Abstract
早期筛查是降低乳腺癌死亡率的重要手段。为了解决偏远、贫困地区医疗资源有限导致乳腺癌筛查率较低的问题，本文设计了一种基于便携式超声Clarius的乳腺癌辅助筛查系统。该系统在移动终端上对B超图像的肿瘤区域进行自动分割，在云服务器上利用超声射频数据进行肿瘤的良、恶性自动分类。本文研究实验结果表明，该系统对乳腺肿瘤分割准确率达到98%，良、恶性分类准确率达到82%，系统准确可靠。该系统架设方便、操作简单，便于偏远、贫困地区的患者进行乳腺癌早期筛查，有利于客观地对病情做出判断，是国内乳腺癌辅助筛查系统在移动终端上的首次实现。
Keywords: Clarius便携式超声, 超声射频数据, 乳腺癌筛查, 计算机辅助系统
Abstract
Early screening is an important means to reduce breast cancer mortality. In order to solve the problem of low breast cancer screening rates caused by limited medical resources in remote and impoverished areas, this paper designs a breast cancer screening system aided with portable ultrasound Clarius. The system automatically segments the tumor area of the B-ultrasound image on the mobile terminal and uses the ultrasound radio frequency data on the cloud server to automatically classify the benign and malignant tumors. Experimental results in this study show that the accuracy of breast tumor segmentation reaches 98%, and the accuracy of benign and malignant classification reaches 82%, and the system is accurate and reliable. The system is easy to set up and operate, which is convenient for patients in remote and poor areas to carry out early breast cancer screening. It is beneficial to objectively diagnose disease, and it is the first time for the domestic breast cancer auxiliary screening system on the mobile terminal.
Keywords: Clarius portable ultrasound, Ultrasound radio frequency data, Breast cancer screening, Computer-aided system
引言
乳腺癌已经成为女性癌症发病率之首，且恶性程度高、转移生长早，严重危害我国广大女性患者的生命健康[1]。对高危人群开展乳腺癌早期筛查，尽早发现乳腺病变，为乳腺癌的有效治疗提供最佳时机，可显著降低死亡率[2]。超声因其无创无辐射、检测费用低等优点，成为检测乳腺癌的首选方法之一。但传统超声检测设备体积庞大、价格昂贵，运输不便导致应用场景受限，仅能简单地生成被测部位图像，后续病情还需专业医生诊断，难以应用于偏远、贫困地区的乳腺癌早期筛查。
由于诊断方式不同，乳腺癌超声诊断技术可分为人工诊断、计算机辅助诊断两类。人工诊断的准确性依赖于医生的临床从业经验，具有一定的主观性。Chang等[3]提出了使用计算机的乳腺癌诊断算法，基于B超图像实现了乳腺癌图像分割，并对比了随机森林、支持向量机（support vector machine，SVM）[4-5]和卷积神经网络的良恶性分类性能。Koun等[6]提出了先对图像进行斑点降噪有利于肿瘤的图像分割。邹波等[7-8]根据超声射频（radio frequency，RF）时间序列进行乳腺癌良、恶性分类，设计了基于科学计算软件Matlab（MathWorks，美国）的图形用户界面（graphical user interface，GUI）作为操作界面。但上述文献均基于大型超声诊断设备开展研究，设备体积庞大、操作复杂，不具备便携性，难以广泛应用于乳腺癌早期筛查。何培乾等[9]提出的便携式超声设备实现了与移动客户端互连，能传回清晰的图像，但只是简单地生成被测部位的图像，未进一步提供后续的肿瘤图像分割及良恶性诊断功能，无法实现偏远、贫困地区乳腺癌早期筛查过程中的辅助诊断。
针对以上问题，本文设计了一种便携式超声乳腺癌辅助筛查系统。首先，通过便携式超声探头Clarius L7（Clarius Mobile Health Inc.，加拿大）采集RF数据；然后，将RF数据传输至移动终端进行肿瘤区域的自动分割，并显示分割结果；再将分割出的肿瘤区域内的RF数据传输至云服务器（IW4211-8Gs，思腾合力（天津）科技有限公司，中国）[10]进行良、恶性分类；最后，将分类结果实时返回至移动终端。本文基于应用程序开发软件Qt-creator[11-12]（5.14，Digia Inc.，芬兰）平台，通过生成可供电脑（.exe）或手机（.apk）等移动终端直接安装的该筛查系统的可执行文件，实现了全国首款便携式超声乳腺癌辅助筛查系统，有助于偏远、贫困地区全面开展乳腺癌早期筛查。
1. 系统整体设计
如图1所示，便携式超声乳腺癌辅助筛查系统由便携式超声探头、移动终端以及云服务器三个部分组成：① 便携式超声探头采集RF数据，通过无线网络传输至手机、笔记本电脑等移动终端；② 在移动终端生成B超图像，并对肿瘤区域进行图像分割，依据分割结果提取肿瘤区域内的RF数据并传输至云服务器；③ 在云服务器上进行肿瘤的良、恶性分类，并将分类诊断结果实时返回至移动终端。其中，便携式超声探头Clarius L7（Clarius Mobile Health Inc.，加拿大）为线阵探头，带宽为4～13 MHz，体积为165 × 78 × 38 mm3，重量为364 g，单次最大使用时长为60 min。相比于其他品牌的便携式超声探头，该探头体积小、重量轻、续航时间长，方便携带。
图 1.
Block diagram of portable ultrasound-aided breast cancer screening system
便携式超声乳腺癌辅助筛查系统框图
使用时，在被测乳腺部位涂抹超声耦合剂，将便携式超声探头Clarius L7紧贴被测部位以实时采集RF数据，通过无线网络通信技术（Wi-Fi）/第五代移动通信技术（5th generation mobile communication technology，5G）将采集到的RF数据传输至手机、笔记本电脑等移动终端；在移动终端上生成B超图像，并利用基于最大类间方差的活动轮廓模型[13]在B超图像中精确分割肿瘤边界；根据分割结果提取肿瘤区域内的RF数据并通过Wi-Fi/5G传输至云服务器上，计算肿瘤区域内的熵[14]、纵横比、似圆度、平均标准径向长度[15]等4个特异性特征以进行良、恶性分类，最终将上述特征及分类结果返回移动终端，形成辅助诊断报告。基于应用程序开发软件Qt-creator（5.14，Digia Inc.，芬兰），已开发完成可供电脑（.exe）或手机(.apk)直接安装该系统的可执行文件。
2. 方法
2.1. 肿瘤区域的自动分割
该系统的肿瘤区域自动分割过程如图2所示。在移动终端获取RF数据后，经希尔伯特变换（Hilbert transformation，HT）、对数压缩生成B超图像。由于灰度图像可以减少冗余信息、减少运行时间、突出肿瘤区域轮廓，本文基于全局自适应阈值最大类间方差法将B超图像转换为灰度图像[16]，该算法通过计算前景与背景的方差以寻找类间方差最大的灰度值作为二值化阈值。为了确定肿瘤边界，对灰度图像进行腐蚀操作，连接分散斑点。根据肿瘤的形态学特征，在腐蚀后的图像中寻找最大连通域作为肿瘤区域并进行膨胀。最后，通过活动轮廓模型[17]进一步计算肿瘤的轮廓边界，并用蓝色圈线框出，从而实现自动、精细地分割肿瘤区域。
图 2.
Segmentation process of breast tumor image
乳腺肿瘤图像分割过程
根据肿瘤轮廓的分割结果，从原始RF数据中提取肿瘤区域内的RF数据，并通过传输控制协议（transmission control protocol，TCP）指定云服务器的网际协议（Internet Protocol，IP）地址和端口号，将肿瘤区域内的RF数据传输至云服务器上以进行下一步的良、恶性分类。
2.2. 乳腺肿瘤良恶性分类
依据文献[18]，本文选取熵、纵横比、似圆度、平均标准径向长度等4个对良、恶性肿瘤分类具有特异性的参数作为分类特征，其物理意义如下：
（1）熵：是描述信号混乱程度的物理量，熵越大说明信号所含信息量越多，其计算公式如式（1）所示：
 |
1 |
其中，H为熵，y为信号幅值，ymax为最大信号幅值，ymin为最小信号幅值，w(y)为幅值y的概率密度函数，即每种不同大小的幅值y出现的次数占总次数的比值。
（2）纵横比：是乳腺超声中应用较多的一个量化特征，是指肿瘤的纵向长度与横向宽度的比值（f）。该比值能够在一定程度上反映肿瘤良、恶性程度，通常良性肿瘤纵横比小于恶性肿瘤纵横比，其计算公式如式（2）所示：
 |
2 |
其中，h、W分别表示肿瘤的长度、宽度。
（3）似圆度：似圆度S用于定量描述肿瘤和圆形的相似程度，其计算公式如式（3）所示：
 |
3 |
其中，C为肿瘤边界周长，A为肿瘤区域面积。若肿瘤边界平滑，近似于圆或椭圆，似圆度小；若肿瘤边界不规则，似圆度大。
（4）平均标准径向长度：对于良、恶性肿瘤的边缘特征，临床上多以平均标准径向长度（davg）来衡量。如果边缘越平滑其平均标准径向长度越小，反之越大，其计算公式如式（4）所示：
 |
4 |
其中，N为肿瘤边缘点的个数，d(i)为标准化径向长度，其计算公式如式（5）所示：
 |
5 |
其中，分子为边缘上某点i到肿瘤区域中心点(
)的径向长度，(
)为点i的坐标，D是最大径向长度。
将分割后肿瘤区域内的RF数据的熵、纵横比、似圆度、平均标准径向长度4个特征送入云服务器上部署的SVM分类器，训练出适用于乳腺癌良、恶性分类的模型。
3. 移动终端软件系统设计
本文设计的系统可在电脑和手机上运行诊断程序，使用Qt-creator进行开发。Qt-creator使用计算机程序设计语言C++（Microsoft Corp.，美国）进行编写，可调用计算机编程语言Java（Oracle Inc.，美国）、Matlab、计算机视觉软件库OpenCV4.5.1（Intel Inc.，美国）等程序接口，具有良好的跨平台性，可以做到一次开发多平台实现。
诊断程序主要实现了图片选择模块、自动分割模块、特征提取模块、数据传输模块以及结果显示模块共6个功能模块，其设计架构如图3所示。
图 3.
Programming architecture
程序设计架构
3.1. 图片选择模块
使用Qt-creator的静态文本控件（QLabel）、窗口控件（QWidget）、文件控件（QFile）等控件设计了图片选择界面，该界面已实现以下五项功能以辅助医生诊断患者病情：① 打开RF数据生成B超图像；② 对B超图像进行上/下张切换；③ 对B超图像进行放大和缩小；④ 对B超图像进行任意角度旋转；⑤ 对B超图像进行亮度和对比度调节。
3.2. 自动分割模块
使用鼠标控件（QMouseEvent）等控件部署活动轮廓模型算法，并设计自动分割界面，该界面可实现：① 肿瘤区域的自动分割：使用基于最大类间方差的活动轮廓模型对肿瘤进行自动分割；② 分割边界的手动调整：记录自动分割的肿瘤边界坐标，通过触控屏幕将距离触控点最近的边界坐标更改为触控点所在的位置，实现边界的手动调整；③ 椭圆拟合：对自动分割、手动调整后的肿瘤边界进行椭圆拟合，并在图像上勾勒出拟合后的肿瘤区域。
3.3. 特征提取模块
该模块提取肿瘤区域内的RF数据，生成对应的B超图像，计算各特征参数，实现如下功能：① 特征参数显示：一是显示纹理特征，包括似圆度、对比度、信息熵、角二阶矩；二是几何特征，包括纵横比、椭圆相似度、方向角、肿瘤紧凑度；三是统计特征，包括均值、峰度、标准差、平均标准径向长度。② 灰度直方图显示：显示灰度直方图以辅助医生诊断。
3.4. 数据传输模块
在移动终端使用网络控件（QtNetwork）等控件设计了数据传输界面，该界面通过调用TCP协议，输入云服务器的IP地址和端口号，可实时传输乳腺RF数据和诊断结果。
3.5. 服务器处理模块
在服务器端设计了数据接收及诊断界面，该界面通过TCP协议接收从移动终端传输的乳腺RF数据，并提取熵、纵横比、似圆度、平均标准径向长度4个特征，送入部署好的SVM分类器，并将良、恶性分类结果返回至移动终端。
3.6. 结果显示模块
显示良、恶性诊断结果，给出诊断报告单，显示肿瘤的位置、大小以及诊断意见。
4. 实验结果与讨论
本文使用来自波兰科学院基础技术研究所的乳腺超声公开数据库（open access series of breast ultrasonic data，OASBUD）（网址为：http://bluebox.ippt.gov.pl/~hpiotrzk）[19]测试系统性能。该数据库的超声RF数据来自于78例患者（平均年龄49.5岁）的100例乳腺肿瘤，由具有18年临床经验的放射科医生使用超声诊断系统Sonix Touch（Ultrasonix Inc.，加拿大）和线阵换能器L14-5/38（Ultrasonix Inc.，加拿大）从水平和垂直两个方向采集，且包含了术后活检结果。所有患者均在检查前知情同意，数据采集时间为2013年11月-2015年10月。
4.1. 肿瘤自动分割结果
对乳腺癌肿瘤B超图像的分割结果如图4所示，本文方法的分割结果与医生标定的分割结果相近，能够有效将肿瘤和背景分割开。
图 4.
Comparison of image segmentation results
图像分割结果对比
本文使用图像分割常用的三种评价指标评估分割效果：戴斯相似性系数（Dice similarity coefficient，DSC）、准确率（accuracy，ACC）、精度（precision，PR）。定义医生标定的肿瘤区域为正类，背景区域为负类。DSC为模型分割部分与医生标定部分的交集与并集之间的比值，是医学分割中的金标准，其比例越大分割效果越好，完美重合时为1。ACC为分类正确的样本数除以样本总数，正确率越高分割效果越好。PR为分割精度，表示被分为正类的样本数占实际为正类的样本数的比例。DSC、ACC、PR计算公式分别如式（6）~式（8）所示。
 |
6 |
 |
7 |
 |
8 |
其中，真阳性（true positives，TP）：被正确分类为正类的个数；真阴性（true negatives，TN）：被正确分类为负类的个数；假阳性（false positives，FP）：被错误分类为正类的个数；假阴性（false negatives，FN）：被错误分类为负类的个数。
对100例乳腺癌B超图像进行分割，三种评价指标的均值 ± 标准差分别为：DSC（0.84 ± 0.06）、ACC（0.98 ± 0.01）、PR（0.88 ± 0.11），具有较好的分割效果。
4.2. 肿瘤良、恶性分类结果
计算100例乳腺癌RF数据的熵、纵横比、似圆度、平均标准径向长度这4个特征参数，如表1所示，列出了每个特征参数在所有良、恶性肿瘤样本内的均值±标准差。对样本进行t检验计算P值，所有特征参数的P值均小于0.05，差异具有统计学意义。并给出其受试者工作特征曲线（receiver operating characteristic curve，ROC）和曲线下面积（area under curve，AUC）来评价特征的分类水平，如图5所示。
表 1. Distribution of characteristic parameters.
特征参数分布
| 特征 | 良性 | 恶性 | P值 | AUC |
| 熵 | 0.82 ± 0.09 | 0.71 ± 0.18 | 1.77 × 10−4 | 0.71 |
| 纵横比 | 0.65 ± 0.24 | 0.92 ± 0.26 | 5.68 × 10−7 | 0.79 |
| 似圆度 | 0.83 ± 0.44 | 1.40 ± 0.97 | 3.10 × 10−4 | 0.71 |
| 平均标准径向长度 | 0.41 ± 0.06 | 0.39 ± 0.04 | 1.27 × 10−2 | 0.74 |
图 5.
ROC curves of 4 classification specific parameters
4种分类特异性参数的ROC曲线
熵、纵横比、似圆度、平均标准径向长度这4个特征参数的AUC值分别为0.71、0.79、0.71和0.74。使用SVM对这个4个特征参数进行分类，分类正确率达到82%，其算法得到的混淆矩阵如图6所示。
图 6.
Confusion matrix of SVM model
SVM模型混淆矩阵
在SVM模型的混淆矩阵中，TN的值为39，FN的值为9，FP的值为9，TP的值为43。其ROC曲线如图7所示，AUC值达到0.85说明选取的特征具有较好的分类效果。
图 7.
ROC curve of SVM model
SVM模型ROC曲线
4.3. 系统运行结果
本系统提供可供电脑直接执行的.exe文件以及可供手机安装的.apk文件。电脑端、手机端的诊断操作界面如图8所示，点击“自动分割”按钮可用绿色圈线勾勒出病灶区域，点击“椭圆拟合”按钮可用红色圈线勾勒出疑似病灶的范围，点击“一键诊断”按钮可对良、恶性乳腺癌进行分类，点击“诊断结果”按钮可显示辅助诊断报告单，报告单给出肿瘤的大小、形状、方位等描述，同时给出专业的超声诊断建议和肿瘤良、恶性诊断结果。
图 8.
Computer and mobile terminal interface
电脑端和手机端界面
5. 总结
由于乳腺癌临床数据采集周期较长，且良、恶性诊断结果需术后活检验证，本文初步使用OASBUD数据库测试系统性能。该数据库的超声RF数据由具有18年临床经验的放射科医生从水平和垂直两个方向采集自100例乳腺肿瘤，且包含了术后活检结果，被广泛应用于超声乳腺癌的研究工作[20-23]。据表2可知，OASBUD数据库使用的超声线阵换能器L14-5/38的中心频率、穿透深度等关键参数未超出便携式超声探头Clarius L7的测量范围，则上述数据库可用于测试本系统的分割、分类功能。然而Sonix Touch与便携式超声探头Clarius L7仍存在一定的差异性，使用本文系统采集临床数据更能充分准确地评估系统的有效性及临床适用性，这将是下一步研究工作的重点。
表 2. Comparison of ultrasound parameters between ultrasonic linear array transducer L14-5/38 and potable ultrasonic probe Clarius L7.
超声线阵换能器L14-5/38与便携式超声探头Clarius L7超声参数对比
| 参数名称 | L14-5/38 | Clarius L7 |
| 中心频率 | 10 MHz | 4～13 MHz |
| 深度 | 3～5 cm | 0.1～11 cm |
| 采样频率 | 40 MHz | 两倍中心频率 |
| 帧频 | 15 Hz | 1～20 Hz |
| 声速 | 1 540 m/s | 1 620 m/s |
| 阵元个数 | 128 | 192 |
本文设计了一种便携式超声乳腺癌辅助筛查系统。在测试环境下，该系统已实现了便捷、准确的乳腺癌诊断，不仅携带方便、操作简单，还能够将乳腺肿瘤轮廓可视化，生成了包含肿瘤深度、尺寸、良恶性分类等多项诊断特征参数的辅助诊断报告单，有望应用于贫困、偏远地区的乳腺癌早期筛查，可有效提高筛查准确率、降低乳腺癌死亡率。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突；
作者贡献声明：王致诚：提出系统设计思路并实现；何冰冰、张榆锋：指导系统实现过程及论文写作；李支尧：临床指导；姚瑞晗：数据分析；黄凯：系统测试。
Funding Statement
国家自然科学基金资助项目（81771928） ；云南省基础研究专项重点项目资助项目（202101AS070031） ；云南省高校高原医学电子信息智能检测处理重点实验室资助项目（CY21624108）
National Nature Science Foundation of China; Yunnan Fundamental Research Projects; Education Department of Yunnan
References
- 1.中华人民共和国国家卫生健康委员会 2019年我国卫生健康事业发展统计公报. 中国实用乡村医生杂志. 2020;27(9):1–11. doi: 10.3969/j.issn.1672-7185.2020.09.001. [DOI] [Google Scholar]
- 2.中国抗癌协会乳腺癌专业委员会. 中国抗癌协会乳腺癌诊治指南与规范(2019年版). 中国癌症杂志, 2019, 29(8): 609-679.
- 3.Chang Y W, Chen Y R, Ko C C, et al A novel computer-aided-diagnosis system for breast ultrasound images based on BI-RADS categories. Applied Sciences. 2020;10(5):1–20. [Google Scholar]
- 4.Mathworks Statistics and machine learning toolbox™ user's guide. Natick: Mathworks Ins. 2021:1806–2046. [Google Scholar]
- 5.Chen P H, Fan R E, Lin C J A study on SMO-type decomposition methods for support vector machines. IEEE Transactions on Neural Network. 2006;17(4):893–908. doi: 10.1109/TNN.2006.875973. [DOI] [PubMed] [Google Scholar]
- 6.Koun D D, Gupta S, Singh S Computer aided thyroid nodule detection system using medical ultrasound images. Biomedical Signal Processing & Control. 2018;40(3):117–130. [Google Scholar]
- 7.邹波. 基于超声射频时间序列的乳腺病灶良恶性分类. 广州: 华南理工大学, 2018.
- 8.林春漪, 邹波, 周建华 基于超声射频时间序列分析的乳腺病灶良恶性分类. 生物医学工程研究. 2018;37(1):21–26. [Google Scholar]
- 9.何培乾, 程阳阳, 赵彦群. 便携式超声设备: 中国, CN213525217U. 2021-05-28.
- 10.严郁, 朱伟, 蔡润秋, 等 基于超声射频信号的乳腺肿瘤分级算法研究. 南京理工大学学报. 2018;42(4):385–391. [Google Scholar]
- 11.陆文周 Qt 5开发及实例. 北京: 电子工业出版社. 2014:22–401. [Google Scholar]
- 12.罗洪艳, 徐旭, 高成龙, 等 基于QT的磁共振质量检测自动分析系统的设计与实现. 生物医学工程学杂志. 2019;36(4):627–632. doi: 10.7507/1001-5515.201807014. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 13.陈彬. 基于多阈值Otsu关键算法的乳腺钼靶图像肿块分割研究. 兰州: 兰州交通大学, 2018.
- 14.Tsui P H, Chen C K, Kuo W H, et al Small-window parametric imaging based on information entropy for ultrasound tissue characterization. Scientific Reports. 2017;7(1):41004. doi: 10.1038/srep41004. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 15.高东平, 刘慧, 池慧 乳腺肿瘤超声图像特征参数量化研究进展. 北京生物医学工程. 2011;30(6):656–660. doi: 10.3969/j.issn.1002-3208.2011.06.23. [DOI] [Google Scholar]
- 16.Otsu N A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern. 1979;9(1):62–66. doi: 10.1109/TSMC.1979.4310076. [DOI] [Google Scholar]
- 17.王燕, 李积英, 杨宜林, 等 基于SLIC和GVF Snake算法的乳腺肿瘤分割. 激光与光电子学进展. 2020;57(14):141023. [Google Scholar]
- 18.张玫玫, 高凡, 屠娟, 等 非线性超声射频信号熵对乳腺结节良恶性的定征. 物理学报. 2021;70(8):084302. [Google Scholar]
- 19.Piotrzkowska-Wróblewska H, Dobruch-Sobczak K, Byra M, et al Open access database of raw ultrasonic signals acquired from malignant and benign breast lesions. Med Phys. 2017;44(11):6105–6109. doi: 10.1002/mp.12538. [DOI] [PubMed] [Google Scholar]
- 20.Steifer T, Lewandowski M Ultrasound tissue characterization based on the Lempel–Ziv complexity with application to breast lesion classification. Biomed Signal Process Control. 2019;51(1):235–242. [Google Scholar]
- 21.Byra M Discriminant analysis of neural style representations for breast lesion classification in ultrasound. Biocybern Biomed Eng. 2018;38(3):684–690. doi: 10.1016/j.bbe.2018.05.003. [DOI] [Google Scholar]
- 22.Ouyang Y, Tsui P H, Wu S, et al Classification of benign and malignant breast tumors using h-scan ultrasound imaging. Diagnostics (Basel) 2019;9(4):182. doi: 10.3390/diagnostics9040182. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 23.Jarosik P, Klimonda Z, Lewandowski M, et al Breast lesion classification based on ultrasonic radio-frequency signals using convolutional neural networks. Biocybern Biomed Eng. 2020;40(3):977–986. doi: 10.1016/j.bbe.2020.04.002. [DOI] [Google Scholar]