經直腸超聲造影是直腸腫瘤常規檢查方法，不同腫瘤內的造影劑分布的不均勻程度是重要的影像特征，依賴人工方法可以對該特征進行分級。但是針對大量數據時，人工分級繁瑣緩慢，且結果容易受到影響。本文提出了一種基于灰度共生矩陣（GLCM）的提取直腸腫瘤超聲造影圖像內造影劑分布特征的計算機分級方法。具體流程包括壓縮圖片的灰度、計算灰度共生矩陣的紋理統計量、結合特征選擇和主成分分析（PCA）進行降維以及訓練和驗證二次判別分析模型（QDA）。經過十次交叉驗證，機器分級的總體準確率為 87.01%；各級的準確率分別為：Ⅰ級 52.94%；Ⅱ級 96.48%；Ⅲ級 92.35%。本文方法對Ⅱ級及Ⅲ級圖像的判定準確率較高，可以幫助識別直腸腫瘤超聲造影圖像內的造影劑分布特征，有望用于輔助判定直腸腫瘤超聲造影的不均勻程度。
引用本文： 羅源, 莊華, 覃浪寬, 趙捷穎, 尹皓, 劉東權, 吳玉婷, 劉可, 胡漢川. 基于灰度共生矩陣的直腸腫瘤超聲造影不均勻程度的分級方法. 生物醫學工程學雜志, 2019, 36(6): 964-968. doi: 10.7507/1001-5515.201903013 復制
引言
直腸腫瘤是消化系統的常見疾病。2014 年全國腫瘤登記地區的數據顯示直腸癌的發病率為 13.64/10 萬，且近年呈升高趨勢[1]。經直腸超聲檢查在直腸腫瘤的診斷、術前分期和評估等方面發揮了重要的作用。經直腸超聲檢查結合超聲造影（contrast-enhanced ultrasound，CEUS）可以觀察到直腸腫瘤的灌注情況，病灶內的造影劑分布可以反映腫瘤內部灌注的有無及多少。造影劑在腫瘤內部分布的差異表現為腫瘤超聲造影圖像中的信號分布的不均勻，意味著在腫瘤內部存在組織學分布的差異。液化、壞死、纖維化及黏液池等形成后，腫瘤內部的灌注會出現改變，超聲造影圖像內的信號分布也隨之出現改變。腫瘤超聲造影圖像中信號分布的不均勻程度是一個重要的指標，可以為腫瘤病理類型的判斷、治療后反應的評估等提供重要的輔助信息[2-4]。但目前臨床上對這一指標缺乏客觀的評價方式。當前超聲造影領域的量化分析主要集中在時間強度曲線（time-intensity curve，TIC）各參數上，如達峰時間、峰值強度、曲線下面積、上升支斜率等[5-6]，但時間強度曲線中缺乏直接反映腫瘤超聲造影不均勻程度的參數，且由于這些參數受干擾因素較多，結果缺乏一致性，在臨床中的應用價值有限。
紋理是指圖像的像素灰度級在空間上的分布模式，紋理分析則是指通過計算機的一系列圖像處理技術提取出紋理特征從而獲得紋理的定量或定性描述的處理過程[7]。灰度共生矩陣（gray-level co-occurrence matrix，GLCM）可以反映圖像灰度關于方向、相鄰間隔、變化幅度的綜合信息[8]，常用于超聲圖像，如肝臟病變、乳腺腫瘤、甲狀腺結節的分析等[9-12]，但目前將其應用于直腸超聲造影的研究還較少。本文提出一種基于灰度共生矩陣的腫瘤內造影劑分布特征的計算機識別及分級方法，以期尋找更加穩定的針對上述特征的判別方式。
1 材料與方法
1.1 研究對象
復習 2016 年 1 月至 12 月期間因直腸腫塊就診于我院的患者的臨床影像資料，選取經活檢或術中病理證實為直腸腫瘤的病例，所有患者年齡介于 18～80 歲。上述患者住院期間均采用百勝 MyLab Twice 超聲診斷儀（意大利）進行檢查，探頭 TRT33 型（變頻雙平面經直腸探頭，凸陣面探頭發射頻率 3～9 MHz，線陣面發射頻率 4～13 MHz），經肛管及直腸進行常規掃查。掃查過程中發現病變并進行記錄，在腫瘤的最大縱斷面進行超聲造影檢查。造影通過肘正中靜脈推注聲諾維（注射用六氟化硫微泡）2.4 mL，同步存儲超聲造影動態圖像 5 min。所有患者的檢查及圖像采集均由工作十年以上專科醫師進行。檢查結束后，我們根據線陣探頭中的病灶強化特點存儲多幀圖像。閱讀篩選出來的患者超聲造影動態視頻，選擇最能代表腫瘤超聲造影特征且腫瘤整體強化到達峰值的一幀圖像，在上述圖像中進行超聲造影均勻程度半定量分級。本研究已獲四川大學華西醫院倫理委員會批準，倫理備案號為 2019 年審（62 號）。所有用于研究的圖像均已隱去患者相關個人信息。
1.2 分級標準及方法
我們根據自身臨床經驗，將直腸腫瘤超聲造影的不均勻程度分為三級，分級標準如下（見圖 1）：Ⅰ級（Grade 1）：超聲增強后病灶表現為分布均勻的整體強化，病灶內部各部分增強程度及分布基本無差異；Ⅱ級（Grade 2）：超聲增強后病灶表現為強化分布欠均勻，部分區域強弱不等，內部可出現小片狀低增強或無增強區域；Ⅲ級（Grade 3）：超聲增強后病灶表現為強化分布不均勻，病灶內存在大片強化缺失或減低區域，缺失區域可呈偏心性或非偏心性。
圖1
Ⅰ～Ⅲ級直腸腫瘤超聲造影圖像的示意圖及例圖
Figure1.
The schematic and illustrative images of contrast-enhanced ultrasonography of rectal tumors grading 1-3
由兩組共四名成員對圖像進行不均勻程度分級，每組由一名超聲科醫師及一名輔助人員組成。每一張圖像都由兩組人員分別進行評級。當兩組意見一致時，得到最后結果。當組內或組間不能達成一致意見時，則由四人同時進行分級，達成一致意見，得到最后結果；若仍不能達成一致意見，則不納入分析。
1.3 計算機學習方法
在分級后，首先采用人工自由勾畫的方式在每一張圖片上標注出病灶邊界，如圖 2 上圖所示，再以閉合曲線的最大內接矩形分割出病灶區域，將分割得到的區域稱為感興趣區域（region of interest，ROI），如圖 2 下圖所示。接下來將 ROI 區域的圖像進行預處理，壓縮灰度值的動態范圍為 0～64。直腸癌病灶區域的大小差異較大，在本研究中，最小的 ROI 為 64 × 160，最大的 ROI 為 128 × 288，為了方便后續處理，需要將 ROI 劃分成大小統一為 64 × 128 的圖塊（patch）。由于每個 ROI 的大小存在差異，因此由每個 ROI 劃分得到的 patch 數量亦不相同。將 ROI 劃分成 patch 不可避免地會損失掉部分信息，但同時樣本數量得到了擴展。
圖2
直腸腫瘤二維及超聲造影圖像和分割得到的 patch
Figure2.
The B-mode and contrast-enhanced ultrasonography and the segmented patch
接下來計算每個 patch 與圖像紋理特征相關的灰度共生矩陣。對每一個 patch 從 4 個方向（0、45、90、135°）、10 個間距（1，2，3，
，10）分別提取像素，因此方向與間距的組合有 40 種，每一種組合計算包括均值、方差、能量、相關度、熵、對比度等 9 個特征在內的紋理統計量，計算得到 40 個灰度共生矩陣，得到特征總數為 360[12-13]。這些特征當中存在著冗余特征和不相關特征，為了降低模型的學習難度和提高模型的效率，需要從中選擇出對分類結果具有顯著性影響的特征。本文使用了一種前向搜索策略從特征集合中選擇出對于紋理特征分類貢獻較大的特征組。對于每一組特征，通過一種貪心策略，從 9 個特征中選擇出 5 個具有最佳區別性能的特征，評判標準使用二次判別分析（quadratic discriminant analysis，QDA）。當分類模型性能最佳時，統計上述 9 個特征分別出現的次數，40 組中每一組均從中選擇 5 個出現次數最多的特征，所有被選擇出來的特征次數如圖 3 所示。
圖3
9 個特征在模型分類性能最佳時的出現次數
Figure3.
Occurrence of nine features in the best performance of the model
根據統計，出現次數最多的前 5 個特征的編號為 1、2、7、8 和 9，分對應 mean（平均值）、variance（方差）、homogeneity（同質性）、cluster shade（聚類萌）和 cluster prominence（聚類突）。但 cluster shade 和 cluster prominence 的計算公式中冪次僅僅相差 1，且兩者具有很高的相關性，最終決定只保留 cluster shade，并使用出現次數排第 6 的特征（編號 6，contrast，對比度）代替編號 9。因此，每一組中只保留上述 5 個特征，特征總數從 360 減少到 200。接下來使用主成分分析方法（principal components analysis，PCA）進行特征降維[10]。先對數據進行標準化，使用 PCA 對標準化后的數據進行降維，比較特征維數對分類準確率的影響以及特征選擇前后的分類性能，如圖 4 所示，從而選擇使模型性能最佳的維數。
圖4
不同的特征維數對應的準確率
Figure4.
Corresponding accuracy with different feature dimensions
由圖 4 可見，進行特征選擇后的分類準確率明顯高于未進行特征選擇的分類準確率，并且通過 PCA 將數據的維數減少到 75 時，模型的準確率最高。利用處理好的數據訓練 QDA 模型，之后針對一個新的、未知病變等級的患者的超聲造影 patch，由程序自動提取病灶區域的紋理特征，再由 QDA 模型判別病變等級，大致流程如圖 5 所示。
圖5
計算機處理圖像大致流程
Figure5.
General flow of computer processing of pictures
1.4 統計學方法
應用 SPSS23.0 軟件進行統計學分析，將人工分級的結果作為金標準，評價計算機分級結果的準確性。對人工分級的結果與計算機分級的結果進行一致性分析，計算其 Kappa 值，當 Kappa 值 ≥ 0.75 時，認為兩種方法的一致性良好。
2 結果
本研究共納入患者 121 例，其中含有經手術病理證實的直腸癌病例 83 例，另外直腸腺瘤、間質瘤、神經內分泌腫瘤共計 38 例，提取造影圖像共計 134 張。部分患者在治療過程中多次行經直腸超聲造影，其病灶超聲造影的不均勻程度已經發生改變，故我們將同一患者多次造影的圖像作為互不干擾的樣本納入最終實驗研究。134 張圖像中 22 張圖像由于病灶尺寸過小，或圖像內出現干擾信息、偽影以及腸內容物或氣體遮擋使圖像質量較差等原因被排除，最終得到 112 張有效圖像，其中Ⅰ級圖片 35 張，Ⅱ級圖片 39 張，Ⅲ級圖片 38 張。
ROI 分割成的 patch 數目如下：Ⅰ級：170；Ⅱ級：427；Ⅲ級：327。我們將 924 個 patch 隨機分成 10 份，其中 4 份 93 個，6 份 92 個。輪流將其中 9 份用來訓練分類模型，1 份做驗證模型。在使用了 PCA 對標準化后的數據進行降維后，當數據的維數減少至 75 時，模型的準確率最高。最后經過十次交叉驗證，得到的準確率如表 1、表 2 所示。
表1
十次交叉驗證準確率（%）
Table1.
Accuracy（%）of 10 cross validation
表2
十次驗證結果匯總
Table2.
Summary of the results of the ten validations
以人工分級標準作為金標準，總體準確率為 87.01%。各級準確率分別為：Ⅰ級 52.94%；Ⅱ級 96.48%；Ⅲ級 92.35%。經一致性檢驗，人工分級與計算機分級兩種方法一致性良好，其 Kappa 值為 0.785。
3 討論與結論
經直腸超聲檢查對直腸腫瘤有重要的診斷價值，能夠為直腸腫瘤的分期、病理類型判斷等提供較大的參考價值，尤其對較早期的病變，有著較高的診斷敏感性和特異性[14-15]。直腸腫瘤強化的不均勻程度能夠為直腸腫瘤的臨床診斷、病理分型、治療后反應評估等提供參考信息，文獻表明，直腸癌在 CT 上強化的不均勻程度、偏心性的強化缺失等有助于鑒別黏液癌和非黏液性癌[3]。Onji 等[2]的研究在超聲造影中得到了類似結果，他們認為結腸腫瘤超聲造影強化的不均勻程度與其病理類型有著密切的關系，黏液腫瘤中的黏液湖及腫瘤內的壞死部分可以導致強化缺失的出現，通過觀察缺失部分的邊緣是否有血管存在，可以進一步鑒別黏液性腺癌與非黏液性腺癌。
灰度共生矩陣是一種廣泛應用于超聲領域的紋理分析技術[10, 13]，現已用于乳腺、甲狀腺、肝臟、腎臟等超聲圖像的特征提取[16-17]。如 Xian 等[13]將灰度共生矩陣及模糊支持向量機方法相結合，應用于鑒別超聲圖像中的肝臟腫瘤的良惡性，取得了較好的分類效果；Rahmawaty 等[18]應用灰度共生矩陣實現了對乳腺不同回聲結節的分類。Wan 等[19]結合多種高階紋理特征，實現了計算機對雌激素陰性的乳腺腫瘤復發風險的預測。但目前少有用于直腸腫瘤超聲造影的研究。
從目前結果來看，與人工分級相比，計算機分級對Ⅱ級和Ⅲ級的判定結果準確率較高，分別為 96.48% 及 92.35%，對Ⅰ級的判定結果準確率較低，僅 52.94%。Ⅰ級比較容易被過高分級，可能的原因包括用于機器訓練的Ⅰ級圖像數量較少，所選擇的紋理特征用于區分Ⅰ級圖塊的能力較低。在進一步研究中，可以通過增加樣本量及優化特征選擇的方法來予以改進。增大樣本量也可以避免對原始圖片進行分割，從而最大限度地保留圖片中的信息。我們的數據中，存在同一患者多次造影檢查的圖像，但由于這部分數據量較少，未對其在療效監測中的作用進行分析。最后，本文是以人工分級的結果作為金標準，但事實上，人工的分級依然存在一定主觀性。因此，是否存在臨床或病理上更加客觀的指標仍有待繼續探索。
綜上所述，本文對直腸腫瘤超聲造影的不均勻程度進行了半定量分級，并采用機器學習的方法，基于灰度共生矩陣對上述圖像的紋理特征進行分析，結果表明計算機可以初步實現對直腸腫瘤超聲造影不均勻程度的識別，并對其進行分級。計算機分級與人工分級的結果比較表明，Ⅱ級及Ⅲ級分級結果吻合度較高。本文結果初步表明，可以通過機器學習初步實現對直腸腫瘤超聲造影的不均勻程度的半定量分級。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
直腸腫瘤是消化系統的常見疾病。2014 年全國腫瘤登記地區的數據顯示直腸癌的發病率為 13.64/10 萬，且近年呈升高趨勢[1]。經直腸超聲檢查在直腸腫瘤的診斷、術前分期和評估等方面發揮了重要的作用。經直腸超聲檢查結合超聲造影（contrast-enhanced ultrasound，CEUS）可以觀察到直腸腫瘤的灌注情況，病灶內的造影劑分布可以反映腫瘤內部灌注的有無及多少。造影劑在腫瘤內部分布的差異表現為腫瘤超聲造影圖像中的信號分布的不均勻，意味著在腫瘤內部存在組織學分布的差異。液化、壞死、纖維化及黏液池等形成后，腫瘤內部的灌注會出現改變，超聲造影圖像內的信號分布也隨之出現改變。腫瘤超聲造影圖像中信號分布的不均勻程度是一個重要的指標，可以為腫瘤病理類型的判斷、治療后反應的評估等提供重要的輔助信息[2-4]。但目前臨床上對這一指標缺乏客觀的評價方式。當前超聲造影領域的量化分析主要集中在時間強度曲線（time-intensity curve，TIC）各參數上，如達峰時間、峰值強度、曲線下面積、上升支斜率等[5-6]，但時間強度曲線中缺乏直接反映腫瘤超聲造影不均勻程度的參數，且由于這些參數受干擾因素較多，結果缺乏一致性，在臨床中的應用價值有限。
紋理是指圖像的像素灰度級在空間上的分布模式，紋理分析則是指通過計算機的一系列圖像處理技術提取出紋理特征從而獲得紋理的定量或定性描述的處理過程[7]。灰度共生矩陣（gray-level co-occurrence matrix，GLCM）可以反映圖像灰度關于方向、相鄰間隔、變化幅度的綜合信息[8]，常用于超聲圖像，如肝臟病變、乳腺腫瘤、甲狀腺結節的分析等[9-12]，但目前將其應用于直腸超聲造影的研究還較少。本文提出一種基于灰度共生矩陣的腫瘤內造影劑分布特征的計算機識別及分級方法，以期尋找更加穩定的針對上述特征的判別方式。
1 材料與方法
1.1 研究對象
復習 2016 年 1 月至 12 月期間因直腸腫塊就診于我院的患者的臨床影像資料，選取經活檢或術中病理證實為直腸腫瘤的病例，所有患者年齡介于 18～80 歲。上述患者住院期間均采用百勝 MyLab Twice 超聲診斷儀（意大利）進行檢查，探頭 TRT33 型（變頻雙平面經直腸探頭，凸陣面探頭發射頻率 3～9 MHz，線陣面發射頻率 4～13 MHz），經肛管及直腸進行常規掃查。掃查過程中發現病變并進行記錄，在腫瘤的最大縱斷面進行超聲造影檢查。造影通過肘正中靜脈推注聲諾維（注射用六氟化硫微泡）2.4 mL，同步存儲超聲造影動態圖像 5 min。所有患者的檢查及圖像采集均由工作十年以上專科醫師進行。檢查結束后，我們根據線陣探頭中的病灶強化特點存儲多幀圖像。閱讀篩選出來的患者超聲造影動態視頻，選擇最能代表腫瘤超聲造影特征且腫瘤整體強化到達峰值的一幀圖像，在上述圖像中進行超聲造影均勻程度半定量分級。本研究已獲四川大學華西醫院倫理委員會批準，倫理備案號為 2019 年審（62 號）。所有用于研究的圖像均已隱去患者相關個人信息。
1.2 分級標準及方法
我們根據自身臨床經驗，將直腸腫瘤超聲造影的不均勻程度分為三級，分級標準如下（見圖 1）：Ⅰ級（Grade 1）：超聲增強后病灶表現為分布均勻的整體強化，病灶內部各部分增強程度及分布基本無差異；Ⅱ級（Grade 2）：超聲增強后病灶表現為強化分布欠均勻，部分區域強弱不等，內部可出現小片狀低增強或無增強區域；Ⅲ級（Grade 3）：超聲增強后病灶表現為強化分布不均勻，病灶內存在大片強化缺失或減低區域，缺失區域可呈偏心性或非偏心性。
圖1
Ⅰ～Ⅲ級直腸腫瘤超聲造影圖像的示意圖及例圖
Figure1.
The schematic and illustrative images of contrast-enhanced ultrasonography of rectal tumors grading 1-3
由兩組共四名成員對圖像進行不均勻程度分級，每組由一名超聲科醫師及一名輔助人員組成。每一張圖像都由兩組人員分別進行評級。當兩組意見一致時，得到最后結果。當組內或組間不能達成一致意見時，則由四人同時進行分級，達成一致意見，得到最后結果；若仍不能達成一致意見，則不納入分析。
1.3 計算機學習方法
在分級后，首先采用人工自由勾畫的方式在每一張圖片上標注出病灶邊界，如圖 2 上圖所示，再以閉合曲線的最大內接矩形分割出病灶區域，將分割得到的區域稱為感興趣區域（region of interest，ROI），如圖 2 下圖所示。接下來將 ROI 區域的圖像進行預處理，壓縮灰度值的動態范圍為 0～64。直腸癌病灶區域的大小差異較大，在本研究中，最小的 ROI 為 64 × 160，最大的 ROI 為 128 × 288，為了方便后續處理，需要將 ROI 劃分成大小統一為 64 × 128 的圖塊（patch）。由于每個 ROI 的大小存在差異，因此由每個 ROI 劃分得到的 patch 數量亦不相同。將 ROI 劃分成 patch 不可避免地會損失掉部分信息，但同時樣本數量得到了擴展。
圖2
直腸腫瘤二維及超聲造影圖像和分割得到的 patch
Figure2.
The B-mode and contrast-enhanced ultrasonography and the segmented patch
接下來計算每個 patch 與圖像紋理特征相關的灰度共生矩陣。對每一個 patch 從 4 個方向（0、45、90、135°）、10 個間距（1，2，3，，10）分別提取像素，因此方向與間距的組合有 40 種，每一種組合計算包括均值、方差、能量、相關度、熵、對比度等 9 個特征在內的紋理統計量，計算得到 40 個灰度共生矩陣，得到特征總數為 360[12-13]。這些特征當中存在著冗余特征和不相關特征，為了降低模型的學習難度和提高模型的效率，需要從中選擇出對分類結果具有顯著性影響的特征。本文使用了一種前向搜索策略從特征集合中選擇出對于紋理特征分類貢獻較大的特征組。對于每一組特征，通過一種貪心策略，從 9 個特征中選擇出 5 個具有最佳區別性能的特征，評判標準使用二次判別分析（quadratic discriminant analysis，QDA）。當分類模型性能最佳時，統計上述 9 個特征分別出現的次數，40 組中每一組均從中選擇 5 個出現次數最多的特征，所有被選擇出來的特征次數如圖 3 所示。
圖3
9 個特征在模型分類性能最佳時的出現次數
Figure3.
Occurrence of nine features in the best performance of the model
根據統計，出現次數最多的前 5 個特征的編號為 1、2、7、8 和 9，分對應 mean（平均值）、variance（方差）、homogeneity（同質性）、cluster shade（聚類萌）和 cluster prominence（聚類突）。但 cluster shade 和 cluster prominence 的計算公式中冪次僅僅相差 1，且兩者具有很高的相關性，最終決定只保留 cluster shade，并使用出現次數排第 6 的特征（編號 6，contrast，對比度）代替編號 9。因此，每一組中只保留上述 5 個特征，特征總數從 360 減少到 200。接下來使用主成分分析方法（principal components analysis，PCA）進行特征降維[10]。先對數據進行標準化，使用 PCA 對標準化后的數據進行降維，比較特征維數對分類準確率的影響以及特征選擇前后的分類性能，如圖 4 所示，從而選擇使模型性能最佳的維數。
圖4
不同的特征維數對應的準確率
Figure4.
Corresponding accuracy with different feature dimensions
由圖 4 可見，進行特征選擇后的分類準確率明顯高于未進行特征選擇的分類準確率，并且通過 PCA 將數據的維數減少到 75 時，模型的準確率最高。利用處理好的數據訓練 QDA 模型，之后針對一個新的、未知病變等級的患者的超聲造影 patch，由程序自動提取病灶區域的紋理特征，再由 QDA 模型判別病變等級，大致流程如圖 5 所示。
圖5
計算機處理圖像大致流程
Figure5.
General flow of computer processing of pictures
1.4 統計學方法
應用 SPSS23.0 軟件進行統計學分析，將人工分級的結果作為金標準，評價計算機分級結果的準確性。對人工分級的結果與計算機分級的結果進行一致性分析，計算其 Kappa 值，當 Kappa 值 ≥ 0.75 時，認為兩種方法的一致性良好。
2 結果
本研究共納入患者 121 例，其中含有經手術病理證實的直腸癌病例 83 例，另外直腸腺瘤、間質瘤、神經內分泌腫瘤共計 38 例，提取造影圖像共計 134 張。部分患者在治療過程中多次行經直腸超聲造影，其病灶超聲造影的不均勻程度已經發生改變，故我們將同一患者多次造影的圖像作為互不干擾的樣本納入最終實驗研究。134 張圖像中 22 張圖像由于病灶尺寸過小，或圖像內出現干擾信息、偽影以及腸內容物或氣體遮擋使圖像質量較差等原因被排除，最終得到 112 張有效圖像，其中Ⅰ級圖片 35 張，Ⅱ級圖片 39 張，Ⅲ級圖片 38 張。
ROI 分割成的 patch 數目如下：Ⅰ級：170；Ⅱ級：427；Ⅲ級：327。我們將 924 個 patch 隨機分成 10 份，其中 4 份 93 個，6 份 92 個。輪流將其中 9 份用來訓練分類模型，1 份做驗證模型。在使用了 PCA 對標準化后的數據進行降維后，當數據的維數減少至 75 時，模型的準確率最高。最后經過十次交叉驗證，得到的準確率如表 1、表 2 所示。
表1
十次交叉驗證準確率（%）
Table1.
Accuracy（%）of 10 cross validation
表2
十次驗證結果匯總
Table2.
Summary of the results of the ten validations
以人工分級標準作為金標準，總體準確率為 87.01%。各級準確率分別為：Ⅰ級 52.94%；Ⅱ級 96.48%；Ⅲ級 92.35%。經一致性檢驗，人工分級與計算機分級兩種方法一致性良好，其 Kappa 值為 0.785。
3 討論與結論
經直腸超聲檢查對直腸腫瘤有重要的診斷價值，能夠為直腸腫瘤的分期、病理類型判斷等提供較大的參考價值，尤其對較早期的病變，有著較高的診斷敏感性和特異性[14-15]。直腸腫瘤強化的不均勻程度能夠為直腸腫瘤的臨床診斷、病理分型、治療后反應評估等提供參考信息，文獻表明，直腸癌在 CT 上強化的不均勻程度、偏心性的強化缺失等有助于鑒別黏液癌和非黏液性癌[3]。Onji 等[2]的研究在超聲造影中得到了類似結果，他們認為結腸腫瘤超聲造影強化的不均勻程度與其病理類型有著密切的關系，黏液腫瘤中的黏液湖及腫瘤內的壞死部分可以導致強化缺失的出現，通過觀察缺失部分的邊緣是否有血管存在，可以進一步鑒別黏液性腺癌與非黏液性腺癌。
灰度共生矩陣是一種廣泛應用于超聲領域的紋理分析技術[10, 13]，現已用于乳腺、甲狀腺、肝臟、腎臟等超聲圖像的特征提取[16-17]。如 Xian 等[13]將灰度共生矩陣及模糊支持向量機方法相結合，應用于鑒別超聲圖像中的肝臟腫瘤的良惡性，取得了較好的分類效果；Rahmawaty 等[18]應用灰度共生矩陣實現了對乳腺不同回聲結節的分類。Wan 等[19]結合多種高階紋理特征，實現了計算機對雌激素陰性的乳腺腫瘤復發風險的預測。但目前少有用于直腸腫瘤超聲造影的研究。
從目前結果來看，與人工分級相比，計算機分級對Ⅱ級和Ⅲ級的判定結果準確率較高，分別為 96.48% 及 92.35%，對Ⅰ級的判定結果準確率較低，僅 52.94%。Ⅰ級比較容易被過高分級，可能的原因包括用于機器訓練的Ⅰ級圖像數量較少，所選擇的紋理特征用于區分Ⅰ級圖塊的能力較低。在進一步研究中，可以通過增加樣本量及優化特征選擇的方法來予以改進。增大樣本量也可以避免對原始圖片進行分割，從而最大限度地保留圖片中的信息。我們的數據中，存在同一患者多次造影檢查的圖像，但由于這部分數據量較少，未對其在療效監測中的作用進行分析。最后，本文是以人工分級的結果作為金標準，但事實上，人工的分級依然存在一定主觀性。因此，是否存在臨床或病理上更加客觀的指標仍有待繼續探索。
綜上所述，本文對直腸腫瘤超聲造影的不均勻程度進行了半定量分級，并采用機器學習的方法，基于灰度共生矩陣對上述圖像的紋理特征進行分析，結果表明計算機可以初步實現對直腸腫瘤超聲造影不均勻程度的識別，并對其進行分級。計算機分級與人工分級的結果比較表明，Ⅱ級及Ⅲ級分級結果吻合度較高。本文結果初步表明，可以通過機器學習初步實現對直腸腫瘤超聲造影的不均勻程度的半定量分級。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
