李鵬飛

乳腺X射線影像中微鈣化點(diǎn)檢測(cè)方法的探討

李鵬飛①

乳腺癌是女性最常見的惡性腫瘤之一，防治的關(guān)鍵在于早期診斷。實(shí)現(xiàn)乳腺癌早期診斷的關(guān)鍵技術(shù)之一是及時(shí)發(fā)現(xiàn)乳腺X線影像中的微小鈣化點(diǎn)。隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，采用計(jì)算機(jī)輔助診斷（CAD）技術(shù)檢測(cè)微鈣化點(diǎn)已成為乳腺癌早期診斷的研究熱點(diǎn)。對(duì)一些傳統(tǒng)的微鈣化點(diǎn)檢測(cè)方法和近年來廣泛收到關(guān)注的微鈣化點(diǎn)檢測(cè)方法進(jìn)行了介紹，較全面地綜述了乳腺鉬鈀X線影像中微鈣化點(diǎn)檢測(cè)方法。文中只涉及到檢測(cè)方法，而沒有討論檢測(cè)方法的效果評(píng)價(jià)。

乳腺癌；微鈣化點(diǎn)；檢測(cè)方法；圖像處理

[First-author's address]Yushu Municipal Hospital, Yushu 130400, China.

1 引言

乳腺癌是女性最常見的惡性腫瘤之一[1]，現(xiàn)已成為40～55歲年齡段的婦女死于癌癥的首因，但是目前還沒有確切的方法預(yù)防乳腺癌[2-3]。因此，早期診斷和早期治療成為降低乳腺癌死亡率的關(guān)鍵。鉬靶軟X線攝影被認(rèn)為是最有可靠性的早期檢測(cè)方法，從鉬靶X線影像上可以看到乳腺癌的危險(xiǎn)征象，其中微鈣化點(diǎn)是早期臨床隱匿性乳腺癌的典型臨床表現(xiàn)。在鉬鈀乳腺X線片中微鈣化點(diǎn)顆粒遠(yuǎn)大于0.5 mm的尚可被肉眼發(fā)現(xiàn)，但顆粒在0.5 mm左右的微小鈣化點(diǎn)則需借助計(jì)算機(jī)圖像處理技術(shù)才能檢測(cè)出來。實(shí)現(xiàn)乳腺癌早期診斷的關(guān)鍵技術(shù)之一是及時(shí)發(fā)現(xiàn)乳腺癌X線影像中的微小鈣化點(diǎn)，并根據(jù)鈣化點(diǎn)的數(shù)目、大小及分布形態(tài)來鑒別其是否有惡化傾向。隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，采用計(jì)算機(jī)輔助診斷（CAD）技術(shù)檢測(cè)微鈣化點(diǎn)已成為乳腺癌早期診斷的研究熱點(diǎn)。

目前CAD技術(shù)檢測(cè)乳腺影像中微鈣化點(diǎn)的方法很多，有基于傳統(tǒng)圖像處理的方法、基于小波變換的圖像特征增強(qiáng)法、閾值分類法、神經(jīng)網(wǎng)絡(luò)分類法、統(tǒng)計(jì)學(xué)特征提取法、濾波器法等。實(shí)際上，任何一種檢測(cè)方法往往都是這幾種方法的聯(lián)合應(yīng)用。微鈣化點(diǎn)自動(dòng)檢測(cè)技術(shù)是指抽取有診斷價(jià)值的含微鈣化點(diǎn)的圖像特征，并在此基礎(chǔ)上進(jìn)行特征優(yōu)化，最后進(jìn)行微鈣化點(diǎn)的診斷分類。常用的分類方法有人工神經(jīng)網(wǎng)絡(luò)方法、模糊聚類方法、線性分類方法等。

2 微鈣化點(diǎn)X線影像學(xué)表現(xiàn)

鈣化灶的形成可能是癌灶局部壞死，壞死區(qū)內(nèi)細(xì)胞溶解，核酸分解出大量磷酸根，局部鈣離子增加，堿性磷酸酶增多而導(dǎo)致磷酸鈣的鈣鹽沉著[4]。成簇樣微小鈣化是檢測(cè)早期乳腺癌的重要依據(jù)。按其數(shù)目多少和形態(tài)學(xué)表現(xiàn)將微鈣化點(diǎn)分為5種類型：（1）細(xì)沙型：這種鈣化數(shù)量一般較多。（2）蠕蟲型：它為長(zhǎng)約1 mm的小蟲樣鈣化，呈扭曲、伸直或叉狀。（3）粗顆粒型：鈣化數(shù)目一般較少。（4）混合型：為3種以上鈣化混合存在或只有其中3種,鈣化數(shù)目密集。（5）融合型：鈣化點(diǎn)相互融合，密度極高，最大直徑可達(dá)10 mm以上。由此可見，微鈣化點(diǎn)的大小形態(tài)不一。

3 微鈣化點(diǎn)的檢測(cè)方法

3.1 基于傳統(tǒng)圖像處理的方法

圖像處理方法有圖像二值化、圖像增強(qiáng)、灰度變換、閾值選取和邊緣檢測(cè)等關(guān)鍵方法。Kahn[5]等提出基于灰度梯度特征提取的微鈣化點(diǎn)檢測(cè)方法。該法由灰度梯度計(jì)算出對(duì)比度分布的前四階矩，然后用統(tǒng)計(jì)分類方法進(jìn)行微鈣化點(diǎn)的定位。因其僅以對(duì)比度作為微鈣化點(diǎn)分類的標(biāo)準(zhǔn)，有很大局限性且識(shí)別能力差。Davies[6]等提出利用局部閾值法分割成簇的微鈣化點(diǎn)。當(dāng)局部直方圖成雙峰時(shí),就選擇雙峰的谷值作為閾值。若局部直方圖呈單峰狀,則該子圖將為其鄰近的子圖內(nèi)插。利用尺寸、形狀和梯度測(cè)度來分析分割的對(duì)象以及分離出成簇的微鈣化點(diǎn)。該法僅以空間域的灰度特征作為分割標(biāo)準(zhǔn),易造成較大的誤判率。Chan[7]等描述了一種基于差值圖像技術(shù)的分割算法。首先是進(jìn)行圖像特征增強(qiáng),然后再對(duì)原始圖像進(jìn)行噪聲抑制。信號(hào)增強(qiáng)圖像和噪聲抑制圖像相減以去除不相關(guān)的乳腺結(jié)構(gòu)。再用全局或局部閾值法來初步確定微鈣化點(diǎn)。最后對(duì)初步確定的微鈣化點(diǎn)作進(jìn)一步閾值化處理,確定微鈣化點(diǎn)。文浩[8]等提出了一種基于灰度形態(tài)重構(gòu)的微鈣化點(diǎn)檢測(cè)方法，該法運(yùn)用灰度形態(tài)重構(gòu)、圖像增強(qiáng)（空域-頻域），以及二維最大熵分割的技術(shù)來檢測(cè)乳腺微鈣化點(diǎn)。

3.2 基于小波變換的圖像特征增強(qiáng)方法

小波變換是一種信號(hào)的時(shí)間－尺度(時(shí)間－頻率)分析方法，它具有多分辨率分析的特點(diǎn)，且在時(shí)頻兩域都具有表征信號(hào)局部特征的能力。Strickland[9]等提出了小波圖像特征增強(qiáng)方法。微鈣化點(diǎn)的檢測(cè)是在變換域內(nèi)完成的,對(duì)小波系數(shù)取閾值,大于該閾值則認(rèn)為是鈣化點(diǎn),否則為非鈣化點(diǎn)。閾值是選擇每個(gè)尺度直方圖的固定百分點(diǎn)。Song yang[10]等介紹了基于小波圖像特征增強(qiáng)、圖像特征提取和神經(jīng)網(wǎng)絡(luò)分類的微鈣化點(diǎn)自動(dòng)檢測(cè)和分類方法。

3.3 閾值分類方法

閾值分類方法就是簡(jiǎn)單地用一個(gè)或幾個(gè)閾值將圖像中具有特殊含義的不同區(qū)域(例如病變區(qū)域和正常組織)識(shí)別開來。Fam[11]等提出基于區(qū)域增長(zhǎng)算法的檢測(cè)方法。首先對(duì)強(qiáng)度在某一規(guī)定范圍內(nèi)的像素進(jìn)行區(qū)域增長(zhǎng)運(yùn)算。然后,計(jì)算像素的強(qiáng)度梯度,看是否滿足均值和誤差標(biāo)準(zhǔn)。該算法最大的問題是所需的許多變量要由用戶自己輸入,而事實(shí)上這些變量是依賴于圖像的,應(yīng)該能由系統(tǒng)自動(dòng)確定。Dengler[12]等介紹了基于高通濾波和閾值分割法的微鈣化點(diǎn)檢測(cè)方法。用不同權(quán)重的高斯算法計(jì)算出檢測(cè)點(diǎn)和鄰近點(diǎn)之間的差值，若該差值小于閾值,則為微鈣化點(diǎn)。閾值選為全局標(biāo)準(zhǔn)差的2.5倍,該標(biāo)準(zhǔn)差由經(jīng)高斯操作后的圖像得出。將分割的圖像作為掩模,利用低于該閾值像素的強(qiáng)度重新計(jì)算標(biāo)準(zhǔn)差，最終閾值選為標(biāo)準(zhǔn)差的3倍。最后,利用8結(jié)構(gòu)元素重建微鈣化點(diǎn)的形狀。Heng-Da Cheng[13]等提出了基于模糊邏輯技術(shù)的微鈣化點(diǎn)檢測(cè)方法。該方法首先利用全局信息(亮度) 和局部信息(不均勻性)來生成一噪聲受到抑制的模糊圖像和一微鈣化點(diǎn)得到增強(qiáng)的圖像，用一迭代閾值確定微鈣化點(diǎn)。最后用數(shù)學(xué)形態(tài)學(xué)方法來重建微鈣化點(diǎn)。該方法的最大優(yōu)點(diǎn)是能檢測(cè)較大密度的乳腺X線片中的微鈣化點(diǎn)。Giuseppe[14]等介紹了基于小波變換的多分辨率分析和基于Renyi熵選擇閾值的閾值分割方法。MotiMelloul[15]等提出一種基于熵選擇閾值的閾值分割技術(shù)。該方法是全自動(dòng)的并且能自由選擇參數(shù)。

3.4 神經(jīng)網(wǎng)絡(luò)分類法

神經(jīng)網(wǎng)絡(luò)分類法具有記憶、學(xué)習(xí)、歸納和容錯(cuò)的特性。神經(jīng)網(wǎng)絡(luò)的輸入可以是各種來自空間域或頻率域、局部或全局的表征微鈣化點(diǎn)特性的參數(shù)。Shen[16]等提出了對(duì)鈣化點(diǎn)形狀因子的表征方法。所選形狀因子有緊湊度(compactness)、力矩(moment)和傅立葉描述子(Fourier descriptions ,FDs)等可表示各種鈣化點(diǎn)形狀圓度的測(cè)度，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，從而確定微鈣化點(diǎn)的位置。Brijesh[17]等提出了基于模糊神經(jīng)網(wǎng)絡(luò)和圖像特征提取的微鈣化點(diǎn)檢測(cè)方法。他們提取了熵(entropy)、對(duì)比度(contrast)、均值(average)、形狀因子(shape)、傅立葉描繪子(Fourier descriptions, FDs)等圖像特征作為經(jīng)網(wǎng)絡(luò)的輸入矢量。優(yōu)點(diǎn)是可區(qū)分良、惡性病變，但結(jié)果并不理想。

3.5 統(tǒng)計(jì)學(xué)特征提取方法

統(tǒng)計(jì)特征分類方法是對(duì)模式樣本進(jìn)行各種特征的提取和分析，選取對(duì)分類有利的特征，并對(duì)其統(tǒng)計(jì)均值等按已知類型分別進(jìn)行學(xué)習(xí)，再根據(jù)以上統(tǒng)計(jì)特征設(shè)計(jì)出一個(gè)分類誤差最小的決策超平面。早期的統(tǒng)計(jì)特征分類法是Kahn[18]等提出的基于灰度梯度特征提取的微鈣化點(diǎn)檢測(cè)方法。因其僅以對(duì)比度作為微鈣化點(diǎn)分類的標(biāo)準(zhǔn),有很大局限性。文浩[19]等提出基于小波與統(tǒng)計(jì)學(xué)的乳腺微鈣化點(diǎn)檢測(cè)方法。首先對(duì)數(shù)字化X片進(jìn)行小波分解，采用多尺度自適應(yīng)增益方法提高圖像的對(duì)比度。然后對(duì)增強(qiáng)后的圖像細(xì)節(jié)分量運(yùn)用統(tǒng)計(jì)學(xué)中的偏度和峰度來選取感興趣區(qū)。最后利用箱線圖極端值檢測(cè)法確定微鈣化點(diǎn)的位置。

3.6 支持向量分類器分類法

基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量分類器 (support vector classifier ,SVC)因?yàn)槠鋬?yōu)越的性能而成為目前研究的熱點(diǎn)。胡正平[20]等提出了基于貢獻(xiàn)矩陣的特征提取方法。首先采用基于結(jié)構(gòu)分析的統(tǒng)計(jì)方法構(gòu)造貢獻(xiàn)矩陣，利用貢獻(xiàn)矩陣對(duì)圖像預(yù)處理；通過二維主成分分析方法提取圖像特征。將此算法用于微鈣化點(diǎn)圖像特征提取，利用支持向量機(jī)分類器進(jìn)行分類。胡正平，張曄[21]提出了基于微弱目標(biāo)-背景合成技術(shù)的微鈣化點(diǎn)檢測(cè)技術(shù)，其中采用可拒識(shí)-雙層支持向量分類器檢測(cè)微鈣化點(diǎn)。

3.7 綜合分類方法

從已有研究文獻(xiàn)看,僅用一種分類方法會(huì)帶來較大的假陽性或假陰性。采用組合多種方法的綜合處理方法，可以有效提高檢測(cè)率和降低假陽性。Amando等提出了差值圖像法、高斯統(tǒng)計(jì)檢測(cè)法和基于小波變換的多分辨率分析法的綜合檢測(cè)方法。分類則涉及到閾值化分類和支持矢量機(jī)(support vector machine, SVM)分類的聯(lián)合應(yīng)用。Erich[17]等利用閾值化方法和神經(jīng)網(wǎng)絡(luò)方法對(duì)微鈣化點(diǎn)進(jìn)行分類。萬柏坤[22]等提出優(yōu)化組合多種方法的綜合處理方法，首先用基于差值圖像去噪和局部閾值分割的方法去除不相關(guān)的低頻背景，然后對(duì)原圖像用基于多分辨率的噪聲抑制和神經(jīng)網(wǎng)絡(luò)分類去除極高頻噪聲和部分低頻背景。最后，將兩個(gè)方法處理過的二值化圖像進(jìn)行邏輯與運(yùn)算，可以得到只含有高頻微鈣化點(diǎn)的圖像，從而實(shí)現(xiàn)了對(duì)微鈣化點(diǎn)的定位。

此外,還相繼出現(xiàn)了Patrick等人的基于專家系統(tǒng)的模式分類法、Magnin[16]等人的基于紋理分析的方法、Zheng[14]等人的基于混合特征矢量的神經(jīng)網(wǎng)絡(luò)分類模型、Netch[10]等提出多尺度分析檢測(cè)微鈣化點(diǎn),并且建立了數(shù)學(xué)模型,認(rèn)為微鈣化點(diǎn)是具有特定尺寸和對(duì)比度的亮點(diǎn)。文浩[23]等提出基于差影技術(shù)的乳腺微鈣化點(diǎn)檢測(cè)方法。

4 小結(jié)

本文較全面地綜述了乳腺鉬鈀X線影像中微鈣化點(diǎn)檢測(cè)方法。綜觀上述微鈣化點(diǎn)檢測(cè)方法研究文獻(xiàn)，可以看出近期發(fā)展趨勢(shì)為：（1）多種分析方法的綜合。（2）人機(jī)交互式分割方法的應(yīng)用。（3）尋找對(duì)病變類型進(jìn)行診斷分類的檢測(cè)方法。

目前所存在問題是：首先，國(guó)外的檢測(cè)方法主要是針對(duì)西方婦女，由于東西方婦女乳腺組成不完全相同，文獻(xiàn)中的方法不一定適應(yīng)于東方婦女。此外，已有檢測(cè)方法盡管各有其優(yōu)點(diǎn)，但對(duì)微鈣化點(diǎn)的檢出率不高，而且只是檢測(cè)感興趣區(qū)域中微鈣化點(diǎn)的存在性，而對(duì)微鈣化點(diǎn)的惡性度和病變類型的檢測(cè)報(bào)道少見。

[1] LandisSH,MurrayT,BoldenS,etal. Cancerstatistics,1999[J].CACancerJClin,199 9,49(1):8-31.

[2]B.Verma, P.Zhang,A novel neuralgenetic algorithm to find the most significant combination of features in digital mammograms, Applied Soft Computing.2007:612-625.

[3]V. Vogel, Breast cancer prevention: a review of current evidence, Ca. Cancer J. Clin.2000:156-170.

[4]徐開野,主編.乳腺疾病影像診斷與治療學(xué).上海:上?？萍冀逃霭?1996,90.

[5]KahnE,GavoilleA,MasselotJ, et al. Computer analysis of breast calcifications in mammographic images [J].Comp-Assisted Radiology, 1987:729-733.

[6]F a m B W,O l s o n S L,W i n t e r P F, e t al. Algorithm for the detection of fine clustered calcifications on film mammograms [J].Radiol,1988, 169(2):333-337.

[7]ChanHP, KunioDoi, SimranjitGalbotra, et al.Improvement in radiologists' detection of clustered microcalcifications on mammograms [J].MedPhys,1990,25(10):1102-1110.

[8]文浩,馬金盛,王玉慧，等.基于形態(tài)學(xué)灰度重構(gòu)的乳腺微鈣化點(diǎn)提取[J]. CT理論與應(yīng)用研究，2006,15(2):33－37.

[9]StricklandRN, HanHI.Wavelet transform for detecting microcalcifications in mammograms[J].IEEETransMI, 1996, 15(2):218-229.

[10]YuS, GuanL. ACAD system for the automatic detection of clustered microcalcification in digitized mammogram films[J].IEEETransMI,2000,19(2):115-126.

[11]DaviesDH, DanceDR. Automatic computer detection of clustered microcalcifications in digital mammograms[J]. Physics in Medicine and Biology,1990, 35(8):1111-1118.

[12]DenglerJ,BechrensS, DesagaJF. Segmentaion of microcalcification in mammograms [J].IEEETransMI,1993, 12(4):263-274.

[13]ChengHD,LuiYM,FreimanisRI. A novel approach to microcalcification detect on using fuzzy logic technique[J].IEEE Trans MI, 1998,17(3):442-450.

[14]BoccignoneG,ChianeseA,Picarie lloA. Computer aided detection of microcalcifications in digital mammograms[J].Computers in Biology and Medicine,2000,30:267-286.

[15]Moti Melloul and Leo Joskowicz. Segmentation of microcalcification in X-ray mammograms using entropy thresholding.CARS.2002:1－6.

[16]ShenL, RangayyanRM, DesautelsJEL. Application of shape analysis to mammographic calcifications[J]. IEEETransMI, 1993, 13(2):263-274.

[17]SorantinE, SchmidtF, MayerH, et al. Computer aided diagnosis of clustered microcalcifications using artificial neural nets[J]. Journal of Computing and Information Technology-CIT8,2000(2):151-160.

[18]KahnE,GavoilleA,MasselotJ, et al. Computer analysis of breast calcifications in mammographic images [J].Comp-Assisted Radiology,1987:729-733.

[19]文浩,馬金盛,王玉慧.基于小波與統(tǒng)計(jì)學(xué)的乳腺微鈣化點(diǎn)檢測(cè)方法[J].計(jì)算機(jī)與數(shù)字工程,2006, 34(10):57-59.

[20]胡正平,吳燕,王成儒.基于貢獻(xiàn)矩陣的微鈣化點(diǎn)檢測(cè)[J]. 計(jì)算機(jī)應(yīng)用,2005(5):11-13.

[21]胡正平,張曄.基于微弱目標(biāo)-背景合成技術(shù)的微鈣化點(diǎn)檢測(cè)[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2007,26(4):637-640.

Methods for detection of microcalcifications in digitized mammogram

Li Pengfei

The breast cancer is one of the most prevalent malignancies among women. Early diagnosis is important for its prevention and treatment. The key technology for the early diagnosis of breast malignancy is to discover microcalcification during mammography. With the rapid development of computer technology, the computer aided detection of the microcalcification has been a hot spot in this field. In this paper, the author summarized the traditional and new methods of detecting microcalcification both in china and abroad. The paper only discussed the detection methods but not evaluation of their effect.

Breast cancer; Microcalcification; Detection method; Image management

1672-8270(2010)02-0023-04

TH 772

B

李鵬飛,男,(1969- ),普外醫(yī)學(xué)碩士，副主任醫(yī)師?，F(xiàn)就職于吉林省榆樹市醫(yī)院。

2009-12-15

①吉林省榆樹市醫(yī)院 吉林 榆樹 130400

China Medical Equipment, 2010, 7(2):23-26.