反向传播神经网络结合超声诊断乳腺癌

梁哲浩，董蓓莉

乳腺癌是女性常见的恶性肿瘤之一。微钙化灶作为乳腺癌二维超声的一种阳性表现得到了临床的认可。但仅以微钙化作为乳腺癌诊断指标敏感性较低，且不能反映病灶内微循环的特点。而超声造影可从微循环灌注和血流动力学方面弥补常规超声的不足，提供更多的诊断信息。人工神经网络是模仿生物神经系统中神经元的一种新的数学处理方法，在众多神经网络模型中，应用最广泛的是反向传播(back-propagation，BP)神经网络，它具有很强的非线性映射能力和柔性的网络结构，可以通过预先提供的一批相互对应的输入—输出数据的实例学习和训练，分析掌握两者之间的潜在规律，并根据其规律，用新的输入数据来推算输出结果[1]。我们自2009年1月—2010年6月，对本院收治的乳腺癌患者采用BP神经网络联合超声造影及病灶内微钙化灶对肿瘤的良恶性进行预测，取得了较好的临床效果。

1 资料和方法

1.1 研究对象 本组55例，年龄30～82岁，平均50岁。均经穿刺活检或手术后病理检查证实。

1.2 仪器与造影剂

1.2.1 仪器 使用百胜Technos MPX DU8彩色超声诊断仪，探头频率为4.5～7.5MHz，并具有超声造影成像功能和随机配置的时间—强度曲线分析软件，机械指数为0.1。

1.2.2 造影剂 选用意大利Bracco公司生产的SonoVue。

1.3 方法

1.3.1 常规超声检查 了解并记录乳腺肿瘤病灶的部位、大小、形态、数目、回声特征及是否有微钙化灶。诊断标准:恶性者存在微钙化灶，即小于1mm的针尖样强回声点。

1.3.2 超声造影检查 选取病灶血流最丰富的切面，固定探头位置不变，切换到造影模式，用5mL生理盐水将造影剂(59 g)配置成六氟化硫微泡混悬液，经肘前静脉团注造影剂2.4mL，随后推注5mL生理盐水冲洗，动态观察病灶的超声造影过程6min。

1.3.3 图像分析 应用Qontraxt软件对图像脱机分析，并存储图像，先勾画出感兴趣区，然后对自动绘制的时间—强度曲线进行分析，获取定量指标即:峰值强度(Peak)、达峰时间(TP)、曲线尖度(Sharpness)及曲线下面积(AUC)。诊断标准:乳腺癌造影增强方式以明显不均匀增强为主，时间强度曲线为多相，上升支陡直，峰值出现时间早，持续时间长，而廓清缓慢呈平台样曲线；良性肿瘤则以轻度均匀增强为主，时间—强度曲线形态多表现为慢上单相慢下型，上升支缓慢，维持一个短暂的平台期再缓慢下降。

1.4 病理诊断 对所有病灶行超声引导下的穿刺活检，或手术切除后行病理检查，并将病理诊断与超声造影诊断结果进行比较分析。

1.5 BP神经网络分析

1.5.1 BP神经网络的建立 采用Matlab(Version 7.0.1.24704(R14)Service Pack 1，来源于matlab官方网站www.mathworks.com)编程实现。选用55个病例中随机选择35个作为训练样本，另选20个作为测试样本。用神经网络创建函数newff建立一个三层的BP神经网络，见结构示意图1。

图1 BP神经网络结构示意图

以训练样本中各病例的Peak、TP、Sharpness、AUC、有无钙化（CA）为输入神经元，其中设定无钙化为0，微钙化（≤1mm的针尖样强回声点）为1，粗钙化（＞1mm的强回声）为2，肿瘤的良恶性为输出神经元，设定良性为0，恶性为1。将输入变量P按下式进行归一化处理，转换为[0，1]的范围。传递函数为logsig，输出函数为tansig，训练函数为trainbr，网络性能函数为mse。

1.5.2 模型优化和网络训练 根据公式(1)、式(2)初步确定隐含层神经元个数的范围。

式中k为训练样本个数，n1为隐含层神经元个数，n为输入神经元个数，m为输出神经元个数，ɑ为[1，10]之间的常数。本组病例中k为35、n为5、m为1，故初步确定n1的范围为[6，13]。经反复试验找出最佳值，调试网络，并确定迭代次数为500次，网络目标为0.01，建立BP神经网络模型，预测测试组病例的良恶性。

1.6 统计学方法 BP神经网络、超声造影和微钙化灶对乳腺病灶良恶性的判断结果与病理诊断结果进行比较，计算敏感性、特异性和准确率采用四格表法常规计算。对恶性肿瘤的判断结果进行四表格法χ2检验，良性肿瘤判断结果（特异性）比较因例数较少而采用Fisher精确概率检验法，以P＜0.05作为差异有统计学意义的判断标准。

2 结果

BP神经网络、超声造影和微钙化灶对乳腺病灶良恶性的判断与病理结果对照见表1。

表1 BP神经网络、超声造影和微钙化灶诊断乳腺病灶与病理结果比较（n，%）

微钙化灶对乳腺癌诊断的敏感性、特异性和准确率分别为69.7%、90.9%、60.6%；超声造影对乳腺癌诊断的敏感性、特异性和准确率分别为87.9%、81.8%、69.7%；BP神经网络联合超声造影和微钙化灶对乳腺癌诊断的敏感性、特异性和准确率分别为91.7%、87.5%、79.2%。

χ2检验结果表明，BP神经网络对恶性肿瘤判断的敏感性与微钙化灶及超声造影判断结果的差异有统计学意义，而它们对良性肿瘤判断结果的差异没有统计学意义。因此，BP神经网络联合超声造影和微钙化灶可提高对乳腺癌诊断的敏感性。

3 讨论

肿瘤内钙化的发生，一般认为与肿瘤细胞变性和坏死后的钙盐沉积、肿瘤细胞和生长活跃的乳腺细胞分泌钙有关[2]，其中微钙化灶对提高乳腺癌的诊断有一定的价值，对肿瘤良恶性的鉴别特异性较高、敏感性较低。经病理观察，66%～85%的乳腺癌患者可见钙化灶[3]。但是微钙化灶提示的仅是肿块内部组织的变性坏死，不能反映病灶内微循环的特点，而超声造影可显示器官与组织微血管灌注的时间与空间分布及其相应的差异，反映脏器及肿瘤的微循环灌注情况，可弥补常规超声的不足，提供更多的诊断信息。

超声造影定量评价组织血流灌注，是基于血流中造影剂微泡浓度与图像信号成线性关系的原理。很显然，恶性肿块血管多，微气泡总量也多，则峰值强度就高。肿瘤组织产生新的血管分布，增加血管数量。这种血管有别于正常的血管和良性病变的血管，其血管腔小、壁薄，缺乏肌层，走行迂曲，灌注压低，易形成动静脉瘘，并且缺少淋巴网，加上肿瘤细胞增殖不均，使血管扭曲、狭窄[4]。在灌注早期流量大、流速高，导致曲线斜率也大。恶性肿块内静脉回流障碍引起造影剂微泡在病灶血管床瘀滞，使造影增强持续时间长。乳腺癌时间—强度曲线表现具有特异性，恶性者表现为造影剂达峰时间比良性者快，渡越时间比良性者长，平均强度及曲线下面积比良性者高[5]。

本组病例采用常规超声和超声造影中的客观指标，如 Peak、TP、Sharpness、AUC、是否存在微钙化灶，通过BP神经网络算法预测乳腺肿瘤良恶性，避免了人为主观因素的影响。结果表明，联合参数法预测的准确率明显高于超声造影或常规超声。

BP神经网络通过模仿生物大脑神经系统信息处理功能，实现输入与输出之间的任意非线性优化映射，在信息处理方面具有如下显著特点:⑴BP网络模型的建立不需要有关体系的先验知识、数据的分布形式、输入变量的相关假设以及输入输出变量间的函数关系，主要依赖于资料及给网络若干训练实例，BP网络就可以通过自学习来完成，完全能够发现其隐含的信息，并有所创新。⑵BP网络具有自适应和自组织能力，通过与外界环境的相互作用，从外界环境中获取知识，把环境的统计规律反映到自身结构上来，并能有机地融合多种信息。当外界环境发生变化时，只需输入新的资料让模型再学习，即可很快跟踪环境的变化，可操作性强。⑶由于神经元之间的高维、高密度的并行计算结构，神经网络具有很强的集体计算能力，可以进行高维数据的实时处理，同时也可以进行分布式联想存储。⑷作为一个高度的非线性动态处理系统，具有很强的容错功能，在一定程度上能克服数据本身的误差，以得到尽可能准确的结果。目前，已经有一些比较成熟的神经网络软件包，其中MATLAB的神经网络工具箱应用最为广泛，并在许多领域得到了应用[6]。

本研究将BP神经网络用于乳腺肿瘤良恶性的预测是新的尝试，选择合适的超声造影和常规超声参数建立的BP神经网络，可提高乳腺肿瘤良恶性判断的准确性，为决策治疗方式提供一种新的辅助诊断方法。

[1]周志华，曹存根.神经网络及其应用[M].北京:清华大学出版社，2004:343.

[2]Fondfinier E，Lorimier G，Guefin—Boblet V.Breast micro calcifi⁃cations:multivariate analysis of radiologic and clinical factors for carcinoma[J].World J surg，2002，26(3):290.

[3]许翔，叶真，陈玲，等.乳腺病灶内钙化的超声诊断价值[J].福建医药杂志，2007，29(1):4.

[4]唐杰，董宝玮.腹部和外周血管彩色多普勒诊断学[M].第2版.北京:人民卫生出版社，1999:190-193.

[5]钱晓芹，杨光，夏泽，等.实时超声造影成像结合多普勒血流频谱形态评价乳腺良恶性肿块的血流动力学特性[J].中国临床医学影像杂志，2006，l7(6):327.

[6]飞思科技产品研究中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社，2005:44-47.