基于紋理特征的肝硬化MRI分期

竇樂(lè)昕，劉惠

大連理工大學(xué) 生物醫(yī)學(xué)工程系，遼寧大連 116024

基于紋理特征的肝硬化MRI分期

竇樂(lè)昕，劉惠

大連理工大學(xué) 生物醫(yī)學(xué)工程系，遼寧大連 116024

借助MRI影像的計(jì)算機(jī)輔助診斷已逐漸被應(yīng)用于肝硬化分期研究中。為了提高分期的準(zhǔn)確率，本文基于MR8濾波器組的紋理特征提取對(duì)肝硬化MRI分期，構(gòu)建了一個(gè)適用于肝硬化MRI的T1、T2、動(dòng)脈期、門(mén)靜脈期和平衡期五種序列圖像的分期系統(tǒng)。MR8濾波器組具有響應(yīng)維度低和旋轉(zhuǎn)不變性等優(yōu)點(diǎn)，因此，本文利用MR8紋理特征構(gòu)建紋理基元統(tǒng)計(jì)直方圖將肝硬化分為三個(gè)階段，分別為正常、早期和中晚期。與經(jīng)典的灰度共生矩陣（GLCM）的紋理特征提取方法相比，MR8濾波器組紋理特征對(duì)每一序列肝硬化的分期準(zhǔn)確率均高于GLCM方法，其中T2和平衡期，三個(gè)階段的ROI分期準(zhǔn)確率均達(dá)到100%；在此基礎(chǔ)上，將五個(gè)序列的分類(lèi)結(jié)果進(jìn)行融合，最終病例的分期準(zhǔn)確率也達(dá)到100%。

MR8濾波器組；肝硬化MRI；紋理基元統(tǒng)計(jì)直方圖；灰度共生矩陣

0 前言

紋理是圖像的一種重要特征，是圖像的灰度統(tǒng)計(jì)信息、空間分布信息和結(jié)構(gòu)信息的綜合反映[1]，反映的是圖像中同質(zhì)現(xiàn)象的視覺(jué)特征，能夠體現(xiàn)物體表面的內(nèi)在屬性，同時(shí)也包含物體表面結(jié)構(gòu)組織排列的重要信息以及它們與周?chē)h(huán)境的聯(lián)系[2]?；诖?，紋理被認(rèn)為是幾乎所有圖像的表面特性。近幾年，紋理分析在圖像分析、紋理圖像分類(lèi)[3-4]中應(yīng)用廣泛。紋理特征提取和分類(lèi)是紋理分析的重要研究?jī)?nèi)容，在模式識(shí)別和計(jì)算機(jī)視覺(jué)領(lǐng)域中占有重要的地位。紋理分類(lèi)中考慮的是圖像中一個(gè)區(qū)域內(nèi)的紋理，而這區(qū)域內(nèi)的紋理不僅描述了特定像素，同時(shí)也描述了這一像素和周?chē)袼刂g的關(guān)系。紋理分類(lèi)的基本內(nèi)容為利用紋理特征提取方法獲得紋理特征，利用合適的分類(lèi)器進(jìn)行分類(lèi)。

近30年來(lái)，諸多學(xué)者提出了不同的紋理特征提取和分類(lèi)方法，可總結(jié)為3類(lèi)[5]：① 統(tǒng)計(jì)的方法：由于圖像灰度不同，通過(guò)統(tǒng)計(jì)圖像灰度級(jí)的階數(shù)，能夠?qū)D像進(jìn)行分類(lèi)識(shí)別，較為典型的是Haralick等[6]在1973年提出的基于灰度共生矩陣（Gray Level Co-occurrence Matrix，GLCM）的紋理特征提取方法。GLCM是指在θ方向上，相隔為d個(gè)像素的一對(duì)像素為灰度級(jí)i和j的概率。顯然，GLCM是距離和方向的函數(shù)，是一個(gè)對(duì)稱矩陣，由圖像中的灰度級(jí)決定[2]。GLCM的紋理特征是在GLCM的基礎(chǔ)上，推導(dǎo)出的一系列可以代表圖像紋理特征的參數(shù)，其中最為經(jīng)典的為14種紋理特征，角二階矩、對(duì)比度、逆差矩、和平均、相關(guān)性、和方差、方差、互信息度量、和熵、差平均、熵、差熵、最大相關(guān)系數(shù)1和2。由于GLCM能夠很好地反映圖像的空間灰度分布情況，并且不受分析圖像的約束，充分的體現(xiàn)了圖像的紋理特征，所以得到了廣泛應(yīng)用[4]?；贕LCM特征的神經(jīng)網(wǎng)絡(luò)分類(lèi)是較常用的紋理分類(lèi)方法，但是GLCM紋理特征提取時(shí)需要事先做出假設(shè)，包括角度和步長(zhǎng)，這會(huì)使得提取的特征失去圖像的部分信息。而且使用神經(jīng)網(wǎng)絡(luò)分類(lèi)器時(shí)，需要一定量的數(shù)據(jù)才能訓(xùn)練出較好的分類(lèi)模型；② 基于模型的方法：其原理是基于隨機(jī)場(chǎng)中的概率分布情況來(lái)描述圖像的紋理特征，常用的隨機(jī)場(chǎng)包括馬爾科夫鏈[7]和馬爾可夫隨機(jī)場(chǎng)（Markov Random Fields，MRFs）[8-9]，其中MRFs用的較多；③ 信號(hào)處理方法：信號(hào)處理即濾波，這類(lèi)方法首先對(duì)紋理圖像進(jìn)行濾波，通過(guò)分析濾波圖像的特征來(lái)進(jìn)行紋理分析。最初提取特征用得較多的是Gabor濾波器，小波分析濾波器等等。信號(hào)處理方法關(guān)鍵在于濾波器的選擇，近十幾年來(lái)，Leung and Malik[10]提出的LM濾波器、Schmid[11-13]提出的S濾波器和Varma等[14-16]提出的MR8濾波器是較為常用的濾波器組。實(shí)驗(yàn)表明這三種濾波器組中分類(lèi)效果較好的是MR8濾波器組[3,14-15]。

紋理分析算法目前已被應(yīng)用在紋理圖像的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)如Columbia-Utrecht（CUReT）數(shù)據(jù)庫(kù)或者UIUC數(shù)據(jù)庫(kù)中，已較為成熟?？紤]到不同肝硬化MRI圖像呈現(xiàn)的特定紋理表現(xiàn)，本文利用紋理分析中的濾波器方法對(duì)肝硬化MRI進(jìn)行分類(lèi)判別。標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)中紋理圖像的大小一般為200×200（像素），本文用到的肝硬化的感興趣區(qū)域（Region of Interest，ROI）較小，本文通過(guò)調(diào)整MR8濾波器的參數(shù)來(lái)構(gòu)建適用于肝硬化MRI的紋理分期系統(tǒng)。

本文所構(gòu)建的肝硬化分期系統(tǒng)由五部分組成，分別是ROI提取、MR8特征提取、構(gòu)建紋理基元、構(gòu)建紋理基元統(tǒng)計(jì)直方圖及統(tǒng)計(jì)直方圖匹配。利用該系統(tǒng)對(duì)肝硬化MRI分期，該方法易于理解，分期效果良好。

1 材料和方法

1.1 材料

本文中所用到的數(shù)據(jù)均來(lái)自大連醫(yī)科大學(xué)第二附屬醫(yī)院放射科，共55例。肝硬化MRI包含了五種序列，分別為T(mén)1、T2、動(dòng)脈期、門(mén)靜脈期和平衡期（表1）。

表1 肝硬化數(shù)據(jù)

1.2 基于MR8濾波器組紋理特征肝硬化分期系統(tǒng)

最近十幾年，紋理特征提取中應(yīng)用較為廣泛的是基于MR8濾波器組的紋理特征提取算法，該算法常被用于標(biāo)準(zhǔn)紋理數(shù)據(jù)庫(kù)的分類(lèi)中。本文將MR8濾波器組的紋理特征提取方法應(yīng)用在肝硬化中。肝硬化MRI與標(biāo)準(zhǔn)紋理數(shù)據(jù)庫(kù)中的數(shù)據(jù)相比圖像大小較小，因此濾波器的選擇和參數(shù)調(diào)整至關(guān)重要。MR8濾波器組由38個(gè)濾波器組成，其中包括2個(gè)各向同性濾波器分別為高斯（Gauss）濾波器和拉普拉斯高斯（Laplace of Gaussian，LOG）濾波器，這兩個(gè)濾波器同在σ=10的尺度上；還包括36個(gè)各向異性濾波器，由6個(gè)方向3個(gè)尺度分別為(σ,σ)={(1,3)，(2,6)，(4,12)}的一階微分高斯濾波器和分割微分高斯濾波器組成見(jiàn)圖1。其中，Gauss濾波器和LOG濾波器的響應(yīng)直接應(yīng)用，而一階分割和一階微分高斯濾波器則分別選取6個(gè)方向上最大的濾波器響應(yīng)值作為最終的響應(yīng)，共包含8個(gè)響應(yīng)。這樣的濾波器組響應(yīng)維度很小且具有旋轉(zhuǎn)不變性。

圖1 MR8濾波器組成

傳統(tǒng)的旋轉(zhuǎn)不變性濾波器難以對(duì)具有方向性的紋理圖像產(chǎn)生較強(qiáng)響應(yīng)，而MR8濾波器組因同時(shí)包含各向同性和各向異性濾波器，克服了這一缺陷，而且MR8濾波器組只有8維響應(yīng)維度，能夠省去特征選擇，大大降低了計(jì)算復(fù)雜度[15]。

基于MR8濾波器組的肝硬化MRI分期算法主要包括以下幾個(gè)部分：ROI的提取、濾波器的生成和特征提取、訓(xùn)練數(shù)據(jù)構(gòu)建紋理字典、訓(xùn)練數(shù)據(jù)構(gòu)建紋理基元統(tǒng)計(jì)直方圖模型、測(cè)試數(shù)據(jù)構(gòu)建紋理基元統(tǒng)計(jì)直方圖模型、統(tǒng)計(jì)直方圖匹配。算法流程見(jiàn)圖2。

1.2.1 ROI提取

ROI是指具有明顯病變的影像區(qū)域，ROI提取是指從正常器官或組織結(jié)構(gòu)中提取可疑的病變部位或可以代表整個(gè)器官組織病變的部分，ROI中不能包括影響之后特征提取和分期等操作的其他組織，其質(zhì)量直接影響特征提取和分期結(jié)果。由于肝硬化具有彌散性，在提取ROI時(shí)要避開(kāi)較大的血管同時(shí)避免明顯病灶以及肝臟的邊緣以確保提取出的ROI質(zhì)地均勻。此外，ROI的尺寸對(duì)紋理分析的結(jié)果也會(huì)產(chǎn)生影響。在保證不重復(fù)提取、ROI的數(shù)量盡量多，同時(shí)盡可能保持肝硬化組織完整性的條件下，根據(jù)影像中均勻肝硬化組織面積的來(lái)調(diào)整ROI的尺寸，本文中所選定的ROI的尺寸為30×30（像素）。在實(shí)驗(yàn)中，首先選取包含病灶區(qū)域的MRI，手動(dòng)分割出30×30（像素）大小的區(qū)域作為ROI，同一幅MRI中提取多個(gè)ROI。圖3為中晚期肝硬化MRI的ROI分割示意圖，白色框中的部分為分割得到的ROI，由圖可知，選取的ROI內(nèi)肝臟實(shí)質(zhì)比較均勻，同時(shí)也避開(kāi)了較大的血管、明顯的病灶組織及肝臟邊緣。

圖2 算法框架

圖3 中晚期肝硬化提取ROI示意圖

1.2.2 濾波器生成與特征提取

在提取紋理特征之前，需要對(duì)ROI進(jìn)行預(yù)處理，即將ROI標(biāo)準(zhǔn)化為均值為1方差為0的圖像。ROI標(biāo)準(zhǔn)化之后，生成MR8濾波器組并利用L1范數(shù)對(duì)濾波器進(jìn)行標(biāo)準(zhǔn)化，具體來(lái)說(shuō)，每一個(gè)濾波器Fi都與||Fi||1相除，這樣保證每一個(gè)濾波器為單位L1范數(shù)。

將標(biāo)準(zhǔn)化后的濾波器應(yīng)用在每一個(gè)ROI上，得到ROI每個(gè)像素X的響應(yīng)。依據(jù)Malik等[10]提出的算法，用式(1)對(duì)每一個(gè)像素X的濾波器響應(yīng)進(jìn)行韋伯定律標(biāo)準(zhǔn)化。

F(X)←F(X)[log(1+L(X)/0.03)]/L(X) (1)

其中，L(X) = ||F(X)||2是像素X處的濾波器響應(yīng)強(qiáng)度。

1.2.3 訓(xùn)練數(shù)據(jù)構(gòu)建紋理字典

訓(xùn)練數(shù)據(jù)采用標(biāo)準(zhǔn)化的MR8濾波器組進(jìn)行濾波，產(chǎn)生每一類(lèi)所有訓(xùn)練數(shù)據(jù)的MR8濾波器的響應(yīng)，用韋伯定律對(duì)濾波器的響應(yīng)進(jìn)行標(biāo)準(zhǔn)化。每一類(lèi)數(shù)據(jù)獲得的MR8紋理特征用標(biāo)準(zhǔn)的k均值算法（k-means）聚類(lèi)為10個(gè)紋理基元，將每一類(lèi)得到的紋理基元合并到一起得到紋理字典。本文中，將肝硬化MRI分為3個(gè)階段，即正常、早期和中晚期，這樣得到的紋理特征字典中含有30個(gè)紋理基元。

1.2.4訓(xùn)練紋理基元統(tǒng)計(jì)直方圖模型

訓(xùn)練數(shù)據(jù)構(gòu)建紋理特征字典之后，利用最近鄰算法對(duì)每一類(lèi)中每一訓(xùn)練數(shù)據(jù)獲得的MR8特征與紋理特征字典中的基元進(jìn)行一一對(duì)應(yīng)匹配計(jì)算，統(tǒng)計(jì)每一個(gè)訓(xùn)練ROI的紋理基元統(tǒng)計(jì)直方圖模型。本文中，一共有三類(lèi)數(shù)據(jù)，假設(shè)三類(lèi)分別有n1，n2，n3個(gè)訓(xùn)練數(shù)據(jù)，最終這三類(lèi)將分別訓(xùn)練出n1，n2，n3個(gè)紋理基元統(tǒng)計(jì)直方圖模型。

1.2.5 測(cè)試紋理基元統(tǒng)計(jì)直方圖模型

測(cè)試ROI得到的MR8特征用最近鄰算法與紋理特征字典進(jìn)行一一對(duì)應(yīng)計(jì)算，獲得每個(gè)測(cè)試ROI的紋理基元統(tǒng)計(jì)直方圖模型。

1.2.6 統(tǒng)計(jì)直方圖匹配

每一個(gè)測(cè)試ROI獲得一個(gè)紋理基元統(tǒng)計(jì)直方圖模型，將這個(gè)測(cè)試模型和訓(xùn)練紋理基元統(tǒng)計(jì)直方圖模型進(jìn)行匹配，統(tǒng)計(jì)直方圖匹配時(shí)用式(2)計(jì)算χ2距離。

計(jì)算測(cè)試紋理基元統(tǒng)計(jì)直方圖和所有訓(xùn)練紋理基元統(tǒng)計(jì)直方圖的距離，距離最近的統(tǒng)計(jì)直方圖記為最終的ROI分期結(jié)果。

2 結(jié)果與討論

本文利用MATLAB R2010a進(jìn)行了基于MR8濾波器組紋理特征肝硬化分期的實(shí)驗(yàn)并與基于GLCM紋理特征的神經(jīng)網(wǎng)絡(luò)的分期進(jìn)行了對(duì)比。

肝硬化MRI圖像分為T(mén)1、T2、動(dòng)脈期、門(mén)靜脈期和平衡期五個(gè)序列，本文對(duì)這五個(gè)序列分別進(jìn)行了實(shí)驗(yàn)。以T1序列為例，T1序列共有470個(gè)ROI用來(lái)分期，其中包括142個(gè)正常的ROI，93個(gè)早期的ROI和235個(gè)中晚期的ROI。利用五倍交叉驗(yàn)證將T1序列的ROI分成訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，以其中一次實(shí)驗(yàn)為例，訓(xùn)練數(shù)據(jù)中包括114個(gè)正常ROI、75個(gè)早期ROI和188個(gè)中晚期ROI，測(cè)試數(shù)據(jù)中包括28個(gè)正常ROI、18個(gè)早期ROI和47個(gè)中晚期ROI。首先本文對(duì)每個(gè)標(biāo)準(zhǔn)化后的ROI進(jìn)行MR8特征提取，并用韋伯定律進(jìn)行標(biāo)準(zhǔn)化；第二，對(duì)正常、早期和中晚期每一類(lèi)訓(xùn)練數(shù)據(jù)的MR8紋理特征進(jìn)行k-均值聚類(lèi)，獲得每一類(lèi)的10個(gè)紋理基元，之后將每一類(lèi)的10個(gè)紋理基元合為一個(gè)紋理基元字典；第三，利用最近鄰算法將每一類(lèi)訓(xùn)練數(shù)據(jù)的MR8紋理特征和紋理基元字典進(jìn)行距離匹配，獲得訓(xùn)練數(shù)據(jù)的紋理基元統(tǒng)計(jì)直方圖；第四，同樣利用最近鄰算法將測(cè)試數(shù)據(jù)的MR8紋理特征和紋理基元字典進(jìn)行距離計(jì)算，得到測(cè)試數(shù)據(jù)的紋理基元統(tǒng)計(jì)直方圖；第五，利用χ2距離將測(cè)試數(shù)據(jù)的紋理基元統(tǒng)計(jì)直方圖和所有訓(xùn)練紋理基元統(tǒng)計(jì)直方圖進(jìn)行匹配，獲得距離最近的統(tǒng)計(jì)直方圖模型，此模型所屬類(lèi)別記為最終的分期階段；最終得到T1序列的分期結(jié)果。

對(duì)其余4個(gè)序列，也進(jìn)行同樣的分期實(shí)驗(yàn)。實(shí)驗(yàn)中僅對(duì)MR8濾波器的大小、k-均值聚類(lèi)的相似度度量方式與聚類(lèi)數(shù)目和最近鄰算法的相似度度量方式等參數(shù)進(jìn)行調(diào)整，以得到最優(yōu)分期效果。

使用表1數(shù)據(jù)，分別用本文方法及基于GLCM紋理特征的神經(jīng)網(wǎng)絡(luò)分期方法進(jìn)行實(shí)驗(yàn)。兩種方法均采用五倍交叉驗(yàn)證方式。最終實(shí)驗(yàn)結(jié)果見(jiàn)表2。

表2 分期準(zhǔn)確率表

由表2知，本文方法對(duì)肝硬化MRI五個(gè)序列的分期效果均較為理想。從序列角度看，T1、T2、動(dòng)脈期、門(mén)靜脈期每一類(lèi)的分期準(zhǔn)確率均達(dá)到96%以上。其中T2和平衡期序列，正常、早期和中晚期的分期準(zhǔn)確率均達(dá)到了100%。從每一期的分期效果看，正常MRI分期效果優(yōu)于早期和中晚期肝硬化，五個(gè)序列均為100%。早期病變除T1和門(mén)靜脈期的分期準(zhǔn)確率分別為98.89%和97.5%之外，其余序列的分期準(zhǔn)確率均為100%；中晚期的肝硬化，T1、T2、門(mén)靜脈期和平衡期的分期準(zhǔn)確率均為100%，動(dòng)脈期分期準(zhǔn)確率為96.76%。

與基于GLCM紋理特征的神經(jīng)網(wǎng)絡(luò)方法相比，本文方法的效果均GLCM方法。尤其是早期病變，本文方法的準(zhǔn)確率均為97%以上，而GLCM的最高準(zhǔn)確率僅為55.74%，平均準(zhǔn)確率僅為51.67%?？偟膩?lái)說(shuō)，本文方法分期準(zhǔn)確率高，且明顯優(yōu)于傳統(tǒng)GLCM方法。在此基礎(chǔ)上，將ROI層面的分期結(jié)果推廣到病例層面，利用五倍交叉驗(yàn)證，融合每一個(gè)病例的五種序列的分期結(jié)果，按照少數(shù)服從多數(shù)的原則，得到每個(gè)病例的最終分期結(jié)果。該方法比較符合真實(shí)的醫(yī)師閱片過(guò)程。同時(shí)，用同樣的方法對(duì)GLCM方法進(jìn)行實(shí)驗(yàn)，最終得到的病例實(shí)驗(yàn)分期準(zhǔn)確率對(duì)比見(jiàn)表3。

表3 病例實(shí)驗(yàn)分期準(zhǔn)確率對(duì)比表

利用5個(gè)序列的分期結(jié)果，雖然在ROI層面上，五種序列的結(jié)果沒(méi)有完全達(dá)到100%，但是整合每個(gè)病例5個(gè)序列的結(jié)果后，病例分期的整體準(zhǔn)確率達(dá)到了100%，證明了本文算法在臨床肝硬化的分析中的可行性和有效性。而基于GLCM的神經(jīng)網(wǎng)絡(luò)的方法在病例層面也沒(méi)有達(dá)到本文算法的效果，尤其是早期肝硬化的病例準(zhǔn)確率僅為53.84%。

從實(shí)驗(yàn)復(fù)雜度的角度分析，GLCM紋理特征提取時(shí)需要事先做出角度和步長(zhǎng)等假設(shè)，容易丟失圖像的特征；而基于MR8濾波器組的特征提取只需要設(shè)定濾波器的大小，不會(huì)丟失圖像的特征；且基于MR8濾波器組的特征響應(yīng)維度只有8維，不需要特征選擇就能得到很好的結(jié)果，而GLCM特征提取特征維度通常為56維，這其中必然有冗余的特征，而進(jìn)行特征選擇會(huì)導(dǎo)致實(shí)驗(yàn)變得更加復(fù)雜，同時(shí)舍棄部分特征可能對(duì)分期的結(jié)果產(chǎn)生影響。此外，本文沒(méi)有應(yīng)用復(fù)雜的分期器，只用簡(jiǎn)單的統(tǒng)計(jì)直方圖匹配算法就得到了較好的結(jié)果，大大減短了實(shí)驗(yàn)時(shí)長(zhǎng)。因此，對(duì)于肝硬化MRI，基于MR8濾波器組的特征提取與GLCM紋理特征提取相比更加適用。

3 結(jié)論

本文利用MR8濾波器組特征提取訓(xùn)練統(tǒng)計(jì)直方圖的方法分別將肝硬化MRI五個(gè)序列即T1、T2、動(dòng)脈期、門(mén)靜脈期和平衡期的圖像分成正常、早期、中晚期三個(gè)階段。從肝硬化的分期結(jié)果可知，基于MR8濾波器組的方法的分期準(zhǔn)確率要明顯優(yōu)于經(jīng)典的基于GLCM紋理特征的神經(jīng)網(wǎng)絡(luò)分期。整合病例的分期結(jié)果，本文方法病例的分期準(zhǔn)確率達(dá)到了100%，優(yōu)于經(jīng)典的GLCM方法。從實(shí)驗(yàn)復(fù)雜度的角度，本文方法與GLCM方法相比，實(shí)驗(yàn)復(fù)雜度更小、耗時(shí)更少，且圖像完整性更好。因此，本文方法的可行性更好，準(zhǔn)確率更高，具有較高的臨床應(yīng)用價(jià)值。

在下一步的實(shí)驗(yàn)中，基于MR8濾波器組的方法在ROI分期層面準(zhǔn)確率還有待提高，未來(lái)將調(diào)整實(shí)驗(yàn)參數(shù)以得到更好的結(jié)果。此外計(jì)劃將本方法推廣到其他的肝硬化，如肝纖維化等臨床疾病中，以進(jìn)一步提升基于MR8濾波器組的特征提取分期方法的適用性。

[1] 霍玉洪,劉云.稀疏紋理分類(lèi)的研究[J].合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2008,31(6):992-994.

[2] 劉延彤,李茂星,葉建軍.計(jì)算機(jī)輔助診斷在醫(yī)學(xué)影像診斷中的新進(jìn)展[J].西北國(guó)防醫(yī)學(xué)雜志,2006,27(6):450-451.

[3] Xie J,Zhang L,You J,et al.Effective texture classification by texton encoding induced statistical features[J].Pattern Recogni,2015,48(2):447-457.

[4] Bastidas-Rodriguez MX,Prieto-Ortiz FA,Espejo E.Fractographic classification in metallic materials by using computer vision[J].Eng Fail Anal,2016,59:237-252.

[5] Kim KI,Jung K,Park SH,et al.Support vector machines for texture classification[J].IEEE T Pattern Anal,2002,24(11):1542-1550.

[6] Haralick RM,Shanmugam K,Dinstein I.Textural Features for Image Classification[J].IEEE T Syst Man Cy-S,1973,smc-3(6):610-621.

[7] Dharmagunawardhana C,Mahmoodi S,Bennett M,et al.Rotation invariant texture descriptors based on Gaussian Markov random fields for classification [J].Pattern Recogn Lett,2015,69:15-21.

[8] Li W,Prasad S,Fowler JE.Hyperspectral Image Classification Using Gaussian Mixture Models and Markov Random Fields[J].IEEE T Geosci Remote,2014,11(1):153-157.

[9] Sun L,Wu Z,Liu J,et al.Supervised Spectral-Spatial Hyperspectral Image Classification With Weighted Markov Random Fields[J]. IEEE T Geosci Remote,2015,53(3):1490-1503.

[10] Leung T,Malik J.Representing and Recognizing the Visual Appearance of Materials using Three-dimensional Textons[J].Int J Comput Vision,2001,43(1):29-44.

[11] Lazebnik S,Schmid C,Ponce J.Affine-invariant local descriptors and neighborhood statistics for texture recognition[J].IEEE International Conference on Computer Vision,2003,1:649-655.

[12] Schmid C.Constructing models for content-based image retrieval[J].IEEE Computer Society Conference on Computer Vision,2001,2(4):II-39-II-45vol.2

[13] Lazebnik S,Schmid C,Ponce J.A sparse texture representation using local affine regions[J].IEEE T Pattern Anal,2005,27(8):319.

[14] Varma M,Zisserman A.A Statistical Approach to Texture Classification from Single Images[J].Int J Comput Vision,2005,62(1-2):61-81.

[15] Varma M,Zisserman A.A Statistical Approach to Material Classification Using Image Patch Exemplars[J].IEEE T Pattern Anal,2009,31(11):2032-2047.

[16] Varma M,Garg R.Locally Invariant Fractal Features for Statistical Texture Classification[J].Proceedings,2007:1-8.

Application of MRI in Cirrhosis Staging Based on Texture Features

DOU Le-xin, LIU Hui
Department of Biomedical Engineering, Dalian University of Technology, Dalian Liaoning 116024, China

Computer aided diagnosis by means of MRI (Magnetic Resonance Imaging) has been gradually used in staging of cirrhosis. In this paper, MRI is applied in staging of cirrhosis based on MR8 filter banks. A staging system that applies to five sequences of liver MRI, including T1-weighted, T2-weighted, arterial phase, portal venous phase and equilibrium phase, is structured to improve staging accuracy. A significant advantage of MR8 filter banks is the rotation invariance. Therefore, MR8 filter banks are used to extract texture features and to construct statistical histogram of texton. The statistical histograms are then used to separate the MRI sequences into three stages: normal, early stage and the middle and advanced stage. The experimental results show that the method employed in this paper has an excellent performance of accuracy compared with the classic GLCM (Gray Level Co-occurrence Matrix) method. Especially in T2-weighted sequence and equilibrium phase sequence, the ROI in three stages of both sequences appears a 100% accuracy. On this basis, the ROI results of the five sequences are integrated into the final case accuracy results, which is also 100%.

MR8 filter bank; cirrhosis MRI; statistical histogram of texton; gray level co-occurrence matrix

R445.2；R575.2

A

10.3969/j.issn.1674-1633.2016.08.005

1674-1633(2016)08-0021-05

2016-08-09

國(guó)家自然科學(xué)基金(61003175和81071127)；中央高?；究蒲袑?zhuān)項(xiàng)基金；山東省自然科學(xué)基金(ZR2014FM001)；山東省泰山學(xué)者計(jì)劃（TSHW201502038）。

劉惠，副教授，研究方向：醫(yī)學(xué)圖像處理，模式識(shí)別。

通訊作者郵箱：liuhui@dlut.edu.cn