摘 要： 提出了一種基于B超圖像的甲狀腺結節特征提取與量化方法，并由此來鑒別甲狀腺結節的良惡性。首先通過對甲狀腺B超圖像的分析，對臨床鑒別甲狀腺結節良惡性的特征進行量化，提取了不規則度、緊致度和銳度等共9個特征；然后根據類間距對各個特征的分類能力進行評價，選出類間距最大的特征(不規則度、衰減系數、縱橫比、緊致度和鈣化度)作為特征向量；最后，采用支持向量機（SVM）對甲狀腺結節進行分類識別。研究結果表明，該方法的診斷精確度為91.25%，說明此識別方法對甲狀腺結節超聲圖像具有較高的分類準確性，有望為甲狀腺的臨床診斷提供有價值的參考。
關鍵詞：醫學超聲圖像；特征提取；特征量化；支持向量機
甲狀腺結節在臨床中十分常見，通過高分辨超聲發現，人群甲狀腺結節的患病率為19%~67%，其中，甲狀腺癌占5%~15%[1]。由于甲狀腺結節的發病原因未知，只有盡早地發現、確診，才能提高甲狀腺癌的治愈率。B超具有無創、動態和廉價等特點，已成為甲狀腺結節術前檢查的首選方法[2]。當前，醫學圖像的臨床分析主要通過醫生對圖像的定性判別來完成。使用的特征和診斷標準不同，缺乏圖像特征的定量度量以及視覺感知上的差異,導致不同醫生對于同一病例的診斷結果存在差異。
超聲圖像的分類已被廣泛應用于肝臟、乳腺等處的不同疾病的計算機輔助診斷中。但由于甲狀腺癌生物學特性多變，多源性多種性質結節并存，從臨床表現和影像學特征上與良性病變常難以區別，使得普通超聲成像在甲狀腺疾病的診斷上價值有限，因此,目前針對超聲圖像的甲狀腺結節良惡性識別的研究也相對較少。此外，現在的多數圖像識別方法都是以神經網絡作為分類器對圖像進行分類，而且針對病灶特征的提取不全面，導致分類結果不甚理想。支持向量機(SVM)是統計學習理論最年輕、最實用的內容，現已成為繼神經網絡之后新的研究熱點。本文將臨床鑒別甲狀腺結節良惡性的依據進行分類、量化，并選擇出類間距最大的5個向量作為支持向量機的輸入向量組合,對樣本進行識別分類。
1 甲狀腺結節超聲圖像的特征提取
在臨床應用中，醫生一般根據表1列出的特征來判別甲狀腺結節的惡性和良性[3]。由表1可知，惡性結節圖像和良性結節圖像在形狀、邊界、回聲和鈣化等特征上都存在不同，結節的良、惡性可以依據這些特征的差異區別開。
RB在一定程度上與成像儀器和設置參數有關。
1.2.6 鈣化特征
在高頻超聲圖像上，鈣化可分為微鈣化(≤1 100 u的針尖樣強光點)、粗鈣化(>1 100 u的強光團)和弧形鈣化(腫塊表面弧形或環形強光帶后伴聲影)3種類型。經臨床證實，惡性組中鈣化檢出率明顯高于良性，而且大部分為微鈣化。針對此種特性，采用鈣化度(Calcification)進行量化。
設鈣化≤1 100 u的強光點內像素個數為v1,微鈣化點的個數為n，結節內像素點總數為v，鈣化度定義為：
類間距D越大，則表示該特征對于分類識別的能力越強。由表2可以觀察到有5個特征的類間距大于1，分別是不規則度、衰減系數、縱橫比、緊致度和鈣化度，說明這5個特征對于甲狀腺結節的良惡性識別能力較強。其中,不規則度特征的類間距為1.954 7，表明結節不規則度是區分結節的良惡性最有效特征。本文提取不規則度、衰減系數、縱橫比、緊致度和鈣化度作為特征向量組合，對樣本進行識別。
2 支持向量機原理
SVM是基于統計學習理論發展而來的一種新的機器學習方法[4]。其基本思想是：通過分析相關性找到空間映射函數，將輸入向量映射到高維特征空間，在映射后的空間中尋找一個最優的分界面(超平面)。在尋找最優分界面時，依據結構風險最小化原則，得到的最優分界面不但能將兩類無錯誤地分開,而且使兩類分類間隔(Margin)最大，并巧妙地利用原空間的核函數代替高維特征空間中的點積，避免了復雜計算。
K(xi,xj)被稱為核函數，SVM的基本核函數主要有線性核函數、多項式核函數、徑向基函數和Sigmoid函數：
經過驗證，C=100，δ=0.5時,診斷系統處于最佳狀態。
甲狀腺結節良惡性的診斷需要綜合運用臨床、影像和病理學等知識和技術手段，早發現、早治療仍然是現階段有效提高惡性結節治愈率的主要措施。本文將各類特征進行精確量化，選取緊致度、不規則度、縱橫比、衰減系數和鈣化度作為特征向量組，采用徑向基函數作為支持向量機的核函數進行分類。該識別方法對甲狀腺結節超聲圖像具有較高的分類準確性,準確率達到91.25%，有望提高甲狀腺癌超聲早期診斷的準確性。
參考文獻
[1] POLYZES S A，KITA M，AVRAMIDIS A． Thyroid nodules-stepwise diagnosis and management[J]．HORMONES,2007，6(2)：101-119．
[2] 羅斌鈺，趙詠桔．超聲檢查在甲狀腺結節術前鑒別診斷中的作用——一項2890患者、4 165結節的超聲-
病理分析[J]．中華內分泌代謝雜志，2010，26(4)：282-284．
[3] 呂珂，姜玉新,張縉熙，等．甲狀腺結節的超聲診斷研究[J]．中華超聲影像學雜志，2003，12(5)：285-288．
[4] 張學工．關于統計學習理論與支持向量機[J].自動化學報，2000，26(1)：32-41．