恶性肝脏肿瘤动态超声图像分析

1、恶性肝脏肿瘤动态超声图像分析0 引言肝脏是人体内重要的代谢器官，对于肝脏疾病的早期诊断和及时治疗一直是临床工作的重点，如近年来针对甲型肝炎、乙型肝炎开展的临床工作 1-5。目前临床广泛使用的各种成像系统包括投影X 射线成像系统、X 射线计算机断层成像系统、放射性同位素成像系统、超声成像系统以及磁共振成像系统6-7，其中超声检测以良好的成像效果被广泛用来进行肝脏成像，传统的超声图像诊断中临床医生凭借经验进行诊断，这种经验性的、主观的判断常导致诊断的不确定性8，有必要引进一种定量准确的诊断方法，所以肝病超声图像的分析一直是专家学者的重要研究方向，如肝脏超声图像的特征提取、肝脏B 超图像的纹理分析、

2、应用人工神经网络方法进行的肝脏不同代谢组织的模式识别等9-13。虽然不同B 超机都能对图像中不同组织部位进行灰度统计曲线绘制以及显示，但图像在像素灰度值幅度、时间区间等都具有差异性，并且由于这种灰度曲线无法实现外导，为临床以及学术交流带来了一定困难，本实验提出一种基于B 超图像灰度值的信息处理与分析的方法，可以辅助医生对肝病B超图像进行分析及快速诊断。MATLAB 是一款强大的图像处理工具，在MATLAB 环境中可以方便、快速、有效地实现复杂医学图像处理算法14，其图像处理工具箱提供了将近200 种基本的图像处理函数，利用这些图像处理工具，结合其强大的数据处理能力，在测试这些算法时既可方便地得

3、到统计数据,又可得到直观的图示14-16。1 材料与方法1.1 图像的采集选取天津市肿瘤医院30 例肝病患者的B 超图像作为采集来源。其中男17 例，女13 例，年龄在3465 岁之间。1.2 方法首先使用小波分析对B 超图像进行增强，主要为了使改善后的图像比原始图像更加容易进行信息提取。然后对比不同滤波函数对B 超图像的降噪效果，选用自适应滤波函数进行处理，降低噪声对实验数据的影响。最后对不同区域进行灰度变化曲线的绘制，对比患者在注射造影剂后，其肝脏不同区域的超声图像的灰度值、达到峰值的时间及变化速率的不同来判断病变情况。2 结果2.1 B 超图像的小波分析处理现在医学超声图像，由于患者自身

4、原因或仪器工作状态，导致图像的清晰度不太理想，易造成主观判断失误，同时也为后续的数据及信息统计工作带来麻烦。因此，要对图像感兴趣区域(Region Of Interesting, ROI)进行增强，并抑制其余部分17。近年来小波分析18受到广泛的关注，它能以有效信号表征方式处理图像中非平稳信号,能够对图像进行多分辨率分析, 把时域、频域和空间域有机地结合起来, 有效地去除了图像信息的相关性，所以在图像处理方面得到大量的应用19，尤其近年来应用小波变换进行图像增强也得到了深入的研究20-22。本实验利用小波分析方法将B 超图像分解成大小、位置和方向都不同的分量，然后改变小波变换域中系数，实现选择

5、性放大感兴趣分量，最后做小波逆变换恢复图像。研究发现，在超声图像中应用相临尺度小波系数相关性23甚至可以确定哪些系数是由噪声产生，哪些是由图像中的细节特征产生24-25。小波变换在图像增强中起频域变换的作用，而且其增强算法的设计充分利用了小波分析时-频局部化特性，有效地提高图像增强的质量和算法的时效性。2.2 B 超图像的降噪处理图像在采集、转换和传输中，常常受到成像设备与外部环境噪声干扰等影响，如放大器等电路噪声26，使获得的信息不明显，甚至模糊了图像中的细节部分，降低图像质量。所以将被噪声干扰的信号进行滤波，使图像的特征易于辨认。噪声产生的原因决定了噪声分布的特性及与图像信号的关系。图像信

6、噪比14是临床诊断中的一个重要参数，因此，需要采用有效的滤波技术改进图像的质量，常用的图像滤波方法有：线性滤波、中值滤波、自适应滤波三种27。本实验对上述滤波方法分别进行仿真，结果如图2。通过各方法滤波结果对比发现，自适应滤波对图像降噪处理更加理想，而且能够最大限度地保留边缘信息。并且自适应滤波已经广泛的应用于医学信号的降噪28-29，所以本文选择自适应滤波作为降噪手段。2.3 对不同区域的组织进行信息提取以 T=0 时刻后出现亮点的顺序作为依据截取肝脏超图像的不同区域，本实验选取三个病变区域和一个正常区域作为ROI。对使用数据采集卡采集到的超声图像序列中ROI 的灰度值进行读取，并保存在相应

7、的数组中，使用MATLAB 读取命令将其读取保存。其中红色、绿色和黄色区域是病灶部分，蓝色区域是正常组织部分(也可称为对比部分)。2.4 对肝脏组织 B 超图像不同区域绘制灰度变化曲线根据血液循环代谢次序，实施造影后，各组织灰度值升高的顺序为：肝动脉癌变组织正常组织良性肿瘤，本次实验均把肝动脉亮的时刻作为绘制曲线的T=0 时刻。获取包括病灶和正常组织在内的四个样本点的灰度值数组，使用矩阵求和函数对各矩阵中元素对应的图像像素点灰度值进行求和，结果见表1。通过灰度值变化曲线，可以发现不同区域的灰度差异。其中病灶组织的灰度值明显有异于正常组织。3 结论本实验通过对不同肝脏组织区域的灰度曲线的绘制对比

8、，能够很好的将病灶区域区别出来，并能定量、直观反映出病灶区域肿瘤的变化程度，为医生的诊断提供了重要的参考。目前B 超图像所反映的病情，主要还是医生根据自身经验进行判断，具有一定的局限性。计算机图像处理技术对图像序列进行分析与处理，实现对人体组织及病灶区域的信息提取与统计，可以辅助医生对病灶区域癌变程度的观察和诊断。4 讨论本实验中方法不仅可以应用在肝脏肿瘤B 超图像分析，也可应用于其他组织的B 超图像，对于提高诊断正确率有积极的意义和参考价值。另外，数据采集卡的采样频率在选取时虽然考虑到了患者的呼吸频率，但由于采用固定频率导致最终获得的灰度值中有某些干扰值的出现，后续研究可围绕采样频率的选取开

9、展。中国医学论文网专业提供医学论文发表服务，并提供大量临床医学毕业论文，如有业务需求请咨询网站客服人员！参考文献1Sobao Y, Sugi K, Tomiyama H, et al.Identification of hepatitis B virus-specific CTL epitopes presented byHLA-A*2402, the most common HLA class I allele in East AsiaJ. J Hepatol. 2001,34(6):922-929.2Livingston BD, Newman M, Crimi C, et al.Optim

10、ization of epitope processing enhances immunogenicity ofmultiepitope DNA vaccinesJ.Vaccine.2001,14;19(32):4652-4660.3张定宗. 慢性乙型肝炎强力抗病毒治疗的意义J. 肝脏.2007,12(4):237-239,243.4Chen Congxin, Liu Bo, Guo shunming, et al. Inhibition of oxymatrine, a Chinese herbal medicine, and Chinesemade interferon-1b and 2b

11、 on proliferation and collagen synthesis of rat bepatic stellatc cellsJ. Chin JGastronenterol Hepatol. 2002,11:32-5.5陈从新,刘波,郭顺明等. 苦参碱治疗慢性乙型肝炎重度患者的临床对照观察J. 肝脏.2007,12(4):289-290.6 Tetsuya T, Tetsuhito M, Kosuke N, et al. Multifractal analysis of deep white matter microstmetoml changes OilMR/in relati

12、on to early-stage atherosclerosisJ.Elsevier Neuro Image. 2006,32:1158-1166.7高上凯.医学成像系统M.北京：清华大学出版社，2000.8 黄亚丽, 李芬华, 张瑞波. 基于小波变换的脂肪肝B 超图像识别J 中国医学影像技术.2005,21(11):1761-1763.9 Michalak K, Kwasnicka H. Correlation-based Feature Selection Strategy in Neural ClassificationJ. IEEEDigit Object Ident. 2006,1

13、:741-746.10徐涛,叶志前,蔡卫民.肝脏B超图像的纹理分析方法J.国际生物医学工程杂志.2006,29(4):228-230.11 Gang W, Hai H, Hongbo X, et al. Multifractal analysis of ventricular fibrillation and ventriculartachycardiaJ. Med Engin Phys.2007,29:375-379.12 Chen DR, Chang RF , Kuo WJ. Diagnosis of breast tumors with sonographic texture analy

14、sis using wavelettransform and neural networkJ. Ultrasound Med Biol.28(10):1301-1310.13 Zou L, Wang Z, Huang J. Prediction of subcenular loealization of eukaryotic proteins using position-specificprofiles and neural network with weighted inputsJ. J Genet Genomlcs. 2007,34(12):1080.14 高向军, 田联房, 王立非,

15、等. 利用MATLAB 实现医学图像处理与分析J. 计算机应用研究.2008,25(6):1747-1749.15于万波. 基于MATLAB 的图像处理M.北京:清华大学出版社,2008.16Rafael C. Gonzalez. Richard E. Woods, Steven L. Eddins. Digital Image Processing Using MATLABM北京：电子工业出版社，2005.17Donoho DL, Johnstone I. Ideal Spatial Adaptation Via Wavelet ShrinkageJ. Biometrika.1994,81(

16、3):425-455.18文进爱,彭仲,欧瑜枫.小波分析与其应用研究J.大众科技.2009,8:30-31.19陈艳霞,刘铁利,王雪剑等.小波分析在图像处理中的应用J.中国医学物理学杂志.2009,26(3):1176-1179.20刘李鹂,高智勇,刘向明.基于小波分析的红外乳腺图像去噪与增强的实验研究J.北京生物医学工程.2007,26(3):229-232.21李栋,文环明,马晓红.基于小波分析的图像增强处理J.电脑开发与应用.2009,22(8):20-22.22盖立平,王桂莲,陈艳霞等.医学图像处理中滤波技术的研究J.医疗卫生装备.2007,28(6):50-51.23何宏,唐志航,张

17、细政等.基于小波多尺度积的图像增强新算法J.计算机应用与软件.2007,24(3):163-165.24Sendurl L, Selesnick I W. A Bivariate Shrinkage Function for Wavelet Based DenoisingC.IEEEICASSP,2002.25 Lei Zhang, Paul Bao. Edge Detection by Scale Multiplication in Wavelet DomainJ.Pattern RecognitionLetters.2002,23:1771-1784.26 Pallas-Areny R,Colominas-Balague J,Rosell FJ.The effect of respiration In