基于紋理特征的旋轉熱成像圖像乳腺癌檢測

Abstract

乳腺癌是發展中國家年輕婦女死亡的主要原因。早期診斷是提高癌癥患者生存率的關鍵。乳腺熱成像是一種診斷程序，它對乳腺表面的紅外輻射進行非侵入性成像，以幫助早期發現乳腺癌。由于成像協議的限制，通過常規乳腺熱像圖檢測異常通常是一項具有挑戰性的任務。旋轉熱成像是為了克服傳統乳房熱成像的局限性而發展起來的一種新技術。本文從冷激發的角度評估了這項技術自動檢測乳房異常的潛力。在應用冷激發之前和之后，從旋轉溫度圖序列中提取空間域中的紋理特征。這些特征被輸入到支持向量機中，用于正常和惡性乳房的自動分類，分類準確率為83.3%。通過主成分分析進行特征約簡。作為一種新的嘗試，人們研究了這種技術定位異常的能力。研究結果表明，旋轉熱成像作為乳腺癌檢測的篩查工具具有巨大潛力。

Introduction

乳腺癌是導致女性高死亡率的最常見癌癥類型[1]。早期發現是最重要的，因為它顯著提高了生存的機會。在最近的一項研究中，比較了各種乳腺成像技術的早期檢測能力[2]。由于傳統成像方式的固有局限性，正在為此目的評估替代技術。熱成像技術是一種被證明非常適合于乳腺癌早期檢測的技術[3]，特別是在乳房致密的年輕女性中。據報道，乳房熱成像可以檢測到乳房X射線攝影遺漏的小腫瘤（小于1.66 cm）。

乳腺熱成像是一種非侵入性的診斷方法，它可以對乳腺表面的溫度變化進行成像，以幫助早期發現乳腺癌。這項技術的原理是，正在發生的乳腺癌周圍區域的化學和血管活動高于正常乳腺。這一過程導致乳房表面溫度升高[5]。這些溫度變化和血管變化可能是乳房異常的最早跡象之一。最先進的乳房熱成像技術使用高靈敏度紅外攝像機和復雜的軟件生成這些溫度變化的高分辨率圖像[6,7]。與標準乳房X光攝影不同，該手術舒適且安全，因為它不涉及痛苦的乳房壓迫或電離輻射照射。溫度特征在區分異常乳房和正常乳房方面的能力已得到證明[8,9]，并對早期檢測能力進行了分析[10,11]。

最近的一項調查比較了傳統乳腺熱像圖檢測乳腺癌的各種圖像處理方法[12]。幾種分割算法已被用于提取成功率適中的感興趣區域[13–20]。紋理特征已被用于訓練人工神經網絡（ANN）對乳房溫度圖進行分類[21]。紋理特征的不對稱性分析已經完成，以自動分類熱圖[22,23]。紋理特征代表表面溫度變化的能力已用熱占星術解釋[24]。Acharya等人使用支持向量機（SVM）提取紋理特征，以檢測常規熱圖中的異常[25]。一階統計特征[26]，偏斜度、峰度和熵等高階統計特征[27]也被用于異常乳房狀況的自動分類。Wiecek等人[28]使用基于雙正交和Haar母小波的離散小波變換的特征進行分類。高階譜（HOS）特征[29]、雙譜不變特征[30]和分維特征[31]最近被用于解決該問題。模糊分類器[32]、獨立成分分析[33]和決策樹[34]也用于分類目的。案例研究表明，正常、良性和惡性乳房的溫度曲線存在顯著差異[35]。在小波[36]和Curvelet[37]域中提取的紋理特征也用于對熱圖進行分類。Sudharsan和Ng通過對乳腺的數值模擬對乳腺癌的檢測進行了廣泛的研究[38–42]。

由于乳房成像不完整和圖像分割算法無效，傳統乳腺熱像圖的解釋仍然非常主觀。旋轉熱成像技術是在傳統熱成像技術的基礎上發展起來的一種新技術，旨在克服這些局限性。已經進行了一項初步研究，以評估該技術在自動檢測乳房異常方面的潛力。本文從冷激發的角度分析了從旋轉乳房溫度圖中提取的空間域統計特征。這些特征被輸入支持向量機分類器，用于正常和異常乳房的自動分類。

Rotational breast thermography

在傳統的乳房熱成像技術中，患者被要求坐在攝像機前一定距離。乳房的紅外圖像是在三個不同的視圖中拍攝的，即對側、中側斜和腋窩。由于正常的乳房下垂，在這些視圖中，乳房后下部區域沒有完全成像。因此，這些區域的腫瘤通常不被發現。為了使熱像圖的解釋更加客觀，對成像設置和協議進行了修改，從而產生了旋轉乳房熱像圖。在這項技術中，乳房從多個角度成像，這樣就不會遺漏異常。一種特殊的裝置，稱為紅外線熱成像系統（MAMRIT）是為獲取乳房熱成像圖像而設計的。讓受試者舒適地俯臥在MAMRIT裝置上，一個乳房通過一個小圓孔自由懸掛在一個腔室中。這確保了患者的舒適度，并減少了因患者移動而產生的偽影。在MAMRIT手術室內，一個機械臂圍繞著懸吊的乳房順時針旋轉。固定在末端的紅外攝像機從不同角度拍攝乳房圖像。因此，整個乳房表面的溫度信息被捕獲，確保乳房的完整成像。室內環境溫度和濕度由內置空調控制。按照制造商的建議，對相機進行黑體校準，以確保測量的準確性

據觀察，從乳頭到胸壁，有一個連續的溫度帶延伸到正常乳房。當該溫度模式受到干擾時，檢測到異常情況[43]。

Materials and methods

Image acquisition

對24例正常人和12例惡性腫瘤患者的乳腺熱像圖進行分析。在本研究中，僅使用了右乳和左乳的預冷和后冷系列。這些圖像是在知情同意的情況下，使用ICI7320P非致冷照相機拍攝的，并采用經批準的方案[44]。所有因懷疑乳房異常而轉診至乳腺診所的患者均接受旋轉熱成像程序。所有患者還進行了超聲掃描，以使結果相互關聯。

當一個正常的乳房受到突然的寒冷挑戰時，流向其表面的血液通過較深的靜脈重新定向。這導致該區域的表面溫度瞬間降低。覆蓋在腫瘤上的乳房表面不受這種調節性血管收縮的影響。

因此，與正常組織不同的是，這些區域的表面溫度即使在受到冷刺激時也會持續存在[45]。這種超高溫表面的紅外輻射將在熱譜圖上顯示出細微但明顯的異常模式。

本研究基于這樣一個假設，即應用冷激發技術將提高基于體溫圖的自動乳腺癌檢測系統的效率。因此，從預冷和后冷溫度圖中提取統計圖像特征。將其用于SVM分類器的訓練，并對結果進行了比較。由于該系統在多個視圖中整合了完整的乳房成像，因此還嘗試分析其定位異常位置的能力。工作大綱如圖1所示。

Pre-processing

根據成像協議獲取乳房溫度圖，并將其轉換為灰度。正常乳房在冷激發前后的體溫圖如圖所示。2a和2b。據觀察，正常乳房的溫度變化遵循分層模式，乳頭是最冷的區域。從乳頭到胸壁，整個乳房的溫度都會升高。應用冷激發前后的異常溫度圖如圖所示。3a和3b。可以觀察到，較溫暖的區域突出到較冷的層中，表明存在高溫區域。由于在惡性腫瘤的早期，與正常模式的偏差是相當細微的，這些異常可能無法通過對熱像圖的直接視覺解釋來發現。

此外，血管系統增加的正常乳房通常是高溫的，可能被誤解為異常。因此，主觀解釋的熱像圖往往導致錯誤的診斷。因此，為此需要自動檢測系統。

由于每個乳房在12個視圖中成像，每個視圖的空間/角度步長為30，因此在中心簡單裁剪30%就足以覆蓋整個乳房表面。此外，由于乳房是俯臥位成像，這些圖像中不存在常規熱像圖上顯示的正常溫暖區域，如頸動脈、臂窩和乳內皺襞。因此，不需要使用分割算法來消除這些區域。如圖所示，裁剪整個乳房區域的中央30%以形成ROI。2c和3c。

Feature extraction in spatial domain

紋理特征被廣泛應用于乳腺癌檢測中，因為它們可以非常有效地表示乳房的溫度變化。在這項工作中，一階統計特征和紋理特征提取從乳腺熱圖在空間域。

從ROI中提取統計特征，即均值、方差、偏度和峰度。通過構造灰度共生矩陣（GLCM）檢查圖像紋理[46]。GLCM通過計算像素對以預定義的空間順序出現的頻率來表征圖像的紋理。計算并歸一化ROI的GLCM。然后從歸一化的GLCM中提取Haralick等人[47]提出的紋理特征。其中包括角二階矩（ASM）、對比度、相關性、平方和、差分反矩、和平均值、和方差、和熵、熵、差方差、差熵、相關信息度量1、相關信息度量2。

Feature reduction by principal component analysis

從每個熱圖中總共提取了17個特征，以形成特征向量。主成分分析（PCA）用于特征約簡。PCA通常在特征集非常大或包含冗余特征時使用。當使用較少的特征進行訓練和測試時，分類器的速度可以提高，復雜性可以降低。主成分分析是一種統計過程，它使用正交變換將一組可能相關變量的觀測值轉換為一組稱為主成分的線性不相關變量。主成分的數量小于或等于原始變量的數量。第一個主成分具有最大的可能方差，而在與前面的成分不相關的約束下，每個后續成分又具有最大的可能方差。

Classifier

從溫度圖中提取的空間域特征被表示為特征向量或模式。在一個兩類問題中，樣本由正常組和異常組的熱像圖獲得的模式組成。這些特征向量用于訓練支持向量機分類器。支持向量機是一種監督學習方法，在模式識別問題中表現良好。利用支持向量機進行分類，利用核函數將輸入數據轉化為高維特征空間。因此，與原始輸入數據相比，轉換后的數據變得更加可分離。漏掉一個方法已用于驗證分類器的性能。該方法使用一個類中的單個特征向量作為驗證數據，樣本中的所有剩余向量作為訓練數據。重復此操作，以便將樣本中的每個特征向量作為驗證數據使用一次。

Results and discussion

首先，分析從第一組12例正常病例中獲得的體溫圖。研究發現，正常乳房的溫度分布遵循分層模式。乳頭處的溫度最低，胸壁附近的溫度最高。旋轉熱成像圖像以懸浮正常乳房的不重疊偽彩色映射帶的形式表示該溫度梯度。異常的乳房溫度圖偏離了正常模式，較熱的帶以微妙的方式突出到較冷的帶中。這些模式變化以一階統計和紋理特征的形式從ROI中提取。ROI是從每個患者在兩個乳房的所有視圖中應用冷激發前后獲得的溫度圖序列中獲得的。

首先，使用表1中給出的學生t檢驗研究了冷挑戰對給定班級的影響。從表1可以看出，在正常組中，大多數特征在統計學上不顯著（p>0.05）。因此，可以推斷正常乳房對冷刺激沒有反應。在異常組中，大多數特征顯著（p<0.05）。

因此，預計從異常乳房中提取的紋理特征值對冷激發的應用有顯著的響應。但在個案基礎上觀察時，發現這些變化在方向或幅度上都高度不一致。這可以從圖中觀察到。4和5，其中分別為12名患者繪制了相關特征圖，分別屬于冷激發前后的兩組。其次，在95%置信水平下，采用student t檢驗研究了空間特征對正常和惡性體溫圖的鑒別能力。該研究使用冷激發前和激發后提取的特征值進行。表2和表3分別給出了預冷和后冷條件下正常組和異常組中每個特征的平均值。表格還顯示了兩種情況下每個特征的統計顯著性。

從表2和表3中可以發現，在冷激發之前，大多數特征（標有）都是顯著的（p<0.05）。對于冷卻條件之間的差異值，僅發現三個特征，即平方和、和平均值和和方差，具有統計顯著性。

作為說明，在圖6的預冷條件和圖7的后冷條件下，繪制了正常和異常患者的相關特征值。從圖6可以看出，與預冷條件下的正常溫度圖相比，異常溫度圖平均顯示出較低的相關性。然而，如圖7所示，這些值在后冷卻條件下以混沌方式完全重疊。

該特性在預冷條件下（p=0.0054）具有統計顯著性，在后冷條件下（p=0.1276）不太顯著。后冷條件下較大的p值可能是由于應用冷激發時特征值變化不一致所致。因此，這項研究證實，溫度降低2–3攝氏度并不能提高乳腺熱像圖異常檢測的效率。

第三，采用留一法對SVM分類器進行訓練和測試。分類使用三類數據，即冷激發前提取的特征、激發后提取的特征以及兩種條件之間的差值。分類器的性能如表4所示。

總結

以上是生活随笔為你收集整理的Breast cancer detection in rotational thermography images using texture feature的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。