紋理分析的肺部結節(jié)分類算法的研究

王艷梅

(沈陽理工大學 信息科學與工程學院，遼寧 沈陽 100159)

紋理分析的肺部結節(jié)分類算法的研究

王艷梅

(沈陽理工大學 信息科學與工程學院，遼寧 沈陽 100159)

為了突破醫(yī)學影像診斷學依據(jù)醫(yī)學征象進行定性診斷準確度不高的瓶頸，針對肺部CT圖像結節(jié)良性惡性的分類問題，提出了利用圖像的紋理特征進行快速準確診斷的計算機輔助診斷方法。采用區(qū)域生長法從肺部CT圖像中分割病灶，利用灰度共生矩陣提取紋理特征，然后利用支持向量機構造良性惡性分類器，最后通過測試樣本集對經過訓練后的SVM分類器進行測試以評價分類性能，實現(xiàn)了對良性結節(jié)和惡性結節(jié)的快速分類。

CT圖像；灰度共生矩陣；支持向量機；良性惡性分類器

肺結節(jié)(Pulmonary nodules)是邊界清楚的、影像學不透明的、直徑≤3cm、周圍完全被含氣肺組織包繞的單發(fā)或多發(fā)的肺部結節(jié)，不伴有肺不張、肺門腫大和胸腔積液。肺結節(jié)是肺部最常見的病變之一，可以是良性病變也可以是惡性病變(肺癌)[1]。在診斷不明確而手術切除的結節(jié)中約有一半是良性[2]，而即使是惡性結節(jié)，因為未累積支氣管而致痰細胞學及纖維支氣管鏡檢查均難有陽性發(fā)現(xiàn)[3]，由此可以看出肺部結節(jié)的良惡性早期診斷是非常重要的，對病人的愈后關系重大。肺部結節(jié)良惡性分類系統(tǒng)主要由三個部分組成：圖像分割、特征提取、分類判斷。傳統(tǒng)的醫(yī)學圖像特征提取方法過度依賴醫(yī)學征象以及邊緣檢測和對指定區(qū)域的邊緣特征的提取，而這些不能充分反映醫(yī)學圖像底層的本質特征。本文使用灰度共生矩陣方法對肺部結節(jié)底層的紋理特征進行提取[4]，充分反映了圖像的灰度值和灰度分布兩個方面的特征，可為醫(yī)生的醫(yī)學及正確的診斷提供有效依據(jù)。

1 區(qū)域生長法圖像分割

多年來人們一直非常重視醫(yī)學圖像分割算法的研究，它是醫(yī)學圖像可視化處理、醫(yī)學圖像三維重建和計算機輔助治療的前提。圖像分割算法種類繁多，但和一般圖像相比，由于醫(yī)學圖像在成像過程中會受到例如噪聲、場偏移效應以及相關組織運動對成像的影響等，可能會使得圖像各組織的邊緣產生模糊，組織區(qū)域灰度不均勻等，這些會增加醫(yī)學圖像分割的難度。本文采用區(qū)域生長法，它的基本思想是從圖像的某個像素點出發(fā)，按照一定的規(guī)則對目標進行提取，最后得到預定區(qū)域。在需要分割的區(qū)域選定一點為種子像素，按照一定的規(guī)則向周圍延伸，找到周圍和它相同或相似的像素，并合并進來得到新的區(qū)域，重復這一過程直到沒有新的像素被合并進來。區(qū)域生長法的優(yōu)點是方法簡單，特別適用于分割小的結構如腫瘤和傷疤[5]。其缺點是需要人為設置種子像素點。圖1為具有良性結節(jié)和惡性結節(jié)的CT圖像。運行圖像分割程序后，首先顯示要分割的CT圖像，在結節(jié)處單擊鼠標左鍵選定種子像素點，回車后繼續(xù)執(zhí)行程序，在種子像素點附近尋找新的像素，直到沒有新的像素進來為止，同時顯示分割后的圖像。閾值選取的不同可能會造成生長提前終止的欠分割和生長終止延后的過分割。通過試驗比較，選取閾值為30，此時分割后的肺部良性結節(jié)如圖2a，惡性結節(jié)如圖2b所示。

圖1 良性結節(jié)和惡性結節(jié)的CT圖像

(a)良性結節(jié) (b)惡性結節(jié)

2 灰度共生矩陣及肺部結節(jié)紋理特征提取

紋理是普遍存在的一種視覺現(xiàn)象，是由彼此相互接近、編織在一起的元素組成，體現(xiàn)了物體表面的結構信息，通常具有一定的周期性，在圖像分類和識別中得到了廣泛的應用。不同性質的圖像具有不同的紋理特征，利用這一特點可以將目標圖像從背景中提取出來。紋理特征提取的目標是：提取的紋理特征維數(shù)不大、提取計算過程中工作量小、識別能力強、穩(wěn)健性能好，并且能夠指導實際應用。在CT圖像中，不同的組織灰度等級不同，每種組織的灰度分布范圍也不同，灰度的不斷變化形成了紋理。肺部結節(jié)的低層本質特征可以通過肺部CT圖像的紋理特征體現(xiàn)出來，這是影像醫(yī)生無法用肉眼觀察的圖像信息，所以紋理特征經常被利用進行肺結節(jié)的分類。

灰度直方圖經常被用來表示圖像的灰度分布，由于灰度直方圖是對每個等級的灰度分別進行處理，不能反映出灰度等級之間的相關性。把空間中具有一定距離的兩個像素之間的某種灰度關系稱為灰度的空間相關特性，即需要研究圖像中兩個像素灰度級的聯(lián)合分布的統(tǒng)計形式。而用灰度共生矩陣(grey level co-occurrence matrix)可以很好地描述這種紋理特征[6]。

灰度共生矩陣被定義為從灰度為i的點(x1,x2)離開某個空間位置關系δ=(Dx,Dy)的點上的灰度為j(y1,y2)的概率Pδ，i、j代表兩個像素的灰度，圖像的灰度級用K表示，δ表示兩個像素間的固定位置關系，θ為灰度共生矩陣的生成方向，通常取0°、45°、90°、135°四個方向，Dx、Dy為偏移量。

Pδ(i,j,δ,θ),(i,j=0,1,2,…，K-1)

(1)

在計算得到灰度共生矩陣的基礎上計算紋理特征量，本文采用三個最常用的特征來提取圖像的紋理特征[7]

1)二階距(能量)

(2)

二階距也稱為能量，是灰度共生矩陣各個元素值的平方和。如果矩陣的所有值均相等，則ASM值小，可以理解為紋理含有較少的能量。相反如果某些值大某些值小，則ASM值大，也即它含有較大的能量[8]。ASM值大也表明圖像是較均勻和規(guī)則變化的紋理。ASM值的大小能反映圖像灰度的分布均勻程度和紋理的粗細程度

2)對比度

(3)

對比度測量了矩陣的值的分布情況。它表示圖像紋理溝紋的深淺以及清晰度，圖像對比度小，表示圖像紋理的溝紋淺，圖像模糊；相反，對比度大，表示圖像紋理的溝紋深，圖像清晰。

3)相關

(4)

相關是用來描述灰度共生矩陣中的元素在列方向(或行方向)的相似程度，是對圖像灰度線性關系性的描述[9]。

3 肺部結節(jié)分類識別

3.1 參數(shù)尋優(yōu)

采用支持向量機對良性惡性結節(jié)進行分類識別。支持向量機中的核函數(shù)及其參數(shù)的選擇直接影響SVM分類器的性能[10]，合理選擇核函數(shù)參數(shù)對SVM的影響甚至超過了選用何種核函數(shù)所造成的影響，通過試驗選取RBF為核函數(shù)。對RBF核函數(shù)中的參數(shù)c、g的尋優(yōu)結果如圖3所示。

圖3 RBF核函數(shù)參數(shù)尋優(yōu)選取c、g

3.2 分類識別

首先按下訓練按鍵調用訓練程序對所有的樣本進行訓練，然后利用測試集測試模型，多次進行訓練和測試，選擇最好的一個精度為模型精度，將其訓練結果即得到的支持向量機的模型儲存在結構體model中，然后單擊打開按鍵調用打開圖像程序打開一幅圖像(待判定的結節(jié))如圖4所示，最后單擊識別按鍵調用識別程序利用前面獲得的模型進行識別，識別結果顯示如圖5所示。

圖4 打開一幅待判定的結節(jié)圖像

圖5 識別結果

4 實驗結果與分析

實驗選取經過病理分析驗證的CT圖像。從CT圖像中分割出的良性結節(jié)和惡性結節(jié)各60例，分為訓練集和測試集。良性結節(jié)中選取前30例作為訓練樣本，后30例作為測試樣本。對訓練集進行訓練的仿真界面如圖6所示。惡性結節(jié)中也選取前30例作為訓練樣本，后30例作為測試樣本。

一般圖像的灰度級為256級，級數(shù)太多會導致得出的灰度共生矩陣大，計算量大[11]，對于灰度級K的選取，決定了GLCM的計算規(guī)模。為了解決這一問題，在生成灰度共生矩陣前，往往需要對圖像灰度級進行壓縮。適當?shù)亟档突叶燃壖瓤梢詼p少噪聲的影響，還可以減少存儲空間、提高計算速度?；叶燃夁x取的太小可能會破壞有用的紋理成分，故本次試驗灰度等級選取為8。表1列選了10個惡性結節(jié)的三類典型的紋理特征，灰度共生矩陣選取0°、45°、90°、135°四個方向。

圖6 對訓練集進行訓練的仿真界面

表1 10個惡性結節(jié)的紋理特征值

從表1可以看出，COR值大于其余矩陣的COR值，說明分割后的這些圖像具有明顯的水平方向的紋理。

表2 良性結節(jié)與惡性結節(jié)紋理特征對比

從表2可以看出，良性結節(jié)的ASM值比較大，圖像均勻，紋理變化規(guī)則，而惡性結節(jié)的ASM值比較小，圖像不均勻，紋理變化不規(guī)則。

5 結論

提出了一種基于紋理特征分析的肺部結節(jié)良惡性分類方法。選取經過病理學證實的肺部良性結節(jié)和惡性結節(jié)的CT圖像，用區(qū)域生長法對圖像進行分割，對分割后的圖像通過提取圖像的灰度共生矩陣，選擇二階距，對比度作為主要指標描述結節(jié)的均勻程度和紋理變化規(guī)則，用支持向量機對其進行訓練、分類，以達到早期良性結節(jié)和惡性結節(jié)分類識別的目的，可為醫(yī)生正確診斷提供有效的依據(jù)。

[1]崔云，馬大慶.肺結節(jié)的CT計算機輔助檢測和診斷的基本方法和應用[J].中國醫(yī)學影像技術，2007，23(3)：469-472.

[2]劉露，劉宛予，楚春雨，等.胸部CT圖像中孤立性肺結節(jié)良惡性快速分類[J].光學精密工程，2009，17(8)：2060-2067.

[3]張長春，楊傳東，蔡民，等.評價研究肺內孤立性球形結節(jié)CT直接和間接征象在鑒別其良惡性中的診斷價值[J].中國醫(yī)療，2008，7(1)：16-18.

[4]鞏萍，王阿明.基于灰度共生矩陣和人工神經網(wǎng)絡的肺癌CT圖像的分類研究[J].生物醫(yī)學工程與臨床，2013，17(6)：552-556.

[5]林瑤，田捷.醫(yī)學圖像分割方法綜述[J].模式識別與人工智能，2002，15(2)：192-204.

[6]Haralick R M，Shanmugam K.Texture features for image classification[J].IEEE Trans.on Sys，Man，and Cyb，1973，SMC-3(6)：610-621.

[7]郭德軍，宋蟄存.基于灰度共生矩陣的紋理圖像分類研究[J].林業(yè)機械與木工設備，2005，7(33)：21-23.

[8]高程程，惠曉威.基于灰度共生矩陣的紋理特征提取[J].計算機系統(tǒng)應用，2010，19(6)：195-198.

[9]楊凱陟，程英蕾.基于灰度共生矩的SAR圖像紋理特征提取方法[J].電子科技，2011，24(10)：66-69.

[10]劉洋，趙犁豐，徐浩.基于改進支持向量機的醫(yī)學圖像分割[J].現(xiàn)代電子技術，2013，36(4)：47-50.

[11]王克奇，陳立君，王輝，等.基于空間灰度共生矩陣的木材紋理特征提取[J].森林工程，2006，22(1)：24-26.

(責任編輯：馬金發(fā))

Pulmonary Nodules Classification Algorithm Based on Texture Analysis

WANG Yanmei

(Shenyang Ligong University，Shenyang 110159，China)

In order to break the bottleneck that the accuracy of medical imaging diagnosis is not high for qualitative diagnosis by medical signs,a diagnosis method based on image texture feature for quick accurate diagnosis of computer aided is put forward in allusion to Lung nodules benign malignant classification problem of CT images.Region growing method is used to segmentation lesions from Lung CT image,and level co-occurrence matrix is applied to extract the texture features,and then support vector machine is adopted to structure quality classifier.At last,the classification performance of trained SVM classifiers is evaluated by testing sample sets,realizing fast classification between benign nodules and malignant nodules

CT images;GLCM;SVM;quality classifier

2014-10-13

遼寧省高等學?？萍加媱濏椖?L2013084)

王艷梅(1969—)，女，副教授，研究方向：模式識別與智能控制.

1003-1251(2015)04-0090-05

TP391.41

A