以自體臟器為參考之超音波影像瀰漫性肝病之電腦輔助診斷

行政院國家科學委員會補助專題研究計畫成果報告

※※※※※※※※※※※※※※※※※※※※※※※※※

※ ※

※ 以自體臟器為參考之超音波影像瀰漫性肝疾病 ※

※ 之電腦輔助診斷　 　　 　　　　※

※　　　　　　　※

※※※※※※※※※※※※※※※※※※※※※※※※※

計畫類別：■個別型計畫　　□整合型計畫

計畫編號：NSC 89－2213－E－002－044－

執行期間：　88 年　8 月　1 日至　89 年　7 月 31 日

計畫主持人：陳中明

共同主持人：楊培銘

本成果報告包括以下應繳交之附件：

□赴國外出差或研習心得報告一份

□赴大陸地區出差或研習心得報告一份

□出席國際學術會議心得報告及發表之論文各一份

□國際合作研究計畫國外研究報告書一份

執行單位：國立臺灣大學醫學工程學研究所

中　華　民　國　89 年　10 月　31 日

以自體臟器為參考之超音波影像瀰漫性肝疾病之電腦輔助診斷

A Study on Computer Assisted Diagnosis of Diffuse Par enchymal Liver

Diseases on Ultr asound Images with the Refer ence to the Self-or gans

計畫編號：

NSC 89－2213－E－002－044－

執行期限：

88 年 8 月 1 日至 89 年 7 月 31 日

主持人：

陳中明 國立台灣大學醫學工程學研究所

共同主持人： 楊培銘 國立台灣大學醫學院內科

The ultimate goal of this study is to develop a computer assisted diagnosis system for diagnosing diffuse parenchymal liver diseases on ultrasound images. Our system will be based on the diagnosis principles of the diffuse parenchymal liver diseases employed by the NTUH medical doctors. We aim at making a suggestive diagnosis for the classes of normal liver, liver cirrhosis, fatty liver, and diffuse parenchymal liver diseases from the ultrasound images.

Keywords: Ultrasound Image, Diffuse Liver Disease, Computer Assisted Diagnosis, Feature Extraction, Classification 二、緣由與目的 肝癌在近年國人死亡率裏總是名列前茅 [1]，而肝癌患者大約有 80%合併有肝硬化 （liver cirrhosis）[2]。除了肝癌，肝硬化和 各種慢性肝病（chronic hepatitis）等良性瀰 漫性肝實質病變所造成的死因，在國內十 大死因中常年排名第六位[3]。因此，瀰漫 性肝實質病變（diffuse parenchymal liver disease）的診斷確實有其必要性。 使用超音波來診斷瀰漫性肝病，即在於 超音波影像具有非侵入性、即時性、檢查 範圍不受限制等優點，所以廣為醫師所採 用。但因為所使用儀器的特性不一，以往 的電腦輔助診斷研究都得限定單一的儀 器，並且必須固定儀器上的各種參數。而 在醫師的立場來看，不可能在限定儀器與 參數的狀況下來診斷，所以過去所發展的 CAD 必然面臨實際狀況的不符。此外，醫 師所採用的超音波機器必然隨著時間會不 斷的更新，過去的電腦輔助診斷必需針對 單一機型的限制，必定不能符合醫師實際 上的需求。因此，本研究的目的，在嘗試 找出不受限定機器與參數的法則，結合具 有豐富經驗的醫師的診斷方法，以期能幫 助後進醫師就肝臟超音波影像來診斷肝硬 化。我們的方法是參照醫師臨床診斷的判 斷法則加以變化而來。因此我們可以假設 在此狀況下發展的方法，不需要再以傳統 的方法先限制住機器與參數，並且可以在 醫生操作超音波時直接輔助醫生診斷。 三、研究方法 在判斷肝硬化與未發生實質病變的肝 臟，最主要是由肝臟和脾臟的影像做比 對，依照醫師的形容，是觀察兩者 echo-texture 是否「相似」，也在於比較兩者的 「顆粒」大小，以及肝臟的紋路是否均勻。 我們的方法，是直接拿同一受檢者的肝臟 和脾臟超音波影像的 echo-texture 做比對。 當醫生在檢查不同的受檢者時，以其經驗 調 整 機 器 的 參 數 （ 如 time gain compensation、gain），使得影像的品質達 到其所認定的最佳狀況，如此可以避免因 不同受檢者生理的不同（如脂肪層的厚度 或是肝臟內含過多的油脂）造成影像的品 質不一，進而造成資料選取時的困難。 所謂的肝硬化，是因為發炎現象，使得 原本質地細緻的肝臟組織結痂，而造成組 織 塊 狀 的 現 象 。 在 超 音 波 影 像 中 ， homogeneous 的組織會因為組織的粒子遠

小於超音波的波長而產生散射，因而可以 觀 測 到 以 Rayleigh distribution 分 布 的 speckle。醫師在過去的研究中發現，正常 受檢者的肝臟和脾臟在超音波的紋理，具 有一定的「相似性」，這也就是上述所謂 的 speckle 所造成的現象；然而在肝硬化的 影像中，肝臟因為質變造成組織並不是均 質，所以和脾臟的紋理就有所不同了[4]。 當醫生依影像品質調整好參數，並選取 好所需的肝臟與脾臟的切面影像時，就可 以直接擷取 RGB 的影像；這是一張包含從 肋間所掃描的肝臟以及從體左側掃描的脾 臟的超音波影像。在相同的深度，分別選 取肝臟和脾臟的 ROI。選擇 ROI 的同時， 要儘量選擇紋路較為一致的地區，並且要 避開血管及膽管的干擾，然後在肝臟及脾 臟各取相同大小的 subimage。需注意的 是，在同一張的肝臟及脾臟的超音波影像 裏，超音波機器的各種設定需要固定；亦 即，像是所設的焦距、TGC、及 gain 等等， 都得是同樣的設定，如此才能保證所檢測 的肝臟及脾臟不會因為機器的設定不同而 有不同的變化。除了應用前人所提出的適 用 feature 外，我們也提出了在 frequency domain 和 spatial domain 的 feature extraction 方 法 ， 最 後 則 用 了 C5 做 為 classification 的方法。

傳統的統計 feature 1. Standar d Deviation

我們使用了 13 乘 13 的 sub-window，來 計算 ROI 裏分布的 standard deviation，將結 果製作成一張 standard deviation map；再從 此 standard deviation map 裏計算整張的平 均值和 standard deviation。將肝臟的平均值 減去脾臟的平均值，也求得兩個臟器間 standard deviation 的差異，這兩個結果就是 使用 standard deviation 所得到的 feature。 2. Var iation to Mean

Loupas 等人[5]也發現，variance-to-mean 在超音波影像上具有一定的特性，可以用 來減低超音波在影像上的 speckle。因此我 們也將 ROI 分成許多重合的小區塊，計算 每一區塊的 variance-to-mean，而後合成 variance-to-mean map，計算肝臟與脾臟的 差，當做一種 feature

3. Co-occur rence Matr ix

Gray-level 的 co-occurrence matrix [6]由 於計算方便快速，且可產生許多不同的 feature，也是常被使用的工具[7-11]。Co-occurrence matrix 表現出在某個固定角度 和固定距離的兩個 pixel 之間的 gray-level 關係，其符號為P_ij(d,θ)，表示 pixel 在符 合該 d 和θ 的條件下的「對數」；其中i 和

j 分別為 co-occurrence matrix 的 element 的 位置，所表示的是兩個 gray-level 值， d 為 某個固定的距離，θ 則為固定的角度。 頻域的 feature 1. 2 D 的 FFT 與 Gabor Filter 分 別 對 所 取 得 的 肝 臟 及 脾 臟 ROI 做 FFT，再以 Gabor Filter 將高頻及低頻的部 分濾除，使各個頻帶的特性突顯出來，最 後再將各個方向的訊號綜合起來，探討肝 臟與脾臟在不同頻帶的特徵

2. 1 D Fr equency Domain 的 feature 將肝臟與脾臟的 ROI 分別任意取一條 line profile，並求得其 FFT。在去除低頻與 高頻後可以發現，有肝硬化現象的肝臟 FFT 和脾臟顯著不同。當肝臟紋理紊亂 時，會同時具有多個頻率，不像脾臟只凸 顯出少數的頻率；因此，FFT 的 standard deviation 也會有顯著的不同。將肝臟與脾 臟每一列的資料都以上述的方法運算，最 後再取其平均值，就可以比較肝臟是否有 硬化的現象。

Spatial Domain 的 Feature

前 面 曾 經 提 過 ， 雖 然 我 們 是 以 比 較 echo-texture 的方法來判斷是否有肝硬化的 現象，但不論是肝臟或是脾臟的超音波影 像，都沒有固定的紋理，因此不能單單以 frequency domain 做為判斷的法則。所以， 我們以影像上所呈現的「顆粒」，在 spatial domain 做了分析研究。

1. 1 D Spatial Domain 的 feature

由於超音波的低 SNR 特性，我們必須先 降低高頻的雜訊。在 1 D 的訊號裏，我們 使 用 了 discrete wavelet approximation reconstruction 做為去除雜訊後的訊號。之 後，再分別看肝臟與脾臟每一條訊號的平 均週期，求得平均，即為一種 feature。

著先將過小的訊號濾除，再分別看肝臟與 脾臟每一條訊號的平均週期。

2. 2 D Spatial Domain 的 feature

以不同的 standard deviation 所得到的 Laplacian of Gaussian（LOG），將紋路的 顆粒邊緣找出來，再將邊緣所包起來的面 積，標示為某顆粒所擁有的範圍。此外， 我們發現 contrast 較大的地方，需要較大的 standard deviation 來壓抑大顆粒裏所包含 的小顆粒；在 contrast 較小的地方，顆粒面 積 也 會 較 小 ， 所 以 用 較 小 的 standard deviation 來突顯小顆粒。因此我們製作了 contrast map，憑此 map 決定在 ROI 不同的 地方該用多少的 standard deviation 所得到 的 LOG。又因為超音波影像夾雜了許多的 雜訊，所以得用 erosion filter 將那些面積過 小的部分去除，而後再以 dilation filter 將較 大面積的顆粒，因為先前的 erosion 而損失 的面積補起來。 Classification 綜覽過去的研究及我們所提出的方法， 並沒有單一個 feature 可以有效的拿來辨視 肝臟超音波影像中的肝硬化，因此得將所 有的方法，做一個綜合取捨，以提高判斷 的準確性。我們所使用的方法是由 Quinlan 所提出的 C5 [12]，沒有像 neural network 需要長時間收斂的問題，且 C5 的性能是目 前人工智慧（AI）裏公認最好的一種。 C5 首先是要建構「decision trees」。所 謂的 decision tree，就是用來判斷的法則。 C5 在建構 decision trees 時有兩種準則，第 一種叫做 gain criterion，其定義如下： ) ( info ) ( info ) ( )) ( info ( ) ( info )) T) , freq(C ( log T) , freq(C ( info(T) 1 X j 2 k 1 j j T T X gain T T T T T T -X i n i i − = × = × =

∑

∑

可是 gain criterion 會碰到一個狀況，就 是讓每一個 case 都自成一種 class，gain 就 會達到最大值。因此有第二種方法，稱之

為 gain ratio criterion，定義如下：

) ( ) ( ) ( ) ( log ) ( ₂ 1 X info split X gain X ratio gain T T T T X info split n i i i = × =

_∑

找出具有最大 gain ratio 的 node，當做是 最上層的 node，再從剩下的 node 裏找出擁 有最大 gain ratio，將該 node 放在第二層。 如此依序的在每個判斷分枝找尋最大 gain ratio，並將該 node 排列下來，便是具有最 佳判斷法則的 gain ratio。但是，有時找出 的 decision tree 可能會過於複雜，所以需要 做一些「修剪」。 可是在一組有限的 training set 裏，若是 只用一種 decision tree 所找到的 classifier， 儘管該 decision tree 對該 training set 具有最 佳的效果，對於 test set 卻不見得也會有理 想中的結果；特別是在高複雜度的超音波 影 像 判 斷 。 Boosting 可 以 產 生 眾 多 的 classifier，並將這些 classifier 結合在一起， 使得 classification 的準確度大為提高。 四、實驗結果 囿於目前所擁有的設備，我們僅能由台 大醫院內科超音波室的 Toshiba 380A 擷取 影像。在選取好所需記錄的畫面後，以影 像擷取卡從超音波機器的影像輸出端擷取 RGB 影像。接著，我們再從 RGB 影像中， 選取適當的肝臟和脾臟的 ROI。實驗的資 料量共有 200 筆，正常肝和肝硬化的數量 各為 100 筆。另取其中 100 筆為 Training Set，另 100 筆為 Test Set。

經過 C5 所找出來的 training set 錯誤 率，大多在 5%以下，但在 test set 的錯誤 率則約為 21%。若在 C5 加上了 50 次的 boosting 後，錯誤率則降到約 12%左右。表 1 及表 2 分別為未經過 boosting 的 training set 和 test set 的結果，表 3 及表 4 則為經過 50 次 boosting 的結果。 表 1，Training Set 預估 實際 C N C 49 0 N 1 50

表 2，Test Set 預估

實際 C N

C 38 13

N 8 41

表 3，Training Set with Boosting 預估

實際 C N

C 49 0

N 1 50

表 4，Test Set with Boosting 預估 實際 C N C 44 7 N 5 44 五、討論與結論 比對各種 feature 所得到的結果，正確 率大多分佈於 70%到 80%之間；但經由 classification 的結果，則可大於 85%。 本研究主要的貢獻在於提出以臨床上 的方法來取代過去研究的模式，以同一病 患的肝臟和脾臟超音波影像來做比對，不 必限定機器及其設定，也不必建立大量的 資料庫，計算速度也較傳統為快，適合於 臨床時輔助醫師診斷。 六、參考文獻 1. http://www.doh.gov.tw/lane/statist/87/87 stat3-3-02idx.html, http://www.doh.gov.tw/lane/statist/87/87 stat3-3-03idx.html

2. J-L Sung, T-H Wang, J-Y Yu, “Clinical Study on Primary Carcinoma of the Liver in Taiwan,” Am. J. Dig. Dis. 12: 1036-1049, 1967

3. http://www.doh.gov.tw/lane/statist/87/87 stat2-1-02idx.html,

http://www.doh.gov.tw/lane/statist/86/86 stat3-1-01idx.html

4. Pei-Ming Yang, Guan-Tarn Huang, Jaw-Town Lin, Jin-Chuan Sheu, Ming-Yang Lai, Ih-Jeh Su, Hey-Chi Hsu, Ding-Shinn Chen, The-Hong Wang, and Juei-Low Sung, “Ultrasonography in the Diagnosis

of Benign Diffuse Parenchymal Liver Diseases: A Prospective Study,” J Formosan Med Assoc, vol. 87, n. 10, pp. 966-977, 1988

5. T. Loupas, W. N. McDicken, and P. L. Allan, “An adaptive weighted median filter for speckle suppression in medical ultrasonic images,”IEEE Trans. Circuits Syst., vol. 36, no. 1, pp. 129-135, Jan. 1989

6. R M. Haralick, K. Shanmugam, and I. Dinstein, “Textural Features for Image Classification,” IEEE Transactions on Systems, Man, and Cybernetics, v. SMC-3, n. 6, pp. 610-621, 1973

7. Chung-Ming Wu, Yung-Chang Chen, and Kai-Sheng Hsieh, “Texture Features for Classification of Ultrasonic Liver Images,”IEEE Trans. Med. Imaging, vol. 11, n.2, pp. 141-152, 1992

8. J. S. Bleck, U. Ranft, M. Gebel, H. Hecker, M. Westhoff-Bleck, C. Thiesemann, S.Wagner, and M. Manns, “Random Field Models in the Textural Analysis of Ultrasonic Images of the Liver,” IEEE Trans. Med. Imaging, vol. 15, n. 6, pp. 796-801, 1996

9. E. Kyriacou, S. Pavlopoulos, G. Konnis, D. Koutsouris, P. Zoumpoulis and I. Theotokas, “Computer Assisted Characterization of Diffused Liver Disease Using Image Texture Analysis Techniques on B-Scan,” IEEE Nuclear Science Symposium & Medical Imaging Conference 2, pp. 1479-1483, 1997 10. Yasser M. Kadah, Aly A. Farag, Jacek M.

Zurada, Ahmed M. Badawi, and Abou-bakr M. Youssef, “Classification Algorithms for Quantitative Tissue Characterization of Diffuse Liver Disease from Ultrasound Images,”IEEE Trans. Med. Imaging, vol. 15, n. 4, pp. 466-478, 1996

11. Y-N Sun, M-H Horng, X-Z Lin, and J-Y Wang, “Ultrasonic Image Analysis for Liver Diagnosis: A Noninvasive Alternative to Determine Liver Disease,” IEEE Engineering in Medicine and Biology, vol. 15, n. 6, pp. 93-101, 1996 12. J. Rose Quinlan, C5 Programs for