b. Base-band signal phase method
3) 輪廓法
由於上述兩種方法，其本身對於臨床診斷上腫瘤的分類及判讀，皆有相當多的限制與不足 之處，我們所發展的輪廓法(contour method)，便希望能夠在不改變現行大多數的超音波影像系 統的情況之下，利用一些影像軟體上之後端運算處理，提供有用的資訊，輔助醫療人員從事影 像的分類及判讀。
與本計畫的其他子計畫配合，我們可取得的資訊，除了施加外部應力之下的一序列 B-Mode 影像，尚有在 B-Mode 影像中腫瘤的輪廓。在這樣的條件之下，對一組序列之輪廓資訊，先定義 一些所謂的輪廓特徵標記，再拿取得的臨床影像去計算這些特徵標記，最後將這些特徵標記及 其臨床影像在臨床上之分類放入 linear SVM (support vector machine) system，建構出一個 SVM 分類器，並拿臨床影像來測試並評估分類器之效能。
目前我們擁有之臨床影像分成三類，分別為:
(1) 囊腫 (cyst)
(2) 良性瘤 (benign nodule) (3) 惡性瘤 (malignant nodule)
而在輪廓特徵標記的部份，我們首先計算下列輪廓特徵:
(1) 質心移動位移
在不同影像中，輪廓的質心在 X 跟 Y 方向上之位移量。如圖 V-E-16：
(2) 面積變化率
在不同影像中，輪廓的面積變化百分率。如圖 V-E-17：
(3) 等效橢圓特徵變化率
在不同影像中，輪廓之等效橢圓，其橢圓之特徵，如半長軸 Ra 或是半短軸 Rb 之變化率。
如圖 V-E-18：
圖 V-E-16： 綠色為第一張影像之輪廓，紅色線為第二張影像之輪 廓(以下同此說明)
78 %
圖 V-E-17： 第二張影像之輪廓索圍成的面積為第一張輪廓面積之
a a’
b b’
(4) 輪廓上每一點之位移量
在前一張影像的輪廓上之每一個 pixel，在下一張影像之位移量。如圖 V-E-19：
在計算這些輪廓特徵時，我們使用一個方法，稱為 B-spline function，來表示輪廓。當我們 使用 B-spline function 來表示輪廓時，我們只需要用一些控制點，便可以表示整個輪廓，而計算 輪廓的一些特性時，如計算輪廓的 first moment、second moment…，我們只需要對這些點做運算 即可，這樣一來，我們可以減少相當多的運算量。
B-spline function 的方法敘述如下:
所謂的 B-spline function，是由 basis function 所組成，basis function 如圖 V-E-20 所示:
圖 V-E-20： Quadratic B-spline
而 在 B-spline function 之 下 ， 每 一 個 連 續 函 數 ( )x s 都 可 以 表 示 成 N 個 basis B
圖 V-E-21:
∑
−
∑
−=
= 1
0
) ( )
(
NB
n
n s
B s
r qn
我們定義控制點qn為:
q
n =(q
nx,q
ny)T ),
(
q
xnq
ny 為平面上之控制點。如圖 V-E-23 所示:圖 V-E-23：以(
q
nx,q
ny)表示平面上的曲線計算完輪廓特徵之後，我們選取以下的特徵作為 SVM 的特徵參數輸入:
(1) 面積變化率曲線圖之斜率
(2) 輪廓質心的總位移(分別在 X 及 Y 方向上) (3) 等效橢圓 Ra 及 Rb 變化曲線圖斜率
(4) 輪廓上所有 pixel 平均移動位移(分別在 X 及 Y 方向上) (5) 輪廓上所有 pixel 位移之標準差(分別在 X 及 Y 方向上)
以超音波臨床 B-Mode 影像，及上述的特徵作為 linear SVM system 的輸入，建構 linear SVM classifier，並測試其分類結果。
研究初步成果:
在第一年的計畫中，應變影像特徵擷取工具的開發暫時與其他子項平行獨立進行。以事先 規劃好之輔助診斷系統架構，實現應變影像特徵擷取工具。此子系統將於第二年與其他兩項子 系統（B-mode 影像與 Color Doppler 影像）整合。以下即為第一年計畫所完成之應變影像特徵擷 取工具的簡單說明。當按下 Load Image 鍵之後:
圖 V-E-24：讀入乳房超音波影像。
上圖為由程式讀入之兩張 B-Mode 仿體影像。當按下 Load Contour 鍵:
圖 V-E-25：讀入腫瘤邊緣資訊
程式便將 contour 之資訊讀入，並在圖形中以紅色線顯示出來。接著顯示當讀入十張臨床 B-Mode
圖 V-E-26：讀入系列影像之前後兩張面積比值之趨勢圖 而輪廓之等效橢圓 Ra 及 Rb 變化趨勢圖為:
圖 V-E-27：輪廓之等效橢圓 Ra 及 Rb 變化趨勢圖
使用此程式計算出所有的輪廓特徵標記之後，再將計算之結果作為 linear SVM system 之輸入。
以下為輪廓法在臨床影像上測試的結果。目前已從榮總取得二十一組在連續施加外部應力 之下，臨床乳房超音波影像，其影像中腫瘤之類別如下表:
種類 惡性瘤 良性瘤 囊腫 無法圈
選輪廓
無法 判斷
個數 7 9 2 1 2
因為囊腫的樣本尚有所不足，所以我們只拿惡性瘤跟良性瘤總共十六組樣本來分類。在分 類中，因為樣本數量並不多，所以我們使用 leave-one-out method，也就是每次把一組樣本先拿 出來，剩下的樣本建構出 linear SVM classifier 之後，在把拿出來的樣本放進去測試並評估分類 結果。經過了測試之後，我們發現當取特徵(2)和(3)時，可以得到最好的結果，十六組資料之中 共有十三組分類成功:
Success Rate = 13 / 16 = 0.8125 = 81.25 % 這十六組的個別測試結果如圖 V-E-29：
圖 V-E-28： X 軸座標 - 樣本的編號，共十六組
Y 軸座標 - 1 表示惡性瘤， 2 表示良性瘤 實線為樣本臨床上真正之分類，
圓圈為 linear SVM classifier 對樣本的分類結果
由於超音波臨床影像不足，導致樣本數量不夠多，當樣本數量增加時，SVM 的分類結果將 會更可信賴，預期也將對腫瘤判讀相關研究之幫助越大。