基于边界特征的乳腺肿瘤超声图像识别

通过对乳腺肿瘤边界特征的分析，得到边界的特征量似圆度，面积比率，长宽比组成的特征矢量，最后用反向传播人工神经网络（BP）的算法对经病理证实的119幅乳腺良、恶性肿块超声图像进行分类识别。BP神经网络对良、恶性肿瘤正确识别率分别为89．7％、73．5N。量化后的乳腺超声图像肿瘤轮廓特征结合BP神经网络可以比较有效的用于肿瘤的良、恶性识别。     

基于直方图的纹理度量在超声乳腺肿瘤识别中的应用

探讨纹理特征在超声乳腺肿瘤诊断中的价值。提取超声图像中乳腺肿瘤的纹理度量,得到由均值、标准差、平滑度、三阶矩、一致性和熵组成的特征矢量,最后用反向传播人工神经网络（BP）对96幅乳腺肿瘤的良恶性进行分类识别。BP 神经网络对良、恶性肿瘤的正确识别率分别为88．4％和78．6％。基于乳腺肿瘤超声图像的纹理特征建立的神经网络系统对肿瘤的良恶性具有较好的识别能力。     

基于模糊数的乳腺肿瘤超声图像边缘快速提取方法

乳腺肿瘤边缘的准确提取在临床上对肿瘤良恶性的判别有重要的意义。本文利用三角模糊数的概念，采用重叠式窗口从图像中得到与不同隶属度对应的模糊数，从而建立以步进方格（marching square）为基本单元的模糊数平面；通过区间阈值得到步进方格上的映射区间，根据步进方格算法将对应映射区间着色绘制出肿瘤的边界。分别对恶性和良性肿瘤超声图像进行边缘提取。结果显示，本文方法相比一般提取边缘的算法具有快速准确提取乳腺肿瘤边缘的特点。实验证明本方法可以有效用于乳腺肿瘤超声图像边缘提取。     

基于融合双模态超声瘤内瘤周影像的乳腺肿瘤分类

本研究通过135例临床乳腺肿瘤的灰阶超声和应变弹性超声的双模态图像研究,并结合肿瘤感兴趣区域(region of interest,ROI)与瘤周组织超声信息进行乳腺肿瘤的良恶性分类.首先,分别提取肿瘤ROI区域的常规灰阶超声和应变弹性超声的影像组学特征:形态学特征(14个)、强度特征(18个)和纹理特征(75个),并...     

用于乳腺肿瘤分级诊断超声图像增强的算法

为提高乳腺肿瘤分级诊断的能力,提出一种基于超声信号用于乳腺肿瘤分级诊断的图像增强算法。通过分析良性和不同恶性程度肿瘤的超声图像的特征差异,提出了一种将灰度的动态变换方法和利用局部标准差及熵特征相结合的办法,对图像对比度进行增强处理,增强了乳腺超声图像的细节,提高了图像质量。该算法可对良性、恶性肿瘤等不同超声图像进行增强处理,使得图像之间差异更加明显,为临床医生分级诊断提供更加清晰的图像,具有一定的实际应用价值。     

男性乳腺疾病超声和病理诊断的十年回顾

检索2002-2011年我院男性乳腺患者的超声资料,以BI-RADS图像术语为标准,对该资料进行标准化处理,总结不同病理类型的超声图像特征,统计分析超声恶性征象在男性乳腺良恶性疾病之间的差异。结果显示除边界不完整外,其余13项超声恶性征象在男性乳腺疾病良恶性组差异有统计学意义,"毛刺征"、"强回声晕"、"钙化"、"后方回声衰减"、"腋窝淋巴结肿大"、"皮肤增厚"和"非中心性生长"独立诊断男性乳腺癌特异度在95%以上,结果提示高频超声可以较好地鉴别诊断男性乳腺良恶性疾病。     

计算机辅助系统在诊断乳腺良恶性肿瘤中的应用

目的:探讨计算机辅助诊断系统在良恶性肿瘤检测与特征提取基础上的分类对于乳腺肿瘤的诊断价值。方法:回顾性分析乳腺超声检查发现肿瘤且经过病理学证实的617例患者影像资料,采用手工提取的方式得到乳腺超声图像的感兴趣区域及病灶轮廓,再利用方向梯度直方图（HOG）、局部二值模式（LBP）和灰度共生矩阵（GLCM）3个特征进行乳腺肿瘤的良恶性病变真假阳性检测;最后用受试者操作特征曲线（ROC）分别分析每个特征对于两类病变判别的诊断性能和应用所有特征集合的分类诊断性能。结果:多特征融合方法的各项诊断效能及ROC曲线下面积（AUC）值均优于单特征LBP、HOG、GLCM（P值均<0.05）。与人工诊断相比,多特征融合的敏感性无显著差异,但特异度显著升高达98.57%（Z值=2.25, P<0.05）,同时AUC值为0.985,显著优于人工诊断的0.910（Z值=1.99, P<0.05）。结论:计算机辅助系统乳腺超声肿瘤良恶性检测的算法是有效的,能够对乳腺癌鉴别诊断提供有益的参考。     

基于定量影像组学的乳腺肿瘤良恶性诊断

乳腺癌是女性致死率最高的恶性肿瘤之一。为提高诊断效率,提供给医生更加客观和准确的诊断结果。借助影像组学的方法,利用公开数据集BreaKHis中82例患者的乳腺肿瘤病理图像,提取乳腺肿瘤病理图像的灰度特征、Haralick纹理特征、局部二值模式(LBP)特征和Gabor特征共139维影像组学特征,并用主成分分析(PCA)对影像组学特征进行降维,然后利用随机森林(RF)、极限学习机(ELM)、支持向量机(SVM)、k最近邻(kNN)等4种不同的分类器构建乳腺肿瘤良恶性的诊断模型,并对上述不同的特征集进行评估。结果表明,基于支持向量机的影像组学特征的分类效果最好,准确率能达到88.2%,灵敏性达到86.62%,特异性达到89.82%。影像组学方法可为乳腺肿瘤良恶性预测提供一种新型的检测手段,使乳腺肿瘤良恶性临床诊断的准确率得到很大提升。     

乳腺叶状肿瘤的超声诊断与临床病理分析

目的探讨不同病理类型乳腺叶状肿瘤的超声声像图特征。方法收集2010年1月至2016年12月在内蒙古自治区人民医院肿瘤中心行乳腺肿物切除术后病理诊断为乳腺叶状肿瘤的患者28例,均为女性,年龄12~69岁,平均年龄39.07岁。术前均行乳腺超声检查,对其临床数据、病理特征及超声表现进行归纳分析。结果 28例乳腺叶状肿瘤患者,21例为良性叶状肿瘤,其中11例合并纤维腺瘤;5例为交界性叶状肿瘤,2例为恶性叶状肿瘤。良性组肿瘤瘤体内部回声呈漩涡样或小囊样改变。恶性/交界性组肿瘤大部分瘤体内部回声明显不均匀,漩涡样结构及小囊样结构杂乱、无规则,部分有较大的液化坏死区。良性组血流信号主要为Ⅰ、Ⅱ级;恶性/交界性组血流信号主要为Ⅱ、Ⅲ级。结论不同病理类型的乳腺叶状肿瘤超声声像图具有不同特点,通过分析超声图像对临床诊疗具有一定帮助。     

基于双分支多视角深度自注意力编码器的乳腺肿瘤分类方法

自动乳腺全容积超声成像(ABVS)系统因其高效、无辐射等特性成为筛查乳腺癌的重要方式。针对ABVS图像进行计算机辅助乳腺肿瘤良恶性分类的研究,有利于帮助临床医生准确、快速地进行乳腺癌的诊断,甚至可辅助提高低年资医生的诊断水平。ABVS系统产生的三维乳腺图像数据量较大,造成常规的深度学习方式训练时间长、占用资源巨大。本研究设计了一种基于ABVS数据的多视角图像提取方式,替代常规的三维数据输入,在降低参数量的同时弥补二维深度学习中的空间关联性;其次,基于交叉视角图像的空间位置关系,提出一种深度自注意力编码器(Transformer)网络,用于获得图像的有效特征表达。实验是基于自有ABVS数据库的153例容积图像,良恶性分类的准确率为86.88%,F1-评分为81.70%,AUC达到0.831 6。所提出的方法有望应用于ABVS图像的乳腺肿瘤良恶性筛查。     

高频超声、钼靶X射线在乳腺BI-RADSⅣ～Ⅴ级诊断中的应用对比研究

目的 探讨高频超声、钼靶X射线单独与联合应用在乳腺影像报告与数据系统(BI - RADS)Ⅳ～Ⅴ级诊断中的应用价值及对比研究.方法 136个病灶经病理证实为乳腺恶性肿瘤,回顾性分析高频超声、钼靶X射线影像表现,并对诊断的准确性进行统计学分析.结果 高频超声、钼靶X射线及两者联合应用对乳腺BI- RADSⅣ-Ⅴ级诊断的正确率、误诊率比较,差异有统计学意义,P＜0.01.结论 高频超声在乳腺肿块(BI - RADS Ⅳ～Ⅴ级)诊断正确率方面优于钼靶X射线,特别是肿瘤直径＜1.0cm,且不伴有钙化时,两者联合应用较单一方法更能提高乳腺肿块(BI - RADS Ⅳ～Ⅴ级)的检出率及良、恶性鉴别诊断.     

超声造影增强模式在乳腺良恶性肿块鉴别诊断中的价值

目的探讨超声造影增强模式对乳腺良恶性肿块鉴别诊断的价值。方法选择40例经病理组织检查证实的乳腺肿瘤患者,均为女性,年龄25～54岁,平均年龄35岁。其中良性肿块25例,恶性肿块15例。使用Siemens Sequoia 512彩色多普勒超声诊断仪,造影剂采用SonoVue,行超声造影增强方式检查。结果乳腺良恶性肿块超声增强方式不同,良性肿块以整体不同程度地均匀型增强改变为主(80%,20/25),恶性肿块主要表现为不均匀增强或周边增强(86.7%,13/15)。结论乳腺良恶性肿块超声造影增强模式不同,可为鉴别诊断提供帮助。     

A methodology for evaluation of boundary detection algorithms on breast ultrasound images

Image segmentation is the partition of an image into a set of non-overlapping regions that comprise the entire image. The image is decomposed into meaningful parts, which are uniform with respect to certain characteristics, such as grey level or texture. This study presents a novel methodology to evaluate ultrasound image segmentation algorithms. The sonographic features can differentiate between various sized malignant and benign breast tumours. The clinical experiment can determine whether a tumour is benign or not, based on contour, shape, echogenicity and echo texture. Further study of the standardized sonographic features, especially the tumour contour and shape, will improve the positive predictive value and accuracy rate in breast tumour detection. The effectiveness of using this methodology is illustrated by evaluating image segmentation on breast ultrasound images. Via definite segmentation, the appreciated tumour shape and contour can be ascertained. Furthermore, this method can enhance the ability of ultrasound to distinguish between benign and malignant breast lesions.     

Level Set Contouring for Breast Tumor in Sonography

The echogenicity, echotexture, shape, and contour of a lesion are revealed to be effective sonographic features for physicians to identify a tumor as either benign or malignant. Automatic contouring for breast tumors in sonography may assist physicians without relevant experience, in making correct diagnoses. This study develops an efficient method for automatically detecting contours of breast tumors in sonography. First, a sophisticated preprocessing filter reduces the noise, but preserves the shape and contrast of the breast tumor. An adaptive initial contouring method is then performed to obtain an approximate circular contour of the tumor. Finally, the deformation-based level set segmentation automatically extracts the precise contours of breast tumors from ultrasound (US) images. The proposed contouring method evaluates US images from 118 patients with breast tumors. The contouring results, obtained with computer simulation, reveal that the proposed method always identifies similar contours to those obtained with manual sketching. The proposed method provides robust and fast automatic contouring for breast US images. The potential role of this approach might save much of the time required to sketch a precise contour with very high stability.     

Shape symmetry analysis of breast tumors on ultrasound images

Shape characteristics of malignant and benign breast tumors are significantly different. In this paper, the reflective symmetry of breast tumor shapes on ultrasound images was investigated. A new reflective symmetry measure (RSML) derived from multiscale local area integral invariant was proposed to quantify the shape symmetry of breast tumor, which could be computed directly from the binary mask image without the shape parameterization in terms of arc length. The performance of several symmetry measures for differentiating malignant and benign breast tumors at varying scales was evaluated and compared by receiver operating characteristic (ROC) analysis. RSML with Gaussian kernel at scale 0.04 (related to the maximal diameter) achieved the highest area under the ROC curve (0.85) on the image data of 168 tumors (104 benign and 64 malignant). The experimental results showed that the reflective symmetry of breast tumor shape was capable of providing potential diagnostic information, which could be characterized quantitatively by RSML with the appropriate scale parameter.