中國醫藥大學機構典藏 China Medical University Repository, Taiwan:Item 310903500/25094

行政院國家科學委員會專題研究計畫 成果報告

應用 3D 立體超音波於腫瘤體積之估算及評估真空輔助乳房

切片系統

中

華

民

國 92 年 10 月 2 日

行政院國家科學委員會專題研究計畫成果報告

應用 3D 立體超音波於腫瘤體積之估算及評估真空輔助乳房切片系統

The clinical applications of 3D ultr asound for volume estimate and

vacuum-assisted br east biopsy

計畫編號：NSC91-2314-B039-021 執行期限：91 年 8 月 1 日至 92 年 7 月 31 日 主持人：陳達人 共同主持人：張瑞峰 執行機關：中國醫藥大學中醫學 系 計畫參與人員：吳文傑、張簡光哲、曾威閔、江明記 一、中文摘要 現今的醫學已相當的發達，不過在大部 分的診斷中還是需要醫師本身親自的斷 定。若能結合當今的資訊技術，相信在醫 學的診斷上必可達到事半功倍的效果。在 這次的計畫中，我們應用主動尋求輪廓模 型克服超音波影像的自然特性-斑點，雜訊 及組織紋理以精確的切割出腫瘤輪廓。在 輪廓變形階段之前，一個好的初始輪廓是 需要的而它將會使切出來腫瘤輪廓更接近 實際輪廓。然而，手繪初始輪廓非常花時 間，我們提出了一種自動找出初始輪廓的 方法並使得找出的初始輪廓仍維持腫瘤的 形狀且會很接近腫瘤的邊線並存在於腫瘤 的內部。在輪廓變形階段中，為防止輪廓 不會陷入斑點和組織紋理所造成的錯誤位 置，我們將邊緣資訊加入到影像特徵裡去 定義外力。因為三維腫瘤體積可以由一連 串二維影像所組成的，所以我們的切割技 術可以延伸到三維影像上面。當切割出三 維影像的腫瘤輪廓後，便可以利用這些資 訊來算出腫瘤的體積。最後，我們把算出 來的體積跟醫生求得的體積做比較，並得 到令人滿意的結果。 關鍵詞：3D 超音波、乳房腫瘤、snake 技 術、切割技術、體積量測 Abstr act

Medical science is very developed in the present day. But, most diagnoses are depended on doctors to make a judgment. If we can integrate the computer technique into medical science, it will yield twice the result

with half the effort in medical diagnoses. In this project, we make use of the discrete active contour model to overcome the natural properties of ultrasound images, speckles, noise, and tissue-related textures, to segment the breast tumors precisely. Determination of the real tumor boundary with the snake deformation process requires an initial contour estimate. However, the manual way to sketch an initial contour is very time-consuming. Thus, we propose an automatic initial contour finding method, which not only maintains the tumor shape but also is close to the tumor boundary and inside the tumor. During the deformation process, in order to prevent the snake trapping into the false position caused by tissues-related textures or speckles, we add the edge information as an image feature to define the external force. Besides, because the three-dimensional volume of a tumor is essentially constructed by a sequence of two-dimensional images, our method for finding boundaries of a tumor can be extended to three-dimensional cases. By precisely counting the volume of the three-dimensional images, we can get the volume of tumor. Finally, we will show that the proposed techniques have rather good performance and lead to a satisfactory result in comparison between with the estimated volume and physician’s estimate.

Keywor ds ： 3D ultrasonic, breast tumor,

snake, segmentation, volume measurement

超音波影像是醫學臨床上常用的一種 診斷方法，由於它相對的費用不貴，且也 沒有什麼傷害性，故各大醫院及診所幾乎 都可以配置這套設備。在我們的計畫中， 以乳房超音波檢測為主要的研究方向。雖 然 已 有 學 者 指 出 乳 腺 X 光攝 影 檢查 術 (Mammography) 是 最 適 用 於 做 乳 房 的 檢 測，然而超音波的方法也已漸漸的在取而 代之中(尤其是 35 歲以下之婦女)。 目前，乳房超音波通常是以小型的轉 換器（頻率介於 7.5 至 10 MHz 或更高）來 做偵測。在機器的種類上，有電子線性排 列 式 (Linear-array) 或 相 位 排 列 式 (Phased-array)的轉換器及機械式掃描器， 這些皆適用於偵測的工作。當數位超音波 影像從超音波掃描器或轉換器上取得後， 可利用電腦系統做自動辨識的工作。近來 用於乳房 X 光攝影及超音波圖像的電腦輔 助診斷(Computer-aided Diagnosis, CAD)系 統，已可協助醫師做最後診斷上的一些依 據[1]、[12]、[15]-[17]、[23]。然而乳房腫 瘤可能會造成能量的反射，使得超音波呈 像後會形成一些斑點或是雜訊，所以醫師 在真正使用電腦輔助之前，仍需要以人工 方式先標定所要偵察的區域(Region of

Interest, ROI)。所謂 ROI 即是能包含腫瘤區 域的一塊矩形範圍[15]-[17]。通常這樣的 ROI 都會包含住腫瘤外側的一些薄織物 (Tissues)，若以組織結構直接對此 ROI 做 分析的話，這些薄織物很有可能就會影響 到整個判斷的正確性。但若請醫師以人工 方式先繪製出輪廓，又顯得費時及麻煩， 所以如何發展出一有效的自動分割方法便 成為臨床實驗上的一個重大課題。 在此計畫中，我們利用可變形的模組 來處理超音波影像中的一些自然特性， 如：斑點、雜訊及薄織結構等。Terzopoulos,

Witkin, and Kass (Kass[26]及; Terzopoulos 等學者[27]提出一種可變形模組，即大家熟 知的 Snake 方法（主動尋找輪廓模型）。這 個方法可以找出平滑、封閉且乾淨的輪 廓，尤其適用於超音波影像。經證實，Snake 方法在 2D [13]、[21]及 3D 醫學影像上[2]、 [3]、[11]、[18]、[22]的實驗效果都是一樣 的好。所以無論是磁核共振影像(Magnetic

Resonance Images, MRI)或超音波影像都可 利這種可變形模組的技術來建立其 3D 的 結構。 Akgul 等學者[11]亦提出一套從數 位超音波影像序列中自動擷取及追蹤 2D 舌頭表面輪廓的系統。 一般而言，若使用這種可變形模組， 一定得先以人工方式繪好一圈逼近腫瘤邊 緣 的 初 始 輪 廓 (Initial Contour)[3] 。 於 是 Cohen 等學者[19]提出以汽球膨脹方法來 逼近，如此便不需要事先繪製初始的輪 廓。但大部分的可變形模組方法，仍是需 要繪製初始輪廓來避免不必要的變形或其 他因素所導致的影響。但手工繪製首要的 麻煩即是費時。所以在這個計畫中，我們 即要發展出一套在 2D 影像中自動找出初 始輪廓的方法；當然這個初始輪廓必是已 去除雜訊，且所偵測到的邊界亦是最接近 腫瘤邊緣。 事實上，一般 2D 影像對於乳房損壞程 度之超音波資訊的提供並不充足，然而這 些資訊卻可由 3D 超音波影像而得到完整 的提供。此外，藉由精確的計算 3D 超音波 影像的體積，我們可以得到整個腫瘤的體 積，而這對整個臨床的診斷評估上助益良 多。我們的想法來自：一個腫瘤在 3D 超音 波影像中，其實可以由一連串連續的 2D 影 像來組成，故我們將所有的 2D 邊界延伸成 為一 3D 的結構。此外，由於相鄰兩張 2D 影像的邊緣理應相當接近，所以在相鄰影 像邊緣的判斷上可以用預測的方式，以加 快系統計算腫瘤體積時的速度，因此我們 亦針對此議題提出一有效的演算方法。 三、 結果與討論 現將主要的三步驟，即 snake 方法、尋 找腫瘤輪廓及體積量測等，分別加以詳細 介紹。 (一) 可變形模組－snake 切割技術 主 動 尋 找 輪 廓 模 型 (Active Contour Model)方法常用於腫瘤切割問題，此方法 亦常被稱為 Snake，其原理類似用一絛蛇圈 住所要切割的影像，然後此一蛇可以往內 縮或外擴展，並任意變形，直到找到一最 佳的輪廓。圖一是我們利用此方法切割 2D 超音波所找出的腫瘤輪廓。

在使用 Snake 之前，必須先找到輪廓的 大致位置，此一大致位置可以稱為初始輪 廓，因為最終所找到的輪廓是由此一初始 輪廓變形所得來的，所以初始輪廓會影響 到最終輪廓的好壞，亦即如果初始輪廓找 得不好，則不管 Snake 的方法有多好，也 不容易找到一好的最終輪廓。一般初始輪 廓是由使用者來圈出，但本計畫將使其自 動化，即可以自動由電腦圈出初始輪廓， 如此可以使得切割工作更客觀且準確。因 此，本計畫所研究的腫瘤切割方法可以分 成二步驟，首先是尋找適當的初始輪廓， 然而再利用 Snake 的方法由初始輪廓來進 行輪廓變形的工作，以找到最適當的輪廓。 (二) 正確找出腫瘤輪廓 1. 利用 Stick 偵測的初始輪廓 Stick 是一些不同方向的直線，如圖二 即為長度為 5 但不同方向的各種 Sticks。由 觀察可以得知，腫瘤外部應該會有比較多 的 Stick 存在。另外，因為腫瘤影像的輪廓 不一定很清楚，所以使用 Stick 偵測方法找 到的輪廓可能並不會是一個封閉曲線，因 此我們打算再利用其他方法來補強，如 Morphological 的運算，使其儘量可以保證 是封閉。 2. Internal、External、Damping 等力量 找到初始輪廓後，我們打算利用 Snake 方法來使此一輪廓可以更逼近真正的腫瘤 輪廓。首先，我們先介紹 Snake 的原理， Snake 可以視為由許多頂點(Vertices)所構 成，其就如同是關節一樣，這些關節可以 受到外力影響而任意移動並改變位置，而 這些頂點連接起來即可構成一封閉的輪 廓。而 Snake 變形是利用重複的變形步驟， 在每一步驟中，在每一頂點上的力量，使 得此頂點產生加速度，此加速度會改變頂 點的速度並決定其在此一步驟的位置，經 過數個變形步驟後，會達到一平衡的狀 態，即每一頂點的速度和加速度將均為 零，此時即完成變形工作。 Internal 力量是使得曲線本身得以保持 平滑，通常是計算頂點附近的曲率，使曲 率保持平滑，而 external 力量則是外來的力 量，其會使得曲線推向主要的影像特徵， 而 damping 力量是要維持住原來的速度， 提高穩定度以避免結果發生振盪現象。而 本計畫研究重點將放在如何找到一適當的 external 力量。 3. 利用紋路特性的 Snake External 力量 傳統 Snake 的 external 力量是使用原影 像的梯度(Gradient)資訊，但是在充滿雜訊 的超音波影像中，梯度資訊是相當不可 靠，因此並不適合使用，因此本計畫打算 改採利用紋路特性於 Snake 的 external 力 量。 (三) 以一連串 2D 影像來實作 3D 腫瘤的體 積量測 1. 2D Snake 應用至 3D 超音波 2D Snake 應用至 3D 超音波，最直接的 方法是將 3D 超音波視成連續的 2D 影像， 然後每一個影像再分別應用 2D Sanke 進行 切割，即先找出初始輪廓，再進行 Snake 變形。其中，初始輪廓可以直接應用附近 已經完成切割的結果，如圖三。 2. 3D 腫瘤的體積量測 經由上述圖三的方式，我們便可估算 出相鄰（前、後一張）影像的初始輪廓， 圖四即是利用相鄰估算方式所找到的結 果。反覆利用此方法，將每一張影像的面 積相加後，便可計算出此腫瘤的總體積。 (四)實驗結果 在實驗之中，我們採用 8 組乳房腫瘤的 連續影像，影像大小及其良惡性如表一所 示。實驗的結果主要是針對整個體積的量 測，我們採用兩種方式來比較。方法一： 相鄰兩張影像的輪廓獨自取得、互不相 干；方法二：取自相鄰影像相似的特性， 輪廓可以預測的方式估算出，以節省系統 運作時間。最後兩種方法的體積估算再與 3D View 2000 軟體做一比較，其結果列於 表二及表三。表四列出方法一及二的運作 時間。 四、計畫成果自評 研 究 結 果 達 成 計 畫 書 中 第 一 年 的 目 標，將 2D 的切割方法運用於 3D 影像中， 並且實現主動尋找輪廓模型，以增加電腦

輔助診斷系統的穩定性及提高體積估算的 正確率。

五、參考文獻

[1] J.M. Boone, "Neural networks at the crossroads,"

Radiology, vol. 189, no. 2, pp. 357-359, Nov. 1993.

[2] A. Fenster et al., "Three-dimensional ultrasound imaging system for prostate cancer diagnosis and

treatment," IEEE Trans. Instrumentation and

Measurement, vol. 47, no. 6, pp. 1439-1447, Dec. 1998.

[3] F. Lefebvre, G. Berger, and P. Laugier, "Automatic detection of the boundary of the calcaneus from ultrasound parametric images using an active contour model; Clinical

assessment," IEEE Trans. Med. Imag., vol. 17, no.

1, pp. 42-52, Feb. 1998.

[4] S. Lobregt and M.A. Viergever, "A discrete

dynamic contour model," IEEE Trans. Med.

Imag., vol. 14, no. 1, pp. 12-24, Mar. 1995.

[5] N. Ramesh, J.H. Yoo, and I.K. Sethi,

"Thresholding Based on Histogram

Approximation," IEE Proceedings Vision, Image

and Signal Processing, vol. 142, no. 5, pp. 271-279, Oct. 1995.

[6] N. Richard and R.N. Czerwinski, "Detection of lines and boundaries in speckle

images-application to medical ultrasound," IEEE Trans.

Med. Imag., vol. 18, no. 2, pp. 126-136, Feb. 1999.

[7] M. Riccabona, T.R. Nelson, and D.H. Pretorius, "Three-dimensional ultrasound: accuracy of

distance and volume measurements," Ultrasound

Obstet. Gynecol., vol. 7, no. 6, pp. 429-434, June 1996.

[8] C. Roux and J.L. Coatrieux, Contemporary

Perspectives in Three-Dimensional Biomedical Imaging, Amsterdan: IOS Press, 1997.

[9] M. Terzopoulos, A. Witkin, and M. Kass, "Symmetry-seeking models for 3D object

reconstruction," in International Journal of

Computer Vision, 1987, pp. 211-221.

[10] N.M. Zayed et al., "Wavelet segmentation for

fetal ultrasound images," in Circuits and

Systems,2001.MWSCAS 2001.Proceedings of the 44th IEEE 2001 Midwest Symposium on, Dayton, OH , USA, 2001, pp. 501-504.

[11] Y.S. Akgul, C. Kambhamettu, and M. Stone, "Extraction and tracking of the Tongue surface

from ultrasound image sequences," in Proc. IEEE

Int. Computer Society Conf. Computer Vision and Pattern Recognition, Santa Barbara, California, 1998, pp. 298-303.

[12] M.L. Astion and P. Wilding, "The application of backpropagation neural networks to problems in

pathology and laboratory medicine," Arch. Pathol.

Lab Med., vol. 116, no. 10, pp. 995-1001, Oct. 1992.

[13] A.N. Evans and M.S. Nixon, "Biased Motion

Adaptive Temporal Filtering for Speckle

Reduction in Echocardiography," IEEE Trans.

Med. Imag., vol. 15, no. 1, pp. 39-50, Feb. 1996. [14] R. Muzzolini, Y.-H. Yang, and R. Pierson,

"Multiresolution texture segmentation with

application to diagnostic ultrasound images,"

Medical Imaging, IEEE Transactions on, vol. 12, no. 1, pp. 108-123, Mar. 1993.

[15] D.R. Chen, R.F. Chang, and Y.L. Huang, "Breast cancer diagnosis using self-organizing map for

sonography," Ultrasound Med. Biol., vol. 26, no.

3, pp. 405-411, Mar. 2000.

[16] D.R. Chen et al., "Texture analysis of breast

tumors on sonograms," Semin. Ultrasound CT

MR, vol. 21, no. 4, pp. 308-316, Aug. 2000.

[17] D.R. Chen, R.F. Chang, and Y.L. Huang, "Computer-aided diagnosis applied to US of solid breast nodules by using neural networks,"

Radiology, vol. 213, no. 2, pp. 407-412, Nov. 1999.

[18] R. Chung and C.K. Ho, "Using 2D active contour models for 3D reconstruction from serial

sections," in Proc. the 13th Int. IEEE Conf. on

Pattern Recognition, Vienna, Austria , 1996, pp. 849-853.

[19] L.D. Cohen and I. Cohen, "Finite-element methods for active contour models and balloons

for 2D and 3D images," IEEE Trans. Pattern Anal.

Machine Intell., vol. 15, no. 11, pp. 1131-1147, Nov. 1993.

[20] M. Kass, A. Witkin, and D. Terzopoulos, "Snakes:

Active Contour models," Int. J. Comput. Vision,

vol. 1, no. 4, pp. 321-331, Jan. 1988.

[21] D. Kuan et al., "Adaptive restoration of images

with speckle," IEEE Trans. Acoustics, Speech,

and Signal Processing, vol. ASSP-35, no. 3, pp. 373-383, Mar. 1987.

[22] M.G. Strintzis and I. Kokkinidis, "Maximum likelihood motion estimation in ultrasound image

sequences," IEEE Trans. Signal Process., vol. 4,

no. 6, pp. 156-157, June 1997.

[23] J.W. Gurney, "Neural networks at the crossroads:

caution ahead," Radiology, vol. 193, no. 1, pp.

27-28, Oct. 1994.

[24] R.C. Gonzales and P. Wintz, Digital Image

Processing, 2 ed., Reading, Massachusetts: Addison-Wesley, 1987.

[25] N. Otsu, "A threshold selection method from

gray-level histogram," IEEE Trans. Syst. , Man

Cybern., vol. 9, no. 1, pp. 62-66, Jan. 1979. [26] M. Kass, A. Witkin and D. Terzopoulos, "Snakes:

Active contour models," Proc. Int. Conf.

Computer Vision, London, England, 1987, pp. 259-268.

[27] D. Terzopoulos, A, Witkin and M. Kass, "Symmetry-seeking models for 3D object

reconstruction",Proc. Int. Conf. Computer Vision,

圖一、 利用主動尋找輪廓模型方法於腫瘤切割，虛線為電腦自動找出而實線 是由醫生所畫出(上排三例為惡性腫瘤，下排四例為良性腫瘤)。 圖二、 長度為 5 但不同方向的各種 Sticks。 . . . . . . . . . . . . . . k- 1 i m a g e k i m a g e k+ 1 i m a g e I n i t i a l c o n t o u r F i n a l c o n t o u r I n i t i a l c o n t o u r 圖三、 第(k-1)和(k＋1)張圖，可以利用第 k 張的結果為初始輪廓。 (a) 第(k＋1)張圖 (b) 第k 張圖之輪廓 (c) 估算的輪廓 (d) 套至第(k＋1)張圖 (e) 最後結果

圖四、 利用圖三的方法所得之範例。 表一、實驗中所用的八組乳房 3D 超音波影像。

Tumor Size in Pixels

(column×row×page) Size in cm (width×length×depth) Benign/ Malignant 1 256×166×232 3.56×2.31×3.21 B 2 256×184×256 3.56×2.56×3.54 B 3 176×104×190 2.44×1.44×2.64 B 4 210×162×224 2.92×2.25×3.10 B 5 256×202×236 3.56×2.81×3.26 M 6 214×162×212 2.97×2.25×2.94 M 7 162×128×192 2.25×1.78×2.67 M 8 224×174×248 3.10×2.42×3.44 M 表二、兩種實作方法與 3D View 2000 的比較 Volume (cm3) Method I Method II 3D View 2000

(manual) 3D View 2000 (automatic) Tumor 1 6.440 6.800 5.760 3.899 Tumor 2 3.120 3.200 3.515 4.506 Tumor 3 0.390 0.439 0.414 0.343 Tumor 4 1.340 1.390 1.180 1.088 Tumor 5 2.560 2.525 2.238 2.016 Tumor 6 1.780 1.744 1.917 2.554 Tumor 7 0.825 0.810 0.755 0.993 Tumor 8 1.740 1.716 1.815 2.022 表三、由表二所計算而得的體積準確度 Similarity rate (%) Method I Method II

Tumor 1 88.20 81.90 Tumor 2 88.76 91.00 Tumor 3 94.20 94.30 Tumor 4 86.44 80.20 Tumor 5 85.60 87.00 Tumor 6 90.50 88.70 Tumor 7 90.00 92.00 Tumor 8 89.50 88.20 表四、方法一及二所花費的時間 Computation time Method I Method II

Tumor 1 480 210 Tumor 2 378 150 Tumor 3 204 66 Tumor 4 240 90 Tumor 5 312 120 Tumor 6 280 110 Tumor 7 253 75 Tumor 8 275 103