基于迁移学习的乳腺肿瘤超声图像智能分类诊断

?胸部影像学

Ｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｄｉａｎｏｓｉｓｏｆｕｌｔｒａｓｏｕｎｄｉｍａｅｓｗｉｔｈ　　　　　　ｇｇ

ｔｕｍｏｒｓｂａｓｅｄｏｎｔｒａｎｓｆｅｒｌｅａｒｎｉｎｂｒｅａｓｔ　　　　　ｇ

１１＊２１１

，ＨＵ，ＷＵ　ＹｉｎＬＵＯ　ＬｉａｎｉｎＸＵ　ＢｏＡＮＧ　ＪｕｎＺＨＡＯ　Ｌｕｕｇ，ｇｐｇ，ｙ（１．ＤｅａｒｔｍｅｎｔｏＭｅｄｉｃａｌＩｍａｉｎＣｅｎｔｅｒ，ｔｈｅＦｉｒｓｔＡｉｌｉａｔｅｄ　ＨｏｓｉｔａｌｏＪｉｎａｎ　Ｕｎｉｖｅｒｓｉｔ　　　　　ｐｆ　ｇｇ　ｆｆｐｆ　ｙ，

Ｇｕａｎｚｈｏｕ５１０６３０，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏＩｎｏｒｍａｔｉｏｎ，ＧｕａｎｄｏｎＵｎｉｖｅｒｓｉｔｏ　ｇｆｆｇｇ　ｙｆ　　

ａｎｄ　Ｅｃｏｎｏｍｉｃｓ，Ｇｕａｎｚｈｏｕ５１０６３０，Ｃｈｉｎａ）Ｆｉｎａｎｃｅ　ｇ］［Ａｂｓｔｒａｃｔｂｅｃｔｉｖｅｏｉｎｖｅｓｔｉａｔｅｔｈｅｖａｌｕｅｏｆｔｒａｎｓｆｅｒｌｅａｒｎｉｎｍｅｔｈｏｄｓｉｎｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｕｌｔｒａｓｏｕｎｄｉｍａｅｓｏｆｂｅｎｉｎ　Ｏ　Ｔ　　　　　　　　　　　　　ｇｇｇｇｊ　ｍａｌｉｎａｎｔｂｒｅａｓｔｔｕｍｏｒｓ．Ｍｅｔｈｏｄｓ　Ｕｌｔｒａｓｏｎｉｃｆｅａｔｕｒｅｓｏｆｈｉｓｔｏａｔｈｏｌｏｉｃａｌｌｂｒｅａｓｔｔｕｍｏｒｓｉｎ４４７ｐａｔｉｅｎｔｓｒｏｖｅｄａｎｄ　　　　　　　　　　ｇｐｇｙｐ　ｒｅｔｒｏｓｅｃｔｉｖｅｌａｎａｌｚｅｄ．Ｔｈｅｆｅａｔｕｒｅｓｏｆｏｒｉｉｎａｌｉｍａｅｓｗｅｒｅｅｘｔｒａｃｔｅｄｕｓｉｎｔｈｅｍｅｔｈｏｄｏｆｃｏｍｏｎｅｎｔｗｅｒｅｒｉｎｃｉａｌ　　　　　　　　　　　　ｐｙｙｇｇｇｐｐｐ　　，ｔｕａｎｔｉｔａｔｉｖｅａｎａｌｓｉｓ．Ｍａｔｌａｂ７．０ｓｏｆｔｗａｒｅｗａｓｕｓｅｄｆｏｒａｃｈｉｅｖｉｎｔｒａｎｓｆｅｒｌｅａｒｎｉｎｍｅｔｈｏｄ．Ｆｉｎａｌｌｈｅｉｍａｅ　　　　　　　　ｑｙｇｇｙｇ　　ｗｅｒｅｉｎｕｔｔｅｄｉｎｔｏｔｈｅｉｎｏｒｄｅｒｔｏｕｓｅｎｅｗ　ｍｅｔｈｏｄｓｏｆｔｒａｎｓｆｅｒｌｅａｒｎｉｎｆｏｒｉｄｅｎｔｉｆｉｎｔｈｅｂｅｎｉｎｒｏｒａｍｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　　　　　　　　　　　　　　　ｐｇｙｇｇｐｇ　　，ｍａｌｉｎａｎｔｂｒｅａｓｔｔｕｍｏｒｓ．Ｒｅｓｕｌｔｓｈｅｏｆｕｌｔｒａｓｏｕｎｄｉｍａｅｓｗｉｔｈｍａｌｉｎａｎｔｂｒｅａｓｔｔｕｍｏｒｓｕａｎｔｉｔａｔｉｖｅａｒａｍｅｔｅｒｓａｎｄ　　　　Ｔ　　　　　　　　　ｇｇｇｑｐ，，ｎ，ｅｓｕｃｈａｓｅｄｅｒｏｕｈｎｅｓｓｆｉｒｍｎｅｓｓｅｉｈｂｏｒｈｏｏｄｔｏｎｅｄｉｆｆｅｒｅｎｃｅｍａｔｒｉｘｒｏｕｈｎｅｓｓｃｈｏｄｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｔｈｅｒａ　　　　－　　　　　　ｇｇｇｇｇｙ，ｅｒｉｈｅｒａｌｏｓｔｅｒｉｏｒａｎｄａｒｅａｓｏｆｔｈｅｍａｓｓｅｓａｎｄｔｈｅｈｏｒｉｚｏｎｔａｌｈｉｈｆｒｅｕｅｎｃａｎｄｖｅｒｔｉｃａｌｌｏｗｆｒｅｕｅｎｃｃｏｍｏｎｅｎｔｓ　　　　　　　　　－　　－－ｐｐｐｇｑｙｑｙｐ　　，ｈｉｓｔｏｒａｍｅｎｅｒｗｅｒｅｓｉｎｉｆｉｃａｎｔｌｈｉｈｅｒｔｈａｎｔｈｏｓｅｏｆｔｈｅｂｅｎｉｎｂｒｅａｓｔｔｕｍｏｒｓ（ａｌｌＰ＜０．０５）．Ｔｈｅｓｅｎｓｉｔｉｖｉｔ　　　　　　　　　　　ｇｇｙｇｙｇｇｙ　　，ｓｅｃｉｆｉｃｉｔｔｈｅａｃｃｕｒａｃｏｆｔｈｅｕｌｔｒａｓｏｕｎｄａｎｄｔｒａｎｓｆｅｒｌｅａｒｎｉｎｍｅｔｈｏｄｉｎｄｉａｎｏｓｉｓｏｆｍａｌｉｎａｎｔｂｒｅａｓｔｔｕｍｏｒｓｗａｓ　　　　　　　　　　　　　ｐｙｙｇｇｇ　　／）／），／）／），／）９６．２１％（１２７１３２ａｎｄ９６．０４％（９７１０１６６．３５％（２０９３１５ａｎｄ９８．４９％（１９６１９９７５．１７％（３３６４４７ａｎｄ９７．６７％　　　（／，２９３３００）ｒｅｓｅｃｔｉｖｅｌ．Ｃｏｎｃｌｕｓｉｏｎ　Ｑｕａｎｔｉｔａｔｉｖｅｕｌｔｒａｓｏｎｉｃｆｅａｔｕｒｅｓｃａｎｏｂｅｃｔｉｖｅｆｏｒｒｏｖｉｄｅｕａｎｔｉｔａｔｉｖｅａｒａｍｅｔｅｒｓ　　　　　　　　ｐｙｊｐｑｐｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｂｅｎｉｎａｎｄｍａｌｉｎａｎｔｂｒｅａｓｔｔｕｍｏｒｓ．Ｔｒａｎｓｆｅｒｌｅａｒｎｉｎｍｅｔｈｏｄｓｃａｎｅｆｆｅｃｔｉｖｅｌｃｌａｓｓｉｆｕｌｔｒａｓｏｕｎｄｉｍａｅｓ　　　　　　　　　　ｇｇｇｙｙｇ　　　ｂｅｎｉｎａｎｄｍａｌｉｎａｎｔｂｒｅａｓｔｔｕｍｏｒｓ．ｗｉｔｈ　　　　　ｇｇ

［］；；；Ｋｅｗｏｒｄｓｒｅａｓｔｎｅｏｌａｓｍｓｕｌｔｒａｓｏｎｏｒａｈｔｒａｎｓｆｅｒｌｅａｒｎｉｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ　ｂ　　　ｐｇｐｙｇｙ：／ＤＯＩ１０．１３９２９３２８９．２０１８０７０５２．１００３－ｊ

基于迁移学习的乳腺肿瘤超声图像智能分类诊断

吴　英１，罗良平１＊，许　波２，黄　君１，赵璐瑜１

（暨南大学附属第一医院医学影像中心，广东广州　５１．１０６３０；

）广东财经大学信息学院，广东广州　５２．１０６３０

［摘　要］４７例　目的　探讨迁移学习方法对乳腺良恶性肿瘤超声图像分类的价值。方法　回顾性分析经病理证实的４乳腺肿瘤的超声声像图，采用主成分分析法对原始图像进行分析提取；在Ｍ将量化的ａｔｌａｂ７．０软件中编程实现迁移学习，　利用迁移学习对乳腺良恶性肿瘤进行智能分类。结果　乳腺恶性肿瘤的边缘粗糙度、坚固度、邻图像特征作为输入数据，

肿瘤后方与周围区域回声差异及水平方向高频分量和垂直方向低频分量的直方图能量均明显高于域灰度差矩阵粗糙度、

。超声和迁移学习方法诊断乳腺恶性肿瘤的敏感度分别为９／／和９良性肿瘤（Ｐ均＜０．０５）６．２１％（１２７１３２）６．０４％（９７），／）／），／）／）。结论　超声特异度为６和９准确率为７和９１０１６．３５％（２０９３１５８．４９％（１９６１９９５．１７％（３３６４４７７．６７％（２９３３００迁移学习可有效对乳腺良恶性肿瘤的声像图进行分类。图像特征定量化可为识别良恶性乳腺肿瘤提供客观的量化参数；

［）。基金项目］国家自然科学基金面上项目（８１７７１９７３

［，：ｗ第一作者］吴英（女，湖南岳阳人，在读博士，主治医师。研究方向：超声诊断。Ｅ－ｍ１９８３—）ａｉｌｕｉｎ５３０＠１６３．ｃｏｍｙ［：通信作者］罗良平，暨南大学附属第一医院医学影像中心，５１０６３０。Ｅ－ｍａｉｌ１３３９２６９２１０３＠１８９．ｃｎ［收稿日期］修回日期］２０１８０７０８２０１８１１２９－－　　［－－·３５８·，中国医学影像技术２０１９年第３５卷第３期　ＣｈｉｎＪＭｅｄＩｍａｉｎＴｅｃｈｎｏｌ２０１９，Ｖｏｌ３５，Ｎｏ３　　　　　ｇｇ　［关键词］超声检查；迁移学习；特征提取　乳腺肿瘤；

［（）中图分类号］文献标识码］文章编号］７３７．９；Ｒ４４５．１　［００３３２８９２０１９０３０３５７０５　Ｒ　Ａ　　［　１－－－　　早期检测和诊断乳腺癌对治疗方案的选择至关

１３］－。目前超声已广泛应用于乳腺癌的临床诊重要［

４］

。但声像图分辨率低，断和治疗［器官之间边界模

等特征。根据２０１３年美国放射学会的乳腺影像报告和数据系统（ｂｒｅａｓｔｉｍａｉｎｒｅｏｒｔｉｎａｎｄｄａｔａ　　ｇｇｐｇ　　

第２版标准进行分类，ＢＩＡＤＳ）ＢＩＡＤＳｓｓｔｅｍ，－Ｒ－Ｒｙ

２～３类为良性，４～６类为恶性。由２名超声科主治医

师采用盲法完成，意见不同时经讨论达成一致。１．３　图像预处理　为减少原始声像图中病灶周围组

噪声较多，使判读图像难度较大；此外，乳腺图像糊、

５６］－。研究利用人判读的主观性强，易致漏诊或误诊［

工智能和数字图像处理等技术，辅助临床提高超声诊断乳腺肿瘤的准确率、

降低漏诊率及误诊率具有重要意义［

７－８］。常规医学影像计算机辅助诊断（ｃｏｍｐｕｔｅｒ－ａｓｓｉｓｔｅｄ　ｄｉａｇ

ｎｏｓｉｓ，ＣＡＤ）分为３步：①图像预处理与边缘检测；②图像特征提取；③图像分类，将量化的图像特征数据作为输入，通过构造分类器识别图像中的复杂模式，从而最终区分各种病变。目前常用的图像分类方法为决策树（ｄｅｃｉｓｉｏｎ　ｔｒｅｅ，Ｔ）、贝叶斯分类器（ｂａｙｅｓ　ｃｌａｓｓｉｆｉｅｒ，ＢＣ）、神经网络（ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ，ＮＮ）及支持向量机（ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒｍａｃｈｉｎｅ

，ＳＶＭ）等。分类器是基于特定的样本数据集训练而获得，通常可达到预期效果；但对新的图像样本，分类器需重新训练，适应性有限，且工作

重复［

９－１０］。新人工智能方法迁移学习运用自身已学习并存有

的知识对相关领域内的不同问题进行求解［

１１－１２］。迁移学习能挖掘２个相互关联但又彼此不同的图像间的某些特征和变化，使标注数据和其他监督信息可在相

互关联的图像之间实现迁移和重复使用［

１３－１４］。本研究采用迁移学习对乳腺肿瘤声像图进行分类，以期提高人工智能方法对超声图像的分类效率。

　资料与方法

．１　一般资料　选取２０１４年１月—２０１７年８月于我院接受手术治疗并经病理证实为乳腺肿瘤的４４７例（４４７个病灶）患者，均为女性，年龄１５～９０岁，平均（４０．５±１４．０）岁。根据病理结果将其分为２组，良性组３１５例，年龄１５～８５岁，平均（３５．６±１１．８

）岁，病灶最大径０．３２～５．２０ｃｍ，平均（２．２１±０．９０）ｃｍ；恶性组３２例，年龄２９～９０岁，平均（５１．９±１２．３）岁，病灶最大径０．４０～１０．３０ｃｍ，平均（２．６０±１．４７）ｃｍ。本研究经我院伦理委员会批准，所有患者均签署知情同意书。．２　仪器与方法　采用Ｐｈｉｌｉｐ

ｓ　ｉＵ２２、ｉＵ－Ｅｌｉｔｅ超声诊断仪，高频线阵探头，频率１０～１６ＭＨｚ。嘱患者取仰卧位或侧卧位，常规扫查双侧乳腺及腋窝，记录病灶大小、形态、边缘、内部回声、后方回声、钙化及纵横比

织对提取病灶边缘的干扰，以手工方式选取ＲＯＩ（图、２

）。．４　边缘检测　对Ｒｏｂｅｒｔｓ、Ｓｏｂｅｌ、Ｐｒｅｗｉｔｔ、Ｌｏｇ和

ａｎｎｙ算子进行对比，选择合适的边缘检测算子。图和图４分别为１例良性和１例恶性乳腺肿瘤声像图

边缘提取结果对比，其中采用Ｒｏｂｅｒｔｓ、Ｓｏｂｅｌ和ｒｅｗｉｔｔ算子对图像的边缘检测效果不理想，Ｓｏｂｅｌ与

ｒｅｗｉｔｔ算子的检测效果相近，Ｌｏｇ算子检测效果一般，Ｃａｎｎｙ算子的检测效果较好，本研究最终选取ａｎｎｙ算子。

．５　特征提取　采用主成分分析（ｐｒｉｎｃｉｐ

ａｌｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ，ＰＣＡ）方法提取乳腺声像图中肿瘤纹理、边缘锋锐程度、肿瘤几何形状、肿瘤图像亮度

特征、

回声特性等特征［２］

的所有变量，删去重复和相互关联的变量，建立两两不相关的新变量，使新变量尽可能少，保留反映乳腺肿瘤原有特征的信息。通过ＰＣＡ方法分析，选择的计算机定量分析特征指标包括肿瘤面积、坚固度、边缘粗糙度、邻域灰度差矩阵（ｎｅｉｇ

ｈｂｏｒｈｏｏｄ　ｇｒａｙ－ｔｏｎｅ　ｄｉｆｆｅｒｅｎｃｅ　ｍａｔｒｉｘ，ＮＧＴＤＭ）粗糙度、肿块后方与周围区域回声差异、水平方向高频分量和垂直方向低频分量的直方图（ｈｏｒｉｚｏｎｔａｌ　ｈｉｇｈ　ｆｒｅｑｕｅｎｃｙ　

ａｎｄ　ｖｅｒｔｉｃａｌ　ｌｏｗ　ｆｒｅｑｕｅｎｃｙｏｍｐｏｎｅｎｔｓ－ｈｉｓｔｏｇｒａｍ，ＨＬ－Ｈ）能量及纵横比，分别对应病灶大小、形态、边缘、内部回声、后方回声、钙化及纵横比等超声指标。

．６　主动迁移学习算法［１５］

　采用Ｍａｔｌａｂ　

７．０软件，Ｗｉｎｄｏｗｓ　

ＸＰ操作系统。随机选取１４７例（恶性４６例，良性１０１例）为训练集和３００例（恶性１０１例，良性９９例）为测试集。算法步骤：①设Ｍ为初始训练样

本数，Ｑ为从Ｋ个域中取的样例集合，Ｗ为未标记样本集，Ｔ为算法迭代次数，Ｎ为每次迭代搜索到的样例数；②对每个域中的Ｍ个数据样例进行随机标记，进而形成初始训练集Ｒ；③在初始训练集Ｒ基础上训练Ｋ个域的分类器；④从Ｗ中找出Ｎ个最少图像特

１１Ｃ３ＰＰＣ１ｃＤｃ１１１１１１，中国医学影像技术２０１９年第３５卷第３期　ＣｈｉｎＪＭｅｄＩｍａｉｎＴｅｃｈｎｏｌ２０１９，Ｖｏｌ３５，Ｎｏ３　　　　　ｇｇ　·３５９·

征损失的样本进行标记，并记为

－±）表１　恶性组与良性组超声图像特征定量分析比较（ｘｓ组别）恶性组（ｎ＝１３２）良性组（ｎ＝３１５

２）肿瘤面积（ｃｍ

Ｘ；Ｗ＊，Ｘ＊）⑤按照Ｒ←Ｒ∪（

更新训练集Ｒ，从Ｑ中移除Ｗ；⑥输出Ｋ个域的分类器。１．７　统计学分析　采用ＳＰＳＳ１９．０统计分析软件。对数据进行正态分析和方差齐性检验，计

－±量资料以ｘ计数资料ｓ表示，以构成比表示；采用两样本

坚固度

１６７８８６９．００±４１２９９４６．００　　　　　５７８２８３．５０±６１９７５９．６６　　　

４．７１２　００１＜０．

肿块后方与周围区域回声差异２．９４±９．８７　１．３６±３．２２　２．５９１　０．００１　

ＨＬ－Ｈ能量

边缘粗糙度１１４．７９±７４．９５７３．９１±３２．７７

８．２４３００１＜０．纵横比

０．２０±０．０８　０．１９±０．０６　１．１８７　０．６８２ＮＧＴＤＭ粗糙度０．５７±０．２６　０．４７±０．１７　５．２０２　０．００１　

ｔ值Ｐ值

组别）恶性组（ｎ＝１３２）良性组（ｎ＝３１５

０．００２±０．００１００４±０．００２　０．０．００３±０．００１００６±０．００２　０．

４．８４０　０．０４１　

６．５９３０．８７４

ｔ检验比较２组各项定量超声指

标的差异。Ｐ＜０．０５为差异有统计学意义。

２　结果２．１　声像图特征定量分析　恶性组与良性组坚固度、边缘粗糙肿瘤后方度、ＮＧＴＤＭ粗糙度、与周围区域回声差异及ＨＬ－Ｈ能量的差异均有统计学意义（Ｐ）；均＜０而肿瘤面积及纵横比．０５

差异均无统计学意义（Ｐ均＞）。见表１。０．０５

２．２　超声诊断效能　以病理结果为金标准，超声诊断乳腺恶性／肿瘤的敏感度为９６．２１％（１２７，／特异度为６１３２）６．３５％（２０９

，阳性预测值为５３１５）４．５１％（／，阴性预测值为１２７２３３）

／，准确率为９７．６６％（２０９２１４）／）。７５．１７％（３３６４４７

２．３　主动迁移学习算法分类识

别结果　以病理结果为金标准，测试集中，主动迁移学习算法诊断乳腺恶性肿瘤的敏感度为／，特异度为９６．０４％（９７１０１）

／，阳性预测值９８．４９％（１９６１９９）／，为９阴性预测７．００％（９７１００）

ｔ值Ｐ值

图１　乳腺肿瘤原始声像图　　图２　手工选取ＲＯＩ

图３　不同算子对良性乳腺肿瘤超声图像边缘检测效果对比　Ａ．原始声像图；Ｂ．Ｒｏｂｅｒｔｓ算子；Ｃ．Ｓｏｂｅｌ算子；Ｄ．Ｐｒｅｗｉｔｔ算子；Ｅ．ＬｏＦ．Ｃａｎｎｇ算子；ｙ算子

／，准确率为９／值为９８．００％（１９６２００）７．６７％（２９３

）。３００３　讨论

图像纹理、边缘锋锐程度、肿瘤几何形状、肿瘤图像亮度、回声特性等超声特征有助于诊断乳腺癌，其中乳腺超声声像图纹理特性、肿瘤几何形状及回声特性

１６］

。本研究对乳是鉴别乳腺肿瘤良恶性的主要依据［

其腺肿瘤超声声像图的７个定量特征参数进行分析，中乳腺恶性肿瘤的肿块坚固度、边缘粗糙度、ＮＧＴＤＭ粗糙度均高于良性肿瘤，提示声像图中恶性肿瘤形态不规则、边缘不光整、内部回声不均匀的可能性更高，且恶性肿瘤后方与周围区域回声差异更加明显，与既

１７］

往研究［结果一致。

［８］

发现形态学特征用于病变分类比Ｎａｓｃｉｍｅｎｔｏ等１

·３６０·，中国医学影像技术２０１９年第３５卷第３期　ＣｈｉｎＪＭｅｄＩｍａｉｎＴｅｃｈｎｏｌ２０１９，Ｖｏｌ３５，Ｎｏ３　　　　　ｇｇ　纹理特征更佳，且减少的特征集比全组的特征集表现更好。本研究在提取图像特征时，集中选取乳腺肿瘤超声诊断中的二维特征指标，剔除血流参数指标如肿块血流信号分级和血流阻力指数，结果显示良恶性乳腺肿瘤之间，除肿瘤面积和纵横比外，坚固度、边缘粗糙度、ＮＧＴＤＭ粗糙度、肿块后方与周围区域回声差异及ＨＬ－Ｈ能量的差异均有统计学意

），义（提示经ＰＰ均＜０．０５ＣＡ方法选择的７个定量超声指标较为合理。

Ｚｈａｎｇ等

［１９］

图４　不同算子对恶性乳腺肿瘤超声图像边缘检测效果对比　Ａ．原始声像图；Ｂ．Ｒｏｂｅｒｔｓ算子；Ｃ．Ｓｏｂｅｌ算子；Ｄ．Ｐｒｅｗｉｔｔ算子；Ｅ．ＬｏＦ．Ｃａｎｎｇ算子；ｙ算子

ｓｕｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅａｒｏａｃｈｆｏｒｃｌａｓｓｉｆｉｎｕｌｔｒａｓｏｕｎｄｂｒｅａｓｔｐｐ　　　　　　ｐｐｙｇ　：，（ｉｍａｅｓ．ＪＤｉｉｔＩｍａｉｎ２０１５，２８５）５７６５８５．ｔｕｍｏｒ　　　－ｇｇｇｇ

［乳腺肿瘤的超声图像分析及良恶性判别．上海：复旦大５］　沈嘉琳．

学，２００６：９８０．－［６］ｒｄａｋａｎｉＡＡ，ＧｈａｒｂａｌｉＡ，ＭｏｈａｍｍａｄｉＡ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆ　Ａ　　　　

ｔｕｍｏｒｓｕｓｉｎｓｏｎｏｒａｈｉｃｔｅｘｔｕｒｅａｎａｌｓｉｓ．ＪＵｌｔｒａｓｏｕｎｄｂｒｅａｓｔ　　　　　ｇｇｐｙ　：，（２０１５，３４２）２２５２３１．Ｍｅｄ－［７］ｏｏｎ　ＷＫ，ＳｈｅｎｕａｎＳ，ｅｔｌ．Ｃｏｍｕｔｅｒａｉｄｅｄ　Ｍ　ＹＷ，Ｈ　ａ－ｇｐ　Ｃ

ｆｏｒｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｂｒｅａｓｔｍａｓｓｅｓｉｎａｕｔｏｍａｔｅｄｄｉａｎｏｓｉｓ　　　　　　　　ｇ，ｂｒｅａｓｔｕｌｔｒａｓｏｕｎｄｉｍａｅｓ．ＵｌｔｒａｓｏｕｎｄＭｅｄＢｉｏｌ２０１１，３７ｗｈｏｌｅ　　　　　ｇ：（４）５３９５４８．－［８］ｅｌｚｅＭＬ，Ｍａｍｏｕ．Ｒｅｖｉｅｗｆｌｔｒａｓｏｕｎｄ：ｕａｎｔｉｔａｔｉｖｅ　Ｏ　　Ｊ　ｏ　ｑ　ｕ

Ｅｎｖｅｌｏｅｔａｔｉｓｔｉｃｓｎｄａｃｋｓｃａｔｔｅｒｏｅｆｆｉｃｉｅｎｔｍａｉｎｎｄ　ｓ　ａ　ｂ　ｃ　ｉｐｇｇ　ａｃｏｎｔｒｉｂｕｔｉｏｎｓｔｏｄｉａｎｏｓｔｉｃｕｌｔｒａｓｏｕｎｄ．ＩＥＥＥＴｒａｎｓＵｌｔｒａｓｏｎ　　　　　ｇ，：（ＦｒｅＣｏｎｔｒｏｌ２０１６，６３２）３３６３５１．Ｆｅｒｒｏｅｌｅｃｔｒ　－ｑ　

［９］ｕａｎＹＬ，ＣｈｅｎＤＲ，ＪｉａｎＹＲ，ｅｔａｌ．Ｃｏｍｕｔｅｒａｉｄｅｄｄｉａｎｏｓｉｓ　Ｈ　　－　ｇｇｐｇ　　

ｍｏｒｈｏｌｏｉｃａｌｆｅａｔｕｒｅｓｆｏｒｃｌａｓｓｉｆｉｎｂｒｅａｓｔｌｅｓｉｏｎｓｏｎｕｓｉｎ　　　　　ｐｇｙｇｇ　　：，（ＯｂｓｔｅｔＧｎｅｃｏｌ２０１０，３２４）５６５５７２．ｕｌｔｒａｓｏｕｎｄ．Ｕｌｔｒａｓｏｕｎｄ　　－ｙ［１０］ｅｉｍａｎｎＴ，ＭｏｕｎｔｎｅＰ，ＪｏｈｎＭ，ｅｔａｌ．Ｒｅａｌｔｉｍｅｕｌｔｒａｓｏｕｎｄ　Ｈ　　　－　ｙ　

ｌｏｃａｌｉｚａｔｉｏｎｉｎｆｌｕｏｒｏｓｃｏｉｍａｅｓｂｔｒａｎｓｆｅｒｌｅａｒｎｉｎｆｒｏｍｔｒａｎｓｄｕｃｅｒ　　　　　ｐｙｇｙｇ　　　：，，（ｔｒａｉｎｉｎｄａｔａ．ＭｅｄＩｍａｅＡｎａｌ２０１４１８８）１３２０１３２８．ｓｎｔｈｅｔｉｃ　　　－ｇｇｙ　，Ｙ［１１］ａｎＳＪａｎＱ．Ａｓｕｒｖｅｏｎｔｒａｎｓｆｅｒｌｅａｒｎｉｎ．ＩＥＥＥＴｒａｎｓ　Ｐ　　　　　ｇｙｇ　　

：，（ＤａｔａＥｎ２０１０，２２１０）１３４５１３５９．Ｋｎｏｗｌ　　－ｇ

［罗平，何清，等．迁移学习研究进展．软件学报，１２］２０１５，２６　庄福振，

：（１）２６３９．－，［１３］ｕｏｎＩＤｒｏｒＧ，ＬｅｍａｉｒｅＶ，ｅｔａｌ．Ｕｎｓｕｅｒｖｉｓｅｄａｎｄｔｒａｎｓｆｅｒ　Ｇ　　　　　　ｙｐ

建立深度学习自动提取图像特征数

据的剪切波弹性学习架构，并对乳腺良恶性肿瘤进行鉴别，结果表明，采用深度学习提出的特征诊断乳腺恶特异度为９准确率性肿瘤的敏感度为８８．６％，７．１％，为９提示深度学习可能在乳腺癌的临床计算机３．４％，

辅助诊断中具有潜在的应用价值。但是，该研究对训未进行数据增强，且未分析同一病练的计算需求较大，

灶的多幅图像间的相关性和变化。主动迁移学习算法可对属于同一个病灶的多个乳腺肿瘤的超声图像样本数据进行集中自动标记，避免分别标记带来的额外计算，从而提高分类效率。本研究采用主动迁移学习算法，能有效地在相似图像之间进行信息共享和迁移，诊断乳腺恶性肿瘤的敏感度为９６．０４％，特异度

准确率９提示迁移学习方法识别良９８．４９％，７．６７％，恶性乳腺肿瘤的声像图有较高的分类诊断效率。

综上所述，主动迁移学习能有效识别良恶性乳腺肿瘤声像图，且准确率较高，有助于避免超声科医师判断的模糊性和主观性，从而使超声诊断乳腺肿瘤更加可靠。准确、

［参考文献］

［董理聪，吴欢，等．１］ＢＩＲＡＤＳ联合ＣＥＵＳ鉴别诊断乳腺肿　肖晓云，

：（中国医学影像技术，瘤的良恶性．２０１６，３２６）８９６８９９．－［２］ｉｎｈＢＫ，ＶｅｒｍａＫ，ＴｈｏｋｅＡＳ．Ｆｕｚｚｃｌｕｓｔｅｒｂａｓｅｄｎｅｕｒａｌ　Ｓ　　　　　ｇｙ　

ｎｅｔｗｏｒｋｃｌａｓｓｉｆｉｅｒｆｏｒｃｌａｓｓｉｆｉｎｂｒｅａｓｔｔｕｍｏｒｓｉｎｕｌｔｒａｓｏｕｎｄ　　　　　　ｙｇ　，ＳｓｔＡｌ２０１６，６６：１１４１２３．ｉｍａｅｓ．Ｅｘｅｒｔ　　－ｙｐｐｇｐ

［张玉梅，尹逊娣，等．超声弹性成像定量分析诊断Ｂ３］Ｉ　张松松，－：中国医学影像技术，ＲＡＤＳ４类乳腺肿块良恶性．２０１６，３２（７）　１０６５１０６９．－，［４］ＷＪＬｉｎＳＷ，Ｍｏｏｎ　ＷＫ．Ａｎａｒｔｉｆｉｃｉａｌｉｍｍｕｎｅｓｓｔｅｍ－ｂａｓｅｄ　Ｗｕ　　　　　ｙ

ｌｅａｒｎｉｎｃｈａｌｌｅｎｅ／／ＩＥＥＥ．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎ　　　ｇｇ　：Ｎｅｔｗｏｒｋｓ．ＳａｎＪｏｓｅＩＥＥＥ，２０１１：７９３８００．Ｎｅｕｒａｌ　　－［１４］ｈｕＹ，ＣｈｅｎＹ，ＬｕＺ，ｅｔａｌ．Ｈｅｔｅｒｏｅｎｅｏｕｓｔｒａｎｓｆｅｒｌｅａｒｎｉｎ　Ｚ　　　　　　ｇｇ

ｉｍａｅｃｌａｓｓｉｆｉｃａｔｉｏｎ／／ＡＡＡＩ．ＡＡＡＩ＇１１Ｐｒｏｃｅｅｄｉｎｓｏｆｔｈｅｆｏｒ　　　　ｇｇＦｉｆｔｈＡＡＡＩＣｏｎｆｅｒｅｎｃｅｏｎＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｅｎｃｅ．ＳａｎＴｗｅｎｔ－　　　　　ｇｙ：ＡＡＡ，Ｉ２０１１：１３０４１３０９．Ｆｒａｎｃｉｓｃｏ－［基于跨领域主动学习的图像分类方法．计算机应用，１５］２０１４，　邵忻．

：３４（４）１１６９１１７１．－：［］１６］ｔａｖｒｏｓＡＴ．ＢｒｅａｓｔＵｌｔｒａｓｏｕｎｄ．［ｓ．ｌ．ＬｉｉｎｃｏｔｔＷｉｌｌｉａｍｓ＆　Ｓ　　　　ｐｐ

，２００４：３３２５００．Ｗｉｌｋｉｎｓ－［时兆婷，郭翌，等．超声影像组学对浸润性乳腺癌激素受１７］　李佳伟，

：肿瘤影像学，体表达预测价值的探索性研究．２０１７，２６（２）