一种在超声影像中自动识别肝脏肿瘤类型的方法
【技术领域】
[0001 ]本发明涉及医学影像处理领域，更具体地，涉及一种在超声影像中自动识别肝脏肿瘤类型的方法。
【背景技术】
[0002]肝脏肿瘤是第五常见的肿瘤，同时也是癌症中致人死亡的第二大杀手，肝脏局灶性病灶(FLLs)是肝脏中不正常的固态或囊性肿块。在肝癌早期发现FLLs与对FLLs的诊断对肝癌的治疗有重要的意义。而在诊断的过程中，医学影像担任了十分重要的角色，特别是近年来，随着成像技术的发展，医学影像在诊断中的地位越来越重要。医学影像包括了电子计算机断层扫描(CT)，磁共振成像(MRI)，超声成像(US)等，其中CT和MRI需要高昂的成本，复杂的器械，CT成像还会造成电离辐射。而超声成像因为其价格低，成像快，非侵入方式成像的特点得到了越来越广泛的应用。但由于超声的成像机理，超声成像得到的图像模糊、分辨率低且信噪比低。最近提出的超声造影成像(CEUS)方法，通过对FLLs在一个时间段内持续成像，研究FLLs在一定时间内的动态增强模式。通过研究FLL区域随着时间相对于周围健康组织的区别和变化，CEUS能够显著提高FLLs的检测结果。使用CEUS影像进行辅助诊断，不仅能帮助医生获得更多的信息，提高诊断的效率，同时还能为病人减少不必要的痛苦。
[0003]在实际使用CEUS影像对肝脏肿瘤的进行诊断过程中，医生通常先向病人血管内注入造影剂，随着造影剂在体内随着血液的流动，CEUS影像会形成平扫期、动脉相、门脉相、延迟相四个主要时期。各个区的持续时间以及成像特点均有所不同。放射科医生在辨识FLLs，一般通过观察病灶区域在三个时期(动脉期，门脉期，延迟期)的增强变化模式进行诊断。门脉期和延迟期主要用以在区分恶性癌症和良性癌症。恶性癌症，如肝细胞肝癌(HCC)，和良性癌症，如肝血管瘤(HEM)、肝脏局部结节性增生(FNH)时，大部分的恶性癌症在门脉期和延迟期都呈现低增强，而大部分的良性癌症则呈现平增强或高增强。另一方面，动脉期可以为区分具体的肝癌类别提供有用的信息。比如，绝大部分的HCC病例在动脉期呈现区域高增强，而一部分病例则不均匀增强或在一个较大的结节周围呈现环状增强;在良性病例中，大部分的HEM病例呈现外围结节性增加，另一部分则呈现快速的均匀高增强;FNH病例则可能在动脉期呈现出轮辐状增强或均匀高增强。以上这些同种病例中不同的变化也会在诊断时被考虑进去。
[0004]在当前阶段，诊断的准确性很大程度依赖于诊断医生的经验和水平。在诊断时，医生们经常需要反复查看整段CEUS影像，在影像中找出病灶的位置和病灶的成像模式，最后根据自身或文献中的医学知识，对病例进行诊断。上述肝癌的这种多样、复杂的增强模式也为区分不同的FLL类别带来了很大的困难，加之CEUS成像模糊，需要有经验的医生进行细致的观察才能辨认与诊断。这通常需要花上大量的时间的精力来处理每一个病例。同时，一段CEUS影像的长度通常有3?5分钟，当病人的数量与数据增大时，无疑会需要大量医生的劳力及时间。
[0005]另一方面，最近几年计算机视觉领域发展迅猛，在自然图像、影像领域已经取得了许多不错的成果。如物体识别、定位、检测，场景的划分、分割，视频的跟踪、动作识别乃至语义解析等等。随着机器学习领域的快速发展，计算机视觉与机器学习领域越来越密切的结合，计算机视觉开始不仅仅简单的对图像、视频本身进行处理，而开始能对图像、视频的内容甚至语义进行理解、处理。在部分数据集上，方法对其中物体检测的准确率甚至已经超过了人类本身。而医学影像在计算机中的数据与结构，与自然图像并没有本质的区别，都是以一个数值代表一个像素的信息。所以计算机视觉里面的方法与技术，可以转化到医学影像领域。计算机视觉里对图像及视频内容的解析方法，同样可以在医学影像领域得到实践与应用。若能实现对医学影像的解析与理解，将可以使用计算机来辅助医生进行辅助诊断，通过给出影像中的关键部分与关键时间，给出影像中成像以及变化特点，将可以为医生的诊断节省大量的时间。而对于新医师来说，计算机辅助诊断(CAD)系统能帮助或指导他们识别病变，对训练出有经验的医生有重要的帮助。所以在实际中，对医学影像的解析有着十分可观的应用前景和价值。
[0006]如前所述，随着医学影像处理技术，机器学习、模式识别和计算机视觉技术的发展等计算机技术的发展，CAD系统也得了发展和应用。在乳腺癌等许多其他医学领域，CAD系统已经通过辅助医生对医学图像的分析与解释，获得了不错的效果。目前，CAD系统对医学影像的处理，较为成熟的技术主要包括去噪、分割、配准、3D重建等等。去噪包括对影像的预处理，如调整对比度，锐化图像等，使得成像更有利于医生的观察;分割则将一副图像或图像序列中相同的器官或者区域与其他部分分离出来，一般为CAD系统的下一步处理做准备;配准则是将同一个病例的不同种类医学影像的相同部分匹配，使得医生能够更为方便的在不同的医学影像中查看相同的区域;CT等一些技术的成像是逐层扫描人体某一部位，形成二维断层图像，3D重建将这些二维图像组合，形成器官或者区域的三维模型。
[0007]虽然当前CAD系统在以上这些方面都有了一定程度的应用，但大多都在对医学影像进行处理，现有的系统主要集中在组织、器官的分割，局灶性病变的交互式以及自动分害J，边缘检测等。对医学影像的处理也大多集中于CT等这类成像清晰，易于处理的影像上。在CEUS影像中对FLL进行识别诊断这一个部分，由于CEUS影像中病灶区域在三个造影阶段中的扰动及多样的成像模式，现在鲜有CAD系统能在CEUS影像中对FLLs进行分析识别。即使一些前沿的方法也依赖于手工确定出FLLs的位置和区域。人工标注的好坏与标注医生的技术与领域知识高度相关，而不同的医生也会对病灶会有不同的理解，会造成标注的时间及位置略有不同。另一方面，随着获取及处理技术的提高，CEUS数据的数量在以相当高的速度增长，人工标注需要耗费医生大量的时间。所以，全自动对FLLs进行分析诊断的CAD系统是极为必要的。
[0008]在医学影像处理领域，在CEUS影像中对肝脏局灶性病灶进行识别的工作并不是很多。部分方法使用了二次曲线来拟合病灶区域的平均灰度在时序上的变化，以此来表示CEUS成像中病灶的成像模式，以此来区分病灶类型，将FNH和其他病灶类型分开;或将病灶区域手工分割出来，使用级联的多个神经网络，来对病灶进行分类。还有方法提出了动态血管模式(DVP)来表示病灶的成像特点，测试时通过人工在某一帧标注出周围的正常组织区域与病灶区域，能自动生成出整个影像中两个部分的平均灰度的曲线，再使用这个曲线去区分良性和恶性肿瘤，有着相当不错的效果。在以上的这些工作中，都或多或少的需要一定程度上的交互，手工确定出病灶区域或者正常组织的位置。人工交互严重依赖于操作人员的知识、技能与经验，很容易造成不同的医生对同一个病例有不同的解释，造成结果的扰动。另一方面，随着现在超声影像数据的不停增长，如果医生对每一个病例都需要进行手工交互，将会消耗医生大量