排孜麗耶·尤山塔依 嚴傳波 木拉提·哈米提

摘 要：目的 探討計算機輔助診斷技術在肝包蟲病和肝囊腫CT圖像分型中的應用。方法 對單囊型肝包蟲病和單發(fā)性肝囊腫CT圖像感興趣區(qū)域，分別使用傳統(tǒng)的預處理方法和圖像融合方法，提取原始ROI、預處理后的和融合后的ROI圖像Haar小波、DB2小波、Tamura、Gabor濾波器和灰度-梯度共生矩陣特征，通過支持向量機和BP神經(jīng)網(wǎng)絡分類模型分類，比較三種方法的分類準確率，并對各分類模型進行參數(shù)評估。結果 從原始ROI圖像直接提取的Haar小波、DB2小波、Tamura和GGCM特征的最佳分類準確率均達到了95%以上；融合后的ROI圖像五種特征的分類準確率都較高，在90%以上。結論 本研究所使用的方法應用于肝包蟲病和肝囊腫CT圖像的分型中具有一定的分類優(yōu)勢，為影像學診斷提供依據(jù)。

關鍵詞：肝包蟲??；肝囊腫；圖像融合；特征提??；圖像分類

中圖分類號：R532.32；R575.4 文獻標識碼：A DOI：10.3969/j.issn.1006-1959.2018.23.018

文章編號：1006-1959（2018）23-0061-06

Abstract：Objective To discuss the application of computer aided diagnosis in classification of hepatic hydatid disease and hepatic cyst CT images.Methods For the region of the CT image of single cystic hepatic echinococcosis and single hepatic cyst， the original ROI， pre-processed and fused ROI image Haar wavelet， DB2 were extracted using traditional pre-processing methods and image fusion methods， respectively. Wavelet， Tamura， Gabor filter and gray-gradient co-occurrence matrix characteristics are classified by support vector machine and BP neural network classification model. The classification accuracy of the three methods is compared， and the parameters of each classification model are evaluated. Results The best classification accuracy of Haar wavelet， DB2 wavelet， Tamura and GGCM features extracted from the original ROI image reached more than 95%. The classification accuracy of the five characteristics of the ROI image after fusion is higher，above 90%.Conclusion The method used in this study has a certain classification advantage in the classification of CT images of hepatic hydatidosis and hepatic cysts， and provides a basis for imaging diagnosis.

Key words：Hepatic echinococcosis；Hepatic cyst；Image fusion；Feature extraction； Image classification

肝包蟲?。╤epatic echinococcosis）是一種人畜共患的寄生蟲病，由棘球絳幼蟲侵染人體肝臟所致，又名肝棘球蚴病，從病理上分為肝細粒棘球蚴?。ㄒ卜Q肝包蟲囊腫）和肝泡狀棘球蚴病（也叫肝的泡狀包蟲?。﹥煞N，肝包蟲囊腫較多見[1]。肝包蟲病的發(fā)病具有地域性特點，多發(fā)于牧區(qū)，在我國畜牧業(yè)發(fā)達的新疆、西藏、內(nèi)蒙、寧夏等省區(qū)較常見，當?shù)赜兄跋x癌”之稱。肝囊腫是常見的肝臟良性病變，又稱非寄生蟲性肝囊腫，大部分是一種先天性疾病[2]。肝包蟲病和肝囊腫均起病隱匿，潛伏期較長，初期癥狀不明顯，臨床表現(xiàn)相似，易誤診[3]。計算機輔助診斷（computer aided diagnosis，CAD）[4，5]技術作為近幾年最為熱門的輔助診斷技術，能夠輔助醫(yī)生更加有效的進行判斷和確診疾病，可減少或避免疾病的誤診誤治。本研究選取單囊型肝包蟲病和單發(fā)性肝囊腫CT圖像，對原始圖像感興趣區(qū)域分別使用傳統(tǒng)的預處理方法和圖像融合方法，對預處理后的，融合后的和沒進過任何處理的感興趣區(qū)域圖像提取DB2小波、Haar小波、Gabor濾波、Tamura和灰度-梯度共生矩陣特征，通過支持向量機和BP神經(jīng)網(wǎng)絡進行分類，比較三種方法下的五種特征分類準確率，研究適合于肝包蟲病和肝囊腫分型的計算機輔助診斷方法，為臨床醫(yī)師提供決策參考，降低誤診率。

1材料與方法

1.1實驗對象 本研究隨機選取單囊型肝包蟲病和單發(fā)性肝囊腫CT圖像各120幅，共240幅，由新疆醫(yī)科大學各附屬醫(yī)院影像中心提供。經(jīng)影像科醫(yī)師指導分類，人工干預下從原始圖像中分割出病灶信息區(qū)，即感興趣區(qū)域（region of interest），見圖1。

1.2實驗方法

1.2.1傳統(tǒng)預處理 以往的研究方法往往是對整幅圖像進行連續(xù)性預處理操作，如灰度尺寸歸一，中值濾波去噪和直方圖均衡化增強，目的是消除噪聲的干擾，增強圖像的細節(jié)信息，改善圖像的質(zhì)量[6，7]。本研究對感興趣區(qū)域圖像進行同樣的預處理操作，結果見圖2，箭頭左邊是原始圖像ROI，右邊依次是尺寸灰度歸一化，去噪和增強后圖像。

1.2.2圖像融合 圖像融合（image fusion）[8]作為改善圖像質(zhì)量的又一重要途徑，提取多源信道中關于同一目標的有利信息，經(jīng)過圖像處理和計算機技術，綜合成高質(zhì)量的圖像，以提高原始圖像信息的利用率，提高系統(tǒng)對目標探測識別地可靠性，利于監(jiān)測。

本研究對感興趣區(qū)域圖像采取不同的方法[9，10]，得到蘊涵著原始圖像多方面特征信息的子圖像再對它們進行融合。在空域中，采用了對掃描噪聲非常有效的中值濾波器和使傳輸過程中由于受干擾而退化的圖像細節(jié)變得清晰的銳化濾波器；在頻域中，選取了有效抑制噪聲的同時對圖像的模糊程度較低的高斯低通濾波器，可以較好的提取圖像邊緣信息的高斯高通濾波器和增強圖像對比度的同態(tài)濾波器；為了消除圖像邊緣的毛刺，填補圖像中由于干擾等原因出現(xiàn)的斷裂和缺口，運用了形態(tài)學方法對圖像進行腐蝕、膨脹、開啟與閉合操作。最后，采用列灰度均值替換原灰度值的方法對圖像進行點處理，得到的新圖像反映原始圖像本身的對比度與明暗度。以上處理可以較全面地反映圖像的特點，體現(xiàn)圖像的邊緣和細節(jié)特征，反映圖像的自然屬性。

圖像融合的方法較多，最典型直接的方法就是對每幅子圖像計算列均值與列方差，得到的列向量組合成特征矩陣。均值與方差是數(shù)理統(tǒng)計中常用的特征統(tǒng)計量，也是圖像質(zhì)量評價中的評價參數(shù)，在圖像分析中，均值反應圖像的亮度，方差反應圖像高頻部分的大小，CT圖像具有豐富的高頻細節(jié)信息，因此，本文采用提取每幅特征子圖像的列均值與列方差組成特征矩陣來進行特征圖像的融合，減少計算量的同時又盡可能地保留圖像的特征信息。假設特征圖像 Xi= （X1，…，XN），i=1，…，N，則

特征子圖像的提取和融合結果見圖3，第一個箭頭左邊是原始圖像ROI，右邊從左到右依次是中值濾波，銳化濾波，高斯低通濾波，高斯高通濾波，同態(tài)濾波，腐蝕，膨脹，開啟，閉合與列均值替換后的特征圖像，第二個箭頭右邊是融合后圖像。

1.2.3特征提取 ①小波特征：小波變換[11]是一種時頻分析方法，具有多分辨率分析的特點，能夠在不同尺度下描述圖像的紋理特征。小波變換根據(jù)小波基的不同，其結果也不盡相同。小波基的選擇一般考慮對稱性、正交性、支撐集、正則性、消失矩等?？紤]到Daubechies（簡稱dbN，N是小波的階數(shù)）小波的高紋理分類性能及其正交性、緊支性和低復雜性，本文選用具有對稱性的N=1時的Haar小波和具有不對稱性的N=2時的db2小波對圖像進行三層小波分解，每個尺度小波分解圖像得到4個頻帶，見圖4。LL是圖像的低頻信息部分，LH、HL、HH分別是垂直信號分量、水平信號分量和對角信號分量，為圖像的高頻信息部分。每個頻帶計算均值和標準差，得到24維特征向量。

②Gabor濾波器特征：Gabor是一個用于邊緣提取的線性濾波器，其頻率和方向表達與人類視覺系統(tǒng)類似，能夠提供良好的方向選擇和尺度選擇特性，對于光照變化不敏感，因此十分適合紋理分析[12]。Gabor濾波器可以提取不同尺度不同方向上的紋理信息，本研究對圖像進行6個方向，4個尺度的Gabor濾波，得到24個輸出圖像，對每個圖像計算均值和標準差，得到48維特征向量。

其中，x'=xcosθ+ysinθ，y'=-xsinθ+ycosθ；λ是波長，θ是濾波器的方向，ψ是調(diào)諧函數(shù)的相位偏移，γ是空間縱橫比，σ是寬帶。

③Tamura特征：Tamura等人在1978年提出了一種對應于心理學角度上的紋理特征的表示方法，包括六個指標，分別為粗糙度（coarseness）、對比度（contrast）、方向度（directionality）、線性度（linearity）、規(guī)則度（regularity）和粗略度（roughness），其中前三個分量在紋理合成、圖像識別等方面具有很好的應用價值[13]。本研究使用上述六個指標作為紋理特征，從圖像的視覺層面上研究圖像的紋理信息，也取得了很好的圖像分類效果。

④灰度-梯度共生矩陣特征：灰度-梯度共生矩陣（gray-gradient co-occurrence matrix，GGCM）[14]模型反映了圖像中像點的灰度和梯度（或邊緣）的相互關系。各像點的灰度是構成一副圖像的基礎，而梯度是構成圖像邊緣輪廓的基本要素，圖像的邊緣輪廓提供圖像的主要信息，因此灰度-梯度共生矩陣能很好地描繪圖像的紋理信息。15個常用的特征值：小梯度優(yōu)勢、大梯度優(yōu)勢、灰度分布不均勻性、梯度分布不均勻性、能量、灰度均值、梯度均值、灰度標準差、梯度標準差、相關性、灰度熵、梯度熵、混合熵、差分距、逆差分距。

2結果

對原始ROI、預處理后的、融合后的單囊型肝包蟲病和單發(fā)性肝囊腫CT圖像分別提取24維Haar小波特征、24維DB2小波特征、48維Gabor濾波器特征、6維Tamura特征和15維GGCM特征，把它們輸入到支持向量機[15]和BP神經(jīng)網(wǎng)絡[16]分類模型中，進行分類處理，分類結果見表1。最佳分類準確率是模型最優(yōu)參數(shù)下的分類準確率。

實驗過程中，采用十折交叉驗證法，支持向量機使用序列最小最優(yōu)化SMO算法，核函數(shù)選擇多項式核函數(shù)，調(diào)整參數(shù)C（默認值1，一般10-4≤C≤104）和BP神經(jīng)網(wǎng)絡中的隱含層神經(jīng)元個數(shù)（默認值a，a是屬性數(shù)量i和類別數(shù)量o的平均值；計算公式：n是1～10之間的常數(shù)）進行實驗。其中，C是懲罰系數(shù)，即對誤差的寬容度。C越高，說明越不能容忍出現(xiàn)誤差，容易過擬合；C越小，容易欠擬合；C過大或過小，模型泛化能力變差。本實驗調(diào)節(jié)C范圍1～30。BP神經(jīng)網(wǎng)絡其它參數(shù)設置如下：迭代次數(shù)500，學習率0.3，允許誤差0.01。分類準確率跟參數(shù)調(diào)整曲線和最佳分類準確率下的模型參數(shù)評估見圖5、圖6。

3討論

由表1可知，從原始圖像ROI中直接提取Haar小波、DB2小波、Tamura和GGCM特征，最佳分類準確率均達到了95%以上，其中，前三種特征的分類準確率比經(jīng)過傳統(tǒng)預處理方法和圖像融合方法的ROI圖像高，GGCM特征在三種方法下的最佳分類準確率不相上下；經(jīng)過傳統(tǒng)預處理方法的ROI圖像除了GGCM特征以外，其他特征分類準確率都較低，這可能是由于雖然對整幅圖像起到去除噪聲突出有用信息等作用的傳統(tǒng)預處理方法用于只包含病灶信息的感興趣區(qū)域時反而起到了反作用，即圖像的有些紋理信息被去掉了，但是對圖像的梯度信息沒影響；經(jīng)過圖像融合方法的ROI圖像的Haar小波、DB2小波、Gabor濾波器、Tamura和GGCM五種特征分類準確率均在90%以上，較穩(wěn)定。

圖5更直觀形象地反映出三種方法下五種特征的分類準確率，整體來看，從原始ROI圖像直接提取的特征中，使用SVM分類器時，DB2小波特征的分類準確率最高。使用BP神經(jīng)網(wǎng)絡分類器時，GGCM特征的分類準確率最高；預處理后的ROI圖像不論使用SVM還是BP神經(jīng)網(wǎng)絡分類器，分類準確率最高的都是GGCM特征；融合后的ROI圖像使用SVM分類器時，GGCM特征的分類準確率最高。使用BP神經(jīng)網(wǎng)絡分類器時，分類準確率相對高的是Tamura特征。這說明選取的特征的好壞直接影響最終的分類效果，GGCM特征在肝包蟲病和肝囊腫CT圖像分類中起著很重要的作用。

評價一個分類模型的分類精度，除了分類準確率之外，還需要計算一些統(tǒng)計量，如查準率（Precision），查全率（Recall），F(xiàn)度量（F-Measure）和ROC曲線下面積（AUC）等，這些指標都是[0，1]范圍內(nèi)的小數(shù)，越接近1，說明分類模型越好。由圖6可以看出，不同方法下支持向量機的各參數(shù)指標值均高些，說明SVM分類器對圖像的預測能力相對于BP神經(jīng)網(wǎng)絡分類器較強。

4結論

肝包蟲病在內(nèi)陸和沿海非疫區(qū)醫(yī)療機構罕見，而牧區(qū)遇到腹部包塊外科醫(yī)生多把注意力放在包蟲病上，對其他病有時考慮較少，因罕見而失去警惕，易誤診誤治。誤診的后果是造成患者沒有在恰當時機得到治療，增加了患者的痛苦，以及藥物的浪費和不必要的手術探查。

本文把計算機輔助診斷技術應用于肝包蟲病和肝囊腫CT圖像的分型中，從原始圖像中分割出感興趣區(qū)域，對它分別采取傳統(tǒng)的預處理方法和圖像融合方法，通過對原始ROI，預處理后的和融合后的ROI圖像提取紋理特征并分類，結果表明：①圖像融合方法較穩(wěn)定，提取的特征分類準確率都較高；②傳統(tǒng)的預處理方法并不一定對所有圖像都適合；③從原始ROI中直接提取特征，某些紋理特征的分類準確率達到很高。本研究探討適合于肝包蟲病和肝囊腫CT圖像分型的計算機輔助診斷方法，為影像學診斷提供依據(jù)，也為后期研發(fā)肝包蟲病計算機輔助診斷系統(tǒng)奠定基礎。

參考文獻：

[1]Memmet Mihmanli，Ufuk Oguz Idiz，Cemal Kaya，et al.Current status of diagnosis and treatment of hepatic echinococcosis[J].World J Hepatol，2016，8（28）：1169-1181.

[2]王波濤，劉剛，樊文萍，等.紋理特征分析在肝囊腫及肝血管瘤磁共振成像鑒別診斷中的價值[J].中國醫(yī)學科學院學報，2017，39（2）：169-176.

[3]王曉雷，郝文超，劉志軍，等.肝包蟲病誤診為肝囊腫原因分析及文獻復習[J].臨床誤診誤治，2017，30（2）：4-6.

[4]周靖宇.基于MRI的乳腺癌計算機輔助檢測與診斷系統(tǒng)的應用和進展[J].功能與分子醫(yī)學影像學，2017，6（4）：1349-1353.

[5]Taher F，Werghi N，Al-Ahmad H.Computer Aided Diagnosis System for Early Lung Cancer Detection[J].International Conference on Systems，2015，8（4）：5-8.

[6]張歲霞，木拉提·哈米提，嚴傳波，等.基于數(shù)據(jù)挖掘的新疆高發(fā)肝包蟲病的分型研究[J].生物醫(yī)學工程與臨床，2016，20（5）：521-528.

[7]孔喜梅，木拉提·哈米提，嚴傳波，等.基于小波變換的新疆地方性肝包蟲CT圖像分類研究[J].生物醫(yī)學工程研究，2016，35（3）：162-167.

[8]Zhang XL，Li XF，F(xiàn)eng YC.Image fusion based on simultaneous empirical wavelet transform[J].Multimedia Tools & Applications，2017，76（6）：1-19.

[9]張靜，倪紅霞，苑春苗，等.精通MATLAB數(shù)字圖像處理與識別[M].北京：人民郵電出版社，2013：95-98，131-137，222-232.

[10]姚飛，閆曉麗，蘇景霞，等.基于中值和同態(tài)濾波器相結合增強圖像的研究[J].科技視界，2014（6）：14，25.

[11]Aman Ghasemzadeh，Hasan Demirel.3D discrete wavelet transform-based feature extraction for hyperspectral face recognition[J].IET Biometrics，2018，7（1）：49-55.

[12]甘露，田麗華，李晨.基于融合特征和BP網(wǎng)絡的交通標志識別方法[J].計算機工程與設計，2017，38（10）：2783-2787.

[13]高源，宋輝，張志佳.基于Tamura特征的虹膜結構密度計算方法[J].計算機技術與發(fā)展，2016，26（3）：36-39.

[14]Hu S，Xu C，Guan WQ，et al.Texture feature extraction based on wavelet transform and gray-level co-occurrence matrices applied to osteosarcoma diagnosis[J].Bio-Medical Materials and Engineering，2014，24（1）：129-143.

[15]de Carvalho Filho AO，Silva AC，de Paiva AC，et al.Computer-aided diagnosis system for lung nodules based on computed tomography using shape analysis，a genetic algorithm，and SVM[J].Med Biol Eng Comput，2017，55（8）：1129-1146.

[16]Wang XJ，Bai YP.BP Network Based on Handwritten Digital Image Feature Extraction[J].Advances in Applied Mathematics，2014，3（11）：104-111.

收稿日期：2018-9-6；修回日期：2018-9-12

編輯/楊倩