乳腺病灶的多显著性检测方法

方宏文，蔡 念，周静雯，白有芳，黎 剑，王 晗

1.广东工业大学 信息工程学院，广州 510006

2.中山大学 肿瘤中心 诊断和介入超声科，广州 510060

3.广东工业大学 机电工程学院，广州 510006

乳腺癌是导致全世界妇女死亡的主要癌症之一[1]。临床研究发现，如果及早发现乳腺病灶并进行有效治疗，治愈率可以大大提高。因此，早期术前影像学评估，尤其是无创的超声影像学检查，对乳腺癌的研究和治疗具有重要意义[2]。

乳腺病灶自动检测可大幅度减轻医生劳动强度[3]，受到广泛关注和研究[4-12]。其中，显著性检测符合人类的视觉注意力机制，成功应用于乳腺病灶检测。文献[4]提出一种乳腺超声图像肿瘤自动检测的显著性模型；文献[5]提出一种基于先验知识学习的乳腺肿瘤自动定位算法；文献[10]提出了一种混合优化的肿瘤显著性估计框架；文献[12]提出一种基于吸收马尔可夫链的超声图像中乳腺肿瘤的显著性目标检测方法。但是，由于乳腺超声图中包括脂肪层、乳腺层和肌肉层等，因此图像对比度低，存在斑点噪声。此外，部分肿瘤边界模糊，使得检测出来的肿瘤边界存在伪影等干扰。因此，这些显著性检测方法对乳腺病灶检测仍有提升空间。本文提出一种基于多种先验知识决策的乳腺病灶显著性检测方法。首先，采用中值滤波进行滤波，提出一种自适应阈值分割提高乳腺超声图像质量。然后，基于图像背景先验获得粗糙显著图。为了抑制误检的非病灶区域，再融入频率先验和自适应中心先验进行显著性优化。最后，再进行图割优化获得最终精细显著图，检测超声图像中的乳腺病灶。

论文贡献主要体现在：

（1）针对以往方法对乳腺病灶先验知识利用不足而导致检测精度较低的问题，本文融合背景先验、频率先验和中心先验等三种先验知识，结合单元胞自动化机和图割优化，提出一种多显著性检测方法实现超声乳腺病灶区域自动检测。

（2）针对传统方法简单地利用固定阈值分割方法来增强图像对比度而导致检测效果差的问题，提出一种基于经验累积分布函数自适应阈值分割的方法，解决超声乳腺图像对比度低造成的显著性检测效果差的问题。

（3）针对传统方法会出现由于乳腺病灶偏离乳腺超声图像的中心而导致漏检或错检问题，本文在自适应确定乳腺病灶区域的基础上，提出一种改进的自适应中心先验方法。

1 本文算法

如图1 所示，本文提出的算法框架由三部分构成，分别为预处理、显著性检测和显著性优化。

图1 本文算法框架图Fig.1 Framework of proposed algorithm

1.1 预处理

由于乳腺超声图像的质量（包括灰度、对比度等）较差，且存在一些固有的斑点噪声。为了减少噪声的干扰，利用中值滤波器对原乳腺超声图像进行平滑处理。

由于乳腺超声图有脂肪层、乳腺层和肌肉层三个主要层，脂肪层和肌肉层形成许多水平亮带，乳腺层位于脂肪层和肌肉层之间，因此乳腺病灶呈现低回声特征出现在乳腺层。针对以往方法简单地利用固定阈值分割方法来增强图像对比度而导致检测效果差的问题，本文提出一种基于经验累积分布函数自适应阈值分割的方法，分割低回声区域（即病灶区），增强病灶区域与周围其他组织的对比度，通过两个自适应阈值l和h分割得到增强图像I：

其中，f(x,y)表示原超声图像的灰度值，l和h采用经验累积分布函数F(t)[6]来确定，本文中l和h分别取F（0.1）和F（0.8），这将在本文的2.2节讨论证明。

1.2 显著性检测

1.2.1 基于背景先验初始显著图

式中，sk,i表示超像素i与第k聚类中所有位于乳腺超声图像边界的背景种子之间的颜色差异，||ci,cj||表示超像素i和超像素j在CIE LAB 颜色空间的欧式距离；wk,j表示超像素i与第k类中所有背景种子之间的空间距离，ri和rj是超像素i和j的坐标；pk为属于聚类k的边界超像素；θ是一个平衡参数，用来平衡颜色和空间位置距离之间的重要性。

1.2.2 基于频率先验显著图

乳腺病灶区域往往富含细节信息，尤其当乳腺病灶存在浸润现象时，因此频率先验对于乳腺病灶检测也具有重要意义。由于二维对数Gabor 滤波器是一种在对数频率尺度上传递函数为高斯函数的滤波器，可以更好地反映二维乳腺超声图像的频率响应，因此采用二维对数Gabor滤波器[16]的传递函数对乳腺超声图像进行带通滤波，提取医学上较为关注的乳腺病灶边界区域的频率特征，得到基于频域先验显著图SF：

其中，u=(u,v)∈R2为频域坐标，ω0为滤波器的中心频率，实验中ω0=0.002，σ2F=6.2为滤波器的带宽。

1.2.3 基于自适应中心先验显著图

基于人类视觉机制，物体的目标通常置于图像的中心位置，通过中心先验可以简单快捷地提高目标的检测效率。传统方法采用图像中心位置作为中心先验来构建高斯图，从而获得中心先验显著图S(x)[16]：

1.3 显著性优化

1.3.1 单元胞自动机优化

在1.2.1小节生成的基于背景先验的粗糙显著图Sb中，存在大量的非乳腺病灶区域，并且检测到的病灶区域没有完全凸显。在本文中，采用单元胞自动机尝试解决这一问题。

其中，||ci,cj||表示超像素i和j在CIELAB 颜色空间的欧式距离，σ3为一个参数用来控制相似度的强度，N(i)表示单元i的邻集。

更新规则定义为：

1.3.2 多先验融合优化

以往方法[14-15，17]主要利用单一先验或两种简单先验实现显著性检测。但是，乳腺超声图因病灶及周边组织的存在而导致图像内容较为复杂，难以用简单先验知识进行表征。因此，针对以往方法对乳腺病灶先验利用不足的问题，本文提出一种多显著性检测方法检测超声乳腺病灶区域。通过融合多种先验显著图，不仅有利于消除显著图中的背景噪声，还可以准确地融合各种显著特征，从而提高病灶区域的检测准确率。

融合方法定义为：

其中，λ是一个平衡参数，用来平衡三种显著图的关系。如图2所示，通过单元胞自动机优化后的背景先验显著图在一定程度上进一步凸显了乳腺病灶。精细显著图Sopt相对于其他两种显著图具有较大的比重。因此，本文经验选取λ=2。此外，θ1、θ2为两个权重参数，且θ1+θ2=1 ，当经验性地设置为θ1=0.3，θ2=0.7时，乳腺病灶的检测效果最佳。

图2 各阶段显著图可视化结果Fig.2 Saliency map visualization results of each stage

最后，采用图割优化方法对融合结果进一步平滑得到最终的乳腺病灶定位结果。

2 实验结果与分析

2.1 数据集和评价指标

由中山大学肿瘤中心提供的208 张临床乳腺超声图像构成实验数据集，数据集考虑了多种复杂形态、不同信噪比等特性。由经验丰富的放射科医生通过Labelme 软件手动标记生成乳腺病灶金标准，即正确标签（GT）。

与其他显著性检测方法相似[15]，采用3 种经典评价标准评价算法性能：精确率（P）、召回率（R）、F-measure值。所有实验在CPU 为i5/2.6 GHz，8 GB/RAM 和GPU为GT940M的电脑及软件平台MatlabR2014a上进行。

2.2 l 和h 值的选择

在预处理阶段，自适应阈值l和h由经验累积分布函数F(tj)确定。因此，经验累积分布函数F(tj)中的参数tj(j=1,2)对所提出的显著性检测方法的性能有重要影响。

在这一节中，通过实验讨论了这两个参数tj(j=1,2)对所提出的显著性检测方法的影响。为了简单起见，使用F-measure值进行评估。如图3（a）所示，F-measure值在t1∈[0.09,0.11]和t2∈[0.78,0.82]时相对大。因此，本文将这两个参数(j=1,2)选择为t1=0.1，t2=0.8，如图3（b）中的黑点所示（黑点表示t1和t2的选择），即自适应阈值l和h分别为l=F(0.1)和h=F(0.8)。

图3 不同参数的显著性检测结果tj(j=1,2)Fig.3 Saliency detection results with different parameters tj(j=1,2)

2.3 与其他显著性算法对比

将本文提出的方法与其他5 种显著性检测方法（BSCA2015[15]、TIP2015[17]、TIP2017[18]、DSMR2018[19]、AMC2019[12]）进行比较。图4 展示了4 张典型的乳腺超声图病灶的检测视觉效果。如图4所示，本文方法的检测结果更接近GT，能更准确地定位乳腺病灶。虽然，本文方法检测出来的乳腺病灶区域内有少许的阴影，但这是因为在医学上乳腺病灶的边界区域中的过渡能够反映乳腺病灶的浸润等现象，因此未做后处理将这些阴影去除。至于其他方法，检测出来的视觉效果都较差，出现了大量的误检，甚至出现一些棋盘方块现象。具体来说，BSCA2015 方法虽然可以大概定位病灶，但是仍然存在众多误检区域；TIP2015 方法错误地把脂肪当作病灶检测出来，并且检测出的病灶不完整，背景噪声多，因此，该方法精确率和召回率都非常低；TIP2017 方法与TIP2015方法相似，也将脂肪当作病灶导致检测效果差；DSMR2018 显著性检测模型通过约束传播方式来检测肿瘤区域，因此，当肿瘤部分区域对比度较低时，则检测出来的肿瘤不完整；AMC2019 检测模型利用吸收马尔科夫链的吸收时间衡量肿瘤的显著性，因此当肿瘤和边界非常相似时，则检测失败。表1直观地显示了各种显著性检测方法的定量统计的对比结果，可以看出，提出的算法的性能优于其他算法。

图4 不同显著性检测方法的显著性检测结果Fig.4 Saliency detection results of different saliency detection methods

表1 不同显著性检测方法的比较Table 1 Comparison of different saliency detection methods

在本文提出的基于多显著性融合的乳腺病灶检测方案中，基于背景先验显著图通过选择背景种子的方式可以大致定位到乳腺病灶区域，但是还存在大量的非病灶区域（即背景噪声），并且存在病灶检测不完整，病灶边界特征不明显等问题。基于频率先验显著图对于病灶边界，病灶的整体特征提取较为充分，但是存在其他无关的组织特征也被检测出来，因此，基于频率先验的显著图也同样存在大量的背景噪声。基于自适应中心先验显著图以高斯图的方式来凸显病灶的区域，其他无关的非病灶区域则通通被消除掉。因此，三种先验显著图存在着互补的关系，融合三种先验显著图有利于抑制大量的无关背景噪声，并且进一步凸显病灶区域。

然而，本文所提出的方法也存在一个缺陷：由于本文的方法将背景先验结合到混合的显著性检测框架中，该框架利用乳腺超声图像边界作为背景，然后计算与乳腺超声图像边界距离较大的作为乳腺病灶的显著性，这将导致当大部分病灶位于图像边界时，检测效果不理想。

3 结论

乳腺超声病灶自动检测可以辅助诊断乳腺肿瘤，有助于减少医生的工作量和提高诊断效率。本文融合背景先验、自适应中心先验以及频率先验等三种先验知识，结合显著性优化建立多显著性检测方法，实现超声影像中的乳腺病灶检测。

实验结果显示，本文方法在检测乳腺病灶时的精确率Precision 值达92.50%，召回率Recall 达87.05%，F-measure 值达91.18%，优于当前多种显著性检测方法，在乳腺外科辅助诊断上展示了较强的应用潜力。