基于Tamura紋理特征提取和SVM的多模態(tài)腦腫瘤MR圖像分割

李 娜，熊志勇，謝 瑾，彭 川，任 愷

(中南民族大學 計算機科學學院，武漢430074)

腦腫瘤最常見的是膠質瘤，它的生長會逐漸壓迫其所在區(qū)域的神經(jīng)，引起身體機能的失調，造成極大危害.核磁共振(Magnetic Resonance，MR)成像技術對軟組織分辨率高，可以準確描述大腦的解剖結構，在腦腫瘤的診斷、治療和手術引導中有重要的意義[1].為了充分解讀核磁共振圖像，為臨床診斷、治療提供量化的信息，首先要對圖像中的腦腫瘤區(qū)域進行精確分割，然后對該區(qū)域進行量化指標的計算.在實際操作中，由于腦腫瘤形狀不一、結構多變、灰度不均，腦腫瘤邊界多伴有水腫等，使不同患者的MR圖像存在較大的差異，給腦腫瘤區(qū)域的分割帶來了較大困難，分割過程中的很多問題仍需深入研究[2,3].

腦腫瘤患者的MR成像是三維多波段成像，通常包括 FLAIR 、T1、T2 和T1C 四種模態(tài)，不同的模態(tài)提供不同的腦腫瘤信息[4].比如，F(xiàn)LAIR模態(tài)腫瘤區(qū)域的圖像與正常組織的圖像灰度差異明顯，T1C模態(tài)腫瘤區(qū)域的邊界紋理特征明顯.臨床上，醫(yī)生大多結合多模態(tài)MR圖像進行腫瘤區(qū)域分割，分割過程中利用計算機輔助軟件，手動一層一層地勾畫腫瘤區(qū)域，這樣的操作主觀性很強，可重復操作性差[5-7].

常見的自動或半自動腫瘤分割方法多數(shù)是基于圖像灰度信息的，如模糊聚類方法[8,9]、水平集方法[10]、AdaBoost迭代方法[11]、神經(jīng)網(wǎng)絡方法[12,13]以及SVM方法[14,15].SVM方法主要通過對樣本的學習找到最優(yōu)分類器，然后對像素點進行分類.在尋找最優(yōu)分類器時，使用多維的特征來尋找，適合多模態(tài)的MR序列圖像分割.目前用該方法設計分類器多數(shù)考慮的是MR圖像的灰度信息，缺少對圖像紋理信息的考慮，所以只反映MR圖像特征的一個側面.機器在辨識圖像時，不應該僅僅利用灰度信息，而忽略掉圖像的紋理信息.文獻[16-18]已證明，將灰度(顏色)信息和紋理信息相結合，對圖像進行分割可以得到比僅利用灰度信息或者僅利用紋理信息得到的分割效果要好，魯棒性也更高.針對腦腫瘤圖像分割的問題，本文將MR圖像灰度信息和紋理信息相結合，提出一種基于多模態(tài)的腦腫瘤圖像分割算法.該方法首先將多模態(tài)MR圖像進行融合，對各個像素點建立高維特征，包括Tamura紋理特征[19]和灰度特征，在訓練樣本標記時，選擇7×7的圖像窗口中的中間像素點作為訓練樣本，再利用SVM模型對這些訓練樣本進行訓練，求得最優(yōu)分類器，最后，用訓練好的SVM模型處理其它腦腫瘤圖像.選取BRATS2013數(shù)據(jù)集上的20例患者圖像進行測試，測試結果表明本文方法可以更好地提取腦腫瘤區(qū)域的邊界，得到較好的分割精度.

1 基于Tamura的特征提取

Tamura從心理學的角度研究表明，人類視覺對于紋理的感知包含至少6個方面：對比度、方向度、粗糙度、線粒度、規(guī)則度、粗略度[19].實驗表明，對比度、方向度和粗糙度3個定量分析指標對圖像紋理的分析比較重要.本文引入這3個指標作為紋理信息，對4種模態(tài)下腦腫瘤圖像進行紋理特征提取.給定一種模態(tài)下的待分割腦腫瘤圖像I:(k,h,w)→{0,1,2，…,L+1}，其中k∈[1,K],h∈[1,H],w∈[1,W]，K,H,W,L分別為圖像的序列(層次)、該序列圖像的高、該序列圖像的寬和該像素(體素)灰度級.

1.1 粗糙度

趙海英等[20]對當前主流的圖像粗糙度計算方法進行了分析，結果顯示Tamura提出的度量方式在表達圖像粗糙度方面是最佳的.文獻[21]將指數(shù)量化改為線性量化,此方法降低了算法的復雜度，鑒于本文的一幅腦腫瘤圖像包含很多序列，是很多圖像的組合，圖像的數(shù)據(jù)量較大，本文也采用此方法降低算法的復雜度.本文粗糙度的計算方法如下：

(1)以像素(k,h,w)為中心，求大小為5×5的像素塊的平均灰度值，記為A(k,h,w).

(2)以像素(k,h,w)為中心，計算平均灰度方差，公式如下：

En,u(k,h,w)=|An(k,h-n,w)-An(k,h+n,w)|,

En,v(k,h,w)=|An(k,h,w-n)-An(k,h,w+n)|,

En,u(k,h,w),En,v(k,h,w)分別為水平方向、垂直方向的平均灰度方差，其中n=1,2,3,4,5.

(3)依次計算n=1,2,3,4,5下的E值，求解最大E值所對應的n值，不分方向，無論水平還是垂直，

nbest(k,x,y)=max{Ek,o(k,x,y)|n∈[1,5],o=u,v}.

(4)以像素(k,h,w)為中心，計算大小為3×3的鄰域平均粗糙度，

(5)計算像素(k,h,w)粗糙度與平均粗糙度之差的絕對值，即為該像素的粗糙度度量.

1.2 對比度

對比度是指圖像選定區(qū)域中，最亮的部分和最暗的部分灰度之差，可以通過對像素周圍灰度分布情況統(tǒng)計分析獲得，本文對比度的計算方法如下：

(1)以像素(k,h,w)為中心，統(tǒng)計其鄰域大小為3×3的像素塊的平均灰度差值，記為Avggray(k,h,w).

(2)以像素(k,h,w)為中心，統(tǒng)計其領域大小為3×3的像素區(qū)域灰度值的四階矩，公式如下所示：

式中，f(k,i,j)是位于腦腫瘤圖像序列k，第i行，第j列的像素灰度值.

(3)以像素(k,h,w)為中心，計算圖像大小為3×3的圖像塊的平均灰度方差，

(4)像素(k,h,w)的對比度值為：

1.3 方向度

方向度是圖像塊中的像素在某個方向呈現(xiàn)出的形態(tài)，體現(xiàn)出一定的方向性，可以通過統(tǒng)計梯度向量的方向角局部分布情況實現(xiàn)，具體步驟如下：

(1)計算像素(k,h,w)處的梯度方向量，向量模|ΔG(k,h,w)|和方向θ(k,h,w),具體計算方法見文獻[19]；

(2)事先選定一個閾值t，像素(k,h,w)的方向角為θ′(k,h,w)，公式具體表達方式如下：

對于沒有明顯方向的圖像，θ′的值會變化不大，比較平坦，當|ΔG(k,h,w)|的值小于閾值t時，我們把角度設置為0，故t為平滑修正方向角.關于閾值t的求法，有很多種，本文依據(jù)文獻[20]的方法求得t=12；

(3)計算像素(k,h,w)及其鄰域大小為3×3的圖像塊的像素中，所有像素的方向角的均值,記為Avgdir(k,h,w)；

(4)像素(k,h,w)方向角減去平均方向角，即為像素(k,h,w)方向度度量值:

C2(k,h,w)=|θ′(k,i,j)-Avgdir(k,h,w)|.

由于圖像本身需要4種模態(tài)同時提取紋理特征，而且每幅圖像都包含100多層斷層圖像，圖像非常復雜，為了提高算法的效率，在訓練模型時對圖像進行均勻采樣.對一個斷層的圖像，設置取樣窗寬為Ws=7，即從斷層圖像Ikhw中每隔Ws行或Ws列產生一個取樣圖像Is，Is是7×7的圖像塊，取中間像素點，記錄該點紋理信息和灰度信息描述Is圖像塊.

2 多模態(tài)腦腫瘤MR圖像分割

SVM算法具有很好的泛化能力，在小樣本學習方面也表現(xiàn)出色，當前已經(jīng)有很多SVM算法在醫(yī)學圖像分割中得到較好的應用[22,23].SVM算法的分類原理是將取樣樣本空間映射到高維空間，在高維空間里建立一個最優(yōu)決策超平面，使兩類樣本距離該平面距離最大化.SVM訓練過程中，以訓練誤差為約束條件，以置信范圍最小化為目標，對問題進行優(yōu)化，特別是引入了核函數(shù)，對高維樣本處理能力也較強，因此推廣能力優(yōu)于傳統(tǒng)學習算法，特別是在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出特有的優(yōu)勢[24].

本文所提出的基于Tamura紋理和SVM的多模態(tài)腦腫瘤MR圖像分割具體步驟如下：

(1)多模態(tài)腦腫瘤待分割圖像進行灰度和Tamura紋理特征提取，分別提取圖像像素的4種模態(tài)下的本身灰度值、3×3鄰域像素灰度值平均值、3×3鄰域像素灰度值平均值差值、5×5鄰域像素灰度值平均值、5×5鄰域像素灰度值平均值差值，并計算Tamura紋理粗糙度、對比度、方向度，每一個像素提取32個特征值，組成維度為32的特征向量；

(2)進行均勻取樣，訓練SVM模型；

(3)利用訓練好的SVM模型對像素點分類，獲取腫瘤區(qū)域和背景區(qū)域；

(4)形態(tài)學操作對腫瘤區(qū)域進行修正；

(5)得到分割圖像.

3 實驗結果與分析

本文選用MICCAI BRATS 2013(https://www.virtualskeleton.ch/BRATS/Start2013) 提供的20個病患的臨床數(shù)據(jù)(患者年齡、性別未知)，來定量分析本文方法的分割結果.20組數(shù)據(jù)每組都包含F(xiàn)LAIR、T1、T2 和T1C 四種模態(tài)下的圖像和由多名專家共同完成的分割結果.這些數(shù)據(jù)中腦腫瘤區(qū)域的位置不一、大小不同、形態(tài)各異.所有數(shù)據(jù)每個序列圖像的大小為220×220×155，去殼、配準等預處理都已經(jīng)完成.為了評估分割性能,采用Dice相似性系數(shù)(Dice Similarity Coefficient，DSC)、靈敏度(Sensitivity)和陽性預測值(Predictive Positivity Value，PPV)等定量分析指標來評價分割結果.

圖1為H02病人的4種模態(tài)下的原始圖像，分別選取了第79序列和108序列，從左到右依次是FLAIR 、T1、T1C 和T2圖像.圖2為專家分割結果和本文分割結果的展示，可以看出，在腫瘤區(qū)域的邊緣部分，有白色腫瘤組織誤判為正常組織的點，也有正常組織被誤判為腫瘤組織的點，腫瘤邊緣部分表現(xiàn)出粗糙不平整，但從整體來看分割精度較好,每一層的Dice系數(shù)都達到了90%以上.

a) FLAIR b)T1 c)T1C d)T2圖1 H02患者的4種模態(tài)MR圖像Fig.1 Four modal MR images of H02 patients

a)79序列專家分割結果 b)79序列本文算法分割結果 c)108序列專家分割結果 d)108序列本文算法分割結果圖2 H02圖像分割結果與專家分割結果對比Fig.2 Comparison of H02 image segmentation results and expert segmentation results

圖3為H06病人的4種模態(tài)下的原始圖像，分別選取了第99序列和119序列.圖4為專家分割結果和本文算法分割結果的展示，可以看出，兩個序列中99序列的分割效果要優(yōu)于119序列，119序列腦腫瘤區(qū)域在圖上顯示為不連通區(qū)域，正常組織和腫瘤組織間隔出現(xiàn)，分割難度較大.模糊的正常組織區(qū)域與腫瘤區(qū)域灰度值差異小，紋理特征也不是特別明顯.另外，在訓練時，按照均勻取樣的方法，模糊區(qū)域的采樣占輸入樣本的比例較小，所以導致這種腦腫瘤區(qū)域的分割精度不高.因此，針對圖3中119序列，此類分割精度不高的問題，需要對該區(qū)域進行大量重新取樣，增加該區(qū)域像素點的特征提取，提高該區(qū)域樣本占總樣本的比例，有針對性地進行訓練.

a) FLAIR b)T1 c)T1C d)T2圖3 H06患者的4種模態(tài)MR圖像Fig.3 Four modal MR images of H06 patients

a) 99序列專家分割結果 b) 99序列本文算法分割結果 c) 119序列專家分割結果 d) 119序列本文算法分割結果圖4 H06圖像分割結果與專家分割結果對比Fig.4 Comparison of H06 image segmentation results and expert segmentation results

表1給出本文方法與文獻[15]方法分割性能量化對比，文獻[15]是基于SVM算法未考慮紋理信息的分割結果，該算法的核函數(shù)選擇的是高斯核函數(shù).從表中結果可以看出，文獻[15]方法的Dice系數(shù)偏低，將多模態(tài)特征信息融合，在提取灰度特征的過程中，會丟失不同模態(tài)信息中有利于分類的特征，對分割正確率有一定影響.本文方法采用在多模態(tài)信息融合過程中考慮圖像塊的紋理信息，特別是大多數(shù)的T1C和T2模態(tài)的紋理信息都能很好地區(qū)分腫瘤點與非腫瘤點，因此Tamura紋理信息能得到更高的分割精度.

表1 20例患者的平均分割結果Tab.1 Average segmentation results for 20 patients %

與同類混合算法比較，本文的性能較優(yōu).為了進一步驗證本文算法的有效性，將本文算法與Havaei提出的kNN算法[25]和Pereira提出的多模態(tài)三維神經(jīng)網(wǎng)絡模型算法[26]等權威結果進行比較，本文算法Dice的平均值為0.89，Havaei算法Dice的平均值為0.85，Pereira算法Dice的平均值為0.88，本文算法的Dice平均值較優(yōu).

4 結語

為了實現(xiàn)腦腫瘤MR圖像的有效分割，本文提出了一種結合Tamura紋理特征提取和SVM的分割方法.該算法首先將4種模態(tài)下的多序列MR圖像的局部灰度特征與Tamura紋理度量相結合，從圖像中提取足夠多的特征信息，有效克服了腦腫瘤的個體差異，同時亦能適應腦腫瘤不同圖像層之間的大小位置差異，弱化腫瘤邊緣與正常組織灰度相近的影響；然后在SVM模型中輸入已知樣本進行訓練;最后，用訓練好的SVM模型處理其他腦腫瘤圖像.該方法充分利用了不同類型腦腫瘤圖像的特性，不僅考慮了圖像的灰度信息，也考慮了圖像的紋理信息.實驗結果證明，本文提出的方法在分割精度上比一般基于灰度信息的圖像分割方法有一定程度的提升.