基于灰度共生矩阵的肝癌B超纹理特征决策树诊断分析

张 慧* 迟庆云刘彩霞

（1 枣庄矿业集团枣庄医院B超室，山东 枣庄 277101；2 枣庄学院信息科学与工程学院，山东 枣庄 277101）

基于灰度共生矩阵的肝癌B超纹理特征决策树诊断分析

张 慧1* 迟庆云2刘彩霞2

（1 枣庄矿业集团枣庄医院B超室，山东 枣庄 277101；2 枣庄学院信息科学与工程学院，山东 枣庄 277101）

目的 应用灰度共生矩阵和决策树分类的挖掘的方法对肝脏B超纹理特征进行分析，探讨肝脏B超影像纹理特征在肝脏恶性病灶中的应用。方法 随即选取120例正常肝脏、肝脏良性病变，肝脏恶性肿瘤的肝脏B超影像进行增强去噪处理，通过构建反映共生矩阵各角度信息的灰度共生矩阵提取纹理特征参数，结合决策树算法进行分析诊断（所有患者术前均进行二维超声，术后经病理手术确认）。结果 实验表明该方法对整个肝脏典型病理影像分类的准确度达到83.33%，在判断恶性病变时，查全率为83.3%，查准率为73.9%，调和均值F_mean 90.9%，接受者操作特征（ROC）85.3%，具有较高的诊断率。结论 该方法是分析肝脏影像图的一种快速有效的纹理特征分析方法。提取的纹理特征对图像内容有较好的分区性，为临床上辅助诊断肝脏疾病提供了量化依据，也为后期图像识别，图像数据挖掘和图像检索提供了很好的特征数据。

肝脏；良恶性病变；灰度共生矩阵；纹理特征；决策树

原发性肝癌是我国最常见的恶性肿瘤之一，其病死率位于我国恶性肿瘤患者第二位，近年来其发病率迅速上升；尽早发现及鉴别对提高患者治疗效果具有积极意义[1]。目前AFP和B超检查是普查肝癌的常规方法，其中B超检查具有操作简单，无创伤性，可定位，重复性好等特点，成为普查和随访定位诊断的首要方法[2]，但B超具有较大的主观性和局限性，因此从B超图像中挖掘出隐藏的知识对帮助医师诊断肝癌有着显著的意义。

人体肝脏B超影像是由细小回声光点构成，这些细小光点是肝脏纹理的基本单位，各光点之间的结构相似。正常肝脏的回声光点分布均匀，当有肝癌发生时，肝脏微结构发生变化，超声图像上就会看到光点粗细与分布的差异，反映在图像上，就会造成图像纹理的不同。图像的纹理特征是由图像上纹理的不同而造成的灰度值有规则的分布，提取合适的、有利于计算机识别处理的图像纹理特征是计算机辅助诊断的关键技术之一[3]。20世纪70年代，Haralick等提出了灰度共生矩阵方法（GLCM）[4]，GLCM是纹理特征提取统计方法中最具典型的一种算法。GLCM应用比较广泛，比如黄晶[5]结合图像本身特点和实验数据选取最优间距和方向角度进行特征提取和分析。李陆陆[6]提出了基于联合灰度信息的灰度共生矩阵和MRF的纹理图像分割方法。GLCM在医学领域也得到了广泛应用。文献[7-9]研究了GLCM在医学图像中的应用。目前，超声影像辅助诊断肝癌的研究比较少，只有一些文献对肝癌的纹理特征进行了研究。本文在分析肝脏B超影像的基础上，结合增强去噪算法提出了基于灰度共生矩阵和决策树分类挖掘的纹理特征分析方法，提高肝癌B超的检出率。

1　资料与方法

1.1研究对象：随机选取2010年1月至2015年1月枣庄矿务集团枣庄医院B超室肝癌图像40例[女性12例，男性28例；年龄（52±14.2）岁]经过手术病理或是经CT、MRI等综合影像分析确诊，正常肝脏B超图像40例[女性20例，男性20例；年龄（46±8.7）岁]，肝脏良性病变B超图像40例[女性18例，男性22例；年龄（51±1.2）岁]。

1.2图像来源：所研究的B超图像均采用荷兰飞利浦公司提供的IU22型彩色超声诊断仪进行测定，探头为C3-1频率为3.5 MHz。采集帧数由超声设备自动调节，肝脏扫查顺序依次为：纵扫、右肋弓下扫、水平搜查和右肋间扫查。

图1　肝脏B超影像预处理

图2　肝脏B超影像纹理特征对比

图3　决策树诊断结果

1.3图像分析及数据处理

1.3.1基于灰度共生矩阵的肝脏B超影像纹理特征分析：①灰度共生矩阵：首先对于一幅图像定义一个方向和一个以像素为单位的步长，定义一个灰度级为i和j的像素同时出现在一个点和沿所定义的方向跨度步长的点上的频率。这里设f（x，y）为一幅肝脏B超图像，其大小为M×N，灰度级别为G，则满足一定空间关系的灰度共生矩阵为：P（i，j)=#｛（χ1，y1)，（χ2，y2)∈M×N|f（χ1，y1)，=i，f（χ2，y2)=i｝。在对肝脏图像计算得到共生矩阵之后，在此基础上计算纹理特征量，Haraliek提出了用于分析灰度共生矩阵的14个特征。在本次研究中我们选取对比度、能量、同质性、自相关四个表示纹理的特征量进行研究分析。②肝脏B超影像纹理特征分析：肝脏B超影像一般为768×576的灰度图片，见图1（a），原图中除了感兴趣的肝脏外，还包含较多的背景区域，这里我们采用水平和垂直投影法获得感兴趣的区域，见图1（b）。首先对图像进行直方图均衡化和中值滤波等增强和去噪处理（图1（c）），生成（0°，45°，90°，135°）四个方向的共生矩阵，对每个共生矩阵提取相应的纹理特征，本文用了对比度、自相关性、能量和同质性共4个特征，然后对每一特征计算四个方向的平均值和均方差，得到8个与旋转方向无关的纹理特征作为分类器的输入，用于确定肝脏图像是正常还是异常。

1.3.2基于决策树的肝脏疾病诊断：决策树分类算法是数据挖掘领域一个比较重要的分类算法。随机抽取部分样本作为训练样本，剩余的样本作为测试样本，然后用C4.5算法建立决策树，经过剪枝优化，对得到的决策树进行规则提取和测试样本分类，最后计算分类准确率。对于所有的实验，整个数据集上均采用国际上通用的评估指标：查全率、查对率、F_mean作为衡量分类模型性能的评价标准。调和均值F_mean计算公式如下：其中Recall为查全率，Precision为查准确率

2　实验结果

按照上述方法，分别对三组影像经图像进行预处理及特征提取，提取了对比度、自相关性、能量和同质性共4个特征，通过对其四个方向平均值和均方差得到8个纹理特征存入图像特征数据库，作为决策树判断的输入。见表1和图2。

表1　三组B超影像纹理中4个特征参数比较

肝脏B超影像在8个纹理特征矩阵的比较如图2所示。从图2中可以看出，在这图像纹理特征中，对比度（Contrast）均值和能量（Energy）均值在肝脏发生病变时，差异比较大，特别是肝癌（liver cancer）时，对比度均值尤为突出；肝血管瘤（hepatic hemangioma）时，能量均值变化明显；而其他纹理特征差异在肝脏异常时，基本变化不大，导致特征曲线重合，只有肝癌（liver cancer）时，波动较明显。将处理后产生的纹理特征数据库采用C4.5算法进行决策树分析，产生图3决策树。

实验表明，对整个肝脏典型病例影像分类准确率83.33%。在判断恶性病变（Liver Cancer）时，查全率83.3%，查准率73.9%，调和均值F_mean 90.9%，接受者操作特征（ROC）85.3%。

3　讨 论

肝脏B超作为肝癌的辅助检查手段，有着其他方法无法比拟的优势。B超不但灰度分辨率高，而且包含大量与临床相关的纹理特征信息。建立新的图像提取技术和诊断方法，对提高B超检查的诊断效率，有着重要的意义。当肝脏发生病变时，肝脏微结构发生了明显变化，从而使正常肝脏与异常肝脏B超影像之间的纹理特征出现了较大的差别，表现为图像纹理粗糙。从纹理特征提取结果为医师临床辅助诊断肝脏疾病提供了量化依据，也为后期图像识别、图像数据挖掘和图像检索等提供了很好的特征数据。

实验过程中，我们从随机的120幅肝脏影像应用灰度共生矩阵提取了8个纹理特征向量，并采用了灰度共生矩阵衍生的多个二次统计量进行研究，最终发现对比度均值和能量均值在肝癌发生时，差别较明显，具有很好的描述能力。纹理分析结合数据挖掘中的决策树技术对B超影像进行诊断分析，尤其在肝癌方面，查全率、查准率明显增高；根据ROC结果，该类技术的敏感性增高。当然在该技术方法分析中，高质量获得B超影像尤为重要，但在现实生活中，其B超影像还受拍摄位置、拍摄仪器等多方面原因影响。

综上所述，基于灰度共生矩阵的肝脏B超纹理特征决策树诊断方法为肝癌诊断及鉴别提供了全新的方法，为肝脏良恶性病变的诊断提供了参考依据，为治疗方案的设计和调整提供了参考，具有很好的实用价值。但是探索肝脏B超图像量化在肝脏疾病诊断中的应用依旧是一项复杂的任务，目前的研究仍旧处于起步阶段。

[1]冀建峰，周巍，郭佳，等.超声弹性成像鉴别肝脏良恶性肿瘤的价值评估[J].中国超声医学杂志，2011，27（3)：243-245.

[2]林森浩，丁红.超声弹性成像评价肝脏硬度的研究进展[J].中华肝胆外科杂志，2012，18（2)：158-160.

[3]郭依正，焦蓬蓬，周巧扣，等.基于灰度共生矩阵的肝脏CT图纹理特征分析[J].实验室研究与探索，2012，31（8)：62-64.

[4]Haraliek RM，Shanmugam K，Dinstein I.Texture features for imageclassification[J].IEEE Transon SMC，1973，3（6)：610-621.

[5]黄晶.基于分形维度与灰度共生矩阵的图像分类研究[D].武汉：武汉理工大学，2008.

[6]李陆陆.基于灰度共生矩阵和MRF的纹理图像分割[D].大连：辽宁师范大学，2013.

[7]朱福珍，吴斌.基于灰度共生矩阵的脂肪肝B超图像特征提取[J].中国医学影像技术，2006，22（2)：287-289.

[8]Yeh WC，Huang SW，Li PC，et a1.Liver fibrosis grade classification with B-mode ultrasound[J].Ultrasound Med Biol，2003，29（9)：1229-1235.

[9]焦蓬蓬，郭依正.特征级数据融合在医学图像检索中的应用[J].计算机工程与应用，2010，46（6)：217-220.

Decision Tree Diagnosis Analysis of Liver B Ultrasonic Feature

ZHANG Hui1*，CHI Qing-yun2, LIU Cai-xia2
（1 Department of B-Ultrasound Room，Zaozhuang Mining Group Zaozhuang Hospital，Zaozhuang 277101，China； 2 School of Information Science and Engineering，Zaozhuang University，Zaozhuang 277101，China）

Objective To study the application of the liver B ultrasonic image texture feature in malignant liver lesions through the method of data mining on liver B ultrasonic texture image feature analysis，based on gray level co-occurrence matrix （GLCM） and decision tree classification. Method 120cases of liver B ultrasound image of normal，benign and malignant tumors were selected for analysis. After enhancement denoising processing，the parameter information of texture feature was extracted through constructing the GLCM，reflecting angle information of co-occurrence matrix. Then analysis diagnosis was performed in combination with decision tree algorithm （all of the patients were examined with preoperative 2D ultrasound，and confirmed by the pathological examination）. Results Using this method，the liver typical pathological image classification accuracy can reach 83.33%. For malignant lesions，the recall rate was 83.3%，the precision rate was 73.9%，the harmonic mean F_mean was 90.9% and receiver operating characteristic （ROC） 85.3%. These results show that this method has higher diagnostic rate. Conclusion Texture features calculation method in this paper is a rapid and effective method to analyze the liver B ultrasonic texture image feature，with higher classification accuracy than other methods. This method may be an effective way for clinical assistant diagnosis. It can provide quantitative basis for diagnosis of liver disease. Besides，it also provides typical data for image recognition，data mining and image indexing.

Liver； Benign and malignant lesions； Gray symbiotic matrix； Texture feature； Decision tree

R735.7

B

1671-8194（2015）25-0002-02

数据挖掘在医学影像中的应用研究[山东省高等学校科技计划基金资助项目（J13LN56）

E-mail:XWK3515@163.com