基于胰腺超聲內(nèi)鏡圖像多尺度分塊的分類研究

吳儀俊 余建國 劉巖 金震東

另一方面,隨著放射性粒子生產(chǎn)技術(shù)的改進、計算機技術(shù)的發(fā)展,以及放射性物理學(xué)、腫瘤學(xué)和放射生物學(xué)的研究進展,惡性腫瘤的放射治療已成為臨床上的主要手段之一。125I放射粒子腫瘤內(nèi)植入術(shù)是治療不能手術(shù)切除的晚期胰腺癌的一種較有效的姑息療法[3]。由于植入的粒子具放射性,亦可對正常組織造成傷害,故植入點應(yīng)盡可能接近病變區(qū)域。為了更好地進行粒子植入治療,希望得到目標區(qū)域內(nèi)較為精細的局部癌變組織的分布情況。而現(xiàn)有的分類方法,是提取一整塊較大區(qū)域進行判別,區(qū)域的大小變化不靈活,同時也無法給出取樣區(qū)內(nèi)部的局部分布信息[4-5]。

本研究旨在對胰腺超聲內(nèi)鏡圖像以分塊模式分類的方法,在圖像中顯示出較為精細的局部小塊區(qū)域中癌癥分布情況。為臨床診斷及治療粒子植入的位置等提供參考。

1 資料和方法

1.1 一般資料

實驗數(shù)據(jù)為長海醫(yī)院消化內(nèi)科提供的胰腺EUS圖像（超聲儀型號:OLYMPUS EndoEcho UM2000,探頭頻率7.5 MHz）。包括153幅胰腺癌圖像和63幅非胰腺癌圖像共216幅作為訓(xùn)練及測試樣本。所有胰腺癌病例均經(jīng)EUS-FNA細胞學(xué)檢查確診。EUS圖像上已由有經(jīng)驗的醫(yī)生勾畫出感興趣的區(qū)域。

1.2 研究方法

使用自行開發(fā)的軟件進行實驗,先在感興趣的區(qū)域中截取子圖; 再根據(jù)預(yù)先給定的尺度（len）,以正方形對其分塊（即正方形的邊長為len）,并進行特征提取和模糊分類; 最終得到圖像在分塊后的尺度下的胰腺癌概率,并在圖中顯示各小塊的分類結(jié)果。

1.2.1 已有的整塊圖像分類方法

先提取圖像的紋理特征。

目前醫(yī)院對于收入的控制措施更多地依賴于人工的審核，主要原因在于各系統(tǒng)、模塊關(guān)聯(lián)度不夠，信息單向流動未形成閉環(huán)，數(shù)據(jù)未能相互印證，因此醫(yī)院需對現(xiàn)行系統(tǒng)進行升級改造。由于醫(yī)院系統(tǒng)眾多，如果是一對一提供接口工程量大、成本高、可擴展性不強。醫(yī)院需要建設(shè)數(shù)據(jù)集成云平臺，由各類系統(tǒng)將各自數(shù)據(jù)提交給集成云平臺，同時從平臺上獲取其他系統(tǒng)提交的數(shù)據(jù)，實現(xiàn)數(shù)據(jù)的雙向流動，實現(xiàn)業(yè)務(wù)數(shù)據(jù)與收入數(shù)量相匹配。

圖像的紋理包含了人類視覺系統(tǒng)用于解釋和分析不同類型圖像的重要信息,一般指圖像基本元素在空間上的互相關(guān)聯(lián)與排列[2]。圖像的紋理特征種類繁多,已有的方法使用類間距等指標進行特征篩選,并綜合考慮軟件的實時性選擇了以下22個特征進行整塊圖像的分類[4-6]:

首先,選取圖像灰度均值特征。

其次,取20個灰度共生矩陣特征。他們都基于由Haralick等提出的圖像二階聯(lián)合概率分布的矩陣。本研究構(gòu)建0°、45°、90°、135°四個方向上的灰度共生矩陣,對每個矩陣提取能量、熵、慣性矩、相關(guān)、局部平穩(wěn)5個特征。

最后,選取分形特征。近年來,分形維數(shù)特征被廣泛應(yīng)用于模式識別和紋理分析,本研究采用二階多重分形維數(shù)特征,并使用差分數(shù)盒子法進行計算。

下面進行模糊分類。

對一個待識別的圖像u,共有2個類別:癌癥與非癌癥。即對這個對象的判別有2種選擇。在待識別圖像中提取的紋理特征所構(gòu)成的集合,對這2個類別都會有1個隸屬度A,即對癌癥和非癌癥分別為A1(u),A2(u)。,圖像u在某個類別下的隸屬度數(shù)值越大,則其屬于該類別的概率也越大[7]。

使用病例樣本圖像計算以上所述各個圖像紋理特征的均值和方差,并加上一定的權(quán)系數(shù),即可分別得到待識別圖像u對癌癥和非癌癥的隸屬度A1(u),A2(u)。最后輸出一個歸一化的評價結(jié)果:如結(jié)果越趨近于100%,說明是癌癥的可能性越大; 越趨近于0%,說明不是癌癥的可能性越大。

1.2.2 傅里葉功率譜方向性特征的引入

傅里葉功率譜方向性特征[8]的公式如下:

此特征在尺度較大時分類效果不明顯,但在尺度較小時效果較好,如圖1、2所示。

圖1 整塊較大尺度時傅里葉功率譜方向性特征的分類情況

圖2 分塊尺度較小時傅里葉功率譜方向性特征的分類情況

值得注意的是,此種特征的絕對值隨分塊大小的變化而變化; 而實際進行分類時,尺度是任意變化的。故本研究將得到的特征值再除以該尺度下這個特征的均值,這樣就使得其與分塊的大小無關(guān)。其中,各個尺度下這一特征的均值采用如下方法得到:

先使用上述的樣本分別計算癌癥和非癌癥類別在len為20、25、30、35、40、45和50（像素點）時這一特征的均值,再將得到的結(jié)果做多項式曲線擬合,如圖3,4所示。

圖3 非癌癥樣本的傅里葉功率譜方向性特征擬合曲線

圖4 癌癥樣本的傅里葉功率譜方向性特征擬合曲線

這樣就近似地得到了特征的均值隨分塊大小變化的函數(shù),分別為:

其中,αi、βi是多項式系數(shù),Mean_c和Mean_nc分別為癌癥或非癌癥的特征均值。

1.2.3 實驗過程

首先,在目標圖像中選取一個方形的感興趣區(qū)域,軟件會先對整塊區(qū)域進行胰腺癌或非胰腺癌的分類;接著會根據(jù)整塊分類的結(jié)果計算傅里葉功率譜方向性特征; 最后根據(jù)指定的分塊尺度重新對每一個小塊進行分類,將分類的結(jié)果（為癌癥的可能性）顯示在小塊的中央,并加上顏色調(diào)制便于觀察（紅色為可能性大于70%,黃色為可能性在40%～70%之間,綠色為可能性在40%以下）,同時亦可選擇將本次分塊分類的結(jié)果導(dǎo)出保存。分塊的len可以步進的方式改變,步長可任意指定,len變化后軟件能實時地更新結(jié)果并刷新顯示。

由于分塊len過小時大多數(shù)特征的分類效果都會變差,故在實驗時需要將1個尺度下所有分塊分類結(jié)果的均值與整塊分類的結(jié)果進行比較。如結(jié)果差別較大,則說明len過小,得到的分類結(jié)果不正確。此時,應(yīng)該增大len并重新分類。

2 結(jié)果

采用23組紋理特征,將所有分塊分類結(jié)果的均值作為分類結(jié)果,如均值大于50%則判為癌癥,小于50%則為非癌癥。將上面提到的共216幅病例圖像作為訓(xùn)練及測試樣本,進行了10次隨機實驗,在分塊尺度大于25（像素點）時,得到的分類正確率和原先整塊分類[4]的正確率相同,為96.11%。

對癌癥病例圖像進行分塊分類后,圖5～8中紅色較集中的區(qū)域即表示依照本研究的方法分類,癌癥可能性較高的區(qū)域,可為醫(yī)生的診斷以及粒子植入治療的位置提供一個參考。

3 討論

在實驗中發(fā)現(xiàn),上面提到的紋理特征隨著分塊len的變化而不同,其分類的效果也會有一定的改變。如灰度共生矩陣特征的分類效果會隨著分塊的變小而變差; 反之,傅里葉功率譜方向性特征的分類效果則會隨著尺度的變小而變好; 均值特征,二階多重分形特征對分塊尺度的變化不敏感。

所以在實驗中,對不同特征的權(quán)值,在分塊尺度變化時也給予1個線性的修正。即隨著分塊尺度的變小,灰度共生矩陣特征的權(quán)值逐漸變小,傅里葉功率譜方向性特征的權(quán)值逐漸變大; 而均值特征,二階多重分形特征的權(quán)值保持不變。

另外,由于癌癥與非癌癥的擬合函數(shù)有一定的差別,故此特征在計算時還需對目標圖像是否為癌癥先做1個初步的判斷。所以在分類時先用前面的22個特征做1次整塊圖像的分類; 再根據(jù)得到的結(jié)果,計算給定分塊尺度下的傅里葉功率譜方向性特征的值。

最后,針對是否使用本研究中的傅里葉功率譜方向性特征進行了對比實驗（分塊len為25個像素點）。發(fā)現(xiàn)對于癌癥圖像,使用了傅里葉功率譜方向性特征后分塊分類的均值更趨向于100%,且圖中紅色及黃色的區(qū)域亦趨增多。而對于非癌癥圖像,使用傅里葉功率譜方向性特征后分塊分類的均值更趨向近0%,且圖中的黃色區(qū)域較少,綠色區(qū)域較多?？梢娛褂眠@一特征的分類效果更好。給出了1組癌癥圖像和1組非癌癥圖像作為例子,如圖5～ 8所示。

圖5 癌癥病例,未使用傅里葉功率譜方向性特征,各分塊結(jié)果均值56.96%

圖6 癌癥病例,使用傅里葉功率譜方向性特征,各分塊結(jié)果均值64.89%

圖7 非癌癥病例,未使用傅里葉功率譜方向性特征,各分塊結(jié)果均值31.14%

圖8 非癌癥病例,使用傅里葉功率譜方向性特征,各分塊結(jié)果均值25.57%

本研究采用了計算機圖像處理及特征提取、模式分類的方法,對胰腺EUS圖像進行了可變尺度的分塊分類。得到了更為精細的局部癌癥可能性較高的區(qū)域,可輔助醫(yī)生進行診斷及指導(dǎo)治療粒子植入。這樣即能確保癌癥高風險區(qū)受到足夠的照射,又可將毗鄰正常組織受到的照射傷害降至最小。

另外,本研究中對不同尺度下各特征的權(quán)值修正方法比較簡單。尋求更為有效的修正方法則為今后研究的方向。

[1]楊杰,曲曉靜,鐘慧閩,等.超聲內(nèi)鏡引導(dǎo)下細針穿刺對胰腺癌的診斷價值[J].實用醫(yī)藥雜志,2007,24(10):1178-1179.

[2]張敏敏,金震東,蔡哲元,等.計算機輔助判別超聲內(nèi)鏡圖像診斷胰腺癌的實驗研究[J].中華消化內(nèi)鏡雜志,2009,26(4):180-183.

[3]Ducreux M,Boige V,Malka D.Treatment of advancedpancreatic cancer[J].Seminars in oncology,2007,34(11):25-30.

[4]蔡哲元,余建國,張敏敏,等.胰腺內(nèi)鏡超聲圖像紋理特征提取與分類研究[J].生物醫(yī)學(xué)工程學(xué)進展,2008,29(3):141-145.

[5]ZhangMM,YangH,Jin ZD,et al.Digital imaging processing andclassificationbased on support vector machine of EUS images differentiate pancreatic cancer from normal tissue accurately:a pilot study[J].Gastrointestinal Endoscopy,2010,72(5):978-985.

[6]Xia Y,FengD,Zhao R.Morphology-Based Multifractal Estimat-ion for Texture Segmentation[J].IEEE Trans Image Process,2006,15(3):614-623.

[7]陳水利,李敬功,王向公,等.模糊集理論及其應(yīng)用[M].北京:科學(xué)出版社,2005:170-175.

[8]Lendaris GO,Stanley GL.Diffraction pattern sampling for automaticpattern recognition[J].Proceedings of the IEEE,1970,58(4):198-216.