超聲醫(yī)學(xué)紋理分析應(yīng)用研究現(xiàn)狀【摘要】隨著臨床醫(yī)生從患者身上獵取的醫(yī)學(xué)圖像數(shù)量快速增長，這些圖像的使用已從診斷工具擴展到個體化診療背景下醫(yī)學(xué)數(shù)據(jù)。目前，對如此大量的醫(yī)學(xué)影像數(shù)據(jù)的有效利用仍是一個挑戰(zhàn)。近些年在定量成像分析方面有了一個重要的進展，稱為影像組學(xué)。影像組學(xué)組學(xué)是從醫(yī)學(xué)圖像中高通量提取高級定量特征，通常使用數(shù)學(xué)紋理分析。利用紋理分析可以量化醫(yī)學(xué)上的異質(zhì)性，紋理特征從醫(yī)學(xué)圖像中提取出肉眼無法察覺的空間信息。紋理分析可能成為一種潛在的、有用的生物標(biāo)記物，可以評估和量化腫瘤的空間異質(zhì)性，從而更好地依據(jù)疾病，尤其腫瘤性疾病的影像組學(xué)特征選擇合適的治療方案。本文旨在綜述紋理分析在超聲醫(yī)學(xué)領(lǐng)域討論進展，存在的問題等，以期為紋理分析在超聲醫(yī)學(xué)領(lǐng)域的應(yīng)用、進展供應(yīng)肯定的參考作用。

【關(guān)鍵詞】超聲醫(yī)學(xué)；紋理分析；影像組學(xué)；灰度共生矩陣

紋理一般指從圖像中觀看到的圖像像元的灰度變化規(guī)律，人們將圖像中存在的局部不規(guī)章的，二宏觀有規(guī)律的特征稱為紋理。在圖像分析學(xué)中用數(shù)字特征描述灰度變化特征稱為圖像的紋理特征。紋理分析的主要內(nèi)容可以分為圖像變換和圖像量化兩大類。圖像變換將傳統(tǒng)的圖像濾除為其基本重量（空間、頻率等），生成派生的子圖像。紋理分析已經(jīng)在諸多領(lǐng)域應(yīng)用，醫(yī)學(xué)討論人員嘗試將紋理特征分析用于醫(yī)學(xué)圖像，探究疾病診斷、治療及預(yù)后等，并取得了肯定的討論成果。

1紋理分析方法

紋理量化技術(shù)包括結(jié)構(gòu)、模型（分形維數(shù)）、基于統(tǒng)計和頻率的方法。統(tǒng)計分析紋理特征的方法簡潔，易于實現(xiàn)，所以目前醫(yī)學(xué)討論中應(yīng)用的較多。統(tǒng)計分析方法是通過統(tǒng)計圖像的空間及邊界頻率、空間灰度依靠關(guān)系等，紋理的細致和粗糙程度與空間頻率有關(guān)，低空間頻率與粗糙的紋理相關(guān)，細致的紋理具有高空間頻率?；诮y(tǒng)計的方法：灰度共生矩陣、灰度行程統(tǒng)計、灰度差分統(tǒng)計、局部灰度統(tǒng)計、半方差圖、自相關(guān)函數(shù)等?；叶裙采仃嚕℅LCM）是統(tǒng)計分析方法中最重要的方法。GLCM是建立在估量圖像的二階組合條件概率密度函數(shù)基礎(chǔ)上的統(tǒng)計方法，主要描述紋理基元或局部模式隨機和空間統(tǒng)計特征，以表示區(qū)域的全都性及區(qū)域間的相對性。其它方法在醫(yī)學(xué)影像討論中應(yīng)用的較少，所以在此不再贅述。

2紋理分析用于超聲醫(yī)學(xué)討論現(xiàn)狀

國內(nèi)外討論者嘗試?yán)酶鞣N紋理分析技術(shù)對多種醫(yī)學(xué)成像圖像（CT、MRI、數(shù)字X線片、超聲）進行分析，探究無創(chuàng)診療新途徑。在新興領(lǐng)域-影像組學(xué)中紋理分析也是一個重要組成部分，它通過評估圖像中像素或體素灰度的分布和關(guān)系，可以定量客觀地評估組織的異質(zhì)性。紋理分析應(yīng)用于計算機斷層掃描（CT）和磁共振成像（MRI）較超聲圖像較超聲圖像早，在猜測病理特征、預(yù)后和對各種疾病的治療反應(yīng)方面已經(jīng)顯示出了良好的效果。近些年有學(xué)者將紋理分析用于超聲成像，并取得了肯定的討論成果。超聲圖像的紋理是由于不同的組織、同一組織不同病變及正常組織對超聲脈沖的汲取、衰退、反射有差異，由超聲脈沖相互作用而形成。因此，討論者假設(shè)圖像的紋理的不同，可定量分析來區(qū)分不同疾病，甚至猜測基因、蛋白表達等的差異。從而為疾病的無創(chuàng)診斷、疾病的分期、基因相關(guān)性分析及預(yù)后猜測等供應(yīng)新的可參考依據(jù)。

2.1乳腺腫瘤討論現(xiàn)狀

因全球女性發(fā)病率最高的惡性腫瘤，始終以來對乳腺癌的早期診斷和治療是臨床持續(xù)關(guān)注的熱點問題。超聲診斷是乳腺癌的普查和早期診斷的重要工具。超聲圖像紋理分析有望提高乳腺癌的診斷率，并有望為乳腺癌的分型及放化療預(yù)后等供應(yīng)有價值的參考依據(jù)。種美玲等對113個病理證明的乳腺結(jié)節(jié)行灰階超聲及剪切波彈性成像回顧性分析，利用灰度共生矩陣特征提取，獲得對比度、同質(zhì)性、相關(guān)性，角二距等4個參數(shù)建立診斷模型，試驗結(jié)果顯示灰階超聲及剪切波彈性圖像的多參數(shù)紋理分析及建立的診斷模型對乳腺結(jié)節(jié)良惡性有較高的診斷效能[1]。諸多關(guān)于乳腺病變的基于超聲圖像紋理特征分析的影像組學(xué)討論為無創(chuàng)分類乳腺腫瘤的可能性奠定了基礎(chǔ)。

2.2肝臟疾病中的討論現(xiàn)狀

紋理分析可以進一步提取和量化超聲圖像中的紋理特征，為進一步的視覺信息供應(yīng)補充，對肝臟疾病，尤其對肝纖維化有較高的診斷精確?????性。張慧等對經(jīng)病理檢查證明的120個肝臟超聲影像（其中包括正常肝臟、肝臟惡性病變、肝臟良性病變等）行紋理特征提取分析，并結(jié)合決策樹算法進行分類診斷，結(jié)果顯示提取的紋理特征對圖像內(nèi)容有較好的分區(qū)性[2]。紋理分析作為影像組學(xué)圖像特征提取的重要方法多個試驗討論證明該方法可為臨床上幫助診斷腫瘤性疾病供應(yīng)依據(jù),也為后期圖像識別,圖像檢索和圖像數(shù)據(jù)挖掘供應(yīng)了特征數(shù)據(jù)。

2.3骨骼肌疾病的討論現(xiàn)狀

灰度共生矩陣（GLCM）灰度分析是一種考慮圖像像素空間分布的圖像紋理分析方法。在討論運動誘導(dǎo)肌肉損傷（EIMD）中灰度共生矩陣（GLCM）一種很有前途的方法。Matta等跟蹤了骨骼肌偏心收縮后超聲圖像上兩個GLCM紋理參數(shù)（對比度、相關(guān)度）和回聲強度（EI）的時間變化。將13名未經(jīng)訓(xùn)練的婦女分為兩組，行肘部屈曲的偏心收縮。運動后24小時、48小時、72小時和96小時分別獲得超聲圖像。計算肱肌兩種GLCM紋理參數(shù)：對比（CON）和相關(guān)（COR）。測量峰值扭矩、EI、肌肉厚度（MT）和痛苦。與全部措施相比，干預(yù)后峰值扭矩和痛苦馬上下降。干預(yù)后72hMT立即上升（P＜0.05）。COR（48、72、96h）和EI僅在72、96h時顯著上升（P＜0.05），COR上升代表灰度級之間高度相像，這在肘關(guān)節(jié)屈肌偏心訓(xùn)練后幾天的超聲圖像上可以觀看到。最終通過試驗得出結(jié)論：肌肉組織超聲圖像熵的變化與其能量消耗程度的相關(guān)度很高。肌骨超聲影像組學(xué)討論主要通過紋理分析方法實現(xiàn)，為運動醫(yī)學(xué)、康復(fù)醫(yī)學(xué)的進展供應(yīng)了更多的定量診斷信息。

2.4其它疾病中的討論現(xiàn)狀

隨著紋理分析相關(guān)討論的進展，紋理特征被用于更多的領(lǐng)域，如甲狀腺腫瘤、卵巢腫瘤、心肌疾病及腎臟腫瘤等。Vidaurreta提出了一種基于神經(jīng)網(wǎng)絡(luò)的附件腫瘤自動判別方法。討論者首先從卵巢超聲圖像中計算出7種不同類型的紋理特征（局部二進制模式、分形維數(shù)、熵、不變矩、灰度共生矩陣、法則紋理能量和Gabor小波），從中提取若干特征并隨臨床患者年齡一起收集。采納145例患者的卵巢腫瘤超聲圖像試驗，其中106張良性圖像，39張惡性圖像，將提取的圖像特征進行分類后，對分類器進行評價，其精確?????率為98.78%，靈敏度為98.50%，特異度為98.90%，曲線下面積為0.997。Priyank等對腎臟超聲圖像進行預(yù)處理后利用灰度共生矩陣方法生成能量、熵、勻稱性、相關(guān)性、對比度、差異性等多個二階統(tǒng)計紋理特征，將特征行主成分分析（PCA）將得到的特征簡化為最優(yōu)子集，經(jīng)統(tǒng)計分析結(jié)果顯示出較高的分類精確?????率。

3對醫(yī)學(xué)超聲圖像的紋理分析方法的問題及將來展望

紋理分析雖進展較早，但用于醫(yī)學(xué)圖像，尤其用于超聲圖像較晚，在超聲醫(yī)學(xué)中的相關(guān)討論也較少，目前，對超聲圖像的紋理分析主要應(yīng)用乳腺良惡性腫瘤的鑒別診斷，肝臟纖維化程度的分期，骨骼肌的損傷定量分析等疾病的診斷中，對惡性腫瘤的基因相關(guān)性討論、惡性腫瘤化療及放療效評估、腫瘤分級分期等討論仍較為缺乏。后續(xù)的更深化的討論中需要解決的問題仍有許多。最大的問題在于對圖像進行標(biāo)準(zhǔn)化。在不同的討論者采納的設(shè)備及參數(shù)設(shè)置、圖像的預(yù)處理、對愛好區(qū)的分割方式的不同、特征提取等過程差異很大，因此試驗的重復(fù)性較差[3]。今后的討論需要重新關(guān)注討論設(shè)計、報告實踐和圖像采集的標(biāo)準(zhǔn)化、特征計算和特征提取等，以推動紋理分析在醫(yī)學(xué)超聲領(lǐng)域的進展。近些年，基于先進計算機運算力量、云計算、大數(shù)據(jù)以及機器學(xué)習(xí)及深度學(xué)習(xí)應(yīng)用于醫(yī)學(xué)圖像的紋理分析