基于多特征融合的甲狀腺結(jié)節(jié)良惡性識別

李亮+尹小童+李夢爍

摘要：鑒于甲狀腺結(jié)節(jié)良惡性的判別十分依賴于有效特征的提取，提出基于DLBP與RLBP模型相結(jié)合的局部紋理特征提取算法，首先利用RLBP模型解決圖像旋轉(zhuǎn)不變問題，然后與DLBP模型相結(jié)合對RLBP模式特征進行選擇與降維，再與縱橫比、圓形度、緊致度等形狀特征相結(jié)合并輸入到SVM分類器中。為了進一步提高識別率，提出基于粒子群算法與網(wǎng)格搜索算法相結(jié)合的SVM參數(shù)優(yōu)化算法。實驗結(jié)果表明，該模型提取的特征用于分類識別時較上述各種模型及傳統(tǒng)的旋轉(zhuǎn)不變等價ULBP模型能獲得更高的識別率，且提出的參數(shù)尋優(yōu)算法相比于傳統(tǒng)尋優(yōu)算法效率更高。

關(guān)鍵詞：甲狀腺結(jié)節(jié)識別；DLBP模型；RLBP模型；ULBP模型；參數(shù)尋優(yōu)

DOIDOI：10.11907/rjdk.171958

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2017）012-0137-04

Abstract：In view of the distinguishing of the benign and malignant thyroid nodules is very dependent on the extraction of effective features， A feature extraction algorithm based on the combination of Dominant Local Binary Pattern （DLBP） and Rotation Local Binary Pattern （RLBP） model is proposed， Firstly， RLBP model is used to solve the problem of image rotation invariant， Then combined with the DLBP model to realize the feature selection and dimension reduction of RLBP pattern， And then the shape features such as aspect ratio， roundness and compactness are merged into the SVM classifier. in order to further improve the recognition rate. A SVM parameters optimization algorithm based on Particle Swarm Optimization （PSO） algorithm and grid search algorithm is proposed. Experimental results show that the features extracted by Proposed model have higher recognition rate than The above models and the traditional rotation invariant equivalent Uniform Local Binary Pattern （ULBP） model. And The proposed parameter optimization algorithm is more efficient than the traditional optimization algorithm.

Key Words：thyroid nodules recognition； dominant local binary pattern model； rotated local binary pattern model； uniform local binary pattern model； parameter optimization

0 引言

甲狀腺結(jié)節(jié)指甲狀腺中的細胞在誘因的影響下以非正常的方式快速生長而產(chǎn)生的腫塊，分為良性和惡性[1]。研究表明，惡性結(jié)節(jié)約占5%～10%，并且其發(fā)生率正在逐年提高[2]。臨床上對于甲狀腺結(jié)節(jié)良惡性的判斷采用穿刺活檢（FNAB，F(xiàn)ine Needle Aspiration Biospsy）[3]，但穿刺活檢不僅給病人帶來痛苦，也不便于大規(guī)模篩查。B超檢查因其方便快捷的特點已成為甲狀腺結(jié)節(jié)良惡性判別的最常用手段，但由于沒有一套統(tǒng)一的標準，往往由臨床醫(yī)生依靠經(jīng)驗判斷。當前，甲狀腺結(jié)節(jié)的識別研究主要以提取結(jié)節(jié)的形狀特征和紋理特征等為基礎(chǔ)，其中對于形狀特征的研究一般借鑒乳腺腫瘤識別[4]、肺結(jié)節(jié)識別[5]等相關(guān)寶貴經(jīng)驗。當前比較常用的紋理特征算法主要有共生矩陣統(tǒng)計[6]和隱藏的馬爾科夫模型[7]以及局部二值模式[8]（Local Binary Pattern，LBP）等算法。LBP算法思想簡單易懂，計算復雜度低，對光照及灰度變化具有較好的魯棒性，因而得到了廣泛應用。早期的甲狀腺紋理特征分析研究僅限于從灰度直方圖中提取特征。C Skourroliankou[9]利用灰度共生矩陣提取特征達到了66%的識別率；E G Keramidas[10]使用基于局部二值式紋理表示（LBP）方法的識別率達到了84%；祁永梅[11]聯(lián)合使用形狀特征、紋理特征和衰減特征，最后利用SVM分類在240幅圖像數(shù)據(jù)集上取得了92.3%的識別率；萬丹丹等[12]利用語義特征和SVM算法相結(jié)合的方式在包含240個病例的數(shù)據(jù)集上達到了92%的識別率。

綜上所述，國內(nèi)外在利用紋理特征和形態(tài)學特征對甲狀腺結(jié)節(jié)超聲圖像識別上取得了較好的效果，但識別準確率有待提高。本文提出了一種基于DLBP模型[13]與RLBP模型[14]相結(jié)合的（Dominant Rotated Local Binary Pattern，D_RLBP）模型。該模型兼具上述兩種模型的優(yōu)點，不僅能提取具有旋轉(zhuǎn)不變的紋理特征，并且能實現(xiàn)對紋理特征的降維處理。為了更加全面地描述甲狀腺結(jié)節(jié)的特征信息，提取結(jié)節(jié)的形狀特征，將上述特征融合并輸入到SVM分類器中。為了快速確定SVM的最優(yōu)參數(shù)C和g，提出粒子群算法[15]與網(wǎng)格搜索算法[16]相結(jié)合的聯(lián)合尋優(yōu)算法。首先利用網(wǎng)格搜索算法快速確定合適的參數(shù)組，然后以此參數(shù)組確定的范圍作為粒子群尋優(yōu)算法的最佳搜索范圍，并通過調(diào)整迭代速率等方式進行精細搜索，最終確定最優(yōu)參數(shù)。endprint

1 LBP模型

該方法將LBP所有模式直方圖進行降序排列，并選取前D個主要模式作為LBP的最終特征模式。其好處是選擇了出現(xiàn)概率較高的模式，這部分模式具有較高的復現(xiàn)率，而丟棄的低概率模式不僅其直方圖較稀疏而且易受噪聲污染。因此，DLBP模型使特征維度得到降低且更穩(wěn)定，但當圖像發(fā)生旋轉(zhuǎn)時，DLBP紋理特征將發(fā)生變化，使得識別誤差率增加。

2.3 D_RLBP模型分析

本文提出將RLBP模型與DLBP模型進行串行融合，構(gòu)成D_RLBP模型，其能充分發(fā)揮各自模型的優(yōu)點。雖然RLBP模型引入?yún)⒖挤较驅(qū)崿F(xiàn)了旋轉(zhuǎn)不變，但沒有克服特征維度隨著鄰域點個數(shù)增加而增加的缺點。DLBP模型選擇頻率較高的模式約占總模式數(shù)的5%～10%，這有助于運算效率的提升，因此結(jié)合二者優(yōu)點實現(xiàn)對圖像局部紋理特征的更好選擇與優(yōu)化。

3 形狀特征提取

良性結(jié)節(jié)與惡性結(jié)節(jié)在形狀上往往有很大區(qū)別，因此除了紋理特征，還提取了縱橫比、圓形度、緊致度3個形狀特征。

4 SVM參數(shù)聯(lián)合尋優(yōu)

網(wǎng)格搜索算法為全搜索方式，雖然其計算量偏大，計算時間也比粒子群和遺傳算法偏長，但分類精度比以上兩種算法高。粒子群算法雖然尋優(yōu)時間相對較短，但對參數(shù)的尋優(yōu)范圍往往根據(jù)經(jīng)驗確定，當最佳的參數(shù)不在該范圍時，就得不到正確的分類結(jié)果。因此，能否自適應地設(shè)置參數(shù)尋優(yōu)范圍是解決此問題的關(guān)鍵。基于以上分析，提出一種自適應粒子群優(yōu)化算法，即利用網(wǎng)格搜索算法自適應地確定粒子群算法的最佳尋優(yōu)范圍，這樣可以兼顧算法尋優(yōu)效率和分類精度。具體實現(xiàn)過程如下：首先采用大步距在較大范圍內(nèi)粗搜索，以克服網(wǎng)格搜索法耗時長的缺點，然后選擇使分類準確率最高的一組C和g，并依據(jù)該參數(shù)組設(shè)定粒子群算法參數(shù)尋優(yōu)的最佳范圍。SVM中C和g相互制約、相互影響，因而參數(shù)C和g共同作用時，理論上存在一個有效區(qū)域，在該區(qū)域中存在一對使預測結(jié)果最佳的參數(shù)組合，也即這組參數(shù)不會太大[17]。因此，只要在選定參數(shù)組的一定鄰域范圍內(nèi)搜索，必能保證最優(yōu)參數(shù)在該尋優(yōu)區(qū)間內(nèi)，同時這也避免了粒子群在大范圍尋優(yōu)時易陷入局部最優(yōu)問題。經(jīng)實驗反復驗證，兩個參數(shù)的范圍都設(shè)置為[0.2x 5x]即可。

本文算法整體實現(xiàn)步驟如下：①輸入甲狀腺結(jié)節(jié)超聲圖像對甲狀腺結(jié)節(jié)區(qū)域進行精確分割；②對分割后的圖像提取D_RLBP紋理特征；③對分割后的圖像提取形狀特征；④對上述特征進行串行融合；⑤對融合后的特征進行歸一化處理；⑥將特征輸入到SVM分類器；⑦對SVM分類器進行參數(shù)聯(lián)合尋優(yōu)；⑧輸出分類結(jié)果。

5 實驗與分析

5.1 結(jié)節(jié)實質(zhì)區(qū)域分割及提取

實驗中所選用的140幅甲狀腺結(jié)節(jié)超聲圖像均來自于吉林省某三甲醫(yī)院，其中110幅圖像為良性結(jié)節(jié)，另外30幅結(jié)節(jié)圖像為惡性，所有圖像都有相應的B超報告和病理檢查報告，均由臨床醫(yī)生標注結(jié)節(jié)區(qū)域與邊界。所用超聲診斷儀為Philips iu22，彩色超聲診斷儀探頭頻率為7MHz～12MHz，實驗平臺是Windows10專業(yè)版PC機，處理器為intel（R）core（TM）i5-3470cpu@3.20GHz，內(nèi)存是4GB，軟件版本MATLAB2013a（64位）。在提取紋理特征前先用改進的水平集方法對甲狀腺結(jié)節(jié)超聲圖像進行分割[18]并提取結(jié)節(jié)實質(zhì)區(qū)域，具體過程如圖1所示。

5.2 本文算法與傳統(tǒng)算法對比實驗

本文模型在實現(xiàn)圖像旋轉(zhuǎn)不變的同時還能對特征進行降維，而ULBP[19]模型也能實現(xiàn)類似功能。為了驗證本文算法在特征提取方面的優(yōu)越性，與ULBP及上述各種模型提取特征進行了分類對比實驗。實驗中隨機抽取50%良性結(jié)節(jié)和50%惡性結(jié)節(jié)作為訓練集，剩余部分作為測試集，然后將各自得到的特征向量分別輸入經(jīng)本文算法尋優(yōu)的SVM分類器中。每組實驗重復5次，然后統(tǒng)計其各自的平均精度。統(tǒng)計結(jié)果如表1所示。

由表1的對比實驗結(jié)果可以看出，本文算法由于融合了精細的紋理特征信息和形狀特征信息，對圖像的特征描述更加全面細致，因而取得了最高的分類精度。而傳統(tǒng)的ULBP“等價模式”因其是一種人為預設(shè)的特征選擇模式，其選定的模式有可能并不含有能表征圖像的信息，因此其平均分類精度比本文模型低。

5.3 參數(shù)尋優(yōu)算法性能對比實驗

為了驗證本文提出的聯(lián)合參數(shù)尋優(yōu)算法的優(yōu)越性，與上述傳統(tǒng)參數(shù)尋優(yōu)算法及遺傳算法[20]進行對比實驗。實驗中以本文算法得到的特征向量作為輸入，實驗結(jié)果如表2所示。

由表2的實驗結(jié)果可以看出，網(wǎng)格搜索法由于采用了大步距搜索方式，因而其所用時間最短。而將網(wǎng)格搜索得到的最優(yōu)參數(shù)組按上述方式設(shè)置為粒子群算法的最優(yōu)搜素區(qū)間后，其分類結(jié)果較原始粒子群算法優(yōu)化后的結(jié)果精度高。且因為傳統(tǒng)粒子群算法參數(shù)C和g的尋優(yōu)區(qū)間一般是[0100]和[01 000]，而由表2結(jié)果可知，本文算法的尋優(yōu)區(qū)間是[210]和[01.3]，因此本文算法的運行時間相對較短。

6 結(jié)語

本文提出的D_RLBP模型將RLBP模型的旋轉(zhuǎn)不變性與DLBP模型的降維特性完美結(jié)合，用于提取甲狀腺結(jié)節(jié)超聲圖像的紋理特征，然后提取結(jié)節(jié)的形狀特征實現(xiàn)對結(jié)節(jié)特征的多方面細致描述。為進一步提高識別率，提出了一種SVM參數(shù)聯(lián)合尋優(yōu)算法。實驗結(jié)果表明，本文提出的特征提取算法用于分類時較傳統(tǒng)的特征提取算法性能更優(yōu)，且提出的聯(lián)合尋優(yōu)算法較傳統(tǒng)PSO尋優(yōu)算法也有較大進步。算法對甲狀腺結(jié)節(jié)的識別率達93.33%，對于甲狀腺結(jié)節(jié)的術(shù)前診斷具有一定的參考價值。

參考文獻：

[1] 夏炳蘭，何春蘭，宋斌，等.超聲引導下甲狀腺結(jié)節(jié)細針吸取細胞學檢查的診斷價值[J].中國現(xiàn)代普通外科進展，2014，17（7）：540-542.

[2] 王昕，徐文杰.甲狀腺結(jié)節(jié)超聲圖像分割算法研究[J].電視技術(shù)，2016，43（8）：26-30.endprint

[3] FELDKAMP J，F(xiàn)HRER D，LUSTER M，et al. Fine needle aspiration in the investigation of thyroid nodules[J].Deutsches rzteblatt International，2016，113（20）：353-359.

[4] 馬滿芳，陸惠玲，王媛媛，等.基于遺傳算法—BP神經(jīng)網(wǎng)絡(luò)的乳腺腫瘤輔助診斷模型[J].軟件導刊，2016，15（11）.

[5] 張婧，李彬，田聯(lián)房，等.結(jié)合規(guī)則和SVM方法的肺結(jié)節(jié)識別[J].華南理工大學學報：自然科學版，2011，39（2）：125-129.

[6] WU H，SUN T，WANG J，et al.Combination of radiological and gray level co-occurrence matrix textural features used to distinguish solitary pulmonary nodules by computed tomography[J].Journal of Digital Imaging，2013，26（4）：797-802.

[7] 邱娟.基于Gabor濾波器和高斯馬爾科夫隨機場的書法筆跡鑒別[D].廣州：暨南大學，2015.

[8] HADID A，ZHAO G，AHONEN T，et al.Face analysis using local binary patterns[J].World scientific review，2014：347-373.

[9] CATHERINE S，ARISTIDES A，LAMBROS V.Quantitative image analysis in sonograms of the thyroid gland[J].Nuclear Instruments & Methods in Physics Research，2006，569（2）：606-609.

[10] PFEIFFER K，WEISS O，KRODEL U，et al.Ultrasound-guided perivascular axillary brachial plexus block：a simple，effective and efficient procedure[J].Der Anaesthesist，2008，57（7）：670.

[11] 祁永梅.甲狀腺結(jié)節(jié)超聲圖像分割及特征提取算法研究[D].保定：河北大學，2014.

[12] 張振宇，萬丹丹.基于B超圖像的甲狀腺良惡性結(jié)節(jié)識別[J].微型機與應用，2013，32（2）：30-33.

[13] LIAO S，LAW M W，CHUNG A C.Dominant local binary patterns for texture classification[J].IEEE Transactions on Image Processing，2009，18（5）：1107-1118.

[14] RMEHTA，KEGIAZARIAN.Rotated local binary pattern （RLBP） rotation invariant texture descriptor[C].Proceedings of International Conference on Pattern Recognition Applications and Methods，2013.

[15] 付燕，聶亞娜，靳玉萍.PSO-SVM算法在肝臟B超圖像識別中的應用[J].計算機測量與控制，2012，20（9）：2491-2493.

[16] WALSH J A，ROMANO P K，F(xiàn)ORGET B，et al.Optimizations of the energy grid search algorithm in continuous-energy Monte Carlo particle transport codes[J].Computer Physics Communications，2015，196：134-142.

[17] 孟滔，周新志，雷印杰.基于自適應遺傳算法的SVM參數(shù)優(yōu)化[J].計算機測量與控制，2016，24（9）：215-217.

[18] 王昕，李亮.甲狀腺結(jié)節(jié)超聲圖像分割算法研究[J].電子技術(shù)應用，2017，43（3）：112-115.

[19] MING Y，WANG G，F(xiàn)AN C.Uniform local binary pattern based texture-edge feature for 3D human behavior recognition[J].Plos One，2015，10（5）：e0124640.

[20] RIDDLE D B，HARTFIELD R J，BURKHALTER J E，et al.Genetic-algorithm optimization of liquid-propellant missile systems[J].Journal of Spacecraft & Rockets，2015，46（1）：151-159.

（責任編輯：孫 娟）endprint