病毒性肺炎X 光图片分类研究

崔丰麒 肖浩然 牟 怿*

（武汉轻工大学电气与电子工程学院，湖北 武汉430023）

1 概述

肺部图像是肺炎筛查的主要依据之一[3,4]。在国家卫生健康委员会发布的历版《病毒感染的肺炎诊疗方案》均提出把临床症状、流行病学史、肺部病变影像学表现以及病原学检测作为诊断疑似病例的依据。具体影像学特征包括: 早期呈现多发小斑片影及间质改变，以肺外带明显。进而发展为双肺多发磨玻璃影、浸润影，严重者可出现肺实变，胸腔积液少见。在2020 年8月发布的《肺炎诊疗方案(试行第八版)》中进一步把影像学表现作为确诊临床分型的依据之一[5]。

虽然典型的X 光图像有助于早期筛查疑似病例，但肺炎与正常人的肺部在影像学表现为一种纹理的区别。因此可以提取X 光图片的纹理特征训练分类模型。

2 方法的建立

2.1 特征的提取

LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T.Ojala, M.Pietik?inen,和D.Harwood 在1994 年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征[6-9]。

原始的LBP 算子定义为在3×3 的窗口内，以窗口中心像素为阈值，将相邻的8 个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3×3 邻域内的8 个点经比较可产生8 位二进制数（通常转换为十进制数即LBP 码，共256 种），即得到该窗口中心像素点的LBP 值，并用这个值来反映该区域的纹理信息。如图1 所示。

图1 LBP 示意图

2.2 分类模型

支持向量机（support vector machines, SVM）是一种分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题。SVM的的学习算法就是求解凸二次规划的最优化算法。本文采用SVM工具包进行数据的分类。

本文采用的模型结构如图2 所示，其中的LBP 提取的特征是256 维。

图2 本文的算法流程图

3 实验结果和分析

3.1 数据集

图3 正常人X 光图片

图4 病毒性肺炎X 光图片

图5 细菌性肺炎X 光图片

数据集由正常样本和肺炎样本组成。正常样本来自于NIH Chest X-ray 数据集选取了1341 个正常样本、3875 个细菌性肺炎样本[10-11]。病毒性肺炎样本来自于github 开源项目收集的图片组成的数据集covid-chestxray-dataset，包含有180 个样本[12,13]。部分正常人肺部X 光图片如图3 所示，部分病毒性肺炎病人肺部X 光图片如图4 所示而图5 是细菌性肺炎的X 光图片。

从样本图片中可以看出，不同的肺部X 光图片表现出不同的纹理特征。可以利用纹理特征提取算法提取图片的特征。

3.2 结果

实验利用Matlab2019b 平台进行，使用IntelCore i7-7700 处理器，16G 内存，64 位操作系统，SVM软件包来自lib-svm3.24[14]。SVM选取高斯核。图6 是LBP 特征进行PCA 降维后的结果，从图中可以看出，正常人和肺炎病人X 光图像的LBP 特征是可分离的，为后续的SVM模型训练奠定了基础。

分别从正常图片、病毒性肺炎图片和细菌性肺炎图片中随机地选择10%，20%，30%，40%，50%的样本作为训练样本，剩下的做为测试样本。实验进行20 次取平均值作为最后的分类结果。图7 是正常人和病毒性肺炎病人X 光图片分类的结果。图8 是病毒性肺炎病人和细菌性肺炎病人X 光图片分类的结果。图9 是正常人、病毒性肺炎病人和细菌性肺炎病人三分类的结果。可以看出，随着训练样本的增加，分类正确率有不断地提升。60%时已达到98.99%。

图6 LBP 特征进行PCA 降维后的结果及其局部放大图

图7 分类正确率

图8 分类正确率

图9 分类正确率

4 结论

病毒性肺炎和正常人的X 光图片之间的差异可以用纹理特征来描述，基于此本文利用LBP 特征提取图像特征，并利用SVM进行分类。实验结果表明，这种方法可以对病毒性肺炎和正常人的X 光图片进行分类。但是，如果是其他类型的肺炎，也出现类似的纹理特征的差异，那么要区分病毒性肺炎和普通肺炎就可能需要提取其他特征或采用CNN 网络，这也是后续研究的问题。