基于多特征融合的甲状腺结节良恶性识别

李亮+尹小童+李梦烁

摘要：鉴于甲状腺结节良恶性的判别十分依赖于有效特征的提取，提出基于DLBP与RLBP模型相结合的局部纹理特征提取算法，首先利用RLBP模型解决图像旋转不变问题，然后与DLBP模型相结合对RLBP模式特征进行选择与降维，再与纵横比、圆形度、紧致度等形状特征相结合并输入到SVM分类器中。为了进一步提高识别率，提出基于粒子群算法与网格搜索算法相结合的SVM参数优化算法。实验结果表明，该模型提取的特征用于分类识别时较上述各种模型及传统的旋转不变等价ULBP模型能获得更高的识别率，且提出的参数寻优算法相比于传统寻优算法效率更高。

关键词：甲状腺结节识别；DLBP模型；RLBP模型；ULBP模型；参数寻优

DOIDOI：10.11907/rjdk.171958

中图分类号：TP319

文献标识码：A 文章编号：1672-7800（2017）012-0137-04

Abstract：In view of the distinguishing of the benign and malignant thyroid nodules is very dependent on the extraction of effective features， A feature extraction algorithm based on the combination of Dominant Local Binary Pattern （DLBP） and Rotation Local Binary Pattern （RLBP） model is proposed， Firstly， RLBP model is used to solve the problem of image rotation invariant， Then combined with the DLBP model to realize the feature selection and dimension reduction of RLBP pattern， And then the shape features such as aspect ratio， roundness and compactness are merged into the SVM classifier. in order to further improve the recognition rate. A SVM parameters optimization algorithm based on Particle Swarm Optimization （PSO） algorithm and grid search algorithm is proposed. Experimental results show that the features extracted by Proposed model have higher recognition rate than The above models and the traditional rotation invariant equivalent Uniform Local Binary Pattern （ULBP） model. And The proposed parameter optimization algorithm is more efficient than the traditional optimization algorithm.

Key Words：thyroid nodules recognition； dominant local binary pattern model； rotated local binary pattern model； uniform local binary pattern model； parameter optimization

0 引言

甲状腺结节指甲状腺中的细胞在诱因的影响下以非正常的方式快速生长而产生的肿块，分为良性和恶性[1]。研究表明，恶性结节约占5%～10%，并且其发生率正在逐年提高[2]。临床上对于甲状腺结节良恶性的判断采用穿刺活检（FNAB，Fine Needle Aspiration Biospsy）[3]，但穿刺活检不仅给病人带来痛苦，也不便于大规模筛查。B超检查因其方便快捷的特点已成为甲状腺结节良恶性判别的最常用手段，但由于没有一套统一的标准，往往由临床医生依靠经验判断。当前，甲状腺结节的识别研究主要以提取结节的形状特征和纹理特征等为基础，其中对于形状特征的研究一般借鉴乳腺肿瘤识别[4]、肺结节识别[5]等相关宝贵经验。当前比较常用的纹理特征算法主要有共生矩阵统计[6]和隐藏的马尔科夫模型[7]以及局部二值模式[8]（Local Binary Pattern，LBP）等算法。LBP算法思想简单易懂，计算复杂度低，对光照及灰度变化具有较好的鲁棒性，因而得到了广泛应用。早期的甲状腺纹理特征分析研究仅限于从灰度直方图中提取特征。C Skourroliankou[9]利用灰度共生矩阵提取特征达到了66%的识别率；E G Keramidas[10]使用基于局部二值式纹理表示（LBP）方法的识别率达到了84%；祁永梅[11]联合使用形状特征、纹理特征和衰减特征，最后利用SVM分类在240幅图像数据集上取得了92.3%的识别率；万丹丹等[12]利用语义特征和SVM算法相结合的方式在包含240个病例的数据集上达到了92%的识别率。

综上所述，国内外在利用纹理特征和形态学特征对甲状腺结节超声图像识别上取得了较好的效果，但识别準确率有待提高。本文提出了一种基于DLBP模型[13]与RLBP模型[14]相结合的（Dominant Rotated Local Binary Pattern，D_RLBP）模型。该模型兼具上述两种模型的优点，不仅能提取具有旋转不变的纹理特征，并且能实现对纹理特征的降维处理。为了更加全面地描述甲状腺结节的特征信息，提取结节的形状特征，将上述特征融合并输入到SVM分类器中。为了快速确定SVM的最优参数C和g，提出粒子群算法[15]与网格搜索算法[16]相结合的联合寻优算法。首先利用网格搜索算法快速确定合适的参数组，然后以此参数组确定的范围作为粒子群寻优算法的最佳搜索范围，并通过调整迭代速率等方式进行精细搜索，最终确定最优参数。endprint

1 LBP模型

该方法将LBP所有模式直方图进行降序排列，并选取前D个主要模式作为LBP的最终特征模式。其好处是选择了出现概率较高的模式，这部分模式具有较高的复现率，而丢弃的低概率模式不仅其直方图较稀疏而且易受噪声污染。因此，DLBP模型使特征维度得到降低且更稳定，但当图像发生旋转时，DLBP纹理特征将发生变化，使得识别误差率增加。

2.3 D_RLBP模型分析

本文提出将RLBP模型与DLBP模型进行串行融合，构成D_RLBP模型，其能充分发挥各自模型的优点。虽然RLBP模型引入参考方向实现了旋转不变，但没有克服特征维度随着邻域点个数增加而增加的缺点。DLBP模型选择频率较高的模式约占总模式数的5%～10%，这有助于运算效率的提升，因此结合二者优点实现对图像局部纹理特征的更好选择与优化。

3 形状特征提取

良性结节与恶性结节在形状上往往有很大区别，因此除了纹理特征，还提取了纵横比、圆形度、紧致度3个形状特征。

4 SVM参数联合寻优

网格搜索算法为全搜索方式，虽然其计算量偏大，计算时间也比粒子群和遗传算法偏长，但分类精度比以上两种算法高。粒子群算法虽然寻优时间相对较短，但对参数的寻优范围往往根据经验确定，当最佳的参数不在该范围时，就得不到正确的分类结果。因此，能否自适应地设置参数寻优范围是解决此问题的关键。基于以上分析，提出一种自适应粒子群优化算法，即利用网格搜索算法自适应地确定粒子群算法的最佳寻优范围，这样可以兼顾算法寻优效率和分类精度。具体实现过程如下：首先采用大步距在较大范围内粗搜索，以克服网格搜索法耗时长的缺点，然后选择使分类准确率最高的一组C和g，并依据该参数组设定粒子群算法参数寻优的最佳范围。SVM中C和g相互制约、相互影响，因而参数C和g共同作用时，理论上存在一个有效区域，在该区域中存在一对使预测结果最佳的参数组合，也即这组参数不会太大[17]。因此，只要在选定参数组的一定邻域范围内搜索，必能保证最优参数在该寻优区间内，同时这也避免了粒子群在大范围寻优时易陷入局部最优问题。经实验反复验证，两个参数的范围都设置为[0.2x 5x]即可。

本文算法整体实现步骤如下：①输入甲状腺结节超声图像对甲状腺结节区域进行精确分割；②对分割后的图像提取D_RLBP纹理特征；③对分割后的图像提取形状特征；④对上述特征进行串行融合；⑤对融合后的特征进行归一化处理；⑥将特征输入到SVM分类器；⑦对SVM分类器进行参数联合寻优；⑧输出分类结果。

5 实验与分析

5.1 结节实质区域分割及提取

实验中所选用的140幅甲状腺结节超声图像均来自于吉林省某三甲医院，其中110幅图像为良性结节，另外30幅结节图像为恶性，所有图像都有相应的B超报告和病理检查报告，均由临床医生标注结节区域与边界。所用超声诊断仪为Philips iu22，彩色超声诊断仪探头频率为7MHz～12MHz，实验平台是Windows10专业版PC机，处理器为intel（R）core（TM）i5-3470cpu@3.20GHz，内存是4GB，软件版本MATLAB2013a（64位）。在提取纹理特征前先用改进的水平集方法对甲状腺结节超声图像进行分割[18]并提取结节实质区域，具体过程如图1所示。

5.2 本文算法与传统算法对比实验

本文模型在实现图像旋转不变的同时还能对特征进行降维，而ULBP[19]模型也能实现类似功能。为了验证本文算法在特征提取方面的优越性，与ULBP及上述各种模型提取特征进行了分类对比实验。实验中随机抽取50%良性结节和50%恶性结节作为训练集，剩余部分作为测试集，然后将各自得到的特征向量分别输入经本文算法寻优的SVM分类器中。每组实验重复5次，然后统计其各自的平均精度。统计结果如表1所示。

由表1的对比实验结果可以看出，本文算法由于融合了精细的纹理特征信息和形状特征信息，对图像的特征描述更加全面细致，因而取得了最高的分类精度。而传统的ULBP“等价模式”因其是一种人为预设的特征选择模式，其选定的模式有可能并不含有能表征图像的信息，因此其平均分类精度比本文模型低。

5.3 參数寻优算法性能对比实验

为了验证本文提出的联合参数寻优算法的优越性，与上述传统参数寻优算法及遗传算法[20]进行对比实验。实验中以本文算法得到的特征向量作为输入，实验结果如表2所示。

由表2的实验结果可以看出，网格搜索法由于采用了大步距搜索方式，因而其所用时间最短。而将网格搜索得到的最优参数组按上述方式设置为粒子群算法的最优搜素区间后，其分类结果较原始粒子群算法优化后的结果精度高。且因为传统粒子群算法参数C和g的寻优区间一般是[0100]和[01 000]，而由表2结果可知，本文算法的寻优区间是[210]和[01.3]，因此本文算法的运行时间相对较短。

6 结语

本文提出的D_RLBP模型将RLBP模型的旋转不变性与DLBP模型的降维特性完美结合，用于提取甲状腺结节超声图像的纹理特征，然后提取结节的形状特征实现对结节特征的多方面细致描述。为进一步提高识别率，提出了一种SVM参数联合寻优算法。实验结果表明，本文提出的特征提取算法用于分类时较传统的特征提取算法性能更优，且提出的联合寻优算法较传统PSO寻优算法也有较大进步。算法对甲状腺结节的识别率达93.33%，对于甲状腺结节的术前诊断具有一定的参考价值。

参考文献：

[1] 夏炳兰，何春兰，宋斌，等.超声引导下甲状腺结节细针吸取细胞学检查的诊断价值[J].中国现代普通外科进展，2014，17（7）：540-542.

[2] 王昕，徐文杰.甲状腺结节超声图像分割算法研究[J].电视技术，2016，43（8）：26-30.endprint

[3] FELDKAMP J，FHRER D，LUSTER M，et al. Fine needle aspiration in the investigation of thyroid nodules[J].Deutsches rzteblatt International，2016，113（20）：353-359.

[4] 马满芳，陆惠玲，王媛媛，等.基于遗传算法—BP神经网络的乳腺肿瘤辅助诊断模型[J].软件导刊，2016，15（11）.

[5] 张婧，李彬，田联房，等.结合规则和SVM方法的肺结节识别[J].华南理工大学学报：自然科学版，2011，39（2）：125-129.

[6] WU H，SUN T，WANG J，et al.Combination of radiological and gray level co-occurrence matrix textural features used to distinguish solitary pulmonary nodules by computed tomography[J].Journal of Digital Imaging，2013，26（4）：797-802.

[7] 邱娟.基于Gabor滤波器和高斯马尔科夫随机场的书法笔迹鉴别[D].广州：暨南大学，2015.

[8] HADID A，ZHAO G，AHONEN T，et al.Face analysis using local binary patterns[J].World scientific review，2014：347-373.

[9] CATHERINE S，ARISTIDES A，LAMBROS V.Quantitative image analysis in sonograms of the thyroid gland[J].Nuclear Instruments & Methods in Physics Research，2006，569（2）：606-609.

[10] PFEIFFER K，WEISS O，KRODEL U，et al.Ultrasound-guided perivascular axillary brachial plexus block：a simple，effective and efficient procedure[J].Der Anaesthesist，2008，57（7）：670.

[11] 祁永梅.甲状腺结节超声图像分割及特征提取算法研究[D].保定：河北大学，2014.

[12] 张振宇，万丹丹.基于B超图像的甲状腺良恶性结节识别[J].微型机与应用，2013，32（2）：30-33.

[13] LIAO S，LAW M W，CHUNG A C.Dominant local binary patterns for texture classification[J].IEEE Transactions on Image Processing，2009，18（5）：1107-1118.

[14] RMEHTA，KEGIAZARIAN.Rotated local binary pattern （RLBP） rotation invariant texture descriptor[C].Proceedings of International Conference on Pattern Recognition Applications and Methods，2013.

[15] 付燕，聂亚娜，靳玉萍.PSO-SVM算法在肝脏B超图像识别中的应用[J].计算机测量与控制，2012，20（9）：2491-2493.

[16] WALSH J A，ROMANO P K，FORGET B，et al.Optimizations of the energy grid search algorithm in continuous-energy Monte Carlo particle transport codes[J].Computer Physics Communications，2015，196：134-142.

[17] 孟滔，周新志，雷印杰.基于自適应遗传算法的SVM参数优化[J].计算机测量与控制，2016，24（9）：215-217.

[18] 王昕，李亮.甲状腺结节超声图像分割算法研究[J].电子技术应用，2017，43（3）：112-115.

[19] MING Y，WANG G，FAN C.Uniform local binary pattern based texture-edge feature for 3D human behavior recognition[J].Plos One，2015，10（5）：e0124640.

[20] RIDDLE D B，HARTFIELD R J，BURKHALTER J E，et al.Genetic-algorithm optimization of liquid-propellant missile systems[J].Journal of Spacecraft & Rockets，2015，46（1）：151-159.

（责任编辑：孙 娟）endprint