李德豆　汪成亮　許杰　周平

摘 要：無(wú)線膠囊內(nèi)窺鏡在對(duì)消化道進(jìn)行出血檢測(cè)時(shí)會(huì)產(chǎn)生大量圖像，傳統(tǒng)的出血檢測(cè)算法大都追求高精度而導(dǎo)致復(fù)雜度過(guò)高不能滿足于實(shí)際應(yīng)用需求，為此該文提出一種分級(jí)檢測(cè)方法，首先利用出血圖像像素在紅色純度空間中與典型出血圖像像素的相似性對(duì)圖像進(jìn)行初步分類，再設(shè)立規(guī)則對(duì)初步分類的結(jié)果進(jìn)行去噪和提取出血圖像，最后利用改進(jìn)紅色純度對(duì)圖像進(jìn)行特征提取作為SVM分類器輸入進(jìn)行精確分類。實(shí)驗(yàn)表明，分級(jí)檢測(cè)算法能大大減少圖像檢測(cè)量的同時(shí)，使得精確度均達(dá)到90%以上，靈敏度均達(dá)到93%以上，特異度均達(dá)到90%以上，基本實(shí)現(xiàn)了膠囊內(nèi)窺圖像出血智能快速識(shí)別，可代替醫(yī)生應(yīng)用于膠囊內(nèi)窺圖像的初步檢測(cè)。

關(guān)鍵詞：膠囊內(nèi)窺鏡 出血檢測(cè) 紅色純度 分級(jí)策略 規(guī)則修正

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2015）11（a）-0245-08

Abstact：In this paper，a novel method is proposed for bleeding detection in wireless capsule endoscopy（WCE） which can significantly speed-up the detection time for large number of images.The bleeding image in WCE is estimated in three levels which consist of a rough，a modificatory and a precise level.In the rough level，a classifier which can be applied in the Red purity color space is built to divide the WCE images into two classes；In the modificatory level，The correlation and continuity of the WCE images is brought forth to amend the result of classification and some of images are chosen as representative samples； In the precise level，an improved color feature extracting method is designed for the representative images.And a SVM classifier is utilized to re-confirm the representative images if they are bleeding images or not.The experimental results suggest the effectiveness of the proposed method.

key Words：Wireless Capsule Endoscopy（WCE）；Bleeding Detection；Red Purity；Hierarchy Strategy；Rule Modification.

無(wú)線膠囊內(nèi)窺鏡（Wireless Capsule Endoscopy）作為全消化道無(wú)痛無(wú)創(chuàng)出血檢測(cè)的一項(xiàng)有效手段，在臨床方面的應(yīng)用越來(lái)越廣泛[1]。但由于膠囊內(nèi)鏡圖像尺寸小、分辨率低、圖像數(shù)量大和圖像重復(fù)性多，如果人工閱片，效率低時(shí)間開(kāi)銷大，這對(duì)于時(shí)間寶貴的醫(yī)生來(lái)說(shuō)不但代價(jià)昂貴，而且也容易造成醫(yī)生疲勞從而發(fā)生漏診現(xiàn)象。開(kāi)發(fā)基于圖像處理與模式識(shí)別技術(shù)的實(shí)時(shí)自動(dòng)識(shí)別診斷系統(tǒng)，剔除健康組織圖像，保留疑似病灶圖像，能極大地降低醫(yī)生勞動(dòng)強(qiáng)度和病人診斷費(fèi)用和時(shí)間。

近年來(lái)一些國(guó)內(nèi)外研究機(jī)構(gòu)和膠囊生產(chǎn)廠家就開(kāi)始嘗試研究建立計(jì)算機(jī)輔助診斷系統(tǒng)（CAD），從大量的內(nèi)鏡圖像中識(shí)別出出血圖像，幫助醫(yī)生診斷[2]。以色列Given Imaging公司提供的疑似出血檢測(cè)工具（suspected blood indicator，SBI）來(lái)幫助醫(yī)生找出出血病灶或者可疑的血管畸形病灶；Olympus公司開(kāi)發(fā)的Endocapsule系統(tǒng)也具有一些新的輔助讀片功能；重慶金山科技公司生產(chǎn)的OMOM膠囊內(nèi)鏡系統(tǒng)，它的圖像工作站也含有圖像處理功能，能幫助減少醫(yī)生閱片的時(shí)間，然而功能都有待于進(jìn)一步提高。

目前，對(duì)消化道出血圖像的識(shí)別分類的步驟主要是，先對(duì)圖像進(jìn)行特征提取，再以提取特征為依據(jù)將圖像分類出血模式和非出血模式。根據(jù)特征提取的方法可分為基于像素特征、基于全局特征和基于局部特征等。

在基于像素特征的研究方面，徐[3]和潘[4]等在提取圖像特征時(shí)，都采用了像素在兩個(gè)不同顏色空間的特征，并利用神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分類。由于圖像像素?cái)?shù)目巨大，導(dǎo)致待檢測(cè)數(shù)據(jù)量巨大，加上需要顏色空間轉(zhuǎn)換，使用智能分類方法導(dǎo)致計(jì)算復(fù)雜度高、效率低下。顏等[5]則采用在RGB顏色空間中利用待測(cè)像素和標(biāo)準(zhǔn)出血像素點(diǎn)的相似性系數(shù)作為分類依據(jù)，檢測(cè)速度快，但要達(dá)到好的檢測(cè)效果需要確定合適標(biāo)準(zhǔn)出血像素點(diǎn)和相似性閾值，使得算法的適應(yīng)性不夠。

基于全局特征的研究方面，基于整個(gè)圖像顏色模糊紋理譜直方圖提取圖像特征向量，方法檢測(cè)速度較快，但是由于算法沒(méi)有考慮圖像空間特征，容易造成小面積出血區(qū)域的漏檢，最終的分類效果較差[6]，即使結(jié)合空間金字塔構(gòu)造特征向量[7]，但是空間劃分固定沒(méi)有考慮實(shí)際圖像具體空間分布，所以，對(duì)小面積出血檢測(cè)效果也不是很理想。

基于局部特征研究方面，宋[8]使用分水嶺算法對(duì)圖像進(jìn)行分割，根據(jù)各分割區(qū)域在CIEluv色彩空間的色差均值完成出血檢測(cè)。李[9]則構(gòu)建局部和全局特征的級(jí)聯(lián)式病變檢測(cè)算法，進(jìn)一步降低漏檢率。其中，利用超像素的對(duì)圖像進(jìn)行分割方法在一些文獻(xiàn)[10]中也逐漸流行，并取得較好的檢測(cè)效果。超像素指的是在圖像中由一系列位置相鄰且顏色、亮度、紋理特征相似的像素點(diǎn)組成的小區(qū)域，這些小區(qū)域大多保留了進(jìn)一步進(jìn)行圖像分割的有效信息，且一般不會(huì)破壞圖像中物體的邊界信息。圖像在經(jīng)過(guò)基于超像素的分割之后其圖像單元將更加符合人們期望的結(jié)構(gòu)粒度，有利于后期算法處理，但是分割算法過(guò)于復(fù)雜，對(duì)于處理大量圖像沒(méi)有優(yōu)勢(shì)。

1 基于分級(jí)策略和規(guī)則修正的無(wú)線內(nèi)鏡圖像出血檢測(cè)方法

膠囊內(nèi)鏡對(duì)患者進(jìn)行檢查時(shí)產(chǎn)生的圖像多達(dá)幾萬(wàn)張，而真正出血病變的圖像只有幾千到幾百?gòu)埳踔林挥袔资畯垺Ｈ绾文芸焖俑咝У貜拇罅康膱D像中檢測(cè)出少量的出血圖像，并且能保持一定的準(zhǔn)確率是內(nèi)鏡圖像出血檢測(cè)在臨床應(yīng)用中需要解決的一個(gè)重要問(wèn)題。當(dāng)前許多算法中，有的過(guò)于簡(jiǎn)單，雖檢測(cè)速度快，但檢測(cè)性能不好；有的雖檢測(cè)性能好，但復(fù)雜度過(guò)高不適用于檢測(cè)大量圖像。

針對(duì)以上考慮，該文提出一種基于分級(jí)策略和規(guī)則修正的無(wú)線內(nèi)鏡圖像出血檢測(cè)方法，能夠平衡檢測(cè)性能和檢測(cè)速度之間矛盾，達(dá)到能運(yùn)用于實(shí)踐的目的，降低醫(yī)生的工作負(fù)擔(dān)。該算法主要有以下3個(gè)方面貢獻(xiàn)。

（1）采用三級(jí)檢測(cè)策略，突破傳統(tǒng)一站到底的檢測(cè)方式，對(duì)檢測(cè)過(guò)程進(jìn)行分級(jí)分工，根據(jù)各級(jí)檢測(cè)側(cè)重點(diǎn)的不同，細(xì)化任務(wù)，在簡(jiǎn)單速度快算法和復(fù)雜效果好算法之間找到平衡點(diǎn)，形成實(shí)用檢測(cè)算法，更好地平衡效率和效果的沖突，能滿足臨床應(yīng)用的要求，特別是在急診實(shí)時(shí)診斷要求。

（2）引入修正規(guī)則去除噪點(diǎn)，將圖像集分段處理提取出血部位圖像代表。在提取圖像的特征和摘要后，利用膠囊內(nèi)鏡相鄰圖像高度相關(guān)確立修正規(guī)則，對(duì)圖像分類結(jié)果去噪，以提高對(duì)圖像檢測(cè)的靈敏度，并選取出血圖像代表作為下級(jí)模型檢測(cè)集，以減少圖像檢測(cè)量，提高整個(gè)算法速度。

（3）對(duì)紅色純度顏色分量進(jìn)行歸一化處理，提出歸一化紅色純度相似度分類器，并引入徑向核函數(shù)對(duì)分類器進(jìn)行改進(jìn)，對(duì)圖像的初步分類速度快效果好。

該算法主要有3個(gè)步驟：首先，用一級(jí)模型檢測(cè)對(duì)整個(gè)圖像集進(jìn)行初步的篩選；其次，再利用二級(jí)掃描窗口對(duì)篩選出來(lái)的圖像進(jìn)行基于規(guī)則的修正并選取出疑似出血圖片代表；最后，利用三級(jí)模型檢測(cè)對(duì)篩選出來(lái)圖像進(jìn)行精確分類。圖1為算法的簡(jiǎn)要步驟和相應(yīng)的任務(wù)。

2 一級(jí)模型（初步分類算法）

基于全局圖像的算法[14，15]檢測(cè)速度快，但對(duì)于小區(qū)域的出血圖像容易造成漏檢；基于局部圖像檢測(cè)算法[16]分類速度也很快，但前期的局部劃分或是劃分過(guò)于簡(jiǎn)單沒(méi)有考慮劃分的空間信息，或是劃分復(fù)雜耗時(shí)，對(duì)處理大量圖像沒(méi)有優(yōu)勢(shì)；基于像素檢測(cè)的算法[17-19]精確度高，不易造成漏檢，但數(shù)據(jù)量巨大使用智能分類方法會(huì)導(dǎo)致計(jì)算復(fù)雜度升高，無(wú)法滿足實(shí)際應(yīng)用的要求。故該文使用顏色相似度分類方法作為一級(jí)模型對(duì)圖像進(jìn)行處理，既能達(dá)到速度快利于實(shí)踐應(yīng)用的目的，又能兼顧覆蓋率。一級(jí)模型對(duì)待檢圖像進(jìn)行初步判斷，產(chǎn)生圖像初步分類摘要序列，作為二級(jí)掃描窗口修正模型的輸入。

2.1 出血圖像的紅色純度

顏色特征具有較高魯棒性，當(dāng)圖像自身的方向、尺寸等發(fā)生變化時(shí)，對(duì)提取后的顏色特征影響不大，所以，在圖像檢索領(lǐng)域中被廣泛使用。圖2是一張典型的出血圖像，其出血區(qū)域最明顯的特征便是顏色特征，雖然紅色是主色調(diào)，但是與非出血區(qū)域相比出血區(qū)域呈現(xiàn)飽和度較高的紅色。

對(duì)圖像的出血像素和非出血像素在RGB顏色空間下的分布規(guī)律進(jìn)行分析可以看出，在RB和RG二維空間中，出血像素和非出血像素的分布都有各自的區(qū)域，基本不重合，而在GB二維空間中，則有部分重合，如圖3所示。

綜合以上分析，考慮采用紅色純度特征，用于提取出血和非出血像素點(diǎn)的顏色特征公式如下：

其中，變量和分別為像素點(diǎn)的紅、綠和藍(lán)分量值，可得到一個(gè)三維特征向量。由于出血區(qū)域的紅色飽和度明顯高于非出血區(qū)域的紅色飽和度，使得出血區(qū)域的紅色純度也明顯高于非出血區(qū)域的紅色純度，而且紅色純度特征可以有效地去除圖像光照不均的影響[11]，所以在顏色特征提取時(shí)利用紅色純度特征特征比直接利用RGB特征具有更好的效果。

2.2 歸一化紅色純度相似度分類器

以此聚類中心代表標(biāo)準(zhǔn)出血像素，以待檢圖像像素和標(biāo)準(zhǔn)出血像素的歐氏距離紅色純度相似度，則出血像素的特征就是與標(biāo)準(zhǔn)出血像素相似度高，非出血像素的特征就是相似度低，進(jìn)而利用圖像中含有出血像素的數(shù)目來(lái)判斷待檢圖像的出血模式。考慮像素樣本非線性可分情況存在，引入高斯徑向核函數(shù)對(duì)相似度進(jìn)行改進(jìn)，其中為核函數(shù)中心，為函數(shù)的寬度參數(shù)，控制了函數(shù)的徑向作用范圍。

3 二級(jí)掃描窗口

基于規(guī)則的檢驗(yàn)，利用圖像獲取的時(shí)序性和相鄰圖像的高度相關(guān)性，采用掃描窗口方法[20]順序地對(duì)圖像摘要序列進(jìn)行規(guī)則修正，并選出疑似出血圖像集作為三級(jí)模型的輸入

3.1 相鄰圖像相關(guān)性

由于消化道的空間限制和拍攝的時(shí)序性，按照?qǐng)D像序列順序觀察，可以發(fā)現(xiàn)越相鄰的圖像具有相關(guān)性越大，就越容易被分類為相同顏色的圖像。以分類圖像為出血模式（正例）或非出血模式（負(fù)例）為例，當(dāng)一個(gè)圖像被分類為正例，如果它附近（相鄰時(shí)間區(qū)間內(nèi)）的圖像中也被分類為正例，那么這張圖像被正確分類為正例的概率應(yīng)該很高。反之，如果與它相鄰的圖像中很少甚至沒(méi)有圖像被分類為正例，那么這張圖像被正確分類為正例的概率應(yīng)該很低，即為噪聲的可能性很高。

通過(guò)上述分析發(fā)現(xiàn)，可以以此相關(guān)性設(shè)立規(guī)則，在圖像時(shí)間序列中，如果某個(gè)時(shí)間區(qū)間內(nèi)的圖像被預(yù)測(cè)為正例的密度很大，則認(rèn)為這些圖像被正確預(yù)測(cè)，作為結(jié)果輸出。如果該區(qū)間內(nèi)圖像被預(yù)測(cè)為正例的密度較小，則認(rèn)為這些預(yù)測(cè)的準(zhǔn)確率不高，不作為預(yù)測(cè)結(jié)果輸出。

3.2 掃描修正規(guī)則

圖5給出一個(gè)標(biāo)注預(yù)測(cè)結(jié)果的圖像時(shí)間序列，表示位于時(shí)刻的負(fù)例，表示位于第時(shí)刻的正例。定義兩個(gè)相鄰正例和之間的時(shí)間間隔為相鄰正例間隔，記（和相鄰表示和之間沒(méi)有其他正例存在），滑動(dòng)窗口長(zhǎng)度為，在圖像時(shí)間序列上，標(biāo)示滑動(dòng)窗口的其實(shí)位置滑動(dòng)到第時(shí)刻。由于滑動(dòng)窗口內(nèi)圖像的大多為相似圖像，可以以滑動(dòng)窗口為單位對(duì)圖像序列進(jìn)行劃分，選取其中一張圖像作為此窗口內(nèi)所有圖像的代表，減少后期待檢測(cè)圖像集。

定義1：有效滑動(dòng)窗口：給出一個(gè)滑動(dòng)窗口（窗口其實(shí)位置為），若在j時(shí)刻的圖像為正例（即出現(xiàn)在于滑動(dòng)窗口的起始時(shí)刻），則稱為有效滑動(dòng)窗口。

定義2：顯著相鄰正例間隔：假設(shè)為正例間隔長(zhǎng)度，若××，其中，為所有長(zhǎng)度小于等于的相鄰正例間隔個(gè)數(shù)，為所有長(zhǎng)度小于等于的相鄰正例間隔個(gè)數(shù)，，是滑動(dòng)窗口長(zhǎng)度，為一個(gè)人工給定的閾值。則所有長(zhǎng)度不大于的相鄰正例間隔為顯著相鄰正例間隔，記為。

定義3：顯著滑動(dòng)窗口：給定一個(gè)有效窗口其中的顯著相鄰正例間隔數(shù)大于一個(gè)人工給定的閾值，則稱為顯著滑動(dòng)窗口。

定義4：出血部位與正常部位：對(duì)圖像序列按滑動(dòng)窗口寬度進(jìn)行分段，當(dāng)所分的段內(nèi)為顯著滑動(dòng)窗口則被稱為出血部位；當(dāng)所分的段內(nèi)為非顯著滑動(dòng)窗口被稱為正常部位。

基于規(guī)則的正例預(yù)測(cè)結(jié)果篩選方法：滑動(dòng)窗口按圖像獲取順序?qū)D像集進(jìn)行掃描，當(dāng)滑動(dòng)窗口為顯著滑動(dòng)窗口時(shí)，從窗口內(nèi)所有被預(yù)測(cè)為正例圖像中隨機(jī)選取一張作為代表結(jié)果輸出；當(dāng)滑動(dòng)窗口為非顯著滑動(dòng)窗口時(shí)，窗口內(nèi)所有被預(yù)測(cè)為正例圖像均被忽略，不作為結(jié)果輸出。算法具體描述如表2的算法1所示。

其中，表2的算法第1行到第7行通過(guò)對(duì)輸入序列進(jìn)行掃描，統(tǒng)計(jì)相鄰正例間隔數(shù)，并最終確定和標(biāo)記序列中顯著相鄰正例間隔；算法第8行到第12行，以步長(zhǎng)再次對(duì)對(duì)輸入序列進(jìn)行掃描，根據(jù)掃描窗口內(nèi)顯著相鄰正例間隔數(shù)來(lái)判斷是否為顯著滑動(dòng)窗口，若非顯著滑動(dòng)窗口則窗口中所有圖像均不作為結(jié)果輸出，若為顯著滑動(dòng)窗口則從中隨機(jī)挑選一個(gè)正例圖像作為顯著滑動(dòng)窗口的代表圖像放入作為結(jié)果輸出。

4 三級(jí)模型（精確分類算法）

經(jīng)前兩級(jí)的篩除，使得待檢測(cè)圖像集大大減少，三級(jí)模型即使采用復(fù)雜度高的算法，由于檢測(cè)量少，整體上也能減少檢測(cè)時(shí)間，且保證檢測(cè)精度。三級(jí)模型采用一種分類效果比較好的出血檢測(cè)算法[12]。算法步驟如圖6所示：該算法，首先去除掉由于腸皺襞形成的陰影區(qū)域和相機(jī)失焦所產(chǎn)生的模糊邊緣的影響，接著利用簡(jiǎn)單線性迭代聚類（Simple Linear Iterative Clustering，SLIC）算法將圖像分割成超像素圖像，最后在超像素基礎(chǔ)上對(duì)圖像紅色純度特征進(jìn)行提取作為支持向量基（SVM）分類器的輸入進(jìn)行分類，提取真正出血圖像。

4.1 邊緣去除

使用Canny算子對(duì)圖像亮度分量進(jìn)行邊緣信息檢測(cè)，將檢測(cè)到的邊緣信息采用形態(tài)學(xué)膨脹算法進(jìn)行膨脹，將膨脹得到的邊緣在對(duì)應(yīng)原始圖像中進(jìn)行去除。邊緣去除效果如圖7所示。

經(jīng)過(guò)預(yù)處理后，圖像中的大部分強(qiáng)邊緣區(qū)域己經(jīng)被去除，特別是圖像外邊緣模糊區(qū)域。由于亮度圖像不攜帶彩色信息，經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，選擇合適的邊緣檢測(cè)參數(shù)后，該方法對(duì)于出血區(qū)域附近的邊緣影響較小。預(yù)處理后的圖像將被傳遞給下一步操作進(jìn)行圖像的超像素分割。

4.2 超像素分割

Achanta等人[13]提出了（SLIC）算法，它根據(jù)像素的顏色相似度和像素點(diǎn)之間的距離關(guān)系，將圖像中的像素點(diǎn)聚類成超像素的過(guò)程。SLIC算法實(shí)現(xiàn)簡(jiǎn)單，運(yùn)行速度較快，能生成緊湊且近似均勻的超像素，同時(shí)還能控制超像素的數(shù)量，分割效果如圖8所示。

4.3 特征提取及改進(jìn)

考慮到出血圖像的出血區(qū)域灰度值低，非出血區(qū)域灰度值高，即說(shuō)明在出血區(qū)域由于摻入的白光少而呈現(xiàn)高飽和度紅色，非出血區(qū)域由于摻入白光較多即使顯紅色，飽和度也偏低，故在利用紅色純度顏色特征的同時(shí)，應(yīng)充分利用顏色的飽和度來(lái)作為區(qū)分出血和非出血模式的特征。故在的基礎(chǔ)上，提出在HIS空間飽和純度特征向量：

其中，分別為HIS顏色空間的色調(diào)（Hue）、色飽和度（Saturation）和亮度（Intensity），則改進(jìn)的顏色特征為，其提取流程如圖9所示。

將提取出圖像改進(jìn)顏色特征作為SVM分類器的輸入，對(duì)圖像進(jìn)行分類。

5 實(shí)驗(yàn)

OpenCV不僅是一款強(qiáng)大的圖像處理軟件，而且ML模塊集成有LibSVM分類器，用戶能很方便的使用。該文是在C++平臺(tái)上構(gòu)建OpenCV編程環(huán)境，實(shí)現(xiàn)上述算法，進(jìn)行數(shù)據(jù)實(shí)驗(yàn)。

5.1 實(shí)驗(yàn)數(shù)據(jù)集

該文采用金山科技OMOM系統(tǒng)提供的3名患者完整內(nèi)窺圖像序列作為實(shí)驗(yàn)數(shù)據(jù)測(cè)試集，其中人工標(biāo)記的出血部位、正常部位和圖像總量、出血特征，如表2所示。由于二級(jí)模型具有刪除冗余重復(fù)圖像的功能，即使在理想狀態(tài)下也不可能找全所有出血圖像，而要求是能夠檢測(cè)出所有出血部位。

從5張典型出血圖像（見(jiàn)圖10所示）選取10 000個(gè)出血像素，20 000個(gè)非出血像素作為訓(xùn)練數(shù)據(jù)。一級(jí)模型中，利用公式對(duì)10 000個(gè)出血像素進(jìn)行計(jì)算，得到，設(shè)閾值，；二級(jí)模型中，掃描窗口寬，，；三級(jí)模型中，利用這30 000個(gè)像素的6個(gè)顏色特征組成訓(xùn)練集對(duì)SVM分類器進(jìn)行訓(xùn)練。

將一、二級(jí)模型篩選出來(lái)的疑似出血圖像進(jìn)行分割得到的超像素，使用訓(xùn)練出的SVM分類器進(jìn)行分類，每個(gè)超像素被分為出血超像素或者非出血超像素，根據(jù)每幅圖像中是否含有出血超像素將圖像分類為出血圖像或非出血圖像，最后根據(jù)圖像是否出血來(lái)判定相應(yīng)的出血部位。

5.2 評(píng)價(jià)標(biāo)準(zhǔn)及結(jié)論

為了驗(yàn)證本算法的有效性和高效性，采用圖像篩選率、精確度、靈敏度和特異度作為衡量指標(biāo)，其計(jì)算公式如下：

篩選率表示去除冗余、噪點(diǎn)圖像的能力，敏感性表示發(fā)現(xiàn)出血樣本的能力，特異性表示避免誤診的能力，準(zhǔn)確率則代表了算法敏感性和特異性的總體表現(xiàn)。當(dāng)前的現(xiàn)有技術(shù)水平下，想將后三者都提高到非常滿意的水平是非常困難的，而現(xiàn)實(shí)的醫(yī)生對(duì)病情的診斷中，最希望的是不要因漏診的現(xiàn)象，而延誤了患者疾病的治療，錯(cuò)過(guò)最佳治療時(shí)間，故該文算法的主要目的是在保證高精度的條件下，盡量提高靈敏度，靈敏度比特異度更重要。利用該算法對(duì)上節(jié)的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行檢測(cè)，得到混淆矩陣和實(shí)驗(yàn)結(jié)果見(jiàn)下表4～表7所示。

實(shí)驗(yàn)結(jié)果顯示，分級(jí)算法的提出能將篩選率控制在0.06以下，使得篩選出來(lái)的圖像量從幾萬(wàn)級(jí)下降到幾千級(jí)，使得檢測(cè)速度大大提升，同時(shí)該出血檢測(cè)算法對(duì)三位患者的精確度均達(dá)到90%以上，靈敏度均達(dá)到93%以上，特異度均達(dá)到90%以上，算法能在保持一定精確度的基礎(chǔ)上，保持高靈敏度，達(dá)到本研究的目的。同時(shí)該算法也存在一定的局限性，修正規(guī)則雖能減少圖像檢測(cè)數(shù)量，但也使得圖像漏檢的可能性增加，需要進(jìn)一步改進(jìn)；三級(jí)模型對(duì)于陳舊性出血、整體光線較暗顏色特征不是很明顯或點(diǎn)狀分布出血區(qū)小于超像素分割粒度的圖像也有漏檢的可能，需要對(duì)超像素分割粒度和特征向量的提取進(jìn)一步探討。

6 結(jié)語(yǔ)

該文主要對(duì)無(wú)線內(nèi)鏡圖像的出血檢測(cè)算法進(jìn)行探討，針對(duì)內(nèi)鏡圖像尺寸小、分辨率低、圖像數(shù)量大和圖像重復(fù)性多等特點(diǎn)，提出基于分級(jí)策略和規(guī)則修正的出血圖像自動(dòng)檢測(cè)算法。該文首先對(duì)圖像顏色特征進(jìn)行了分析，利用歸一化紅色純度特征對(duì)圖像進(jìn)行初步分類；接著設(shè)立相關(guān)性規(guī)則建立二級(jí)模型對(duì)初步分類結(jié)果進(jìn)行去噪，選取出疑似出血圖像；最后利用三級(jí)模型對(duì)疑似出血圖像進(jìn)行邊緣去除和超像素分割，并提取改進(jìn)的紅色純度特征向量作為SVM分類器輸入進(jìn)行分類，篩選出出血圖像。最后通過(guò)軟件編程實(shí)現(xiàn)該算法，并利用3名患者完整內(nèi)鏡圖像實(shí)驗(yàn)驗(yàn)證該算法可行性，實(shí)驗(yàn)結(jié)果表明該出血檢測(cè)算法能將患者的圖像數(shù)量從幾萬(wàn)級(jí)下降到幾千級(jí)，大大降低醫(yī)生的閱片量，并且精確度均達(dá)到90%以上，靈敏度均達(dá)到93%以上，特異度均達(dá)到90%以上，基本實(shí)現(xiàn)了膠囊內(nèi)窺圖像出血智能識(shí)別，將代替臨床醫(yī)生應(yīng)用于膠囊內(nèi)窺圖像的初步檢測(cè)。

參考文獻(xiàn)

[1] BO L，LIAO Z.New research progress of capsule endoscopy [J].Chinese Journal of Practical Internal Medicine，2013，33（9）：742-745.（薄陸敏，廖專.小腸膠囊內(nèi)鏡研究新進(jìn)展[J].中國(guó)實(shí)用內(nèi)科雜志，2013，33（9）：742-745.）

[2] XU Y.The evaluation of OMOM capsule endoscopy reading modes and the study on a new reading method of capsule endoscopy[D].Southern Medical University，2014.（徐揚(yáng)志.OMOM膠囊內(nèi)鏡輔助閱片模式的臨床應(yīng)用評(píng)估與一種新型輔助閱片模式的探索[D].南方醫(yī)科大學(xué)，2014.

[3] XU L.The method of bleeding detection in WCE images based on RBF function network. Bulletin of Science and Technology，2014， 30（3）：48-52.（徐麗珍.基于RBF神經(jīng)網(wǎng)絡(luò)的消化道出血圖像檢測(cè)研究[J].科技通報(bào)，2014，30（3）：48-52.）

[4] PAN G，YAN G，ZHANG M，et al. Application of probabilistic neural network and differential evolution to bleeding detection in wireless capsule endoscopy images[J].Optics and Precision Engineering，2010，18（6）：1429-1435.（潘國(guó)兵，顏國(guó)正，張明卿，等.概率神經(jīng)網(wǎng)絡(luò)與差異演化在膠囊內(nèi)窺圖像出血識(shí)別中的應(yīng)用[J].光學(xué)精密工程，2010，18（6）：1429-1435.）

[5] PAN G，YAN G，SONG X，et al.Design of the color vector similarity coefficient classifier for bleeding detection in wireless capsule endoscopy images[J].Journal of Shanghai Jiao Tong University，2009（11）：1715-1719.（潘國(guó)兵，顏國(guó)正，宋昕帥，等.膠囊內(nèi)窺圖像出血檢測(cè)中顏色向量相似系數(shù)分類器的設(shè)計(jì)[J].上海交通大學(xué)學(xué)報(bào)，2009（11）：1715-1719.）

[6] LI K，LIU Z，LIU S，et al.Design and realization of an algorithm for capsule endoscope image recognition system[J].J South Med Univ，2012（7）：10.（李凱旋，劉哲星，劉思德，等.膠囊內(nèi)窺圖像識(shí)別系統(tǒng)算法設(shè)計(jì)及實(shí)現(xiàn)[J].南方醫(yī)科大學(xué)學(xué)報(bào)，2012（7）：10.）

[7] LV G.Research on portable capsule endoscopy video receiving system and bleeding pattern detection in endoscopic images[D].Shanghai Jiao Tong University，2012.（呂國(guó)嵐.膠囊內(nèi)鏡便攜式接收系統(tǒng)及內(nèi)鏡圖像出血識(shí)別算法研究[D].上海交通大學(xué)，2012.）

[8] SONG X.Research on capsule endoscope system and bleeding detection algorithm based on its image[D].Shanghai Jiao Tong University，2009.（宋昕帥.膠囊內(nèi)窺鏡系統(tǒng)及基于其圖像的出血檢測(cè)算法研究[D].上海交通大學(xué)，2009.）

[9] LI Q.Study of classification algorithms for capsule endoscopy small intestine images[D].Southwest Jiao tong University，2013.（李青.面向膠囊內(nèi)鏡小腸圖像的分類算法研究[D].西南交通大學(xué)， 2013.）

[10] WANG C.Bleeding detection in wireless capsule endoscopy based on super-pixel segmentation[D].Southwest Jiao tong University，2014.（王春瑤.基于超像素分割的無(wú)線膠囊內(nèi)窺鏡出血圖像的檢測(cè)算法研究[D].西南交通大學(xué)，2014.）

[11] J，Berens，G.D.Finlayson，G.Qin.Image indexing using compressed colour histograms[J].IEE Proceedings-Vision，Image and Signal Processing.IET，2000，147（4）：349-355.

[12] Yanan Fu，Mandal，M.，Gencheng Guo Y，Mandal M，GUO G.Bleeding region detection in WCE images based on color features and neural network[C]//Circuits and Systems （MWSCAS），2011 IEEE 54th International Midwest Symposium on. IEEE，2011.

[13] Achanta R，Shaji，A，Smith K， et al.SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence.2012，34（11）：2274-2282.

[14] C oimbra，M.T，Cunha，J.P.S.MPEG-7 visual descriptors-contributions for automated feature extraction in capsule endoscopy[J].IEEE Transactions on Circuits and Systems for Video Technology，2006，16（5）：628-637.

[15] Jiangguo Liu，Xiaohui Yuan.Obscure bleeding detection in endoscopy images using support vector machines[J].Optimization and engineering，2009，10（2）：289-299.

[16] L Baopu，M Q-H Meng.Computer-aided detection of bleeding regions for capsule endoscopy images[J].Biomedical Engineering，IEEE Transactions on，2009，56（4）：1032-1039.

[17] Guobing Pan，Guozheng Yan，Xiang Ling Qiu，et al.Bleeding detection in wireless capsule endoscopy based on probabilistic neural network[J].Journal of medical systems，2011，35（6）：1477-1484.

[18] Amer A.Al-Rahayfeh，Abdelshakour A.Abuzheid.Detection of bleeding in wireless capsule endoscopy images using range ratio color [J].The International Journal of Multimedia and Applications，2010，2（2）：1-10.

[19] HWANG S，OH J H，Cox J，et al.Blood detection in wireless capsule endoscopy using expectation maximization clustering[C]//Medical Imaging.International Society for Optics and Photonics，2006.

[20] ZHANG L-B，LI Z-H，ZHAO Y-Q，et al.A priority random sampling algorithm for time-based sliding windows over weighted streaming data[C]//Proceedings of the 2007 ACM Symposium on Applied Computing.New York： ACM，2007.