基于钼靶X线影像的乳腺微钙化点良恶性识别算法
2011年3月中国医学物理学杂志Mar．,2011第28卷第2期Chinese Journal of Medical Physics Vol．28．No．2基于钼靶X线影像的乳腺微钙化点良恶性识别算法研究
车琳琳，张光玉，宋莉，曹卫芳（泰山医学院放射学院，山东泰安271016）
摘要：目的：乳腺癌是女性最常见的恶性肿瘤之一，早期发现、早期诊断，对提高乳腺癌治愈率和降低死亡率具有重大意义。早期乳腺癌的计算机辅助诊断方面的研究已经成为乳腺图像处理领域研究的热点和难点问题之一，具有重大的理论价值和社会意义。方法：本论文正是针对上述问题，对早期乳腺癌的计算机辅助诊断算法问题作了探索性研究，进行了微钙化点病变类型识别算法的研究。结果：通过钙化点特征提取和优化及病变类型识别，给出初步诊断结果。结论：用该算法对钙化点进行计数是可行的，具有快速、简单、准确的优点，而且计数结果不受钙化点形态、大小的影响。
关键词：乳腺癌；计算机辅助诊断；良恶性识别
DOI编码：doi：10.3969/j.issn.1005-202X.2011.02.004
中图分类号：R318文献标识码：B文章编号：1005-202X（2011）02-2467-04
Molybdenum Target X-ray Image Based on the Benign and Malignant Breast Microcalcifi-cations Recognition Algorithm
CHE Lin-lin,ZHANG Guang-yu,SONG Li,CAO Wei-fang
(College of Radiology,Taishan Medical University,Taian Shandong271016,China)
Abastract:Objective:Breast cancer is one of the most common malignant cancers among women.Clear evidence shows that the current examination of women breast is the key measure for early discovery,since there are no effective measures for a timely prevention of breast cancer.A computer-aided diagnosis(CAD)system for breast cancer is proved to be important in the screening programs.Research activity in computer-based processing and analysis of mammograms has been one of the most important and difficult mammogram processing problems in recent years,the research in this area has great theoretical value as well as important social significance.Methods:The novel research methods of computer-aided diagnosis(CAD)system for breast cancer is presented in this paper.Results:In this novel,a micro-calcifications lesion type identification algorithm, through the calcification point feature extraction and optimization,and lesion type identification,give a preliminary diagnosis.
Conclusions:The algorithm used to count on the calcification is feasible,fast,simple and accurate advantages,and count the results from calcification shape,size.
Key words:breast cancer;CAD;identification of benign and malignant
前言
乳腺癌是女性最常见的恶性肿瘤之一，已经成为女性的致命杀手之一，在无法采取有效措施及时预防乳腺癌的情况下，对适龄妇女的乳腺普查是早期发现、早期诊断，提高乳腺癌治愈率和降低死亡率的关键措施之一。由于客观条件的限制，乳腺普查时迫切要求利用计算机图像处理的方法辅助医生在较短的时间内做出快速准确的诊断，因此，早期乳腺癌的计算机辅助诊断方面的研究已经成为乳腺图像处理领域研究的热点和难点问题之一，这方面的研究具有重大的理论价值和社会意义。本论文正是针对上述问题，对早期乳腺癌的计算机辅助诊断算法问题作了探索性研究，进行了微钙化点病变类型识别算法的研究。
1微钙化点病变类型
收稿日期：2010-10-13
作者简介：车琳琳（1980-），硕士，专业方向：生物医学工程，工作单位：泰山医学院放射学院电工电子教研室。E-mail:tychelinlin@
https://www.wendangku.net/doc/d419056147.html,。
2467 --
中国医学物理学杂志
第28卷第2期
2011年3月
表1641例钙化型乳腺癌X 线征象特征
Tab.1641cases of breast cancer X-ray findings of calcified features
项目
病例数
比率（%）
钙化量多量（超过30枚）
33752.5中量（超过30枚）20832.4少量（数枚）
9615.0钙化形态针尖样
29846.5泥沙样28043.6短杆状/分支状
40 6.3钙化分布小簇状
多样多簇16625.9散在17026.5沿导管分布
34
5.3
钙化在乳腺癌的诊断中占据特别重要的地位。作为乳腺癌的一个主要X 线征象，它不仅可帮助对乳腺癌的诊断，而且约有4%~10%的病例，钙化是诊断乳腺癌的惟一阳性依据。在所谓临床“隐性”的乳腺癌中，至少有50%~60%是单独凭借钙化而作出诊断的，且其中约30%左右是原位癌，70%左右是管内癌、早期浸润癌或浸润性癌。
乳腺癌的钙化颗粒多数是磷酸钙，少数为草酸钙，后者在标准苏木伊红染色中不染色而在偏光显微镜中才能见到。在组织学上，钙化并不一定都发生在恶性组织区域。据天津肿瘤医院100余例病例对照显示，钙化多数是位于导管癌管腔中癌细胞的变性坏死区，在X 线上多表现为成堆的泥沙或针尖状钙化，少数为坏死癌细胞本身的钙化。钙化亦可发生在浸润性癌灶边缘的坏死细胞残屑内。在实性癌中，钙化可位于癌巢内，呈边缘不规整的钙化斑。在腺癌中，钙化可位于腺腔内，或在黏液腺癌的黏液基质内。有些钙化则可位于癌旁正常乳腺末梢乳管腔内或间质内。1.1良、恶性钙化的鉴别诊断
除癌有钙化外，其他一些良性病变，如腺纤维瘤、分泌性疾病、外伤性脂肪坏死、慢性乳腺炎、乳腺结核、乳腺腺病、导管扩张症，以及导管上皮增生等等，亦均可出现钙化，须与癌瘤的钙化鉴别。
通过文献材料研究发现，恶性钙化的鉴别要点如下：
（1）从发生率看，钙化多数见于乳腺癌，良性病变的钙化仅占钙化病例的26.4%，且良性钙化中近半数发生在年龄较轻的腺纤维瘤患者中。年龄较大的腺纤维瘤患者若有钙化，则钙化颗粒常非常粗大，可占据肿块的大部分甚至全部，与癌的钙化很易鉴别。
（2）乳腺癌的钙化约半数左右可仅位于病变紧外方或病灶的内、外方兼有，而良性病变的钙化几乎均位于肿块或致密浸润区内。
（3）针尖样、泥沙样、短杆样、线样/分支样钙化；（4）多样、多簇，无法估计（30枚以上）的微小钙化或大小不等的钙化，或以微小钙化为主且密集分布于某一区域；
（5）小簇状微小钙化，直径0.5mm 以下，在1mm 内超过5枚；
在早期乳腺癌中的成簇钙化，其数量范围可相差甚多，有的仅见数个，往往要借助于放大镜仔细观察，而有的病例临床初诊阴性，X 线却见大量精盐样钙化，也可呈散在分布。恶性钙化多细微，似针尖状，有的呈大小不一，形态各异，有时仅见2~3个小点状分布钙化影，结合周围结构紊乱及临床症状，主要以多量钙化灶、未见明确肿块为主要征象。有关资料显示钙化型乳腺癌X 线特征如表1所示。
2研究现状
对于微钙化点的良、恶性识别，目前的研究较少。由于乳腺钼靶X 片上钙化的数目、大小、形状等特征是由患者的疾病类型，即病理学因素决定的。所以，目前微钙化点病变类型识别中采用的特征往往集中在形态、大小、纹理等。
2.1形态学特征参数的研究
有文献[2]显示形状特征是区分良恶性微钙化点非常重要的特征之一。一般来说，良性钙化点形状规则，呈圆形或者椭圆形。而恶性钙化点则形状各异且不规则。故可以研究微钙化点的周长、面积、紧凑度、矩、傅立叶描述子等表征其形态学特征的参数。2.2纹理特征参数的研究
通过研究相关文献发现，良性钙化组织颗粒往往较恶性钙化的组织颗粒粗糙，因此，有文献[2]研究了微钙化点的纹理特性，试图探讨良恶性微钙化点在纹理特性上的差异。并采用基于灰度共生矩阵的特征矢量来表征微钙化点的纹理特性。2.3直方图特征参数的研究
直方图是基于某个图像某个区域的直方图估计。文献[2]选用均值表示微钙化点区域的平均幅度；方差表示测量幅度的局部活动性；熵和能量表示微钙化点区域图像灰度信息量的量度来对微钙化点进行识别。
3本文所采用的识别方法
3.1特征选取
通过多方面查阅资料以及重点与多位临床医生交流发现，乳腺钼靶X 片上单位面积（cm 2）微钙化点数目和分布是早期恶性乳腺癌的一个重要指征。所以目前临床上对微钙化点良、恶性的诊断多是靠有经验的医生观察钙化点的个数，以及分布情况来作出初步诊断。比如通过判断钙化点是否成簇(判断依据为每平方厘米区域内是否存在超过3个钙化点)，来判断是否存在恶性肿瘤，若存在，则标记它的位置。而其余一些微钙化点的特征检测并不具备临床意义。
所以，本文通过统计微钙化点的个数，以及结合钙化点直径进行良、恶性识别。
27142.32468--
中国医学物理学杂志
第28卷第2期
2011年3月
（a ）（b ）
（c ）（d
）
图1微钙化点提取后图像
Fig.1Microcalcifications extracted image
3.2分析过程
3.2.1连通区域标号
为了统计出微钙化点的个数，需要对图像进行标号处理。标号处理是对图像中相互连通的所有像素赋予相同的标号，而对处于不同的连通区域的像素赋予不同的标号。因此通过统计一幅图像中不同的标号个数即可以得到连通的区域数。本文标号处理采用四邻域搜索方法，其基本算法步骤如下：
（1）初始化变量：标号K 为0，列表L 为空，像素（x ，y ）的标号k （x ，y ）为0。
（2）将图像按照从左到右，从上到下的顺序搜索，直到扫描到最后一个像素点为止。如果当前像素（x ，y ）为黑色，并且k （x ，y ）为0，把K 的值加1，将新的K 值赋给k （x ，y ），并将其上、右、下和左4个方位的紧邻像素点的位置存储于列表L 中，并跳转到步骤（3），否则（像素为白色，或像素为黑色但k （x ，y ）不等于0的情况），跳转到步骤（2），继续扫描下一个像素点。
（3）从列表L 中取出一个像素点，并从L 中删除。该像素若为黑色且k （x ，y ）=0，将其标记赋值为K ，并将其四个方位的紧邻像素点添加到L 中；否则，忽略。重复步骤（3），直到列表为空为止，程序跳转到（2），继续。
（4）最后输出连通的区域数目为K 。3.2.2微钙化点计数
如果提取后的微钙化点图像不含噪声等伪目标，则图像中的微钙化点个数即为最大实际标号数。为了更加准确地统计微钙化点数目,本文采用统计修正的方法来尽可能地减少不利因素的影响。统计修正中，引入三个关键连通区域参数：面积、周长。
（1）连通区域面积A 。连通区域的面积可简单定义为标记部分边界所包围的像素点的数目。这可以通过一次性扫描标记过的图像，即可统计出所有连通区域的面积。例如，第i 个连通区域的面积等于在图像中标号k （x ，y ）=i 的所有像素的个数。
（2）连通区域周长C 。连通区域周长可用边界所
占像素的点数来计算。对四邻域方法标号处理后的图像，可以这样定义边界点：如果这个点本身是所研究的标记区域内的点，且与表示背景的像素点相邻，则该点为边界点。具体来说，某一点（x ，y ）的标号k （x ，y ）=i ，它的四邻域中至少有一个点标号值为0(表示背景)，则该点为第i 连通区域的边界点。同属于一个区域的边界点的个数就是该区域的周长。
（3）微钙化点直径R 。已知连通区域的面积A ，则可计算直径如下：
R =2
A π
姨
3.3仿真结果
用我们的算法对济南肿瘤医院和山东省医学影像研究所提供的50个病例，100副经过微钙化点提取后图像进行了大量自动计数的实验，图1是部分实验采用的图像。
图1（a ）中的微钙化点人工计数结果为34个，自动计数结果为33个；图1（b ）中的微钙化点人工计数结果为25个，自动计数结果为25个；图1（c ）中的微钙化点人工计数结果为4个，自动计数结果为5个；图1（d ）中的微钙化点人工计数结果为25个，自动计数结果为24个。
将大量自动计数结果与人工计数进行对比统计，结果显示，自动计数结果与人工计数的结果基本相同,最大相对误差是2.9%,最小相对误差是0%,平均相对误差为1.8%。
存在误差的主要原因是有些，极少数粘连特别严重的钙化点没有分割开。这些误差可以通过人机交互来消除。由于自动计数结果的相对误差均小于允许误差,而且在实际大样本的人工计数中，其相对误差往往大于自动计数的相对误差，所以该算法的自动计数结果是可以接受的。
另外，利用此算法可以自动计算微钙化点的直径，仿真结果也比较理想。计算出钙化点的个数以及直径后，我们就可以结合恶性钙化的特征进行识别。
2469--