Послеоперационный период протекал гладко. Больная выписана на четвертые сутки после операции. Патологическое исследование показало, что все образования состоят из доброкачественных гладкомышечных клеток с фиброзной тканью, характерной для лейомиомы.Саркоматозных изменений нет. Наблюдение за пациенткой через 4 месяца выявило отличную проходимость сосудистых структур и отсутствие рецидива опухоли при контрольной компьютерной томографии (рис. 1(б)).

3. Обсуждение

ИВЛ — это состояние, которым страдают только женщины, большинство из которых ранее перенесли гистерэктомию по поводу лейомиомы матки. Обзор случаев, описанных в литературе, показывает, что 64% ​​женщин ранее перенесли гистерэктомию с интервалом от 6 месяцев до 20 лет до выявления внутривенной части опухоли [9].Наш пациент перенес две операции миомэктомии (7 и 3 года назад).

Для объяснения происхождения ИВЛ были предложены две теории [10, 11]. Один предполагает, что новообразование возникает из сосудистой стенки, а другой предполагает инвазию лейомиомой сосудов в вены миометрия. Однако точная этиология инвазии сосудов опухолью остается неизвестной. Поскольку это очень редкое заболевание, ИВЛ обычно диагностируют после операции по поводу миомы матки. В данном случае мы смогли до операции поставить диагноз с помощью КТ.Из-за образований малого таза, выявленных при ультразвуковом исследовании, брюшная полость была оценена с помощью КТ. Больной не имел сердечных симптомов и находился в хорошем общем состоянии. Значит, в этом случае внутривенная масса была обнаружена случайно. Перед операцией по поводу миомы матки рутинно не рекомендуется проведение КТ или МРТ брюшной полости.

Обычно новообразование правого предсердия выявляется в первую очередь у пациентов с сердечными симптомами. Затем ИВЛ диагностируют с помощью эхокардиографии, КТ и МРТ [12]. В большинстве случаев катетеризация сердца и контрастное исследование нижней полой вены могут использоваться для планирования оперативной стратегии [13].

Успешная терапия ИВЛ зависит от тотального хирургического удаления опухоли. При первой тотальной резекции, о которой сообщили в 1982 г. Ariza et al., была отсроченная лапаротомия после резекции внутрисердечной части опухоли [14]. В последнее время пациентам проводят одномоментную тотальную резекцию опухолей с остановкой кровообращения с глубокой гипотермией. Неполная резекция приводит к повторному росту или рецидиву опухоли. В нашем случае мы провели одномоментную операцию, которая проводилась объединенной бригадой гинекологов и кардиохирургов.

4. Заключение

КТ брюшной полости является полезным методом визуализации для диагностики необычной патологии у пациенток с миомой матки и подозрительными объемными образованиями в области малого таза. Кроме того, при обнаружении новообразования правого предсердия у женщины с гистерэктомией в анамнезе по поводу лейомиомы или у которой имеется миома матки, следует рассмотреть вопрос об ИВЛ.

Авторские права

Авторские права © 2013 Fuat Demirkiran et al. Эта статья находится в открытом доступе и распространяется в соответствии с лицензией Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии надлежащего цитирования оригинальной работы.

МРТ доброкачественных заболеваний матки

Джейкоб А. Ливермор, доктор медицины, и Сароджа Адусумилли, доктор медицины

Доктор Ливермор является резидентом-радиологом на третьем курсе и на момент написания этой статьи было написано, Доктор Адусумилли был ассистентом профессора радиологии отделения абдоминальной Imaging и заместитель директора программы резиденции Учебная программа Кафедра радиологии Мичиганского университета Система здравоохранения, Анн-Арбор, Мичиган.† Доктор Адусумилли умер 3 марта 2007.

Магнитно-резонансная томография (МРТ) идеально подходит для оценка заболевания матки из-за его многоплоскостной визуализации возможности, отличный контраст тканей и отсутствие ионизирующего излучение. В данной статье рассматриваются вопросы, связанные с доброкачественными образованиями матки. заболеваний, актуальных для повседневной практики. Мы расширили дискуссия выходит за рамки описания типичных особенностей МРТ аденомиоз и лейомиомы, представляющие диагностические проблемы связанных с этими болезненными процессами. Более редкие новообразования (такие как маточные артериовенозные мальформации и остаточные продукты зачатия) представлены в этой статье, потому что они имеют значительное влияние на ведение пациентов.

Практические вопросы, связанные с МРТ-оценкой аденомиоз

Классические диагностические критерии МРТ

Аденомиоз характеризуется наличием эктопической железы эндометрия в миометрии матки с последующим гиперплазия миометрия. ¹ Заболевание обычно поражает повторнородящих женщин старше 30 лет, ² с распространенностью от 8,8% до 31%. ^3-5 Общие симптомы включают дисменорею, меноррагию и аномальное увеличение матки. ^1,6 Эта клиническая картина представляет собой диагностическую дилемму, так как симптомы аналогичны у женщин с лейомиомой матки. Отличие от лейомиома имеет клиническое значение, так как лечение аденомиоза отличается от миомы. Аденомиоз, как правило, лечили гистерэктомией или, иногда, аналог гонадотропин-рилизинг-гормона (ГнРГ), который может снизить ширина переходной зоны (JZ). ⁷ С другой стороны, лейомиома потенциально лечится с помощью матки. эмболизация артерий или щадящая матку миомэктомия. ⁶

идеально подходит для дифференциации этих двух образований из-за его отличный контраст мягких тканей. МРТ имеет высокую чувствительность (78% к 88%) и специфичность (от 67% до 93%) для диагностики аденомиоза из-за его способности очертить зональную анатомию матка. ^1,8,9 Хричак и др. ¹⁰ описал 3 отдельных слоя матки, которые можно идентифицировать на Т2-взвешенная (T2W) визуализация. JZ, который является самым внутренним слоем миометрий, имеет низкую интенсивность сигнала и расположен между эндометрий (высокая интенсивность сигнала) и наружный миометрий (промежуточная интенсивность сигнала) (рис. 1). ¹¹ JZ обычно имеет максимальную толщину <8 мм.

Аденомиоз может быть диффузным или очаговым и часто связан с увеличение матки с ровным внешним контуром. ⁵ Диффузный аденомиоз диагностируется при наличии диффузного утолщенная JZ с однородно низкой интенсивностью сигнала на T2W образ- ^1,12 и изоинтенсивны миометрию на Т1-взвешенных изображениях (T1W). ¹³ Низкая интенсивность сигнала T2W считается вторичной по отношению к гладкости. мышечная гиперплазия, вызванная эктопией эндометрия ткань. ¹² Диагноз можно поставить с большей уверенностью, если JZ превышает 11 мм в толщину (рис. 2) и сомнительно, когда JZ измеряет от 8 до 11 мм. ^1,8

Следует быть осторожным при различении аденомиоза и нормальные менструальные изменения. Эти изменения наиболее выражены в начале в менструальном цикле (1-й и 2-й дни) и может вызвать значительное утолщение JZ до >12 мм, что приводит к ложноположительному результату. диагностика аденомиоза. ⁹ Характерные результаты визуализации, повышающие диагностическую достоверность и повысить специфичность диагностики аденомиоза, включая очаги высокой интенсивности сигнала в JZ на изображениях T1W и T2W, которые представляют собой эктопическую ткань эндометрия, эндометриальные кисты или небольшие очаги кровоизлияния (рис. 2). ^1,2,5,8

Масса матки: аденомиома в сравнении с лейомиомой

Очаговый аденомиоз классически проявляется как низкоинтенсивный сигнал. образование в миометрии с нечеткими границами на T2W-изображениях ^1,13 и изоинтенсивность окружающего миометрия на изображениях T1W. ⁵ Эти плохо очерченные массы обычно содержат небольшие очаги высокого T1W. и/или интенсивность сигнала T2W и не имеют псевдокапсулы. ⁵

Диагностические проблемы возникают, когда необходимо дифференцировать фокальные аденомиоз из лейомиомы. МРТ достаточно точно диагностирует лейомиома с чувствительностью от 88% до 93% и специфичностью 66% до 91% ^а,5,8 и при дифференциации лейомиомы от очагового аденомиоза. Тогаши и др. все ² правильно диагностировано 92 из 93 случаев либо как лейомиома, либо как аденомиоз у женщин с аномально увеличенной маткой.Типичный Характерной чертой аденомиомы является образование с нечеткими границами. нечеткие границы, вызывающие относительно небольшой массовый эффект (Рисунок 3). Наоборот, лейомиома имеет четко очерченную границу. и оказывает большую степень эффекта массы миометрия и искажение (рис. 4). ^2,5,14 Лейомиомы обычно сдавливают соседний миометрий, создавая появление псевдокапсулы, чего не наблюдается при аденомиозе, как эктопированные эндометриальные железы интердигитируют с нормальными гладкой мускулатуры миометрия. ¹³

Марк и др. ¹³ также обнаружили, что лейомиомы обычно имеют круглую форму, тогда как аденомиомы чаще всего имели овальную форму с параллельной длинной осью. матка. Еще одним отличительным признаком является наличие прилегающих расширенных сосудов на границе с миометрием, который обычно связан с лейомиомами и не наблюдается при аденомиоз. Марк и др. ¹³ обнаружили, что 42% лейомиом имели такие расширенные сосуды, тогда как Тогаши и др. ⁶ не обнаружено случаев аденомиоза с расширенными сосудами. Дополнительный ошибка визуализации – неверный диагноз очагового миометрия сокращение как аденомиома или лейомиома. матка сокращение может проявляться как масса миометрия с низким сигналом интенсивность на изображениях T2W и выпячивание в эндометрий полость. Низкая интенсивность сигнала на изображениях T2W является вторичной снижение содержания воды в области сокращенного миометрия. ⁹ Различие можно легко провести, так как сокращение миометрия, по определению преходящее явление, которое должно разрешиться на последующие последовательности. ¹²

Практические вопросы, связанные с МРТ-оценкой матки миомы

Лейомиома матки: классические признаки МРТ

Миома матки состоит из комбинации гладких мышц клетки и волокнистую соединительную ткань и могут быть обнаружены в примерно от 20% до 30% женщин репродуктивного возраста. ¹² По мере того, как эти массы увеличиваются, они обычно перерастают свое кровоснабжение. и подвергаются разной степени некроза, что объясняет их переменная интенсивность сигнала на МРТ.Как правило, лейомиомы невысокие. по интенсивности сигнала относительно окружающего их миометрия на T2W изображений (рис. 4) и изоинтенсивны миометрию на изображениях T1W. ^11,15 Эти характеристики сигнала относятся к наиболее распространенной форме дегенерация (60%), представляющая собой гиалинизацию на всем протяжении лейомиома. ^12,15 Вайнреб и др. ¹⁶ определили диагностические критерии лейомиомы, чтобы включить матку образование преимущественно гипоинтенсивное по сравнению с миометрием на T2W-изображения и преимущественно гипоинтенсивные на T1W-изображениях.

Твердая опухоль таза: миома матки на ножке по сравнению с придаточная масса

Лейомиомы можно классифицировать по их расположению в матке как подслизистый, интрамуральный или субсерозный. В некоторых случаях это может быть трудно дифференцировать большую экзофитную субсерозную лейомиому из твердого образования придатков, такого как новообразование яичника. Дифференциация клинически очень важна из-за различий в лечении и прогностических последствиях.МРТ в сочетании с клинические данные пациента могут иметь неоценимое значение в принятии этого решения. различие и может избежать ненужной лапароскопии и/или разведочная хирургия. Расположение – важная отличительная черта характеристика. Если массу можно окончательно отделить от яичников или прилегает к круглой связке, чем яичник этиология маловероятна. ¹⁷

Хорошо описанная функция МРТ, полезная при оценке крупных тазовых образований называют «мостиком». сосудистый признак», который состоит из сосудов и/или сигнальных пустот, простираются от матки, чтобы снабжать тазовую массу. ¹⁷ Идентификация мостовидного сосудистого признака увеличивает диагностическая уверенность в том, что большое образование в тазу является опухолью матки. лейомиома. Мостовые сосуды могут быть идентифицированы как усиливающие тубулярные структуры на контрастно-усиленной Т1-визуализации или в виде кровотока пустоты на последовательности быстрого спинового эха T2W (рис. 5). В исследовании, проведенном Ким и др., ¹⁷ сосудистый мостиковый признак присутствовал в 20 из 26 экзофитных лейомиомы и отсутствовали во всех других образованиях придатков, что привело к точность диагностики 80%.

Лейомиома матки: дегенерация по сравнению со злокачественной трансформация

Еще одна диагностическая дилемма, возникающая при МРТ, — дифференциация дегенерирующей миомы от злокачественной трансформация миомы в лейомиосаркому. Саркоматозный трансформация ранее существовавшей лейомиомы считается редкой. Считается, что большинство лейомиосарком на самом деле возникают независимо от гладкомышечных клеток миометрия.Клинический значение этой дифференциации важно, в свете растущее использование методов лечения лейомиомы, сохраняющих матку, таких как миомэктомия, аналог ГнРГ и эмболизация маточных артерий (ЭМА). ¹⁸ Клинически злокачественное новообразование можно заподозрить, если быстро увеличение массы таза, если опухоль не инволюционирует после менопаузы, или если опухоль не уменьшается в размере после терапии ГнРГ. К сожалению, диагностика саркоматозной дегенерации является наиболее обычно ставится как случайный патологический диагноз в 0.5% от резецированные лейомиомы. ^16,19 Подозрительные результаты визуализации злокачественного перерождения на МРТ малого таза включают асцит, увеличение лимфатических узлов и обсеменение брюшины. Тем не менее, более раннее обнаружение, очевидно, желательно.

Первоначально исследователи думали, что быстрый рост лейомиома с течением времени будет точным предиктором саркоматозного вырождение. Однако в ретроспективном обзоре 580 лейомиосаркомы, <3% сарком были связаны с быстрым увеличение матки.Кроме того, в том же исследовании только 1 из 371 женщин, перенесших резекцию по поводу быстро растущей лейомиомы. обнаружена лейомиосаркома. ¹² Поэтому быстрый рост в настоящее время считается ненадежным показатель злокачественной трансформации. Те же следователи предположил, что лучший показатель для прогнозирования злокачественных трансформация представляла собой неровные края лейомиомы матки на МРТ. ¹² Паттани и др. ²⁰ пришел к выводу, что злокачественный потенциал следует рассматривать всякий раз, когда дегенерирующая миома имеет нечеткий контур.Использование нечетко очерченный край как их критерий для диагностики злокачественного потенциал, Шварц и др. ²¹ достигнута 100% дооперационная точность в диагностике 4 из 4 лейомиосаркомы; они также неправильно обозначали доброкачественные миомы как злокачественные. Однако специфика этой находки не установлено. ²⁰

Небольшое исследование 12 пациентов с известными злокачественными опухолями в исполнении Танаки и др. ¹⁸ обнаружили, что высокая интенсивность сигнала на изображениях T2W в> 50% масса матки была прогностическим признаком злокачественности.На изображениях T2W высокая интенсивность сигнала из-за нормальной клеточной дегенерации не обычно вовлекают> 50% миомы, хотя перекрытие может быть виден между двумя объектами (рис. 6). Точно так же наличие небольшие участки с высокой интенсивностью сигнала без усиления на изображениях T1W также оказался прогностическим. ¹⁸ Когда новообразование преимущественно гиперинтенсивно на T2W-изображениях, необходимо будьте осторожны, чтобы не принять поражение за простую лейомиому, так как это изменение сигнала может быть связано со злокачественным новообразованием или саркомой вырождение. ¹⁵

Роль МРТ в обследовании женщин, перенесших маточные эмболизация артерий

Эмболизация маточных артерий является безопасным и эффективным методом лечение симптоматических лейомиом. Общие симптомы, которые часто требуют лечения, включают боль, объемные симптомы и аномалии матки. кровотечение. Эмболизация маточных артерий является вариантом, когда матка сохранение желательно или когда пациент не может терпеть открытая хирургическая операция. ²²

При планировании ЭМА для избежать серьезных осложнений. К абсолютным противопоказаниям относятся продолжающаяся беременность, активная инфекция и маточные или придаточные злокачественность. Относительные противопоказания, основанные на исследованиях изображений: постоянно эволюционируют, но традиционно включают черешковые миомы (субсерозные или подслизистые), которые считаются повышенный риск отслойки матки после эмболизации. ^22,23 Отслоившиеся субсерозные миомы могут вызывать внутрибрюшинные спайки. и хронический перитонит, в то время как отдельные подслизистые лейомиомы могут подвергаются трансцервикальной экспульсии с длительным восстановлением и иногда требуется дополнительная операция (рис. 7). ²²

Ранее лейомиомы размером более 10 см считались относительное противопоказание для ЭМА. Например, Пелаж и др. ²⁴ заявили, что ЭМА не следует проводить при миомах >10 см в диаметр из-за предрасположенности к таким осложнениям, как инфекция и повреждение матки.Кроме того, крупные лейомиомы более вероятно наличие коллатерального кровоснабжения, которое отделено от маточные артерии, что делает ЭМА менее эффективным при меньшем уменьшение объема после эмболизации. ²² Однако последующие исследования, проведенные Katsumori et al. ²⁵ сообщили об отсутствии повышенного риска для пациентов, перенесших ЭМА для миомы в зависимости от размера опухоли. Они не нашли разницы в послеоперационная боль, восстановление или уменьшение размера лейомиомы на 4 месяцев и 1 год после процедуры. ²⁵

— отличный метод для оценки потенциала ОАЭ. пациенты. Он превосходит ультразвук благодаря большему полю зрения. вид, лучшее пространственное разрешение и способность обнаруживать сопутствующие тазовые процессы. ²⁶ МРТ позволяет точно локализовать лейомиому как субсерозную, интрамурально или подслизисто и при выявлении тонкой стебель. Субсерозные миомы на ножке ранее были определяется как наличие стебля, который составляет <50% от диаметра собственно лейомиома. ²³ Это считается противопоказанием к ОАЭ. Однако Кацумори и др. все ²³ исследовали 196 женщин, 12 из которых имели субсерозные миомы на ножке. со средним диаметром стебля 3,1 см (от 2,0 до 5,5 см). Пациенты у которых миома имела ножку <2 см, исключались из процедуры ОАЭ. В конечной исследуемой группе осложнений, таких как отслоение, не было. лейомиомы матки или других постоянных неблагоприятных последствия. ²³ Пациенты наблюдались как через 4 месяца, так и через 1 год. после эмболизации, а диаметр ножки лейомиомы оказался стабильной, тогда как лейомиома уменьшилась в размерах.Следовательно, это был сделан вывод, что ЭАЭ безопасна для субсерозных субсерозных лейомиомы с диаметром ножки >2 см. ²³

Еще одна характеристика изображения, которую важно оценить на этапе до ЭМА. МРТ — это наличие усиления внутри лейомиомы. Степень усиление коррелирует с васкуляризацией массы и предполагает лучший ответ после эмболизации (рис. 8). ²² Николаидис и др. ²⁶ изучили 94 женщины и обнаружили, что у 20% женщин не было усиления лейомиомы на предпроцедурной МРТ, которые считались нежизнеспособен для ОАЭ. Однако у двух третей женщин нежизнеспособная лейомиома не была доминирующей миомой. Только в 6% случаев женщин была нежизнеспособной, аваскулярная лейомиома также преобладала. миома, и в этом случае нельзя ожидать, что ЭМА уменьшит кровь течь или привести к положительному ответу. ²⁶

Некоторые исследования показали, что клеточные лейомиомы с высокой интенсивность сигнала на изображениях T2W, демонстрируют больший процент уменьшение объема после эмболизации.Напротив, дегенерация лейомиомы с высокой интенсивностью сигнала на изображениях T1W связаны с меньшим постэмболизационным уменьшением объема. ^22,27,28 Местоположение также может быть предиктором успешной постэмболизации. уменьшение громкости. Меньшие лейомиомы в подслизистой локализации скорее всего, будет иметь наибольшую степень уменьшения объема. ²⁷ Исследования показали, что подслизистое расположение сильно прогнозирование исхода с уменьшением объема на 30-40% больше после эмболизации по сравнению с интрамуральной или субсерозные локализации. ^26,27,29

Роль МРТ в диагностике послеродового периода и после аборта аномалии матки

Артериовенозная мальформация матки

Артериовенозная мальформация матки (АВМ), которая классифицируется как врожденное, так и приобретенное поражение, состоит из переплетение артерий и вен разного размера без гистологических свидетельство промежуточного капиллярного русла. ³⁰ АВМ матки чаще всего встречаются у женщин в возрасте от 20 до 40 лет и может привести к симптомам меноррагии или менометроррагия. ³¹ Как правило, АВМ является приобретенной и вторичной по отношению к травме, связанной с самопроизвольный или терапевтический аборт, карцинома эндометрия или гестационная трофобластическая болезнь. ^30,32 Существует также большая вероятность образования аномальных Артериовенозные соединения после гистерэктомии и кесарева сечения раздел. ³¹

АВМ матки имеют неспецифическую и часто сбивающую с толку визуализацию признаки на сонографии в градациях серого, в том числе множественные трубчатые анэхогенные пространства в миометрии. ³⁰ Цветной допплер ценен и может показать заметную гиперваскуляризацию сосудов. масса (рис. 9), а также реверсирование потока. ^30,32 Спектральная допплерография выявляет высокоскоростной артериальный кровоток с низким сопротивлением (резистивный индекс от 0,25 до 0,55) и низкая пульсация (пульсация индекс 0.40 до 0,59). Сонография может выявить сосудистую аномалию в миометрии и предлагают потенциальный диагноз АВМ. Тем не мение, артериовенозное шунтирование само по себе является неспецифическим признаком, может возникнуть при других состояниях, таких как беременность, пропущенный аборты, трофобластическая болезнь и внематочная беременность. МРТ это подтвердить диагноз, лучше определить степень поражение, ³⁰ и предложить более точную характеристику в условиях неоднозначные сонографические данные.

Типичные МРТ-признаки АВМ включают фокальное образование в матке, которое состоит из группы отдельных извилистых пустот потока на T2W визуализация с нечеткой границей, которая нарушает JZ и связаны с выступающими параметральными сосудами (рис. 9). ^30,32 Динамическая визуализация градиентного эха T1W с контрастным усилением также будет выявляют затемнение сосудов внутри матки и прилегающих к ней parametrium, а также изображают раннюю дренирующую вену.АВМ имеет склонность к эрозии в полость эндометрия, если она достигает достаточно большого размера (рис. 9).

Диагноз АВМ матки на МРТ имеет важное терапевтическое значение. последствия, потому что это 1) может предотвратить дилатацию и кюретаж которые в противном случае могли бы привести к катастрофическому кровотечению и 2) могут привести к катетерной ангиографии, которая может как диагностировать, так и лечить поражение с эмболизацией, тем самым избегая более инвазивного лечения например, гистерэктомия. ³¹ Ангиография выявляет аномальный застой контраста в клубке сосуды, кровоснабжаемые расширенными питающими артериями и имеющие ранний венозный отток во время артериальной фазы изображения приобретение. ³⁰ Ведение пациента с симптоматической АВМ также включает: остановка вагинального кровотечения тампонадой матки, поддержание гемодинамическая стабильность при переливании крови и введении лекарственных препаратов (таких как 15-метил простагландин F2 альфа и парентеральные эстрогены и прогестины). ³¹

стабильных пациентов без сильного кровотечения можно лечить консервативно и последовал выжидательно.

Остатки продуктов зачатия (плацентарные полипы)

Другая сосудистая аномалия матки, хорошо подходит для оценки МРТ — сохраняются продукты зачатия (RPOC) — задержка плацентарной ткани в полости матки после родов или аборта.Фрагмент плаценты может в конечном итоге формируют плацентарный полип, который может сохраняться долгое время после первоначального беременность. Сообщалось о сохраненных продуктах зачатия осложняют примерно 1% всех беременностей ³³ и обычно проявляются вагинальным кровотечением либо в конце послеродовом периоде или даже через несколько месяцев или лет после беременности. То Диагноз может быть очевиден при рассмотрении клинического состояния пациента. презентация и лабораторные данные (β-ХГЧ). ³² Пациенток с послеродовым кровотечением первоначально обследуют с УЗИ, которое выявляет эхогенный материал в эндометрии полость. ³² Однако иногда РПЦ может проявляться как интрамуральное образование. (состоящий из серпигинозных сосудов), который показывает васкуляризацию по цвету Допплер и, таким образом, имитирует АВМ матки (рис. 10). Это важно чтобы провести различие между RPOC и AVM, поскольку RPOC обычно лечится дилатацией и кюретажем, что может привести к кровотечению при наличии АВМ матки. ³² В случаях сбивающих с толку сонографических данных МРТ является идеальным следующим шаг для определения особенностей визуализации, которые предполагают наличие АВМ и также для определения точного местоположения поражения.

МРТ-признаки классического рака простаты включают образование мягких тканей внутри полость эндометрия, которая показывает неоднородную интенсивность сигнала на Визуализация T1W и T2W и активное улучшение T1W с гадолинием изображения (рис. 10). Масса обычно нарушает JZ и вызывает некоторая степень истончения миометрия.В то время как поражение может проявляться заядлым усиление (рис. 11), оно с меньшей вероятностью связано с ранняя дренирующая вена и увеличенное количество и размер параметриев сосуды. ³³ Тем не менее, был отчет о случае RPOC, показывающий серпигинозные пустоты сигнала на изображениях T1W и неравномерное усиление в стенке матки, маскируя тем самым АВМ матки. ³² В эндометрии не было выявлено увеличивающейся массы мягких тканей. полость для уверенной диагностики остаточной плацентарной ткани.Несмотря на то что редко, этот случай иллюстрирует перекрытие АВМ матки и атипичная форма старческого РПЦ, проявляющаяся интрамуральным образованием с выраженные артериовенозные свищи, вторичные по отношению к некрозу хориона ворсинки в плаценте. ³²

Гестационная трофобластическая болезнь (ГТД) или поражение плаценты трофобластическая болезнь (PSTD) также может иметь очень похожие МРТ функции по сравнению с RPOC. Опять же, это различие чрезвычайно важно из-за различий в лечении, с трофобластической заболевание, требующее химиотерапии.Предыдущие исследования предполагали, что RPOC можно отличить от GTD по отсутствию улучшения RPOC и быстрое усиление GTD. ³⁴ Тем не менее, небольшая серия RPOC, описанная Noonan et al. ³³ сочли этот признак ненадежным, так как было показано, что RPOC увеличивается в каждый случай. Поэтому не всегда можно провести дифференциацию. основывается исключительно на результатах визуализации и требует корреляции с серийные уровни β-ХГЧ.Пока уровень β-ХГЧ остается повышенным до 1000 мМЕ/мл или более при ГТД она обычно снижается до нулевой или близкий к нулю при РПЦ и не должен быть повышен при маточном АВМ. ^30,33

Заключение

— бесценный инструмент для решения проблем при обследовании женщин. с доброкачественными состояниями матки. Использование T2W и визуализация T1W с усилением гадолинием особенно важна при точная локализация и характеристика маточных масс.Ан осведомленность о важных принципах визуализации, связанных с конкретными заболевания матки, как обсуждалось в этой статье, должны помочь практикующий рентгенолог решает эти радиологические дилеммы.

Подтверждение

Доктор Ливермор и редакторы этого журнала хотели бы поблагодарить Героя К. Хуссейна, доктора медицины (доцента радиологии, Директор клинической МР-службы и заведующий отделением МРТ тела Радиология, Служба здравоохранения Мичиганского университета, Анн-Арбор, Мичиган) за ее помощь в рецензировании этой статьи после доктора.Смерть Адусумилли.

Новое применение ультразвука с контрастным усилением при эмболизации маточных артерий

ВВЕДЕНИЕ

Ультразвуковое исследование с контрастным усилением (CEUS) использует микропузырьковое контрастное вещество Lumason ^® (микросферы гексафторида серы липида типа А) (Bracco Diagnostics, Inc., Монро Тауншип, Нью-Джерси) для оценки перфузии тканей. Это неинвазивный метод, а используемое контрастное вещество имеет очень низкий уровень побочных эффектов. В настоящее время он одобрен для использования в кардиоэхокардиографии, оценке поражений печени и для оценки пузырно-мочеточникового рефлюкса у детей. Использование CEUS для оценки яичников и, в частности, опухолей яичников описано в литературе. ^{[ 8]}

Мы предлагаем недорогой, неинвазивный и быстрый метод обнаружения маточно-яичниковых коллатералей с помощью CEUS во время ЭМА.

Техника

Мы описываем методику с использованием интрапроцедурного CEUS во время ЭМА. Перед процедурой можно поставить клизму, чтобы свести к минимуму газ в толстой кишке, чтобы лучше визуализировать матку и яичники во время УЗИ. Во время подготовки пациента и наложения салфеток нижняя часть живота и таз пациента должны быть обработаны хлоргексидином в дополнение к месту доступа в паху, и операционная салфетка должна обнажать эти области. В процедурном кабинете должен находиться ультразвуковой аппарат с контрастным усилением, снабженный стерильным чехлом для зонда.

Процедура ОАЭ начинается стандартным образом. После селективной катетеризации контралатеральной маточной артерии проводят цифровую субтракционную ангиографию; в нашем учреждении мы используем микрокатетер 2,8 French Progreat ^® (Terumo Medical Corporation, Somerset, NJ). Обычно мы разбавляем Omnipaque 300 1:1 физиологическим раствором. Если на ангиограмме видны ответвления, подозрительные на маточно-яичниковые коллатерали, или есть признаки коллатералей на предоперационной МРТ, на этом этапе для подтверждения выполняется КУУЗИ.Один кубический сантиметр (см) Lumason ^® осторожно вручную вводится непосредственно в микрокатетер, и сразу же выполняется трансабдоминальное ультразвуковое исследование интересующего яичника. В нашем учреждении мы обычно используем криволинейный датчик 3–6 МГц. Чтобы определить местонахождение яичника, мы держим датчик в поперечном положении, немного отклонившись от средней линии на интересующей стороне, и наклоняем датчик в боковом направлении вверх и вниз, пока не будет идентифицирован яичник. Увеличение яичника требует профилактической эмболизации коллатеральной спиралью.Отсутствие усиления яичника указывает на то, что эмболизация контралатеральной маточной артерии может быть выполнена уверенно и безопасно. Такая же процедура выполняется на ипсилатеральной стороне перед эмболизацией. По завершении процедуры можно снова выполнить CEUS для оценки стойкого увеличения размеров миомы. При обнаружении усиления можно рассмотреть возможность дальнейшей эмболизации. Это использование для CEUS до и после ЭМА было ранее описано Marret et al . ^{[ 9]}

Чемодан 1

46-летняя женщина с миомой матки, приводящей к меноррагии, внутрименструальному кровотечению, тяжелой анемии и утомляемости, поступила по поводу ОАЭ. Во время селективной ангиографии левой маточной артерии была замечена небольшая ветвь, перемещающаяся верхнелатерально, что указывает на наличие маточно-яичниковой коллатерали [Рисунок 1а]. Таким образом, 1 см3 Lumason ^® вводили непосредственно в микрокатетер, и выполняли УЗИ матки и левого яичника.В матке наблюдалось активное поглощение контраста. Тем не менее, левый яичник не увеличивался, что свидетельствует об отсутствии снабжения яичников маточной артерией [Рисунок 1b]. Эмболизацию двусторонних маточных артерий проводили с использованием 500–700 мкм Embospheres ^® (Merit Medical, South Jordan, UT) до ангиографического стаза. CEUS после процедуры показало отсутствие усиления миомы матки, что указывает на успешную эмболизацию [Рисунок 1c].

Рисунок 1:: 46-летняя женщина с миомой матки.(а) Ангиография левой маточной артерии демонстрирует ветвь, идущую верхнелатерально относительно маточно-яичниковой коллатерали (черные стрелки). (b) Ультразвуковое исследование левого яичника с контрастным усилением (CEUS) после инъекции Lumason® (Bracco Diagnostics, Inc., Монро Тауншип, Нью-Джерси) не демонстрирует усиления (черные стрелки), что подтверждает отсутствие снабжения яичников левой маткой. артерии и что эмболизация маточных артерий может быть выполнена безопасно. (c) CEUS матки после инъекции Lumason® после эмболизации не показывает усиления (черные стрелки), что указывает на успешную эмболизацию.

Экспорт в PPT

При последующем наблюдении через 3 месяца пациентка сообщила о нормальных менструациях с улучшением ее анемии и отсутствием признаков преждевременной недостаточности яичников. Последующая МРТ показала заметное уменьшение миомы матки у пациентки и нормальный вид яичников.

Чемодан 2

42-летняя женщина с аденомиозом и нерегулярными вагинальными кровотечениями поступила по поводу ЭМА. Во время селективной ангиографии левой маточной артерии был замечен сосуд, проходящий латерально, что подозрительно на маточно-яичниковый коллатераль.Таким образом, 1 см3 Lumason ^® вводили непосредственно в левую маточную артерию. УЗИ не показало увеличения левого яичника. Эмболизацию выполняли двусторонне с использованием 500–700 мкм Embospheres ^® до ангиографического стаза.

Через 6 месяцев у пациентки наблюдалось значительное улучшение симптомов с прекращением межменструального кровотечения и отсутствием признаков преждевременной недостаточности яичников. Последующая МРТ показала уменьшение толщины эндометрия и размера матки без существенных аномалий в яичниках.

ОБСУЖДЕНИЕ

CEUS может стать бесценным инструментом в арсенале интервенционных рентгенологов. Lumason ^® не имеет побочных эффектов, связанных с йодом и гадолинием, и его можно легко вводить выборочно во время процедур для оценки перфузии. Ультразвуковые аппараты уже интегрированы в каждый комплекс интервенционной радиологии, поэтому дополнительная подготовка, необходимая для использования CEUS, минимальна.

Коллатерали могут быть опасны при любой процедуре эмболизации.В дополнение к преждевременной недостаточности яичников также сообщалось о нецелевой эмболизации при ЭМА, приводящей к некрозу губ и ягодичной хромоте. ^{[ 10]} Использование интрапроцедурного CEUS также может применяться в различных областях, включая эмболизацию артерий предстательной железы и лечение опухолей печени.

ЗАКЛЮЧЕНИЕ

CEUS — многообещающая методика, позволяющая повысить эффективность ЭМА при минимизации нецелевой эмболизации.

Метод сегментации ультразвукового изображения миомы матки на основе разделения и слияния в HIFU-терапии

Abstract

Высокоинтенсивная сфокусированная ультразвуковая терапия (HIFU) широко и успешно используется для лечения миомы матки. Сегментация миомы матки играет важную роль в позиционировании области-мишени для HIFU-терапии. В настоящее время она выполняется врачами вручную, что снижает эффективность терапии. Таким образом, компьютерная сегментация миомы матки способствует повышению эффективности терапии. В последнее время большинство компьютерных методов ультразвуковой сегментации были основаны на структуре эволюции контуров, такой как змеи и наборы уровней. Эти методы могут обеспечить хорошую производительность, хотя им нужен начальный контур, который влияет на результаты сегментации.Получить исходный контур автоматически сложно; таким образом, исходный контур всегда получается вручную во многих методах сегментации. В этой статье предлагается метод сегментации миомы матки на основе разделения и слияния, который не требует исходного контура, чтобы обеспечить меньшее ручное вмешательство. Этот метод сначала разбивает изображение на множество небольших однородных областей, называемых суперпикселями. Для характеристики каждого суперпикселя используется новый метод представления признаков, основанный на гистограмме текстуры. Затем суперпиксели объединяются в соответствии с их сходством, которое измеряется путем интегрирования расстояний их текстурной гистограммы Quadratic-Chi с их соседством в пространстве.Многоходовой Ncut используется в качестве критерия слияния, а адаптивная схема включена для дальнейшего уменьшения ручного вмешательства. Способ реализован с помощью Matlab на платформе персонального компьютера (ПК) с процессором Intel Pentium Dual-Core E5700. Метод проверен на сорока двух ультразвуковых изображениях, полученных в результате HIFU-терапии. Среднее время работы 9,54 с. Статистические результаты показали, что SI достигает значения 87,58%, а normHD составляет в среднем 5,18%. Было продемонстрировано, что предложенный метод подходит для сегментации миомы матки при визуализации и планировании HIFU перед лечением.

Образец цитирования: Xu M, Zhang D, Yang Y, Liu Y, Yuan Z, Qin Q (2015) Метод сегментации ультразвукового изображения миомы матки на основе разделения и слияния в HIFU-терапии. ПЛОС ОДИН 10(5): е0125738. https://doi.org/10.1371/journal.pone.0125738

Академический редактор: Реза Ходарахми, Керманшахский университет медицинских наук, ИРАН, ИСЛАМСКАЯ РЕСПУБЛИКА

Поступила в редакцию: 6 августа 2014 г.; Принято: 26 марта 2015 г.; Опубликовано: 14 мая 2015 г.

Авторское право: © 2015 Xu et al.Это статья в открытом доступе, распространяемая в соответствии с лицензией Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии, что автор и источник указаны

Доступность данных: Соответствующие данные доступны по адресу Фигшер: http://figshare.com/s/9a1bfd08d8f811e490f106ec4bbcf141.

Финансирование: Авторы с благодарностью признают, что эта исследовательская работа была поддержана за счет средств Национальной программы фундаментальных исследований Китая в рамках гранта №. 2011CB707900 (http://www.973.gov.cn/AreaAppl.aspx). Спонсор не участвовал в разработке дизайна исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Миома матки является одной из наиболее частых доброкачественных опухолей, встречающихся у женщин, с предполагаемой частотой заболеваемости 20–40% женщин репродуктивного возраста [1]. Миома матки может вызывать серьезные осложнения, такие как обильные менструальные кровотечения и тазовое давление [2].Кроме того, они серьезно угрожают здоровью женщин и влияют на качество их жизни. Традиционным методом лечения миомы матки является гистеромиомэктомия, которая может вызвать сильную боль у женщин как физически, так и морально. В последнее время высокоинтенсивный сфокусированный ультразвук (HIFU) с его неинвазивными характеристиками широко и успешно используется для лечения миомы матки [3–5].

в HIFU-терапии играет важную роль, поскольку он дает возможность точно контролировать лечение [6-7].Двумя наиболее популярными методами контроля являются МРТ и УЗИ [3]. Оба метода использовались в HIFU-терапии миомы матки, и каждый из них имеет свои преимущества и недостатки. Ультразвуковой контроль обычно применяется из-за его широкой доступности, возможностей визуализации в реальном времени, гибкости и низкой стоимости [7-8]. В этой статье мы сосредоточимся на сегментации миомы матки на изображениях с ультразвуковым контролем. В HIFU-терапии мы должны максимизировать его действие на мишень и минимизировать его влияние на окружающие органы или ткани [9], что указывает на необходимость точной сегментации.Несмотря на то, что пациент всегда проходит различные предоперационные обследования для получения информации об опухоли, область опухоли, которая должна быть удалена, определяется с помощью обновляемых ультразвуковых изображений в режиме реального времени во время абляции. В настоящее время локализация области-мишени всегда достигается путем сегментации опухоли вручную, что является обременительной и снижает эффективность терапии. Таким образом, важно предложить компьютеризированный метод сегментации миомы матки в HIFU-терапии, который может облегчить работу врачей и повысить эффективность терапии.

Автоматическое сегментирование ультразвуковых изображений представляет собой сложную задачу, поскольку ультразвуковые изображения всегда имеют низкое качество. Качество ультразвукового изображения страдает от спекл-эффекта, затухания сигнала, акустических теней и низкого отношения сигнал/шум (SNR). В последние десятилетия было предложено множество методов сегментации ультразвуковых изображений [10], и многие из них находятся в рамках эволюции контуров. Основная идея эволюции контура состоит в том, чтобы минимизировать заданную функцию энергии, начиная с начального контура, чтобы получить окончательный контур опухоли.Метод эволюции контура может объединять несколько функций для получения удовлетворительных результатов, таких как распределение интенсивности [11–13], форма [13] и фаза [14]. Однако плохо определенный начальный контур, по-видимому, приводит к неточной сегментации ROI (областей интереса) [15], а автоматическое создание подходящего начального контура очень сложно [16]. Другая группа схем сегментации ультразвуковых изображений заключается в создании контура опухоли из областей, образованных кластеризацией пикселей. Схема не нуждается в начальном контуре, что позволяет сократить ручное вмешательство.Популярный способ — объединять пиксели попарно в соответствии с их сходством до тех пор, пока их больше нельзя будет объединять. Ключевыми вопросами являются построение меры подобия и определение момента остановки процедуры слияния. Wong и Scharcanski [17] предложили метод сегментации поражений предстательной железы. Мерой подобия является функция правдоподобия, формируемая региональной статистикой. Условие остановки слияния определяется эмпирически. Хуанг и др. [15] предложили надежный метод ультразвуковой сегментации на основе графа (RGB) для опухолей молочной железы; позже в этот метод был включен метод оптимизации параметров [18]. Мера сходства и условие остановки формируются в соответствии со средним значением и стандартным отклонением интенсивностей пикселей. Другие способы кластеризации также применяются при сегментации ультразвуковых изображений. Gao et al предложили метод сегментации опухоли молочной железы, основанный на двустороннем нормализованном срезе (Ncut) [19]. Hassan et al предложили усовершенствованный метод нечеткой кластеризации c-средних и применили его в системе принятия решений для обнаружения бляшек в сонной артерии [20]. Эти методы также могут легко интегрировать несколько функций.Одной из ключевых проблем для этих методов является определение подходящего количества кластеров. В этих методах количество кластеров определяется вручную и всегда является фиксированным числом. Для изображений со сложными структурами, такими как миома матки, вряд ли возможно, чтобы фиксированное количество кластеров подходило для всех изображений.

В этой статье мы намерены решить проблему сегментации миомы матки при HIFU-терапии, процедуре, о которой мало сообщалось в литературе. Учитывая, что сегментация применяется в HIFU-терапии, мы приняли схему на основе регионов, чтобы уменьшить ручное вмешательство. Мы предлагаем метод сегментации разделения и слияния. Первоначально изображение разбивается на множество небольших однородных подобластей, называемых суперпикселями. Затем эти суперпиксели объединяются в соответствии с многосторонним критерием Ncut. Поскольку миома матки всегда выглядит неоднородной на ультразвуковых изображениях [21], она будет сегментирована на несколько суперпикселей. Здесь мы используем гибридный метод на основе SLIC (простая линейная итеративная кластеризация), который эффективен для получения суперпикселей.Анализ текстуры оказался успешным в ультразвуковой сегментации [10]. Предлагается новое представление признаков для суперпикселей на основе текстурных гистограмм. Мы извлекаем текстуры для каждого пикселя, складывая значения серого в фиксированном окне. Далее на основе извлеченных текстур строится текстурная гистограмма каждого суперпикселя. Сходство между двумя суперпикселями измеряется комбинацией их текстурной гистограммы расстояния Quadratic-Chi и отношения смежности пространства. Ncut, как эффективный критерий, основанный на спектральной кластеризации, выбирается при процедуре слияния.При сегментации изображения Ncut всегда группирует пиксели, тогда как в нашем методе он группирует суперпиксели в соответствии с их сходством. Введение суперпикселей снижает сложность вычислений при кластеризации по сравнению с прямой кластеризацией пикселей. Кроме того, в Ncut интегрирована адаптивная стратегия выбора количества кластеров, чтобы обеспечить разумный результат слияния. Адаптивная схема дополнительно уменьшает ручное вмешательство и может автоматически выводить область опухоли для получения конечного результата.Весь процесс показан на рис. 1. Чтобы ясно представить метод, статья организована следующим образом. Во-первых, мы предоставим подробную информацию об ультразвуковых изображениях и предлагаемом методе сегментации. Далее мы отобразим результаты сегментации с исчерпывающим анализом. В заключительном разделе будет дан четкий вывод.

Материалы и методы

Материалы

Сорок два ультразвуковых изображения миомы матки у разных пациентов, полученные с помощью аппаратов HIFU (модель JC200; Chongqing Haifu Tech Co., Ltd., Чунцин, Китай) в Первой дочерней больнице Чунцинского медицинского университета (Чунцин, Китай). Для нашего исследования были необходимы только данные изображения и соответствующая информация о размере опухоли из предоперационного обследования; таким образом, личная информация была удалена до того, как авторы получили данные изображения. Миомы матки включают многие типы, включая интрамуральные миомы, субсерозные миомы и подслизистые миомы; большинство миом имеют смешанный тип [2].Миома матки часто проявляется в виде четко очерченных, гетерогенных и гипоэхогенных масс на ультразвуковых изображениях [21]. Однако в некоторых особых случаях они могут иметь сложный сонографический вид, включая изо- или гиперэхогенные структуры. Например, миомы с кальцификацией могут иметь гиперэхогенную текстуру. Согласно статистике 1114 случаев лечения HIFU в Первой дочерней больнице Чунцинского медицинского университета, 68% миомы матки были интрамуральными, 23% — субсерозными и 9% — подслизистыми.Большинство случаев были гипоэхогенными, а гиперэхогенные случаи встречались редко. Цель нашего исследования состоит в том, чтобы сегментировать области опухоли из изображений HIFU-наведения с использованием компьютеризированного алгоритма вместо ручного очерчивания, а не помогать радиологу обнаруживать потерянные границы опухоли, в которых обычно необходимы априорные знания. Чтобы обеспечить безопасность, лучше позиционировать область опухоли в процессе абляции HIFU с меньшим количеством информации, кроме самого направляющего изображения.Таким образом, тестовые изображения были выбраны радиологом на основании критерия того, что они являются типичными изображениями с ультразвуковым наведением в HIFU-терапии и могут использоваться для непосредственного позиционирования опухолей для HIFU-абляции. В частности, опухоли на тридцати пяти тестовых изображениях имели относительно четкие границы, что указывает на то, что границы опухоли могут быть распознаны в первую очередь в зависимости от ультразвукового изображения, но не сильно зависят от априорных знаний, таких как информация о биологической структуре и кровоснабжении.Еще семь изображений, на которых опухоли имели слабые границы, были выбраны для проверки адаптивности предложенного метода. Среди сорока двух изображений только одна опухоль имела гиперэхогенный вид; остальные имели гипоэхогенный вид. Аппарат JC200 HIFU интегрирован с ультразвуковым оборудованием B-режима (Esaote, Италия) для целей наведения. Перед терапевтическим датчиком в машина.Комбинация датчиков помещается в раковину, наполненную водой, потому что датчики не могут напрямую контактировать с кожей пациента во время терапевтического процесса, поэтому вода используется для устранения препятствий воздуха для ультразвуковых волн. На рис. 2 показана типичная конфигурация комбинированных датчиков наведения и терапии в резервуаре для воды, используемых в этом исследовании. Способ монтажа датчика наведения влияет на качество изображения. Это не может быть улучшено клиницистом, настраивающим зонд, например, сжимая кожу и регулируя угол падения.Более того, отражение от границы раздела между кожей и водой всегда ухудшает качество изображения.

Исходный размер изображения с машин HIFU составляет 768×576 (пикселей). Рентгенологи устанавливают ROI для каждого изображения, и эти изображения ROI автоматически сегментируются предлагаемым методом. ROI задается как прямоугольная область, которая может полностью покрывать опухоль и располагать опухоль в центре. Поскольку область ультразвукового сканирования отображается в виде сектора (рис. 3), отличного от обычного прямоугольника на исходном изображении, лучше нарисовать область интереса как можно меньше, чтобы исключить области за пределами сектора сканирования.Поскольку размер опухоли варьируется, размер изображения области интереса также меняется. Средний размер изображения ROI составляет 223×255 (пикселей). На рис. 3 показана область интереса, нарисованная на исходном изображении. Миома матки неоднородна, ее границы размыты. Кроме того, на многих изображениях видны не только опухоли и ткани матки вокруг миомы матки, но и другие органы, даже на изображениях области интереса. Сложная структура изображения затрудняет определение подходящего количества кластеров.

Метод разделения

Метод предварительной обработки.

Процедура разделения создает суперпиксели на основе информации об уровне серого и положении. Ультразвуковое изображение всегда заполнено шумом, что влияет на работу алгоритма разделения. Таким образом, необходима соответствующая предварительная обработка. Двусторонняя фильтрация [22] как нелинейный фильтр широко используется в цифровой обработке изображений. Мы применяем его в ультразвуковом шумоподавлении, потому что он может сохранять края при шумоподавлении. Идея билатеральной фильтрации заключается в том, чтобы при сглаживании учитывать как пространственный, так и ценностный эффекты. Учитывая входное изображение I ( x , y ), где ( x , y ) координата в пространстве, отфильтрованное изображение можно описать следующим образом: (1) (2) Где ( I , J ) представляет пиксели в окне с размером S ^F × S ^F вокруг ( x , y ) и Σ _d и σ _r параметры весовой функции w ^f .Для однородных областей фильтр ведет себя как фильтр нижних частот Гаусса. Когда пиксели находятся на краях, введение ядра значения сохраняет края.

Генерация

суперпикселей.

Суперпиксели представляют собой группу пикселей с однородным внешним видом и являются более значимой для восприятия формой представления изображения. Использование суперпикселей позволяет снизить сложность последующей обработки изображений. Суперпиксели широко используются во многих аспектах компьютерного зрения. Было предложено множество суперпиксельных алгоритмов, в том числе методы на основе графов и градиентного восхождения [23–25]. Недавно был предложен новый суперпиксельный алгоритм под названием SLIC, и его производительность сравнивалась с 5 современными суперпиксельными методами, разработанными авторами SLIC [25] на основе нескольких широко используемых баз данных изображений, включая базу данных Berkeley и Microsoft Research. Кембриджская база данных. Экспериментальные результаты показывают, что SLIC занимает первое место по времени вычислений и входит в два лучших по соблюдению границ.Хотя базы данных оценки в основном состоят из естественных изображений, а не из ультразвуковых изображений, скорость сегментации, очевидно, не будет отличаться, если SLIC применяется к ультразвуковым изображениям. Из-за хорошего прилегания границ алгоритма SLIC к естественным изображениям, на которых объект и фон часто проявляют разные текстуры, как и в ультразвуковых изображениях, разумно ожидать, что SLIC имеет хорошее прилегание границ к ультразвуковым изображениям. Другое исследование, опубликованное в [26], также показало, что скорость вычислений и граничная производительность SLIC превосходят два других алгоритма суперпикселей по результатам экспериментов, основанных на медицинских изображениях, включая ультразвуковые изображения.Для обеспечения максимальной скорости сегментации и разумного соответствия SLIC был принят здесь в качестве алгоритма генерации суперпикселей.

Для полутонового изображения I размером N пикселей мы хотим сгенерировать M суперпикселей {Ω ₁ ,Ω ₂ ,…,Ω _{M 9056 } P P} ⋂ Ω _{Q = ∅ P , Q ε [1, M ] и Ω 1 ⋃ Ω 2 ⋃ … ⋃ Ω M = I .Алгоритм SLIC группирует пиксели в трехмерном пространстве ℝ ³ : ( x , y , I ( x , y )), где x , y )), где x , а пробел y равен 8, а координата y равна 8, I ( x , y ) — значение серого (интенсивность) изображения. Предположим, что суперпиксели представляют собой квадраты приблизительно одинакового размера, площадь каждого суперпикселя составляет приблизительно Н/м , а расстояние между центрами суперпикселей составляет приблизительно . Первоначально в качестве начальных центров кластеров равномерно выбираются M пикселей.Каждому пикселю назначается его ближайший центр кластера, и формируется M начальных кластера. Подобно алгоритму K-средних [27], центры кластеров и кластеры итеративно обновляются до тех пор, пока они не сойдутся. Новый центр кластера получается путем вычисления средних пространственных координат и значения серого соответственно для пикселей в кластере. После получения новых центров кластеров каждый пиксель может быть переназначен ближайшему новому центру кластера на следующей итерации, чтобы сформировать новые кластеры.Однако, в отличие от K-Means, пространство поиска алгоритма SLIC ограничено областью 2 S × 2 S вокруг центра кластера, а не всем изображением, что сокращает объем вычислений. Мера расстояния d двух пикселей a и b выглядит следующим образом: (3) (4) (5) Где ( x}

5 A

8, Y A ) А ( x _{b , y b}

8) являются координатами пикселей A и B и cmp вводится как коэффициент компактности.

Поскольку SLIC не обеспечивает связность явным образом, некоторые кластеры не являются пространственно связными. В несвязном кластере остается несколько пикселей-сирот, не связанных с основной частью кластера. Чтобы исправить это, эти пиксели переназначаются соседнему соединительному кластеру с наиболее близким средним значением серого. После исправления количество суперпикселей и размер суперпикселей будут изменены. Это считается приемлемым, поскольку цель разделения состоит в том, чтобы в достаточной степени разбить изображение на сегменты, а не создать точное количество небольших подобластей.

На рис. 4 показан результат разделения. Видно, что опухоль сегментирована на несколько суперпикселей. Границы суперпикселей хорошо совпадают с границей опухоли. Следовательно, следующий ключевой вопрос для сегментации опухоли состоит в том, чтобы объединить те суперпиксели, которые принадлежат опухоли. Наше решение заключается в использовании многоканального Ncut для кластеризации суперпикселей путем измерения их текстурных характеристик.

Извлечение признаков суперпикселя

Текстура является важной характеристикой анализа изображений и широко используется в ультразвуковом анализе изображений.Текстурный анализ всегда выполняется на основе региональной статистики; таким образом, он подходит для извлечения информации о текстуре суперпикселя. Известно, что спеклы можно рассматривать как важный фактор, вызывающий появление текстуры на ультразвуковых изображениях [10]. Чтобы сохранить больше информации, исходное изображение без фильтрации используется для извлечения признаков текстуры. Извлечение признаков суперпикселя включает два этапа: извлечение текстуры для каждого пикселя изображения и построение гистограммы текстуры для каждого суперпикселя.Весь процесс показан на рис. 5.

Сначала извлекается текстура каждого пикселя. Для пикселя p мы складываем значения серого внутри окна (2 r +1)×(2 r +1) вокруг пикселя и сохраняем их в вектор T ( p ) с размер (2 r +1) ² . Используя этот метод, мы можем получить текстурную модель для каждого пикселя изображения по его соответствующему вектору. Варма и Зиссерман сообщили, что этот метод извлечения текстуры эффективен при классификации текстур, и отметили, что он фактически представляет совместную PDF (функцию распределения вероятностей) центрального пикселя и их окрестностей [28].Это представление текстуры использовалось для сегментации естественного изображения и обеспечивает хорошую производительность [29–30]. Исходя из этих литературных источников, для использования текстурных признаков для сегментации изображения предполагается, что распределение текстурных признаков подчиняется смешанному распределению Гаусса, которое может быть вырожденным и иметь разные размеры. Однако распределение интенсивности ультразвуковых изображений является сложным [31] [32], и распределение их текстурных особенностей не всегда может быть просто смоделировано как смешанное распределение Гаусса.Чтобы преодолеть эту проблему, мы построили гистограмму текстуры для каждого суперпикселя, чтобы охарактеризовать его функцию.

Построение гистограммы может быть выполнено в два этапа: определение бинов (горизонтальная ось гистограммы) и определение значений каждого бина (вертикальная ось). Во-первых, все векторы текстуры классифицируются на K кластеров с использованием алгоритма K-Means. Таким образом, пикселю p присваивается уникальная метка L ( p ), указывающая, к какой группе принадлежит пиксельная текстура.Векторы текстуры, принадлежащие одному и тому же кластеру, имеют схожие характеристики, которые можно охарактеризовать центром кластера. Центр кластера, изображающий вектор которого обозначен как T _c ( η ), можно назвать текстоном [33]. На рис. 6 показан пример текстонов. Ячейки K гистограммы формируются естественным образом на основе кластеров K . Затем строится гистограмма текстуры для каждого суперпикселя путем подсчета времени появления каждого бина следующим образом: (6)

(7)

Следует отметить, что пиксели, окна которых охватывают разные суперпиксели, не учитываются, как это предлагается в [29].Гистограмма нормализована до [0,1]. Текстурная гистограмма широко используется в текстурном анализе [19, 28, 33]. В этих исследованиях гистограмма текстуры использовалась в соседнем пикселе для характеристики информации о текстуре пикселя. Естественно обобщать гистограммы текстуры для описания информации о текстуре суперпикселя, поскольку суперпиксели однородны. Поскольку суперпиксель включает в себя множество пикселей, гистограмма текстуры имеет гораздо большую статистическую значимость.

Слияние суперпикселей

Основа метода кластеризации Ncut.

Ncut [34] — метод кластеризации данных, основанный на теории графов. Дан взвешенный неориентированный граф G = ( V , E , W ), где V — множество вершин, E — множество ребер, соединяющих вершины, а W — вершин. весовая матрица, элемент которой w ( m , n ) представляет подобие между двумя вершинами m и n в V . Предположим, что набор вершин V разделен на F наборы {φ ₁ , φ ₂ , …, φ _F }, φ _C ⋂φ _D = ∅ c , d ϵ [1, F ], Φ ₁ ⋃Φ ₂ ⋃…⋃Φ _{F V =}

8.Лучший раздел — минимизировать (8)

(9)(10)

Когда F = 2, это классическая двусторонняя задача Ncut, которую можно решить, преобразовав ее в обобщенное уравнение на собственные значения ( D — W ) x = λDx , где D — диагональная матрица с диагональными элементами. Для F ≥3 ее можно описать как мультиклассовую спектральную кластеризацию, и для ее решения были предложены некоторые подходы [33–36]. В общем, для завершения разбиения необходимо F- обобщенных собственных значений и соответствующих им собственных векторов, которые можно описать как Wx = λDx .Здесь мы используем так называемый робастный метод, а именно, он устойчив к случайной инициализации по сравнению с другими методами спектральной кластеризации [35].

As , минимизация Ncut равна максимизации (11)

Это можно решить в два этапа. Сначала задача преобразуется в задачу на собственные значения, чтобы получить набор непрерывных глобальных оптимумов. Далее ищется ближайшее дискретное решение из непрерывных оптимумов. Выход представлен бинарной матрицей X , элемент которой X ( v , k ) показывает, принадлежит ли узел v множеству Φ _k .Если X ( v , k ) = 1, то узел v принадлежит множеству Φ _k и X ( v

, k) по контрасту 2. Конкретный алгоритм приведен ниже:

1. Получить F крупнейших собственных значений и его соответствующих собственных собственных векторов { x

   5 x

   5 x ₂ , …, x _F } решением уравнения, где λ обозначает собственное значение, а x — его соответствующий собственный вектор.

2. Сформируйте матрицу Z , расположив векторы-столбцы как [ x ₁ , x ₂ ,…, x _F 2 90].
3. Получить и нормализовать .
4. Инициализируйте матрицу F × F , выбрав F строк максимально ортогональных друг другу.
5. Найдите оптимальное дискретное решение X .. X получено с помощью NMS (немаксимальное подавление) в направлении строки.
6. Обновить матрицу с помощью и . Если сходится, останавливаемся и выводим окончательное решение X , иначе переходим к шагу 5.

Алгоритм Ncut широко применяется при сегментации изображений как для естественных [33–34], так и для ультразвуковых [19, 37] изображений. В этих исследованиях вершина V представляет пиксель изображения. В нашем приложении вершина V представляет собой суперпиксель. Ключевыми проблемами применения Ncut в нашем методе являются построение W и выбор F .

Построение матрицы

W .

Элементы матрицы W представляют сходство между двумя вершинами. В предлагаемом методе вершина графа представляет собой суперпиксель. Таким образом, матрица W измеряет сходство между суперпикселями. Поскольку каждый суперпиксель характеризуется текстурной гистограммой, основная форма элемента матрицы W имеет вид (12) где σ — масштабный коэффициент. DOS ( Hist _M

8, Hist _N ) обозначает расстояние между двумя гистограммами суперпикселей ω _м и Ω _N . Нормализованная форма используется, чтобы ограничить его диапазоном [0, 1].

Для измерения разности гистограмм всегда используется расстояние х ² [19, 28, 33]. Для двух гистограмм hist _m и hist _n их расстояние χ ² определяется как (13) где hist _m ( α ) обозначает значение α -го интервала гистограммы hist _m .Однако расстояние х ² учитывает только расстояния между бинами, и лучше учитывать расстояния между бинами. Гистограмму можно рассматривать как дискретную форму PDF. Эффективность расстояний между бинами зависит от правильно определенных бинов. Слишком много бинов делают расстояние между бинами ненадежным, потому что небольшое количество изменений данных увеличит разницу гистограммы. В предлагаемом методе гистограмма строится с использованием K-средних. Номер кластера K-средних, который определяет номер ячейки на гистограмме, всегда предопределен как параметр; таким образом, это может не подходить для каждого изображения.Чтобы избежать потери информации, всегда выбирается большее значение, чтобы избежать вырождения гистограммы. Таким образом, расстояние, учитывающее взаимосвязь между бинами, должно быть принято для улучшения характеристик расстояния гистограммы. Здесь было принято кросс-биновое расстояние с меньшим временем вычислений, называемое квадратичным расстоянием гистограммы Чи [38]. Расстояние квадратичной гистограммы Хи можно рассматривать как комбинацию расстояния квадратичной формы и расстояния х ² . Для двух гистограмм hist _m и hist _n расстояние между ними определяется как (14) где hist _m ( α ) обозначает значение α -го интервала гистограммы hist _m . ξ — это коэффициент нормализации, который здесь установлен равным 0,5, чтобы обеспечить согласованность с расстоянием х ² . На самом деле, расстояние х ² можно рассматривать как особую форму расстояния квадратичной гистограммы Хи, поскольку его можно получить напрямую, где Id представляет собой единичную матрицу. Матрица A в (14) представляет собой неотрицательную симметричную матрицу для измерения подобия интервалов, указывающую, что ее элемент A ( α , β ) обозначает сходство между α -м интервалом и β -й бин.Поскольку бины формируются из текстонов, подобие бинов есть подобие соответствующих текстонов центров их кластеров. Поскольку T _c ( η ) обозначает соответствующий центральный вектор η -го интервала, матрица A может быть определена как (15)

Еще одна проблема, которую следует учитывать, — это возможность подключения. Опухоль соединительная и не может быть прервана фонами. При непосредственном использовании Ncut-сегментации пикселей всегда обеспечивается ограничение измерения сходства определенным диапазоном геометрических расстояний [19, 33, 34, 37].Мы используем Ncut для кластеризации суперпикселей, а связь можно обеспечить с помощью матрицы смежных областей (ОЗУ). Мы определяем M × M бинарной оперативной памяти B для M суперпикселей. Его элемент B ( m , n ) указывает, является ли суперпиксель m смежным с суперпикселем n , (16)

На рис. 7 показан пример. В [17, 29, 30] аналогичная схема графа смежности регионов (RAG) используется в процессе слияния.По сравнению с RAG, наша матричная форма легче интегрируется в структуру Ncut. Более того, введение оперативной памяти позволяет обеспечить разреженность матрицы подобия W ; таким образом, можно использовать быстрый алгоритм решателя собственных значений, такой как метод Ланцоша [39], который представляет собой итеративное решение для эффективного вычисления собственных значений и собственных векторов. Наконец, объединяя вышеуказанные элементы, элемент весовой матрицы W определяется как (17)

Адаптивный выбор количества кластеров.

Различное количество кластеров F приводит к различным результатам, которые можно проиллюстрировать, например, на рис. 8. Нелегко определить подходящее количество кластеров. Как отмечалось ранее, изображение миомы матки всегда имеет сложную структуру, поскольку на изображении присутствуют и некоторые другие органы. Таким образом, простое фиксированное количество кластеров не всегда может привести к правильной сегментации опухоли. Утомительно вручную настраивать подходящее количество кластеров для каждого изображения.Таким образом, мы разработали адаптивный подход к выбору количества кластеров F автоматически.

Рис. 8. Результаты с различными значениями F .

(a) F = 2. (b) F = 3. (c) F = 4. (d) F = 5. (e) F = 6. (f) F = 7. (ж) F = 8. При F = 8 опухоль сегментирована. Граница опухоли показана красным цветом.

https://дои.org/10.1371/journal.pone.0125738.g008

В начале подхода F устанавливается на 2. Далее происходит кластеризация суперпикселей с помощью Ncut. После кластеризации проверяется, можно ли выделить область опухоли из объединенных областей. Если область опухоли удается извлечь, область опухоли выводят, а доступ прекращают; в противном случае значение F изменяется последовательно на F = F +1, и процесс кластеризации и тестирования повторяется.Три критерия используются для выбора области опухоли из объединенных областей. Во-первых, кандидаты не должны быть областями, содержащими границы изображения. Область опухоли должна быть полной на изображении ROI. Области, содержащие границы изображения, считаются неполными, поскольку они усекаются границами изображения; таким образом, эти области не могут быть кандидатами в область опухоли. Во-вторых, после слияния суперпикселей фон изображения всегда разделяется на несколько областей очень неправильной формы по сравнению с областью опухоли.Таким образом, кандидаты в опухоли могут быть выбраны из областей неправильной формы с помощью алгоритма подбора эллипса. Подгоночный эллипс области получается из ее минимального ограничивающего прямоугольника [40]. Большая и малая оси подгоночного эллипса, который имеет один и тот же центроид с ограничивающим прямоугольником, являются шириной и высотой ограничивающего прямоугольника соответственно. Если одна область является областью опухоли, она должна удовлетворять условию, согласно которому отношение ее площади к площади соответствующего эллипса попадает в заданный диапазон.В-третьих, из кандидатов на опухоль исходный размер опухоли используется для окончательного выбора области опухоли. При HIFU-терапии пациент всегда проходит много предоперационных обследований; таким образом, размер опухоли может быть известен до абляции. Область опухоли — это область, ближайшая к опухоли в областях-кандидатах, у которых отношение площади к опухоли попадает в заданный диапазон. Если нет области, попадающей в предварительно определенный диапазон, это указывает на то, что процесс кластеризации следует повторить со следующим значением F .Адаптивный подход прост, но хорошо работает на практике. Этот адаптивный подход к автоматическому выбору F также позволяет напрямую выбирать область опухоли для получения окончательных результатов.

Результаты

Показатели оценки

Предлагаемый метод реализован с использованием Matlab на ПК (Intel Pentium Dual-Core CPU E5700, 2G RAM) без использования методов ускорения, таких как параллельные вычисления и GPU-ускорение. Настройки параметров перечислены в таблице 1.Предлагаемый метод проверен на наборе данных из 42 реальных ультразвуковых изображений HIFU-терапии, описанных в подразделе «Материалы ». Среднее время работы 9,54 с. Рентгенологи очерчивают границу опухоли, которая считается эталоном. Мы сравнили результаты компьютерной сегментации со стандартами, установленными вручную. Для оценки эффектов сегментации используются две метрики: SI (сходство) и HD (расстояние Хаусдорфа).

Метрика SI основана на перекрытии. Пусть A _S относятся к области области, сегментированной вручную, а A _A относятся к области, сегментированной автоматически.Тогда SI можно определить следующим образом: (18)

Более высокий SI указывает на гораздо большее сходство между автоматической сегментацией и стандартной сегментацией. Когда SI = 1, автоматическая сегментация совпадает со стандартной сегментацией. HD — еще одна распространенная метрика, основанная на контурном расстоянии. Во-первых, расстояние между точкой u и замкнутым контуром C _V определяется как: (19) где || и — v || указывает двумерное евклидово расстояние между точкой u и точкой v .Затем HD между автоматически сегментированным контуром C _A и стандартным контуром C _S определяется как (20)

HD указывает на наихудшую разницу контуров между контурами автоматической сегментации и стандартной сегментации. Низкое значение HD указывает на более точную сегментацию. Однако HD — это абсолютное значение, которое не подходит для сравнения между различными сегментами. Для исключения влияния размера опухоли используют нормализованную форму ГД [41]: (21) где | C _S | — количество пикселей на стандартном контуре C _S .

Статистический анализ

На рис. 9 показаны диаграммы статистического анализа. Все значения SI выше 80%. Минимальный SI составляет 81,19%, а максимальный — 94,50%. Значения HD разбросаны шире из-за разных размеров опухоли. Минимальное разрешение HD — 2,83 пикселя, максимальное — 53,76 пикселя. NormHD исключает влияние размера опухоли. Значения NormHD распределены близко. За исключением двух выбросов, большинство значений normHD распределяется примерно на 5%. Минимальное значение NormHD составляет 1,84%, а максимальное значение NormHD — 10.11%. Для SI и NormHD длина их диаграмм короткая, что указывает на близкое распределение их значений. Средние значения и стандартные отклонения показаны в таблице 2. Среднее значение SI составляет 87,58%, а NormHD — 5,18%. Высокое среднее значение SI и низкое среднее значение HD и NormHD демонстрируют высокую точность сегментации. Стандартные отклонения низкие, что указывает на то, что предлагаемый метод является надежным для каждого тестового примера.

Индивидуальный пример

Неоднородный внешний вид.

Обычно миомы матки имеют неоднородный вид, пример которого показан на рис. 10.Значения серого в области опухоли неравномерны. Предлагаемый метод правильно сегментирует опухоль, поскольку суперпиксели опухоли имеют схожие текстурные особенности, которые отличаются от других тканей. Однако успешная кластеризация суперпикселей опухоли также происходит из-за использования расстояния гистограммы Quadratic-Chi. Сравнение построения W с использованием различных расстояний гистограмм показано на рис. 10. Когда F = 13, опухоль можно сегментировать, используя расстояние гистограммы Quadratic-Chi, тогда как ее нельзя сегментировать, используя х ² . расстояние.На рис. 10(d) и 10(e) показаны объединенные результаты соответственно. Соответствующие им матрицы подобия W также визуализируются с помощью тепловых карт, которые показаны на рис. 10(f) и 10(g). На тепловой карте каждая строка или столбец представляет собой суперпиксель. Квадрат в точке пересечения строки и столбца представляет сходство между соответствующими суперпикселями разного цвета. Можно указать, что расстояние гистограммы Quadratic-Chi может отражать сходство между суперпикселями более явно, чем расстояние х ² , потому что цвета квадратов на рис. 10(f) распространяются шире, чем на рис. 10(g).Квадраты, обозначенные белыми стрелками, представляют собой суперпиксели внутри опухоли. Использование расстояния гистограммы Quadratic-Chi делает связь суперпикселей внутри опухоли более очевидной, что способствует кластеризации.

Рис. 10. Пример гетерогенной опухоли.

(а) Исходное изображение. (б) Стандартная граница. (c) Граница, созданная предлагаемым методом. (d) Объединенный результат построения W с использованием расстояния гистограммы Quadratic-Chi.(e) Объединенный результат построения W с использованием расстояния х ² . (f) Визуализация W с использованием расстояния гистограммы Quadratic-Chi. (g) Визуализация W с использованием расстояния х ² . Белая стрелка указывает на суперпиксели внутри опухоли.

https://doi.org/10.1371/journal.pone.0125738.g010

Слабые границы.

Опухоли со слабыми границами — еще один типичный случай из-за их акустических характеристик.На рис. 11 показан пример. Границы опухоли слишком слабы, чтобы их можно было распознать. Предлагаемый метод также правильно сегментирует ее при F = 12. Опухоль можно отличить по признакам текстуры, хотя по серому цвету ее трудно распознать. Предоставляются три текстурные гистограммы суперпикселей. Суперпиксели A и B находятся внутри опухоли, а суперпиксели C — снаружи. Все они примыкают друг к другу. Гистограммы показывают, что эти суперпиксели имеют разные характеристики текстуры, хотя и выглядят одинаково, поскольку их гистограммы текстуры не совпадают.Кроме того, также можно заметить, что характеристики текстуры суперпикселей A и B более похожи, чем характеристики текстуры суперпикселей A и C или B и C. Расчет показывает, что сходство составляет примерно 0,82 между A и B, 0,62 между A и C и 0,42 между B и C. Из их гистограмм можно сделать вывод, что суперпиксели внутри опухоли имеют больше сходных текстурных особенностей, чем суперпиксели вне опухоли. Следовательно, опухоль можно сегментировать, объединив суперпиксели А и В по их сходству.

Рис. 11. Пример опухоли со слабыми границами.

(а) Исходное изображение. (б) Суперпиксели. Суперпиксели A и B находятся внутри опухоли, а суперпиксели C — снаружи. (c) Граница, созданная предложенным методом. (d) Стандартная граница. (e) Гистограммы для трех суперпикселей A, B и C.

https://doi.org/10.1371/journal.pone.0125738.g011

Обсуждение

Эксперимент с синтетическими данными для дальнейшей оценки производительности

Результаты сегментации демонстрируют хорошую эффективность предложенного метода на изображениях миомы матки.Для дальнейшего тестирования эффективности предлагаемого метода в различных функциях распределения вероятностей (PDF), формах и сегментациях с несколькими объектами мы также использовали метод для сегментации синтетических изображений, содержащих подобласти с по-разному разработанными PDF, формами и размерами, которые могут не быть включены в набор данных реального изображения. Поле II [42–43] представляет собой эффективную программу для моделирования всего процесса ультразвуковой визуализации. Мы использовали Поле II для моделирования линейного преобразователя с центральной частотой 3,5 МГц.Результаты сегментации синтетических изображений представлены на рис. 12. Для трех синтетических изображений на каждом изображении появляются три опухоли. Каждое синтетическое изображение имеет разные параметры моделирования. Для левого изображения установлено, что амплитуда разброса в трех опухолях подчиняется одному и тому же нормальному распределению. Для среднего изображения каждая опухоль имеет разное распределение амплитуды разброса. Они устанавливаются на фиксированное значение, нормальное распределение и равномерное распределение соответственно. Различное распределение амплитуды рассеяния приводит к различному распределению уровня серого [44].Для правого изображения амплитуда разбросов задается такой же, как и для среднего изображения, но опухоли имеют более сложную форму. Предлагаемый метод может правильно сегментировать опухоли для всех трех изображений, установив F = 4. Среднее значение SI для синтетических изображений составляет 90,50%. Результат сегментации также показывает, что предложенный метод может успешно справляться со сложными ситуациями при сегментации ультразвукового изображения.

Рис. 12. Результаты для синтетических изображений.

(а) Амплитуды разбросов внутри опухолей имеют такое же распределение.(б) Амплитуды разбросов внутри опухолей имеют разное распределение. (в) Опухоли, амплитуды разброса которых имеют разное распределение, имеют сложную форму. (г) Сегментация (а). (e) Сегментация (b). (е) Сегментация (с).

https://doi.org/10.1371/journal.pone.0125738.g012

Лучший выбор из

F

В этой статье представлен новый метод сегментации миомы матки в HIFU-терапии, основанный на разделении и слиянии. Из-за сложности ультразвуковых изображений миомы матки двустороннее разделение с помощью Ncut не всегда может привести к правильной сегментации.Таким образом, принимается многоканальное разделение, и номер объединенного кластера, а именно F , должен быть правильно выбран для получения правильной сегментации. Адаптивный подход предназначен для выбора F без ручного вмешательства. Несмотря на свою простоту, показано, что предложенный подход работает хорошо. Тем не менее следует отметить, что адаптивный подход не может обеспечить наилучший выбор F . На рис. 13 показан пример. Хотя опухоль может быть сегментирована правильно, когда F = 4, сегментация опухоли с лучшим SI достигается, когда F = 9.Метод получения наилучшего F заключается в поиске по всем возможным значениям. Если изображение было разделено на M суперпикселей, возможное значение M составляет от 2 до M -1. Поиск всех возможных значений занимает много времени. Из эксперимента видно, что результаты, полученные нашей адаптивной схемой, также удовлетворительны, хотя эти результаты могут быть не самыми лучшими. Например, для опухоли на рис. 13 адаптивный подход останавливает итерацию при F = 4 и выводит опухоль, в то время как наилучшая сегментация достигается при F = 9.Метрика SI области опухоли, сегментированной с F = 4, составляет 84,29%, что является достаточно высоким показателем, хотя наилучшая сегментация имеет более высокий SI 95,14%. Следует также отметить, что случаи, подобные показанным на рис. 13, в нашем эксперименте немногочисленны. Для большинства изображений показатели SI участков опухоли, сегментированных нашим адаптивным методом, очень близки к наилучшей сегментации, что достигается за счет использования предшествующих областей в качестве критерия выбора области опухоли.

Время работы

Проверка как реальных данных, так и синтетических данных демонстрирует точность сегментации предлагаемого метода.Среднее время работы 9,54 с. По сравнению с методом, использующим Ncut для кластеризации пикселей [19], предлагаемый метод эффективен, поскольку введение суперпикселей снижает вычислительную сложность кластеризации. Однако, учитывая, что метод применяется в HIFU-терапии, которая требует процесса в реальном времени, необходимо ускорить предлагаемый метод. Основной трудоемкой процедурой предлагаемого метода является извлечение признаков суперпикселя, которое может занимать более 70% от общего времени выполнения.При извлечении признаков суперпикселей алгоритм K-Means потребляет больше всего вычислительного времени. В K-Means каждый пиксель должен быть назначен кластеру независимо; поэтому в таких ситуациях применимо ускорение графического процессора, при котором для одновременных вычислений используются несколько ядер графического процессора. Более того, для SLIC, как варианта K-Means, также подходит использование GPU-ускорения. Наша будущая работа будет заключаться в переносе предложенного метода из Matlab в CUDA (платформа ускорения GPU) с оптимизированными кодами для удовлетворения требований HIFU-терапии в реальном времени.

Влияние ROI

Как и многие другие сегментные методы [18–19], предлагаемый метод был протестирован в области интереса, предварительно определенной на изображении рентгенологом, чтобы избежать обработки краевых областей изображения, явно не связанных с опухолью, для экономии времени вычислений. Конечно, выбор области интереса определенно влияет на эффективность методов. Чтобы исследовать влияние выбора ROI, проводится другая группа экспериментов на основе новой ROI, нарисованной другим радиологом, который не знает прежних вариантов выбора ROI.Средний размер нового ROI составляет 291×337, что приводит к увеличению средней площади ROI в 1,7 раза по сравнению с прежним. Среднее время работы для всех изображений увеличивается до 24,89 с. Результаты показывают, что опухоли могут быть правильно сегментированы со средним показателем SI 82,90%. На рис. 14–16 представлены примеры сегментированных опухолей. На рис. 14 показан случай опухоли со слабыми границами. Отмечено, что опухоль можно правильно сегментировать при выборе различных областей интереса, хотя границы сегментированной опухоли демонстрируют небольшую разницу.Причина небольшого изменения границы опухоли заключается в том, что изменение области интереса вызывает изменение суперпикселей, которые генерируются на основе уровня серого и положения. Хотя суперпиксели немного меняются в зависимости от области интереса, они также могут захватывать границу опухоли. Таким образом, суперпиксели, принадлежащие опухоли, будут объединены вместе, потому что они имеют схожие текстурные особенности. На рис. 15 показан случай опухолей с гиперэхогенным внешним видом, когда опухоль также может быть сегментирована по различным параметрам ROI.На рис. 16 показан случай с большой неоднородной структурой, в которой предлагаемый метод также может выполнять правильную сегментацию в разных областях интереса.

Рис. 14. Пример сегментации опухоли со слабой границей в различных ROI.

(а) Исходное изображение. (б) первое изображение ROI. (c) Результат сегментации (b). (d) второе изображение ROI. (e) результат сегментации (d).

https://doi.org/10.1371/journal.pone.0125738.g014

Рис. 15. Пример сегментации опухоли с гиперэхогенным внешним видом в различных областях интереса.

(а) Исходное изображение. (б) первое изображение ROI. (c) Результат сегментации (b). (d) второе изображение ROI. (e) результат сегментации (d).

https://doi.org/10.1371/journal.pone.0125738.g015

Рис. 16. Пример сегментации опухоли с большой гетерогенной структурой в различных ROI.

(а) Исходное изображение. (б) первое изображение ROI. (c) Результат сегментации (b). (d) второе изображение ROI. (e) результат сегментации (d).

https://дои.org/10.1371/journal.pone.0125738.g016

В целом экспериментальные результаты показывают, что предложенный метод может работать должным образом независимо от выбранного размера ROI. Таким образом, можно сделать вывод, что предлагаемый метод применим к исходному изображению из руководства HIFU. Однако эффективная область в исходном изображении представляет собой сектор, как показано на рис. 3, и лучше всего определить область интереса на изображении, чтобы исключить область поля и сэкономить время вычислений. Поскольку предлагаемый метод не чувствителен к выбору ROI, ROI может быть изначально определена как достаточно большая, чтобы подходить для всех изображений в процессе HIFU-терапии.

Сравнение с другими методами

В этой статье предлагается метод сегментации опухоли, основанный на алгоритме разделения и слияния, для изображений с наведением HIFU, которые имеют более низкое качество изображения, чем обычные клинические ультразвуковые изображения. Однако статистический анализ показал, что точность сегментации предлагаемого метода находится на одном уровне с уже разработанными методами [11, 19] клинических ультразвуковых изображений с использованием меры СИ. Принимая во внимание цель применения предлагаемого метода, которая заключается в автоматическом наведении в HIFU-терапии, где лучше меньше ручного вмешательства, предлагается идея, основанная на разделении и объединении, вместо методов, основанных на эволюции контура [11-14], чтобы избежать ручная инициализация контура.Из-за присущей сложности ультразвуковых изображений миомы матки очевидно, что фиксированный номер кластера не может подходить для всех изображений. По сравнению с существующими методами, основанными на кластеризации [19, 20, 37], в которых номера кластеров фиксированы или определяются по неявной априорной информации, адаптивный метод выбора подходящих номеров кластеров без ручного вмешательства предназначен для обеспечения предложенный метод является адекватным. Более того, алгоритм адаптивного выбора номеров кластеров может выбирать область опухоли из объединенных областей без ручного взаимодействия, в то время как для некоторых других методов, основанных на кластеризации, это необходимо [17, 37].

Тем не менее, в отличие от методов, основанных на эволюции контуров [11–14], в которых внутренняя энергия может поддерживать контуры гладкими и непрерывными, сегментированные области опухоли в предлагаемом методе, как правило, имеют некоторые углубления или выпуклости на границах в зашумленном ультразвуке. изображения, используемые для наведения HIFU, как показано на рис. 8 и 13. Потенциально это можно улучшить, наложив ограничения на форму области опухоли, которые станут предметом будущих исследований авторов.

Заключение

В настоящем исследовании представлен метод сегментации миомы матки на основе разделения и слияния в HIFU-терапии.В качестве неинвазивного лечения HIFU широко и успешно применяется при лечении миомы матки. Компьютеризированная сегментация миомы матки с меньшим ручным вмешательством в HIFU-терапии имеет смысл для реализации автоматической локализации целевой области, подлежащей аблации, что может значительно повысить эффективность терапии. Предлагаемый метод сначала разбивает изображение на множество суперпикселей, тем самым уменьшая вычислительную сложность последующего процесса слияния. Затем каждая характеристика текстуры суперпикселя извлекается путем построения гистограммы текстуры.Суперпиксели объединяются путем измерения их сходства на основе расстояний гистограммы текстуры Quadratic-Chi и соседства в пространстве. Затем в процессе слияния используется многоканальный Ncut. Адаптивная схема выбора количества кластеров интегрирована с Ncut, чтобы избежать ручного вмешательства. По сравнению с сегментацией ультразвукового изображения на основе змей или наборов уровней предлагаемый метод не требует исходного контура, который всегда получается вручную. Предлагаемый метод апробирован как на реальных данных, так и на синтетических данных.На основе эксперимента с 42 реальными ультразвуковыми изображениями, полученными в результате HIFU-терапии, статистические результаты показывают, что среднее значение SI составляет 87,58%, а normHD — 5,18%, что указывает на высокую точность сегментации. На основе теоретического анализа и экспериментальных результатов можно сделать вывод, что предлагаемый метод может быть использован для визуализации перед абляцией и планирования HIFU-терапии.

Благодарности

Авторы хотели бы поблагодарить д-ра Ли Фаци, д-ра Чжэн Юаньи и радиологов из дочерних больниц Медицинского университета Чунцина за помощь в предоставлении изображений ультразвукового контроля HIFU и результатов ручной сегментации.

Авторские взносы

Придумал и спроектировал эксперименты: DZ MX. Проведены эксперименты: MX YL YY. Проанализированы данные: MX DZ YY. Предоставленные реагенты/материалы/инструменты для анализа: DZ ZY QQ. Написал статью: MX DZ YY.

Каталожные номера

1. 1. Маврелос Д., Бен-Наги Дж., Холланд Т., Ху В., Нафталин Дж., Юркович Д. Естественная история миомы. УЗИ Акушерство Гинекол. 2010 г.; 35: 238–42. пмид:20069541
2. 2. Стюарт ЭА.Миома матки. Ланцет. 2010 г.; 357: 293–8.
3. 3. Кеннеди Дж. Э. Высокоинтенсивный сфокусированный ультразвук в лечении солидных опухолей. Нат Рев Рак. 2005 г.; 5: 321–7. пмид:15776004
4. 4. Ren XL, Zhou XD, Zhang J, He GB, Han ZH, Zheng MJ и др. Экстракорпоральная абляция миомы матки высокоинтенсивным сфокусированным ультразвуком: визуализация и гистопатологическая оценка. J УЗИ Мед. 2007 г.; 26: 201–12. пмид:17255182
5. 5. Ван В, Ван И, Ван Т, Ван Дж, Ван Л, Тан Дж.Безопасность и эффективность высокоинтенсивного сфокусированного ультразвука под контролем УЗИ для лечения подслизистых миом. Евро Радиол. 2012 г.; 22: 2553–258. пмид:22653287
6. 6. Кеннеди Дж. Э., Тер Хаар Г. Р., Крэнстон Д. Фокусированный ультразвук высокой интенсивности: хирургия будущего? Бр Дж Радиол. 2003 г.; 76: 590–9. пмид:14500272
7. 7. Тавакколи Дж., Сангхви Н.Т. HIFU и термоабляция под ультразвуковым контролем. В: Френкель В, ред. Терапевтический ультразвук: механизмы применения. Нью-Йорк: Издательство Nova Science Publishers; 2011.п. 137–61.
8. 8. У Ф., Ван З.Б., Чен В.З., Цзоу Дж.З., Бай Дж., Чжу Х. и др. Экстракорпоральная сфокусированная ультразвуковая хирургия для лечения солидных карцином человека: ранний китайский клинический опыт. Ультразвук Медицина Биол. 2004 г.; 30: 245–60. пмид:14998677
9. 9. Garnier C, Bellanger JJ, Wu K, Shu H, Costet N, Mathieu R, et al. Сегментация простаты в HIFU-терапии. IEEE Trans Med Imaging. 2011 г.; 30: 792–803. пмид:21118767
10. 10. Ноубл Дж.А., Букерруи Д.Сегментация ультразвукового изображения: обзор. IEEE Trans Med Imaging. 2006 г.; 25: 987–1010. пмид:16894993
11. 11. Liu B, Cheng HD, Huang J, Tian J, Tang X, Liu J. Активный контур на основе разности плотностей вероятности для сегментации ультразвукового изображения. Распознавание образов. 2010 г.; 43: 2028–42.
12. 12. Slabaugh G, Unal G, Wels M, Fang T, Rao B. Статистическая сегментация ультразвуковых изображений на основе областей. Ультразвук Медицина Биол. 2009 г.; 35: 781–95. пмид:1
    99
13. 13.Huang J, Yang X, Chen Y, Tang L. Ультразвуковая сегментация почки с глобальной предшествующей формой. J Vis Commun Image представляет. 2013; 24: 937–43.
14. 14. Белайд А., Букерруи Д., Менгур Ю., Лераллю Ж.Ф. Сегментация ультразвуковых изображений на основе фаз. IEEE Trans Inf Technol Biomed. 2011 г.; 15: 138–47. пмид:21216695
15. 15. Хуан К.Х., Ли С.И., Лю Л.З., Лу М.Х., Джин Л.В., Л.А.Х. Надежный метод сегментации опухолей молочной железы на ультразвуковых изображениях на основе графов.Ультразвук. 2012 г.; 52: 266–75. пмид:21925692
16. 16. Cheng HD, Shan J, Ju W, Guo Y, Zhang L. Автоматическое обнаружение и классификация рака молочной железы с использованием ультразвуковых изображений: обзор. Распознавание образов. 2010 г.; 43: 299–317.
17. 17. Вонг А., Шаркански Дж. Фишер — Подход с объединением областей Типпетта к трансректальной ультразвуковой сегментации поражения простаты. IEEE Trans Inf Technol Biomed. 2011 г.; 15: 900–7. пмид:21824854
18. 18. Хуанг Ц, Бай С, Ли И, Джин Л, Ли С.(2014) Оптимизированная сегментация на основе графиков для ультразвуковых изображений. Нейрокомпьютинг. 2014; 129: 216–24. пмид:25376239
19. 19. Gao L, Yang W, Liao Z, Liu X, Feng Q, Chen W. Сегментация ультразвуковых опухолей молочной железы на основе однородного участка. мед. физ. 2012 г.; 39: 3299–318. пмид:22755713
20. 20. Хассан М., Чаудри А., Хан А., Ифтихар М.А. Надежное получение информации на основе нечеткой кластеризации c-средних и классификации ультразвуковых изображений сонных артерий. Вычислительные методы Программы Биомед.2014; 113: 593–609. пмид:24239296
21. 21. Паркер У.Х. Этиология, симптоматика и диагностика миомы матки. Фертил Стерил. 2007 г.; 87: 725–36. пмид:17430732
22. 22. Томаси С., Мандучи Р. Двусторонняя фильтрация серых и цветных изображений. В: Computer Vision, 1998. Шестая международная конференция; 1998 г., 4–7 января; Бомбей Индия. IEEE, 1998. с. 839–46.
23. 23. Фельзеншвальб П., Хаттенлохер Д. Эффективная сегментация изображений на основе графов. Int J Comput Vis.2004 г.; 59: 167–81.
24. 24. Левинштейн А., Стере А., Кутулакос К., Флит Д., Дикинсон С., Сиддики К. Турбопиксели: быстрые суперпиксели с использованием геометрических потоков. IEEE Trans Pattern Anal Mach Intell. 2009 г.; 31: 2290–7. пмид:19834148
25. 25. Achanta R, Shaji A, Smith K, Lucchi A, Fua P, Süsstrunk S. Суперпиксели SLIC в сравнении с современными методами суперпикселей. IEEE Trans Pattern Anal Mach Intell. 2012 г.; 34: 2274–82. пмид:22641706
26. 26. Конг Дж., Вэй Б., Инь Ю., Си Х., Чжэн Ю.Оценка производительности простого линейного итеративного алгоритма кластеризации при обработке медицинских изображений. Биомед Матер Инж. 2014; 24: 3231-8. пмид:25227032
27. 27. Ллойд СП. Квантование методом наименьших квадратов в PCM. IEEE транс. Инф. Теория. 1982 год; 28: 129–37.
28. 28. Варма М., Зиссерман А. Классификация текстуры: нужны ли банки фильтров? В: Компьютерное зрение и распознавание образов, 2003. Труды. Конференция компьютерного общества IEEE 2003 г.; 2003 г. 18–20 июня. ИЭЭЭ; 2003 стр.II—691–8 т. 2.
29. 29. Ян А.И., Райт Дж., Ма Ю., Састри С.С. Неконтролируемая сегментация естественных изображений посредством сжатия данных с потерями. Comput Vis Image Underst. 2008 г.; 110: 212–25.
30. 30. Мобахи Х., Рао С.Р., Ян А.И., Састри С.С., Ма Ю. Сегментация естественных изображений с помощью сжатия текстуры и границ. Int J Comput Vis. 2011 г.; 95: 86–98.
31. 31. Destrempes F, Cloutier G. Критический обзор и унифицированное представление статистических распределений, моделирующих огибающую ультразвукового эха.Ультразвук Медицина Биол. 2010 г.; 36: 1037–1051. пмид:20620691
32. 32. Датт В., Гринлиф Дж. Ф. Статистика логарифмически сжатой огибающей эха. J Acoust Soc Am. 1996 год; 99: 3817–25. пмид:8655811
33. 33. Малик Дж., Белонги С., Люн Т., Ши Дж. Анализ контуров и текстур для сегментации изображений. Int J Comput Vis. 2001 г.; 43: 7–27.
34. 34. Ши Дж., Малик Дж. Нормализованные разрезы и сегментация изображения. IEEE Trans Pattern Anal Mach Intell. 2000 г.; 22: 888–905.
35. 35.Yu SX, Shi J. Мультиклассовая спектральная кластеризация. В: Компьютерное зрение, 2003. Материалы. Девятая международная конференция IEEE; 2003 г., 13–16 октября; Ницца, Франция. ИЭЭЭ; 2003. с. 313–9 том. 1.
36. 36. Вайс Ю. Сегментация с использованием собственных векторов: объединяющий взгляд. В: Компьютерное зрение, 1999. Труды Седьмой международной конференции IEEE (Том: 2). 1999 г., 20–27 сентября; Керкира. ИЭЭЭ; 1999. с. 975–82 т. 2.
37. 37. Арчип Н., Ролинг Р., Куперберг П., Тахмасебпур Х.Сегментация ультразвукового изображения с использованием спектральной кластеризации. Ультразвук Медицина Биол. 2005 г.; 31: 1485–1497. пмид:16286027
38. 38. Пеле О., Верман М. Семейство расстояний гистограмм квадратичного хи. В: Данилидис К., Марагос П., Парагиос Н., редакторы. Компьютерное зрение — ECCV 2010. 11-я Европейская конференция по компьютерному зрению, Ираклион, Крит, Греция, 5–11 сентября 2010 г., Материалы, часть II; 2010 г., 5–11 сентября; Ираклион, Крит, Греция. Берлин: Springer Berlin Heidelberg; 2010. с. 749–62.
39. 39.Голуб Г.Х., Ван Лоан С.Ф. Матричный расчет. Джон Хопкинс Пресс; 1989.
40. 40. Ли Д.Т., Препарата П.Ф. Вычислительная геометрия? опрос. IEEE Trans Comput. 1984 год; 33: 1072–101.
41. 41. Shan J, Cheng HD, Wang Y. Полностью автоматизированный подход к сегментации ультразвуковых изображений молочной железы с использованием многодоменных функций. Ультразвук Медицина Биол. 2012 г.; 38: 262–75. пмид:22230134
42. 42. Дженсен Дж.А. Поле: Программа для моделирования ультразвуковых систем.В: 10-я Скандинавско-балтийская конференция по биомедицинской визуализации, том 4, приложение 1, часть 1. 1996. с. 351–3.
43. 43. Дженсен Дж.А., Свендсен Н.Б. Расчет полей давления от ультразвуковых преобразователей произвольной формы, аподизированных и возбужденных. IEEE Trans Ultrason Ferrolectr Freq Control. 1992 год; 39: 262–7. пмид:18263145
44. 44. Мохана Шанкар П. Общая статистическая модель обратного рассеяния ультразвука от тканей. IEEE Trans Ultrason Ferrolectr Freq Control. 2000 г.; 47: 727–736.пмид:18238602

Исследование в 3-х крупных центрах

Адекватное знание сонографических моделей

миомы среди клиницистов/специалистов по УЗИ в Гане

для улучшения качества диагностики и

необходимость внедрения соответствующих мер качества

что, будет способствовать оказанию качественной медицинской помощи

в стране.

Конкурирующие интересы

Авторы заявляют об отсутствии конкурирующих интересов.

Вклад авторов

Автор BDS разработал исследование, провел статистический анализ, написал протокол

и написал первый вариант рукописи. BDS, BOB и EKO

помогли разработать работу, собрали и интерпретировали данные, пересмотрели их для

важного интеллектуального содержания и, наконец, одобрили опубликованную версию.

Все авторы прочитаны, утвержден окончательный вариант работы.

Благодарности

Автор статьи выражает благодарность за поддержку

руководителям центров, в которых проводилось исследование.

Информация об авторе

1

Университет Ганы Школа медицины и стоматологии, почтовый ящик GP 4236,

Аккра, Гана.

2

Кафедра радиографии, Школа биомедицинских и смежных наук

Медицинские науки, Университет Ганы, почтовый ящик KB 143, Аккра, Гана.

Получено: 31 мая 2015 г. Принято: 11 февраля 2016 г. пленочные рентгенограммы.Bri Med J. 2005; 78: 130–4.

2. Энгель-Хиллз П. Радиационная защита в медицинской визуализации. Рентгенография. 2006 г.;

12:153–60.

3. Международная комиссия по радиологической защите (МКРЗ). Публикация 60.

Рекомендации Международной комиссии по радиологической

защите. Энн МКРЗ. 1991; 21:1–3. Оксфорд: Пергамон Пресс.

4. Critchley HOD, Warner P, Lee A, Brechin A, Guise J, Graham B. Оценка

аномальных маточных кровотечений: сравнение трех амбулаторных процедур

в когортах, определенных по возрасту и менопаузальному статусу.Монография АТ.

2004; 8:1–157.

5. Хатасака Х. Оценка аномального маточного кровотечения. Clin Obstet Gynaecol.

2005; 48: 258–73.

6. Goodwin SC, Spices JB, Worthington-Kirsch R, Peterson E, Prong LS, Myers

ER. Эмплизация маточных артерий для лечения лейомиомы: долгосрочная

из регистра миомы. Обсет Гинекол. 2008; 111: 22–33.

7. Сагба Ф. Лейомиома матки: мочеполовая система, акушерство и гинекология. Тег.

Матка. 2010. Доступно на: www.Radiopaedia.Org. [По состоянию на 4 мая 2011 г.].

8. Леви Б., Мухеджи Т., Хиршхорн К. Молекулярно-цитогенетический анализ лейомиомы матки

и леймиосаркомы путем сравнительной геномной гибридизации.

Рак Цитогенет. 2000; 12:1–8.

9. Вишванатан М., Хартманн К., Маккой Н. и соавт. Лечение миомы матки

: обновление данных. Агентство медицинских исследований и качества

(AHRQ): Резюме, Отчет о фактических данных/Оценка технологий.2007 г. Номер

154. Публикация AHRQ № 01-E051.

10. Hodge JC, Quade BJ, Rubin MA, Stewart EA, Dal Cin P, Cynthia C. Morton

молекулярная и цитогенетическая характеристика плексиформной лейомиомы

предоставляют дополнительные доказательства генетической гетерогенности, лежащей в основе миомы матки

. Ам Джей Патол. 2008; 172:1403–10.

11. Нортингтон Г.М., Арья Л.А. Лейомиома матки. Акушерство и гинекология.

Руководство по проверке платы. Акушерство Гинекол.2006; 10:1.

12. Flake GP, Andersen J, Dixon D. Этиология и патогенез лейомиомы матки

: обзор. Перспектива охраны окружающей среды. 2003;111:8.

13. Fiore K. Хирургия миомы может повысить рождаемость после привычного выкидыша. Великобритания:

Medpage Today; 2011.

14. Wilcox LS, Koonin LM, Polras R, et al. Гистерэктомия в США,

, 1988–1990 гг. Obstet Gynecol J. 1994;83:549–55.

15. Velebil P, Wingo PA, Xia Z, et al. Частота госпитализаций по поводу гинекологических

заболеваний среди женщин репродуктивного возраста в США.Акушерство

Гинекол. 1995; 86: 764–8.

16. Самир Ф.А.А., Мохаммед К.А. Поведение лейомиомы во время беременности по данным УЗИ. 2011. Доступно по адресу: www.obgyn.net/displayarticle.

аспид. [По состоянию на 12 декабря 2012 г.].

17. Chao-Ru C, Germaine MB, Norman GC, Kimberly MP, Jean W-W. Факторы риска

миомы матки у женщин, перенесших трубную стерилизацию.

Am J Эпидемиол. 2001; 153:1.

18. Офори Э.К., Антви В.К., Артур Э.А., Бракохиапа Э.К., Саркоди Б.Д., Дзефи-Тетти К. и др.

al.Распространенность и сонографические модели миомы матки среди

ганских женщин (миома матки — ситуация в Гане). J Med Appl Biosci. 2012;4:

67–78.

19. Гудвин С.К., Спайс Д.Б. Эмболизация миомы матки. N Engl J Med. 2009; 361:

690–7.

20. Якобсон Г.Ф., Шабер Р.Э., Хунг Ю.Ю. Изменения частоты гистерэктомии и

маточных сохраняющих процедур для лечения лейомиомы матки. Am J

Акушер-гинеколог. 2007; 196: 601–6.

21. Lurie S, Piper I, Woliovitch I, GleZeman M. Возрастная распространенность

сонографически подтвержденной миомы матки. J Obstet Gynaecol. 2005; 25:42–4.

22. Masters C. Гистерэктомия слишком распространена? 2007 г. Доступно по адресу: [http://

www.time.com/time/health/article/0,8599,1644050,00.html?cnn=yes.

[По состоянию на 4 июля 2012 г.].

23. Evans P, Brunsel S. Миома матки: диагностика и лечение. Am Fam

Врач. 2007; 75: 1503–8.Больница Джорджтаунского университета в Провиденсе

Программа ординатуры по семейной практике, 4151 Bladensburg Rd., Colmar Manor,

MD 20722.

24. Broder MS, Kanouse DE, Mittman BS, Bernstein SJ. Соответствие

рекомендаций по гистерэктомии. Акушерство Гинекол. 2000;95:199–205.

25. Boulware LE, Marinopoulos S, Phillips KA, Hwang CW, Maynor K, Merenstein

D, et al. Систематический обзор: значение периодической оценки состояния здоровья. Энн

Интерн Мед.2007; 146: 289–300.

26. Хан П.К. Исторические изменения целей периодического медицинского осмотра

. Энн Интерн Мед. 1997; 127:910–7.

27. Marshall LM, Spiegelman D, Manson JE, et al. Риск лейомиомы матки

среди женщин в пременопаузе в зависимости от размера тела и курения сигарет

. Эпидемиология. 1998; 9: 511–1.

28. Хай-Юн В., Ян Л.Л., Чжоу С. Влияние периодических медицинских осмотров на

хирургическое лечение миомы матки в Пекине: исследование случай-контроль.BMC

Health Serv Res. 2010;10:329. дои: 10.1186/1472-6963-10-329.

• Мы принимаем запросы перед отправкой

• Наш инструмент выбора поможет вам найти наиболее подходящий журнал

• Мы обеспечиваем круглосуточную поддержку клиентов

• Удобное онлайн-представление

• Тщательное рецензирование

• Включение в PubMed и все основные службы индексации

• Максимальная видимость вашего исследования

Отправьте свою рукопись по телефону

www.biomedcentral.com/submit

Отправьте свою следующую рукопись в BioMed Central

, и мы поможем вам на каждом этапе:

Sarkodie et al. BMC Women’s Health (2016) 16:10 Страница 6 из 6

Содержание предоставлено Springer Nature, применяются условия использования. Права защищены.

Сердце, легкие и кровообращение

Если вы не помните свой пароль, вы можете сбросить его, введя свой адрес электронной почты и нажав кнопку «Сбросить пароль».

No related posts.