《Ultrasonics》：Classification of twinkling artifacts and blood flow for
in vivo detection of breast microcalcifications
编辑推荐：
乳腺微钙化实时检测方法通过机器学习区分超声微混响与血流信号，基于均值频率和频谱带宽特征训练SVM模型，在组织模拟 phantom、鸡胸肉 ex vivo 和人体 in vivo 数据中验证，准确率达95.25%，显著提升无创影像诊断精度。
Jinbum Kang | Seongjun Park | Eonho Lee | Hyunwoo Cho | Kangsik Kim | Min Jung Kim | Yangmo Yoo
韩国天主教大学生物医学软件工程系， Bucheon 14662，韩国
摘要
虽然乳腺X线摄影是检测微钙化（MCs）的标准方法，但利用超声成像进行实时检测具有不可估量的价值，尤其是在引导活检方面。超声闪烁伪影（TA）成像能够准确区分微钙化与背景乳腺组织；然而，在体内扫描过程中，它也可能与多普勒模式下的血流信号混淆。在本文中，我们提出了一种新的微钙化成像方法，该方法能够区分TA信号和血流信号，从而实现体内检测乳腺微钙化。基于TA信号和血流信号的特征，提取了两个最优特征（即平均频率和频谱带宽），并用于训练机器学习分类器。为了训练分类模型，制作了模拟组织的模型以及包含正常金属丝（直径285 μm）、微钙化金属丝（直径300 μm）和微血管管（直径1 mm）的鸡胸模型，并在不同的流速和脉冲重复频率（PRFs）下收集了训练和验证数据集。在四种分类器中（即k最近邻（KNN）、支持向量机（SVM）、朴素贝叶斯和二次判别器），使用这两个最优特征训练的分类器中，SVM取得了最高的准确率（95.25%），其余模型的准确率也超过了92%。训练好的SVM模型在鸡胸微钙化模型和体内人乳数据上进行了验证，其结果与彩色多普勒成像结果一致。可行性研究表明，所提出的分类方法可以实现有效的体内检测，并提高诊断准确性，尤其是在乳腺病变具有复杂血流模式的情况下。
引言
乳腺微钙化（MCs）被广泛认为是早期检测乳腺癌的关键指标，通常是癌前和恶性病变的早期放射学标志[1]、[2]、[3]。由于其高空间分辨率和成熟的诊断准确性，乳腺X线摄影仍然是检测微钙化的金标准[4]、[5]、[6]。然而，其局限性包括在致密乳腺组织中的灵敏度降低、暴露于电离辐射以及限制了实时干预的指导[7]、[8]。特别是，与非肿块病变（如导管原位癌（DCIS）相关的孤立微钙化在超声上通常不可见，但对临床决策至关重要[9]。此外，随着乳腺癌筛查指南朝着减少辐射暴露的方向发展，可靠地识别微钙化的能力变得越来越重要。
超声（US）成像提供了实时可视化、无电离辐射，并能够指导活检等介入程序。已经研究了多种基于超声的方法，包括高频B模式成像、图像处理算法和弹性成像，以增强微钙化的检测[10]。尽管如此，由于微钙化体积小且与周围组织的回声差异弱，可靠地可视化它们仍然具有挑战性[11]。为了解决这个问题，最近提出了闪烁伪影（TA）成像技术，这是一种基于多普勒的技术，能够敏感地区分微钙化与背景组织[12]、[13]、[14]、[15]。最近的进展，如多焦点TA（MF-TA）成像，在模型和体外研究中展示了改进的信号鲁棒性和高灵敏度，显示出无需辐射暴露即可实现可靠的实时微钙化检测的强大潜力[16]。重要的是，MF-TA成像表明，通过优化传输参数（如f数和焦深），可以显著提高TA的可见性，从而同时检测到多个随机分布的微钙化[16]、[17]、[18]。这些发展表明，当适当优化时，TA成像可以克服传统超声的固有回声限制，在某些情况下提供非侵入性的替代方案。
尽管取得了这些进展，但TA成像仍然受到其依赖于多普勒成像技术的根本限制。在体内环境中，TA信号经常与血流信号同时出现，需要放射科医生手动区分两者[14]、[19]。在血管结构不规则或与恶性病变相关的新生血管情况下，这种重叠问题尤为突出，复杂的血流动力学模式可能会模仿TA信号。在肾脏成像中也报告了类似的困境，复杂的血流和钙化的TA会产生重叠的多普勒表现，需要仔细的频谱分析来进行区分[19]。在乳腺成像中，这一限制可能导致误诊，因为放射科医生可能会将血管信号误认为是钙化，或者忽略嵌入在密集血管区域中的微小微钙化。此外，不同超声设备之间缺乏标准化的多普勒参数设置进一步增加了可重复性的复杂性，使得在没有额外信号分类策略的情况下难以临床应用基于TA的检测方法[20]。
为了解决这些挑战，我们提出了一种新的分类方法，该方法利用超声成像中TA信号和血流信号的独特统计特征。通过从功率谱密度（PSD）分析中提取两个最优特征（即平均频率和频谱带宽），并训练机器学习分类器（即k最近邻（KNN）、支持向量机（SVM）、朴素贝叶斯和二次判别器），我们旨在建立一种微钙化成像模式，以将TA信号与血流和背景组织区分开来。使用模拟组织的模型、体外鸡胸样本和体内人乳数据验证了这种方法的可行性。我们的结果表明，所提出的方法能够实现体内微钙化的准确检测，从而提高超声在乳腺癌筛查和干预中的诊断效用。特别是，机器学习的集成实现了TA信号和血流的自动化区分，减少了对放射科医生解读的依赖，并降低了操作者的依赖性。最终，这种方法可以为常规实践中微钙化的标准化、可重复和临床可转化的超声协议铺平道路。
TA和血流信号的信号特征
一般来说，闪烁伪影（TA）被认为是由多种机制引起的，包括来自粗糙、刚性表面的随机多路径散射[16]、[17]、[18]以及与微气泡相关的效应[21]、[22]、[23]、[24]、[25]、[26]，在传统的彩色多普勒成像中表现为交替的红色和蓝色信号。图1展示了一个彩色多普勒图像的示例以及三个感兴趣区域（ROIs）的相应信号特征：血流、微钙化
分类性能
图5(a)展示了从表1中列出的训练数据集获取的所有数据点的2-D特征域（ 和 ）的散点图。血流和TA信号用不同的颜色标记，橙色点代表血流信号，蓝色点代表TA信号。如图5(a)所示，两种信号类型在特征空间中清晰分开：血流信号聚集在左上区域，因为它们的平均绝对多普勒频率相对较高
讨论
将微钙化产生的TA信号与血流信号区分开来对于提高体内乳腺筛查中微钙化的独立可视化和诊断精度至关重要。所开发的成像模式实现了微钙化的自动可视化，消除了传统多普勒模式中所需的时间消耗较大的手动调整（例如PRF、焦点和颜色增益[20]），并且无论操作者经验如何，都能实现较低的检测误差。
结论
在这项研究中，我们开发并评估了一种基于超声的成像方法，用于体内检测乳腺微钙化，通过分类TA信号和血流来实现。通过提取两个最优特征（即平均频率和频谱带宽）并训练机器学习分类器，所提出的方法有效地区分了微钙化与背景组织和血管血流。在评估的分类器中，支持向量机（SVM）取得了最高的准确率
CRediT作者贡献声明
Jinbum Kang：撰写——原始草稿、可视化、验证、监督、方法学、研究、资金获取、数据管理、概念化。Seongjun Park：可视化、软件、方法学、数据管理。Eonho Lee：可视化、软件、方法学、数据管理。Hyunwoo Cho：方法学、研究、数据管理。Kangsik Kim：软件、资源、方法学。Min Jung Kim：验证、监督、方法学、研究、形式分析。Yangmo Yoo：
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
作者衷心感谢所有为完成这项研究做出贡献的个人和机构。这项工作得到了三星Medison有限公司和韩国基础科学研究所（国家研究设施和设备中心）的支持，该研究由科学和信息通信技术部资助（编号RS-2025-00573589）。
