区域生长法结合多竞争最小二乘拟合算法去除乳腺X线摄影图像中胸大肌影

刘元振，林 伟，朱玲英，张 娟

(1.上海应用技术大学电气与电子工程学院，上海 201418；2.中国科学院大学附属肿瘤医院台州院区 台州市肿瘤医院放射科，浙江 台州 317502；3.中国科学院大学附属肿瘤医院浙江省肿瘤医院介入放射科，浙江 杭州 310022)

乳腺癌现已成为全球女性第一高发癌症[1]，我国女性乳腺癌发病率以每年3.9%的速度快速增长[2]。数字乳腺X线摄影(mammography， MG)是目前筛查乳腺癌的主要影像学方法，用于定量评估腺体密度具有重要意义[3-4]，可作为乳腺癌的独立预测因子[5-6]。既往研究[7]发现新发及复发乳腺癌均与腺体密度密切相关。基于X线片定量腺体受多种因素干扰，如乳头、皮肤及胸大肌灰阶度与腺体较为相似。本研究以区域生长法结合多竞争最小二乘拟合算法，评价自动计算分割阈值去除MG图像中胸大肌影的价值。

1 资料与方法

1.1 数据来源 回顾性分析2017年10月—2020年6月506例于浙江省肿瘤医院接受MG检查的女性患者，年龄20～85岁，平均(47.9±9.6)岁；共568幅内外斜(mediolateral oblique， MLO)位图像，包括278幅左乳MLO位图像及290幅右乳MLO位图像，均由Hologic Selenia Dimensions数字乳腺X线机采集，采取加压拍法，自乳房内侧斜向上方50°～55°拍摄站立位MLO位图像。由2名具有10年以上乳腺影像学诊断工作经验的医师参照美国放射学会第5版乳腺影像报告和数据系统(breast imaging reporting and data system， BI-RADS)标准[8]进行乳腺分类，判定其中12例为脂肪型、60例为散在纤维腺体型、318例为不均匀致密型、116例为极度致密型乳腺，并手动勾画MLO位图像中的胸大肌区域。采用分层抽样法随机抽取4种类型数据，最终共抽取244例MG数据，包括12例脂肪型、7例散在纤维腺体型、199例不均匀致密型及26例极度致密型乳腺。

1.2 构建模型 以区域生长法结合最小二乘函数拟合算法去除MG图像中的胸大肌影，具体算法流程见图1。

1.2.1 伽马校正 采用非线性灰度拉伸函数进行伽马校正，以弱化腺体后脂肪间隙而增强胸大肌边界，突出其特征，见公式(1)。

图1 采用区域生长结合多竞争最小二乘拟合算法去除MG图像中胸大肌影的流程图

(1)

式中，X为去除皮肤及乳头后的MG图像，γ为矫正值，Y为经过伽马校正后的MG图像；对不同类型乳腺选用不同γ值：脂肪型γ值取0.43，纤维腺体型为0.51，不均匀致密型为0.55，极度致密型为0.68。

1.2.2 形态学腐蚀 经过最大连通域法图像，结合形态学腐蚀操作，去除图像中皮肤、乳头部分，选择7×7椭圆形状结构元，共进行3次腐蚀操作[9-10]。

1.2.3 区域生长法 设置像素差值为5，于胸大肌影区域选取8～10个种子点坐标，逐一对其八邻域内像素进行遍历，对比种子点与其八邻域的坐标像素值差值，若差值≤5则将其结合继续向外生长，直至无满足其像素差阈值后停止生长。

1.2.4 中值滤波 通过区域生长法获得的胸大肌影含较多噪点，故于图像的5×5区域内使用中值滤波去噪处理，得到去除噪点的胸大肌图像，中值滤波公式见公式(2)：

resimg=median[img(x-2,y-2)+img(x-1,y-2)…img(x+2,y+2)]

(2)

式中，resimg为去噪后图像，img为以区域生长法得到的边界提取图像。

1.2.5 最小二乘法边界拟合 寻找经粗提取的胸大肌影的边界坐标点，将其映射至直角坐标系，以最小二乘法对边界坐标进行1～8次项函数多项式拟合，并计算其决定系数(R2)。计算相邻2个决定系数间的变化率，若其小于所设定阈值，则选择高次项函数作为胸大肌边界轮廓函数。

(IOU∈[0, 1])

(3)

(PA∈[0,1])

(4)

2 结果

2名医师手动勾画平均用时8 h，采用本设计方法预测总耗时为32 min。基于本设计方法所获胸大肌轮廓较为平滑，较少漏分割或过度分割，结果误差较小，还原的胸大肌边界轮廓与手动分割结果非常接近，见图2、3；针对4种类型乳腺图像，分割胸大肌区域的平均IOU为(89.76±4.28)%，平均PA为(89.98±3.91)%，见表1。

3 讨论

根据美国放射学会(American College of Radiology， ACR)质量控制标准要求，拍摄MLO位图像必须包括胸大肌，导致胸大肌影在MG图像占据面积较大。理想情况下，胸大肌边界为光滑曲线，且不受腺体种类影响；但胸大肌与乳腺腺体后方的脂肪间隙相连，且其灰阶度接近或超过腺体，以计算辅助诊断系统直接基于原始图像计算腺体含量时，易将部分胸大肌区域误判为腺体，导致结果与实际腺体含量偏差较大，故需去除相关干扰因素。目前基于人工智能模型分割医学影像的研究较多，如乳腺超声人工智能识别成像[11]、分割乳腺MRI中的病灶[12]及分割肺部CT中的肺结节[13]等。数字化MG图像分辨率较高，数据量较大，同时深度学习需要大量先验知识以训练模型，导致现阶段使用人工智能模型去除MG图像中胸大肌影的方法较少，通常需要采用手动勾画，而人工裁剪易受主观因素影响，且工作量大。国内外学者[14-16]已提出多种直接分割腺体的方法，如以区域生长法及手工裁剪法移除胸大肌影[9-10]、使用深度学习模型[17]及双能量检测[18]分割MG图像中的胸大肌区域，但均无法完全去除皮肤、乳头和胸大肌对量化腺体的影响，无法精准反映腺体含量。

图2 患者女，54岁，乳房肿块 A.左乳原始MLO位 MG图； B.医师手动分割掩膜图； C.算法输出掩膜图； D.去除胸大肌后的MG图

图3 患者女，60岁，乳房肿块 A.右乳原始MLO位MG图； B.医师手动分割掩膜图； C.算法输出掩膜图； D.去除胸大肌后的MG图

表1 不同类型乳腺分割结果与手动勾画结果比较(%)

本研究根据MG图像中胸大肌影与其他组织间的灰阶度差，采用多种图像处理方法去除腺体后脂肪间隙的噪声影响，提出基于区域生长法结合多竞争最小二乘拟合的方法，可在保证分割效果最优的前提下最大程度还原胸大肌边界轮廓，且不受图像伪影及噪声影响，可有效去除MLO位MG图像中的胸大肌影。针对所选568幅图像，2名医师手动勾画胸大肌影平均用时8 h；而采用本方法进行预测，总耗时仅为32 min。

本研究的主要局限性：样本所含4种类型腺体数量分布不均，标准数据集较少，导致算法的分割精度从脂肪型至极度致密型逐渐下降；同时，随着腺体密度增加，处理后图像腺体后脂肪间隙内仍存在少量腺体组织，导致对极度致密型乳腺胸大肌的分割精度低于其余3种类型乳腺，且未具体比较不同类型乳腺分割结果的差异，有待加大样本量并进一步优化算法，以获得泛化性能更高的分割模型。

综上所述，结合区域生长法与多竞争最小二乘拟合算法可用于去除MG图像中的胸大肌影，计算效率及精准度均较高。