目的:设计一组新颖、有效的特征来定量化描述超声自动乳腺全容积扫描(automated breast volume scanner,ABVS)图像冠状面的汇聚征,以辅助判别乳腺肿瘤良恶性。方法:首先,在ABVS图像冠状面自动分割出肿瘤区域。其次,经过多尺度、多角度...目的:设计一组新颖、有效的特征来定量化描述超声自动乳腺全容积扫描(automated breast volume scanner,ABVS)图像冠状面的汇聚征,以辅助判别乳腺肿瘤良恶性。方法:首先,在ABVS图像冠状面自动分割出肿瘤区域。其次,经过多尺度、多角度滤波后得到最大能量图,并进行阈值筛选及形态学处理,然后提取描述汇聚征的6个特征。最后,建立分类器,验证所设计的特征在判别有无汇聚征、判别肿瘤良恶性等任务的有效性。结果:对195例乳腺肿瘤数据进行回顾性研究,采用交叉验证的方式评价所设计的特征的分类性能。在有无汇聚征的判别任务中,采用单个特征时的受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under curve,AUC)为0.83~0.89,综合6个特征的AUC为0.91。在肿瘤良恶性判别的任务中,单个特征判别结果的AUC为0.68~0.75,综合6个特征时的AUC为0.75。结论:所设计的特征能够很好地量化ABVS冠状面的汇聚征性质,在乳腺肿瘤良恶性判别中具有重要意义。展开更多
文摘目的:设计一组新颖、有效的特征来定量化描述超声自动乳腺全容积扫描(automated breast volume scanner,ABVS)图像冠状面的汇聚征,以辅助判别乳腺肿瘤良恶性。方法:首先,在ABVS图像冠状面自动分割出肿瘤区域。其次,经过多尺度、多角度滤波后得到最大能量图,并进行阈值筛选及形态学处理,然后提取描述汇聚征的6个特征。最后,建立分类器,验证所设计的特征在判别有无汇聚征、判别肿瘤良恶性等任务的有效性。结果:对195例乳腺肿瘤数据进行回顾性研究,采用交叉验证的方式评价所设计的特征的分类性能。在有无汇聚征的判别任务中,采用单个特征时的受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under curve,AUC)为0.83~0.89,综合6个特征的AUC为0.91。在肿瘤良恶性判别的任务中,单个特征判别结果的AUC为0.68~0.75,综合6个特征时的AUC为0.75。结论:所设计的特征能够很好地量化ABVS冠状面的汇聚征性质,在乳腺肿瘤良恶性判别中具有重要意义。