周國(guó)棟 丁惠清 林潔佳

摘? 要：直腸癌是消化道最常見的惡性腫瘤之一。近幾年在中國(guó)直腸癌發(fā)病率表現(xiàn)為明顯的升高趨勢(shì)，男性發(fā)病率排名第五，女性發(fā)病率排名第四，死亡率男女均為第五。直腸癌患者是否有淋巴結(jié)轉(zhuǎn)移對(duì)治療方案的決策以及病人預(yù)后處理有重要的影響，因此對(duì)是否有淋巴結(jié)轉(zhuǎn)移的準(zhǔn)確判斷是直腸癌治療的重要步驟。直腸癌腫瘤本身的特性和周圍淋巴結(jié)轉(zhuǎn)移存在一定的關(guān)聯(lián)性。

關(guān)鍵詞：直腸癌? 惡性腫瘤? 淋巴結(jié)轉(zhuǎn)移? 視覺分析

中圖分類號(hào)：R735 ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2020）08（a）-0203-03

Intelligent Diagnosis of Lymph Node Metastasis in Rectal Cancer

ZHOU? Guodong? DING? Huiqing? LIN? Jiejia

（College of Financial Mathematics and Statistics， Guangdong University of Finance， Guangzhou， Guangdong Province， 510521 China）

Abstract： Rectal cancer is one of the most common malignant tumors in the digestive tract. The incidence rate of China's rectal cancer has increased significantly in recent years， with the incidence rate of male fifth and the incidence rate of fourth in women， with fifth mortality. Whether there is lymph node metastasis in patients with rectal cancer has an important impact on the decision-making of treatment plan and the prognosis of patients， so the accurate judgment of whether there is lymph node metastasis is an important step in the treatment of rectal cancer. There is a certain correlation between the characteristics of rectal cancer and its lymph node metastasis.

Key Words： Rectal cancer; Malignant tumor; Lymph node metastasis; Visual analysis

直腸癌是指從齒狀線至直腸乙狀結(jié)腸交界處之間的惡性腫瘤，是消化道最常見的惡性腫瘤之一[1]。近幾年，在中國(guó)，直腸癌的發(fā)病率越來越高，特別在一些大城市，它已經(jīng)躍居至惡性腫瘤發(fā)病率排行榜前三位[2]。直腸癌腫瘤本身的特性和周圍淋巴結(jié)轉(zhuǎn)移存在一定的關(guān)聯(lián)性，所以，在對(duì)該問題的思考中，我們組希望能從賽題中獲取一絲解決這些問題的靈感，也期待我們組通過對(duì)直腸癌CT影像特征的判斷來對(duì)淋巴結(jié)轉(zhuǎn)移的情況，給其他在這方面鉆研的學(xué)者帶來一點(diǎn)思考[3]。

1? 直腸腫瘤分割

1.1 圖像分割方法

圖像分割可以提取圖像的特征，對(duì)于圖像來說，它是進(jìn)行視覺分析和模式識(shí)別的基本前提，根據(jù)灰度、彩色、空間紋理、幾何形狀等特征把圖像劃分成若干個(gè)互不相交的區(qū)域，使得這些特征在同一區(qū)域內(nèi)，表現(xiàn)出一致性或相似性，而在不同區(qū)域間表現(xiàn)出明顯的不同[4]。

有些分割算法可直接用于任何圖像，而另一些算法只能適用于分割特殊類別的圖像。有些算法需要先對(duì)圖像進(jìn)行粗分割，因?yàn)樗鼈冃枰獜膱D像中提取出來的信息。邊緣檢測(cè)法、閾值分割法、區(qū)域生長(zhǎng)法和基于分水嶺算法是4種經(jīng)典的分割方法。圖像分割沒有唯一的標(biāo)準(zhǔn)，結(jié)果的好壞需要根據(jù)具體的場(chǎng)合要求衡量?？紤]到我們從MicroDicom軟件轉(zhuǎn)化出來的png格式圖片，在比較的一些常用的圖像分割方法之后，我們組采用的是全局閾值方法進(jìn)行分割。下面是圖像分割的一些方法和圖像處理的一般思路。

1.1.1 區(qū)域生長(zhǎng)法

區(qū)域生長(zhǎng)是一種基于傳統(tǒng)的區(qū)域生長(zhǎng)機(jī)制，是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域，利用區(qū)域內(nèi)像素的相似性進(jìn)行圖像分割的圖像處理算法。該方法需要先選取一個(gè)種子點(diǎn)，然后依次將種子像素周圍的相似像素合并到種子像素所在的區(qū)域中然后以所合并的新像素點(diǎn)作為起點(diǎn)，繼續(xù)向各個(gè)方向生長(zhǎng)，重復(fù)上述過程，直到?jīng)]有符合的像素點(diǎn)為止。與閾值分割類似，區(qū)域增長(zhǎng)也很少單獨(dú)使用，往往是與其他分割方法一起使用，特別適用于分割小的結(jié)構(gòu)如腫瘤和傷疤。

1.1.2 分水嶺分割法

分水嶺算法的基本思路是將圖像看作地理上的圖形，如果我們將圖像中的每個(gè)像素點(diǎn)的灰度值比作地理海拔，則灰度值較小的像素集合所形成的區(qū)域則可以看作盆地，灰度值較高的像素則可以看為山峰，在盆地與山峰的邊緣便形成了分割線。

1.1.3 邊緣檢測(cè)法

圖像邊緣對(duì)于圖像分割的識(shí)別來說作用是有些明顯的，因?yàn)樵谶M(jìn)行圖像分析時(shí)，先對(duì)圖像進(jìn)行邊緣檢測(cè)，邊緣可以描述出圖像的大致信息，使用戶能夠一目了然地了解圖像信息。從根本上來看，圖像邊緣其實(shí)就是圖像灰度值的基礎(chǔ)上，試圖根據(jù)圖像梯度等信息找出能正確表、示邊界的曲線，找出灰度值離散的、不相關(guān)的邊緣點(diǎn)，然后將其看作兩個(gè)部分的分界線。

1.2 閾值分割法

閾值分割算法是圖像處理中具有代表性的一類非常重要、經(jīng)典的分割算法。以一定的圖像模型為依托，通過取閾值后得到的圖像，各個(gè)區(qū)域可以分離開，不僅簡(jiǎn)單易實(shí)現(xiàn)，而且特別適用于灰度均勻、變化較小、不同目標(biāo)背景差異較大的圖像。最常用的圖像模型是假設(shè)圖由具有單峰灰度分布的目標(biāo)和背景組成。直接的閾值分割一般不能適用于復(fù)雜景物的正確分割，如自然場(chǎng)景，因?yàn)閺?fù)雜景物的圖像，有的區(qū)域很難判斷究竟是前景還是背景。不過，閾值分割在處理前景和背景有很強(qiáng)的對(duì)比的圖像時(shí)特別有用，此時(shí)需要的計(jì)算復(fù)雜度小，這種方法這也是與我們組運(yùn)用MicroDicom 軟件轉(zhuǎn)化出來的png圖像是符合的。當(dāng)物體的灰度級(jí)比較集中時(shí)，簡(jiǎn)單地設(shè)置灰度級(jí)閾值提取物體是一個(gè)有效的辦法。

閾值方法分為可全局閾值和動(dòng)態(tài)閾值兩種。如果分割過程中對(duì)圖像上每個(gè)像素所使用的閾值都相等，則為全局閾值方法;如果每個(gè)像素所使用的閾值可能不同，則為局部閾值方法?？紤]到我們從MicroDicom 軟件轉(zhuǎn)化出來的png格式圖片，我們組采用的是全局閾值方法進(jìn)行分割。最佳全局閾值的確定的常用方法一般有下面幾種：試驗(yàn)法、直方圖法、最小誤差法（這種方法是假設(shè)背景和前景的灰度分布都是正態(tài)分布的）。

1.3 DICE指標(biāo)分析

根據(jù)賽題源文件給出的評(píng)價(jià)指標(biāo)，使用Dice來評(píng)價(jià)我們分割出來的圖像的分割效果，即評(píng)價(jià)分割圖像結(jié)果與醫(yī)生人工勾畫結(jié)果的相似性。Dice由以下公式計(jì)算：

其中，P表示我們組分割出來的圖像區(qū)域，G表示醫(yī)生人工勾畫的圖像區(qū)域，|P∩G|為兩個(gè)圖像區(qū)域集合的交集，|P|+|G|為兩者的并集。Dice的值域?yàn)閇0，1]，取值越接近1表明直腸腫瘤分割的結(jié)果與醫(yī)生給出的結(jié)果越接近。采用提供的107人中的動(dòng)脈期影圖像作為我們組的訓(xùn)練樣本，采取預(yù)處理后把訓(xùn)練樣本做閾值為0.1的處理，將處理之后的圖像與醫(yī)生給出的掩模圖像做比較，具體的評(píng)價(jià)過程如下。

（1）從所有的病人中按照隨機(jī)抽樣的原則，即每個(gè)病人被抽中的概率都是相等的，抽取5組經(jīng)過分割后的病人的掩模圖像，抽取的病人為1004、1033、1068、1072、1099這5位。

（2）以這5位病人分割出來的掩模圖像分別與醫(yī)生的勾畫的圖像為變量，分別求出處理后的圖像與醫(yī)生勾畫出的圖像的Dice系數(shù)，根據(jù)每個(gè)小Dice系數(shù)求每個(gè)病人的總體Dice系數(shù)。

（3）最后一步，把每個(gè)病人的Dice系數(shù)加總起來求出均值Dice系數(shù)，以其作為分割的總體評(píng)價(jià)指標(biāo)。

Dice=（0.8648+0.8615+0.7125+0.8663+0.7267）/5=0.80636

2? CT圖像中直腸癌腫瘤區(qū)域的影像特征

圖像識(shí)別實(shí)際上是一個(gè)分類的過程，為了識(shí)別出某圖像所屬的類別，我們需要將它與其他不同類別的圖像區(qū)分開來。這就要求選取的特征不僅要能夠很好地描述圖像，更重要的是還要能夠很好地區(qū)分不同類別的圖像。

2.1 灰度特征

當(dāng)造影劑靜脈注射入到血管后，直腸所在的區(qū)域圖像會(huì)增強(qiáng)，腫瘤相對(duì)于正常直腸壁來說會(huì)比較明顯，軟組織器官會(huì)顯示的更亮一點(diǎn)。而CT圖像是以 DICOM文件格式存儲(chǔ)的文件，在直腸癌腫瘤區(qū)域灰度值比較高。題目給出的數(shù)據(jù)中的DICOM文件本身就已經(jīng)是512×512像素的，所以相應(yīng)的窗寬、窗位也就不用進(jìn)行加窗顯示來調(diào)整了，在顯示出直腸區(qū)域的組織器官結(jié)構(gòu)方面，方便后面進(jìn)一步進(jìn)行組織器官的操作。但是如果只考慮灰度特征的話會(huì)產(chǎn)生過分割的現(xiàn)象。

2.2 紋理特征

紋理特征是一種全局特征，普遍存在于自然界中，是一種重要的視覺特征。也是在計(jì)算機(jī)視覺領(lǐng)域內(nèi)使用比較廣泛的一種方法，因?yàn)榧y理特征較穩(wěn)定，不易受到圖像平移、旋轉(zhuǎn)和尺度大小變化的影響，能很好地對(duì)目標(biāo)CT圖像區(qū)域的灰度值信息分布進(jìn)行定量、穩(wěn)定的特征描述。在注射造影劑的條件下，發(fā)現(xiàn)給出的直腸CT動(dòng)脈期掃描圖像中直腸癌區(qū)域與相鄰區(qū)域的灰度值具有較強(qiáng)的差別。

2.3 形狀特征

形狀特征是一種包括了腫瘤形狀的特征，如腫瘤的體積以及表面積等。我們采用的是目標(biāo)面積法對(duì)腫瘤進(jìn)行特征提取，即通過分割的掩模圖像計(jì)算其表面積。

3? 腫瘤影像特征與淋巴結(jié)轉(zhuǎn)移的相關(guān)性驗(yàn)證

在此將圖像灰度分布均勻程度和紋理粗細(xì)度稱之為“能量”;將空間灰度共生矩陣元素在行或列方向上的相似程度定義為“相關(guān)”，可以這么理解，相關(guān)值的大小反映了圖像中局部灰度值的相關(guān)性;將圖像中紋理的復(fù)雜程度成為“熵”;在討論良久之后，我們組將以上3個(gè)變量與圖像主對(duì)角線的慣性矩即反差構(gòu)建 Logist模型，結(jié)合之前分割出來的目標(biāo)區(qū)域圖像與分析的圖像特征綜合考究患有直腸癌與淋巴結(jié)轉(zhuǎn)移的相關(guān)性驗(yàn)證。

參考文獻(xiàn)

[1] 寇毛蕊，楊新國(guó).醫(yī)學(xué)圖像分割系統(tǒng)設(shè)計(jì)[J].長(zhǎng)春師范大學(xué)學(xué)報(bào)，2018，37（12）：38-44.

[2] 艾飛玲，馬圓，田思佳，等.深度學(xué)習(xí)在醫(yī)學(xué)圖像分析中的研究進(jìn)展[J].北京生物醫(yī)學(xué)工程，2018，37（4）： 433-438.

[3] 瞿祥和.基于圖像硬度和邊緣紋理特征量的肝纖維化診斷研究[D].廣西大學(xué)，2016.

[4] 姜少杰.WNT5B維持Basal-like型乳腺癌表型的機(jī)制及影像監(jiān)控下的靶向治療[D].浙江大學(xué)，2019.

[5] 賈田穎.基于胸部CT的影像特征判別肺腺癌EGFR基因突變的探索性研究[D].上海交通大學(xué)，2017.

[6] 周玉容.介入分子影像引導(dǎo)下的乳腺癌精準(zhǔn)診療[D]. 浙江大學(xué)，2016.