link管理

链接快照平台

输入网页链接，自动生成快照
标签化管理网页链接

便携式超声乳腺癌辅助筛查系统的设计与实现

Design and implementation for portable ultrasound-aided breast cancer screening system

致诚王 , ¹ 冰冰何 , ^1, ^* 榆锋张 , ¹ 支尧李 , ² 瑞晗姚 , ¹ and 凯黄 ¹

致诚王

云南大学信息学院电子工程系（昆明 650091）, The Department of Electronic Engineering, School of Information, Yunnan University, Kunming 650091, P. R. China

Find articles by 致诚王

冰冰何

云南大学信息学院电子工程系（昆明 650091）, The Department of Electronic Engineering, School of Information, Yunnan University, Kunming 650091, P. R. China

Find articles by 冰冰何

榆锋张

云南大学信息学院电子工程系（昆明 650091）, The Department of Electronic Engineering, School of Information, Yunnan University, Kunming 650091, P. R. China

Find articles by 榆锋张

支尧李

云南大学信息学院电子工程系（昆明 650091）, The Department of Electronic Engineering, School of Information, Yunnan University, Kunming 650091, P. R. China

Find articles by 支尧李

瑞晗姚

云南大学信息学院电子工程系（昆明 650091）, The Department of Electronic Engineering, School of Information, Yunnan University, Kunming 650091, P. R. China

Find articles by 瑞晗姚

凯黄

云南大学信息学院电子工程系（昆明 650091）, The Department of Electronic Engineering, School of Information, Yunnan University, Kunming 650091, P. R. China 云南大学信息学院电子工程系（昆明 650091）, The Department of Electronic Engineering, School of Information, Yunnan University, Kunming 650091, P. R. China 昆明医科大学第三附属医院超声科（昆明 650118）, The Department of Ultrasound, the Third Affiliated Hospital of Kunming Medical College, Kunming 650118, P. R. China

Corresponding author.

冰冰何: nc.ude.uny@gnibgnibeh

何冰冰，Email: nc.ude.uny@gnibgnibeh

其中， H 为熵， y 为信号幅值， y _max 为最大信号幅值， y _min 为最小信号幅值， w ( y )为幅值 y 的概率密度函数，即每种不同大小的幅值 y 出现的次数占总次数的比值。

（2）纵横比：是乳腺超声中应用较多的一个量化特征，是指肿瘤的纵向长度与横向宽度的比值（ f ）。该比值能够在一定程度上反映肿瘤良、恶性程度，通常良性肿瘤纵横比小于恶性肿瘤纵横比，其计算公式如式（2）所示：

其中， h 、 W 分别表示肿瘤的长度、宽度。

（3）似圆度：似圆度 S 用于定量描述肿瘤和圆形的相似程度，其计算公式如式（3）所示：

其中， C 为肿瘤边界周长， A 为肿瘤区域面积。若肿瘤边界平滑，近似于圆或椭圆，似圆度小；若肿瘤边界不规则，似圆度大。

（4）平均标准径向长度：对于良、恶性肿瘤的边缘特征，临床上多以平均标准径向长度（ d _avg ）来衡量。如果边缘越平滑其平均标准径向长度越小，反之越大，其计算公式如式（4）所示：

其中， N 为肿瘤边缘点的个数， d ( i )为标准化径向长度，其计算公式如式（5）所示：

其中，分子为边缘上某点 i 到肿瘤区域中心点( equation M2 )的径向长度，( equation M3 )为点 i 的坐标， D 是最大径向长度。

将分割后肿瘤区域内的RF数据的熵、纵横比、似圆度、平均标准径向长度4个特征送入云服务器上部署的SVM分类器，训练出适用于乳腺癌良、恶性分类的模型。

3. 移动终端软件系统设计

本文设计的系统可在电脑和手机上运行诊断程序，使用Qt-creator进行开发。Qt-creator使用计算机程序设计语言C++（Microsoft Corp.，美国）进行编写，可调用计算机编程语言Java（Oracle Inc.，美国）、Matlab、计算机视觉软件库OpenCV4.5.1（Intel Inc.，美国）等程序接口，具有良好的跨平台性，可以做到一次开发多平台实现。

诊断程序主要实现了图片选择模块、自动分割模块、特征提取模块、数据传输模块以及结果显示模块共6个功能模块，其设计架构如图3 所示。

An external file that holds a picture, illustration, etc. Object name is swyxgcxzz-39-2-390-3.jpg

Open in a separate window

图 3

Programming architecture

程序设计架构

3.1. 图片选择模块

使用Qt-creator的静态文本控件（QLabel）、窗口控件（QWidget）、文件控件（QFile）等控件设计了图片选择界面，该界面已实现以下五项功能以辅助医生诊断患者病情：① 打开RF数据生成B超图像；② 对B超图像进行上/下张切换；③ 对B超图像进行放大和缩小；④ 对B超图像进行任意角度旋转；⑤ 对B超图像进行亮度和对比度调节。

3.2. 自动分割模块

使用鼠标控件（QMouseEvent）等控件部署活动轮廓模型算法，并设计自动分割界面，该界面可实现：① 肿瘤区域的自动分割：使用基于最大类间方差的活动轮廓模型对肿瘤进行自动分割；② 分割边界的手动调整：记录自动分割的肿瘤边界坐标，通过触控屏幕将距离触控点最近的边界坐标更改为触控点所在的位置，实现边界的手动调整；③ 椭圆拟合：对自动分割、手动调整后的肿瘤边界进行椭圆拟合，并在图像上勾勒出拟合后的肿瘤区域。

3.3. 特征提取模块

该模块提取肿瘤区域内的RF数据，生成对应的B超图像，计算各特征参数，实现如下功能：① 特征参数显示：一是显示纹理特征，包括似圆度、对比度、信息熵、角二阶矩；二是几何特征，包括纵横比、椭圆相似度、方向角、肿瘤紧凑度；三是统计特征，包括均值、峰度、标准差、平均标准径向长度。② 灰度直方图显示：显示灰度直方图以辅助医生诊断。

3.4. 数据传输模块

在移动终端使用网络控件（QtNetwork）等控件设计了数据传输界面，该界面通过调用TCP协议，输入云服务器的IP地址和端口号，可实时传输乳腺RF数据和诊断结果。

3.5. 服务器处理模块

在服务器端设计了数据接收及诊断界面，该界面通过TCP协议接收从移动终端传输的乳腺RF数据，并提取熵、纵横比、似圆度、平均标准径向长度4个特征，送入部署好的SVM分类器，并将良、恶性分类结果返回至移动终端。

3.6. 结果显示模块

显示良、恶性诊断结果，给出诊断报告单，显示肿瘤的位置、大小以及诊断意见。

4. 实验结果与讨论

本文使用来自波兰科学院基础技术研究所的乳腺超声公开数据库（open access series of breast ultrasonic data，OASBUD）（网址为：http://bluebox.ippt.gov.pl/~hpiotrzk） ^{[

19

]} 测试系统性能。该数据库的超声RF数据来自于78例患者（平均年龄49.5岁）的100例乳腺肿瘤，由具有18年临床经验的放射科医生使用超声诊断系统Sonix Touch（Ultrasonix Inc.，加拿大）和线阵换能器L14-5/38（Ultrasonix Inc.，加拿大）从水平和垂直两个方向采集，且包含了术后活检结果。所有患者均在检查前知情同意，数据采集时间为2013年11月-2015年10月。

4.1. 肿瘤自动分割结果

对乳腺癌肿瘤B超图像的分割结果如图4 所示，本文方法的分割结果与医生标定的分割结果相近，能够有效将肿瘤和背景分割开。

An external file that holds a picture, illustration, etc. Object name is swyxgcxzz-39-2-390-4.jpg

Open in a separate window

图 4

Comparison of image segmentation results

图像分割结果对比

本文使用图像分割常用的三种评价指标评估分割效果：戴斯相似性系数（Dice similarity coefficient，DSC）、准确率（accuracy，ACC）、精度（precision，PR）。定义医生标定的肿瘤区域为正类，背景区域为负类。DSC为模型分割部分与医生标定部分的交集与并集之间的比值，是医学分割中的金标准，其比例越大分割效果越好，完美重合时为1。ACC为分类正确的样本数除以样本总数，正确率越高分割效果越好。PR为分割精度，表示被分为正类的样本数占实际为正类的样本数的比例。DSC、ACC、PR计算公式分别如式（6）~式（8）所示。

其中，真阳性（true positives，TP）：被正确分类为正类的个数；真阴性（true negatives，TN）：被正确分类为负类的个数；假阳性（false positives，FP）：被错误分类为正类的个数；假阴性（false negatives，FN）：被错误分类为负类的个数。

对100例乳腺癌B超图像进行分割，三种评价指标的均值 ± 标准差分别为：DSC（0.84 ± 0.06）、ACC（0.98 ± 0.01）、PR（0.88 ± 0.11），具有较好的分割效果。

4.2. 肿瘤良、恶性分类结果

计算100例乳腺癌RF数据的熵、纵横比、似圆度、平均标准径向长度这4个特征参数，如表1 所示，列出了每个特征参数在所有良、恶性肿瘤样本内的均值±标准差。对样本进行 t 检验计算 P 值，所有特征参数的 P 值均小于0.05，差异具有统计学意义。并给出其受试者工作特征曲线（receiver operating characteristic curve，ROC）和曲线下面积（area under curve，AUC）来评价特征的分类水平，如图5 所示。

表 1

Distribution of characteristic parameters

特征参数分布

特征	良性	恶性	P 值	AUC
熵	0.82 ± 0.09	0.71 ± 0.18	1.77 × 10 ⁻⁴	0.71
纵横比	0.65 ± 0.24	0.92 ± 0.26	5.68 × 10 ⁻⁷	0.79
似圆度	0.83 ± 0.44	1.40 ± 0.97	3.10 × 10 ⁻⁴	0.71
平均标准径向长度	0.41 ± 0.06	0.39 ± 0.04	1.27 × 10 ⁻²	0.74

Open in a separate window

An external file that holds a picture, illustration, etc. Object name is swyxgcxzz-39-2-390-5.jpg

Open in a separate window

图 5

ROC curves of 4 classification specific parameters

4种分类特异性参数的ROC曲线

熵、纵横比、似圆度、平均标准径向长度这4个特征参数的AUC值分别为0.71、0.79、0.71和0.74。使用SVM对这个4个特征参数进行分类，分类正确率达到82%，其算法得到的混淆矩阵如图6 所示。

An external file that holds a picture, illustration, etc. Object name is swyxgcxzz-39-2-390-6.jpg

Open in a separate window

图 6

Confusion matrix of SVM model

SVM模型混淆矩阵

在SVM模型的混淆矩阵中，TN的值为39，FN的值为9，FP的值为9，TP的值为43。其ROC曲线如图7 所示，AUC值达到0.85说明选取的特征具有较好的分类效果。

An external file that holds a picture, illustration, etc. Object name is swyxgcxzz-39-2-390-7.jpg

Open in a separate window

图 7

ROC curve of SVM model

SVM模型ROC曲线

4.3. 系统运行结果

本系统提供可供电脑直接执行的.exe文件以及可供手机安装的.apk文件。电脑端、手机端的诊断操作界面如图8 所示，点击“自动分割”按钮可用绿色圈线勾勒出病灶区域，点击“椭圆拟合”按钮可用红色圈线勾勒出疑似病灶的范围，点击“一键诊断”按钮可对良、恶性乳腺癌进行分类，点击“诊断结果”按钮可显示辅助诊断报告单，报告单给出肿瘤的大小、形状、方位等描述，同时给出专业的超声诊断建议和肿瘤良、恶性诊断结果。

An external file that holds a picture, illustration, etc. Object name is swyxgcxzz-39-2-390-8.jpg

Open in a separate window

图 8

Computer and mobile terminal interface

电脑端和手机端界面

5. 总结

由于乳腺癌临床数据采集周期较长，且良、恶性诊断结果需术后活检验证，本文初步使用OASBUD数据库测试系统性能。该数据库的超声RF数据由具有18年临床经验的放射科医生从水平和垂直两个方向采集自100例乳腺肿瘤，且包含了术后活检结果，被广泛应用于超声乳腺癌的研究工作 ^{[

20

-

23

]} 。据表2 可知，OASBUD数据库使用的超声线阵换能器L14-5/38的中心频率、穿透深度等关键参数未超出便携式超声探头Clarius L7的测量范围，则上述数据库可用于测试本系统的分割、分类功能。然而Sonix Touch与便携式超声探头Clarius L7仍存在一定的差异性，使用本文系统采集临床数据更能充分准确地评估系统的有效性及临床适用性，这将是下一步研究工作的重点。

表 2

Comparison of ultrasound parameters between ultrasonic linear array transducer L14-5/38 and potable ultrasonic probe Clarius L7

超声线阵换能器L14-5/38与便携式超声探头Clarius L7超声参数对比

参数名称	L14-5/38	Clarius L7
中心频率	10 MHz	4～13 MHz
深度	3～5 cm	0.1～11 cm
采样频率	40 MHz	两倍中心频率
帧频	15 Hz	1～20 Hz
声速	1 540 m/s	1 620 m/s
阵元个数	128	192

Open in a separate window

本文设计了一种便携式超声乳腺癌辅助筛查系统。在测试环境下，该系统已实现了便捷、准确的乳腺癌诊断，不仅携带方便、操作简单，还能够将乳腺肿瘤轮廓可视化，生成了包含肿瘤深度、尺寸、良恶性分类等多项诊断特征参数的辅助诊断报告单，有望应用于贫困、偏远地区的乳腺癌早期筛查，可有效提高筛查准确率、降低乳腺癌死亡率。

重要声明

利益冲突声明：本文全体作者均声明不存在利益冲突；

作者贡献声明：王致诚：提出系统设计思路并实现；何冰冰、张榆锋：指导系统实现过程及论文写作；李支尧：临床指导；姚瑞晗：数据分析；黄凯：系统测试。

Funding Statement

国家自然科学基金资助项目（81771928）；云南省基础研究专项重点项目资助项目（202101AS070031）；云南省高校高原医学电子信息智能检测处理重点实验室资助项目（CY21624108）

Funding Statement

National Nature Science Foundation of China; Yunnan Fundamental Research Projects; Education Department of Yunnan

References

1. 中华人民共和国国家卫生健康委员会 2019年我国卫生健康事业发展统计公报中国实用乡村医生杂志 2020; 27 (9):1–11. doi: 10.3969/j.issn.1672-7185.2020.09.001. [ CrossRef ] [ Google Scholar ]

2. 中国抗癌协会乳腺癌专业委员会. 中国抗癌协会乳腺癌诊治指南与规范(2019年版). 中国癌症杂志, 2019, 29(8): 609-679.

3. Chang Y W, Chen Y R, Ko C C, et al A novel computer-aided-diagnosis system for breast ultrasound images based on BI-RADS categories. Applied Sciences. 2020; 10 (5):1–20. [ Google Scholar ]

4. Mathworks Statistics and machine learning toolbox™ user's guide. Natick: Mathworks Ins. 2021:1806–2046. [ Google Scholar ]

5. Chen P H, Fan R E, Lin C J A study on SMO-type decomposition methods for support vector machines. IEEE Transactions on Neural Network. 2006; 17 (4):893–908. doi: 10.1109/TNN.2006.875973. [ PubMed ] [ CrossRef ] [ Google Scholar ]

6. Koun D D, Gupta S, Singh S Computer aided thyroid nodule detection system using medical ultrasound images. Biomedical Signal Processing & Control. 2018; 40 (3):117–130. [ Google Scholar ]

7. 邹波. 基于超声射频时间序列的乳腺病灶良恶性分类. 广州: 华南理工大学, 2018.

8. 林春漪, 邹波, 周建华基于超声射频时间序列分析的乳腺病灶良恶性分类生物医学工程研究 2018; 37 (1):21–26. [ Google Scholar ]

9. 何培乾, 程阳阳, 赵彦群. 便携式超声设备: 中国, CN213525217U. 2021-05-28.

10. 严郁, 朱伟, 蔡润秋, 等基于超声射频信号的乳腺肿瘤分级算法研究南京理工大学学报 2018; 42 (4):385–391. [ Google Scholar ]

11. 陆文周 Qt 5开发及实例北京: 电子工业出版社 2014:22–401. [ Google Scholar ]

12. 罗洪艳, 徐旭, 高成龙, 等基于QT的磁共振质量检测自动分析系统的设计与实现生物医学工程学杂志 2019; 36 (4):627–632. [ PMC free article ] [ PubMed ] [ Google Scholar ]

13. 陈彬. 基于多阈值Otsu关键算法的乳腺钼靶图像肿块分割研究. 兰州: 兰州交通大学, 2018.

14. Tsui P H, Chen C K, Kuo W H, et al Small-window parametric imaging based on information entropy for ultrasound tissue characterization. Scientific Reports. 2017; 7 (1):41004. doi: 10.1038/srep41004. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

15. 高东平, 刘慧, 池慧乳腺肿瘤超声图像特征参数量化研究进展北京生物医学工程 2011; 30 (6):656–660. doi: 10.3969/j.issn.1002-3208.2011.06.23. [ CrossRef ] [ Google Scholar ]

16. Otsu N A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern. 1979; 9 (1):62–66. doi: 10.1109/TSMC.1979.4310076. [ CrossRef ] [ Google Scholar ]

17. 王燕, 李积英, 杨宜林, 等基于SLIC和GVF Snake算法的乳腺肿瘤分割激光与光电子学进展 2020; 57 (14):141023. [ Google Scholar ]

18. 张玫玫, 高凡, 屠娟, 等非线性超声射频信号熵对乳腺结节良恶性的定征物理学报 2021; 70 (8):084302. [ Google Scholar ]

19. Piotrzkowska-Wróblewska H, Dobruch-Sobczak K, Byra M, et al Open access database of raw ultrasonic signals acquired from malignant and benign breast lesions. Med Phys. 2017; 44 (11):6105–6109. doi: 10.1002/mp.12538. [ PubMed ] [ CrossRef ] [ Google Scholar ]

20. Steifer T, Lewandowski M Ultrasound tissue characterization based on the Lempel–Ziv complexity with application to breast lesion classification. Biomed Signal Process Control. 2019; 51 (1):235–242. [ Google Scholar ]

21. Byra M Discriminant analysis of neural style representations for breast lesion classification in ultrasound. Biocybern Biomed Eng. 2018; 38 (3):684–690. doi: 10.1016/j.bbe.2018.05.003. [ CrossRef ] [ Google Scholar ]

22. Ouyang Y, Tsui P H, Wu S, et al Classification of benign and malignant breast tumors using h-scan ultrasound imaging. Diagnostics (Basel) 2019; 9 (4):182. doi: 10.3390/diagnostics9040182. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

23. Jarosik P, Klimonda Z, Lewandowski M, et al Breast lesion classification based on ultrasonic radio-frequency signals using convolutional neural networks. Biocybern Biomed Eng. 2020; 40 (3):977–986. doi: 10.1016/j.bbe.2020.04.002. [ CrossRef ] [ Google Scholar ]

Articles from Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering are provided here courtesy of West China Hospital of Sichuan University

便携式超声乳腺癌辅助筛查系统的设计与实现

Design and implementation for portable ultrasound-aided breast cancer screening system

致诚 王

冰冰 何

榆锋 张

支尧 李

瑞晗 姚

凯 黄

3. 移动终端软件系统设计

3.1. 图片选择模块

3.2. 自动分割模块

3.3. 特征提取模块

3.4. 数据传输模块

3.5. 服务器处理模块

3.6. 结果显示模块

4. 实验结果与讨论

4.1. 肿瘤自动分割结果

4.2. 肿瘤良、恶性分类结果

表 1

4.3. 系统运行结果

5. 总结

表 2

Funding Statement

Funding Statement

References

致诚王

冰冰何

榆锋张

支尧李

瑞晗姚

凯黄