基于改進(jìn)的GLCM甲狀腺紋理特征提取與分析

汪 娟,劉 哲,宋余慶,陳香遠(yuǎn)

1.江蘇大學(xué) 計(jì)算機(jī)科學(xué)與通信工程學(xué)院 醫(yī)學(xué)圖像處理實(shí)驗(yàn)室，江蘇 鎮(zhèn)江 212013

2.江蘇大學(xué) 醫(yī)學(xué)院，江蘇 鎮(zhèn)江 212013

1 引言

甲狀腺疾病是臨床上最為常見(jiàn)的內(nèi)分泌疾病，從病例數(shù)據(jù)來(lái)看，一般女性多于男性。目前我國(guó)甲狀腺疾病總患病率近20%，約每5人中就有1人患甲狀腺疾病，發(fā)病率高。影像學(xué)檢查是甲狀腺癌疾病的主要診斷及預(yù)后評(píng)價(jià)方法，包括CT、MRI、超聲、核素顯像、PET等，其中MRI檢查有良好的軟組織對(duì)比度，能顯示CT不能顯示的小腫瘤，可確定腫瘤的侵犯范圍及有無(wú)淋巴結(jié)轉(zhuǎn)移。但是診斷主要依賴于檢查醫(yī)師的水平和經(jīng)驗(yàn)，存在一定的主觀性，易造成漏診和誤診[1]。因此，術(shù)前診斷對(duì)患者治療有重要的意義。

紋理分析在圖像處理和模式識(shí)別領(lǐng)域占有重要地位，反映了圖像本身的屬性，是圖像分析的重點(diǎn)[2-3]。紋理特征在甲狀腺圖像的病變區(qū)域和正常區(qū)域中存在較大的差異，可用來(lái)區(qū)分甲狀腺感興趣區(qū)域有無(wú)病變。本文旨在研究提取甲狀腺M(fèi)RI感興趣區(qū)域的紋理特征并病變可能性預(yù)測(cè)。目前該領(lǐng)域多是利用GLCM[4-7]、LBP[8]、Gabor小波變換[9-10]等紋理特征算法。在這些方法中，由Haralick[11]提出的GLCM紋理描述特征，被廣泛地應(yīng)用于醫(yī)學(xué)領(lǐng)域，很多學(xué)者用來(lái)輔助診斷甲狀腺的病變研究。該算法是聯(lián)合兩個(gè)位置的像素灰度的概率密度來(lái)定義的，反映了影像中具有同樣亮度或相近亮度的像素之間的位置分布特性，是有關(guān)影像亮度變化的二階統(tǒng)計(jì)特征。但存在計(jì)算量大，細(xì)節(jié)信息丟失等問(wèn)題。對(duì)于幾種常見(jiàn)的甲狀腺病變圖像而言，其紋理大多復(fù)雜多變、隨機(jī)性大，且存在明顯的邊緣信息。使用傳統(tǒng)GLCM來(lái)描述紋理特征缺少對(duì)圖像梯度信息的描述，降低特征的可區(qū)分性；傳統(tǒng)GLCM方法選取固定窗口尺寸來(lái)進(jìn)行圖像的分類，選取的窗口不同也會(huì)影響分類的結(jié)果。為此，國(guó)外很多學(xué)者改進(jìn)的方法層出不窮。Rajkovi?等[12]對(duì)乳腺癌圖像建立了分形和灰度共生矩陣紋理分析算法的預(yù)后能力，首次發(fā)現(xiàn)腫瘤組織學(xué)的紋理分析的預(yù)后價(jià)值主要依賴于由共生矩陣特征計(jì)算的像素灰度值的空間分布。劉大鵬等[2]提出一種增強(qiáng)的基于GLCM的特征表達(dá)方法，實(shí)現(xiàn)對(duì)TI加權(quán)對(duì)比度增強(qiáng)MRI（CEMRI）腦腫瘤圖像的自動(dòng)分類，實(shí)驗(yàn)證實(shí)其方法對(duì)腦部腫瘤圖像分類的有效性。Torheim等[13]用GLCM特征對(duì)宮頸癌的治療結(jié)果進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度達(dá)到75%。Nagarajan等人[14]通過(guò)提取GLCM、直方圖和灰度行程長(zhǎng)度矩陣（GLRLM）紋理特征將甲狀腺超聲圖像分為兩類。該方法準(zhǔn)確率達(dá)到89.74%、靈敏度為89.89%，特異度為91.67%，結(jié)果表明所提出的方法對(duì)分類效果很好。Huang等[15]使用3-D乳腺M(fèi)RI形態(tài)特征評(píng)估其區(qū)分乳腺良惡性病變的價(jià)值。實(shí)驗(yàn)基于95例乳腺實(shí)性腫塊MRI（良性44例，惡性51例）進(jìn)行腫瘤惡性可能性的分析，提取其GLCM，形態(tài)特征和橢圓擬合特征獲得88.42%的準(zhǔn)確率，88.24%的敏感度和88.6%的特異度。

針對(duì)目前GLCM紋理特征提取方法存在的問(wèn)題，提出GLCM的改進(jìn)算法來(lái)表征甲狀腺ROI的紋理特性。該算法充分考慮了圖像紋理的梯度信息，是一種基于紋理和灰度互補(bǔ)的特征，對(duì)鑒別病理和正常組織效果顯著[16]。首先提取同一病例甲狀腺M(fèi)R圖像的正常和病變ROIs，對(duì)尺寸不同的ROIs進(jìn)行尺寸歸一化和上采樣操作；基于HOG特征算子理論檢測(cè)圖像的梯度信息，采取滑動(dòng)窗口自適應(yīng)方法提取GLCM紋理特征；為抑制噪聲的影響取四個(gè)方向（0°，45°，90°，135°）的共生矩陣均值為最終GLCM；最后計(jì)算GLCM的紋理特征參數(shù)。實(shí)驗(yàn)使用Logistic回歸模型對(duì)ROIs紋理特征進(jìn)行分析，評(píng)估本文方法對(duì)甲狀腺M(fèi)R圖像的分類精確度。

2 灰度共生矩陣相關(guān)定義

灰度共生矩陣是描述圖像灰度級(jí)空間分布的二階紋理信息，它為一個(gè)行數(shù)和列數(shù)等于原始圖像中的灰度等級(jí)數(shù)的方陣。假定一幅M×N圖像灰度級(jí)數(shù)量為L(zhǎng)，那么圖像的GLCM是一個(gè)L×L的矩陣，灰度i和 j的一對(duì)像素點(diǎn)，其位置方向?yàn)棣?，距離為d的概率為P(i,j,d,θ)，一般 θ有四種情況：0°，45°，90°，135°。像素對(duì)I(k,l)=i和I(m,n)=j。在這四個(gè)方向上的出現(xiàn)概率如式（1）、（2）、（3）、（4）：

其中，#表示在該集合中元素的數(shù)目，再對(duì)每個(gè)灰度共生矩陣所有元素進(jìn)行歸一化處理，使得歸一化后的矩陣所有元素和為1，然后計(jì)算五個(gè)相互獨(dú)立的二階統(tǒng)計(jì)紋理特征：相關(guān)、能量、對(duì)比、逆差矩和熵。基于給定的5個(gè)GLCM特征參數(shù)計(jì)算每個(gè)特征的均值和標(biāo)準(zhǔn)差作為最終的特征向量。

共生矩陣并不能直接反映圖像的紋理特征，本文利用下面常用的五個(gè)統(tǒng)計(jì)量來(lái)描述灰度共生矩陣P的紋理特征[6]：

（1）相關(guān)（COR）

相關(guān)度量空間灰度共生矩陣元素在行或列方向上的相似程度，反映了圖像中局部灰度相關(guān)性。當(dāng)矩陣元素值均勻相等時(shí)，COR越大；反之亦然。

（2）能量（ENG）

能量是灰度共生矩陣各元素的平方和，也稱角二階矩（ASM）。它主要反映圖像紋理灰度級(jí)分布的均勻性和紋理的粗細(xì)程度。ENG越大，紋理越均勻且粗壯；反之，則紋理越不規(guī)則且細(xì)致。

（3）對(duì)比（CON）

對(duì)比也稱慣性矩，反映了圖像的清晰度和紋理溝紋的深淺度。其取值范圍在0～(L-1)2之間，為圖像的灰度等級(jí)。CON越大表示紋理溝紋越深，視覺(jué)效果越清晰；反之，則溝紋淺，圖像視覺(jué)較模糊，紋理效果不明顯。

（4）逆差矩（HOM）

逆差矩又稱局部平穩(wěn)，是對(duì)圖像紋理局部變化的度量，反映了紋理的平滑度。圖像中紋理越規(guī)律越平滑，則HOM值越大。

（5）熵（ENT）（假設(shè) 0×ln(0)=0）

熵代表圖像所具有的信息量，表示了圖像紋理的均勻度或復(fù)雜度。ENT越大，表示圖像內(nèi)容越隨機(jī)，紋理越復(fù)雜且密度越不均勻。當(dāng)ENT為0時(shí)，表明圖像沒(méi)有紋理。

3 改進(jìn)的GLCM窗口自適應(yīng)算法

目前紋理特征提取方法眾多，反映圖像灰度模式的空間分布，同時(shí)兼顧了圖像的宏觀信息與微觀結(jié)構(gòu)。為解決傳統(tǒng)GLCM方法固定窗口和噪聲抑制對(duì)圖像分類的影響問(wèn)題。在這個(gè)階段，結(jié)合梯度信息，采用自適應(yīng)的滑動(dòng)窗口大小方法獲得GLCM，提取甲狀腺ROIs的紋理特性。實(shí)驗(yàn)算法流程圖如圖1所示。

3.1 圖像預(yù)處理

如圖1所示，對(duì)甲狀腺原圖像中提取的甲狀腺ROIs不同尺度的圖像采用最鄰近插值算法調(diào)整圖像大小，保持所有ROIs尺寸的一致；然后進(jìn)行上采樣操作，對(duì)圖像進(jìn)行放大處理，以便增加圖像梯度信息；再將每個(gè)圖像劃分為2×2的子圖，使得更均勻地提取圖像內(nèi)部梯度信息。

3.2 梯度檢測(cè)

HOG特征算子其核心思想是統(tǒng)計(jì)圖像局部目標(biāo)區(qū)域的梯度方向信息作為該局部圖像區(qū)域表象和形狀的表征。通過(guò)梯度信息來(lái)描述圖像中物體的邊緣、輪廓、形狀等紋理信息。趙順廷[17]在低場(chǎng)強(qiáng)MRI對(duì)甲狀腺腫瘤的診斷和鑒別的研究中，主要研究了四種甲狀腺疾病，分別是：結(jié)節(jié)性甲狀腺腫、甲狀腺囊腫、甲狀腺癌和甲狀腺瘤。而大部分甲狀腺病灶區(qū)域內(nèi)部紋理會(huì)有明顯的變化且病灶區(qū)域邊界較清晰。因此可通過(guò)HOG特征檢測(cè)甲狀腺ROI區(qū)域梯度信息，以便采用滑動(dòng)窗口自適應(yīng)進(jìn)行GLCM紋理特征提取。具體步驟如下：

步驟1對(duì)圖像進(jìn)行預(yù)處理，采用Gamma校正法對(duì)輸入的圖像進(jìn)行標(biāo)準(zhǔn)化處理，目的是調(diào)節(jié)圖像的對(duì)比度，抑制噪聲的干擾。

步驟2將圖像劃分成連通區(qū)域（稱為細(xì)胞單元）；再采集細(xì)胞單元中各像素點(diǎn)的梯度的方向值，即通過(guò)計(jì)算圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度獲得每個(gè)像素位置的梯度方向值。實(shí)驗(yàn)采用模板[?1，0，1]計(jì)算圖像的梯度以及方向，通過(guò)梯度模板計(jì)算水平和垂直方向的梯度，設(shè)圖像中像素點(diǎn)為(x,y)，計(jì)算其梯度的公式如下：

式中Gx(x,y)，Gy(x,y)分別表示輸入圖像中像素點(diǎn)(x,y)處的水平方向梯度、垂直方向梯度。像素點(diǎn)(x,y)處的幅值G(x,y)和梯度α(x,y)方向公式分別為式（11）和式（12）：

圖1 甲狀腺M(fèi)R圖像病變和正常區(qū)域識(shí)別流程

步驟3求所有像素點(diǎn)的幅值和梯度方向，通過(guò)圖像中所有過(guò)零像素點(diǎn)進(jìn)行梯度檢測(cè)，即G(x,y)的過(guò)零點(diǎn)。

3.3 GLCM窗口自適應(yīng)算法

為了有效地對(duì)ROIs進(jìn)行分類，最重要的是提取區(qū)分甲狀腺病變和正常ROIs的有效特征集。本文基于傳統(tǒng)GLCM由HOG特征啟示捕獲圖像的梯度分布來(lái)查找甲狀腺病變區(qū)域的邊緣，進(jìn)行灰度共生矩陣的改進(jìn)算法紋理特征提取，如圖1所示，本文算法流程分為以下幾個(gè)部分：

步驟1圖像預(yù)處理，對(duì)提取的正常和病變ROI圖像進(jìn)行尺度歸一化、上采樣以及灰度級(jí)量化，并劃分成2×2的連通區(qū)域。

步驟2梯度計(jì)算，計(jì)算所有區(qū)域的每個(gè)像素位置的梯度（包括大小和方向），即計(jì)算所有像素點(diǎn)的幅值和梯度方向，即G(x,y)。

步驟3檢測(cè)梯度，即求G(x,y)的過(guò)零點(diǎn)。當(dāng)G(x,y)的過(guò)零點(diǎn)時(shí)，滑動(dòng)窗口取較小窗口，否則取較大窗口。

步驟4計(jì)算圖像不同窗口下的GLCM，如若滑動(dòng)未完成，則繼續(xù)步驟3。

步驟5為抑制噪聲的影響并體現(xiàn)圖像灰度的離散程度，取四個(gè)方向共生矩陣的均值作為最終的共生矩陣，并提取特征參數(shù)相關(guān)、能量、慣性矩、逆差矩和熵的均值和方差，構(gòu)成10維的特征向量T(t1～t10)。

步驟6特征向量歸一化，由于各個(gè)參數(shù)間差異很大，故在對(duì)其分析前進(jìn)行數(shù)據(jù)歸一化處理。

步驟7使用Logistic回歸模型分析，評(píng)估甲狀腺圖像的分類準(zhǔn)確度。

實(shí)驗(yàn)設(shè)定滑動(dòng)窗口大小為w（取值奇數(shù)），當(dāng)檢測(cè)梯度時(shí)，為保留目標(biāo)圖像的細(xì)節(jié)，w取較小值，否則取較大值。窗口的尺寸大小以及步長(zhǎng)對(duì)GLCM計(jì)算結(jié)果影響最大，因而針對(duì)不同的圖像應(yīng)通過(guò)實(shí)驗(yàn)選擇合適的值，以獲得最好的結(jié)果。實(shí)驗(yàn)發(fā)現(xiàn)設(shè)置滑動(dòng)窗口大小較小的為5×5，較大的為17×17時(shí)效果最佳。為了抑制方向分量使得提取的紋理特征與方向無(wú)關(guān)[18]，取四個(gè)方向的共生矩陣的均值Pm(i,j,d)作為最終的共生矩陣，計(jì)算公式如式（13），然后提取共生矩陣的特征參數(shù)。

最后計(jì)算五個(gè)相互獨(dú)立的二階統(tǒng)計(jì)紋理特征：相關(guān)、能量、對(duì)比、熵和慣性矩，基于這5個(gè)GLCM特征參數(shù)計(jì)算每個(gè)特征的均值和標(biāo)準(zhǔn)差作為最終的特征向量。

4 結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

本文選取江蘇大學(xué)附屬醫(yī)院的47例甲狀腺M(fèi)RI病例，其圖像格式為DICOM格式，分辨率為512×512。由于圖像像素灰度級(jí)較大，需要對(duì)圖像進(jìn)行灰度級(jí)量化。原始圖像包含感興趣區(qū)域和大部分非感興趣區(qū)域，需要對(duì)其進(jìn)行ROI提取。具體操作是參照醫(yī)生所勾畫的病變區(qū)域，運(yùn)用ImageJ軟件從甲狀腺患者M(jìn)R圖像中手動(dòng)分割出正常和病變區(qū)域兩組圖像各47例，并以DICOM格式存儲(chǔ)。圖2所示為醫(yī)生已勾畫出病變區(qū)域的甲狀腺M(fèi)R圖像切片圖，圖2（b）為（a）中白色輪廓勾畫區(qū)域，即提取的病變ROI。

4.2 評(píng)價(jià)指標(biāo)

Logistic回歸模型在醫(yī)學(xué)中主要用來(lái)預(yù)測(cè)某疾病發(fā)生的概率。二分類Logistic回歸分析在醫(yī)學(xué)研究領(lǐng)域已經(jīng)得到廣泛應(yīng)用，其中包括對(duì)疾病的預(yù)測(cè)和判別。為了驗(yàn)證提出算法的有效性，實(shí)驗(yàn)對(duì)94例甲狀腺M(fèi)R圖像（47例病變，47例正常）進(jìn)行紋理特征提取。Logistic回歸賦值以金標(biāo)準(zhǔn)診斷結(jié)果為依據(jù)，以提取的紋理特征參數(shù)作為協(xié)變量建立Logistic回歸模型，獲得靈敏度、特異度、準(zhǔn)確率，計(jì)算漏診率、誤診率以及ROC曲線下面積AUC。靈敏度（Sensitive，Sen）指實(shí)際有病而被正確診斷的百分比，其公式為式（14）；漏診率為診斷沒(méi)有檢出的病例，漏診率 =1-Sen；特異度（Specificity，Spe）反映了診斷實(shí)驗(yàn)排除非病例的能力，其公式為式（15）；誤診率為診斷實(shí)驗(yàn)沒(méi)有排除的非病例比例，誤診率=1-Spe；準(zhǔn)確率（Accuracy，Acc）反映正確診斷正常和病變的能力，公式如式（16）。

另一個(gè)評(píng)價(jià)指標(biāo)ROC曲線下面積AUC，計(jì)算公式如式（17），其中TPrate=Sen，F(xiàn)Prate=1-Spe。當(dāng)AUC取值0.5～0.7，表示診斷價(jià)值較低；0.7～0.9表示診斷價(jià)值中等；0.9以上時(shí)表示診斷價(jià)值較高。通過(guò)以上6個(gè)評(píng)價(jià)指標(biāo)來(lái)判別甲狀腺有無(wú)病變的性能。據(jù)以上規(guī)則，采用二分類Logistic回歸模型分析和ROC曲線分析本文算法各個(gè)參數(shù)的顯著性即 p值，當(dāng) p＜0.05時(shí)有臨床意義。評(píng)估本文方法對(duì)甲狀腺圖像分類的準(zhǔn)確率，AUC值越大臨床意義就越大，特異性和敏感性越高診斷漏診的概率就越小。

4.3 實(shí)驗(yàn)分析

實(shí)驗(yàn)分別選取基本GLCM、LOG-GLCM[18]與本文方法進(jìn)行對(duì)比實(shí)驗(yàn)與分析，采用二分類Logistic回歸模型分析病變可能的預(yù)準(zhǔn)確率、靈敏度、特異度、漏診率、誤診率和ROC曲線下面積AUC。本文提出方法涉及三個(gè)參數(shù)：量化級(jí)數(shù)L，步長(zhǎng)d，以及滑動(dòng)窗口尺寸w。Clausi等[19]證實(shí)不同灰度級(jí)的GLCM會(huì)對(duì)最后的分類結(jié)果產(chǎn)生較大的影響。灰度級(jí)較大時(shí)，圖像中紋理信息能夠得到更細(xì)致的描述，同時(shí)也易受到噪聲的影響，且計(jì)算量會(huì)顯著變大。步長(zhǎng)較小時(shí)，能夠捕獲圖像細(xì)微的結(jié)構(gòu)，而較大時(shí)能夠描述粗紋理[14]。滑動(dòng)窗口的大小對(duì)共生矩陣的影響最大，大尺度的窗口會(huì)嚴(yán)重?fù)p害目標(biāo)圖像的紋理特性，較小窗口尺寸可以保留目標(biāo)圖像的細(xì)節(jié)[19]。當(dāng)窗口過(guò)大時(shí)，窗口內(nèi)包含的信息越復(fù)雜，會(huì)影響計(jì)算的結(jié)果，而窗口過(guò)小甚至小于目標(biāo)尺寸，計(jì)算的結(jié)果也不可靠。當(dāng)計(jì)算窗口的尺寸由小取到大時(shí)，在紋理圖像中，其邊緣會(huì)變得越來(lái)越模糊化。因此，本文通過(guò)上采樣增強(qiáng)圖像的邊緣信息，再自適應(yīng)調(diào)整滑動(dòng)窗口的尺寸。在梯度處選擇較小滑動(dòng)窗口，否則選擇較大滑動(dòng)窗口。針對(duì)本組實(shí)驗(yàn)數(shù)據(jù)ROI尺寸自適應(yīng)調(diào)整窗口范圍在3×3～23×23之間。為了得到灰度級(jí)L，步距d和滑動(dòng)窗口尺度w的最優(yōu)參數(shù)組合，分別選取如表1所示的各參數(shù)設(shè)置，進(jìn)行多次實(shí)驗(yàn)。通過(guò)多組實(shí)驗(yàn)驗(yàn)證，針對(duì)本組實(shí)驗(yàn)數(shù)據(jù)：邊緣處窗口尺寸設(shè)定為3×3，非邊緣處設(shè)定為17×17時(shí)，目標(biāo)內(nèi)部既沒(méi)有小窗口那么復(fù)雜，邊緣信息也保存得較好[20]。灰度級(jí)為32，步距為1時(shí)，圖像梯度信息和紋理細(xì)節(jié)保持最好。

圖3 甲狀腺病變（“1”）和正常（“0”）ROIs的特征參數(shù)均值散點(diǎn)圖

表1 紋理特征提取算法各參數(shù)設(shè)置

實(shí)驗(yàn)分別對(duì)病變和正常區(qū)域進(jìn)行灰度共生矩陣的改進(jìn)算法的紋理特征提取，獲得特征向量：ENG、ENT、HOM、CON和COR的均值和方差。表2展示本文算法特征參數(shù)ENG、ENT、HOM、CON和COR的均值和方差的P值和AUC值，很明顯本文方法提取的參數(shù)P值均小于0.000 1具有臨床診斷意義。由ROC曲線并對(duì)照表2中AUC值可知，能量、熵、對(duì)比以及慣性矩對(duì)應(yīng)的AUC值較高，相關(guān)的AUC值相對(duì)較低。圖3的散點(diǎn)圖為使用本文方法提取病變和正常甲狀腺ROIs的特征參數(shù)（能量、熵、對(duì)比、相關(guān)和慣性矩）均值比較，其中橫坐標(biāo)為狀態(tài)標(biāo)量，分別用“1”和“0”表示病變和正常圖像，縱坐標(biāo)為各個(gè)參數(shù)取值范圍。顯然，能量、熵、對(duì)比和慣性矩對(duì)本實(shí)驗(yàn)甲狀腺圖像的判別診斷意義比相關(guān)更大。能量均值近似范圍區(qū)間：正常甲狀腺在0.06～0.14，病變?cè)?.01～0.05；同樣地，熵均值：正常在2.2～3.3，病變?cè)?.3～5.4；對(duì)比均值：正常在0.1～0.6，病變?cè)?～8上下波動(dòng)；相關(guān)均值：病變?cè)?～0.2；慣性矩均值：正常在0.7～0.95，病變?cè)?.4～0.6上下波動(dòng)。綜合分析，能量、熵、對(duì)比以及慣性矩對(duì)甲狀腺圖像預(yù)測(cè)分類的意義和診斷價(jià)值較相關(guān)更好。

表2 GLCM改進(jìn)算法特征參數(shù)P值和AUC值

圖4 本文提出改進(jìn)方法的各個(gè)特征參數(shù)的ROC曲線圖

圖4 為本文提取的10個(gè)特征向量ROC曲線圖，ROC曲線離參考線越遠(yuǎn)，AUC值越高，其預(yù)分類精確度越高。左邊為狀態(tài)變量輸入1的ROC曲線，右邊為狀態(tài)變量輸入0下的ROC曲線。由圖可知，病變ROIs的ENTMEAN、ENTVAR、CONMEAN、CONVAR、HOMVAR、CORVAR均高于正常ROIs，正常ROIs的ENGMEAN、ENGVAR、HOMMEAN、CORMEAN均高于病變ROIs。參照各個(gè)參數(shù)的物理意義，并對(duì)照?qǐng)D5（a）中正常區(qū)域和圖5（b）中甲狀腺病變的圖像，分析各個(gè)參數(shù)的ROC曲線和AUC值可知：大部分甲狀腺病變圖像內(nèi)部紋理結(jié)構(gòu)更隨機(jī)、復(fù)雜多變，且密度分布不均勻，大多紋理溝紋更深，局部紋理呈現(xiàn)不規(guī)律，病變圖像的灰度分布離散程度更大；而正常甲狀腺圖像紋理灰度分布更均勻且粗壯，局部平穩(wěn)性高，規(guī)律性較強(qiáng)。

圖5 甲狀腺M(fèi)R病變和正常區(qū)域的ROI樣本圖

表3給出傳統(tǒng)GLCM、DBC、Uniform-LBP、LOGGLCM與本文方法的分類結(jié)果，其中最佳臨界點(diǎn)p=0.5，標(biāo)準(zhǔn)誤差為0.033 6。從表3可以看出，這五個(gè)方法的分類準(zhǔn)確率分別為75%，63.8%，88.8%和79.6%，本文方法的預(yù)分類準(zhǔn)確率相比原始GLCM、DBC、ULBP和LOGGLCM分別提高了21.8%、15.8%、8%和17.2%，本文方法的靈敏度為97.9%，特異度為95.7%，漏診率為2.1%，誤診率為4.3%，并得出一個(gè)接近0.968的AUC。LOGGLCM在提取圖像邊緣時(shí)，雖然降低了噪聲但是細(xì)節(jié)損失較大，梯度定位精度也較低，存在噪聲抑制能力與梯度定位能力相矛盾的問(wèn)題，因而影響在實(shí)際梯度檢測(cè)中的效果。而本文方法基于圖像上采樣和分塊處理提取梯度信息，解決LOG-GLCM方法中梯度細(xì)節(jié)丟失的問(wèn)題，在有效地消除噪聲的同時(shí)又較好地保存了圖像的梯度信息。本文提出方法相比其他方法，結(jié)合圖像梯度信息，同時(shí)兼顧甲狀腺圖像內(nèi)部紋理宏觀信息和局部結(jié)構(gòu)信息，并考慮參數(shù)的影響，選擇最佳特征參數(shù)組合，在特征提取時(shí)采取區(qū)域劃分的方法也能進(jìn)一步提高分類準(zhǔn)確率，增強(qiáng)本文算法的實(shí)用性，為臨床醫(yī)生更好地進(jìn)行甲狀腺病變的預(yù)測(cè)提供幫助。由表3可知，本文算法所有指標(biāo)均高于其他方法，對(duì)甲狀腺M(fèi)R有無(wú)病變的判別效果較其他算法更好，對(duì)病變和正常的識(shí)別率更高，提高預(yù)分類準(zhǔn)確率，并輔助醫(yī)生診斷治療。

5 結(jié)束語(yǔ)

為了進(jìn)一步提高甲狀腺M(fèi)R圖像病變和正常區(qū)域的預(yù)分類準(zhǔn)確率，本文提出了改進(jìn)GLCM的窗口自適應(yīng)紋理特征提取算法。結(jié)合圖像的梯度信息和GLCM的統(tǒng)計(jì)紋理特征提取算法，分別在感興趣區(qū)域無(wú)邊界處和病變區(qū)域有邊界處采用窗口自適應(yīng)的灰度共生矩陣算法提取甲狀腺M(fèi)R圖像的紋理特征，采用Logistic回歸模型對(duì)病變和正常區(qū)域的紋理特征進(jìn)行分析，獲得預(yù)分類精確率。

實(shí)驗(yàn)結(jié)果證明，本文算法準(zhǔn)確率為96.8%，較其他方法有更好的預(yù)測(cè)分類結(jié)果。其中提取的能量、熵、對(duì)比和慣性矩具有較好的診斷價(jià)值，這些特征能有效地區(qū)分正常和病變的甲狀腺區(qū)域。本實(shí)驗(yàn)在提取紋理特征時(shí)，考慮了病變區(qū)域的梯度信息，因此不需要精確地分割出病變區(qū)域，方便對(duì)自動(dòng)化檢測(cè)甲狀腺病變系統(tǒng)地進(jìn)一步研究和設(shè)計(jì)；通過(guò)實(shí)驗(yàn)分析可知，不同病變類型的甲狀腺內(nèi)部紋理存在一定的差異，比如：紋理規(guī)律和紋理溝紋等方面。對(duì)此，還需進(jìn)一步研究；由于臨床獲取的MR圖像存在噪聲嚴(yán)重、病變種類多樣化、結(jié)節(jié)形態(tài)不規(guī)則及對(duì)比度不明顯等問(wèn)題。因此，在臨床上輔助醫(yī)生診斷僅依靠紋理特征還不夠，為提高輔助診斷的準(zhǔn)確率，在后期研究中可考慮其形態(tài)、密度等特征以及選擇更好的分類器。

表3 二分類Logistic回歸模型分類表（最佳臨界點(diǎn)p=0.5）