直肠癌淋巴结转移的智能诊断

来源:用户上传      作者:

　　摘  要：直肠癌是消化道最常见的恶性肿瘤之一。近几年在中国直肠癌发病率表现为明显的升高趋势，男性发病率排名第五，女性发病率排名第四，死亡率男女均为第五。直肠癌患者是否有淋巴结转移对治疗方案的决策以及病人预后处理有重要的影响，因此对是否有淋巴结转移的准确判断是直肠癌治疗的重要步骤。直肠癌肿瘤本身的特性和周围淋巴结转移存在一定的关联性。
　　关键词：直肠癌  恶性肿瘤  淋巴结转移  视觉分析
　　中图分类号：R735           文献标识码：A 文章编号：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
　　直肠癌是指从齿状线至直肠乙状结肠交界处之间的恶性肿瘤，是消化道最常见的恶性肿瘤之一[1]。近几年，在中国，直肠癌的发病率越来越高，特别在一些大城市，它已经跃居至恶性肿瘤发病率排行榜前三位[2]。直肠癌肿瘤本身的特性和周围淋巴结转移存在一定的关联性，所以，在对该问题的思考中，我们组希望能从赛题中获取一丝解决这些问题的灵感，也期待我们组通过对直肠癌CT影像特征的判断来对淋巴结转移的情况，给其他在这方面钻研的学者带来一点思考[3]。
　　1  直肠肿瘤分割
　　1.1 图像分割方法
　　图像分割可以提取图像的特征，对于图像来说，它是进行视觉分析和模式识别的基本前提，根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同[4]。
　　有些分割算法可直接用于任何图像，而另一些算法只能适用于分割特殊类别的图像。有些算法需要先对图像进行粗分割，因为它们需要从图像中提取出来的信息。边缘检测法、阈值分割法、区域生长法和基于分水岭算法是4种经典的分割方法。图像分割没有唯一的标准，结果的好坏需要根据具体的场合要求衡量。考虑到我们从MicroDicom软件转化出来的png格式图片，在比较的一些常用的图像分割方法之后，我们组采用的是全局阈值方法进行分割。下面是图像分割的一些方法和图像处理的一般思路。
　　1.1.1 区域生长法
　　区域生长是一种基于传统的区域生长机制，是将具有相似性质的像素集合起来构成区域，利用区域内像素的相似性进行图像分割的图像处理算法。该方法需要先選取一个种子点，然后依次将种子像素周围的相似像素合并到种子像素所在的区域中然后以所合并的新像素点作为起点，继续向各个方向生长，重复上述过程，直到没有符合的像素点为止。与阈值分割类似，区域增长也很少单独使用，往往是与其他分割方法一起使用，特别适用于分割小的结构如肿瘤和伤疤。
　　1.1.2 分水岭分割法
　　分水岭算法的基本思路是将图像看作地理上的图形，如果我们将图像中的每个像素点的灰度值比作地理海拔，则灰度值较小的像素集合所形成的区域则可以看作盆地，灰度值较高的像素则可以看为山峰，在盆地与山峰的边缘便形成了分割线。
　　1.1.3 边缘检测法
　　图像边缘对于图像分割的识别来说作用是有些明显的，因为在进行图像分析时，先对图像进行边缘检测，边缘可以描述出图像的大致信息，使用户能够一目了然地了解图像信息。从根本上来看，图像边缘其实就是图像灰度值的基础上，试图根据图像梯度等信息找出能正确表、示边界的曲线，找出灰度值离散的、不相关的边缘点，然后将其看作两个部分的分界线。 　　1.2 阈值分割法
　　阈值分割算法是图像处理中具有代表性的一类非常重要、经典的分割算法。以一定的图像模型为依托，通过取阈值后得到的图像，各个区域可以分离开，不仅简单易实现，而且特别适用于灰度均匀、变化较小、不同目标背景差异较大的图像。最常用的图像模型是假设图由具有单峰灰度分布的目标和背景组成。直接的阈值分割一般不能适用于复杂景物的正确分割，如自然场景，因为复杂景物的图像，有的区域很难判断究竟是前景还是背景。不过，阈值分割在处理前景和背景有很强的对比的图像时特别有用，此时需要的计算复杂度小，这种方法这也是与我们组运用MicroDicom 软件转化出来的png图像是符合的。当物体的灰度级比较集中时，简单地设置灰度级阈值提取物体是一个有效的办法。
　　阈值方法分为可全局阈值和动态阈值两种。如果分割过程中对图像上每个像素所使用的阈值都相等，则为全局阈值方法;如果每个像素所使用的阈值可能不同，则为局部阈值方法。考虑到我们从MicroDicom 軟件转化出来的png格式图片，我们组采用的是全局阈值方法进行分割。最佳全局阈值的确定的常用方法一般有下面几种：试验法、直方图法、最小误差法（这种方法是假设背景和前景的灰度分布都是正态分布的）。
　　1.3 DICE指标分析
　　根据赛题源文件给出的评价指标，使用Dice来评价我们分割出来的图像的分割效果，即评价分割图像结果与医生人工勾画结果的相似性。Dice由以下公式计算：
　　其中，P表示我们组分割出来的图像区域，G表示医生人工勾画的图像区域，|P∩G|为两个图像区域集合的交集，|P|+|G|为两者的并集。Dice的值域为[0，1]，取值越接近1表明直肠肿瘤分割的结果与医生给出的结果越接近。采用提供的107人中的动脉期影图像作为我们组的训练样本，采取预处理后把训练样本做阈值为0.1的处理，将处理之后的图像与医生给出的掩模图像做比较，具体的评价过程如下。
　　（1）从所有的病人中按照随机抽样的原则，即每个病人被抽中的概率都是相等的，抽取5组经过分割后的病人的掩模图像，抽取的病人为1004、1033、1068、1072、1099这5位。
　　（2）以这5位病人分割出来的掩模图像分别与医生的勾画的图像为变量，分别求出处理后的图像与医生勾画出的图像的Dice系数，根据每个小Dice系数求每个病人的总体Dice系数。
　　（3）最后一步，把每个病人的Dice系数加总起来求出均值Dice系数，以其作为分割的总体评价指标。
　　Dice=（0.8648+0.8615+0.7125+0.8663+0.7267）/5=0.80636
　　2  CT图像中直肠癌肿瘤区域的影像特征
　　图像识别实际上是一个分类的过程，为了识别出某图像所属的类别，我们需要将它与其他不同类别的图像区分开来。这就要求选取的特征不仅要能够很好地描述图像，更重要的是还要能够很好地区分不同类别的图像。
　　2.1 灰度特征
　　当造影剂静脉注射入到血管后，直肠所在的区域图像会增强，肿瘤相对于正常直肠壁来说会比较明显，软组织器官会显示的更亮一点。而CT图像是以 DICOM文件格式存储的文件，在直肠癌肿瘤区域灰度值比较高。题目给出的数据中的DICOM文件本身就已经是512×512像素的，所以相应的窗宽、窗位也就不用进行加窗显示来调整了，在显示出直肠区域的组织器官结构方面，方便后面进一步进行组织器官的操作。但是如果只考虑灰度特征的话会产生过分割的现象。
　　2.2 纹理特征
　　纹理特征是一种全局特征，普遍存在于自然界中，是一种重要的视觉特征。也是在计算机视觉领域内使用比较广泛的一种方法，因为纹理特征较稳定，不易受到图像平移、旋转和尺度大小变化的影响，能很好地对目标CT图像区域的灰度值信息分布进行定量、稳定的特征描述。在注射造影剂的条件下，发现给出的直肠CT动脉期扫描图像中直肠癌区域与相邻区域的灰度值具有较强的差别。
　　2.3 形状特征
　　形状特征是一种包括了肿瘤形状的特征，如肿瘤的体积以及表面积等。我们采用的是目标面积法对肿瘤进行特征提取，即通过分割的掩模图像计算其表面积。
　　3  肿瘤影像特征与淋巴结转移的相关性验证
　　在此将图像灰度分布均匀程度和纹理粗细度称之为“能量”;将空间灰度共生矩阵元素在行或列方向上的相似程度定义为“相关”，可以这么理解，相关值的大小反映了图像中局部灰度值的相关性;将图像中纹理的复杂程度成为“熵”;在讨论良久之后，我们组将以上3个变量与图像主对角线的惯性矩即反差构建 Logist模型，结合之前分割出来的目标区域图像与分析的图像特征综合考究患有直肠癌与淋巴结转移的相关性验证。
　　参考文献
　　[1] 寇毛蕊，杨新国.医学图像分割系统设计[J].长春师范大学学报，2018，37（12）：38-44.
　　[2] 艾飞玲，马圆，田思佳，等.深度学习在医学图像分析中的研究进展[J].北京生物医学工程，2018，37（4）： 433-438.
　　[3] 瞿祥和.基于图像硬度和边缘纹理特征量的肝纤维化诊断研究[D].广西大学，2016.
　　[4] 姜少杰.WNT5B维持Basal-like型乳腺癌表型的机制及影像监控下的靶向治疗[D].浙江大学，2019.
　　[5] 贾田颖.基于胸部CT的影像特征判别肺腺癌EGFR基因突变的探索性研究[D].上海交通大学，2017.
　　[6] 周玉容.介入分子影像引导下的乳腺癌精准诊疗[D]. 浙江大学，2016.
转载注明来源:https://www.xzbu.com/8/view-15310302.htm