乳腺X射线影像中微钙化点检测方法的探讨

李鹏飞

乳腺X射线影像中微钙化点检测方法的探讨

李鹏飞①

乳腺癌是女性最常见的恶性肿瘤之一，防治的关键在于早期诊断。实现乳腺癌早期诊断的关键技术之一是及时发现乳腺X线影像中的微小钙化点。随着计算机技术的飞速发展，采用计算机辅助诊断（CAD）技术检测微钙化点已成为乳腺癌早期诊断的研究热点。对一些传统的微钙化点检测方法和近年来广泛收到关注的微钙化点检测方法进行了介绍，较全面地综述了乳腺钼钯X线影像中微钙化点检测方法。文中只涉及到检测方法，而没有讨论检测方法的效果评价。

乳腺癌；微钙化点；检测方法；图像处理

[First-author's address]Yushu Municipal Hospital, Yushu 130400, China.

1 引言

乳腺癌是女性最常见的恶性肿瘤之一[1]，现已成为40～55岁年龄段的妇女死于癌症的首因，但是目前还没有确切的方法预防乳腺癌[2-3]。因此，早期诊断和早期治疗成为降低乳腺癌死亡率的关键。钼靶软X线摄影被认为是最有可靠性的早期检测方法，从钼靶X线影像上可以看到乳腺癌的危险征象，其中微钙化点是早期临床隐匿性乳腺癌的典型临床表现。在钼钯乳腺X线片中微钙化点颗粒远大于0.5 mm的尚可被肉眼发现，但颗粒在0.5 mm左右的微小钙化点则需借助计算机图像处理技术才能检测出来。实现乳腺癌早期诊断的关键技术之一是及时发现乳腺癌X线影像中的微小钙化点，并根据钙化点的数目、大小及分布形态来鉴别其是否有恶化倾向。随着计算机技术的飞速发展，采用计算机辅助诊断（CAD）技术检测微钙化点已成为乳腺癌早期诊断的研究热点。

目前CAD技术检测乳腺影像中微钙化点的方法很多，有基于传统图像处理的方法、基于小波变换的图像特征增强法、阈值分类法、神经网络分类法、统计学特征提取法、滤波器法等。实际上，任何一种检测方法往往都是这几种方法的联合应用。微钙化点自动检测技术是指抽取有诊断价值的含微钙化点的图像特征，并在此基础上进行特征优化，最后进行微钙化点的诊断分类。常用的分类方法有人工神经网络方法、模糊聚类方法、线性分类方法等。

2 微钙化点X线影像学表现

钙化灶的形成可能是癌灶局部坏死，坏死区内细胞溶解，核酸分解出大量磷酸根，局部钙离子增加，碱性磷酸酶增多而导致磷酸钙的钙盐沉着[4]。成簇样微小钙化是检测早期乳腺癌的重要依据。按其数目多少和形态学表现将微钙化点分为5种类型：（1）细沙型：这种钙化数量一般较多。（2）蠕虫型：它为长约1 mm的小虫样钙化，呈扭曲、伸直或叉状。（3）粗颗粒型：钙化数目一般较少。（4）混合型：为3种以上钙化混合存在或只有其中3种,钙化数目密集。（5）融合型：钙化点相互融合，密度极高，最大直径可达10 mm以上。由此可见，微钙化点的大小形态不一。

3 微钙化点的检测方法

3.1 基于传统图像处理的方法

图像处理方法有图像二值化、图像增强、灰度变换、阈值选取和边缘检测等关键方法。Kahn[5]等提出基于灰度梯度特征提取的微钙化点检测方法。该法由灰度梯度计算出对比度分布的前四阶矩，然后用统计分类方法进行微钙化点的定位。因其仅以对比度作为微钙化点分类的标准，有很大局限性且识别能力差。Davies[6]等提出利用局部阈值法分割成簇的微钙化点。当局部直方图成双峰时,就选择双峰的谷值作为阈值。若局部直方图呈单峰状,则该子图将为其邻近的子图内插。利用尺寸、形状和梯度测度来分析分割的对象以及分离出成簇的微钙化点。该法仅以空间域的灰度特征作为分割标准,易造成较大的误判率。Chan[7]等描述了一种基于差值图像技术的分割算法。首先是进行图像特征增强,然后再对原始图像进行噪声抑制。信号增强图像和噪声抑制图像相减以去除不相关的乳腺结构。再用全局或局部阈值法来初步确定微钙化点。最后对初步确定的微钙化点作进一步阈值化处理,确定微钙化点。文浩[8]等提出了一种基于灰度形态重构的微钙化点检测方法，该法运用灰度形态重构、图像增强（空域-频域），以及二维最大熵分割的技术来检测乳腺微钙化点。

3.2 基于小波变换的图像特征增强方法

小波变换是一种信号的时间－尺度(时间－频率)分析方法，它具有多分辨率分析的特点，且在时频两域都具有表征信号局部特征的能力。Strickland[9]等提出了小波图像特征增强方法。微钙化点的检测是在变换域内完成的,对小波系数取阈值,大于该阈值则认为是钙化点,否则为非钙化点。阈值是选择每个尺度直方图的固定百分点。Song yang[10]等介绍了基于小波图像特征增强、图像特征提取和神经网络分类的微钙化点自动检测和分类方法。

3.3 阈值分类方法

阈值分类方法就是简单地用一个或几个阈值将图像中具有特殊含义的不同区域(例如病变区域和正常组织)识别开来。Fam[11]等提出基于区域增长算法的检测方法。首先对强度在某一规定范围内的像素进行区域增长运算。然后,计算像素的强度梯度,看是否满足均值和误差标准。该算法最大的问题是所需的许多变量要由用户自己输入,而事实上这些变量是依赖于图像的,应该能由系统自动确定。Dengler[12]等介绍了基于高通滤波和阈值分割法的微钙化点检测方法。用不同权重的高斯算法计算出检测点和邻近点之间的差值，若该差值小于阈值,则为微钙化点。阈值选为全局标准差的2.5倍,该标准差由经高斯操作后的图像得出。将分割的图像作为掩模,利用低于该阈值像素的强度重新计算标准差，最终阈值选为标准差的3倍。最后,利用8结构元素重建微钙化点的形状。Heng-Da Cheng[13]等提出了基于模糊逻辑技术的微钙化点检测方法。该方法首先利用全局信息(亮度) 和局部信息(不均匀性)来生成一噪声受到抑制的模糊图像和一微钙化点得到增强的图像，用一迭代阈值确定微钙化点。最后用数学形态学方法来重建微钙化点。该方法的最大优点是能检测较大密度的乳腺X线片中的微钙化点。Giuseppe[14]等介绍了基于小波变换的多分辨率分析和基于Renyi熵选择阈值的阈值分割方法。MotiMelloul[15]等提出一种基于熵选择阈值的阈值分割技术。该方法是全自动的并且能自由选择参数。

3.4 神经网络分类法

神经网络分类法具有记忆、学习、归纳和容错的特性。神经网络的输入可以是各种来自空间域或频率域、局部或全局的表征微钙化点特性的参数。Shen[16]等提出了对钙化点形状因子的表征方法。所选形状因子有紧凑度(compactness)、力矩(moment)和傅立叶描述子(Fourier descriptions ,FDs)等可表示各种钙化点形状圆度的测度，利用神经网络进行分类，从而确定微钙化点的位置。Brijesh[17]等提出了基于模糊神经网络和图像特征提取的微钙化点检测方法。他们提取了熵(entropy)、对比度(contrast)、均值(average)、形状因子(shape)、傅立叶描绘子(Fourier descriptions, FDs)等图像特征作为经网络的输入矢量。优点是可区分良、恶性病变，但结果并不理想。

3.5 统计学特征提取方法

统计特征分类方法是对模式样本进行各种特征的提取和分析，选取对分类有利的特征，并对其统计均值等按已知类型分别进行学习，再根据以上统计特征设计出一个分类误差最小的决策超平面。早期的统计特征分类法是Kahn[18]等提出的基于灰度梯度特征提取的微钙化点检测方法。因其仅以对比度作为微钙化点分类的标准,有很大局限性。文浩[19]等提出基于小波与统计学的乳腺微钙化点检测方法。首先对数字化X片进行小波分解，采用多尺度自适应增益方法提高图像的对比度。然后对增强后的图像细节分量运用统计学中的偏度和峰度来选取感兴趣区。最后利用箱线图极端值检测法确定微钙化点的位置。

3.6 支持向量分类器分类法

基于统计学习理论的支持向量分类器 (support vector classifier ,SVC)因为其优越的性能而成为目前研究的热点。胡正平[20]等提出了基于贡献矩阵的特征提取方法。首先采用基于结构分析的统计方法构造贡献矩阵，利用贡献矩阵对图像预处理；通过二维主成分分析方法提取图像特征。将此算法用于微钙化点图像特征提取，利用支持向量机分类器进行分类。胡正平，张晔[21]提出了基于微弱目标-背景合成技术的微钙化点检测技术，其中采用可拒识-双层支持向量分类器检测微钙化点。

3.7 综合分类方法

从已有研究文献看,仅用一种分类方法会带来较大的假阳性或假阴性。采用组合多种方法的综合处理方法，可以有效提高检测率和降低假阳性。Amando等提出了差值图像法、高斯统计检测法和基于小波变换的多分辨率分析法的综合检测方法。分类则涉及到阈值化分类和支持矢量机(support vector machine, SVM)分类的联合应用。Erich[17]等利用阈值化方法和神经网络方法对微钙化点进行分类。万柏坤[22]等提出优化组合多种方法的综合处理方法，首先用基于差值图像去噪和局部阈值分割的方法去除不相关的低频背景，然后对原图像用基于多分辨率的噪声抑制和神经网络分类去除极高频噪声和部分低频背景。最后，将两个方法处理过的二值化图像进行逻辑与运算，可以得到只含有高频微钙化点的图像，从而实现了对微钙化点的定位。

此外,还相继出现了Patrick等人的基于专家系统的模式分类法、Magnin[16]等人的基于纹理分析的方法、Zheng[14]等人的基于混合特征矢量的神经网络分类模型、Netch[10]等提出多尺度分析检测微钙化点,并且建立了数学模型,认为微钙化点是具有特定尺寸和对比度的亮点。文浩[23]等提出基于差影技术的乳腺微钙化点检测方法。

4 小结

本文较全面地综述了乳腺钼钯X线影像中微钙化点检测方法。综观上述微钙化点检测方法研究文献，可以看出近期发展趋势为：（1）多种分析方法的综合。（2）人机交互式分割方法的应用。（3）寻找对病变类型进行诊断分类的检测方法。

目前所存在问题是：首先，国外的检测方法主要是针对西方妇女，由于东西方妇女乳腺组成不完全相同，文献中的方法不一定适应于东方妇女。此外，已有检测方法尽管各有其优点，但对微钙化点的检出率不高，而且只是检测感兴趣区域中微钙化点的存在性，而对微钙化点的恶性度和病变类型的检测报道少见。

[1] LandisSH,MurrayT,BoldenS,etal. Cancerstatistics,1999[J].CACancerJClin,199 9,49(1):8-31.

[2]B.Verma, P.Zhang,A novel neuralgenetic algorithm to find the most significant combination of features in digital mammograms, Applied Soft Computing.2007:612-625.

[3]V. Vogel, Breast cancer prevention: a review of current evidence, Ca. Cancer J. Clin.2000:156-170.

[4]徐开野,主编.乳腺疾病影像诊断与治疗学.上海:上海科技教育出版,1996,90.

[5]KahnE,GavoilleA,MasselotJ, et al. Computer analysis of breast calcifications in mammographic images [J].Comp-Assisted Radiology, 1987:729-733.

[6]F a m B W,O l s o n S L,W i n t e r P F, e t al. Algorithm for the detection of fine clustered calcifications on film mammograms [J].Radiol,1988, 169(2):333-337.

[7]ChanHP, KunioDoi, SimranjitGalbotra, et al.Improvement in radiologists' detection of clustered microcalcifications on mammograms [J].MedPhys,1990,25(10):1102-1110.

[8]文浩,马金盛,王玉慧，等.基于形态学灰度重构的乳腺微钙化点提取[J]. CT理论与应用研究，2006,15(2):33－37.

[9]StricklandRN, HanHI.Wavelet transform for detecting microcalcifications in mammograms[J].IEEETransMI, 1996, 15(2):218-229.

[10]YuS, GuanL. ACAD system for the automatic detection of clustered microcalcification in digitized mammogram films[J].IEEETransMI,2000,19(2):115-126.

[11]DaviesDH, DanceDR. Automatic computer detection of clustered microcalcifications in digital mammograms[J]. Physics in Medicine and Biology,1990, 35(8):1111-1118.

[12]DenglerJ,BechrensS, DesagaJF. Segmentaion of microcalcification in mammograms [J].IEEETransMI,1993, 12(4):263-274.

[13]ChengHD,LuiYM,FreimanisRI. A novel approach to microcalcification detect on using fuzzy logic technique[J].IEEE Trans MI, 1998,17(3):442-450.

[14]BoccignoneG,ChianeseA,Picarie lloA. Computer aided detection of microcalcifications in digital mammograms[J].Computers in Biology and Medicine,2000,30:267-286.

[15]Moti Melloul and Leo Joskowicz. Segmentation of microcalcification in X-ray mammograms using entropy thresholding.CARS.2002:1－6.

[16]ShenL, RangayyanRM, DesautelsJEL. Application of shape analysis to mammographic calcifications[J]. IEEETransMI, 1993, 13(2):263-274.

[17]SorantinE, SchmidtF, MayerH, et al. Computer aided diagnosis of clustered microcalcifications using artificial neural nets[J]. Journal of Computing and Information Technology-CIT8,2000(2):151-160.

[18]KahnE,GavoilleA,MasselotJ, et al. Computer analysis of breast calcifications in mammographic images [J].Comp-Assisted Radiology,1987:729-733.

[19]文浩,马金盛,王玉慧.基于小波与统计学的乳腺微钙化点检测方法[J].计算机与数字工程,2006, 34(10):57-59.

[20]胡正平,吴燕,王成儒.基于贡献矩阵的微钙化点检测[J]. 计算机应用,2005(5):11-13.

[21]胡正平,张晔.基于微弱目标-背景合成技术的微钙化点检测[J].中国生物医学工程学报,2007,26(4):637-640.

Methods for detection of microcalcifications in digitized mammogram

Li Pengfei

The breast cancer is one of the most prevalent malignancies among women. Early diagnosis is important for its prevention and treatment. The key technology for the early diagnosis of breast malignancy is to discover microcalcification during mammography. With the rapid development of computer technology, the computer aided detection of the microcalcification has been a hot spot in this field. In this paper, the author summarized the traditional and new methods of detecting microcalcification both in china and abroad. The paper only discussed the detection methods but not evaluation of their effect.

Breast cancer; Microcalcification; Detection method; Image management

1672-8270(2010)02-0023-04

TH 772

B

李鹏飞,男,(1969- ),普外医学硕士，副主任医师。现就职于吉林省榆树市医院。

2009-12-15

①吉林省榆树市医院 吉林 榆树 130400

China Medical Equipment, 2010, 7(2):23-26.