梁曉雯綜述，陳智毅審校

(廣州醫(yī)科大學(xué)附屬第三醫(yī)院超聲醫(yī)學(xué)科，廣東 廣州 510150)

甲狀腺結(jié)節(jié)發(fā)病率逐年升高，在成人中的發(fā)病率高達(dá)70%，其中惡性病灶僅占5%[1]。尋找精確、高效的診斷方法是甲狀腺疾病的研究熱點(diǎn)。常規(guī)超聲是診斷甲狀腺疾病的重要手段，具有高敏感度及低特異度。隨著計算機(jī)技術(shù)快速發(fā)展，超聲圖像分類在甲狀腺疾病計算機(jī)輔助診斷(computer-aided diagnosis, CAD)中的重要意義日益凸顯。本文對超聲圖像分類技術(shù)診斷甲狀腺疾病的應(yīng)用進(jìn)展進(jìn)行綜述。

1 超聲圖像分類定義

圖像分類即基于圖像的不同特征，通過計算機(jī)分析區(qū)分不同類型的圖像，依賴于所選圖像特征的質(zhì)量[2]。超聲圖像分類即通過算法對超聲圖像進(jìn)行自動分類，以建立智能化診療模型，達(dá)到精準(zhǔn)診斷的目的。

2 甲狀腺結(jié)節(jié)特征提取

特征是圖像分類的基礎(chǔ)，良好的特征有助于數(shù)據(jù)降維，簡化多元數(shù)據(jù)的復(fù)雜性，以便獲取主要分類信息[3-4]。2017版甲狀腺影像報告和數(shù)據(jù)系統(tǒng)(thyroid imaging-reporting and data system, TI-RADS)將“組成、回聲、形態(tài)、邊緣及鈣化”確立為評估特征，以預(yù)測病灶性質(zhì)并指導(dǎo)診治[5]。有學(xué)者[6]聯(lián)合結(jié)節(jié)超聲特征及病理結(jié)果，以期提高非典型結(jié)節(jié)性甲狀腺腫的診斷準(zhǔn)確性。隨著技術(shù)的發(fā)展，特征分析已不再局限于圖像本身，以紋理分析為代表的圖像模式識別已成為新的研究思路。有學(xué)者[7]分析70例甲狀腺結(jié)節(jié)患者6個類別共270個紋理特征，發(fā)現(xiàn)紋理分析方法有助于提高鑒別診斷甲狀腺結(jié)節(jié)良惡性的效能。Chen等[8]以76幅甲狀腺超聲圖像的157個ROI為樣本，通過紋理分析將樣本分為“濾泡結(jié)節(jié)”及“纖維結(jié)節(jié)”，并建立分類系統(tǒng)，結(jié)果表明在“濾泡結(jié)節(jié)”中乳頭狀癌非均質(zhì)性更明顯，而在“纖維結(jié)節(jié)”中紋理變異相應(yīng)增加，診斷準(zhǔn)確率>95%。

此外，隨著基于評估單一特征診斷技術(shù)的發(fā)展，超聲診斷甲狀腺疾病的特異度逐步提高，如基于硬度評估的彈性成像、基于血流評估的CEUS等。有學(xué)者[9]觀察CEUS定量評估甲狀腺結(jié)節(jié)良惡性的價值，結(jié)果表明乳頭狀癌的最大峰值強(qiáng)度顯著低于良性結(jié)節(jié)。然而，單一指標(biāo)難以明確診斷惡性腫瘤[10]。多項研究[11-12]發(fā)現(xiàn)，聯(lián)合應(yīng)用高頻超聲、彈性成像及CEUS評估甲狀腺結(jié)節(jié)良惡性的準(zhǔn)確率優(yōu)于單一模式；但多模式聯(lián)合導(dǎo)致圖像數(shù)據(jù)處理分析工作量增加，如何對圖像進(jìn)行優(yōu)化處理及分類是亟待解決的問題。

3 甲狀腺超聲圖像預(yù)處理

原始圖像含有大量模糊信息，直接應(yīng)用易產(chǎn)生較大誤差。因此，在進(jìn)一步分類前，需對圖像進(jìn)行預(yù)處理，以保證數(shù)據(jù)的一致性和確定性[13]。常見的預(yù)處理方法包括圖像分割、圖像配準(zhǔn)及融合。

3.1圖像分割 超聲圖像分割技術(shù)已廣泛應(yīng)用于心血管、腹部及胎兒等領(lǐng)域。根據(jù)方法不同，可分為區(qū)域分割、邊緣分割、輪廓分割以及深度學(xué)習(xí)分割法等。其原理在于通過不同方法識別不同回聲組織間的劃分點(diǎn)，以自動檢測區(qū)域內(nèi)病灶、自動測量體積及引導(dǎo)臨床治療[14]。傳統(tǒng)區(qū)域分割主要包括閾值法、區(qū)域生長及分裂合并，快速有效，但對閾值要求較高，對低對比度的病灶分界效果欠佳。邊緣分割為并行或串行邊緣檢測，可通過微分算子獲得連續(xù)邊緣，但若未進(jìn)行邊緣平滑預(yù)處理，易獲得偽邊緣[15]。甲狀腺結(jié)節(jié)回聲復(fù)雜，應(yīng)用傳統(tǒng)分割法存在一定困難。多項研究[15-16]在傳統(tǒng)方法的基礎(chǔ)上進(jìn)行改良，如針對區(qū)域分割存在的無效分割、空洞形成等局限性，對排除的區(qū)域進(jìn)行二次對比，以精確邊界；采用基于各向異性擴(kuò)散濾波器及歸一化分?jǐn)?shù)分割甲狀腺超聲圖像，獲得更準(zhǔn)確的病灶邊緣，以協(xié)助細(xì)針穿刺活檢(fine-needle aspiration, FNA)定位。

常見超聲圖像輪廓分割法包括Snake活動輪廓模型和Chan-Vese模型(C-V模型)[17]等。此類算法屬于偏微分方程分割法，能有效擴(kuò)展、捕獲區(qū)域，但對初始位置敏感，對內(nèi)部回聲不均勻病灶效果不佳。此外還有基于特定理論的分割，如小波變換結(jié)合霍夫轉(zhuǎn)換[18]，可有效改善傳統(tǒng)分割診斷非均質(zhì)性甲狀腺結(jié)節(jié)的精確性，有助于指導(dǎo)FNA。

與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)相比，神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)在多層網(wǎng)絡(luò)的基礎(chǔ)上加入了特征學(xué)習(xí)，可自動篩選特征，提高分類精確度。以卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)為代表的深度學(xué)習(xí)可進(jìn)一步提高分割甲狀腺超聲圖像的精確性。有學(xué)者[19]收集5 842例患者21 523幅甲狀腺結(jié)節(jié)超聲圖像，建立級聯(lián)CNN模型，獲得了較好的診斷效能。此外，深度學(xué)習(xí)還用于多種模式的超聲圖像分割中，在甲狀腺結(jié)節(jié)實時彈性圖像的分析中，可通過深度學(xué)習(xí)自動篩選最優(yōu)圖像，以降低人為選擇的主觀性[20]。隨著計算機(jī)學(xué)科發(fā)展，越來越多新算法的出現(xiàn)有望進(jìn)一步提高甲狀腺結(jié)節(jié)超聲圖像的分割效率及準(zhǔn)確性。

3.2圖像配準(zhǔn)及融合 圖像配準(zhǔn)融合常見于多模態(tài)成像，即在不同模式及成像各有優(yōu)劣的基礎(chǔ)上，經(jīng)過變換處理而將多種解剖或功能成像圖融為一體，形成多信息同步可視化，改善單一成像的局限性[21]。21世紀(jì)初，多模態(tài)成像已開始應(yīng)用于神經(jīng)外科領(lǐng)域[22]。有學(xué)者[23]將顱內(nèi)腫瘤術(shù)前MRA圖像與術(shù)中CEUS圖像進(jìn)行三維融合，發(fā)現(xiàn)術(shù)中腫瘤血管位置較術(shù)前產(chǎn)生改變，提示術(shù)中精準(zhǔn)導(dǎo)航意義重要。

由于不同模式圖像間存在差異，配準(zhǔn)前應(yīng)根據(jù)需求進(jìn)行變換，使各種圖像在空間描述上達(dá)成一致[21]，再定位多源圖像。常見定位方法包括外定標(biāo)及內(nèi)定標(biāo)法。外定標(biāo)法即采用侵入性或非侵入性方法于受試者身上放置感應(yīng)標(biāo)志物，臨床適用性較低；內(nèi)定標(biāo)法即利用特定解剖標(biāo)識(像素或特征)進(jìn)行配準(zhǔn)，常用基于特征的配準(zhǔn)。有學(xué)者[24]應(yīng)用容積導(dǎo)航實現(xiàn)甲狀腺超聲與手控SPECT圖像基于邊緣特征配準(zhǔn)融合，綜合二者的優(yōu)勢，同時可改善手控SPECT分辨率不佳、超聲不能功能成像的局限性。

超聲成像原理及空間定位均與其他影像學(xué)檢查方法存在較大差異，圖像配準(zhǔn)融合難度大。隨著圖像質(zhì)量提升、超聲技術(shù)及算法的進(jìn)一步發(fā)展，超聲相關(guān)多模態(tài)成像已廣泛應(yīng)用于導(dǎo)航、消融等疾病診療，如將超聲與MRI進(jìn)行圖像融合，用于引導(dǎo)子宮肌瘤HIFU消融治療[25]。

4 基于超聲特征的圖像分類及算法模型建立

早期診斷甲狀腺癌具有重要意義。FNA能快速獲取細(xì)胞學(xué)結(jié)果，接受度較高，但屬于有創(chuàng)檢查，且5%～20%診斷不明確[4]。CAD圖像分類診斷穩(wěn)定、精準(zhǔn)、無創(chuàng)，可針對性提高超聲診斷甲狀腺結(jié)節(jié)效能，增加結(jié)果可信度，便于統(tǒng)一及推廣；還可降低成本，避免不必要的有創(chuàng)診治，減輕患者負(fù)擔(dān)。

圖像分類基本組成是分類器，即通過輸入數(shù)據(jù)、監(jiān)督學(xué)習(xí)、訓(xùn)練、反饋等步驟完成對未知圖像的自動分類。目前常用的甲狀腺超聲圖像分類器包括ANN及支持向量器(support vector machine, SVM)，以及高斯混合模型、決策樹等[4]。

4.1ANN ANN可模擬神經(jīng)元的結(jié)構(gòu)功能[26]，由輸入層、隱藏層及輸出層組成，通過學(xué)習(xí)和記憶對新個體進(jìn)行分類。以CNN為代表的深度學(xué)習(xí)及深度置信網(wǎng)絡(luò)是在ANN基礎(chǔ)上，通過多層網(wǎng)絡(luò)訓(xùn)練使高維數(shù)據(jù)轉(zhuǎn)化為低維數(shù)據(jù)。ANN訓(xùn)練速度較慢，多層分類效果不佳，目前已較少應(yīng)用。深度學(xué)習(xí)(新算法/現(xiàn)有算法改良)或多個分類器聯(lián)合評估是目前的研究熱點(diǎn)。Chi等[27]應(yīng)用預(yù)處理后的甲狀腺樣本圖像對現(xiàn)有深度學(xué)習(xí)網(wǎng)絡(luò)GoogLeNet進(jìn)行改良，發(fā)現(xiàn)其診斷效果良好。

聯(lián)合多種深度學(xué)習(xí)在產(chǎn)前診斷中的應(yīng)用已較為成熟。 聯(lián)合兩種CNN算法建立計算機(jī)化的胎兒圖像質(zhì)量評估(FUIQA)方案，可有效提高胎兒超聲圖像的診斷精度[28]；采用復(fù)合深度學(xué)習(xí)結(jié)合序列學(xué)習(xí)自動識別胎兒標(biāo)準(zhǔn)切面，診斷準(zhǔn)確性良好[29]。應(yīng)用兩個CNN融合后模型對8 148例甲狀腺結(jié)節(jié)超聲圖像進(jìn)行分類，其性能高于直方圖及SVM，提示多層CNN能有效減少圖像預(yù)處理不當(dāng)導(dǎo)致的潛在錯誤及分類偏差[30]。

4.2SVM SVM適用于高維數(shù)據(jù)分類，應(yīng)用推斷統(tǒng)計學(xué)方法構(gòu)建多維超平面以獲得最優(yōu)解，是常用超聲圖像分類方法之一。 基于SVM圖像分析系統(tǒng)與貝葉斯分類器及最小二乘最小距離法對比分析甲狀腺超聲圖像分類效能，發(fā)現(xiàn)SVM更為精確，可有效減少FNA的使用[31]。Chang等[32]評估118例甲狀腺結(jié)節(jié)超聲圖像多區(qū)域特征，采用SVM分類良惡性結(jié)節(jié)，發(fā)現(xiàn)多變量網(wǎng)絡(luò)的診斷精確度高于單變量網(wǎng)絡(luò)及影像醫(yī)師診斷。

4.3ANN與SVM的選擇及聯(lián)合應(yīng)用 CAD圖像分類具有智能化分類、推廣度增加、主觀性及診治成本降低等優(yōu)勢。分類器的選擇受多因素影響，如樣本量較小時適宜采用SVM，樣本量較大時宜用神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)方法。增加樣本量可有效提高分類效率。研究者[33]應(yīng)用離散小波變換及紋理分析提取50例甲狀腺病灶三維CEUS圖像特征，分別采用與K最近鄰算法(K-Nearest Neighbor, KNN)、概率神經(jīng)網(wǎng)絡(luò)及決策樹分類器進(jìn)行分類，發(fā)現(xiàn)KNN診斷精確度最高。還有研究[34]發(fā)現(xiàn)SVM診斷小樣本橋本甲狀腺炎的效果較好。Wu等[35]采用神經(jīng)網(wǎng)絡(luò)方法鑒別診斷970例甲狀腺良惡性結(jié)節(jié)，效果優(yōu)于貝葉斯分類器及SVM。聯(lián)合應(yīng)用ANN及SVM鑒別甲狀腺良惡性結(jié)節(jié)的敏感度高于單獨(dú)應(yīng)用ANN與SVM升高，而特異度降低[36]。

5 小結(jié)與展望

結(jié)合算法的圖像分類是甲狀腺超聲診斷新方法。從原始圖像到建立診斷模型，需經(jīng)過特征篩選、圖像預(yù)處理及算法模型建立等步驟；其中深度學(xué)習(xí)以其高效、精確的特性已成為目前甲狀腺超聲CAD的重要工具，能有效提高診斷準(zhǔn)確性。隨著研究深入及超聲技術(shù)的發(fā)展，針對結(jié)節(jié)血流、硬度等特征的超聲圖像分類研究正在逐漸開展，多模式、多方法融合的智能化診療系統(tǒng)將成為未來超聲診療甲狀腺疾病的發(fā)展趨勢。