Page 62 - 《应用声学》2021年第1期
P. 62
58 2021 年 1 月
类。如图 6所示，当ROI数目从 1 块增加到 16块时， 断结果产生影响，因此，研究者们通常会采用入组数
良恶性分类的准确率随着 ROI 数目的增加而增加 据预筛选的方式来提高诊断准确率。例如，Xu等 [9]
(从 75% 增加至 95%)。但当 ROI 数目大于 16 块后， 的工作通过对比ROI与RR区域中非线性二次谐波
良恶性分类的准确率增长趋于饱和，而训练时间则 差异度，计算相对 P 值来对甲状腺结节的良恶性进
始终随着 ROI 数量的增加呈指数增长。鉴于在使 行分类。当结节过大时，很难确保 ROI 和 RR 区域
用16块ROI来覆盖结节之后，其分类准确率已经达 面积相等，只能通过数据预筛选剔除过大的结节，以
到 90% 以上，足以完成预筛查的要求，所以本文最 降低误判概率。而本文采用滑动窗图像分析方法，
终采用16块ROI来对结节进行覆盖和特征提取。 通过对 RF 信号重构形成熵、加权熵、Nakagami-m
和峰度等图像，在此基础上提取样本不同分区的细
100 10 3
节信息，并利用 ANN 作为分类工具，将所有小块
95
ROI的特征信息 (如灰度、熵值等) 作为综合判据纳
10 2 入考量，由此避免单块 ROI数据平均造成的细节信
90
юᆸဋ/% 85 юᆸဋ Ᏺ/s 息损失，以此提高诊断的准确率。当结节过大时，需
Ᏺ 10 1
80 要设置较大的 ROI来包含更多的生物组织，但过大
的 ROI 难以被视为结节局部的特征。因此，本文也
75
10 0 通过数据预筛选的方式去除了直径超过 2.5 cm 的
0 20 40 60 80
ROIᄬ 结节。换言之，本文所提出的方法主要聚焦结节的
细节信息，而忽略了样本的总体形态信息 (如样本
图 6 ROI 数目对准确率和训练时间的影响
大小、纵横比等) 对诊断结果的影响，且对面积过大
Fig. 6 The effect of ROI number on accuracy and
training time 的结节无法适用。
3.3 滑动窗口图像分析方法
4 结论
本文使用滑动窗口对超声 RF 信号进行重构，
形成新的组织定征参数图。在此过程中，窗口的大 本文提出了一种基于超声原始 RF 信号的组织
小是一个重要的变量。以往的研究表明，无论过大 定征参数和人工神经网络结合的甲状腺结节智能
或者过小的窗口都会导致参数无法准确估计，过大 诊断方法。通过滑动窗口成像得到基于超声原始
的窗口还会导致分辨率下降。因此，本文尝试了不 RF 信号的组织定征参数图，提取结节内参数的平
同窗口大小下的成像效果，发现在 1/2 脉冲长度的 均值，并在良性和恶性样本、结节和正常组织之间
时候，所提取的参数区分度是最大的，同时图像分辨 使用双样本 t 检验，结果显示，结节与正常组织的
率也较高，综合参数的分布范围和图像的视觉效果， 参数有明显不同，且恶性结节偏离正常组织的程度
最终选择1/2脉冲长度作为窗口大小。 更高。采用多 ROI 覆盖结节进行滑动窗成像，并结
滑动窗口重构的过程中，使用公式对图像局部 合人工神经网络对155例样本进行多参数提取和良
的参数进行计算，由于窗口大小远小于整幅超声二
恶性分类，可以达到 93.2% 的敏感度、94.0% 的特异
维图像，且与单个 RF 脉冲长度在同一数量级，因
性、93.5% 的准确率。此外，文中所用的组织定征参
此可以认为局部的信号类型是比较接近的。而文中
数计算复杂度要低于灰度共生矩阵参数，耗时仅为
所用的组织定征参数的公式，对于各个信号的出现
后者的 1/4。在比对了不同数量和密集程度的 ROI
顺序并无要求，所以本文将位于窗口内的由几小段
覆盖结节的效果之后，本文发现16块ROI是较为优
RF 信号线组成的二维信号重排为一维，视为一列
化的选择，在达到较为满意的准确率的同时，尽可能
新的RF信号进行处理，计算该处的参数值。
控制计算资源和时间耗费。本文所提出的方法在一
3.4 局限性 定程度上克服了传统方法无法充分利用图像局部
需要指出的是，在基于 B 超图像的甲状腺智能 细节信息的不足，另一方面，相比于深度神经网络来
诊断的工作中，结节的大小或整体形状可能会对诊 说，资源和样本量的需求较少，属于两者之间的折
