楊思燕

摘 要：文中根據(jù)無線膠囊內(nèi)窺鏡WCE圖像出血樣本和非出血樣本特征的分析，提出基于雙色彩空間相結(jié)合的WCE圖像出血檢測算法。算法綜合考慮不同類型的WCE圖像在RGB和HSV色彩空間中的特點(diǎn)，首先將WCE圖像在RGB和HSV色彩空間中的三通道色彩信息綜合為單通道色彩信息，然后分別計(jì)算綜合后的單通道色彩信息的一階顏色矩、二階顏色矩、二階中心矩以及三階顏色矩四個(gè)特征量，最后將每張WCE圖像的8個(gè)特征量組成一個(gè)一維的特征向量，并利用SVM對(duì)WCE圖像是否出血進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，文中提出算法在算法敏感性、特異性和準(zhǔn)確性上都具有更好的性能。

關(guān)鍵詞：無線膠囊內(nèi)窺鏡;出血檢測;色彩空間;色彩特征量;SVM;特征分析

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302（2020）10-00-04

0 引 言

胃腸道是人體消化器官的重要組成部分之一。腸道疾病的前兆癥狀一般是消化道出血，該癥狀是臨床上與消化道相關(guān)的常見癥狀[1]。無線膠囊內(nèi)窺鏡（Wireless Capsule Endoscopy，WCE）是檢測腸道疾病的有力手段[2-3]，它可用于檢測腸道壁出血癥狀。然而利用WCE進(jìn)行消化道檢測產(chǎn)生的大量圖像結(jié)果中只有很少的出血圖像，使得以傳統(tǒng)人工觀察方式進(jìn)行WCE出血樣本的篩選費(fèi)時(shí)費(fèi)力。在WCE圖像中可能存在部分與其他不正常區(qū)域在顏色和形狀上有較大相似性的出血區(qū)域，這些區(qū)域在人工檢測過程中，由于不同醫(yī)護(hù)人員的主觀評(píng)判不同，容易被忽略，一旦誤診將產(chǎn)生嚴(yán)重的后果。

隨著WCE的推廣，國內(nèi)外臨床已經(jīng)應(yīng)用了很多相關(guān)的出血檢測方法[4]。Given Imaging公司研制的膠囊內(nèi)鏡系統(tǒng)附帶了一款出血特征自動(dòng)檢測軟件（Suspected Blood Indicator，SBI），但是其精度仍遠(yuǎn)不能夠代替人眼識(shí)別，實(shí)驗(yàn)數(shù)據(jù)表明其靈敏度與特異度[5]分別低于72%和85%。Phooi和Paulo用設(shè)定閾值的方法對(duì)消化道圖像進(jìn)行識(shí)別[6]，然而需要經(jīng)過大量實(shí)驗(yàn)來確定閾值的取值，復(fù)雜度高，精確度較低。Mackiewicz等人提出了一種基于顏色直方圖的出血檢測方法[7]，該方法的檢測準(zhǔn)確率有了很大提高，但算法復(fù)雜度較高，運(yùn)行速度慢，檢測效率較低。Fu等人設(shè)計(jì)了一種基于超像素分割的自動(dòng)出血檢測機(jī)制[8]，但該方法計(jì)算處理復(fù)雜度較高。文獻(xiàn)[9]提出了一種基于正交空間變換方式提取特征的方法[9]，該方法使用了HSI色彩空間，利用色調(diào)和飽和度構(gòu)造的切比雪夫離散矩陣作為圖像特征，并搭建多層感知機(jī)作為分類器，最后利用機(jī)器學(xué)習(xí)的方法對(duì)圖像特征進(jìn)行分類。但該算法利用的特征信息較單一，僅僅考慮了HSI空間色彩信息。Sainju等人于2013年提出了基于色彩信息及其直方圖屬性進(jìn)行出血檢測的算法[10]。

針對(duì)現(xiàn)有的WCE出血圖像檢測方法存在的諸多問題，本文提出了一種基于RGB和HSV結(jié)合色彩空間的WCE圖像出血檢測算法，對(duì)WCE圖像中出血樣本和非出血樣本在RGB和HSV色彩空間中的特點(diǎn)進(jìn)行結(jié)合比對(duì)分析，能夠準(zhǔn)確地區(qū)分出血樣本與非出血樣本。該研究成果能夠更高效、更精確地輔助醫(yī)療人員進(jìn)行消化道出血檢測診斷，降低醫(yī)療成本。

1 WCE圖像中出血樣本和非出血樣本特征分析

為能夠準(zhǔn)確地對(duì)WCE圖像是否存在出血情況進(jìn)行判斷，首先需要分析兩類圖像之間的差異。圖1和圖2分別顯示了WCE圖像的非出血圖像和出血圖像。從圖像中可以看出，兩類圖像在色調(diào)上存在較大差異，出血圖像的整體色彩偏紅。

通過分別統(tǒng)計(jì)出血和非出血的各100幅圖像的RGB和HSV色彩空間各通道的分布情況，分析不同類型圖像在2個(gè)色彩空間中所體現(xiàn)的特征，如圖3所示。

根據(jù)圖3中出血和非出血WCE圖像在RGB和HSV色彩空間中的色彩分析可知：出血圖像和非出血圖像的像素在R通道的分布具有較為明顯的區(qū)別，并且出血圖像在R通道灰度值較大;但在G通道和B通道中像素的灰度分布情況差異較小，有較多重疊的地方。另一方面，出血圖像在H通道和V通道與非出血圖像像素灰度統(tǒng)計(jì)差異較大，而在S通道非常相似。這些特點(diǎn)可以為后期色彩通道的轉(zhuǎn)換提供依據(jù)。

2 WCE圖像色彩特征提取

通過上述對(duì)WCE圖像在RGB與HSV色彩空間中各通道均值的統(tǒng)計(jì)和分析，可以推測出在一般情況下，WCE出血圖像和非出血圖像在R通道與H通道的統(tǒng)計(jì)數(shù)據(jù)在區(qū)分兩類圖像時(shí)具有更好的區(qū)別能力，而G，B，S和V這4個(gè)通道的統(tǒng)計(jì)數(shù)據(jù)區(qū)分能力相對(duì)較弱。據(jù)此，我們根據(jù)RGB和HSV色彩空間各通道對(duì)WCE圖像的區(qū)分能力，分別給

2個(gè)色彩空間的各通道賦以相應(yīng)的權(quán)值，將三通道的色彩空間轉(zhuǎn)換為單通道，以降低后期色彩特征提取的維度。轉(zhuǎn)換公式如式（1）和式（2）所示：

式中：LRGB和LHSV分別為RGB和HSV色彩空間轉(zhuǎn)換后的單通道色彩信息;?RGB，βRGB和γRGB是RGB色彩空間中各通道的權(quán)值;?HSV，βHSV和γHSV是HSV色彩空間中各通道的權(quán)值。根據(jù)實(shí)驗(yàn)分析，本文中[?RGB βRGB γRGB]=[0.5 0.3 0.2]，[?HSV βHSV γHSV]=[0.6 0.1 0.3]。

基于轉(zhuǎn)換后的2個(gè)單通道色彩信息（LRGB和LHSV），分別提取其色彩特征量。其中顏色矩是一種簡單有效的顏色特征表示方式，具有旋轉(zhuǎn)不變性、平移不變性和縮放不變性。由于顏色主要分布在低階矩，因此一般用一階矩（均值），二階矩（標(biāo)準(zhǔn)差）和三階矩（偏度）表示顏色分布[11]。

每張WCE圖像在LRGB和LHSV下分別計(jì)算一階顏色矩、二階顏色矩、二階中心矩以及三階顏色矩，共8個(gè)色彩統(tǒng)計(jì)量，構(gòu)成每張圖像的8維特征向量，作為后期出血圖像檢測的特征依據(jù)。

3 WCE圖像中出血圖像的檢測

支持向量機(jī)SVM（Support Vector Machines）是Vapnike等人在20世紀(jì)90年代初建立的一種新型學(xué)習(xí)機(jī)器[12-13]。SVM以解決小樣本機(jī)器學(xué)習(xí)問題為目標(biāo)，根據(jù)有限的樣本信息在模型復(fù)雜度和學(xué)習(xí)能力之間尋求最佳折中，獲得最好的推廣能力。與傳統(tǒng)方法相比，SVM能夠有效避免過學(xué)習(xí)、欠學(xué)習(xí)、維數(shù)災(zāi)難以及陷入局部極小值等問題，在分類和模式識(shí)別等方面取得了很好的效果。因此，本文在提取WCE圖像的色彩特征后，利用基于高斯核函數(shù)的SVM算法對(duì)WCE圖像進(jìn)行出血檢測。

4 實(shí)驗(yàn)結(jié)果及分析

本實(shí)驗(yàn)的測試數(shù)據(jù)采用金山OMOM?無線內(nèi)鏡膠囊拍攝的圖像，由于WCE出血圖像所占的比例較小，大約占總圖像數(shù)量的30%。因此，本實(shí)驗(yàn)在選取實(shí)驗(yàn)圖像時(shí)，去除掉模糊不清難以辨別的圖像之后，選取1 000張出血圖像和2 000張非出血圖像作為實(shí)驗(yàn)數(shù)據(jù)。

本次實(shí)驗(yàn)的訓(xùn)練集選擇所有樣本集中50%的樣本，剩余50%作為測試樣本。計(jì)算每張圖像LRGB和LHSV的一階顏色矩、二階顏色矩、二階中心矩以及三階顏色矩，得到8個(gè)統(tǒng)計(jì)量數(shù)據(jù)組合成一個(gè)8維特征向量，并且對(duì)特征向量進(jìn)行歸一化處理。本實(shí)驗(yàn)中的標(biāo)簽用0/1表示，1為出血圖像，0為非出血圖像。

由數(shù)據(jù)可知，LRGB和LHSV相結(jié)合比單獨(dú)使用LRGB或LHSV的效果好，并且在3個(gè)評(píng)價(jià)指標(biāo)上具有明顯提升。為更好地評(píng)價(jià)本文提出方法的有效性，采用十折交叉驗(yàn)證法，將10次結(jié)果的均值作為對(duì)算法性能的估計(jì)。此外，將本文算法與現(xiàn)存的幾種方法作比較，主要包括文獻(xiàn)[7]、文獻(xiàn)[8]、文獻(xiàn)[9]和文獻(xiàn)[10]中的方法。文獻(xiàn)[7]采用色彩直方圖方法進(jìn)行出血檢查，文獻(xiàn)[8]基于超像素分割進(jìn)行自動(dòng)出血檢測，文獻(xiàn)[9]采用將H和S結(jié)合的特征向量來提取圖像的顏色特征，文獻(xiàn)[10]在RGB空間中提取3個(gè)通道的一階直方圖的統(tǒng)計(jì)特征量進(jìn)行分類。所有方法的測試效果見表2所列。由表中數(shù)據(jù)可以看出，本文算法在敏感性、特異性和準(zhǔn)確率方面均明顯優(yōu)于傳統(tǒng)算法。不同算法在Sensitivity方面的比較如圖5所示，不同算法在Specificity方面的比較如圖6所示，不同算法在Accuracy方面的比較如圖7所示。

5 結(jié) 語

本文提出了一種有效的WCE圖像出血檢測算法，該算法相對(duì)于其他現(xiàn)有算法在算法敏感性、特異性和準(zhǔn)確性上都具有更好的性能。

參考文獻(xiàn)

[1]燕雪萍，劉洪英，皮喜田，等.基于顏色識(shí)別的腸道出血診療微系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng)，2011，30（11）：92-95.

[2]付國強(qiáng)，梅濤，孔德義，等.無線微型機(jī)器人腸道內(nèi)窺鏡系統(tǒng)中圖像采集與無線傳輸子系統(tǒng)的設(shè)計(jì)[J].光學(xué)精密工程，2002，10（6）：614-618.

[3]皮喜田，王剛，魏亢，等.基于顏色傳感器的腸道出血檢測膠囊系統(tǒng)[J].傳感器與微系統(tǒng)，2010，29（11）：113-116.

[4]鄭小林，常婧，廖彥劍，等.硅微通道紅細(xì)胞變形性測量系統(tǒng)的實(shí)用化研究[J].傳感器與微系統(tǒng)，2009，28（7）：117-120.

[5] LIANGPUNSAKUL S，MAYS L，REX D K. Performance of given suspected blood indicator [J]. The American journal of gastroenterology，2003，98（12）：2676-2678.

[6] LAU P Y，CORREIA P L. Detection of bleeding patterns in WCE video using multiple features [C]// Engineering in Medicine and Biology Society，2007. EMBS 2007. 29th Annual International Conference of the IEEE. IEEE，2007：5601-5604.

[7] MACKIEWICZ M，F(xiàn)ISHER M，JAMIESON C. Bleeding detection in wireless capsule endoscopy using adaptive colour histogram model and support vector classification [J]. Proceedings of SPIE on medical imaging，2008，22（1）：41-56.

[8] FU Y，ZHANG W，MANDAL M，et al. Computer-aided bleeding detection in wce video [J]. IEEE journal of biomedical and health informatics，2008，18（2）：636-642.

[9] LI B，MENG Q H . Computer based detection of bleeding and ulcer in wireless capsule endoscopy images by chromaticity moments [J]. Computers in biology and medicine，2009，39（2）：141-147.

[10] SAINJU S，BUI F M，WAHID K. Bleeding Detection in Wireless Capsule Endoscopy based on color features from histogram probability [C]// IEEE Canadian Conference on Electrical & Computer Engineering，2013（8）：1-4.

[11]王志瑞，潤彩良.圖像特征提取方法的綜述[J].吉首大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，32（5）：43-47.

[12]王震宇，梁雪春.基于CFOA的混合核SVM參數(shù)優(yōu)化[J].計(jì)算機(jī)工程與設(shè)計(jì)，2016，37（3）：773-777.

[13]呂艷陽，相潔.基于SVM的fMRI數(shù)據(jù)分類及MCI診斷應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì)，2013，34（9）：3313-3317.