肝包虫病和肝囊肿CT图像的分型研究

排孜丽耶·尤山塔依 严传波 木拉提·哈米提

摘 要：目的 探讨计算机辅助诊断技术在肝包虫病和肝囊肿CT图像分型中的应用。方法 对单囊型肝包虫病和单发性肝囊肿CT图像感兴趣区域，分别使用传统的预处理方法和图像融合方法，提取原始ROI、预处理后的和融合后的ROI图像Haar小波、DB2小波、Tamura、Gabor滤波器和灰度-梯度共生矩阵特征，通过支持向量机和BP神经网络分类模型分类，比较三种方法的分类准确率，并对各分类模型进行参数评估。结果 从原始ROI图像直接提取的Haar小波、DB2小波、Tamura和GGCM特征的最佳分类准确率均达到了95%以上；融合后的ROI图像五种特征的分类准确率都较高，在90%以上。结论 本研究所使用的方法应用于肝包虫病和肝囊肿CT图像的分型中具有一定的分类优势，为影像学诊断提供依据。

关键词：肝包虫病；肝囊肿；图像融合；特征提取；图像分类

中图分类号：R532.32；R575.4 文献标识码：A DOI：10.3969/j.issn.1006-1959.2018.23.018

文章编号：1006-1959（2018）23-0061-06

Abstract：Objective To discuss the application of computer aided diagnosis in classification of hepatic hydatid disease and hepatic cyst CT images.Methods For the region of the CT image of single cystic hepatic echinococcosis and single hepatic cyst， the original ROI， pre-processed and fused ROI image Haar wavelet， DB2 were extracted using traditional pre-processing methods and image fusion methods， respectively. Wavelet， Tamura， Gabor filter and gray-gradient co-occurrence matrix characteristics are classified by support vector machine and BP neural network classification model. The classification accuracy of the three methods is compared， and the parameters of each classification model are evaluated. Results The best classification accuracy of Haar wavelet， DB2 wavelet， Tamura and GGCM features extracted from the original ROI image reached more than 95%. The classification accuracy of the five characteristics of the ROI image after fusion is higher，above 90%.Conclusion The method used in this study has a certain classification advantage in the classification of CT images of hepatic hydatidosis and hepatic cysts， and provides a basis for imaging diagnosis.

Key words：Hepatic echinococcosis；Hepatic cyst；Image fusion；Feature extraction； Image classification

肝包蟲病（hepatic echinococcosis）是一种人畜共患的寄生虫病，由棘球绦幼虫侵染人体肝脏所致，又名肝棘球蚴病，从病理上分为肝细粒棘球蚴病（也称肝包虫囊肿）和肝泡状棘球蚴病（也叫肝的泡状包虫病）两种，肝包虫囊肿较多见[1]。肝包虫病的发病具有地域性特点，多发于牧区，在我国畜牧业发达的新疆、西藏、内蒙、宁夏等省区较常见，当地有着“虫癌”之称。肝囊肿是常见的肝脏良性病变，又称非寄生虫性肝囊肿，大部分是一种先天性疾病[2]。肝包虫病和肝囊肿均起病隐匿，潜伏期较长，初期症状不明显，临床表现相似，易误诊[3]。计算机辅助诊断（computer aided diagnosis，CAD）[4，5]技术作为近几年最为热门的辅助诊断技术，能够辅助医生更加有效的进行判断和确诊疾病，可减少或避免疾病的误诊误治。本研究选取单囊型肝包虫病和单发性肝囊肿CT图像，对原始图像感兴趣区域分别使用传统的预处理方法和图像融合方法，对预处理后的，融合后的和没进过任何处理的感兴趣区域图像提取DB2小波、Haar小波、Gabor滤波、Tamura和灰度-梯度共生矩阵特征，通过支持向量机和BP神经网络进行分类，比较三种方法下的五种特征分类准确率，研究适合于肝包虫病和肝囊肿分型的计算机辅助诊断方法，为临床医师提供决策参考，降低误诊率。

1材料与方法

1.1实验对象 本研究随机选取单囊型肝包虫病和单发性肝囊肿CT图像各120幅，共240幅，由新疆医科大学各附属医院影像中心提供。经影像科医师指导分类，人工干预下从原始图像中分割出病灶信息区，即感兴趣区域（region of interest），见图1。

1.2实验方法

1.2.1传统预处理 以往的研究方法往往是对整幅图像进行连续性预处理操作，如灰度尺寸归一，中值滤波去噪和直方图均衡化增强，目的是消除噪声的干扰，增强图像的细节信息，改善图像的质量[6，7]。本研究对感兴趣区域图像进行同样的预处理操作，结果见图2，箭头左边是原始图像ROI，右边依次是尺寸灰度归一化，去噪和增强后图像。

1.2.2图像融合 图像融合（image fusion）[8]作为改善图像质量的又一重要途径，提取多源信道中关于同一目标的有利信息，经过图像处理和计算机技术，综合成高质量的图像，以提高原始图像信息的利用率，提高系统对目标探测识别地可靠性，利于监测。

本研究对感兴趣区域图像采取不同的方法[9，10]，得到蕴涵着原始图像多方面特征信息的子图像再对它们进行融合。在空域中，采用了对扫描噪声非常有效的中值滤波器和使传输过程中由于受干扰而退化的图像细节变得清晰的锐化滤波器；在频域中，选取了有效抑制噪声的同时对图像的模糊程度较低的高斯低通滤波器，可以较好的提取图像边缘信息的高斯高通滤波器和增强图像对比度的同态滤波器；为了消除图像边缘的毛刺，填补图像中由于干扰等原因出现的断裂和缺口，运用了形态学方法对图像进行腐蚀、膨胀、开启与闭合操作。最后，采用列灰度均值替换原灰度值的方法对图像进行点处理，得到的新图像反映原始图像本身的对比度与明暗度。以上处理可以较全面地反映图像的特点，体现图像的边缘和细节特征，反映图像的自然属性。

图像融合的方法较多，最典型直接的方法就是对每幅子图像计算列均值与列方差，得到的列向量组合成特征矩阵。均值与方差是数理统计中常用的特征统计量，也是图像质量评价中的评价参数，在图像分析中，均值反应图像的亮度，方差反应图像高频部分的大小，CT图像具有丰富的高频细节信息，因此，本文采用提取每幅特征子图像的列均值与列方差组成特征矩阵来进行特征图像的融合，减少计算量的同时又尽可能地保留图像的特征信息。假设特征图像 Xi= （X1，…，XN），i=1，…，N，则

特征子图像的提取和融合结果见图3，第一个箭头左边是原始图像ROI，右边从左到右依次是中值滤波，锐化滤波，高斯低通滤波，高斯高通滤波，同态滤波，腐蚀，膨胀，开启，闭合与列均值替换后的特征图像，第二个箭头右边是融合后图像。

1.2.3特征提取 ①小波特征：小波变换[11]是一种时频分析方法，具有多分辨率分析的特点，能够在不同尺度下描述图像的纹理特征。小波变换根據小波基的不同，其结果也不尽相同。小波基的选择一般考虑对称性、正交性、支撑集、正则性、消失矩等。考虑到Daubechies（简称dbN，N是小波的阶数）小波的高纹理分类性能及其正交性、紧支性和低复杂性，本文选用具有对称性的N=1时的Haar小波和具有不对称性的N=2时的db2小波对图像进行三层小波分解，每个尺度小波分解图像得到4个频带，见图4。LL是图像的低频信息部分，LH、HL、HH分别是垂直信号分量、水平信号分量和对角信号分量，为图像的高频信息部分。每个频带计算均值和标准差，得到24维特征向量。

②Gabor滤波器特征：Gabor是一个用于边缘提取的线性滤波器，其频率和方向表达与人类视觉系统类似，能够提供良好的方向选择和尺度选择特性，对于光照变化不敏感，因此十分适合纹理分析[12]。Gabor滤波器可以提取不同尺度不同方向上的纹理信息，本研究对图像进行6个方向，4个尺度的Gabor滤波，得到24个输出图像，对每个图像计算均值和标准差，得到48维特征向量。

其中，x'=xcosθ+ysinθ，y'=-xsinθ+ycosθ；λ是波长，θ是滤波器的方向，ψ是调谐函数的相位偏移，γ是空间纵横比，σ是宽带。

③Tamura特征：Tamura等人在1978年提出了一种对应于心理学角度上的纹理特征的表示方法，包括六个指标，分别为粗糙度（coarseness）、对比度（contrast）、方向度（directionality）、线性度（linearity）、规则度（regularity）和粗略度（roughness），其中前三个分量在纹理合成、图像识别等方面具有很好的应用价值[13]。本研究使用上述六个指标作为纹理特征，从图像的视觉层面上研究图像的纹理信息，也取得了很好的图像分类效果。

④灰度-梯度共生矩阵特征：灰度-梯度共生矩阵（gray-gradient co-occurrence matrix，GGCM）[14]模型反映了图像中像点的灰度和梯度（或边缘）的相互关系。各像点的灰度是构成一副图像的基础，而梯度是构成图像边缘轮廓的基本要素，图像的边缘轮廓提供图像的主要信息，因此灰度-梯度共生矩阵能很好地描绘图像的纹理信息。15个常用的特征值：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度均值、梯度均值、灰度标准差、梯度标准差、相关性、灰度熵、梯度熵、混合熵、差分距、逆差分距。

2结果

对原始ROI、预处理后的、融合后的单囊型肝包虫病和单发性肝囊肿CT图像分别提取24维Haar小波特征、24维DB2小波特征、48维Gabor滤波器特征、6维Tamura特征和15维GGCM特征，把它们输入到支持向量机[15]和BP神经网络[16]分类模型中，进行分类处理，分类结果见表1。最佳分类准确率是模型最优参数下的分类准确率。

实验过程中，采用十折交叉验证法，支持向量机使用序列最小最优化SMO算法，核函数选择多项式核函数，调整参数C（默认值1，一般10-4≤C≤104）和BP神经网络中的隐含层神经元个数（默认值a，a是属性数量i和类别数量o的平均值；计算公式：n是1～10之间的常数）进行实验。其中，C是惩罚系数，即对误差的宽容度。C越高，说明越不能容忍出现误差，容易过拟合；C越小，容易欠拟合；C过大或过小，模型泛化能力变差。本实验调节C范围1～30。BP神经网络其它参数设置如下：迭代次数500，学习率0.3，允许误差0.01。分类准确率跟参数调整曲线和最佳分类准确率下的模型参数评估见图5、图6。

3讨论

由表1可知，从原始图像ROI中直接提取Haar小波、DB2小波、Tamura和GGCM特征，最佳分类准确率均达到了95%以上，其中，前三种特征的分类准确率比经过传统预处理方法和图像融合方法的ROI图像高，GGCM特征在三种方法下的最佳分类准确率不相上下；经过传统预处理方法的ROI图像除了GGCM特征以外，其他特征分类准确率都较低，这可能是由于虽然对整幅图像起到去除噪声突出有用信息等作用的传统预处理方法用于只包含病灶信息的感兴趣区域时反而起到了反作用，即图像的有些纹理信息被去掉了，但是对图像的梯度信息没影响；经过图像融合方法的ROI图像的Haar小波、DB2小波、Gabor滤波器、Tamura和GGCM五种特征分类准确率均在90%以上，较稳定。

图5更直观形象地反映出三种方法下五种特征的分类准确率，整体来看，从原始ROI图像直接提取的特征中，使用SVM分类器时，DB2小波特征的分类准确率最高。使用BP神经网络分类器时，GGCM特征的分类准确率最高；预处理后的ROI图像不论使用SVM还是BP神经网络分类器，分类准确率最高的都是GGCM特征；融合后的ROI图像使用SVM分类器时，GGCM特征的分类准确率最高。使用BP神经网络分类器时，分类准确率相对高的是Tamura特征。这说明选取的特征的好坏直接影响最终的分类效果，GGCM特征在肝包虫病和肝囊肿CT图像分类中起着很重要的作用。

评价一个分类模型的分类精度，除了分类准确率之外，还需要计算一些统计量，如查准率（Precision），查全率（Recall），F度量（F-Measure）和ROC曲线下面积（AUC）等，这些指标都是[0，1]范围内的小数，越接近1，说明分类模型越好。由图6可以看出，不同方法下支持向量机的各参数指标值均高些，说明SVM分类器对图像的预测能力相对于BP神经网络分类器較强。

4结论

肝包虫病在内陆和沿海非疫区医疗机构罕见，而牧区遇到腹部包块外科医生多把注意力放在包虫病上，对其他病有时考虑较少，因罕见而失去警惕，易误诊误治。误诊的后果是造成患者没有在恰当时机得到治疗，增加了患者的痛苦，以及药物的浪费和不必要的手术探查。

本文把计算机辅助诊断技术应用于肝包虫病和肝囊肿CT图像的分型中，从原始图像中分割出感兴趣区域，对它分别采取传统的预处理方法和图像融合方法，通过对原始ROI，预处理后的和融合后的ROI图像提取纹理特征并分类，结果表明：①图像融合方法较稳定，提取的特征分类准确率都较高；②传统的预处理方法并不一定对所有图像都适合；③从原始ROI中直接提取特征，某些纹理特征的分类准确率达到很高。本研究探讨适合于肝包虫病和肝囊肿CT图像分型的计算机辅助诊断方法，为影像学诊断提供依据，也为后期研发肝包虫病计算机辅助诊断系统奠定基础。

参考文献：

[1]Memmet Mihmanli，Ufuk Oguz Idiz，Cemal Kaya，et al.Current status of diagnosis and treatment of hepatic echinococcosis[J].World J Hepatol，2016，8（28）：1169-1181.

[2]王波涛，刘刚，樊文萍，等.纹理特征分析在肝囊肿及肝血管瘤磁共振成像鉴别诊断中的价值[J].中国医学科学院学报，2017，39（2）：169-176.

[3]王晓雷，郝文超，刘志军，等.肝包虫病误诊为肝囊肿原因分析及文献复习[J].临床误诊误治，2017，30（2）：4-6.

[4]周靖宇.基于MRI的乳腺癌计算机辅助检测与诊断系统的应用和进展[J].功能与分子医学影像学，2017，6（4）：1349-1353.

[5]Taher F，Werghi N，Al-Ahmad H.Computer Aided Diagnosis System for Early Lung Cancer Detection[J].International Conference on Systems，2015，8（4）：5-8.

[6]张岁霞，木拉提·哈米提，严传波，等.基于数据挖掘的新疆高发肝包虫病的分型研究[J].生物医学工程与临床，2016，20（5）：521-528.

[7]孔喜梅，木拉提·哈米提，严传波，等.基于小波变换的新疆地方性肝包虫CT图像分类研究[J].生物医学工程研究，2016，35（3）：162-167.

[8]Zhang XL，Li XF，Feng YC.Image fusion based on simultaneous empirical wavelet transform[J].Multimedia Tools & Applications，2017，76（6）：1-19.

[9]张静，倪红霞，苑春苗，等.精通MATLAB数字图像处理与识别[M].北京：人民邮电出版社，2013：95-98，131-137，222-232.

[10]姚飞，闫晓丽，苏景霞，等.基于中值和同态滤波器相结合增强图像的研究[J].科技视界，2014（6）：14，25.

[11]Aman Ghasemzadeh，Hasan Demirel.3D discrete wavelet transform-based feature extraction for hyperspectral face recognition[J].IET Biometrics，2018，7（1）：49-55.

[12]甘露，田丽华，李晨.基于融合特征和BP网络的交通标志识别方法[J].计算机工程与设计，2017，38（10）：2783-2787.

[13]高源，宋辉，张志佳.基于Tamura特征的虹膜结构密度计算方法[J].计算机技术与发展，2016，26（3）：36-39.

[14]Hu S，Xu C，Guan WQ，et al.Texture feature extraction based on wavelet transform and gray-level co-occurrence matrices applied to osteosarcoma diagnosis[J].Bio-Medical Materials and Engineering，2014，24（1）：129-143.

[15]de Carvalho Filho AO，Silva AC，de Paiva AC，et al.Computer-aided diagnosis system for lung nodules based on computed tomography using shape analysis，a genetic algorithm，and SVM[J].Med Biol Eng Comput，2017，55（8）：1129-1146.

[16]Wang XJ，Bai YP.BP Network Based on Handwritten Digital Image Feature Extraction[J].Advances in Applied Mathematics，2014，3（11）：104-111.

收稿日期：2018-9-6；修回日期：2018-9-12

编辑/杨倩