基于YOLO的乳腺超聲偽像的檢測

摘 要：偽像會嚴重影響乳腺超聲儀采集數(shù)據(jù)的整體質(zhì)量和醫(yī)生對病灶的診斷。本文旨在對帶有空載區(qū)域、耦合不良和多重反射偽像的乳腺超聲圖像進行自動識別。標注了4168張帶有空載區(qū)域、耦合不良和多重反射偽像的乳腺超聲圖像，并使用YOLOv8模型進行訓練。結(jié)果表明，模型整體平均精度（mAP50）系數(shù)為0.964，其中空載區(qū)域、耦合不良和多重反射的平均精度（mAP50）系數(shù)分別為0.995、0.922和0.974。經(jīng)測試，模型能夠?qū)蛰d區(qū)域、耦合不良和多重反射進行精準識別和分類，并提高乳腺超聲檢測的準確性和可靠性。

關鍵詞：乳腺；超聲偽像；YOLO；卷積神經(jīng)網(wǎng)絡

中圖分類號：R 445 " " 文獻標志碼：A

乳腺超聲儀是現(xiàn)代乳腺疾病診斷的重要工具，具有無創(chuàng)、無輻射和實時動態(tài)觀察等顯著優(yōu)勢。乳腺超聲儀能夠發(fā)送聲波并接收其在組織中的反射回聲，清晰地展現(xiàn)乳腺組織的內(nèi)部結(jié)構(gòu)，為醫(yī)生診斷提供詳盡的乳腺影像。該技術有助于發(fā)現(xiàn)乳腺腫塊、囊腫等早期病變，為乳腺疾病的良、惡性鑒別提供重要依據(jù)。但是乳腺超聲儀在檢測過程中易受醫(yī)生操作不規(guī)范和偽像的影響，出現(xiàn)采集數(shù)據(jù)質(zhì)量不達標的問題。與操作不規(guī)范相比，偽像帶來的影響更嚴重且不容易規(guī)避，不僅會影響采集數(shù)據(jù)的質(zhì)量，還會影響后續(xù)醫(yī)生對病灶的診斷。進行必要的自動偽像檢測可以更好地幫助醫(yī)生把控采集數(shù)據(jù)的質(zhì)量，利用自動化手段快速篩選出含有偽像的低質(zhì)量數(shù)據(jù)，使醫(yī)生專注于分析真實、有效的信息，避免誤診或漏診，還可以提高檢測的準確性、可靠性和檢測效率，減少醫(yī)生的工作量。

1 偽像

偽像是指超聲顯示的斷層圖像與其相應解剖斷面組織實際間的差異，又稱超聲偽差、偽影、假象等，表現(xiàn)為聲像圖中回聲信息的失真。當偽像與病灶區(qū)域接近或重疊時，會干擾醫(yī)生對超聲數(shù)據(jù)的分析研判。通常有經(jīng)驗的超聲醫(yī)生可以盡量減少這種偽像的產(chǎn)生。但是在大多數(shù)情況下，乳腺超聲的局部偽像是不可避免的[1]。

乳腺超聲偽像多種原因較多，例如探頭與皮膚貼合不夠、腺體為壓平、乳頭和乳暈區(qū)褶皺產(chǎn)生的圖像后方回聲減弱、耦合劑凝固出現(xiàn)小氣泡、焦點置于乳腺中部或后部以及跳躍征等[2-3]。

1.1 空載區(qū)域

當探頭與檢測部位貼合不充分時，該處會出現(xiàn)全黑區(qū)域，如圖1所示，圖像的左側(cè)和右側(cè)均出現(xiàn)了寬度不同的空載區(qū)域，嚴重影響檢測部位采集的完整度和后續(xù)的檢測診斷。

1.2 耦合不良

超聲波的傳遞速度與介質(zhì)密度有關，不同組織對超聲波的吸收也不同。對超聲檢查影響最大的是空氣，空氣對超聲波的吸收系數(shù)較大，會導致超聲波傳遞不良，無法得到超聲反射圖像。對體表超聲來說，如果探頭與皮膚“干接觸”，那么二者間存在空氣薄層，超聲波無法到達并進入人體[4-5]。如果耦合劑凝固或者涂抹不均勻，會在探頭和皮膚間產(chǎn)生氣泡，導致相應深度的采集圖像產(chǎn)生偽像，耦合不良產(chǎn)生的偽像示例圖2中的淺色框區(qū)域所示。

1.3 多重反射

當使用乳腺儀進行檢測時，如果未及時更換底板或探頭儀器上的薄膜未正確平鋪，那么在所采集的乳腺圖像的淺層會出現(xiàn)多重反射現(xiàn)象，如圖3中的淺色框區(qū)域所示。多重反射會嚴重阻礙乳腺圖像淺表正常成像，可能會導致醫(yī)生疏漏被遮擋區(qū)域的病灶。

2 方法原理

目前，人工智能在大數(shù)據(jù)分析、自然語言處理和圖像識別等方面取得了飛速發(fā)展，其中神經(jīng)網(wǎng)絡在機器視覺方面的發(fā)展尤為引人注目。隨著深度學習不斷突破，神經(jīng)網(wǎng)絡能夠高效處理、分析海量圖像數(shù)據(jù)，不僅提高了圖像識別的準確性和速度，而且推動了自動駕駛、智能監(jiān)控和醫(yī)療影像分析等多個領域的創(chuàng)新與發(fā)展，為生活帶來了前所未有的便利與安全。

2.1 卷積神經(jīng)網(wǎng)絡原理簡介

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）是一種基于深度學習的神經(jīng)網(wǎng)絡架構(gòu)，特別適用于處理圖像和視頻等數(shù)據(jù)。它利用多層結(jié)構(gòu)中的卷積層來自動提取數(shù)據(jù)的局部特征，并利用池化層減少數(shù)據(jù)的空間維度和計算量。CNN的核心優(yōu)勢是其局部連接、權值共享和平移不變性等特點，這些特性使CNN在執(zhí)行圖像分類、物體檢測和圖像分割等任務時表現(xiàn)出色。此外，CNN還能采用反向傳播算法進行訓練，不斷優(yōu)化網(wǎng)絡參數(shù)并提高性能。

2023年張夢夢[6]采用深度可分離卷積的輕量級卷積神經(jīng)網(wǎng)絡的方式對超聲圖像中的腫瘤進行了分類，在網(wǎng)絡中引入卷積塊注意力模塊，從通道和空間注意力2個方面提升了網(wǎng)絡提取重要特征的能力。并結(jié)合焦點損失函數(shù)和標簽分布感知邊距損失函數(shù)，解決超聲乳腺腫瘤數(shù)據(jù)集分類不均的問題，使用遷移學習的方式緩解數(shù)據(jù)集不足導致的網(wǎng)絡收斂慢和魯棒性不足的問題，最終實現(xiàn)了超聲乳腺圖像中腫瘤的自動分割和分類，不同程度上提高了腫瘤分割和分類的準確度。

2.2 YOLO算法原理簡介

YOLO（You Only Look Once）算法是一種以卷積神經(jīng)網(wǎng)絡為基礎搭建的高效目標檢測算法，其核心思想是將目標檢測任務轉(zhuǎn)化為一個回歸問題，由單階段的卷積神經(jīng)網(wǎng)絡進行端到端檢測。YOLO算法將輸入圖像劃分為多個網(wǎng)格，每個網(wǎng)格能夠預測中心點落在該網(wǎng)格內(nèi)的目標，包括邊界框的位置、尺寸、置信度以及類別概率。2020年朱鄖濤[7]將目前最經(jīng)典的基于深度學習的4種目標檢測算法（Faster R-CNN、SSD、YOLOv3以及CornerNet）應用于超聲乳腺腫瘤識別中，基于專業(yè)醫(yī)生標注的數(shù)據(jù)集在預訓練模型上進行訓練和測試，最后采用mAP、FPS等多種評價指標進行評價，與其他3種算法相比，YOLOv3在識別精度和速率上均取得了較好效果。

YOLO算法經(jīng)過多個版本的迭代和優(yōu)化，例如YOLOv3、YOLOv5和YOLOv8等，性能不斷提升，在保持較高檢測精度的同時，大幅提升了檢測速度，能夠進行實時目標檢測，并廣泛應用于自動駕駛、智能監(jiān)控和人臉識別等領域。

3 方法與試驗

試驗通過訓練YOLOv8模型來檢測乳腺數(shù)據(jù)中的空載區(qū)域、耦合不良和多重反射偽像區(qū)域。

3.1 試驗流程

YOLOv8模型的訓練過程包括數(shù)據(jù)標注/處理、模型訓練/參數(shù)選定以及模型檢測效果的測試等步驟，具體試驗流程如圖4所示。首先，將收集的乳腺偽像數(shù)據(jù)進行標注，并將數(shù)據(jù)拆分為訓練集和驗證集。其次，利用標注并拆分好的數(shù)據(jù)對YOLOv8模型進行訓練，根據(jù)訓練結(jié)果調(diào)整和優(yōu)化模型參數(shù)。最后，分別使用單幀的偽像圖像和完整的乳腺數(shù)據(jù)對訓練好的YOLOv8模型進行效果測試。

3.2 試驗數(shù)據(jù)

在采集的83個存在偽像的乳腺橫斷面數(shù)據(jù)中抽取4168張帶有多種偽像的圖像，分為空載區(qū)域、耦合不良和多重反射3種類別進行標注，并按照9∶1的比例拆分為訓練集、驗證集。經(jīng)統(tǒng)計，各類別特征標注共有11426個，其中空載區(qū)域3811個，耦合不良4155個，多重反射3460個，見表1。

3.3 模型最終參數(shù)和驗證集結(jié)果

經(jīng)過模型參數(shù)調(diào)優(yōu)后，模型訓練參數(shù)batchsize為4，學習策略和學習率分別為SGD、0.01，圖片尺寸為（640×640）ppi。模型共進行了56輪訓練，訓練集和驗證集損失變化如圖5所示。

測試結(jié)果表明，模型對空載區(qū)域的檢測率為100%，多重反射區(qū)域檢測率為96%，耦合不良區(qū)域檢測率相較略低，為89%。模型整體平均精度（mAP50）系數(shù)為0.964，空載區(qū)域、耦合不良和多重反射的平均精度（mAP50）系數(shù)分別為0.995、0.922和0.974。

抽取模型對驗證集的可視化檢測結(jié)果如圖6所示，3種類別檢出均正確，并且置信度能夠正常地代表每個檢出類別的準確性。

3.4 模型對整體數(shù)據(jù)的測試

在一個完整的乳腺數(shù)據(jù)中，存在偽像的幀在整體數(shù)據(jù)中占比較小，大部分幀為正常數(shù)據(jù)，為了測試訓練好的YOLOv8模型在完整乳腺數(shù)據(jù)中的質(zhì)控效果，是否會出現(xiàn)誤檢情況，本文在乳腺橫斷面采集數(shù)據(jù)中分別抽取5個只帶有空載區(qū)域、耦合不良、多重反射偽像和不含偽像的合格數(shù)據(jù)共20個組成測試集，并將3種偽像的檢出閾值設定為0.8、0.7和0.7，當數(shù)據(jù)出現(xiàn)大于檢出閾值時，認定數(shù)據(jù)為相應類別的異常數(shù)據(jù)，否則認定為正常合格數(shù)據(jù)。使用訓練好的YOLOv8質(zhì)控檢測模型進行檢測，最終20個測試數(shù)據(jù)均能正常檢出偽像，并正確分類。

4 結(jié)語

乳腺超聲圖像的質(zhì)控主要分為掃描操作不規(guī)范和偽像2個部分，本文主要針對乳腺橫斷面數(shù)據(jù)偽像中的空載區(qū)域、耦合不良和多重反射偽像，訓練YOLO模型對3種偽像進行檢測，模型的平均精度（mAP50）系數(shù)為0.964，模型可以檢出所有空載區(qū)域、96%的耦合不良區(qū)域和89%的多重反射區(qū)域。在完整乳腺數(shù)數(shù)據(jù)測試中也能完成偽像檢測和正確分類。

除了空載區(qū)域、耦合不良和多重反射偽像，還有肋骨、乳頭和焦點置于乳腺中后部等偽像，后續(xù)的偽像檢出模型應在目前基礎上增加更多的偽像類別。而在偽像檢出的基礎上，對于由掃描操作不規(guī)范導致的乳腺采集數(shù)據(jù)質(zhì)量不佳的問題，也可以從數(shù)據(jù)整體明暗程度、組織分布情況和特定部位特征等角度整體把控采集數(shù)據(jù)質(zhì)量。

參考文獻

[1]韓彩玲.基于卷積神經(jīng)網(wǎng)絡的乳腺超聲圖像分割與分類算法研究[D].成都：四川大學，2023.

[2]AlDJ，Sofie D，Katrien V，et al.Automated breast ultrasound （ABUS）：A pictorial essay of common artifacts and benign and malignant

pathology[J].Journal of ultrasonography，2022，22（91）：222-235.

[3]自動乳腺容積超聲技術專家共識（2022版）[J].中國超聲醫(yī)學雜志，2022，38（3）：241-247.

[4]馬亦凡，李銳.消化道內(nèi)鏡超聲耦合介質(zhì)的臨床應用及研究進展[J].中華消化內(nèi)鏡雜志，2022，39（7）：582-585.

[5]牛鳳岐，朱承綱，程洋.醫(yī)用超聲耦合劑——超聲科醫(yī)師應該了解的知識和信息[J].中國醫(yī)學影像技術，2009，25（4）：715-717.

[6]張夢夢.基于卷積神經(jīng)網(wǎng)絡的超聲乳腺腫瘤圖像分割與分類研究[D].杭州：杭州電子科技大學，2023.

[7]朱鄖濤.基于卷積神經(jīng)網(wǎng)絡的乳腺超聲腫瘤檢測[D].哈爾濱：哈爾濱工程大學，2020.