·22· 智能系统学 报 第16卷 贵且具有辐射性：X线摄影只能对特定的断面 的ROI区域。 进行诊断，灵敏度低，相比于MRI、PET和X线， Cai等9首先提取出138个病例的乳腺超声 超声成像技术不仅价格低廉、不具有放射性，而 图像的ROI区域，之后提出了一种结合相位一致 且可以将各个断面的绝大部分的病变区域显示出 性和局部二值模式(local binary pattern,LBP)特征 来，尤其针对亚洲年轻女性较为紧密的乳腺组 的局部纹理描述符特征，最后采用支持向量机 织，超声成像技术有着更好的检测效果，更适合 (support vector machine,.SVM)分类器来区分乳腺 于对乳腺肿瘤进行大规模的检查-。 超声图像中的良恶性肿瘤；Huang等o1首先利用 虽然超声成像已成为早期诊断的最受欢迎的 分水岭算法来获取乳腺超声图像初始轮廓，然后 检测方式，但超声检测在实际应用中仍然存在较 采用最小化能量函数进一步得到精确的肿瘤边 多的困难： 界，最后采用支持向量机对乳腺肿瘤超声图像做 1)超声成像过程较为复杂容易造成严重的噪 良恶性识别：Shahriar等将得到的超声图像先 声，同时鉴于乳腺肿瘤的浸润性，其对比度和分 寻找轮廓，之后提取纹理和统计特征，最后采用 辨率比较低，边界模糊： 神经网络来分类；Menon等首先采用基于局部 2)由于超声波频率较高、缠头能力强，对于 区域的主动轮廓法对预处理后的乳腺超声图像精 较多的小于10mm的小肿瘤很难进行准确的鉴别； 确地确定ROI区域，接着提取纹理及形态等特 3)超声波束具有反射、折射等特点，而不同 征，最后采用SVM对其进行分类。 人体的组织器官的声阻抗具有较大差异，而极易 这些传统的识别方法虽然在一定程度上实现 导致超声图像生成伪像。 了超声肿瘤识别，但都基本需要进行人工的特征 然而，影像科医生往往都是根据自己的工作 提取，往往识别精度较低、鲁棒性较差、通用性不 经验来分析超声图像，借助肿瘤的形状、大小、能 强，故很难应用到实际的诊断中。 量、密度等相关的特征来分辨肿瘤良恶性，对于 近几年，随着深度学习的兴起，部分研究人员 相同的一幅图像，不同医生的分析可能会有一定 又提出基于深度学习的方法来进行肿瘤识别，例 差异，不同时期图像的属性也有所不同，因此判 如：Xiao Ting等1提出采用深度迁移融合的方法 读结果也会不同，除此之外，乳腺超声图像的诊 来实现乳腺超声肿瘤识别，其采用Resnet:50、 断工作较为复杂，特别对于中型和大型医院病人 Xception和Inception V3这3种卷积神经网络提 较多、工作量较大的情况，单纯依赖医生诊断容 取的不同的特征进行迁移融合，接着采用前向神 易发生错误诊断，这将大大影响病人的有效治疗 经网络来分类。Han等首先对获取的5151例 时间，给病人的生命财产造成严重的影响，基于 患者的7408张超声图像进行了ROI区域人工提 以上原因，完全依赖医生的人工处理容易由于疲 取，之后将其输入到改进后的GoogLeNet网络中 劳而造成误诊率上升的现象，随着人工智能相 进行特征提取和分类，结果显示，AUC大于0.9， 关理论的发展，基于深度学习的乳腺超声肿瘤识 准确性为90%，灵敏度为86%，特异度为96%。 别技术有着重要的研究价值和意义。 梁舒和王恒立等s-161分别采用优化后的U-net和 1相关工作 全卷积网络进行超声乳腺肿瘤ROI区域的分割， 最终在数据集上分别实现了82.5%、83.48%的准 目前乳腺肿瘤的识别方法主要可分为2类： 确率。 乳腺肿瘤传统识别方法以及基于深度学习的乳腺 目前基于深度学习乳腺肿瘤识别方法，基本 肿瘤识别方法。 都是仅限于采用图像分割的方法定位ROI区域 乳腺肿瘤传统识别方法包含了乳腺超声肿瘤 或将给定的ROI区域分类为良性或恶性，而并不 图像预处理、区域分割、特征提取和分类4步。 能同时实现对ROI区域的定位和对肿瘤的分类， 由于先前的过程会影响后续过程，因此这些方法 给医护人员的诊断带了极大的不变，最近，Osman 都需要非常精确地处理每一个步骤，按照是否强 提出采用基于改进的FCN-AlexNet和基于改进的 调分类和强调目标感兴趣区域(region of interest,. Mask R-CNN语义分割模型实现端到端的超声肿 RO)提取将传统方法分成2类，其中强调分类的 瘤识别，同时执行定位和分类，目前这种采用图 方法通常需要人工手动或半自动获取ROI区域！ 像分割的乳腺超声肿瘤识别的方法，虽然较为精 更加侧重于开发区分良性恶性肿瘤的有效特征和 确地定位超声肿瘤的边界且实现了良恶性识别， 分类器的选择；而强调ROI区域提取的方法都是 但这种图像语义分割的方法需要手动标注大量肿 侧重于开发更优的图像分割方法定位超声肿瘤 瘤分割的数据集，而制作分割数据集的过程非常贵且具有辐射性[5] ；X 线摄影只能对特定的断面 进行诊断，灵敏度低[6] ；相比于 MRI、PET 和 X 线， 超声成像技术不仅价格低廉、不具有放射性，而 且可以将各个断面的绝大部分的病变区域显示出 来，尤其针对亚洲年轻女性较为紧密的乳腺组 织，超声成像技术有着更好的检测效果，更适合 于对乳腺肿瘤进行大规模的检查[7-8]。 虽然超声成像已成为早期诊断的最受欢迎的 检测方式，但超声检测在实际应用中仍然存在较 多的困难： 1) 超声成像过程较为复杂容易造成严重的噪 声，同时鉴于乳腺肿瘤的浸润性，其对比度和分 辨率比较低，边界模糊； 2) 由于超声波频率较高、缠头能力强，对于 较多的小于 10 mm 的小肿瘤很难进行准确的鉴别； 3) 超声波束具有反射、折射等特点，而不同 人体的组织器官的声阻抗具有较大差异，而极易 导致超声图像生成伪像。 然而，影像科医生往往都是根据自己的工作 经验来分析超声图像，借助肿瘤的形状、大小、能 量、密度等相关的特征来分辨肿瘤良恶性，对于 相同的一幅图像，不同医生的分析可能会有一定 差异，不同时期图像的属性也有所不同，因此判 读结果也会不同，除此之外，乳腺超声图像的诊 断工作较为复杂，特别对于中型和大型医院病人 较多、工作量较大的情况，单纯依赖医生诊断容 易发生错误诊断，这将大大影响病人的有效治疗 时间，给病人的生命财产造成严重的影响，基于 以上原因，完全依赖医生的人工处理容易由于疲 劳而造成误诊率上升的现象[8] ，随着人工智能相 关理论的发展，基于深度学习的乳腺超声肿瘤识 别技术有着重要的研究价值和意义。 1 相关工作 目前乳腺肿瘤的识别方法主要可分为 2 类： 乳腺肿瘤传统识别方法以及基于深度学习的乳腺 肿瘤识别方法。 乳腺肿瘤传统识别方法包含了乳腺超声肿瘤 图像预处理、区域分割、特征提取和分类 4 步。 由于先前的过程会影响后续过程，因此这些方法 都需要非常精确地处理每一个步骤，按照是否强 调分类和强调目标感兴趣区域 (region of interest, ROI) 提取将传统方法分成 2 类，其中强调分类的 方法通常需要人工手动或半自动获取 ROI 区域， 更加侧重于开发区分良性恶性肿瘤的有效特征和 分类器的选择；而强调 ROI 区域提取的方法都是 侧重于开发更优的图像分割方法定位超声肿瘤 的 ROI 区域。 Cai 等 [9] 首先提取出 138 个病例的乳腺超声 图像的 ROI 区域，之后提出了一种结合相位一致 性和局部二值模式 (local binary pattern, LBP) 特征 的局部纹理描述符特征，最后采用 支持向量机 （support vector machine, SVM）分类器来区分乳腺 超声图像中的良恶性肿瘤；Huang 等 [10] 首先利用 分水岭算法来获取乳腺超声图像初始轮廓，然后 采用最小化能量函数进一步得到精确的肿瘤边 界，最后采用支持向量机对乳腺肿瘤超声图像做 良恶性识别；Shahriar 等 [11] 将得到的超声图像先 寻找轮廓，之后提取纹理和统计特征，最后采用 神经网络来分类；Menon 等 [12] 首先采用基于局部 区域的主动轮廓法对预处理后的乳腺超声图像精 确地确定 ROI 区域，接着提取纹理及形态等特 征，最后采用 SVM 对其进行分类。 这些传统的识别方法虽然在一定程度上实现 了超声肿瘤识别，但都基本需要进行人工的特征 提取，往往识别精度较低、鲁棒性较差、通用性不 强，故很难应用到实际的诊断中。 近几年，随着深度学习的兴起，部分研究人员 又提出基于深度学习的方法来进行肿瘤识别，例 如：Xiao Ting 等 [13] 提出采用深度迁移融合的方法 来实现乳腺超声肿瘤识别，其采用 Resnet50、 Xception 和 Inception V3 这 3 种卷积神经网络提 取的不同的特征进行迁移融合，接着采用前向神 经网络来分类。Han 等 [14] 首先对获取的 5 151 例 患者的 7 408 张超声图像进行了 ROI 区域人工提 取，之后将其输入到改进后的 GoogLeNet 网络中 进行特征提取和分类，结果显示，AUC 大于 0.9， 准确性为 90%，灵敏度为 86%，特异度为 96%。 梁舒和王恒立等[15-16]分别采用优化后的 U-net 和 全卷积网络进行超声乳腺肿瘤 ROI 区域的分割， 最终在数据集上分别实现了 82.5% 、 83.48% 的准 确率。 目前基于深度学习乳腺肿瘤识别方法，基本 都是仅限于采用图像分割的方法定位 ROI 区域 或将给定的 ROI 区域分类为良性或恶性，而并不 能同时实现对 ROI 区域的定位和对肿瘤的分类， 给医护人员的诊断带了极大的不变，最近，Osman [17-18] 提出采用基于改进的 FCN-AlexNet 和基于改进的 Mask R-CNN 语义分割模型实现端到端的超声肿 瘤识别，同时执行定位和分类，目前这种采用图 像分割的乳腺超声肿瘤识别的方法，虽然较为精 确地定位超声肿瘤的边界且实现了良恶性识别， 但这种图像语义分割的方法需要手动标注大量肿 瘤分割的数据集，而制作分割数据集的过程非常 ·22· 智 能 系 统 学 报 第 16 卷