基于纹理特征和支持向量机的磁共振脑图像组织分类

董朝旭+++年瑞

摘要： 磁共振脑图像的是医学诊断中的一种重要的手段，在此主要研究磁共振脑图像的组织分类。分类以脑图像各组织的纹理特征为依据。在试验过程中采用区分度较高的特征值，组成特征向量，作为支持向量机的输入，用改进的支持向量机进行分类。在特征向量数据优化和支持向量机参数寻优的条件下，可以取得较好的分类效果。

关键词： 纹理特征； 支持向量机； 磁共振脑图像； 参数寻优

中图分类号： TN964⁃34 文献标识码： A文章编号： 1004⁃373X（2014）08⁃0135⁃03

MRI brain tissue classification based on texture features and support vector machines

DONG Zhao⁃xu， NIAN Rui

（Department of Electronics， Ocean University of China， Qingdao 266100， China）

Abstract： Magnetic resonance imaging （MRI） of brain is one of the important means of medical diagnosis. The tissue classification of the magnetic resonance brain images is studied mainly in this paper. The classification is based on the texture features of the MRI brain tissue. In the process of the experiment， high degree of distinction characteristic values was used to compose the feature vector， which was input into support vector machines （SVM） and was classified by the improved SVM. Better classification result can be obtained under the conditions of optimizing the feature vector data and the parameters of SVM.

Keywords： texture feature； support vector machine； magnetic resonance imaging of brain； parameter optimization

磁共振成像是一种高分辨率、无损伤、解剖结构显示清楚的医学成像技术，因此磁共振成像技术在医疗诊断重要的作用，尤其是在脑组织的研究中得到了广泛的应用。支持向量机（SVM）是建立在统计学习理论的VC维（Vapnik⁃Chervonenkis Dimension）理论和结构风险最小原理基础上的一种分类算法[1]。由于MRI脑图像的各个不同脑组织具有的纹理特征，因此可以利用各个不同的脑组织的纹理特征，组成纹理特征向量作为支持向量机输入进行脑组织的分割的依据。

1纹理特征提取

纹理是图像分析中常用的概念，它用于描述图像的局部特性。通常把描述纹理局部不规则而宏观上有规律的特性的数字特征成为纹理特征[2]。灰度共生矩阵是一种经典基于统计特征的纹理特征提取方法，它反映了图像上任意两点间灰度的空间相关性[3]。设一图像为[f(x,y)]，大小为[M×N]，灰度级[Ng]有：[p(i,j)=#{(x1,y1),(x2,y2)∈M×Nf(x1,y1) =i,f(x2,y2)=j}] （1）

式中：[#(x)]表示集合中[x]元素个数，若[(x1,y1),(x2,y2)]间距离为[d]，与横坐标夹角为[θ]，则可以得到各种间距和角度的灰度共生矩阵[p(i,j,d,θ)]。常用反映灰度共生矩阵的统计量有对比度、熵、角二阶矩（能量）、相关性、均值、方差、逆差矩、非相似度等[4]。

2支持向量机脑组织分割

支持向量机是Cortes和Vapnik等人提出的一种机器学习算法，其理论基础是统计学习理论。统计学习理论是专门研究小样本统计估计和预测的理论。

其中对支持向量机起关键作用的理论是VC维和结构风险最小化准则[5]。支持向量机最初源于数据分类问题的处理，SVM就是要寻找一个满足要求的分割平面，使不同样本集中的点距离该平面尽可能的远，即寻找最优超平面。SVM是从线性可分情况下发展来的。如图1所示。

最优超平面[ω⋅x+b=0]，对其归一化后转化为使用Lagrange乘子法的二次规划问题，求解得最优分类函数：

[f(x)=sgn(i=1lyia*i(xi⋅x)+b*)] （2）

图1 最优超平面

在线性不可分情况下运用核技巧来扩展线性支持向量机到线性不可分的数据分类中。核函数的采用相当于将原空间线性不可分的向量非线性映射到一个线性可分的特征空间[F:x↦Φ(x)]，并在特征空间构造线性分类面，从而得到在原空间的非线性分类面 [6]。其对应的分类函数为：

[f(x)=sgn(i=1lyiα*iK(xi,x)+b*)] （3）

式中：[K(xi,x)]为核函数常用的支持向量机核函数有线性核、多项式核、高斯核函数核（RBF）和Sigmoid核等。本实验采用RBF核函数：

[K(x,x')=e-||x-x'||2/σ2] （4）

RBF核函数具有可分离性、单值函数性、旋转对称性，所以RBF核函数的使用可以增强图像分类的抗干扰能力和鲁棒性，而且可以提高分类速度和分类准确率[7]。

3支持向量机MRI脑组织分类

在本实验中所用的MRI脑图像是青岛大学附属医院徐浩老师提供的病人真实的MRI图像，以真实的MRI图像为研究对象，对后期实验成果的普适性具有重要意义。实验图像如图2~图5所示。实验首先提取脑干、小脑、胼胝体作为脑组织的样本用于提取训练集和测试集。

图2 MRI脑图像

在对图像进行纹理特征提取的过程中，选取了具有较好区分度的对比度、熵、角二阶矩和相关性4个特征量来构成特征向量[8]。作为支持向量机的输入。为了获得局部特征，需要将提取的各个脑组织的子图像，然后在子图像中提取响应的局部的纹理特征。通过实验在此MRI脑图像中发现[32×32]像素的分块具有较好的分类准确率。

图3 脑干

图4 胼胝体

图5 小脑

对提取的纹理特征数据进行处理，形成Matlab适用的数据格式。由于所提取的特征可能在量值上有很大的差异，为了避免大值特征淹没了小值特征对分类的贡献，所以可以对所提取的纹理特征值进行归一化处理[f:x→y=x-xminxmax-xmin]，但是这应根据数据的具体情况而定[9]。所以在进行实验过程中对进行归一化和未进行归一化的数据分别进行分类，来发现哪种情况下可以得到更好的分类准确率。

为了使SVM的能够达到更好的分类效果，需要优化支持向量机的各个参数，主要是惩罚参数C和核函数参数g。在本实验中采用交叉验证（Cross Validation，CV）的方法来寻求最优参数[10]。该方法可以有效地避免过学习和欠学习状态的发生。

在实验中首先选取脑干和胼胝体进行2类的支持向量机分类，在实验中分别使用了归一化和未归一化的数据进行分类对比分类准确率得到结果如表1所示。

从数据中可以看出对数据进行归一化和选取最优参数后利用支持向量机对MRI脑组织进行分类可以得到较好的分类结果。

表1 两类情况小的分类准确率对比

然后选取脑干、胼胝体和小脑进行3类脑组织的分类，分类结果如表2所示。

表2 三类情况下的分类准确率对比

从本组实验数据可以看出对于3类的分类情况数据在未归一化的情况下可以获得较好的分类效果，分类准确率可以达到91.667%。

4实验总结

通过对上述的实验结果进行分析可以发现，对MRI脑图像的脑组织进行纹理特征提取，然后作为支持向量机的输入来进行脑组织分类，在数据处理和SVM参数优化后可以得到较好的分类结果。

但是在进行问题特征提取的过程中选哪些统计量来组成纹理特征十分重要，这些统计量的是否具有区分性，是后期用支持向量机进行分类的基础。在本实验中选取了具有代表性和区分性的4种统计量来构成特征向量。最后对支持向量机进行参数寻优，是支持向量机具有更好的分类效果，提高分类准确率的必要方法。

参考文献

[1] 徐海祥，喻莉，朱光喜，等.基于支持向量机的磁共振脑组织图像分割[J].中国图象图形学报，2005（10）：1277⁃1280.

[2] 韩国军.基于特征选择和支持向量机的纹理图像分类[D].西安：西安电子科技大学，2009.

[3] 冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图像的研究[J].北京测绘，2007（3）：19⁃20.

[4] 马莉，范影乐.纹理图像分析[M].北京：科学出版社，2009.

[5] ARIVAZHAGAN S， GANESAN L. Texture segmentation using wavelet transform [J]. Pattern Recognition Letters， 2003， 24（16）： 3197⁃3203.

[6] 邓乃扬，田英杰.数据挖掘中的新方法：支持向量机[M].北京：科学出版社，2006.

[7] 李宁，孙铭，王磊，等.基于支持向量机的肝纤维化CT图像分类[J].北京生物医学工程，2007，26（1）：41⁃43.

[8] 张婧.基于SVM的肺结节自动识别方法研究[D].广州：华南理工大学，2011.

[9] 郑庆庆.纹理特征提取及其在图像分割中的应用研究[D].武汉：华中科技大学，2011.

[10] 刘慧.医学图像处理中的分割与检索关键技术研究[D].济南：山东大学，2008.

为了使SVM的能够达到更好的分类效果，需要优化支持向量机的各个参数，主要是惩罚参数C和核函数参数g。在本实验中采用交叉验证（Cross Validation，CV）的方法来寻求最优参数[10]。该方法可以有效地避免过学习和欠学习状态的发生。

在实验中首先选取脑干和胼胝体进行2类的支持向量机分类，在实验中分别使用了归一化和未归一化的数据进行分类对比分类准确率得到结果如表1所示。

从数据中可以看出对数据进行归一化和选取最优参数后利用支持向量机对MRI脑组织进行分类可以得到较好的分类结果。

表1 两类情况小的分类准确率对比

然后选取脑干、胼胝体和小脑进行3类脑组织的分类，分类结果如表2所示。

表2 三类情况下的分类准确率对比

从本组实验数据可以看出对于3类的分类情况数据在未归一化的情况下可以获得较好的分类效果，分类准确率可以达到91.667%。

4实验总结

通过对上述的实验结果进行分析可以发现，对MRI脑图像的脑组织进行纹理特征提取，然后作为支持向量机的输入来进行脑组织分类，在数据处理和SVM参数优化后可以得到较好的分类结果。

但是在进行问题特征提取的过程中选哪些统计量来组成纹理特征十分重要，这些统计量的是否具有区分性，是后期用支持向量机进行分类的基础。在本实验中选取了具有代表性和区分性的4种统计量来构成特征向量。最后对支持向量机进行参数寻优，是支持向量机具有更好的分类效果，提高分类准确率的必要方法。

参考文献

[1] 徐海祥，喻莉，朱光喜，等.基于支持向量机的磁共振脑组织图像分割[J].中国图象图形学报，2005（10）：1277⁃1280.

[2] 韩国军.基于特征选择和支持向量机的纹理图像分类[D].西安：西安电子科技大学，2009.

[3] 冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图像的研究[J].北京测绘，2007（3）：19⁃20.

[4] 马莉，范影乐.纹理图像分析[M].北京：科学出版社，2009.

[5] ARIVAZHAGAN S， GANESAN L. Texture segmentation using wavelet transform [J]. Pattern Recognition Letters， 2003， 24（16）： 3197⁃3203.

[6] 邓乃扬，田英杰.数据挖掘中的新方法：支持向量机[M].北京：科学出版社，2006.

[7] 李宁，孙铭，王磊，等.基于支持向量机的肝纤维化CT图像分类[J].北京生物医学工程，2007，26（1）：41⁃43.

[8] 张婧.基于SVM的肺结节自动识别方法研究[D].广州：华南理工大学，2011.

[9] 郑庆庆.纹理特征提取及其在图像分割中的应用研究[D].武汉：华中科技大学，2011.

[10] 刘慧.医学图像处理中的分割与检索关键技术研究[D].济南：山东大学，2008.

为了使SVM的能够达到更好的分类效果，需要优化支持向量机的各个参数，主要是惩罚参数C和核函数参数g。在本实验中采用交叉验证（Cross Validation，CV）的方法来寻求最优参数[10]。该方法可以有效地避免过学习和欠学习状态的发生。

在实验中首先选取脑干和胼胝体进行2类的支持向量机分类，在实验中分别使用了归一化和未归一化的数据进行分类对比分类准确率得到结果如表1所示。

从数据中可以看出对数据进行归一化和选取最优参数后利用支持向量机对MRI脑组织进行分类可以得到较好的分类结果。

表1 两类情况小的分类准确率对比

然后选取脑干、胼胝体和小脑进行3类脑组织的分类，分类结果如表2所示。

表2 三类情况下的分类准确率对比

从本组实验数据可以看出对于3类的分类情况数据在未归一化的情况下可以获得较好的分类效果，分类准确率可以达到91.667%。

4实验总结

通过对上述的实验结果进行分析可以发现，对MRI脑图像的脑组织进行纹理特征提取，然后作为支持向量机的输入来进行脑组织分类，在数据处理和SVM参数优化后可以得到较好的分类结果。

但是在进行问题特征提取的过程中选哪些统计量来组成纹理特征十分重要，这些统计量的是否具有区分性，是后期用支持向量机进行分类的基础。在本实验中选取了具有代表性和区分性的4种统计量来构成特征向量。最后对支持向量机进行参数寻优，是支持向量机具有更好的分类效果，提高分类准确率的必要方法。

参考文献

[1] 徐海祥，喻莉，朱光喜，等.基于支持向量机的磁共振脑组织图像分割[J].中国图象图形学报，2005（10）：1277⁃1280.

[2] 韩国军.基于特征选择和支持向量机的纹理图像分类[D].西安：西安电子科技大学，2009.

[3] 冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图像的研究[J].北京测绘，2007（3）：19⁃20.

[4] 马莉，范影乐.纹理图像分析[M].北京：科学出版社，2009.

[5] ARIVAZHAGAN S， GANESAN L. Texture segmentation using wavelet transform [J]. Pattern Recognition Letters， 2003， 24（16）： 3197⁃3203.

[6] 邓乃扬，田英杰.数据挖掘中的新方法：支持向量机[M].北京：科学出版社，2006.

[7] 李宁，孙铭，王磊，等.基于支持向量机的肝纤维化CT图像分类[J].北京生物医学工程，2007，26（1）：41⁃43.

[8] 张婧.基于SVM的肺结节自动识别方法研究[D].广州：华南理工大学，2011.

[9] 郑庆庆.纹理特征提取及其在图像分割中的应用研究[D].武汉：华中科技大学，2011.

[10] 刘慧.医学图像处理中的分割与检索关键技术研究[D].济南：山东大学，2008.