熊竞宇，张 麒

(上海大学通信与信息工程学院，上海 200444)

0 引言

前列腺癌是男性泌尿生殖系统中常见的恶性肿瘤。由于前列腺癌涉及饮食、激素、X染色体等因素，且发病机制复杂，目前仍然难以治愈。早期的诊治能减少前列腺癌对人体的侵害，提升治愈率，降低术后风险[1]。因此，有效地区分前列腺病变的良恶性，及早地确诊前列腺癌，对于前列腺癌患者的治愈具有极其重要的意义。

前列腺癌的诊断目前仍以活检病理作为金标准。但前列腺活检是有创检查，有发生严重并发症的风险。超声图像是前列腺肿瘤无创诊断的重要依据。其中，B型超声是较早运用于肿瘤诊断的超声技术，其特点是方便、快捷。超声弹性成像是一种测量生物组织弹性的超声检查方法[2]。当前列腺发生病变时，正常组织、良性病变组织和恶性肿瘤之间的硬度和弹性具有较大的差异；同时，在前列腺病变的过程中，组织弹性的变化一般要早于形态学的变化。因此，B型超声和超声弹性成像技术可作为前列腺癌无创诊断依据。

与此同时，超声图像的分析仍然建立在医生判断的基础上，过度依赖于医生的经验性判断，具有很强的主观性，且耗时耗力。因此，需要计算机辅助诊断(computer-aided diagnosis,CAD)，以减少医生的工作量并增强客观性和准确性[3]。本文设计了一种基于双模态超声图像的前列腺病变良恶性判别的CAD系统。

1 诊断方法

1.1 图像采集

本文样本包括复旦大学附属华山医院的103例男性前列腺病变病例。其中，良性病变56例，恶性病变47例，均经过10针活检的病理学验证。每例患者采集如图1所示的多幅双模态超声图像，共计313幅。超声成像仪采用日本日立(HITACHI)公司生产的EUB-7500成像设备，探头采用经直肠双平面探头，频率为7～12 MHz。采集的图像为B型超声(图1右)和弹性超声(图1左)双幅显示的图像。在超声弹性图像中，弹性感兴趣区域(region of interest,ROI)由表示组织硬度的RGB图像与B型灰阶图像叠加构成。

图1 弹性(左)和B型(右)图像Fig.1 Elastography (left) and B-mode (right) images

1.2 预处理

ROI包含了前列腺病变及其周边的组织信息。在ROI中，通过有经验的医生手工勾勒出前列腺外腺，作为后续定量分析的区域。对ROI自适应阈值化，得到二值图像。由于弹性图像是复合图像，需要减去B型图像[4]。对于弹性超声图像而言，不同的颜色代表不同的组织硬度，因此可以将超声弹性图像的RGB值转变为色调(Hue,H)值[5]。

(1)

(2)

H值越高，表示组织越硬。

1.3 特征提取

利用计算机自动算法，分别从B型超声和超声弹性图像中的前列腺外腺提取量化特征。根据特征的物理意义，每个模态均含以下几类特征。

① 一阶统计量特征包括：均值(mean)、中值(Median)、标准差(SD)、变异系数(CoV)、偏度(Skew)、亮度熵(EtBrt)等。

②灰度共生矩阵(gray level co-occurrence matrix,GLCM)特征包括：对比度(Cont)、能量(Ener)、均一度(Homo)和熵(Entr)[6]。

③二值图像特征[7]包括：二值图中取1的像素占整个前列腺外腺面积的比值(AR)；中心偏离度(CDD)，表示取值为1的像素到外腺中心的归一化平均距离；离散度(DD)与径向偏离度(RDD)，分别表示像素值为1的点到取值为1的像素区域中心的归一化距离均值与标准差。

1.4 特征融合

本文提取了两种模态的超声图像的特征信息，其中B型超声表征前列腺组织的声阻抗差异特性，而弹性超声则提供前列腺组织的弹性信息。因此，可将双模态特征进行融合，以达到信息互补的目的。

本文采用两种特征融合方式。第一种为直接法，是指将双模态特征直接串联成986维的特征向量，输入分类器中进行训练和测试；另一种是典型相关分析[9](canonical correlation analysis,CCA)法，如图3所示。给定两组向量x∈Rn,y∈Rn。考察两组向量的关系，可以将x和y表示成各自特征间的线性组合：

图3 典型相关分析图Fig.3 Canonical correlation analysis u=aTx

(3)

v=bTy

(4)

则相关系数ρ为：

(5)

当相关系数最大时，此时的u和v即为一组典型变量，记作：

(6)

(7)

与此类似，接下来的每组典型变量在满足相关系数最大的同时，还要与已有典型变量不相关，即：

Corr(u1,u2)=0

Corr(v1,v2)=0

以此类推，求出所有的典型变量(u1,v1)，(u2,v2)，…，(un,vn)，则所有的典型变量分别组合成新的向量x′与y′：

(8)

(9)

由x′与y′加权求和得到最终的融合向量z：

z=kx′+(1-k)y′

(10)

式中:k为典型变量x′的权重。

1.5 分类器设计

支持向量机(support vector machine,SVM)是一种常用的模式识别算法[10]。本文利用SVM实现对前列腺病变的良恶性判别。使用留一法对103例患者的分类性能进行验证，分别得出B型、弹性单一模态特征、双模态特征直接融合法及双模态特征CCA融合法四种情况下的敏感性(Sen)、特异性(Spc)、准确率(Acc)和约登指数(Yi)。

2 结果与分析

本文的所有算法均通过MATLAB实现。

2.1 预处理

对103个病例的313幅超声图进行有效的分割，得到双模态的ROI、外腺轮廓、重建的纯弹性图及其二值化图像。比较可知，重建后的弹性图像红蓝对比更加明显，有利于区分前列腺的组织硬度。图像预处理结果如图4所示。

图4 图像预处理结果图Fig.4 Image preprocessing results

2.2 特征提取

对313幅图片进行特征提取，对同一患者多幅图像的特征取平均值，得到每个患者单一模态493个量化特征，双模态共986个特征。同时对提取的特征作t检验，根据p值分析特征对前列腺良恶性病变进行区分。

选取部分典型特征如表1所示。结合均值和标准差，根据p值可以发现，弹性特征对前列腺病变良恶性的区分效果要优于B型特征。其中，B型特征中RSD、Mean、CoV、Skew和QtM13都有显著差异性(p<0.05)；弹性特征中RSD和CoV有显著差异性(p<0.05)，MeanV、Skew和QtM13有很强的显著差异性(p<0.001)。

表1 部分B型特征和弹性特征的p值Tab.1 The p values of partial B-mode and elastic features

2.3 分类

SVM分类结果如表2所示。

表2 SVM分类结果Tab.2 Classification results of SVM

根据表2的分类结果可知，使用单一模态的B型特征(Acc=66.0%)或弹性特征(Acc=60.2%)进行分类的效果并不理想；而利用直接法融合两个模态的特征后分类结果有所提高(Acc=68.9%)；利用CCA对双模态特征进行融合后，分类准确率进一步提高(Acc=82.5%)，同时敏感性、特异性和约登指数均达到较高值。由此可认为，CCA在多模态超声前列腺癌的临床诊断上具有一定的前景。

3 结束语

本文首先分别从前列腺的B型超声图像和弹性超声图像中提取量化特征，然后利用CCA融合B型特征和弹性特征，最后采用SVM对前列腺病变进行分类。分类的敏感性、特异性和准确率分别达到78.7%、85.7%、82.5%。本文方法有望应用于前列腺癌的临床诊断。

参考文献:

[1] 孙颖浩.我国前列腺癌的研究现状[J].中华泌尿外科,2004,25(2):77-80.

[2] LEGUÉHENNEC L,LAYROLLE P,DACULSI G,et al.A review of bioceramics and fibrin sealant[J]//European Cells and Materials (ECM),2004.

[3] LEHAIRE J,FLAMARY R,ROUVIERE O,et al.Computer-aided diagnostic system for prostate cancer detection and characterization combining learned dictionaries and supervised classification[C]//IEEE International Conference on Image Processing,2014:2251-2255.

[4] ZHANG Q,LI C,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(1):50-61.

[5] SHARMA G,TRUSSELL H J.Digital color imaging[J].IEEE Transactions on Image Processing,2001,6(7):901-932.

[6] YANG X,TRIDANDAPANI S,BEITLER 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.

[7] 张麒,戴伟,韩红,等.淋巴结超声造影图像序列的特征提取[J].自动化仪表,2015,36(10):40-43.

[8] ZHANG Q,CAI Y,HUA Y,et al.Sonoelastography shows that Achilles tendons with insertional tendinopathy are harder than asymptomatic tendons[J].Knee Surgery Sports Traumatology Arthroscopy,2016:1-10.

[9] HARDOON D,SZEDMAK S,SHAWE J.Canonical correlation analysis:an overview with application to learning methods[J].Neural Computation,2003,16(12):2639-2664.

[10]VAPNIK V N.The nature of statistical learning theory[J].IEEE Transactions on Neural Networks,1999,10(5):988-999.