楊 青，周曉蕓

（1.南京市職業(yè)病防治院，南京210042；2.南京理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，南京210014）

0 引言

脂肪性肝病包括一系列以甘油三酯在肝細(xì)胞胞漿內(nèi)積聚為特征的疾病，其與肥胖、胰島素抵抗和代謝綜合征有關(guān)。脂肪肝是全球最常見的慢性肝病之一，肝活檢被認(rèn)為是評(píng)估肝臟脂肪浸潤的金標(biāo)準(zhǔn)，但活檢的侵入性和成本較高，對(duì)患者造成的創(chuàng)傷較大。超聲成像具有無放射性、無創(chuàng)、價(jià)格低廉、易于操作等優(yōu)點(diǎn)，因此是脂肪肝的首選診斷方法[1-2]。

迄今為止，為了幫助診斷和檢測脂肪肝，國內(nèi)外學(xué)者提出了不同的方案。肝臟分割、特征提取和分類是基于超聲圖像的計(jì)算機(jī)輔助診斷（computer aided diagnosis，CAD）的主要步驟[3-4]。對(duì)肝臟圖像進(jìn)行區(qū)域分割的方法有多種，人工手動(dòng)方法居多，還有一些半自動(dòng)和自動(dòng)方法。手動(dòng)分割方法需要醫(yī)學(xué)專家確定感興趣區(qū)（region of interest，ROI），然后再由計(jì)算機(jī)進(jìn)行運(yùn)算處理；而自動(dòng)分割方法需要用戶輸入的信息量很少，且不需要醫(yī)學(xué)專家的幫助。劉曉虹等[5]首先對(duì)肝臟CT 圖像進(jìn)行預(yù)處理，并手動(dòng)提取正異常ROI區(qū)域，然后學(xué)習(xí)生成穩(wěn)定邊緣模式的閾值，在測試階段，使用廣義Hough 變換對(duì)具有代表性的模板進(jìn)行ROI 檢測。趙萬明[6]提出了一種半自動(dòng)提取ROI 的方法：在訓(xùn)練階段，從訓(xùn)練的超聲圖像中手動(dòng)提取一部分ROI 來訓(xùn)練分割系統(tǒng)，然后提取最佳的ROI，通過分類器將圖像分為正常肝圖像、脂肪肝圖像和異質(zhì)性肝圖像。使用CAD 系統(tǒng)的目的是盡量減少用戶干預(yù)，因此首選自動(dòng)方法。宋璟璟等[7]提出了一種自動(dòng)提取ROI 的方法檢測肝臟表面，即將肝臟實(shí)質(zhì)超聲圖像分解為包含紋理信息的斑點(diǎn)圖像以及包含肝臟強(qiáng)度和解剖信息的去斑點(diǎn)圖像，而有效的ROI 不應(yīng)包括肝血管、膽汁儲(chǔ)存等異常區(qū)域[5]。但該方案缺乏對(duì)異常區(qū)域的消除，所以效率不高。Gaber 等[8]提出了一種使用超聲圖像診斷肝臟疾病的非侵入性方法，通過特征提取、特征選擇和分類3 個(gè)步驟將肝臟組織分類為正常肝、脂肪肝或異質(zhì)性肝3 類，具體步驟如下：首先，確定相關(guān)性、同質(zhì)性、方差、熵和標(biāo)準(zhǔn)偏差；其次，基于Fisher 判別選擇最有效的特征；最后，使用3 個(gè)基于投票的子分類器進(jìn)行肝臟分類。該非侵入性方法結(jié)合了2 種不同的特征選擇方法，避免了采用一種方法的局限性。Gaber 等[8]提出的基于超聲圖像診斷肝臟疾病的非侵入性方法對(duì)異質(zhì)性肝、脂肪肝、正常肝的識(shí)別敏感度分別為94.7%、93.3%、96.4%，其性能優(yōu)于其他現(xiàn)有方法，但是該方法選擇最有效特征的過程是手動(dòng)進(jìn)行的，人工成本較高。

本研究提出一種基于小波包變換（wavelet packet transform，WPT）的肝臟超聲圖像檢測方法，該方法利用小波包變換提取統(tǒng)計(jì)特征，然后使用層次分類方法將獲得的肝臟超聲圖像進(jìn)行分類，實(shí)現(xiàn)正常肝、脂肪肝和異質(zhì)性肝超聲圖像的高敏感度檢測，以期為肝臟超聲圖像紋理分析和疾病診斷工作提供指導(dǎo)。

1 肝臟圖像分類流程

首先，對(duì)超聲圖像進(jìn)行采集；其次，分別進(jìn)行圖像分割、小波包變換、特征提取、層次分類，從而確定患者是否有肝臟疾?。蛔詈?，采用層次分類方法對(duì)肝臟進(jìn)行分類，并使用k-近鄰算法（k-nearest neighbor，k-NN）和支持向量機(jī)（support vector machines，SVM）2 個(gè)分類器分別進(jìn)行分類測試。圖1 為基于小波包變換的超聲圖像檢測方法框圖。

圖1 基于小波包變換的超聲圖像檢測方法框圖

1.1 圖像采集

從開源GitHub 醫(yī)學(xué)影像數(shù)據(jù)集中隨機(jī)選取88幅受試者的超聲圖像，其中包括30 幅脂肪肝圖像、39 幅正常肝圖像和19 幅異質(zhì)性肝圖像，圖像大小均為560×450 像素。所有圖像均由東芝SSA-550A超聲診斷儀（帶有凸探頭，成像頻率為5 MHz）掃描得到。

1.2 圖像分割

首先，對(duì)肝臟的超聲圖像進(jìn)行裁剪，提取靠近中央葉的寬區(qū)域，并去除主要部分周圍的黑色區(qū)域，目的是降低計(jì)算成本[9-10]。其次，將寬區(qū)域劃分為9 個(gè)大小相等的相鄰塊[如圖2（a）所示]；將劃分延續(xù)到下一級(jí)，每2 個(gè)第一級(jí)分區(qū)的塊體相互重疊，形成12 個(gè)塊體，在水平和垂直方向彼此相鄰，如圖2（b）、（c）所示；在第三級(jí)分區(qū)中，在第一級(jí)分區(qū)的每4 個(gè)相鄰塊的交點(diǎn)處形成4 個(gè)塊，如圖2（d）所示。最后，指定25個(gè)相等的重疊塊。為了找到合適的ROI，在每個(gè)塊的中心選取64×64 像素區(qū)域，因此，對(duì)于每張超聲圖像，可獲得大小為64×64 像素的25 個(gè)ROI。然而，若將所有ROI 都用于分類，不僅效率低下，還增加計(jì)算成本。因此，在預(yù)處理階段，使用線性SVM 分類器進(jìn)行分類，經(jīng)分類處理后，選擇8 個(gè)最佳ROI。線性SVM分類器具有速度快、計(jì)算量小的優(yōu)點(diǎn)，因此，選擇合適的ROI 不會(huì)顯著影響訓(xùn)練階段的計(jì)算成本和速度。

圖2 圖像分割步驟

1.3 小波包變換和特征提取

特征提取可以在空間域和變換域中進(jìn)行。在變換域中使用紋理描述符更合理。由于人類視覺系統(tǒng)以多尺度方式處理圖像[11]，因此尺度是紋理分析的主要關(guān)注點(diǎn)。

在小波包變換中，先將圖像I（x，y）分解為近似（a）、水平（h）、垂直（v）和對(duì)角（d）4 個(gè)子帶，直至分解到所需層級(jí)。小波包變換的第二級(jí)分區(qū)分解結(jié)果為16 個(gè)子帶，如圖3（a）所示。圖3（b）為第一級(jí)和第二級(jí)分區(qū)小波包分解后的肝臟超聲圖像。之所以使用小波包變換對(duì)超聲圖像進(jìn)行分析，是因?yàn)樵诜纸夂蟮膱D像中和不同的頻率級(jí)別上都可以很容易地分析超聲圖像的紋理特征[12]。

圖3 小波包變換的分解結(jié)果及小波包分解后的肝臟超聲圖像

如圖3（a）所示，在分解的第一級(jí)分區(qū)和第二級(jí)分區(qū)中分別獲得4 個(gè)子帶和16 個(gè)子帶，總共得到20 個(gè)子帶，從這20 個(gè)子帶中提取所需的特征。此外，還對(duì)原始ROI 進(jìn)行特征提取。因此，特征是從空間域中的原始ROI 和變換域中的小波包變換子帶中提取的。

從小波包變換系數(shù)中提取的特征包括中值、標(biāo)準(zhǔn)差和四分位范圍。圖像的中值表示將圖像窗口中像素強(qiáng)度的上半部分與下半部分分開的強(qiáng)度數(shù)值。脂肪肝超聲圖像的中值高于正常肝圖像的中值[13-15]，其原因是脂肪堆積導(dǎo)致回聲增強(qiáng)，這一特征也存在于超聲脂肪肝圖像的小波包變換子帶中。標(biāo)準(zhǔn)差表示與平均值的偏差。四分位范圍用于表征離散度，上、下限分別為上四分位數(shù)和下四分位數(shù)。圖像的標(biāo)準(zhǔn)差和四分位范圍表示超聲紋理的規(guī)則性或平滑度，這2 個(gè)特征是區(qū)分肝臟局灶性和彌漫性病變的良好指標(biāo)。

1.4 層次分類

為了對(duì)正常肝、脂肪肝和異質(zhì)性肝進(jìn)行區(qū)分，本研究提出了一種層次分類方案。在正常情況下，肝臟的2 個(gè)葉都是均勻清晰的，而脂肪肝的超聲圖像顯示至少有1 個(gè)葉被脂肪均勻堆積[16-17]。然而，在異質(zhì)性肝（如惡性腫瘤）的超聲圖像中，只有一小部分肝臟受到影響。因此，脂肪肝可以歸為彌漫性病例，而非均勻病例歸為局灶性病例（非均勻病例就是脂肪在肝細(xì)胞內(nèi)不均勻堆積，發(fā)生在肝細(xì)胞的某葉或者某個(gè)部位，而未引起所有肝細(xì)胞的脂肪浸潤）。為了得到分層方案，在第一個(gè)分類步驟中，區(qū)分局灶性和彌漫性，如果肝臟被分類為彌漫性病例，則在第二個(gè)分類步驟中區(qū)分脂肪肝和正常肝。

在每一個(gè)步驟中，使用k-NN 和SVM 2 個(gè)分類器進(jìn)行分類測試。SVM 的目的是找到與最近的訓(xùn)練模式有最大距離（裕度）的決策平面[18-19]。為了實(shí)現(xiàn)這一目標(biāo)，在某些特殊情況下，SVM 將特征向量映射到高維空間，在這個(gè)空間中，SVM 找到1 個(gè)超平面，基于支持向量設(shè)置的決策邊界將局灶性和彌漫性病例分類。適當(dāng)?shù)暮撕瘮?shù)可以增加分類的準(zhǔn)確率，因此本文采用基于多項(xiàng)式核的二值SVM 分類器。k-NN分類器使用最小歐幾里得距離準(zhǔn)則，根據(jù)測試樣本在特征空間中的最近鄰樣本對(duì)測試樣本進(jìn)行分類。

2 實(shí)驗(yàn)驗(yàn)證

根據(jù)數(shù)據(jù)集中選擇的圖像，通過3 個(gè)實(shí)驗(yàn)對(duì)基于小波包變換的超聲圖像檢測方法的性能進(jìn)行驗(yàn)證。在實(shí)驗(yàn)一中，對(duì)自動(dòng)選擇的ROI 進(jìn)行測試，并與手動(dòng)選擇的ROI 結(jié)果進(jìn)行比較。在實(shí)驗(yàn)二中，將所提出的分層方案與所有非分層方案進(jìn)行比較。實(shí)驗(yàn)三將30%的數(shù)據(jù)集作為測試圖像、70%的數(shù)據(jù)集作為訓(xùn)練圖像，使用留一法交叉驗(yàn)證（leave one out cross validation，LOOCV）方法驗(yàn)證該方法的性能。在LOOCV 方法中，保留一個(gè)案例作為測試集，其余的數(shù)據(jù)作為訓(xùn)練集，重復(fù)這個(gè)過程，以便每個(gè)案例都有機(jī)會(huì)作為測試用例。

2.1 實(shí)驗(yàn)一：自動(dòng)選擇ROI

實(shí)驗(yàn)一是評(píng)估ROI 自動(dòng)選擇的能力。該實(shí)驗(yàn)在25 個(gè)重疊塊上進(jìn)行，在每個(gè)塊的中心選擇64×64 像素區(qū)域，總共形成25 個(gè)ROI，并選擇8 個(gè)最佳ROI。與文獻(xiàn)[8]的手動(dòng)ROI 選擇方法相比，自動(dòng)選擇ROI法在不降低分類性能的情況下具有明顯的簡便性和較低的計(jì)算成本。

2.2 實(shí)驗(yàn)二：層次分類

實(shí)驗(yàn)二是驗(yàn)證層次分類方案的有效性。第一步，將彌漫性病例和局灶性病例分別標(biāo)記為類1 和類2；第二步，重復(fù)將脂肪肝類別標(biāo)記為類1，將正常肝類別標(biāo)記為類2。采用LOOCV 方法，利用SVM 和k-NN分類器對(duì)選定的ROI 進(jìn)行檢測，自動(dòng)選擇ROI 時(shí)檢測的敏感度和陽性預(yù)測值（positive predictive value，PPV）見表1。

表1 自動(dòng)選擇ROI 時(shí)檢測的敏感度和PPV 單位：%

從表1 可以看出，自動(dòng)選擇ROI 后，基于小波包變換的超聲圖像檢測方法是可靠的，可以用于基于超聲圖像的脂肪肝和異質(zhì)性肝的實(shí)際診斷。

2.3 實(shí)驗(yàn)三：劃分測試圖像和訓(xùn)練圖像

實(shí)驗(yàn)三增加測試樣本的數(shù)量，以便更準(zhǔn)確地評(píng)估該方法。使用在GitHub 數(shù)據(jù)集中隨機(jī)選取的88 張受試者的超聲圖像，隨機(jī)劃分為30%的測試圖像和70%的訓(xùn)練圖像。為了達(dá)到這一目標(biāo)，對(duì)26 幅測試圖像和62 幅訓(xùn)練圖像進(jìn)行分類。該實(shí)驗(yàn)中，使用了25個(gè)重疊塊。手動(dòng)選擇ROI 時(shí)檢測的敏感度和PPV 見表2。比較表1 和表2 可知，除正常肝外，自動(dòng)選擇ROI時(shí)檢測的敏感度和PPV 均高于手動(dòng)選擇ROI 各類別的敏感度和PPV。

表2 手動(dòng)選擇ROI 時(shí)檢測的敏感度和PPV 單位：%

與文獻(xiàn)[8]中基于超聲圖像診斷肝臟疾病的非侵入性方法相同，使用LOOCV 方法對(duì)實(shí)驗(yàn)一和實(shí)驗(yàn)二中分類器的性能進(jìn)行評(píng)價(jià)，以便與其結(jié)果進(jìn)行比較。文獻(xiàn)[8]中使用了一種半自動(dòng)方法，在每個(gè)超聲圖像中選擇合適的ROI，并手動(dòng)選擇最有效的特征，從而對(duì)肝臟圖像進(jìn)行分類。本研究通過敏感度、PPV 對(duì)基于小波包變換的超聲圖像檢測方法和文獻(xiàn)[8]方法的性能進(jìn)行對(duì)比，結(jié)果見表3。

表3 本文方法與文獻(xiàn)[8]方法檢測肝臟圖像的結(jié)果對(duì)比 單位：%

從表3 可以看出，無論是敏感度還是PPV，基于小波包變換的超聲圖像檢測方法的檢測性能均高于基于超聲圖像診斷肝臟疾病的非侵入性方法[8]，表明了提出方法的有效性。

在基于超聲圖像診斷肝臟疾病的非侵入性方法中[8]，選擇最有效特征的過程是手動(dòng)進(jìn)行的，而本文中選擇ROI 的方法是完全自動(dòng)的，且計(jì)算成本較低。相比之下，基于小波包變換的超聲圖像檢測方法自動(dòng)選擇適當(dāng)?shù)腞OI，無需醫(yī)療專家或相關(guān)人員的幫助，在較大程度上提高了效率。

3 結(jié)語

本研究提出了一種基于小波包變換的肝臟超聲圖像檢測方法，該方法利用小波包變換提取統(tǒng)計(jì)特征，可自動(dòng)選擇肝臟超聲圖像中的ROI。通過LOOCV方法比較提出方法與文獻(xiàn)[8]方法的性能，結(jié)果表明，基于小波包變換的超聲圖像檢測方法的總PPV 較高，證明了層次分類方案的有效性。該方法的另一個(gè)優(yōu)點(diǎn)是完全自動(dòng)選擇ROI，使計(jì)算成本顯著降低。然而，本文提出的方法未對(duì)脂肪肝的等級(jí)進(jìn)行分類，這也是下一步研究的重點(diǎn)。