基于肝脏CT 图像GLTP 特征的肝功能分级方法研究*

郭瑞敏 黄炜嘉 张正言 杨 魏 王泽辉

（1.江苏科技大学海洋学院 镇江 212003）（2.江苏省人民医院介入科 南京 210029）

1 引言

对肝功能进行监测是慢性肝病治疗中的重要环节［1］。Child-Pugh、MELD［2］等评分方法基于血清肌酐、胆红素、白蛋白等血液学检查指标及腹水、肝性脑病等临床主观指标，无创易行，在临床中被广泛使用，在预测终末期肝病患者的死亡率以及术后的生存时间等方面有重要的临床价值。计算机断层扫描（Computed Tomography，CT）是临床中常用的影像学检查方法，有研究使用CT灌注成像、多期增强CT 扫描的动脉增强分数的类灌注技术、能谱CT碘基图定量分析等技术评估肝功能［3～4］。随着人工智能及大数据技术在医疗领域的应用，影像组学（Radiomics）被应用于肝纤维化、肝硬化程度、肝功能相关性研究，是病理学检查以外良好的潜在替代评估方法［5］，基于机器学习的医学影像数据分析已成为了交叉学科中的研究热点［6～7］。

医学图像的纹理分析为病变组织提供了客观、定量的描述方法。灰度共生矩阵（Grey-Level Co-occurrence Matrix，GLCM）方法由Haralick 等［8］提出，具有原理简单、辨别能力较强等优点。Suganya等［9］将GLCM用于肝脏超声图像的纹理特征提取和正常、异常分类。Sergeeva 等［10］将GLCM 和离散小波变换结合，用于提取肺部CT 图像的多尺度特征，实现对正常、异常图像的分类。在基于图像局部的特征提取方面，局部二值模式（Local Binary Pattern，LBP）［11］及其改进方法已逐步应用于医学领域。Chu 等［12～13］使用一种Webber 局部二值模式描述子用于胰腺超声图像，对慢性胰腺炎和自身免疫性胰腺炎进行分类。Tan 等［14］提出了局部三值模式（Local Ternary Pattern，LTP），在原始LBP 算子上引入阈值t 对图像进行三值编码，有效提高了对光照和噪声影响的鲁棒性，在图像纹理较为均匀的区域的辨别能力更强［15］。金铸浩等［16］提出了自适应方向局部三值模式，将图像全局的灰度特征应用到编码中，对全局特征描述大幅增强，且阈值的自适应性增强了该算法的抗噪声能力。梯度局部三值模 式（Gradient Local Ternary Pattern，GLTP）［17］在LTP 的基础上，使用Sobel 算子［18］对图像进行边缘检测，然后进行三值特征提取，减少了计算量、提高了特征提取的效率。目前，医学图像的纹理分析主要被用于正常、异常组织的分类，基于异常肝脏CT图像，进行肝功能分级的工作还没有被讨论。

本文分析了不同MELD 评分的慢性肝病患者的肝脏CT 图像，将GLTP 模式引入基于肝脏CT 图像的肝功能分类中，提取肝脏组织局部纹理特征，采用支持向量机（Support Vector Machine，SVM）［19］训练和分类，建立基于增强CT 门脉期肝脏的肝功能分级模型，揭示了不同肝功能等级肝脏CT 图像的特征差异，为肝功能分级提供了基于CT 影像的新方法。

2 梯度局部三值模式

LTP 是GLTP 的基础，LTP 编码通过定义阈值t增加一个编码模式，对LBP编码在“0”码和“1”码的基础上增加了“-1”码，使得LTP描述符对纹理特征的描述更加详细，且对光照变化和噪声因素的影响较小，提升了其辨别能力。LTP 的基本方法是：首先设置3×3像素的区域，在中心像素点Gc周围设定阈值t，定义一个长度为2t的区间［-t，t］，如果各邻域像素点的灰度值Gi落在Gc-t 和Gc+t 之间，则编码为0。低于Gc-t或高于Gc+t则分别编码为“-1”和“+1”，如式（1）和式（2）所示：

其中，Gc是中心像素点的灰度值，Gi是中心像素点邻域内第i个像素点的灰度值。

将编码中除“1”以外的值改为“0”后所得的编码定义为上模式（或正模式），如式（3）所示：

其中，SLTP（i）表示中心像素点邻域中第i个采样点经过量化后的值。

同理，将编码中除“-1”以外的值改为“0”，并且用“1”替换“-1”后所得的编码定义为下模式（或负模式），如式（4）所示：

对上述两种模式中得到的二进制编码乘以相应的权重后相加，得到中心点正、负模式的十进制LTP 特征值，如图1 所示。根据上述特征值计算正负LTP编码的统计直方图，并将其级联作为最终的特征向量。

图1 阈值t设置为10的LTP算子编码

GLTP［17］使用水平和垂直方向的Sobel 算子与原始图像I 做卷积，分别得到水平及垂直方向滤波结果Gx、Gy，如式（5）所示；然后，计算图像中每个像素的梯度幅度值Gx，y如式（6）所示；最后，对Gx，y使用LTP编码模式完成GLTP特征的提取。

3 基于GLTP的肝脏CT图像分类方法

图2 为本文方法的整体流程图。首先，对经过MELD 分级划分出的不同肝功能等级的图像进行预处理，提取出相同大小，不包含血管和肿瘤的肝脏组织感兴趣区域（ROI）；其次，对图像中每个像素点计算GLTP局部模式；再次，将图像分成相同大小的子块，统计编码后的直方图，将直方图级联，构特征向量，对特征向量进行PCA降维［20］；最后，使用SVM分类器对特征向量进行训练和识别。

图2 本文方法的整体流程图

3.1 MELD评分与图像预处理

首先，选取患者术前最近一次的检查结果（包括血胆红素、凝血酶原时间国际标准化比值（INR）和血肌酐等指标）计算得分R［21～22］，如式（7）所示：

其中，病因项，胆汁性或酒精性为0、其他为1。根据MELD 评分标准划分出“低危患者（R＜15）”、“中危患者（15 ≤R≤18）”和“高危患者（R＞18）”。不同等级肝功能MELD评分的肝脏CT图像如图3所示。

图3 不同等级肝功能MELD评分的肝脏CT图像

然后，提取肝脏CT 图像中不包含血管与肿瘤的肝脏组织ROI，大小为38×38 像素，建立样本数据集。

3.2 特征提取与分类

基于GLTP 的肝脏CT 图像特征提取与分类方法如表1所示，图4给出了GLTP编码的过程。

表1 基于GLTP特征的肝脏CT图像特征提取与分类算法

图4 GLTP编码过程

图5 为不同肝功能等级肝脏CT 图像的GLTP编码图像。分别给出了“低危”、“中危”和“高危”肝病患者的原始图像、提取出的ROI 区域、ROI 区域经过Sobel 算子滤波后的图像以及相应的正GLTP模式和负GLTP模式。

图5 肝脏CT图像的GLTP编码图像

4 实验设置及结果分析

4.1 实验设置

本文实验环境：Windows 10 操作系统，Matlab R2018a 编程环境。实验所用的CT 图像数据来自江苏省人民医院，每张图像包含其对应的MELD 评分信息。实验共使用肝脏CT 图像240 张，其中，MELD 评分“低危”120 张、“中危”60 张、“高危”60张。为了验证算法的有效性，本文进行两组实验：1）选择评分为“低危”、“中危”、“高危”图像各60张，共计180 张图片，进行三类分类；2）将“中危”与“高危”图像合并成一类，即使用“低危”120 张，“中高危”120 张，共计240 张图片，进行二类分类。实验采用10 折交叉验证的方法：将数据集随机划分成10 组，其中1 组作为测试集，其他的9 组作为训练集，以此轮流实验10 次计算出每组测试集上的识别率，将其平均后作为最终的识别率。

4.2 不同分块大小对实验结果的影响

为了分析不同分块大小的编码图像直方图统计对分类结果的影响，本文对5 种不同分块大小分别进行了实验。表2 和表3 分别为将图像分为3×3、5×5、7×7、9×9和11×11块，基于线性核、三次多项式核以及RBF 核SVM 进行“低危”、“中危”、“高危”三类分类和“低危”、“中高危”两类分类的实验结果。从表2可以看出，将图像分为3×3块时，三类分类的识别率最高，在三种核函数下的识别率分别为60.56%，60.56%，58.89%。随着图像分块数量的增加，识别率有所下降，说明了将图像分为较大的子块，可以获得有代表性的特征。

表2 不同分块的GLTP算子三类识别率（单位：%）

从表3可以看出，将图像分类11×11块时，两类分类的识别率最高，三种核函数下的识别率分别为65.00%，62.92%，55.42%。在图像分块数量较小时，获得了较高的识别率。总体来看，“低危”、“中高危”两类分类的识别率高于“低危”、“中危”、“高危”三类分类的结果，可能的原因是在MELD 评分中，“低危”患者为R＜15，“中危”患者为15 ≤R≤18，“高危”患者为R＞18，中高危患者的评分相对接近，因此，“中危”、“高危”患者肝脏组织纹理具有类似的特征，这些特征与低危患者的肝脏纹理特征差异大，更易于分类。

表3 不同分块的GLTP算子两类识别率（单位：%）

4.3 不同降维参数对实验结果的影响

为了降低特征维度，本文对提取的特征进行了降维，图6 为图像分块为3×3，基于线性核SVM，三阶多项式核和RBF 核（C=100），PCA 降维参数从0.85 到0.99 时所对应的“低危”、“中危”、“高危”三类分类的识别率。从图中可以看出，当降维参数为0.91，基于线性核SVM 时，识别率最高，为61.67%。图7 为图像分块为11×11，PCA 降维参数从0.85 到0.99 时所对应的“低危”、“中高危两类分类的识别率。基于线性核SVM 时，获得了最高64.17%的识别率。总体来看，随着降维参数的变化，基于线性核和RBF 核，识别率基本在60%左右波动，进一步地验证了基于GLTP提取肝脏组织特征的有效性。

图6 不同降维参数下“低危”、“中危”、“高危”三类分类识别率

图7 不同降维参数下“低危”、“中高危”两类分类识别率

4.4 采用不同特征的实验结果

表4 为三种不同局部特征对“低危”、“中危”和“高危”三类图像的识别率，其中分块大小为9×9，降维参数为0.91。从实验结果可以看出，本文的方法相较于LBP和LTP模式获得了更高的识别率，更好地描述了肝脏的局部纹理。

表4 不同方法的三类识别率（单位：%）

5 结语

本文分析了不同等级肝功能的CT 图像，提出了一种基于梯度局部三值模式的肝功能分级方法，揭示了MELD 肝功能分级与CT 影像的潜在关系，对于临床诊断有一定的辅助和应用价值。未来的工作将基于以下两个方面进一步展开：1）增加实验数据量，建立更为完善的肝脏CT图像数据集；2）进一步研究肝脏CT 图像的纹理特点，提取出更具辨别力的特征，结合不同的肝功能评分标准，提高利用CT影像进行肝功能分级的准确性。