i n gg r a ys c a l es o n o g r a p k i cf e a t u r e sr e l m e dt os i z e ，m a r g i n , n o d a l b o r d e r , s l o p e ，m e d u l l ar a t i o ，m e d u l l ad i s t r i b u t i o n , e c h o g e n i c i t ya n de c h o g e n e i t y , a n d p o w e rd o p p l e rs o n o g r a p h i cf e a t u r e sr e l a t e dt ov a s c u l a rd e n s i t ya n dv a s c u l a rp a u e m f o re a c ho f1 0k i n d so fs o n o g r a p h i cf e a t u r e s ，c o r r e l a t i o n sb e t w e e nt h eq u a n t i f i e d f e a t u r ep a r a m e t e ra n dt w or a d i o l o g i s t s c o n s e n 翊j sg r a d i n ga r ec o m p u t e dt oa s s e s st h e 3 v a l u e so f t h e s ep a r a m e t e r si nt h ed i a g n o s i s t h em o s tc o r r e l a t e dp a r a m e t e rf o re a c ho f 1 0k i n d so fs o n o g r a p h i cf e a t u r e sw i l lb ep r o v i d e dt ot h er a d i o l o g i s t st oh e l pt h e m e v a l u a t et h ec e r v i c a ll y m p hn o d e so ns o n o g r a m s f i n a l l y , t h er o u g hs e tn o t i o ni si n c o r p o r a t e di n t ot h es u p p o r tv e c t o rm a c h i n e ( s v m ) t od e a lw i t l lt h eo v e r f i t t i n gp r o b l e md u et ot h en o i s e so ro u t h e si nt h et r a i n i n g s e t 。ar o u g hm a r g i ni sd e f i n e di nt h i sd i s s e r t a t i o n t h eo p t i m a ls e p a r a t i n gh y p e r - p l a n e i sf o u n db ym a x i m i z i n gt h er o l l 曲m a r g i n i nt h el e a r n i n gp r o c e s s ，s i n c em o r et r a i n i n g s a m p l e sa r ea d a p t i v e l yc o n s i d e r e dw i t ht h er o u g hm a r g i n , t h ee f f e c to fn o i s e so r o u f l i e r sm a yb er e d u c e d t h et e s t i n gr e s u l t sf r o mt h et h r e es t a n d a r dd a t a b a s e s d e m o n s t r a t et h a tt h eg e n e r a l i z a t i o nv c r f o m m c co ft h er o u g hm a r g i nb a s e ds v mi s h i g h e rt h a nt h a to f t h et r a d i t i o n a ls v m c l a s s i f i e rw h e nt h e r ee x i s tn o i s e so ro u f l i e r s a s s e m b l i n gt h ea b o v e - m e n t i o n e dt h r e es t e p s ，ac o m p u t e r - a i d e dd i a g n o s i ss y s t e m i sc o n s t m e t e dt oa n a l y z et h ec e r v i c a ll y m p hn o d e so ns o n o g r a m s b e s i d e st h e f u n c t i o n so ft h ei m a g es e g m e n t a t i o n , f e a t u r ee x w a e t i o n , a n dc l a s s i f i c a t i o n , w i t l lt h e s y s t e mt h eu s e r sc a nm a n u a l l ym o d i f yt h es e g m e n t e dr e s u l t s ，a d do rd e l e t eas a m p l e i nt h et r a i n i n gs e t , a n dd i s p l a yt h ei n f o r m a t i o no ft h ek n o w n s a m p l e s at o t a lo f2 1 0 c e r v i c a ll y m p hn o d e s ( i n c l u d i n g9 6b e n i g nn o d e sa n d11 4m a l i g n a n tn o d e s ) o n s o n o g r a m sh a v eb e e na n a l y z e da n dd i f f e r e n t i a t e db yt h ed e v e l o p e ds y s t e m t h e s y s t e mp r o d u c e dt h ea c c u r a c y , s e n s i t i v i t ya n ds p e c i f i c i 竹v a l u e sa s8 4 2 9 ，8 4 2 1 ， a n d8 4 3 8 r e s p e c t i v e l y c o m p a r e d 谢血t h ep e r f o r m a n c eo ft h ea c c r e d i t e d r a d i o l o g i s t ( w i t ht h ea c c u r a c y , s e n s i t i v i t ya n ds p e c i f i c i t ya s7 8 5 7 ，8 0 7 0 a n d 7 6 0 4 ，r e s p e c t i v e l y ) ，t h ed e v e l o p e ds y s t e mh a st h ep o t e n t i a lt oi m p r o v ed i a g n o s t i c a c c u r a c yo ft h er a d i o l o g i s t si nt h et a s ko fd i s t i n g u i s h i n gb e t w e e nm a l i g n a n ta n d b e n i g nc e r v i c a ll y m p hn o d e so nu l t r a s o n o g r a p h y k e yw o r d s ：c e r v i c a ll y m p hn o d e ；s o n o g r a p h i ci m a g e ；c o m p u t e ra i d e dd i a g n o s i s ； s e g m e n t a t i o n ；s n a k em o d e l ；f e a t u r ee x t r a c t i o n ；c o e l a t i o na n a l y s i s ；s u p p o r tv e c t o r m a c h i n e ；r o u g hs e t ， 4 1 1 前言 第一章绪论 淋巴系统是哺乳动物特有的周围免疫系统，由淋巴结和淋巴管组成。淋巴结 借助淋巴管在机体内构成独特的网络机构，并与机体血循环沟通，形成人体重要 的免疫屏障。当淋巴结出现异常，往往表明其属区范围内发生病变。因此按照淋 巴结分布规律检查淋巴结对相关疾病的诊断，特别是对某些感染性疾病的诊断具 有重要意义。颈部淋巴引流头、颈、上肢和胸部的淋巴，是淋巴疾病的多发区， 在临床上颇为重要 1 1 。及时而准确地诊断颈部淋巴结疾病对治疗方式的选择和患 者的预后都非常重要。 目前，超声成像技术是检查颈部淋巴结的首选影像方法。已有不少学者对颈 部淋巴结的超声图像特征进行了大量研究，发现了许多有用的超声图像特征用于 鉴别诊断颈部淋巴结疾病例如，超声图像中淋巴结的分布、与周围组织的关系、 淋巴结大小、形态、内部回声、内部坏死、液化、钙化以及血管分布模式等特征 在诊断颈部淋巴结疾病上大有用处【2 4 l 。 但是，在临床实践中，颈部淋巴结超声图像的人工判读往往具有较大的主观 性，诊断结果和医生的经验有关。有时即使是经验丰富的医生之间的诊断结果也 可能出现分歧。因此，对超声图像特征进行定量描述，将有助于提高医生采用超 声技术诊断颈部淋巴结的客观性。 计算机辅助诊断( c o m p u t e r - a i d e x id i a g n o s i s ，c a d ) 是指通过计算机对医学数 据进行量化分析，来帮助医生更准确地诊断疾病。开始的c a d 研究工作主要是 对肺尘病人的矽肺症检查啊9 1 。随着自动化技术、图像处理技术、模式识别技术 和信息技术的发展以及数学工具的突破这些技术逐渐渗透到医学诊断上，促进 了c a d 的发展。己开发出不少c a d 系统，用于临床实践。就医学超声图像的 计算机辅助诊断而言，近1 0 年来，国内外的研究主要集中于乳腺肿瘤 1 0 - 1 5 】、肝 病i 幡19 】和心血管 2 0 - 2 3 等疾病。对超声诊断淋巴结疾病的计算机辅助系统的报道至 今还很少。 本论文实现了一套计算机辅助分析系统用于对颈部淋巴结良恶性的鉴别诊 断。通过将客观的量化特征数据提供给医生，并进一步辅助判断某个淋巴结的良 恶性，将有助于医生更客观、更准确、更容易地对颈部淋巴结疾病进行诊断及预 后判断。此外，也有利于医生更为客观地对所采取的某种治疗方案的治疗效果作 出量化评价。 1 2 颈部淋巴结疾病诊断概况 1 2 1 淋巴结结构和功能 正常人体内约有6 0 0 7 0 0 个淋巴结，分别根据淋巴管的走行分布，并且通 过胸导管、毛细血管内皮细胞和细胞间隙与机体血循环沟通，形成人体的重要免 疫屏障i l j 。 正常的淋巴结呈豆形( 如图1 1 口】所示) ，由淋巴细胞集合而成，直径1 2 5 m m 。淋巴结的一侧凹陷为淋巴结门，有输出淋巴管和神经、血管出进。另一侧 隆凸，连接数条输入淋巴管。淋巴结表面包有被膜，被膜的结缔组织伸入淋巴结 内形成小梁，构成淋巴结的支架。被膜下为皮质区。淋巴结的中心及门部为髓质 区。皮质区有淋巴小结、弥散淋巴组织和皮质淋巴窦( 简称皮窦) 。髓质包括由致 密淋巴组织构成的髓索和髓质淋巴窦( 简称髓窦) 。淋巴窦的窦腔内有许多淋巴细 胞和巨噬细胞。从输入淋巴管流来的淋巴液先进入皮窦再流向髓窦最后经输出 淋巴管离开淋巴结。 图1 1 淋巴结结构 淋巴结的主要功能是滤过淋巴液、参与机体的免疫反应b 扪。 ( 1 ) 过滤淋巴液 淋巴结位于淋巴回流的通路上当病原体、异物等有害成分侵入机体内部浅 层结缔组织时，这些有害成分很容易随组织液进入遍布全身的毛细淋巴管，随淋 巴回流到达淋巴结。在淋巴窦中由于容积极大增加，淋巴的流速变得极为缓慢， 使得淋巴中的有害成分在迂回曲折流动时。有充分与宾内的巨噬细胞接触的机 6 会，绝大多数被清除或局限在淋巴结中，有效地防止了有害成分进入血液循环侵 害机体的其他部位。 ( 2 ) 参与免疫反应。 在机体体液免疫和细胞免疫等特异免疫反应中，淋巴结起着重要作用。淋巴 回流使淋巴结能很快地接受侵入机体的抗原刺激，经过一系列复杂的细胞和体液 因子的作用，发动了对此抗原特异性的免疫反应。淋巴结不仅能通过免疫反应消 除进入淋巴结内的抗原成分，而且通过输出效应淋巴细胞或免疫活性成分，发动 身体其他部位，特别是有害成分侵入区域的免疫反应，及时解除对机体的伤害。 免疫反应后，淋巴结产生的抗原特异性记忆细胞又通过淋巴细胞的再循环随时对 这些有害成分再次入侵进行监视。 1 2 2 颈部淋巴结异常的主要原因 颈部大约包括3 0 0 个淋巴结。颈部淋巴引流头、颈、上肢和胸部的淋巴，是 淋巴疾病的多发区。正常淋巴结较小，一般直径不超过lc m 。颈部淋巴结异常肿 大常见三种情况1 2 6 l ： ( 1 ) 良性肿大。包括各种感染、结缔组织病和变态反应等引起的肿大。临床 常呈良性经过，随着病因去除，在一定时间内可以完全恢复。 ( 2 ) 恶性肿大。包括原发于淋巴结的恶性肿瘤如淋巴瘤、淋巴细胞性白血病 和恶性组织细胞病等，以及其他恶性肿瘤的向淋巴结转移，如鼻咽癌通常向耳下 淋巴结转移，胃癌可能向锁骨上淋巴结转移等。临床呈恶性经过，恶性淋巴结持 续性进行性肿大，若不积极治疗，常会进行性恶化死亡。 ( 3 ) 介于良性与恶性间的肿大。如血管原始免疫细胞性淋巴结病和血管滤泡 性淋巴结增生症等。开始常为良性，若不及时治疗可变成恶性而致命。 在发现淋巴结异常肿大后，关键是确定其原因和性质，对不同病因的淋巴结 疾病治疗的方法也不尽相同有放疗、化疗、抗炎及手术治疗等。因此及时、准 确的诊断对淋巴结疾病的治疗或对患者的预后以及疗效判断都很重要。 1 2 3 颈部淋巴结疾病超声诊断的优势和发展概况 目前，临床上采用触诊、穿刺、病理检查以及影像学检查包括b 型超声、x 射线层析成像技( c o m p u t e r i z e dt o m o g r a p h y , c t ) 和磁共振成像( m a g n e t i c r e s o n a n c e i m a g i n g , m r j ) 等对颈部淋巴结进行诊断。其中，触诊方式的精确度不 高，只能检查淋巴结大小、质地、活动度以及与周围组织的关系：穿刺和病理检 查虽然精确度高，但是有创的，一般只有在难以确诊的情况下才使用。各种影像 学检查中头颈部常规x 线摄片检查，由于影像重叠已基本不用；c t 主要适台对 骨骼成像，只有进行对比度增强才能获得软组织的影像，对直径小于5n m 的淋 巴结c t 难以检测到，而且对颈部淋巴结的检测，牙齿造成的伪影将影响颌下、 颏下等淋巴结的视图；m r j 适合于软组织成像，但不易检测到淋巴结内的钙化 点而且c t 和m r i 诊断价格高、操作繁琐，不适合于对危重病人的床旁检查， 前者还有一定的放射性。 和其他影像技术相比，超声成像技术具有无损性、实时性、廉价性、操作方 便以及病人容易接受等优点，不仅能够提供软组织的实对解剖视图，还可以进一 步获得血流、组织弹性等功能信息。因此对颈部淋巴结的检查，超声成像技术是 首选的影像方式。目前，常规的b 型超声扫描可以发现直径2i i l i l l 以上的颈部淋 巴结。 早在2 0 世纪8 0 年代早中期，就有学者研究了灰阶b 型超声图像在颈部肿 大淋巴结诊断中的价值1 2 7 ，勰l 。病变淋巴结形态学、组织病理学上的特征是灰阶 超声诊断的基础。由于淋巴结呈组群分布，对颈部淋巴结进行超声扫描时通常要 包括如图1 2 所表示的几个部位冽：( 1 ) 颏下；( 2 ) 颌下：( 3 ) 腮腺区：( 4 ) 颈上区： ( 5 ) 颈内淋巴结群；( 6 ) 颈下部：( 7 ) 锁骨上窝；( 8 ) 颈后三角区。在灰阶声图像中， 可通过观察淋巴结的分布、大小、形态、淋w d - j 、内部回声、钙化及液化等现象， 结合对毗邻软组织的分析来综合评估颈部淋巴结。 图1 2 超声检查颈部淋巴结的扫描部位 s 在2 0 世纪9 0 年代早期，彩色超声开始应用于颈部淋巴结病变检查【2 9 j 。有 诊断价值的彩色超声图像特征包括血流密度特征和血管分布的状态等。对颈部淋 巴结进行检查的彩色超声成像图主要包括彩色血流图和多普勒功率图。其中，彩 色血流图可显示血流的方向和流速，而多普勒功率图只反应红细胞的多少，与血 流的方向和速度无关，流动红细胞越多，彩色越鲜明，反之彩色越暗。相比之下， 多普勒功率图所显示的血流色彩比较均匀，没有马赛克现象，其灵敏度比彩色血 流图高三至五倍，可显示微小血管。而目前临床上尚未发现彩色血流图中血流方 向对颈部淋巴结的明显诊断价值。因此，本文实验数据中的淋巴结彩色超声图像 均为多普勒功率图。 1 3 本文的创新点 本文在图像分割、特征提取和模式分类三个主要方面进行了研究，研究工作 的主要创新点包括： i 、针对淋巴结超声图像斑点噪声强、对比度差的情况，提出基于包含图像纹理 信息的边缘流分别改进梯度矢量流s n a b 模型和距离图s n a k e 模型，并根据淋巴 结的结构特点，对s n a k e 模型的外力作用范围进行限制，使改进的s n a k e 模型对 颈部淋巴结超声图像的分割取得了比原有s n a k e 模型更优的性能。 2 、将粗糙集概念引入支持矢量机分类器，提出粗糙分类间隔。基于租糙分类间 隔最大化，训练支持矢量机。通过在训练过程中自适应地考虑更多的样本点信息， 以减小训练样本中的噪声或离群数据的影响，提高了支持矢量机的推广能力。 3 、根据颈部淋巴结超声图像医学诊断特征，设计了一套特征提取算法，用于定 量描述l o 类颈部淋巴结超声图像特征。 4 、对所提取的量化特征和医生的主观分级结果进行相关分析，筛选出相关度较 高的量化特征，用于辅助医生分析颈部淋巴结超声图像。最终建立了颈部淋巴结 超声图像辅助分析系统 1 4 本文的内容和结构 本文的研究工作可分为超声图像分割、超声图像特征提取和分类识别三个阶 段( 如图1 3 所示) 。最终所实现的颈部淋巴结超声图像分析系统，能够根据医生 在扫描淋巴结后为标记长短径而打上的四个标记点半自动地分割出灰阶b 型超 声图像中淋巴结轮廓：在医生对淋巴结超声图像的判读过程中，将1 0 类量化的 颈部淋巴结超声图像特征数据( 包括灰阶b 型超声图像特征和多普勒功率图特征) 9 显示给医生；并辅助判断某个待识淋巴结的良恶性。 灰阶 多昔 图1 3 颈部淋巴结超声图像分析系统框图 本文的内容安排如下： 第二章颈部淋巴结超声图像分割。针对颈部淋巴结超声图像斑点噪声强、 组织纹理丰富的特征，基于改进后的边缘流方法对梯度矢量流s n a k e 模型以及距 离图s n a k e 模型进行改进。以充分利用超声图像中的纹理特征信息，并对s p _ a , k e 模型外力的作用范围进行限制，完成对颈部淋巴结超声图像的分割。对分割结果 进行了定性和定量的评价。 第三章颈部淋巴结超声图像特征提取。对1 0 类颈部淋巴结超声图像特征进 行量化，将量化特征和医生的主观分级结果进行相关分析，以筛选出相关度较高 的量化特征。并进一步分析了分割结果对特征提取的影响，以验证分割算法的可 靠性。 第四章基于租糙集的支持矢量机分类器将租糙集概念引入支持矢量机。 定义了粗糙分类间隔。根据最大化粗糙间隔训练支持矢量机，以提高支持矢量机 在训练样本中存在噪声或离群数据情况下的推广能力。对三个标准数据库人为加 入离群数据迸行分类测试。验证了算法的有效性。 第五章颈部淋巴结超声图像分析系统及其性能分析。描述了所实现的颈部 淋巴结超声图像分析系统的结构和功能。用2 1 0 例颈部淋巴结对系统进行测试。 并进步比较了本文提出的粗糙间隔支持矢量机和传统支持矢量机的分类结果， 分析了分割结果对支持矢量机分类的影响，以及各类量化特征参数在分类中的作 用。最后和医生的诊断结果进行比较。 第六章讨论和展望。归纳了本文研究所得的若干结论，并对进一步的研究 工作进行展望。 o 第二章颈部淋巴结超声图像分割 图像分割作为图像分析的第一步，其结果将影响到后续的特征提取，乃至最 终的分类识别结果。医学图像分割是图像处理的经典研究课题之一，也是难点之 一。由于分割结果无明确的标准，专业人员的手工分割结果被认为是最好的分割 结果，但手工分割对专家来说，任务相当繁重，而且分割结果和操作者的经验有 关，结果不具有可重复性。由计算机进行的自动分割具有可重复性。但由于医学 图像的复杂性、模糊性和不确定性，完全的自动分割方法结果不太令人满意。因 此，目前对医学图像的分割还处于一种半自动水平。半自动分割方法既发挥了人 的判断力，又利用了计算机的运算能力，从而使分割方法具有实用性。从2 0 世 纪6 0 年代开始人们就对图像分割进行了大量研究，已提出了很多分割算法，但 没有哪一种分割方法对所有图像模式都适用。对医学图像的分割应该是有针对性 的，根据待分割图像的特征选择合适的方法为了获得较好的分割结果，有时还 需要组合使用多种分割方法。 超声成像技术所获得的图像中存在着不可避免的斑点噪声、与组织有关的纹 理及其他噪声，其成像质量还难以与c t 、m r 等成像技术相比。对超声图像进 行分割，常用的边缘检测分割方法会导致过多的虚假边缘，通常需采用低通滤波 器来减少噪声。对于对比度较高的超声图像，低通滤波引入的边缘模糊不会严重 影响分割结果，但是，对于对比度较低的超声图像，如淋巴结超声图像，将导致 不完整的边缘。因此，低对比度超声图像的分割目前是超声图像处理中的难点问 题之一 在各种各样的分割方法中，形变模型3 0 1 分割算法将图像目标的先验知识和 来自图像数据的约束结合起来，通过利用曲线自身的平滑约束能够补充缺少的 或有噪声的边界信息。与不使用图像先验知识的非模型方法相比，形变模型对噪 声和伪边缘有较强的鲁棒性，能直接产生闭合轮廓线，因而是目前超声图像分割 中应用最多的分割方法之一。形变模型可分为参数形变模型( 即s n a k e 模型) 和几 何形变模型。和参数形变模型相比，几何形变模型能自动处理几何拓扑的变化， 但计算量通常比参数形变模型大，而且不容易直接施加用户交互力。此外，由于 超声图像中严重的噪声，使几何形变模型演化终止条件较难给定，因此几何形变 模型在超声图像分割中的应用还相对较少。而参数形交模型更易于和用户进行交 互，适合于快速实时实现，并且具有保持拓扑不变等优点。自g a s s 等提出s n a k e 模型3 1 】以来，衍生出各种不同特点的参数形变模型，使得s n a k e 模型的性能大大 提高。尤其针对原始s n a k e 模型外力捕捉范围有限的缺点，已经提出很多新的外 力方法，如气球s n a k e 模型【3 2 】、距离图s n a k e 模型【3 3 l 、梯度矢量流s n a k e 模型3 4 3 6 1 等。但这些算法对含有较多斑点噪声且对比度较低的淋巴结超声图像的分割结果 都不太理想。对此，本文分别对距离图s n a k e 模型和梯度矢量流s n a k e 模型进行 改进，以充分利用淋巴结超声图像中的纹理信息。此外，针对超声图像中淋巴结 临近组织和淋巴结内部出现的髓质部分可能对s n a k e 模型产生干扰，本文定义了 淋巴结内、外的限制点，通过将限制点处的外力设为零来消除干扰，以提高分割 结果的准确度。 本章首先对原始s n a k e 模型及主要的外力改进方法进行简述，然后介绍本文 提出的改进的梯度矢量流s n a k e 模型和改进的距离图s n a k e 模型。最后对分割结 果进行评价和比较。 2 1 参数形变模型 2 1 1s n a k e 模型原理及其数值解法 s n a k e 模型定义为一条带能量的参数曲线i o ) = 【x o ) ，“s ) 】，s e 【o ，l 】，这条曲 线在其自身的几何性质所决定的内能和由图像数据决定的外能的共同影响下在 图像中移动变形，通过寻找使内、外能的总和最小的参数曲线来进行图像分割。 s n a k e 模型的能量可用如下泛函表示： 1 1 e = l 陋fx ，( 5 ) f 2 + 夕f x j ( d f 2 】+ k ( x ) ) 由 ( 2 1 ) ；z 能量函数中的一阶导数项x 。( s ) 和二阶导数项x ”( s ) 统称为内能项，分别为曲线形 变时具有的弹性能量和刚性能量。其中，弹性能量约束s n a k e 曲线的伸缩，有保 持曲线连续性的作用；刚性能量则约束曲线的弯曲，有保持曲线光滑的作用口 和口分别为弹性系数和刚性系数，控制着弹性能量和刚性能量的相对大小。内能 项保证了s n a k e 曲线在形变过程中的连续和平滑，仅在内能项的作用下，初始闭 合的s n a k e 曲线将会收缩为一点。 式( 2 1 ) 中( x ( j ) ) 为外能项，是从图像数据中导出的，通常采用梯度信息控 制s n a k e 曲线的形变过程，以使能量函数在目标边缘处达到极小值，从而引导s n a k e 曲线形变到目标轮廓。例如，经典的吸弓l s n a k e 曲线趋向阶梯边缘的外能为高斯 势能，可表示为： e 。= 一i v 【q ( 工，y ) + l ( x ，j ，) ， ( 2 2 ) 其中，g ，是标准差为矿的二维高斯函数，v 为梯度算子。g ；k y ) x ( x ，y ) 表示 图像舷，力与高斯平滑滤波器的卷积。 2 求解极小化式( 2 1 ) 所定义的能量泛函的s n a k e 曲线，可根据泛函取极值的条 件，对式( 2 1 ) 求变分，此时极小化能量函数的s n a k e 曲线x 将满足如下欧拉一 拉格朗日o s u l e r - l a g r a n g e ) 方程： 鲋”( s ) 一, o x ( s ) 一v e 二= 0( 2 3 ) 这可以当作是力平衡公式，即： f m + f k = 0( 2 4 ) 其中，内力f i , t = 戗”o ) 一肛( j ) ，外力f 矗= 一v 如。形变过程就是内、外力 此消彼长的过程。当内、外力平衡时，s n a k e 曲线停止形变，此时希望盟l a k e 曲 线就是期望的目标轮廓。 对式( 2 3 ) 的求解，可以把s n a k e 曲线x o ) 当作时间r 的函数，令s n a k e 曲线随 时间变形，即把x 写成x ( s ，0 的形式，将x ( s ，f ) 相对于t 的偏微分等于方程( 2 3 ) 的左边，即 x ，0 ，f ) = c l x ”( s ) 一, a x ”( s ) 一v e 。( 2 5 ) 当偏微分方程的解x ( s ，r ) 稳定时，x 和，) 项消失，从而得到方程( 2 3 ) 的一个解，即 得到所求的s n a k e 曲线。 在离散实现时，可采用有限差分的方法。设s n a k e 曲线包括个离散点斯= o l ，如，= i n ，将导数用差分近似： 小过等监， x 。t - 。虹已型型逊生鲁堡世虹塾凸尘， 其中h 为空间步长，此处取h = l 。 则对第i 个轮廓点，欧拉方程( 2 3 ) 可近似为： a ( x j x _ ) - - a ( x + i x i ) + p ( x j 一2 2 x ，- l + x ，) - 2 p ( x 1 2 x ，+ xj “) + p ( x ，一2 x m + x t + 2 ) ( 2 6 ) + ( 正( 魏厂v ) = o 其中，五：譬，( f ) ：譬。 c 譬，d叽 式( 2 6 ) 可写成如下矩阵形式的线性方程组 箸：乏譬篙0 a y + f ，( x ，j ，) = 、吖 其中，a 为对称五对角循环矩阵，形式如下： a = 6 f l + 缸 一( 4 + 口) 一( 4 + 口) 6 - 4 - 2 a 一( 4 + 口) 8 一( 4 + 口) 口 一( 4 + 叻 6 p + 2 口 6 口+ 2 c r 一( 4 夕+ 口) ， 一( 4 + 口) 6 f l + 2 a 一( 4 伊+ - 口) 一( 4 + 口) 口 o 一( 4 卢+ 口) 6 a + 2 口 k a s $ 等给出了该方程组的迭代求解格式： t 2 ( a + ，i ) 。：雠l f j ( ) )( 2 8 ) m = ( a + y i ) 1 ( 规- 1 一f y ( x , - 1 ，只一1 ) ) 、 其中参数t 可控制s n a k e 曲线形变速度，i 为单位阵。取初始s n a k e 曲线作为方程 组的初值，迭代求解，当解收敛时得到最优曲线，分割图像时，即得到目标边界。 s n a k e 模型的性能和初始状态以及内、外能有关为获得更好的分割结果已 有不少文献在s n a k e 模型的内能、外能以及能量极小化方法上提出了许多方法。 特别是针对传统的高斯势力捕捉范围有限的缺点，出现了不少新的外力计算方 法。 2 1 2s n a k e 模型外力的几种主要方法 在k a s s 等提出的s n a k e 模型中采用图像的梯度构造外力场，其捕捉非常范 围有限。当初始s n a k e 曲线远离目标轮廓，该外力无法引导s n a k e 曲线形变到目 标轮廓，而且也难以使s n a k e 曲线进入轮廓的凹陷区。对此有不少外力改进算法 这里列出其中主要的几种算法。 ( 1 ) 气球s n a k e 模型， c o h e n 等m l 在s n a k e 模型中增加了气球力，来扩大外力的捕捉范围。气球力 大小为常数，方向沿轮廓点的法线方向，在气球力的作用下，s n a k e 模型作为一 个整体膨胀或收缩。气球力也能推动s n a k e 曲线收敛到凹陷边界。但气球力大小 难以设置，过小则s n a k e 曲线在孤立的边缘处停止形变，过大则容易从弱边缘处 泄漏。此外，气球力的方