张 麒 戴 伟 韩 红 王文平

(上海大学通信与信息工程学院1，上海 200072;复旦大学附属中山医院超声科2，上海 200072)

淋巴结超声造影图像序列的特征提取

张 麒1戴 伟1韩 红2王文平2

(上海大学通信与信息工程学院1，上海 200072;复旦大学附属中山医院超声科2，上海 200072)

区分淋巴结病变的良恶性具有积极临床意义。超声造影通过向血液中注射造影剂以动态显示组织中的新生血管及其血流灌注，是诊断淋巴结病变的新兴方法。针对病变淋巴结，提出一种从淋巴结超声造影图像中提取量化特征的方法，包括心动周期提取和子序列选择、淋巴结分割、纹理特征提取、统计学检验。对29个病人的41个淋巴结病灶的实验结果表明，提取的9个特征在良恶性淋巴结间存在显著性差异(P<0.05)，有助于鉴别良恶性淋巴结。

特征提取 淋巴结 超声造影 纹理特征 肿瘤

0 引言

淋巴结是淋巴系统的一部分，作用类似于过滤器，其内部包含淋巴细胞，能够吞噬淋巴液中的病毒与细菌。淋巴结的病变包含反应性淋巴增生、淋巴结炎、淋巴瘤、转移性恶性肿瘤等。其中反应性淋巴增生、淋巴结炎为良性病变，淋巴瘤、转移性恶性肿瘤为恶性病变。淋巴结病变的良恶性判别对于疾病的诊治具有重要意义。

超声造影(contrast-enhanced ultrasound，CEUS)又称声学造影，是近年来超声医学的热门研究领域。CEUS通过向血液中注射造影剂来增强血液的背向散射，经由谐波成像能够清晰显示新生血管和组织血流的灌注，大大提高超声诊断的分辨力、敏感性和特异性，从而达到对疾病进行鉴别诊断的目的[1-7]。淋巴结超声造影是诊断淋巴结病变的新兴手段。诊断时，需要有经验的医生人工判读CEUS图像中淋巴结血流的增强情况并给出诊断结论。但人工判读耗时耗力且存在较大主观性，诊断结果和医生的经验有密切关系。因此需要计算机辅助诊断技术减轻医生负担并提高疾病诊断客观性。本文通过计算机算法自动提取淋巴结量化特征，并且检验这些特征用于区分良恶性淋巴结的能力，从而为下一步计算机自动判别良恶性淋巴结作铺垫[1]。

1 材料和方法

1.1 在体CEUS图像的获取及良恶性金标准

在体CEUS图像序列采集自复旦大学附属中山医院超声科。共获得来自29个病人的41个淋巴结病灶的CEUS图像序列，其中4个病例的5个病灶使用荷兰飞利浦iU22系统，8个病例的10个病灶使用意大利百盛mylabtwice，其余病例均使用百盛mylab90。

CEUS图像为256级灰度图、大小800 pixel×555 pixel、分别率为(130.1±26.0) pixel/cm，序列采样频率fs为(23.5±4.8) frame/s。图像序列以DICOM格式存储于DVD中,便于离线分析。

所有病灶经病理或/和PET(正电子发射计算机断层扫描)证实，其中阴性病灶均经病理证实，而阳性病灶经病理或/和PET证实。

1.2 心动周期提取和子序列选择

造影剂灌注期间，血压搏动引起的血管腔大小的变化将导致CEUS图像的平均灰度值(average gray level，AGL)随之变化[7]。本文通过选取一个包括淋巴结的矩形感兴趣区域(region of interest，ROI)并计算其AGL的变化来提取心动周期信息。图1为心动周期提取和子序列选择示意图。图1(a)为一幅从CEUS图像上截取的、包含淋巴结病灶的矩形区域子图，从该矩形区域计算AGL。AGL信号随时间变化取决于两个因素：造影剂灌入灌出信息(频率较低)、动脉搏动引起的血管形态的改变(频率为心跳频率fr，在1 Hz左右)[2]。

图1 心动周期提取和子序列选择示意图

AGL随时间变化的信号可由时间强度曲线(time-intensity curve，TIC)表示，如图1(b)所示。通过巴特沃斯带通滤波器提取TIC曲线上代表心动周期的频段，从而获得心动周期信息，带通滤波器通带为fL= (1-α)fr～fH= (1+α)fr, 其中α(0<α<1)为定义半带宽的参数。通过巴特沃斯低通滤波器从TIC上提取血流灌注信息，通带频率上限为βfL，其中β为缩放控制参数(0<β<1)。本文将α与β分别设为经验值0.1与0.25[1]。

在低通滤波后的TIC上得到AGL最大的帧，即峰值帧，表示此时血液中的造影剂数量达到最大，如图1(c)所示。在峰值帧前后各选取3个心动周期的子序列，然后对这些图像帧(心动周期数量NC=6)求平均，得到时域平均图像[8]。

1.3 时域平均图像的分割

首先获取时域平均图像，提高图像的信噪比；接着手工描记淋巴结轮廓，并通过插值运算自动连接成闭合曲线；最后对淋巴结区域进行自动阈值分割得到造影剂区域，即代表淋巴结内的新生血管[8-9]。

1.3.1 时域平均图像的获取

由上节得到用于计算时域平均图像的帧数目为：

(1)

则最终得到经过时域滤波的时域平均图像为：

(2)

1.3.2 淋巴结勾勒

时域平均图像中，淋巴结形态各异且其回波特性与周围组织非常相似，导致对淋巴结自动分割极其困难。本文使用人工交互方式对淋巴结的边界进行手工勾勒：在淋巴结的边界上点若干点，然后使用B样条插值法对离散的点进行插值,从而得到光滑的闭合曲线，曲线所围区域即为淋巴结[10]。

1.3.3 淋巴结内新生血管的自动分割

为了实现淋巴结内新生血管的自动分割，本文使用大津阈值(Otsu’sthresholding)法来获取淋巴结区域的粗阈值T，但是该做法只考虑了淋巴结内部的对比增强而忽略了淋巴结外部组织的灰度值，所以对淋巴结内部灰度的变化非常敏感，可能造成误分割[9]。因此，本文考虑淋巴结外的像素点灰度，得到修正后的自适应阈值为：

(3)

(4)

淋巴结内新生血管分割后得到新生血管与背景分离的二值图像Ib。二值图像中血管面积AV占据整个淋巴结面积AP的比值AR为：

(5)

1.4 纹理特征的提取

在灰度图像的淋巴结内部提取一阶统计量特征和灰度共生矩阵(graylevelco-occurrencematrix，GLCM)特征。其中一阶统计量特征包括：均值(mean)、标准差(standarddeviation，SD)、变异系数(coefficientofvariance，CoV)、峰度(Kurt)、亮度熵(entropyofbrightness，EtBrt)[10-13]。

图像的GLCM定义为间隔距离d和方向θ的函数G(i, j; d, θ)[10-13]。特定的θ方向、间隔距离为d的GLCM的第i行第j列元素，表示图像中θ方向、间隔为d、起始像素取i值、终止像素取j值的像素点对的个数。本文求GLCM时设定θ= 0°、 45°、 90°、135°;d= 1, 2, …, 15 pixel。为了减少计算量，本文把256个灰度级重新量化到8个灰度级，此时GLCM被缩减到8×8大小。

从GLCM中提取对比度特征：

Cont=∑i∑j|i-j|2p(i,j)

(6)

式中：p(i, j)为灰度值i和j的联合条件概率密度函数。对特定间隔d的所有四个方向的对比度求平均，得到该间隔情况下的最终对比度特征，以“Cont+d”的变量名命名(如Cont12，表示d=12pixel时的对比度)。

1.4.2 二值图像中提取的纹理特征

从二值图像Ib中提取的特征包括：离散度(dispersiondegree，DD)，表示新生血管中每个像素点到新生血管中心的归一化距离的均值；径向离散度(radialscatteringdegree，RSD)，表示新生血管中每个像素点到新生血管中心的归一化距离的标准差。假设分割后的二值图像中代表血管的像素点数为np个，则DD和RSD定义为：

(7)

(8)

1.5 统计检验

本文使用t检验来评价所提取的特征区分良恶性淋巴结的能力，P值代表统计检验的显著性水平，P<0.05表示在两类间存在显著性差异[10]。

2 实验结果

本文算法均由MatlabR2013a实现。图2、图3分别给出了一例恶性淋巴结(转移性恶性肿瘤)、一例良性淋巴结(反应性淋巴增生)的CEUS图像分割结果。

定性观察两图可以发现：恶性淋巴结中血管分布不均匀，且血管数量较少；而良性淋巴结中血管分布均匀且数量较多。

9个定量特征在良恶性淋巴结间存在的统计学差异如表1所示。

图2 恶性淋巴结和内部血管分割示意图

图3 良性淋巴结和内部血管分割示意图

Tab.1 Nine of quantitative features exhibit statistical differences between benign and malignant lymph nodes (P<0.05)

特征P值均值±标准差良性恶性DD0．00170．56±0．130．68±0．09RImax0．00330．83±0．170．64±0．22SD0．005633．85±14．6521．91±11．61Cont150．01453．39±1．122．54±0．93Cont140．02013．20±1．042．44±0．88Cont130．02383．03±0．972．34±0．83mean0．0260109．75±53．9276．02±40．12RSD0．03480．26±0．060．30±0．06Cont120．03642．85±0．912．25±0．79

3 结束语

本文首先从淋巴结CEUS序列的时间强度曲线中提取心动周期信息，并计算时域平均图像；然后对时域平均图像进行分割，得到淋巴结内部新生血管；最后求取量化特征表征淋巴结特性。经统计学检验，本文提取的特征中有9个在良恶性两类间存在显著性差异(P<0.05)，说明这些特征有望用于对淋巴结进行良恶性分类。在今后研究中，将从时间强度曲线上提取时间域特征，与本文提取的空间域特征相结合，通过设计支持向量机等分类器，共同对CEUS图像中的淋巴结进行良恶性分类。

[1] Zhang Q,Li C L,Han H,et al.Computer-aided quantification of contrast agent spatial distribution within atherosclerotic plaque in contrast-enhanced ultrasound image sequences [J].Biomedical Signal Processing and Control,2014(13):50-61.

[2] American Joint Committee on Cancer.AJCC cancer staging manual[M].7thed.New York:Springer,2010.

[3] Davies M,Arumugam P J,Shah V I,et al.The clinical significance of lymph node micrometastasis in stage I and stage II colorectal cancer[J].Clinical Translational Oncology,2008,10(3):175-179.

[4] Furlow B.Contrast-enhanced ultrasound [J].Radiologic Technology,2009,80(6):547S-561S.

[5] Moritz J D,Ludwig A,Oestmann J W.Contrast-enhanced color Doppler sonography for evaluation of enlarged cervical lymph nodes in head and neck tumors [J].American Journal of Roentgenology,2000,174(5):1279-1284.

[6] Correas J M,Bridal L,Lesavre A,et al.Ultrasound contrast agents:properties,principles of action,tolerance,and artifacts [J].European Radiology，2001,11(8):1316-1328.

[7] Marshall G,Sykes A,Jonker L.The “humble” bubble:Contrast-enhanced ultrasound [J].Radiography,2011,17(4):345-349.

[8] Angelelli P,Nylund K,Gilja O H,et al.Interactive visual analysis of contrast-enhanced ultrasound data based on small neighborhood statistics[J].Computers & Graphics,2011,35(2):218-226.

[9] Otsu N.A threshold selection method from gray-level histograms[J].Automatica,1975(11):23-27.

[10]Chicklore S,Goh V,Siddique M,et al.Quantifying tumour heterogeneity in 18F-FDG PET/CT imaging by texture analysis [J].European Journal of Nuclear Medicine and Molecular Imaging,2013,40(1):133-140.

[11]Yang X,Tridandapani S,Beitler J J,et al.Ultrasound GLCM texture analysis of radiation-induced parotid-gland injury in head-and-neck cancer radiotherapy:an in vivo study of late toxicity [J].Medical Physics,2012,39(9):5732-5739.

[12]McNitt-Gray M F,Wyckoff N,Sayre J W,et al.The effects of co-occurrence matrix based texture parameters on the classification of solitary pulmonary nodules imaged on computed tomography [J].Computerized Medical Imaging and Graphics,1999,23(6):339-348.

[13]Alvarenga A V,Pereira W C,Infantosi A F C,et al.Complexity curve and grey level co-occurrence matrix in the texture evaluation of breast tumor on ultrasound images[J].Medical Physics,2007,34(2):379-387.

Feature Extraction of Lymph Nodes from Contrast-enhanced Ultrasound Image Sequences

Discrimination of benign or malignant lesions of lymph nodes has positive clinical significance. The contrast-enhanced ultrasound (CEUS) is a novel method for diagnosis lesions of lymph nodes, through injecting contrast agents into blood, the tissue neovascularization and its blood perfusion can be displayed dynamically. Aiming at the lesions of lymph nodes, the method of extracting quantified features from CEUS image sequences is proposed; including cardiac cycle extraction and subsequence selection, lymph node segmentation, texture feature extraction and statistical tests. The results of experiments carried out on 41 lesions of lymph nodes from 29 patients demonstrated that significant differences (P<0.05) of 9 of the features extracted exist in benign and malignant lesions of lymph nodes; it is helpful to distinguishing benign or malignant lesions.

Feature extraction Lymph nodes Contrast-enhanced ultrasound (CEUS) Texture feature Tumor

国家自然科学基金青年基金资助项目(编号：61401267);

上海市自然科学基金资助项目(编号：12ZR1444100);

上海市教委人才计划“晨光计划”基金资助项目(编号：11CG45);

上海市教委科研创新基金资助项目(编号：12YZ026)。

张麒(1983-)，男，2010年毕业于复旦大学医学电子学专业，获博士学位，副教授；主要从事医学图像处理的研究。

TP391+.4;TH789

A

10.16086/j.cnki.issn1000-0380.201510010

修改稿收到日期：2014-12-11。