安俊達(dá) 李玉雙

摘要：甲狀腺和乳腺病變是影響女性身心健康的兩類常見疾病。為了深入挖掘兩類病變在超聲圖像上的個(gè)性差異和共性特征，提出一種通用的計(jì)算方法識別甲狀腺和乳腺病變。先利用小波包變換將超聲圖像分解為4個(gè)子圖；再借助灰度共生矩陣提取不含高頻噪聲的3個(gè)子圖的紋理特征；最后利用最大相關(guān)最小冗余算法篩選特征，輸入4種機(jī)器學(xué)習(xí)模型，完成甲狀腺、乳腺結(jié)節(jié)良惡二分類和四分類。將方法應(yīng)用于來自不同平臺的甲狀腺和乳腺超聲圖像，隨機(jī)排列交叉驗(yàn)證二分類AUC達(dá)到0.88～0.99，準(zhǔn)確率ACC達(dá)到0.84～0.98，均優(yōu)于已有研究結(jié)果；四分類AUC達(dá)到0.95～0.97，ACC達(dá)到0.88～0.92，優(yōu)于深度殘差網(wǎng)絡(luò)ResNet50?；诩谞钕伲ㄈ橄伲﹫D像訓(xùn)練的四種模型在交叉識別乳腺（甲狀腺）良惡結(jié)節(jié)方面也取得了理想的分類結(jié)果，進(jìn)一步驗(yàn)證了所提方法的穩(wěn)定性和通用性。同時(shí)，T檢驗(yàn)結(jié)果顯示：甲狀腺和乳腺惡性結(jié)節(jié)超聲圖像的近似子圖存在非常顯著的紋理差異，垂直細(xì)節(jié)子圖展示出6個(gè)潛在的共性特征。

關(guān)鍵詞：甲狀腺；乳腺；良性結(jié)節(jié)；惡性結(jié)節(jié)；機(jī)器學(xué)習(xí)；超聲圖像

中圖分類號： TP391文獻(xiàn)標(biāo)識碼： ADOI：10.3969/j.issn.1007-791X.2024.01.0100

引言

乳腺癌和甲狀腺癌是女性中最常見的兩種癌癥。乳腺癌已取代肺癌成為全球第一大癌[1]，是45歲以下女性癌癥死亡的主要原因及最大威脅[2-3]，甲狀腺癌的發(fā)病率也呈現(xiàn)出逐年上升的趨勢[4]。超聲影像因其無創(chuàng)、無輻射、成本低等優(yōu)點(diǎn)被廣泛用于篩查、診斷乳腺和甲狀腺的病變[5]，其準(zhǔn)確性很大程度上取決于醫(yī)生對超聲圖像的正確解讀[6]。人工智能輔助診斷技術(shù)可以幫助醫(yī)生精準(zhǔn)評估乳腺和甲狀腺的病變風(fēng)險(xiǎn)，避免過度治療[7]。

最近，Qian等人利用10 815 張多模態(tài)多角度的乳腺超聲圖像訓(xùn)練了深度學(xué)習(xí)診斷系統(tǒng)，用以評估乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)分級，并成功應(yīng)用于多家醫(yī)院的前瞻性臨床環(huán)境[8]。Ma等人利用臨床收集的508名患者的甲狀腺超聲圖像，驗(yàn)證了深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）可以更好地輔助醫(yī)生診斷甲狀腺癌[9]。深度學(xué)習(xí)的診斷水平與圖像的數(shù)量和質(zhì)量密不可分。當(dāng)數(shù)據(jù)量不足時(shí)，往往很難訓(xùn)練出理想的模型[10]，可解釋性不強(qiáng)也是許多深度學(xué)習(xí)模型普遍存在的共性問題[11]。已有研究表明，一些超聲特征與惡性腫瘤有關(guān)，一些則與良性有關(guān)[12]。如何采用計(jì)算工具用以揭示超聲特征與腫瘤良惡性之間的關(guān)聯(lián)，是目前智能診斷迫切需要解決的問題。

超聲圖像的計(jì)算機(jī)分析，尤其是紋理分析，為醫(yī)生提供了目視檢查可能無法發(fā)現(xiàn)的有關(guān)圖像模式的定量信息[13]?；叶裙采仃嚕℅ray-Level Co-occurrence Matrix，GLCM）是一種通過研究灰度的空間相關(guān)特性來描述紋理的常用方法，能反映圖像灰度在方向、相鄰間隔、變化幅度等方面的綜合信息[14]。離散小波變換（Discrete Wavelet Transform，DWT）是圖像處理的常用技術(shù)之一[15]，它使用由有限脈沖響應(yīng)濾波器組成的濾波器組將信號分解為低頻和高頻信息[16]。Acharya等人利用3個(gè)GLCM紋理特征和2個(gè) DWT 高頻信息特征，借助AdaBoost評估甲狀腺結(jié)節(jié)的惡性風(fēng)險(xiǎn)，并綜合這5個(gè)特征定義了甲狀腺惡性腫瘤指數(shù)，該指標(biāo)值在10例良性和10例惡性受試者中具有顯著差異[17]。這種方法為快速識別甲狀腺病變提供了參考依據(jù)，但其使用的數(shù)據(jù)量過小，適用性和穩(wěn)定性有待進(jìn)一步驗(yàn)證。眾所周知，超聲采集會(huì)在信號中引入散斑噪聲，從而影響超聲圖像細(xì)節(jié)特征的辨識[18-19]。小波變換雖然能夠有效表征以低頻（近似）信息為主的信號，但不能很好地分解和表示包含大量高頻（細(xì)節(jié)）信息（如細(xì)小邊緣或紋理）的信號，而小波包變換（Wavelet Packet Transform，WPT）可以對高頻信息提供更精細(xì)的分解，對包含大量中、高頻信息的信號能夠進(jìn)行更好的時(shí)頻局部化分析[20]。

值得注意的是，當(dāng)前研究多針對乳腺或甲狀腺的超聲圖像建立僅適用于各自病變的智能診斷模型[21-22]。然而，甲狀腺和乳腺病變存在某些共同的病理生理誘因[5]，在超聲掃描下具有一些共同特征，如結(jié)節(jié)的形狀不規(guī)則、邊界模糊等[23]。開發(fā)通用的診斷模型將大大簡化兩類病變的分類過程，具有廣泛的臨床參考價(jià)值。當(dāng)其中一類病變的數(shù)據(jù)或標(biāo)注不易獲取時(shí)，這種通用模型可以發(fā)揮作用。Zhu等人首次提出了一個(gè)通用的深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)來評估乳腺和甲狀腺病變，該方案的可行性在臨床實(shí)踐收集的超聲圖像中得到充分驗(yàn)證[24]。

受以上工作啟發(fā)，本文提出了甲狀腺和乳腺病變的通用識別方法，采用分步式融合WPT和GLCM，提取來自不同平臺的甲狀腺和乳腺結(jié)節(jié)超聲圖像的WPT-GLCM紋理特征，旨在解析基于該特征的經(jīng)典機(jī)器學(xué)習(xí)模型（邏輯回歸（Logistic Regression，LR）、支持向量機(jī)（Support Vector Machine，SVM）、隨機(jī)森林（Random Forest，RF）和極端梯度提升樹（eXtreme Gradient Boosting，XGBoost））識別甲狀腺和乳腺病變的能力，挖掘兩類病變的個(gè)性紋理差異及共性紋理特征，驗(yàn)證所提方法的通用性。

1數(shù)據(jù)集介紹與研究框架

甲狀腺結(jié)節(jié)超聲圖像來自文獻(xiàn)[9]，涵蓋河北醫(yī)科大學(xué)第三醫(yī)院的508名患者（良性415名，惡性93名）。惡性結(jié)節(jié)圖像尺寸介于84×81～567×340，良性介于25×20～529×529。乳腺結(jié)節(jié)超聲圖像涵蓋了在Baheya醫(yī)院接受治療的600名女性患者[25]，包含780張圖像（正常133張、良性487張、惡性210張），平均大小為500×500。文獻(xiàn)[26]將這些原始圖像統(tǒng)一調(diào)整為28×28，并將正常和良性統(tǒng)記為良性，構(gòu)建了數(shù)據(jù)集BreastMNIST。為便于理解本文的研究流程，圖1給出了整體研究框架。

2超聲圖像的紋理特征提取方法

2.1GLCM特征

選取像素對的四個(gè)偏移方向（0°，45°，90°，135°）和長為1的空間距離生成GLCM?；贕LCM計(jì)算4個(gè)方向上的7個(gè)統(tǒng)計(jì)量，包括角二階矩（ASM）、對比度（Contrast）、相關(guān)性（Correlation）、相異度（Dissimilarity）、熵（Entropy）、同質(zhì)性（Homogeneity）和能量（Energy）（見公式（1）～（7）），得到28維GLCM特征。

2.2WPT-GLCM特征

將超聲圖像進(jìn)行一級2維WPT分解，得到4個(gè)子圖，包括近似子圖LL、水平細(xì)節(jié)子圖HL、垂直細(xì)節(jié)子圖LH和高頻噪聲子圖HH。圖2（a）和（b）分別展示了甲狀腺和乳腺結(jié)節(jié)代表圖像及其對應(yīng)的4個(gè)分解子圖。為避免超聲圖像中的散斑噪聲對后續(xù)分類的影響，這里剔除高頻噪聲子圖HH，僅關(guān)注其余3個(gè)子圖。分別提取這3個(gè)子圖的28維GLCM特征，整合得到84維WPT-GLCM特征。

2.3 WMCM特征

為充分展示W(wǎng)PT-GLCM特征在識別甲狀腺和乳腺病變方面的通用性和有效性，引入文獻(xiàn)[27]提出的小波多子圖共生矩陣（Wavelet Multi-subgraph Co-occurrence Matrix，WMCM）特征以做比較。將超聲圖像進(jìn)行一級2維WPT分解后，構(gòu)造整體細(xì)節(jié)子圖

3預(yù)測模型與評估指標(biāo)

LR、SVM、RF和XGBoost是常用的分類模型[28]。LR是一種廣義線性回歸模型，可以清楚地解釋輸入特征如何通過最終生成的方程來證明輸出的合理性。SVM是一種簡單且有效的監(jiān)督式學(xué)習(xí)方法，廣泛應(yīng)用于統(tǒng)計(jì)分類和回歸分析。RF通過構(gòu)建和合并多個(gè)決策樹來獲得更準(zhǔn)確和更穩(wěn)定的預(yù)測，為不平衡分類提供平衡的數(shù)據(jù)集誤差。XGBoost是梯度提升決策樹的高效實(shí)現(xiàn)，具有準(zhǔn)確率高、運(yùn)行效率高、泛化能力強(qiáng)等優(yōu)點(diǎn)。

為了全面評估模型的分類性能，引入5個(gè)統(tǒng)計(jì)量，包括ROC曲線下的面積（AUC）、準(zhǔn)確率（ACC）、精確率（precision）、召回率（recall）和F1分?jǐn)?shù)（F1_score）（見公式（17）～（20））。

其中，TP（TN）表示預(yù)測標(biāo)簽為惡性（良性），而實(shí)際標(biāo)簽也為惡性（良性）的樣本數(shù)；FP（FN）表示預(yù)測標(biāo)簽為惡性（良性），而實(shí)際標(biāo)簽為良性（惡性）的樣本數(shù)。

4實(shí)驗(yàn)結(jié)果

本章主要介紹上述4種模型在WPT-GLCM特征下對于甲狀腺、乳腺結(jié)節(jié)6個(gè)分類問題的預(yù)測結(jié)果，并與GLCM特征、WMCM特征以及其他已發(fā)表的結(jié)果進(jìn)行比較。由于GLCM特征和WPT-GLCM特征的維數(shù)相對較高，故利用最大相關(guān)-最小冗余（Maximal Relevance and Minimal Redundancy，mRMR）算法進(jìn)行特征篩選。為簡化計(jì)算，選擇前5維作為起始特征，并以5為間隔增量依次進(jìn)行特征選擇，直至全部特征選擇完畢結(jié)束。依據(jù)預(yù)測結(jié)果確定最優(yōu)的特征維數(shù)。為避免過擬合，采用隨機(jī)排列交叉驗(yàn)證方法（Shuffle Split）訓(xùn)練模型及評估預(yù)測性能。訓(xùn)練集和測試集比例為9∶1。以 “AUC最優(yōu)”作為調(diào)參依據(jù)。重復(fù)執(zhí)行5次，取5次預(yù)測結(jié)果的平均值作為最終預(yù)測結(jié)果。

4.1基于最優(yōu)T-model的甲狀腺結(jié)節(jié)良惡二分類結(jié)果4種最優(yōu)T-model在三類特征下的甲狀腺結(jié)節(jié)良惡二分類AUC如圖3（a）所示：顯然，WPT-GLCM取得了最理想的結(jié)果，WMCM表現(xiàn)最差。表1匯總了基于WPT-GLCM的最優(yōu)T-model的預(yù)測結(jié)果：T-SVM以最少的特征取得了最好的結(jié)果，T-LR略低于T-SVM，而T-RF和T-XGBoost整體上遜色于T-SVM和T-LR，特別是recall 和F1_score的結(jié)果不盡如人意。4種模型的預(yù)測結(jié)果均優(yōu)于文獻(xiàn)[9]的最好結(jié)果（DNN的ACC=0.87）。

注：這里T-LR的最優(yōu)參數(shù)C=35，Classed weighted=balanced，Penalty=L1；T-SVM的最優(yōu)參數(shù)C=6 600，Probability=True；T-RF的最優(yōu)參數(shù)N_estimators=100，Min_samples_split=3，Max_features=60，Min_samples_leaf=6；T-XGBoost的最優(yōu)參數(shù)N_estimators=11。

4.2基于最優(yōu)B-model的乳腺結(jié)節(jié)良惡二分類結(jié)果

4種最優(yōu)B-model在3類特征下的乳腺結(jié)節(jié)良惡二分類AUC如圖3（b） 所示：顯然，WPT-GLCM依然表現(xiàn)最優(yōu)，WMCM依然表現(xiàn)最差。表2匯總了基于WPT-GLCM的最優(yōu)B-model的預(yù)測結(jié)果：B-RF和B-XGBoost以明顯的特征維數(shù)優(yōu)勢獲得了優(yōu)于B-LR和B-SVM的分類結(jié)果，完全可以與文獻(xiàn)[26]的最優(yōu)結(jié)果（Google AutoML Vision，AUC=0.92、ACC=0.86）相媲美，且優(yōu)于文獻(xiàn)[26]的其他深度學(xué)習(xí)模型（如ResNet50，AUC=0.87，ACC=0.84）。

4.3基于最優(yōu)T-model的乳腺結(jié)節(jié)良惡二分類結(jié)果

為驗(yàn)證所提方法的通用性，將乳腺結(jié)節(jié)超聲圖像的相應(yīng)WPT-GLCM特征直接輸入4.1節(jié)中的最優(yōu)T-model，得到的測試結(jié)果如表3所示：基于甲狀腺結(jié)節(jié)超聲圖像訓(xùn)練的4種最優(yōu)T-model仍然能夠有效識別乳腺良惡結(jié)節(jié)，T-RF和T-XGBoost整體優(yōu)于T-LR和T-SVM，但低于表2中的B-RF和B-XGBoost。

4.4基于最優(yōu)B-model的甲狀腺結(jié)節(jié)良惡二分類結(jié)果

為進(jìn)一步驗(yàn)證方法的通用性，將甲狀腺結(jié)節(jié)超聲圖像的相應(yīng)WPT-GLCM特征直接輸入4.2節(jié)中的最優(yōu)B-model，得到的測試結(jié)果如表4所示：基于乳腺結(jié)節(jié)超聲圖像訓(xùn)練的4種最優(yōu)B-model仍然能夠有效識別甲狀腺良惡結(jié)節(jié)，且依然超越了文獻(xiàn)[9]的最優(yōu)結(jié)果；B-LR和B-SVM整體優(yōu)于B-RF和B-XGBoost，但低于表1中的T-LR和T-SVM。

4.5甲狀腺乳腺結(jié)節(jié)二分類結(jié)果

為了說明甲狀腺和乳腺結(jié)節(jié)之間的差異性，將甲狀腺和乳腺結(jié)節(jié)的超聲圖像放在一起構(gòu)成混合數(shù)據(jù)集，將混合圖像的每類特征分別輸入4種模型進(jìn)行甲狀腺結(jié)節(jié)和乳腺結(jié)節(jié)的識別。實(shí)驗(yàn)結(jié)果顯示：即使在默認(rèn)參數(shù)下，基于不同維數(shù)的各類特征的4種模型均能獲得理想的分類結(jié)果，AUC等于或接近1，ACC>0.95。

4.6甲狀腺+乳腺結(jié)節(jié)良惡四分類結(jié)果

為了說明甲狀腺和乳腺良惡結(jié)節(jié)之間的差異性，并驗(yàn)證所提方法識別多分類任務(wù)的能力，將甲狀腺和乳腺結(jié)節(jié)混合圖像的每類特征分別輸入4種模型，進(jìn)行甲狀腺良、惡結(jié)節(jié)和乳腺良、惡結(jié)節(jié)的四分類。4種最優(yōu)模型在三類特征下的四分類AUC如圖4所示：它們依然在WPT-GLCM特征下取得了最理想的結(jié)果，但相比GLCM，其優(yōu)勢不像前面二分類那樣明顯；WMCM依然表現(xiàn)最差。表5匯總了基于WPT-GLCM的最優(yōu)模型的四分類預(yù)測結(jié)果：顯然，整體預(yù)測比較理想，XGBoost在5個(gè)指標(biāo)上均優(yōu)于其他三種模型，RF只有recall略低于LR和SVM。為了進(jìn)一步展示本文所提方法的有效性，將混合圖像直接輸入ResNet50，以7∶1∶2的比例將數(shù)據(jù)集隨機(jī)分為訓(xùn)練集、驗(yàn)證集和測試集，最優(yōu)模型的四分類AUC=0.72，ACC=0.90，均低于4種模型的預(yù)測結(jié)果（SVM的ACC除外）。

5討論

結(jié)合表1～表4不難發(fā)現(xiàn)，LR和SVM更適用于識別甲狀腺病變，RF和XGBoost更適用于評估乳腺病變。尤其對于指標(biāo)recall和F1_score，LR和SVM對于甲狀腺超聲圖像表現(xiàn)出了絕對優(yōu)勢，而RF和XGBoost卻很不理想，出現(xiàn)大幅下降（見表1和表4）。這種現(xiàn)象對于乳腺超聲圖像沒有發(fā)生。在乳腺結(jié)節(jié)良惡識別中，盡管RF和XGBoost整體上更有優(yōu)勢，但是LR和SVM并沒有在某個(gè)指標(biāo)上表現(xiàn)出異常下降，特別是SVM（見表2和表3）。因此，當(dāng)臨床測試更加注重recall和F1_score時(shí)，不建議用RF和XGBoost來評估甲狀腺病變。

表3和表4理想的交叉測試結(jié)果表明，甲狀腺和乳腺病變很可能會(huì)產(chǎn)生相似的WPT-GLCM特征。因?yàn)榧谞钕侔┖腿橄侔┦茄芯康闹刂兄?，所以這里重點(diǎn)討論甲狀腺和乳腺惡性結(jié)節(jié)超聲圖像之間的特征關(guān)聯(lián)及差異。分別計(jì)算84個(gè)WPT-GLCM特征在甲狀腺良、惡結(jié)節(jié)和乳腺良、惡結(jié)節(jié)中的取值。T檢驗(yàn)結(jié)果顯示：6個(gè)LH特征（ASM-0°、ASM-90°、Contrast-0°、Dissimility-0°、Energy-90°、Entropy-0°）在兩類惡性結(jié)節(jié)超聲圖像中沒有顯著差異（p值均大于0.05，見圖5），但在各自良惡結(jié)節(jié)超聲圖像中均展現(xiàn)出顯著的差異（p值均小于0.01，見圖5）。

為進(jìn)一步驗(yàn)證上述推斷，一方面，計(jì)算了甲狀腺惡性結(jié)節(jié)超聲圖像對應(yīng)的6維LH特征向量（分量即為上述6個(gè)代表特征在所有甲狀腺惡性結(jié)節(jié)超聲圖像取值的平均值），以及乳腺惡性結(jié)節(jié)超聲圖像對應(yīng)的6維LH特征向量，兩個(gè)向量的皮爾森相關(guān)系數(shù)等于1。另一方面，將甲狀腺和乳腺結(jié)節(jié)混合超聲圖像的這6個(gè)代表特征輸入4種模型，識別良性結(jié)節(jié)和惡性結(jié)節(jié)，二分類AUC范圍為0.80～0.85。兩個(gè)層面的計(jì)算結(jié)果再次證實(shí)了上述6個(gè)代表特征在挖掘甲狀腺癌和乳腺癌共性紋理特征方面的潛力。

兩類惡性結(jié)節(jié)不僅存在共性WPT-GLCM紋理特征，還存在個(gè)性WPT-GLCM紋理差異。例如，28個(gè)LL特征在兩類惡性結(jié)節(jié)超聲圖像中的T檢驗(yàn)p值最大為1.763 3×10-14，說明兩類惡性結(jié)節(jié)超聲圖像的近似子圖存在非常顯著的紋理差異。4.5節(jié)甲狀腺和乳腺混合超聲圖像的精準(zhǔn)二分類表明，甲狀腺結(jié)節(jié)超聲圖像的WPT-GLCM特征與乳腺結(jié)節(jié)有很大不同。事實(shí)上，在84個(gè)WPT-GLCM特征中，只有3個(gè)特征的T檢驗(yàn)p值大于0.05。正是由于各類型結(jié)節(jié)之間既存在共性的紋理特征，又表現(xiàn)出個(gè)性的紋理差異，才使得基于WPT-GLCM的4種模型在第4.6節(jié)的四分類任務(wù)中能夠取得理想的預(yù)測結(jié)果，也從側(cè)面解釋了WMCM特征在各種分類任務(wù)中表現(xiàn)差的部分原因，即整體細(xì)節(jié)子圖LHL可能丟失了垂直細(xì)節(jié)子圖LH和水平細(xì)節(jié)子圖HL所蘊(yùn)含的重要分類信息。

文獻(xiàn)[17]中用于分類的5個(gè)特征均在甲狀腺良惡結(jié)節(jié)超聲圖像中展示出顯著的差異，但是文中基于mRMR算法篩選的特征與其在相應(yīng)分類圖像中是否具有顯著差異沒有必然聯(lián)系。例如，在最優(yōu)B-XGBoost對應(yīng)的15維WPT-GLCM特征中，有7個(gè)特征在乳腺良惡結(jié)節(jié)超聲圖像中沒有顯著差異（p>0.05），但是它們與其他8個(gè)具有顯著差異的特征一起輸入模型卻能產(chǎn)生很好的預(yù)測結(jié)果。四分類問題中mRMR篩選的前10維WPT-GLCM特征雖然在甲狀腺和乳腺結(jié)節(jié)超聲圖像之間，以及在甲狀腺和乳腺惡性結(jié)節(jié)超聲圖像之間，均具有非常顯著的差異（p<<0.01），但其中2個(gè)特征在甲狀腺良惡結(jié)節(jié)超聲圖像中差異不顯著（p>0.05），5個(gè)特征在乳腺良惡結(jié)節(jié)超聲圖像中差異不顯著（p>0.05）。以上事實(shí)說明，WPT-GLCM特征的某些組合可能對甲狀腺和乳腺結(jié)節(jié)的分類產(chǎn)生協(xié)同或抑制作用，該猜測值得后續(xù)進(jìn)一步研究。

最后需要指出，超聲散斑雖然會(huì)影響圖像質(zhì)量、引起信號失真等，但散斑的變化能夠反映溫度和運(yùn)動(dòng)的信息，散斑跟蹤技術(shù)已在評估心肌功能領(lǐng)域發(fā)揮作用[29-30]。文獻(xiàn)[17]使用的2個(gè)特征也來自于高頻噪聲子圖HH。本文更加重視子圖HH對分類工作帶來的不良影響，從而忽略了其潛在的應(yīng)用價(jià)值，后續(xù)將對HH展開深入研究，多角度、多層面挖掘基于WPT的4個(gè)子圖在甲狀腺、乳腺結(jié)節(jié)良惡分類中的貢獻(xiàn)。

6結(jié)語

在良惡結(jié)節(jié)多種分類任務(wù)中，基于WPT-GLCM紋理特征的4種機(jī)器學(xué)習(xí)模型對于來自兩個(gè)不同平臺的甲狀腺和乳腺結(jié)節(jié)超聲圖像均表現(xiàn)出良好的分類性能，表明本文提出的方法通用性強(qiáng)、適用面廣，有助于醫(yī)生快速診斷甲狀腺和乳腺病變。在超聲圖像特征挖掘方面，甲狀腺和乳腺惡性結(jié)節(jié)的超聲圖像的近似子圖均存在非常顯著的紋理差異，垂直細(xì)節(jié)子圖則蘊(yùn)含了6個(gè)共性紋理特征，這一結(jié)論可能有助于醫(yī)生區(qū)分第二原發(fā)甲狀腺癌（乳腺癌）和由原發(fā)腫瘤轉(zhuǎn)移而來的病灶。

參考文獻(xiàn)

[1] WILD C，WEIDERPASS E，STEWART B W.World cancer report：cancer research for cancer prevention[M].Lyon：IARC Press，2020.

[2] CHEN W，ZHENG R，BAADE P D，et al.Cancer statistics in China[J].CA：A Cancer Journal for Clinicians，2016，66（2）：115-132.

[3] SIEGEL R L，MILLER K D，JEMAL A.Cancer statistics[J].CA：A Cancer Journal for Clinicians，2019，69（1）：7-34.

[4] EVERT F V V，ANGELA M L，TIM I M.Korevaar，diagnostic and treatment considerations for thyroid cancer in women of reproductive age and the perinatal period[J].Endocrinology and Metabolism Clinics of North America，2022，51（2）：403-416.

[5] 姜?dú)g，趙睿，戴紹春．乳腺癌合并甲狀腺癌致病因素的研究進(jìn)展[J]．腫瘤防治研究，2021，48（5）：530-536.

JIANG H，ZHAO R，DAI S C.Research progress on the pathogenic factors of breast cancer combined with thyroid cancer[J].Cancer Research on Prevention and Treatment，2021，48（5）：530-536.

[6] HOANG J K，MIDDLETON W D，F(xiàn)ARJAT A E，et al.Interobserver variability of sonographic features used in the American college of radiology thyroid imaging reporting and data system[J].American Journal of Roentgenology，2018，211（1）：162-167.

[7] YANASE J，TRIANTAPHYLLOU E.A systematic survey of computer-aided diagnosis in medicine：past and present developments[J].Expert Systems with Applications，2019，138：112821.

[8] QIAN X，PEI J，ZHENG H，et al.Prospective assessment of breast cancer risk from multimodal multiview ultrasound images via clinically applicable deep learning[J].Nature Biomedical Engineering，2021，5（6）：522-532.

[9] MA X，XI B，ZHANG Y，et al.A machine learning-based diagnosis of thyroid cancer using thyroid nodules ultrasound images[J].Current Bioinformatics，2020，15（4）：349-358.

[10] ZHU Y C，ALZOUBI A，JASSIM S，et al.A generic deep learning framework to classify thyroid and breast lesions in ultrasound images[J].Ultrasonics，2021，110：106300.

[11] MA X，ZHANG L.Diagnosis of thyroid nodules based on image enhancement and deep neural networks[J].Computational Intelligence and Neuroscience，2022，2022：5582029.

[12] HAUGEN B R，ALEXANDER E K，BIBLE K C，et al.2015 American thyroid association management guidelines for adult patients with thyroid nodules and differentiated thyroid cancer：the american thyroid association guidelines task force on thyroid nodules and differentiated thyroid cancer[J].Thyroid，2016，26（1）：1-133.

[13] SOLLINI M，COZZI L，CHITI A，et al.Texture analysis and machine learning to characterize suspected thyroid nodules and differentiated thyroid cancer：where do we stand？[J].European Journal of Radiology，2018，99：1-8.

[14] GOMEZ W，PEREIRA W C A，INFANTOSI A F C.Analysis of co-occurrence texture statistics as a function of gray-level quantization for classifying breast ultrasound[J].IEEE Transactions on Medical Imaging，2012，31（10）：1889-1899.

[15] 顧廣華，張鳳.最優(yōu)區(qū)域與離散小波變換結(jié)合的顏色恒常性計(jì)算算法[J].燕山大學(xué)學(xué)報(bào)，2014，38（3）：226-232.

GU G H，ZHANG F.Color constancy algorithm combining optimal region and discrete wavelet transform [J].Journal of Yanshan University，2014，38（3）：226-232.

[16] TAN J H，NG E Y K，ACHARYA U R.Study of normal ocular thermogram using textural parameters[J].Infrared Physics & Technology，2009，53：120-126.

[17] ACHARYA U R，F(xiàn)AUST O，SREE S V，et al.ThyroScreen system：high resolution ultrasound thyroid image characterization into benign and malignant classes using novel combination of texture and discrete wavelet transform[J].Computer Methods and Programs in Biomedicine，2012，107（2）：233-241.

[18] LAMONT D，PARKER L，WHITE M，et al.Risk of cardiovascular disease measured by carotid intima-media thickness at age 49-51：life course study[J].British Medical Journal，2000，320（7230）：273-278.

[19] 李燦飛，王耀南，肖昌炎，等.用于超聲斑點(diǎn)噪聲濾波的各向異性擴(kuò)散新模型[J].自動(dòng)化學(xué)報(bào)，2012，38（3）：412-419.

LI C F，WANG Y N，XIAO C Y，et al.A new speckle reducing anisotropic diffusion for ultrasonic speckle [J]. Acta Automatica Sinica，2012，38（3）：412-419.

[20] YOSHIDA H，CASALINO D D，KESERCI B，et al.Wavelet-packet-based texture analysis for differentiation between benign and malignant liver tumors in ultrasound images[J].Physics in Medicine & Biology，2003，48（22）：3735-3753.

[21] 汪琳琳，沈璐，施俊，等.基于自步學(xué)習(xí)的多經(jīng)驗(yàn)核映射集成分類器在乳腺癌超聲計(jì)算機(jī)輔助診斷上的應(yīng)用[J].生物醫(yī)學(xué)工程學(xué)雜志，2021，38（1）：30-38.

WANG L L，SHEN L，SHI J，et al.Application of multi-experience kernel mapping ensemble classifier based on self-paced learning in computer-aided diagnosis of breast cancer ultrasound [J].Journal of Biomedical Engineering，2021，38（1）：30-38.

[22] PROCHAZKA A，GULATI S，HOLINKA S，et al.Classification of thyroid nodules in ultrasound images using direction-independent features extracted by two-threshold binary decomposition[J].Technology in Cancer Research & Treatment，2019，18：1-8.

[23] 呂明德.甲狀腺、乳腺外科疾病的超聲診斷[J]．中國實(shí)用外科雜志，2001，21（5）：317-318.

L? M D.Ultrasound diagnosis of thyroid and breast surgical diseases[J].Chinese Journal of Practical Surgery，2001，21（5）：317-318.

[24] ZHU Y C，ALZOUBI A，JASSIM S，et al.A generic deep learning framework to classify thyroid and breast lesions in ultrasound images[J].Ultrasonics，2021，110：106300

[25]AL-DHABYANI W，GOMAA M，KHALED H，et al.Dataset of breast ultrasound images[J].Data in Brief，2020，28：104863.

[26]YANG J C，SHI R，WEI D L，et al.MedMNIST v2：a large-scale lightweight benchmark for 2D and 3D biomedical image classification[J].Scientific Data，2023，10： 41.

[27] 馬蕊香.基于超聲圖像的肝纖維化分期研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2016.

MA R X.Study of liver fibrosis staging based on ultrasound images [D].Harbin：Harbin Institute of Technology，2016.

[28] ABREU P H，SANTOS M S，ABREU M H，et al.Predicting breast cancer recurrence using machine learning techniques：A systematic review[J].ACM Computing Surveys，2016，49（3）：1-40.

[29]WANG P，LIU Y，REN L.Evaluation of left ventricular function after percutaneous recanalization of chronic coronary occlusions：The role of two dimensional speckle tracking echocardiography[J].Herz，2019，44（2）：170-174.

[30]WDOWIAK-OKROJEK K，WEJNER-MIK P，KASPRZAK JD，et al.Recovery of regional systolic and diastolic myocardial function after acute myocardial infarction evaluated by two-dimensional speckle tracking echocardiography[J].Clinical Physiology and Functional Imaging，2019，39（2）：177-181.

A general computational method of assessing thyroid

and breast lesions based on ultrasound images

AN Junda，LI Yushuang

（School of Science，Yanshan University，Qinhuangdao，Hebei 066004，China）

Abstract：Thyroid and breast nodules are common diseases that affect women′s physical and mental health. In order to explore their individual differences and common features on ultrasound images， a general computational method is proposed to identify thyroid and breast nodules. The ultrasonic images are first decomposed into four sub-images by wavelet packet transform， and the gray level co-occurrence matrix is used to extract texture features of three sub-images without high-frequency noise.Effective features screened by the max-relevance and min-redundancy algorithm were respectively input four types of machine learning models to classify thyroid，breast benign and malignant nodules.The proposed method is applied to thyroid and breast ultrasound images from different platforms.The randomized cross-validation results show that the binary classification achieves the AUC of 0.88～0.99 and the accuracy （ACC） of 0.84～0.98，superior to the existed results，and the four classification achieves the AUC of 0.95～0.97 and the ACC of 0.88～0.92，which are better than that of ResNet50.Moreover，the four models trained on thyroid （breast） images are able to cross-identify benign and malignant breast （thyroid） nodules effectively，further validating the stability and generality of the proposed method.Meanwhile，the T-test results indicate that there are significant texture differences between approximate sub-images of the ultrasound images of malignant thyroid and breast nodules，and their vertical detail sub-images exhibit 6 potential common features.

Keywords：thyroid;breast;benign nodule;malignant nodule;machine learning;ultrasound image