早期篩查是降低乳腺癌死亡率的重要手段。為了解決偏遠、貧困地區醫療資源有限導致乳腺癌篩查率較低的問題，本文設計了一種基于便攜式超聲Clarius的乳腺癌輔助篩查系統。該系統在移動終端上對B超圖像的腫瘤區域進行自動分割，在云服務器上利用超聲射頻數據進行腫瘤的良、惡性自動分類。本文研究實驗結果表明，該系統對乳腺腫瘤分割準確率達到98%，良、惡性分類準確率達到82%，系統準確可靠。該系統架設方便、操作簡單，便于偏遠、貧困地區的患者進行乳腺癌早期篩查，有利于客觀地對病情做出判斷，是國內乳腺癌輔助篩查系統在移動終端上的首次實現。
引用本文： 王致誠, 何冰冰, 張榆鋒, 李支堯, 姚瑞晗, 黃凱. 便攜式超聲乳腺癌輔助篩查系統的設計與實現. 生物醫學工程學雜志, 2022, 39(2): 390-397. doi: 10.7507/1001-5515.202108015 復制
引言
乳腺癌已經成為女性癌癥發病率之首，且惡性程度高、轉移生長早，嚴重危害我國廣大女性患者的生命健康[1]。對高危人群開展乳腺癌早期篩查，盡早發現乳腺病變，為乳腺癌的有效治療提供最佳時機，可顯著降低死亡率[2]。超聲因其無創無輻射、檢測費用低等優點，成為檢測乳腺癌的首選方法之一。但傳統超聲檢測設備體積龐大、價格昂貴，運輸不便導致應用場景受限，僅能簡單地生成被測部位圖像，后續病情還需專業醫生診斷，難以應用于偏遠、貧困地區的乳腺癌早期篩查。
由于診斷方式不同，乳腺癌超聲診斷技術可分為人工診斷、計算機輔助診斷兩類。人工診斷的準確性依賴于醫生的臨床從業經驗，具有一定的主觀性。Chang等[3]提出了使用計算機的乳腺癌診斷算法，基于B超圖像實現了乳腺癌圖像分割，并對比了隨機森林、支持向量機（support vector machine，SVM）[4-5]和卷積神經網絡的良惡性分類性能。Koun等[6]提出了先對圖像進行斑點降噪有利于腫瘤的圖像分割。鄒波等[7-8]根據超聲射頻（radio frequency，RF）時間序列進行乳腺癌良、惡性分類，設計了基于科學計算軟件Matlab（MathWorks，美國）的圖形用戶界面（graphical user interface，GUI）作為操作界面。但上述文獻均基于大型超聲診斷設備開展研究，設備體積龐大、操作復雜，不具備便攜性，難以廣泛應用于乳腺癌早期篩查。何培乾等[9]提出的便攜式超聲設備實現了與移動客戶端互連，能傳回清晰的圖像，但只是簡單地生成被測部位的圖像，未進一步提供后續的腫瘤圖像分割及良惡性診斷功能，無法實現偏遠、貧困地區乳腺癌早期篩查過程中的輔助診斷。
針對以上問題，本文設計了一種便攜式超聲乳腺癌輔助篩查系統。首先，通過便攜式超聲探頭Clarius L7（Clarius Mobile Health Inc.，加拿大）采集RF數據；然后，將RF數據傳輸至移動終端進行腫瘤區域的自動分割，并顯示分割結果；再將分割出的腫瘤區域內的RF數據傳輸至云服務器（IW4211-8Gs，思騰合力（天津）科技有限公司，中國）[10]進行良、惡性分類；最后，將分類結果實時返回至移動終端。本文基于應用程序開發軟件Qt-creator[11-12]（5.14，Digia Inc.，芬蘭）平臺，通過生成可供電腦（.exe）或手機（.apk）等移動終端直接安裝的該篩查系統的可執行文件，實現了全國首款便攜式超聲乳腺癌輔助篩查系統，有助于偏遠、貧困地區全面開展乳腺癌早期篩查。
1 系統整體設計
如圖1所示，便攜式超聲乳腺癌輔助篩查系統由便攜式超聲探頭、移動終端以及云服務器三個部分組成：① 便攜式超聲探頭采集RF數據，通過無線網絡傳輸至手機、筆記本電腦等移動終端；② 在移動終端生成B超圖像，并對腫瘤區域進行圖像分割，依據分割結果提取腫瘤區域內的RF數據并傳輸至云服務器；③ 在云服務器上進行腫瘤的良、惡性分類，并將分類診斷結果實時返回至移動終端。其中，便攜式超聲探頭Clarius L7（Clarius Mobile Health Inc.，加拿大）為線陣探頭，帶寬為4～13 MHz，體積為165 × 78 × 38 mm3，重量為364 g，單次最大使用時長為60 min。相比于其他品牌的便攜式超聲探頭，該探頭體積小、重量輕、續航時間長，方便攜帶。
圖1
便攜式超聲乳腺癌輔助篩查系統框圖
Figure1.
Block diagram of portable ultrasound-aided breast cancer screening system
使用時，在被測乳腺部位涂抹超聲耦合劑，將便攜式超聲探頭Clarius L7緊貼被測部位以實時采集RF數據，通過無線網絡通信技術（Wi-Fi）/第五代移動通信技術（5th generation mobile communication technology，5G）將采集到的RF數據傳輸至手機、筆記本電腦等移動終端；在移動終端上生成B超圖像，并利用基于最大類間方差的活動輪廓模型[13]在B超圖像中精確分割腫瘤邊界；根據分割結果提取腫瘤區域內的RF數據并通過Wi-Fi/5G傳輸至云服務器上，計算腫瘤區域內的熵[14]、縱橫比、似圓度、平均標準徑向長度[15]等4個特異性特征以進行良、惡性分類，最終將上述特征及分類結果返回移動終端，形成輔助診斷報告。基于應用程序開發軟件Qt-creator（5.14，Digia Inc.，芬蘭），已開發完成可供電腦（.exe）或手機(.apk)直接安裝該系統的可執行文件。
2 方法
2.1 腫瘤區域的自動分割
該系統的腫瘤區域自動分割過程如圖2所示。在移動終端獲取RF數據后，經希爾伯特變換（Hilbert transformation，HT）、對數壓縮生成B超圖像。由于灰度圖像可以減少冗余信息、減少運行時間、突出腫瘤區域輪廓，本文基于全局自適應閾值最大類間方差法將B超圖像轉換為灰度圖像[16]，該算法通過計算前景與背景的方差以尋找類間方差最大的灰度值作為二值化閾值。為了確定腫瘤邊界，對灰度圖像進行腐蝕操作，連接分散斑點。根據腫瘤的形態學特征，在腐蝕后的圖像中尋找最大連通域作為腫瘤區域并進行膨脹。最后，通過活動輪廓模型[17]進一步計算腫瘤的輪廓邊界，并用藍色圈線框出，從而實現自動、精細地分割腫瘤區域。
圖2
乳腺腫瘤圖像分割過程
Figure2.
Segmentation process of breast tumor image
根據腫瘤輪廓的分割結果，從原始RF數據中提取腫瘤區域內的RF數據，并通過傳輸控制協議（transmission control protocol，TCP）指定云服務器的網際協議（Internet Protocol，IP）地址和端口號，將腫瘤區域內的RF數據傳輸至云服務器上以進行下一步的良、惡性分類。
2.2 乳腺腫瘤良惡性分類
依據文獻[18]，本文選取熵、縱橫比、似圓度、平均標準徑向長度等4個對良、惡性腫瘤分類具有特異性的參數作為分類特征，其物理意義如下：
（1）熵：是描述信號混亂程度的物理量，熵越大說明信號所含信息量越多，其計算公式如式（1）所示：
 |
其中，H為熵，y為信號幅值，ymax為最大信號幅值，ymin為最小信號幅值，w(y)為幅值y的概率密度函數，即每種不同大小的幅值y出現的次數占總次數的比值。
（2）縱橫比：是乳腺超聲中應用較多的一個量化特征，是指腫瘤的縱向長度與橫向寬度的比值（f）。該比值能夠在一定程度上反映腫瘤良、惡性程度，通常良性腫瘤縱橫比小于惡性腫瘤縱橫比，其計算公式如式（2）所示：
 |
其中，h、W分別表示腫瘤的長度、寬度。
（3）似圓度：似圓度S用于定量描述腫瘤和圓形的相似程度，其計算公式如式（3）所示：
 |
其中，C為腫瘤邊界周長，A為腫瘤區域面積。若腫瘤邊界平滑，近似于圓或橢圓，似圓度小；若腫瘤邊界不規則，似圓度大。
（4）平均標準徑向長度：對于良、惡性腫瘤的邊緣特征，臨床上多以平均標準徑向長度（davg）來衡量。如果邊緣越平滑其平均標準徑向長度越小，反之越大，其計算公式如式（4）所示：
 |
其中，N為腫瘤邊緣點的個數，d(i)為標準化徑向長度，其計算公式如式（5）所示：
 |
其中，分子為邊緣上某點i到腫瘤區域中心點(
)的徑向長度，(
)為點i的坐標，D是最大徑向長度。
將分割后腫瘤區域內的RF數據的熵、縱橫比、似圓度、平均標準徑向長度4個特征送入云服務器上部署的SVM分類器，訓練出適用于乳腺癌良、惡性分類的模型。
3 移動終端軟件系統設計
本文設計的系統可在電腦和手機上運行診斷程序，使用Qt-creator進行開發。Qt-creator使用計算機程序設計語言C++（Microsoft Corp.，美國）進行編寫，可調用計算機編程語言Java（Oracle Inc.，美國）、Matlab、計算機視覺軟件庫OpenCV4.5.1（Intel Inc.，美國）等程序接口，具有良好的跨平臺性，可以做到一次開發多平臺實現。
診斷程序主要實現了圖片選擇模塊、自動分割模塊、特征提取模塊、數據傳輸模塊以及結果顯示模塊共6個功能模塊，其設計架構如圖3所示。
圖3
程序設計架構
Figure3.
Programming architecture
3.1 圖片選擇模塊
使用Qt-creator的靜態文本控件（QLabel）、窗口控件（QWidget）、文件控件（QFile）等控件設計了圖片選擇界面，該界面已實現以下五項功能以輔助醫生診斷患者病情：① 打開RF數據生成B超圖像；② 對B超圖像進行上/下張切換；③ 對B超圖像進行放大和縮小；④ 對B超圖像進行任意角度旋轉；⑤ 對B超圖像進行亮度和對比度調節。
3.2 自動分割模塊
使用鼠標控件（QMouseEvent）等控件部署活動輪廓模型算法，并設計自動分割界面，該界面可實現：① 腫瘤區域的自動分割：使用基于最大類間方差的活動輪廓模型對腫瘤進行自動分割；② 分割邊界的手動調整：記錄自動分割的腫瘤邊界坐標，通過觸控屏幕將距離觸控點最近的邊界坐標更改為觸控點所在的位置，實現邊界的手動調整；③ 橢圓擬合：對自動分割、手動調整后的腫瘤邊界進行橢圓擬合，并在圖像上勾勒出擬合后的腫瘤區域。
3.3 特征提取模塊
該模塊提取腫瘤區域內的RF數據，生成對應的B超圖像，計算各特征參數，實現如下功能：① 特征參數顯示：一是顯示紋理特征，包括似圓度、對比度、信息熵、角二階矩；二是幾何特征，包括縱橫比、橢圓相似度、方向角、腫瘤緊湊度；三是統計特征，包括均值、峰度、標準差、平均標準徑向長度。② 灰度直方圖顯示：顯示灰度直方圖以輔助醫生診斷。
3.4 數據傳輸模塊
在移動終端使用網絡控件（QtNetwork）等控件設計了數據傳輸界面，該界面通過調用TCP協議，輸入云服務器的IP地址和端口號，可實時傳輸乳腺RF數據和診斷結果。
3.5 服務器處理模塊
在服務器端設計了數據接收及診斷界面，該界面通過TCP協議接收從移動終端傳輸的乳腺RF數據，并提取熵、縱橫比、似圓度、平均標準徑向長度4個特征，送入部署好的SVM分類器，并將良、惡性分類結果返回至移動終端。
3.6 結果顯示模塊
顯示良、惡性診斷結果，給出診斷報告單，顯示腫瘤的位置、大小以及診斷意見。
4 實驗結果與討論
本文使用來自波蘭科學院基礎技術研究所的乳腺超聲公開數據庫（open access series of breast ultrasonic data，OASBUD）（網址為：http://bluebox.ippt.gov.pl/~hpiotrzk）[19]測試系統性能。該數據庫的超聲RF數據來自于78例患者（平均年齡49.5歲）的100例乳腺腫瘤，由具有18年臨床經驗的放射科醫生使用超聲診斷系統Sonix Touch（Ultrasonix Inc.，加拿大）和線陣換能器L14-5/38（Ultrasonix Inc.，加拿大）從水平和垂直兩個方向采集，且包含了術后活檢結果。所有患者均在檢查前知情同意，數據采集時間為2013年11月-2015年10月。
4.1 腫瘤自動分割結果
對乳腺癌腫瘤B超圖像的分割結果如圖4所示，本文方法的分割結果與醫生標定的分割結果相近，能夠有效將腫瘤和背景分割開。
圖4
圖像分割結果對比
Figure4.
Comparison of image segmentation results
本文使用圖像分割常用的三種評價指標評估分割效果：戴斯相似性系數（Dice similarity coefficient，DSC）、準確率（accuracy，ACC）、精度（precision，PR）。定義醫生標定的腫瘤區域為正類，背景區域為負類。DSC為模型分割部分與醫生標定部分的交集與并集之間的比值，是醫學分割中的金標準，其比例越大分割效果越好，完美重合時為1。ACC為分類正確的樣本數除以樣本總數，正確率越高分割效果越好。PR為分割精度，表示被分為正類的樣本數占實際為正類的樣本數的比例。DSC、ACC、PR計算公式分別如式（6）~式（8）所示。
 |
 |
 |
其中，真陽性（true positives，TP）：被正確分類為正類的個數；真陰性（true negatives，TN）：被正確分類為負類的個數；假陽性（false positives，FP）：被錯誤分類為正類的個數；假陰性（false negatives，FN）：被錯誤分類為負類的個數。
對100例乳腺癌B超圖像進行分割，三種評價指標的均值 ± 標準差分別為：DSC（0.84 ± 0.06）、ACC（0.98 ± 0.01）、PR（0.88 ± 0.11），具有較好的分割效果。
4.2 腫瘤良、惡性分類結果
計算100例乳腺癌RF數據的熵、縱橫比、似圓度、平均標準徑向長度這4個特征參數，如表1所示，列出了每個特征參數在所有良、惡性腫瘤樣本內的均值±標準差。對樣本進行t檢驗計算P值，所有特征參數的P值均小于0.05，差異具有統計學意義。并給出其受試者工作特征曲線（receiver operating characteristic curve，ROC）和曲線下面積（area under curve，AUC）來評價特征的分類水平，如圖5所示。
表1
特征參數分布
Table1.
Distribution of characteristic parameters
圖5
4種分類特異性參數的ROC曲線
Figure5.
ROC curves of 4 classification specific parameters
熵、縱橫比、似圓度、平均標準徑向長度這4個特征參數的AUC值分別為0.71、0.79、0.71和0.74。使用SVM對這個4個特征參數進行分類，分類正確率達到82%，其算法得到的混淆矩陣如圖6所示。
圖6
SVM模型混淆矩陣
Figure6.
Confusion matrix of SVM model
在SVM模型的混淆矩陣中，TN的值為39，FN的值為9，FP的值為9，TP的值為43。其ROC曲線如圖7所示，AUC值達到0.85說明選取的特征具有較好的分類效果。
圖7
SVM模型ROC曲線
Figure7.
ROC curve of SVM model
4.3 系統運行結果
本系統提供可供電腦直接執行的.exe文件以及可供手機安裝的.apk文件。電腦端、手機端的診斷操作界面如圖8所示，點擊“自動分割”按鈕可用綠色圈線勾勒出病灶區域，點擊“橢圓擬合”按鈕可用紅色圈線勾勒出疑似病灶的范圍，點擊“一鍵診斷”按鈕可對良、惡性乳腺癌進行分類，點擊“診斷結果”按鈕可顯示輔助診斷報告單，報告單給出腫瘤的大小、形狀、方位等描述，同時給出專業的超聲診斷建議和腫瘤良、惡性診斷結果。
圖8
電腦端和手機端界面
Figure8.
Computer and mobile terminal interface
5 總結
由于乳腺癌臨床數據采集周期較長，且良、惡性診斷結果需術后活檢驗證，本文初步使用OASBUD數據庫測試系統性能。該數據庫的超聲RF數據由具有18年臨床經驗的放射科醫生從水平和垂直兩個方向采集自100例乳腺腫瘤，且包含了術后活檢結果，被廣泛應用于超聲乳腺癌的研究工作[20-23]。據表2可知，OASBUD數據庫使用的超聲線陣換能器L14-5/38的中心頻率、穿透深度等關鍵參數未超出便攜式超聲探頭Clarius L7的測量范圍，則上述數據庫可用于測試本系統的分割、分類功能。然而Sonix Touch與便攜式超聲探頭Clarius L7仍存在一定的差異性，使用本文系統采集臨床數據更能充分準確地評估系統的有效性及臨床適用性，這將是下一步研究工作的重點。
表2
超聲線陣換能器L14-5/38與便攜式超聲探頭Clarius L7超聲參數對比
Table2.
Comparison of ultrasound parameters between ultrasonic linear array transducer L14-5/38 and potable ultrasonic probe Clarius L7
本文設計了一種便攜式超聲乳腺癌輔助篩查系統。在測試環境下，該系統已實現了便捷、準確的乳腺癌診斷，不僅攜帶方便、操作簡單，還能夠將乳腺腫瘤輪廓可視化，生成了包含腫瘤深度、尺寸、良惡性分類等多項診斷特征參數的輔助診斷報告單，有望應用于貧困、偏遠地區的乳腺癌早期篩查，可有效提高篩查準確率、降低乳腺癌死亡率。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突；
作者貢獻聲明：王致誠：提出系統設計思路并實現；何冰冰、張榆鋒：指導系統實現過程及論文寫作；李支堯：臨床指導；姚瑞晗：數據分析；黃凱：系統測試。
引言
乳腺癌已經成為女性癌癥發病率之首，且惡性程度高、轉移生長早，嚴重危害我國廣大女性患者的生命健康[1]。對高危人群開展乳腺癌早期篩查，盡早發現乳腺病變，為乳腺癌的有效治療提供最佳時機，可顯著降低死亡率[2]。超聲因其無創無輻射、檢測費用低等優點，成為檢測乳腺癌的首選方法之一。但傳統超聲檢測設備體積龐大、價格昂貴，運輸不便導致應用場景受限，僅能簡單地生成被測部位圖像，后續病情還需專業醫生診斷，難以應用于偏遠、貧困地區的乳腺癌早期篩查。
由于診斷方式不同，乳腺癌超聲診斷技術可分為人工診斷、計算機輔助診斷兩類。人工診斷的準確性依賴于醫生的臨床從業經驗，具有一定的主觀性。Chang等[3]提出了使用計算機的乳腺癌診斷算法，基于B超圖像實現了乳腺癌圖像分割，并對比了隨機森林、支持向量機（support vector machine，SVM）[4-5]和卷積神經網絡的良惡性分類性能。Koun等[6]提出了先對圖像進行斑點降噪有利于腫瘤的圖像分割。鄒波等[7-8]根據超聲射頻（radio frequency，RF）時間序列進行乳腺癌良、惡性分類，設計了基于科學計算軟件Matlab（MathWorks，美國）的圖形用戶界面（graphical user interface，GUI）作為操作界面。但上述文獻均基于大型超聲診斷設備開展研究，設備體積龐大、操作復雜，不具備便攜性，難以廣泛應用于乳腺癌早期篩查。何培乾等[9]提出的便攜式超聲設備實現了與移動客戶端互連，能傳回清晰的圖像，但只是簡單地生成被測部位的圖像，未進一步提供后續的腫瘤圖像分割及良惡性診斷功能，無法實現偏遠、貧困地區乳腺癌早期篩查過程中的輔助診斷。
針對以上問題，本文設計了一種便攜式超聲乳腺癌輔助篩查系統。首先，通過便攜式超聲探頭Clarius L7（Clarius Mobile Health Inc.，加拿大）采集RF數據；然后，將RF數據傳輸至移動終端進行腫瘤區域的自動分割，并顯示分割結果；再將分割出的腫瘤區域內的RF數據傳輸至云服務器（IW4211-8Gs，思騰合力（天津）科技有限公司，中國）[10]進行良、惡性分類；最后，將分類結果實時返回至移動終端。本文基于應用程序開發軟件Qt-creator[11-12]（5.14，Digia Inc.，芬蘭）平臺，通過生成可供電腦（.exe）或手機（.apk）等移動終端直接安裝的該篩查系統的可執行文件，實現了全國首款便攜式超聲乳腺癌輔助篩查系統，有助于偏遠、貧困地區全面開展乳腺癌早期篩查。
1 系統整體設計
如圖1所示，便攜式超聲乳腺癌輔助篩查系統由便攜式超聲探頭、移動終端以及云服務器三個部分組成：① 便攜式超聲探頭采集RF數據，通過無線網絡傳輸至手機、筆記本電腦等移動終端；② 在移動終端生成B超圖像，并對腫瘤區域進行圖像分割，依據分割結果提取腫瘤區域內的RF數據并傳輸至云服務器；③ 在云服務器上進行腫瘤的良、惡性分類，并將分類診斷結果實時返回至移動終端。其中，便攜式超聲探頭Clarius L7（Clarius Mobile Health Inc.，加拿大）為線陣探頭，帶寬為4～13 MHz，體積為165 × 78 × 38 mm3，重量為364 g，單次最大使用時長為60 min。相比于其他品牌的便攜式超聲探頭，該探頭體積小、重量輕、續航時間長，方便攜帶。
圖1
便攜式超聲乳腺癌輔助篩查系統框圖
Figure1.
Block diagram of portable ultrasound-aided breast cancer screening system
使用時，在被測乳腺部位涂抹超聲耦合劑，將便攜式超聲探頭Clarius L7緊貼被測部位以實時采集RF數據，通過無線網絡通信技術（Wi-Fi）/第五代移動通信技術（5th generation mobile communication technology，5G）將采集到的RF數據傳輸至手機、筆記本電腦等移動終端；在移動終端上生成B超圖像，并利用基于最大類間方差的活動輪廓模型[13]在B超圖像中精確分割腫瘤邊界；根據分割結果提取腫瘤區域內的RF數據并通過Wi-Fi/5G傳輸至云服務器上，計算腫瘤區域內的熵[14]、縱橫比、似圓度、平均標準徑向長度[15]等4個特異性特征以進行良、惡性分類，最終將上述特征及分類結果返回移動終端，形成輔助診斷報告。基于應用程序開發軟件Qt-creator（5.14，Digia Inc.，芬蘭），已開發完成可供電腦（.exe）或手機(.apk)直接安裝該系統的可執行文件。
2 方法
2.1 腫瘤區域的自動分割
該系統的腫瘤區域自動分割過程如圖2所示。在移動終端獲取RF數據后，經希爾伯特變換（Hilbert transformation，HT）、對數壓縮生成B超圖像。由于灰度圖像可以減少冗余信息、減少運行時間、突出腫瘤區域輪廓，本文基于全局自適應閾值最大類間方差法將B超圖像轉換為灰度圖像[16]，該算法通過計算前景與背景的方差以尋找類間方差最大的灰度值作為二值化閾值。為了確定腫瘤邊界，對灰度圖像進行腐蝕操作，連接分散斑點。根據腫瘤的形態學特征，在腐蝕后的圖像中尋找最大連通域作為腫瘤區域并進行膨脹。最后，通過活動輪廓模型[17]進一步計算腫瘤的輪廓邊界，并用藍色圈線框出，從而實現自動、精細地分割腫瘤區域。
圖2
乳腺腫瘤圖像分割過程
Figure2.
Segmentation process of breast tumor image
根據腫瘤輪廓的分割結果，從原始RF數據中提取腫瘤區域內的RF數據，并通過傳輸控制協議（transmission control protocol，TCP）指定云服務器的網際協議（Internet Protocol，IP）地址和端口號，將腫瘤區域內的RF數據傳輸至云服務器上以進行下一步的良、惡性分類。
2.2 乳腺腫瘤良惡性分類
依據文獻[18]，本文選取熵、縱橫比、似圓度、平均標準徑向長度等4個對良、惡性腫瘤分類具有特異性的參數作為分類特征，其物理意義如下：
（1）熵：是描述信號混亂程度的物理量，熵越大說明信號所含信息量越多，其計算公式如式（1）所示：
|
其中，H為熵，y為信號幅值，ymax為最大信號幅值，ymin為最小信號幅值，w(y)為幅值y的概率密度函數，即每種不同大小的幅值y出現的次數占總次數的比值。
（2）縱橫比：是乳腺超聲中應用較多的一個量化特征，是指腫瘤的縱向長度與橫向寬度的比值（f）。該比值能夠在一定程度上反映腫瘤良、惡性程度，通常良性腫瘤縱橫比小于惡性腫瘤縱橫比，其計算公式如式（2）所示：
|
其中，h、W分別表示腫瘤的長度、寬度。
（3）似圓度：似圓度S用于定量描述腫瘤和圓形的相似程度，其計算公式如式（3）所示：
|
其中，C為腫瘤邊界周長，A為腫瘤區域面積。若腫瘤邊界平滑，近似于圓或橢圓，似圓度小；若腫瘤邊界不規則，似圓度大。
（4）平均標準徑向長度：對于良、惡性腫瘤的邊緣特征，臨床上多以平均標準徑向長度（davg）來衡量。如果邊緣越平滑其平均標準徑向長度越小，反之越大，其計算公式如式（4）所示：
|
其中，N為腫瘤邊緣點的個數，d(i)為標準化徑向長度，其計算公式如式（5）所示：
|
其中，分子為邊緣上某點i到腫瘤區域中心點()的徑向長度，()為點i的坐標，D是最大徑向長度。
將分割后腫瘤區域內的RF數據的熵、縱橫比、似圓度、平均標準徑向長度4個特征送入云服務器上部署的SVM分類器，訓練出適用于乳腺癌良、惡性分類的模型。
3 移動終端軟件系統設計
本文設計的系統可在電腦和手機上運行診斷程序，使用Qt-creator進行開發。Qt-creator使用計算機程序設計語言C++（Microsoft Corp.，美國）進行編寫，可調用計算機編程語言Java（Oracle Inc.，美國）、Matlab、計算機視覺軟件庫OpenCV4.5.1（Intel Inc.，美國）等程序接口，具有良好的跨平臺性，可以做到一次開發多平臺實現。
診斷程序主要實現了圖片選擇模塊、自動分割模塊、特征提取模塊、數據傳輸模塊以及結果顯示模塊共6個功能模塊，其設計架構如圖3所示。
圖3
程序設計架構
Figure3.
Programming architecture
3.1 圖片選擇模塊
使用Qt-creator的靜態文本控件（QLabel）、窗口控件（QWidget）、文件控件（QFile）等控件設計了圖片選擇界面，該界面已實現以下五項功能以輔助醫生診斷患者病情：① 打開RF數據生成B超圖像；② 對B超圖像進行上/下張切換；③ 對B超圖像進行放大和縮小；④ 對B超圖像進行任意角度旋轉；⑤ 對B超圖像進行亮度和對比度調節。
3.2 自動分割模塊
使用鼠標控件（QMouseEvent）等控件部署活動輪廓模型算法，并設計自動分割界面，該界面可實現：① 腫瘤區域的自動分割：使用基于最大類間方差的活動輪廓模型對腫瘤進行自動分割；② 分割邊界的手動調整：記錄自動分割的腫瘤邊界坐標，通過觸控屏幕將距離觸控點最近的邊界坐標更改為觸控點所在的位置，實現邊界的手動調整；③ 橢圓擬合：對自動分割、手動調整后的腫瘤邊界進行橢圓擬合，并在圖像上勾勒出擬合后的腫瘤區域。
3.3 特征提取模塊
該模塊提取腫瘤區域內的RF數據，生成對應的B超圖像，計算各特征參數，實現如下功能：① 特征參數顯示：一是顯示紋理特征，包括似圓度、對比度、信息熵、角二階矩；二是幾何特征，包括縱橫比、橢圓相似度、方向角、腫瘤緊湊度；三是統計特征，包括均值、峰度、標準差、平均標準徑向長度。② 灰度直方圖顯示：顯示灰度直方圖以輔助醫生診斷。
3.4 數據傳輸模塊
在移動終端使用網絡控件（QtNetwork）等控件設計了數據傳輸界面，該界面通過調用TCP協議，輸入云服務器的IP地址和端口號，可實時傳輸乳腺RF數據和診斷結果。
3.5 服務器處理模塊
在服務器端設計了數據接收及診斷界面，該界面通過TCP協議接收從移動終端傳輸的乳腺RF數據，并提取熵、縱橫比、似圓度、平均標準徑向長度4個特征，送入部署好的SVM分類器，并將良、惡性分類結果返回至移動終端。
3.6 結果顯示模塊
顯示良、惡性診斷結果，給出診斷報告單，顯示腫瘤的位置、大小以及診斷意見。
4 實驗結果與討論
本文使用來自波蘭科學院基礎技術研究所的乳腺超聲公開數據庫（open access series of breast ultrasonic data，OASBUD）（網址為：http://bluebox.ippt.gov.pl/~hpiotrzk）[19]測試系統性能。該數據庫的超聲RF數據來自于78例患者（平均年齡49.5歲）的100例乳腺腫瘤，由具有18年臨床經驗的放射科醫生使用超聲診斷系統Sonix Touch（Ultrasonix Inc.，加拿大）和線陣換能器L14-5/38（Ultrasonix Inc.，加拿大）從水平和垂直兩個方向采集，且包含了術后活檢結果。所有患者均在檢查前知情同意，數據采集時間為2013年11月-2015年10月。
4.1 腫瘤自動分割結果
對乳腺癌腫瘤B超圖像的分割結果如圖4所示，本文方法的分割結果與醫生標定的分割結果相近，能夠有效將腫瘤和背景分割開。
圖4
圖像分割結果對比
Figure4.
Comparison of image segmentation results
本文使用圖像分割常用的三種評價指標評估分割效果：戴斯相似性系數（Dice similarity coefficient，DSC）、準確率（accuracy，ACC）、精度（precision，PR）。定義醫生標定的腫瘤區域為正類，背景區域為負類。DSC為模型分割部分與醫生標定部分的交集與并集之間的比值，是醫學分割中的金標準，其比例越大分割效果越好，完美重合時為1。ACC為分類正確的樣本數除以樣本總數，正確率越高分割效果越好。PR為分割精度，表示被分為正類的樣本數占實際為正類的樣本數的比例。DSC、ACC、PR計算公式分別如式（6）~式（8）所示。
|
|
|
其中，真陽性（true positives，TP）：被正確分類為正類的個數；真陰性（true negatives，TN）：被正確分類為負類的個數；假陽性（false positives，FP）：被錯誤分類為正類的個數；假陰性（false negatives，FN）：被錯誤分類為負類的個數。
對100例乳腺癌B超圖像進行分割，三種評價指標的均值 ± 標準差分別為：DSC（0.84 ± 0.06）、ACC（0.98 ± 0.01）、PR（0.88 ± 0.11），具有較好的分割效果。
4.2 腫瘤良、惡性分類結果
計算100例乳腺癌RF數據的熵、縱橫比、似圓度、平均標準徑向長度這4個特征參數，如表1所示，列出了每個特征參數在所有良、惡性腫瘤樣本內的均值±標準差。對樣本進行t檢驗計算P值，所有特征參數的P值均小于0.05，差異具有統計學意義。并給出其受試者工作特征曲線（receiver operating characteristic curve，ROC）和曲線下面積（area under curve，AUC）來評價特征的分類水平，如圖5所示。
表1
特征參數分布
Table1.
Distribution of characteristic parameters
圖5
4種分類特異性參數的ROC曲線
Figure5.
ROC curves of 4 classification specific parameters
熵、縱橫比、似圓度、平均標準徑向長度這4個特征參數的AUC值分別為0.71、0.79、0.71和0.74。使用SVM對這個4個特征參數進行分類，分類正確率達到82%，其算法得到的混淆矩陣如圖6所示。
圖6
SVM模型混淆矩陣
Figure6.
Confusion matrix of SVM model
在SVM模型的混淆矩陣中，TN的值為39，FN的值為9，FP的值為9，TP的值為43。其ROC曲線如圖7所示，AUC值達到0.85說明選取的特征具有較好的分類效果。
圖7
SVM模型ROC曲線
Figure7.
ROC curve of SVM model
4.3 系統運行結果
本系統提供可供電腦直接執行的.exe文件以及可供手機安裝的.apk文件。電腦端、手機端的診斷操作界面如圖8所示，點擊“自動分割”按鈕可用綠色圈線勾勒出病灶區域，點擊“橢圓擬合”按鈕可用紅色圈線勾勒出疑似病灶的范圍，點擊“一鍵診斷”按鈕可對良、惡性乳腺癌進行分類，點擊“診斷結果”按鈕可顯示輔助診斷報告單，報告單給出腫瘤的大小、形狀、方位等描述，同時給出專業的超聲診斷建議和腫瘤良、惡性診斷結果。
圖8
電腦端和手機端界面
Figure8.
Computer and mobile terminal interface
5 總結
由于乳腺癌臨床數據采集周期較長，且良、惡性診斷結果需術后活檢驗證，本文初步使用OASBUD數據庫測試系統性能。該數據庫的超聲RF數據由具有18年臨床經驗的放射科醫生從水平和垂直兩個方向采集自100例乳腺腫瘤，且包含了術后活檢結果，被廣泛應用于超聲乳腺癌的研究工作[20-23]。據表2可知，OASBUD數據庫使用的超聲線陣換能器L14-5/38的中心頻率、穿透深度等關鍵參數未超出便攜式超聲探頭Clarius L7的測量范圍，則上述數據庫可用于測試本系統的分割、分類功能。然而Sonix Touch與便攜式超聲探頭Clarius L7仍存在一定的差異性，使用本文系統采集臨床數據更能充分準確地評估系統的有效性及臨床適用性，這將是下一步研究工作的重點。
表2
超聲線陣換能器L14-5/38與便攜式超聲探頭Clarius L7超聲參數對比
Table2.
Comparison of ultrasound parameters between ultrasonic linear array transducer L14-5/38 and potable ultrasonic probe Clarius L7
本文設計了一種便攜式超聲乳腺癌輔助篩查系統。在測試環境下，該系統已實現了便捷、準確的乳腺癌診斷，不僅攜帶方便、操作簡單，還能夠將乳腺腫瘤輪廓可視化，生成了包含腫瘤深度、尺寸、良惡性分類等多項診斷特征參數的輔助診斷報告單，有望應用于貧困、偏遠地區的乳腺癌早期篩查，可有效提高篩查準確率、降低乳腺癌死亡率。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突；
作者貢獻聲明：王致誠：提出系統設計思路并實現；何冰冰、張榆鋒：指導系統實現過程及論文寫作；李支堯：臨床指導；姚瑞晗：數據分析；黃凱：系統測試。
