基于小波包变换的肝脏超声图像检测方法研究

杨 青，周晓芸

（1.南京市职业病防治院，南京210042；2.南京理工大学计算机科学与技术学院，南京210014）

0 引言

脂肪性肝病包括一系列以甘油三酯在肝细胞胞浆内积聚为特征的疾病，其与肥胖、胰岛素抵抗和代谢综合征有关。脂肪肝是全球最常见的慢性肝病之一，肝活检被认为是评估肝脏脂肪浸润的金标准，但活检的侵入性和成本较高，对患者造成的创伤较大。超声成像具有无放射性、无创、价格低廉、易于操作等优点，因此是脂肪肝的首选诊断方法[1-2]。

迄今为止，为了帮助诊断和检测脂肪肝，国内外学者提出了不同的方案。肝脏分割、特征提取和分类是基于超声图像的计算机辅助诊断（computer aided diagnosis，CAD）的主要步骤[3-4]。对肝脏图像进行区域分割的方法有多种，人工手动方法居多，还有一些半自动和自动方法。手动分割方法需要医学专家确定感兴趣区（region of interest，ROI），然后再由计算机进行运算处理；而自动分割方法需要用户输入的信息量很少，且不需要医学专家的帮助。刘晓虹等[5]首先对肝脏CT 图像进行预处理，并手动提取正异常ROI区域，然后学习生成稳定边缘模式的阈值，在测试阶段，使用广义Hough 变换对具有代表性的模板进行ROI 检测。赵万明[6]提出了一种半自动提取ROI 的方法：在训练阶段，从训练的超声图像中手动提取一部分ROI 来训练分割系统，然后提取最佳的ROI，通过分类器将图像分为正常肝图像、脂肪肝图像和异质性肝图像。使用CAD 系统的目的是尽量减少用户干预，因此首选自动方法。宋璟璟等[7]提出了一种自动提取ROI 的方法检测肝脏表面，即将肝脏实质超声图像分解为包含纹理信息的斑点图像以及包含肝脏强度和解剖信息的去斑点图像，而有效的ROI 不应包括肝血管、胆汁储存等异常区域[5]。但该方案缺乏对异常区域的消除，所以效率不高。Gaber 等[8]提出了一种使用超声图像诊断肝脏疾病的非侵入性方法，通过特征提取、特征选择和分类3 个步骤将肝脏组织分类为正常肝、脂肪肝或异质性肝3 类，具体步骤如下：首先，确定相关性、同质性、方差、熵和标准偏差；其次，基于Fisher 判别选择最有效的特征；最后，使用3 个基于投票的子分类器进行肝脏分类。该非侵入性方法结合了2 种不同的特征选择方法，避免了采用一种方法的局限性。Gaber 等[8]提出的基于超声图像诊断肝脏疾病的非侵入性方法对异质性肝、脂肪肝、正常肝的识别敏感度分别为94.7%、93.3%、96.4%，其性能优于其他现有方法，但是该方法选择最有效特征的过程是手动进行的，人工成本较高。

本研究提出一种基于小波包变换（wavelet packet transform，WPT）的肝脏超声图像检测方法，该方法利用小波包变换提取统计特征，然后使用层次分类方法将获得的肝脏超声图像进行分类，实现正常肝、脂肪肝和异质性肝超声图像的高敏感度检测，以期为肝脏超声图像纹理分析和疾病诊断工作提供指导。

1 肝脏图像分类流程

首先，对超声图像进行采集；其次，分别进行图像分割、小波包变换、特征提取、层次分类，从而确定患者是否有肝脏疾病；最后，采用层次分类方法对肝脏进行分类，并使用k-近邻算法（k-nearest neighbor，k-NN）和支持向量机（support vector machines，SVM）2 个分类器分别进行分类测试。图1 为基于小波包变换的超声图像检测方法框图。

图1 基于小波包变换的超声图像检测方法框图

1.1 图像采集

从开源GitHub 医学影像数据集中随机选取88幅受试者的超声图像，其中包括30 幅脂肪肝图像、39 幅正常肝图像和19 幅异质性肝图像，图像大小均为560×450 像素。所有图像均由东芝SSA-550A超声诊断仪（带有凸探头，成像频率为5 MHz）扫描得到。

1.2 图像分割

首先，对肝脏的超声图像进行裁剪，提取靠近中央叶的宽区域，并去除主要部分周围的黑色区域，目的是降低计算成本[9-10]。其次，将宽区域划分为9 个大小相等的相邻块[如图2（a）所示]；将划分延续到下一级，每2 个第一级分区的块体相互重叠，形成12 个块体，在水平和垂直方向彼此相邻，如图2（b）、（c）所示；在第三级分区中，在第一级分区的每4 个相邻块的交点处形成4 个块，如图2（d）所示。最后，指定25个相等的重叠块。为了找到合适的ROI，在每个块的中心选取64×64 像素区域，因此，对于每张超声图像，可获得大小为64×64 像素的25 个ROI。然而，若将所有ROI 都用于分类，不仅效率低下，还增加计算成本。因此，在预处理阶段，使用线性SVM 分类器进行分类，经分类处理后，选择8 个最佳ROI。线性SVM分类器具有速度快、计算量小的优点，因此，选择合适的ROI 不会显著影响训练阶段的计算成本和速度。

图2 图像分割步骤

1.3 小波包变换和特征提取

特征提取可以在空间域和变换域中进行。在变换域中使用纹理描述符更合理。由于人类视觉系统以多尺度方式处理图像[11]，因此尺度是纹理分析的主要关注点。

在小波包变换中，先将图像I（x，y）分解为近似（a）、水平（h）、垂直（v）和对角（d）4 个子带，直至分解到所需层级。小波包变换的第二级分区分解结果为16 个子带，如图3（a）所示。图3（b）为第一级和第二级分区小波包分解后的肝脏超声图像。之所以使用小波包变换对超声图像进行分析，是因为在分解后的图像中和不同的频率级别上都可以很容易地分析超声图像的纹理特征[12]。

图3 小波包变换的分解结果及小波包分解后的肝脏超声图像

如图3（a）所示，在分解的第一级分区和第二级分区中分别获得4 个子带和16 个子带，总共得到20 个子带，从这20 个子带中提取所需的特征。此外，还对原始ROI 进行特征提取。因此，特征是从空间域中的原始ROI 和变换域中的小波包变换子带中提取的。

从小波包变换系数中提取的特征包括中值、标准差和四分位范围。图像的中值表示将图像窗口中像素强度的上半部分与下半部分分开的强度数值。脂肪肝超声图像的中值高于正常肝图像的中值[13-15]，其原因是脂肪堆积导致回声增强，这一特征也存在于超声脂肪肝图像的小波包变换子带中。标准差表示与平均值的偏差。四分位范围用于表征离散度，上、下限分别为上四分位数和下四分位数。图像的标准差和四分位范围表示超声纹理的规则性或平滑度，这2 个特征是区分肝脏局灶性和弥漫性病变的良好指标。

1.4 层次分类

为了对正常肝、脂肪肝和异质性肝进行区分，本研究提出了一种层次分类方案。在正常情况下，肝脏的2 个叶都是均匀清晰的，而脂肪肝的超声图像显示至少有1 个叶被脂肪均匀堆积[16-17]。然而，在异质性肝（如恶性肿瘤）的超声图像中，只有一小部分肝脏受到影响。因此，脂肪肝可以归为弥漫性病例，而非均匀病例归为局灶性病例（非均匀病例就是脂肪在肝细胞内不均匀堆积，发生在肝细胞的某叶或者某个部位，而未引起所有肝细胞的脂肪浸润）。为了得到分层方案，在第一个分类步骤中，区分局灶性和弥漫性，如果肝脏被分类为弥漫性病例，则在第二个分类步骤中区分脂肪肝和正常肝。

在每一个步骤中，使用k-NN 和SVM 2 个分类器进行分类测试。SVM 的目的是找到与最近的训练模式有最大距离（裕度）的决策平面[18-19]。为了实现这一目标，在某些特殊情况下，SVM 将特征向量映射到高维空间，在这个空间中，SVM 找到1 个超平面，基于支持向量设置的决策边界将局灶性和弥漫性病例分类。适当的核函数可以增加分类的准确率，因此本文采用基于多项式核的二值SVM 分类器。k-NN分类器使用最小欧几里得距离准则，根据测试样本在特征空间中的最近邻样本对测试样本进行分类。

2 实验验证

根据数据集中选择的图像，通过3 个实验对基于小波包变换的超声图像检测方法的性能进行验证。在实验一中，对自动选择的ROI 进行测试，并与手动选择的ROI 结果进行比较。在实验二中，将所提出的分层方案与所有非分层方案进行比较。实验三将30%的数据集作为测试图像、70%的数据集作为训练图像，使用留一法交叉验证（leave one out cross validation，LOOCV）方法验证该方法的性能。在LOOCV 方法中，保留一个案例作为测试集，其余的数据作为训练集，重复这个过程，以便每个案例都有机会作为测试用例。

2.1 实验一：自动选择ROI

实验一是评估ROI 自动选择的能力。该实验在25 个重叠块上进行，在每个块的中心选择64×64 像素区域，总共形成25 个ROI，并选择8 个最佳ROI。与文献[8]的手动ROI 选择方法相比，自动选择ROI法在不降低分类性能的情况下具有明显的简便性和较低的计算成本。

2.2 实验二：层次分类

实验二是验证层次分类方案的有效性。第一步，将弥漫性病例和局灶性病例分别标记为类1 和类2；第二步，重复将脂肪肝类别标记为类1，将正常肝类别标记为类2。采用LOOCV 方法，利用SVM 和k-NN分类器对选定的ROI 进行检测，自动选择ROI 时检测的敏感度和阳性预测值（positive predictive value，PPV）见表1。

表1 自动选择ROI 时检测的敏感度和PPV 单位：%

从表1 可以看出，自动选择ROI 后，基于小波包变换的超声图像检测方法是可靠的，可以用于基于超声图像的脂肪肝和异质性肝的实际诊断。

2.3 实验三：划分测试图像和训练图像

实验三增加测试样本的数量，以便更准确地评估该方法。使用在GitHub 数据集中随机选取的88 张受试者的超声图像，随机划分为30%的测试图像和70%的训练图像。为了达到这一目标，对26 幅测试图像和62 幅训练图像进行分类。该实验中，使用了25个重叠块。手动选择ROI 时检测的敏感度和PPV 见表2。比较表1 和表2 可知，除正常肝外，自动选择ROI时检测的敏感度和PPV 均高于手动选择ROI 各类别的敏感度和PPV。

表2 手动选择ROI 时检测的敏感度和PPV 单位：%

与文献[8]中基于超声图像诊断肝脏疾病的非侵入性方法相同，使用LOOCV 方法对实验一和实验二中分类器的性能进行评价，以便与其结果进行比较。文献[8]中使用了一种半自动方法，在每个超声图像中选择合适的ROI，并手动选择最有效的特征，从而对肝脏图像进行分类。本研究通过敏感度、PPV 对基于小波包变换的超声图像检测方法和文献[8]方法的性能进行对比，结果见表3。

表3 本文方法与文献[8]方法检测肝脏图像的结果对比 单位：%

从表3 可以看出，无论是敏感度还是PPV，基于小波包变换的超声图像检测方法的检测性能均高于基于超声图像诊断肝脏疾病的非侵入性方法[8]，表明了提出方法的有效性。

在基于超声图像诊断肝脏疾病的非侵入性方法中[8]，选择最有效特征的过程是手动进行的，而本文中选择ROI 的方法是完全自动的，且计算成本较低。相比之下，基于小波包变换的超声图像检测方法自动选择适当的ROI，无需医疗专家或相关人员的帮助，在较大程度上提高了效率。

3 结语

本研究提出了一种基于小波包变换的肝脏超声图像检测方法，该方法利用小波包变换提取统计特征，可自动选择肝脏超声图像中的ROI。通过LOOCV方法比较提出方法与文献[8]方法的性能，结果表明，基于小波包变换的超声图像检测方法的总PPV 较高，证明了层次分类方案的有效性。该方法的另一个优点是完全自动选择ROI，使计算成本显著降低。然而，本文提出的方法未对脂肪肝的等级进行分类，这也是下一步研究的重点。