钙化检测在乳腺计算机辅助诊断中的应用

蔡惠芳

随着人们生活方式以及环境的变化，乳腺癌的发病率呈逐年上升趋势，发病年龄有所提前，发病持续时间有所延长。美国癌学会的报告以及大量的实验数据都证实早期发现、早期诊断、早期治疗是降低乳腺癌死亡率的关键手段[1]。早期乳腺癌的主要症状是在乳房上存在一个或更多的钙化点，随着计算机技术的飞速发展，已经提出了各种各样的钙化检测算法。一般检测流程是∶①对图像进行预处理(影像增强和影像滤波)；②找到感兴趣区域(region of interest，ROI)，初步定位钙化灶；③是进行特征提取、钙化点的真假阳性识别及钙化点的良恶性诊断分类[2-3]。这些方法各有长短，只采用其中一种效果总是不太理想，因此，实际应用中通常会将两种或两种以上的方法联合使用[4-7]。目前，临床上常用的钙化检测方法有4种。

1 基于分类器的钙化检测算法

分类器的方法主要用于钙化点的分类，所谓的分类包括两个方面的内容，一是真、假阳性钙化点的分类判别；二是良、恶性钙化点分类。近年来，利用分类器进行钙化点检测的研究多了起来，其主要步骤是提取表征钙化点信息的特征，利用金标准样本(临床上确诊的)对分类器的参数进行训练，然后对未知样本进行分类识别。目前国内外文献研究的分类方法主要有线形甄别阈分析、人工神经网络分析方法、Bayes统计学方法、分类树分析方法及SVM分类方法等[8]。

Pasquale Delogu等[9]，利用人工神经元网络分类器来进行钙化点的检测。①把图像分割成相互重叠的等大的方形区域；②利用统计学的方法，提取出图像特征，把从每一个方形区域中提取的图像特征送入人工神经元网络进行分类；③将分类结果为钙化簇的矩形框进行重新整合，输出作为检测结果。

SVM是一种学习方法，当用训练集以外的数据时检测效果也能很好，可以把钙化检测看成是一种有监督的学习过程。胡正平等[6]提出首先利用贡献矩阵对图像预处理，突出图像中对分类结果而言的强影响点；然后将图像分割成子区域，通过二维主成分分析方法提取区域特征，利用支持向量机分类器检测感兴趣区域；再提取点的特征(包括矩特征、直方图特征参数等)，利用质量可分级的支持向量机分类器检测微钙化点；最后利用顺序滤波器修正检测结果，排除孤立点，可以有效地降低假阳性[10]。

2 基于小波变换的多分辨率技术检测钙化算法

利用小波分解可以从多个尺度来分析图像信息，而钙化点从信号处理的角度来看属于细节信息，所以小波分解被广泛用于钙化点检测领域中。

文浩等[7]提出了一种基于小波和统计学检测乳腺X线片中微钙化点的新方法。首先，对数字化X线片进行小波分解。为了提高图像的对比度，采用了多尺度自适应增益的图像增强方法。然后，对增强后的图像细节分量运用统计学中的偏度和峰度来选取感兴趣区。最后，利用箱线图极端值检测法确定微钙化点的位置。

在小波检测中，单纯的用细节信息来判断钙化点的有无，是不准确的，还要结合钙化点的形状和体积特征。因此如何在小波分解中加入对细节信息的形状大小的考虑也是今后研究的方向。

3 基于统计学的方法检测钙化

概率中的统计方法也是一种常用的钙化检测方法，在统计方法中，把ROI区域中的像素值的亮度看作是随机变量来分析图像特征。

Cheng等[11]提出了一种基于统计方法来检测钙化点的新方法，他们首先用一个π变换函数来把原图像进行转换，这个π函数中的参数是通过统计方法来得出的，可以理解成是一种图像亮度增强函数。这种统计方法认为ROI区域中，即使出现钙化，钙化的亮度应在图像的脂肪亮度之上，然后分别计算出每一个像素点是脂肪点，腺体点和钙化点的概率值，看它是那种点的可能性最大就认为其属于哪一类，并得到不同程度的亮度增强。在通过π函数增强后的图像中，钙化点被有效的增强了，同时由于有时腺体的亮度可能也被认为是钙化点，所以部分腺体也会被增强。下一步通过曲线探测器算法检测出曲线并去除。最后在去除曲线的增强图像上利用形态学的方法分割钙化点得到最后的检测结果图。这个方法是否成功，关键要看这种假设是否成立，当钙化点的亮度比腺体的亮度暗时，钙化点会漏检。

Dadang Gunawan也用统计方法检测钙化点。不同的是，图像先通过没有下采样的小波变换进行图像赠强预处理。为了提高图像对比度，在小波系数中加入了一些补偿因子，在处理后的图像中，在特定大小的ROI内通过计算统计特征来检测钙化点[12]。

4 用滤波器的方法检测钙化

选用尺度稍大于钙化点的滤波器对图像进行滤波，然后和原图像做差分对比，得到高频信息图像，这种方法操作简单，但是假阳性很高。阈值也很不好选取。往往需要很多去假阳的工作。

[1]Qing Naishan， Jiang Xuexiang， He Jing， et al. The role of computer aided detection in diagnosing of breast cancer by mammography[J].Chinese Journal of Medical Imaging Technology，2004，20(1)∶32-34.

[2]于红緋.基于乳腺数字X光片的病变检测算法研究[D].东北大学硕士论文，2008.

[3]李丹丹.乳腺组织异常检测算法的研究与应用[D].东北大学硕士论文，2008.

[4]Lemaur G， Drouiche K， DeConinck J. Highly regular wavelets for the detection of clustered microcalcifications in mammograms[J].IEEE Trans Med Imaging，2003，22(3)∶393-401.

[5]Mencattini A， Salmeri M， Lojacono R. Mammographic images enhancement and denoising for microcalcification detection using dyadic wavelet processing[C].Italy ∶IMTC 2006-Instrumentation and Measurement Technology Conference Sorrento，2006∶49-53.

[6]胡正平，吴燕，王成儒.乳腺X线影像中微钙化点检测新方法[J].电子技术应用，2005(9)∶17.

[7]文浩，马金胜，王玉慧.基于小波与统计学的乳腺微钙化点检测方法[J].计算机与数字工程，2006(10)∶57.

[8]Sansanee Auephanwiriyakul， Siripen Attrapadung，Sutasinee Thovutikul，et al. Breast abnormality detection in mammograms using fuzzy inference system [C].The 2005 IEEE International Conference on Fuzzy Systems，2005∶155-160.

[9]Pasquale Delogu， Maria Evelina Fantacci，Alessandro Preite Martinez，et al. A scalable system for micro calcification cluster automated detection in a distributed mammographic database[C].IEEE Nuclear Science Symposium Conference Record，2005，1530-1534.

[10]李明春.乳腺X线影像中钙化点检测方法的研究[D].重庆大学硕士论文，2004.

[11]Cheng HD， Lui YM， Freimanis RI. A novel approach to microcalcification detection using fuzzy logic technique[J].IEEE Trans Med Imaging，1998，17(3)∶442-450.

[12]张娟.基于Hessian矩阵的肺结节计算机辅助检测算法研究[D].泰山医学院硕士论文，2009.