本发明属于肿瘤检测技术领域,具体涉及一种基于动态增强磁共振成像的乳腺肿瘤定位分析方法。
背景技术:
乳腺疾病是影响全球女性的最常见疾病之一,乳腺癌的发病率约为10%~15%,是中国女性发病率最高的癌症。早期发现和治疗可以显著提高乳腺癌的疾病存活率。在基于人群的乳腺筛查中,应用最广泛的是乳腺钼靶x线摄影。但针对高危患者,通常建议进行动态对比增强磁共振成像(dce-mri)筛查。dce-mri敏感度较高,尤其是对乳房密度较大的年轻患者。此外,dce-mri扫描技术可提供乳腺病灶在血流动力学、形态学等多方面的信息,有助于病灶的发现、定位及定性,已经得到放射科医生的广泛认可。
但与其他检查方式相比,乳腺dce-mri的检查依赖于许多因素,如阅读者的专业知识和充分的可视化技术的使用,因此在筛查和定性方面,特异性更加多变。这一事实可能导致大量的假阳性结果。此外,乳腺mri分析需要对四维dce数据进行解释,以及与其他mri成像序列多参数数据的相关性,因此是一项耗时的工作。
目前临床实际应用中,基于dce-mri的乳腺定量及定性的分析方法为,放射医师利用mri图像工作站,这些系统主要通过对乳房组织增强期间每个体素的强度变化进行颜色编码来提供自动动力学评估。人工操作获得乳腺病灶强化区域的时间-信号强度曲线(tic)。tic曲线的形态类型按照kuhl等的标准分为:增长型(i型)、平台型(ii型)和廓清型(iii型)。通过tic曲线的分类结合病灶部位形态学特征来鉴别乳腺病变的良恶性,iii型曲线常常提示为恶性病变,i型曲线则多为良性病变,虽然良、恶性病变的tic曲线类型明显不同,但其仍有重叠部分,尤其在ii型曲线下。
专业工作站的自动化评估有助于解释mri体积中对比度增强的模式,但仍需要人工来识别和表征可疑区域,这增加了误诊和漏诊乳房病变的风险,并可能导致观察者内部的可变性。
技术实现要素:
本发明旨在减少分析时间,提高灵敏度和特异性;帮助放射科医生发现容易忽略的微小病变,降低误诊漏诊率,减轻医生诊断工作量,达到综合提高诊断效率的目的。
具体技术方案为:
基于动态增强磁共振成像的乳腺肿瘤定位分析方法,包括以下步骤:
首先,校正运动伪影和分割乳房;
其次,结合斑点和相对增强体素特征对乳腺区域进行初步定位;
然后,通过结合候选区域的形态学和动力学特征,在进行病灶区域的良、恶性检测分类,并确保较低的假阳性;
最后,利用自由响应操作特性分析对算法性能进行评估。
具体包括以下步骤:
(1)运动校正
在患者dce-mri图像采集过程中,需对数据进行校正,移除运动伪影;
通过将基于多级b-样条的多分辨率优化与自由变形相结合的配准算法,将对比增强后时间点即t1~tn的图像映射到对比增强前采集的t0上;利用随机梯度下降优化器和互信息相似性度量方法,研究信号强度随时间变化的情况;
为了避免增强病灶区域的局部体积变化,需要设置较粗的间距;对于三种分辨率,b-样条网格间距分别设置为160、80和40mm。
(2)乳腺分割
后续对肿瘤的定位检测的区域集中于乳房组织上,事先分割出乳腺部位,即感兴趣区域;将获取胸肌和胸壁区域分割方法应用于增强前的dce-mri体积t0;使用概率图谱提供的空间信息;
概率图谱是包含体素属于一个或多个器官的概率的完整空间分布的集合;三个概率图谱分别代表女性乳房小、中、大的差异;乳房的大小是通过胸骨沿前后轴从乳房前部到冠状面之间的距离来测量的,这个距离记作dap;选择大图谱分割dap大于95mm的患者,中图谱分割dap在66和95mm之间的患者,小图谱分割dap小于66mm的患者;
(3)病灶候选检测
完成乳腺组织分割后,需要选出增强后的体素候选以进行后续处理;利用已标记体素数据训练的分类器,结合从相对信号增强rt得到的体素特征,计算异常的可能性;在造影剂注射后的特定时间点t的相对信号增强被定义为rt=(tt-t0)/t0;
选取dce-mri数据增强后的第一个时间点t1进行病灶检测和形态评估,使用r1来计算特征;第一个特征是在不同尺度δr上平滑值
第一个测量b1(δb)基于高斯拉普拉斯算子,其中δb表示斑点的大小;第二个测量b2(δb)使用来自hessian矩阵的特征值来表征斑点;斑点特征值λ1、λ2、λ3,满足|λ1|≥|λ2|≥|λ3|;使用的亮斑增强措施计算如下:
在这个阶段总共选用16个特征:10个
选择随机森林分类器计算该阶段异常特征的可能性;将一种贪婪的特征选择作为其学习算法的一部分;将树的最大数目和最大深度分别设置为500,使用特征数n=16;通过对所有树的平均输出,计算第一阶段给出的异常可能性;
训练体素候选检测分类器以检测乳腺恶性病变时,异常样本和正常样本的比例为1:5;对于异常组,采集病变注释内相对信号增强r1体素值最高的样本;对于正常组,随机选择r1>0正常病例的乳腺体素样本;最后,利用前面描述的特征计算出体素似然图的局部极大值,通过半径为5mm和20mm的球形核两阶段扫描,来确定最终检测阶段的候选病灶;
(4)区域分类
计算每个候选病灶的恶性可能性以获得最终cad标记;首先,将步骤(3)中获得的病灶候选位置作为种子点,利用智能开操作算法进行三维区域自动分割;对于病变的手工注释,将智能开操作应用于第一次造影后和造影前的减影上;其次,使用形态学和动力学特征对减少假阳性率的分类器进行训练;
为了表征病灶形态,基于候选的病灶分割计算以下特征:
1.体积,cm3;
2.边缘锐度和方差,考虑边缘梯度不均匀性以及沿边缘的方差,提供病灶边界划分程度的度量;
3.圆度,定义为病变体积占相同体积球体体积的百分比;
4.不规则度,描述分割的病灶表面的平滑程度;
5.凹凸度,通过将分割后的凸包表面与实际候选病灶表面进行比较计算得到;
6.径向梯度分析,测量病灶边缘指向病灶中心的梯度;
7.有效直径;
8.延伸程度;
为了表征在每个体素上测量的动力学曲线,使用了四个动力学特征,包括最大相对信号增强me、峰值时间ttp、吸收速率ur和冲洗速率wr;定义如下:
1.me=max(rt:t=0,…,n)
2.ttp=tp,p=argmax(rt)
3.ur=me/ttp
4.
在最终的区域分类步骤中,总共使用了25个特征;包括前一阶段中异常的可能性,8个形态特征,整个病变候选范围的每个动力学参数的平均值和标准差,以及在最可疑区域内测量的每个动力学参数的平均值和标准差;最可疑区域被定义为,在第一次增强时间点处,表现出最强相对信号增强的3×3×3体素体积;区域分类器的训练集由人工手动注释分为异常组和正常组。
本发明提供的基于动态增强磁共振成像的乳腺肿瘤定位分析方法,基于计算机辅助诊断的乳腺肿瘤诊断,可实现较快速地病灶定位及良、恶性分析,在每例病例允许单个假阳性情况下,恶性病灶检测灵敏度为83%。为医生提供便捷,减轻工作负担,减少漏诊、误诊率,提高诊断效率。
具体实施方式
结合实施例说明本发明的技术方案。
本发明的处理算法首先校正运动伪影和分割乳房;其次,结合斑点和相对增强体素特征对乳腺区域进行初步定位。然后,通过结合候选区域的形态学和动力学特征,在进行病灶区域的良、恶性检测分类,并确保较低的假阳性。最后利用自由响应操作特性分析(froc)对算法性能进行评估,该方法在可接受的假阳性数量下,检测恶性病变时具有高灵敏度。数据显示若允许每例正常样本存在0.1,1,4或7个假阳性结果,其灵敏度分别为0.71,0.83,0.90和0.95。
具体的:
(1)运动校正
患者在dce-mri图像采集过程中,由于呼吸等运动引起的位移无法避免,这些可能影响病灶的运动特征,故需对数据进行校正,移除运动伪影。
通过将基于多级b-样条的多分辨率优化与自由变形(ffd)相结合的配准算法,将对比增强后时间点(t1~tn)的图像映射到对比增强前采集的t0上。利用随机梯度下降优化器和互信息相似性度量方法,研究信号强度随时间变化的情况。同时,为了避免增强病灶区域的局部体积变化,需要设置较粗的间距。对于三种分辨率,b-样条网格间距分别设置为160、80和40mm。
(2)乳腺分割
后续对肿瘤的定位检测的区域集中于乳房组织上,而不包含胸部,手臂和胸肌等。为了减少假阳性结果,需要事先分割出乳腺部位,即感兴趣区域。将一种获取胸肌和胸壁区域分割方法应用于增强前的dce-mri体积t0。使用概率图谱提供的空间信息。概率图谱是包含体素属于一个或多个器官的概率的完整空间分布的集合。本研究中,三个概率图谱分别代表女性乳房小、中、大的差异。乳房的大小是通过胸骨沿前后轴从乳房前部到冠状面之间的距离来测量的,这个距离记作dap。选择大图谱分割dap大于95mm的患者,中图谱分割dap在66和95mm之间的患者,小图谱分割dap小于66mm的患者。
(3)病灶候选检测
完成乳腺组织分割后,需要选出增强后的体素候选以进行后续处理。由于在注射造影剂后,除囊肿之外的所有乳腺病灶均会出现信号强度增强,这些增强的体素被怀疑属于乳腺病变。利用分类器(使用已标记体素数据训练),结合从相对信号增强(rt)得到的体素特征,计算异常的可能性。在造影剂注射后的特定时间点t的相对信号增强被定义为rt=(tt-t0)/t0。
选取dce-mri数据增强后的第一个时间点t1进行病灶检测和形态评估,使用r1来计算特征。第一个特征是在不同尺度δr上平滑值
在这个阶段总共选用16个特征:10个
训练体素候选检测分类器以检测乳腺恶性病变时,异常样本和正常样本的比例为1:5。对于异常组,采集病变注释内相对信号增强r1体素值最高的样本。对于正常组,随机选择r1>0正常病例的乳腺体素样本。最后,利用前面描述的特征计算出体素似然图的局部极大值,通过半径为5mm和20mm的球形核两阶段扫描,来确定最终检测阶段的候选病灶。
(4)区域分类
计算每个候选病灶的恶性可能性以获得最终cad标记。首先,将步骤(3)中获得的病灶候选位置作为种子点,利用智能开操作算法进行三维区域自动分割。对于病变的手工注释,将智能开操作应用于第一次造影后和造影前的减影上。其次,使用形态学和动力学特征对减少假阳性率的分类器进行训练。
为了表征病灶形态,基于候选的病灶分割计算以下特征:
1.体积(cm3)。
2.边缘锐度和方差,考虑边缘梯度不均匀性以及沿边缘的方差,提供病灶边界划分程度的度量。
3.圆度,定义为病变体积占相同体积球体体积的百分比。
4.不规则度,描述分割的病灶表面的平滑程度。
5.凹凸度,通过将分割后的凸包表面与实际候选病灶表面进行比较计算得到。
6.径向梯度分析,测量病灶边缘指向病灶中心的梯度。
7.有效直径。
8.延伸程度。
为了表征在每个体素上测量的动力学曲线,使用了四个公认有效的动力学特征,包括最大相对信号增强(me)、峰值时间(ttp)、吸收速率(ur)和冲洗速率(wr)。定义如下:
1.me=max(rt:t=0,…,n)
2.ttp=tp,p=argmax(rt)
3.ur=me/ttp
4.
在最终的区域分类步骤中,总共使用了25个特征。这些包括前一阶段中异常的可能性,8个形态特征,整个病变候选范围的每个动力学参数的平均值和标准差,以及在最可疑区域内测量的每个动力学参数的平均值和标准差。最可疑区域被定义为,在第一次增强时间点处,表现出最强相对信号增强的3×3×3体素体积。区域分类器的训练集由人工手动注释分为异常组和正常组。