圖像融合方法在肝包蟲病分型中的應(yīng)用*

排孜麗耶·尤山塔依，嚴(yán)傳波，木拉提·哈米提，姚娟，阿布都艾尼·庫(kù)吐魯克，吳淼

（1.新疆醫(yī)科大學(xué)基礎(chǔ)醫(yī)學(xué)院，烏魯木齊830011；2.新疆醫(yī)科大學(xué)醫(yī)學(xué)工程技術(shù)學(xué)院，烏魯木齊830011；3.新疆醫(yī)科大學(xué)第一附屬醫(yī)院影像中心，烏魯木齊830011）

1 引 言

肝包蟲病，是囊狀幼蟲寄生在肝臟所致的寄生蟲病，潛伏期較長(zhǎng)，初期癥狀不明顯，畜牧地區(qū)較常見，多流行于我國(guó)西北、內(nèi)蒙和四川西部地區(qū)[1]。近年來隨著旅游業(yè)的發(fā)展、人口的流動(dòng)和家犬的增多，肝包蟲病已成為全世界流行性疾病，嚴(yán)重危害著各國(guó)人民的健康和經(jīng)濟(jì)發(fā)展[2]。

國(guó)家雖已對(duì)肝包蟲病的防治做了大量工作，但是由于牧區(qū)醫(yī)療條件相對(duì)落后，人才缺失等諸多因素，目前包蟲病防治仍然面臨諸多困難[3]。內(nèi)陸和沿海地區(qū)因肝包蟲病甚為少見，導(dǎo)致當(dāng)?shù)蒯t(yī)生缺乏對(duì)該病認(rèn)識(shí)，容易誤診[4]。肝包蟲病起病隱匿，臨床癥狀和體征與其他肝占位性病變無特異性，因此，及時(shí)準(zhǔn)確地發(fā)現(xiàn)和診斷肝包蟲病，對(duì)降低其誤診率和死亡率有重要意義。計(jì)算機(jī)輔助診斷（computer aided diagnosis，CAD）技術(shù)通過分析患者圖像，向醫(yī)生提供病灶信息及初步診斷意見以供參考，提高診斷準(zhǔn)確性和工作效率，減少或避免誤診和漏診的發(fā)生[5]。本研究在項(xiàng)目組已有的研究基礎(chǔ)上，把圖像融合方法應(yīng)用到肝包蟲病的分類識(shí)別中，與傳統(tǒng)預(yù)處理方法進(jìn)行比較，研究適合于肝包蟲病的計(jì)算機(jī)輔助診斷方法，為后期研發(fā)肝包蟲病計(jì)算機(jī)輔助診斷系統(tǒng)奠定基礎(chǔ)。

2 材料與方法

2.1 實(shí)驗(yàn)對(duì)象

本研究實(shí)驗(yàn)對(duì)象由新疆醫(yī)科大學(xué)各附屬醫(yī)院影像中心提供，隨機(jī)選取正常肝臟、單囊型肝包蟲病、肝囊腫CT圖像各120幅，共360幅。經(jīng)影像科醫(yī)師指導(dǎo)分類，并從原始圖像中人工干預(yù)下分割出病灶信息區(qū)，即感興趣區(qū)域（region of interest，ROI），見圖1。

2.2 實(shí)驗(yàn)方法

圖1 ROI選擇Fig 1 ROI selection

圖2 預(yù)處理結(jié)果Fig 2 Results of preprocessing

2.2.2 圖像融合 圖像融合，即盡量地對(duì)多源信道圖像每一信道中的有用信息進(jìn)行提取并綜合成一幅圖像，使各種信息能夠在同一幅圖像中得到表達(dá)，提高圖像的有用信息包含量，有利于更準(zhǔn)確、可靠、全面地獲取目標(biāo)信息[7]。本研究根據(jù)CT圖像的特點(diǎn)，對(duì)ROI圖像分別提取蘊(yùn)涵著圖像多方面信息的特征子圖像，再對(duì)其進(jìn)行融合。

在空域中，采用了對(duì)掃描噪聲非常有效的中值濾波器[8]和使傳輸過程中由于受干擾而退化的圖像細(xì)節(jié)變得清晰的銳化濾波器[8-9]；在頻率域中，選取了高斯低通濾波器[8]、高斯高通濾波器[8]和同態(tài)濾波器[9]；為了消除圖像邊緣的毛刺，填補(bǔ)圖像中由于干擾等原因出現(xiàn)的斷裂和缺口，運(yùn)用了形態(tài)學(xué)方法對(duì)圖像進(jìn)行腐蝕、膨脹、開啟與閉合操作[8-9]。最后，采用列灰度均值替換原灰度值的方法對(duì)圖像進(jìn)行點(diǎn)處理，這樣新得到的增強(qiáng)圖像可以反映原有圖像本身的對(duì)比度與明暗度。以上處理較全面地反映圖像的特點(diǎn)，體現(xiàn)圖像的邊緣和細(xì)節(jié)特征，反映圖像的自然屬性。

高斯低通濾波器：

式中，σ是高斯曲線的標(biāo)準(zhǔn)差。

高斯高通濾波器：

膨脹運(yùn)算：

其中，?為空集，B為結(jié)構(gòu)元素。

腐蝕運(yùn)算：

式中，Qr為計(jì)算區(qū)多年平均地下水補(bǔ)給量(m3/a)，ρ為開采系數(shù)。經(jīng)計(jì)算，地下水可開采量（Qap）為 13275 萬 m3/a。

均值與方差是數(shù)理統(tǒng)計(jì)中常用的特征統(tǒng)計(jì)量，在圖像分析中，均值反應(yīng)圖像的亮度，方差反應(yīng)圖像高頻部分的大小，CT圖像具有豐富的高頻細(xì)節(jié)信息，因此，采用提取每幅特征子圖像的列均值與列方差組成特征矩陣來進(jìn)行特征圖像的融合，減少計(jì)算量的同時(shí)又盡可能地保留特征圖像的特征信息。假設(shè)特征圖像Xi=(X1，…，XN) ，i=1，…，N，則：

其中，j是圖像行維數(shù)。

特征圖像提取和融合結(jié)果見圖3，第一個(gè)箭頭左邊是原始圖像ROI，右邊從左到右依次是中值濾波，銳化濾波，高斯低通濾波，高斯高通濾波，同態(tài)濾波，腐蝕，膨脹，開啟，閉合與列均值替換后的特征圖像，第二個(gè)箭頭右邊是融合后圖像。

圖3 特征圖像提取并融合結(jié)果Fig 3 Results of feature image extraction and fusion

2.2.3 圖像特征提取 紋理作為物體表面的一種基本屬性，能很好地表征圖像，被廣泛應(yīng)用于圖像分析中。本研究采用基于Tamura和灰度-梯度共生矩陣算法的紋理特征提取方法[10]?；叶?梯度共生矩陣能很好地描繪圖像的紋理信息。

（1）粗糙度 圖像中像素的平均強(qiáng)度值為：

其中，活動(dòng)窗口大小2k×2k，g（i，j）是坐標(biāo) （i，j）的像素灰度值，k=0，1，…，5。每個(gè)像素在不相重疊窗口之間的平均強(qiáng)度差：水平方向

垂直方向

使E值達(dá)到最大的k值來設(shè)置最佳尺寸：

計(jì)算整幅圖像中Sbest的平均值可得到粗糙度，表達(dá)式為：

式中，m，n分別為水平和垂直方向的像素總數(shù)。

式中，np為直方圖中峰值的數(shù)目，p為直方圖HD中的峰值，wp為峰值p包含的量化值范圍，?p為波峰中心位置，?為量化后的方向角，r為直方圖歸一化因子。

其中，PDd表示在距離內(nèi)的n×n大小的局部方向共生矩陣。

r是歸一化因子，σxxx是Fxxx的標(biāo)準(zhǔn)差。

3 結(jié)果

提取到單囊型肝包蟲病、肝囊腫、正常肝臟CT圖像預(yù)處理后的和融合后的ROI圖像Tamura 6個(gè)特征和GGCM 15個(gè)特征值：小梯度優(yōu)勢(shì)、大梯度優(yōu)勢(shì)、灰度分布不均勻性、梯度分布不均勻性、能量、灰度均值、梯度均值、灰度標(biāo)準(zhǔn)差、梯度標(biāo)準(zhǔn)差、相關(guān)性、灰度熵、梯度熵、混合熵、差分距、逆差分距，把它們輸入到支持向量機(jī)[11]和BP神經(jīng)網(wǎng)絡(luò)[12]算法中，進(jìn)行分類處理，分類結(jié)果見表1、表2.（注：最佳分類準(zhǔn)確率是模型最優(yōu)參數(shù)下的分類準(zhǔn)確率，混合特征是由Tamura和GGCM特征組成的特征，即共21維特征）

實(shí)驗(yàn)過程中，采用十折交叉驗(yàn)證法，支持向量機(jī)使用序列最小最優(yōu)化SMO算法，核函數(shù)選擇多項(xiàng)式核函數(shù)，調(diào)整參數(shù)C（默認(rèn)值1，一般10-4≤C≤104）和BP神經(jīng)網(wǎng)絡(luò)中的隱含層神經(jīng)元個(gè)數(shù)（計(jì)算公式是屬性數(shù)量，o是類別數(shù)量，n是1～10之間的常數(shù)）進(jìn)行實(shí)驗(yàn)。其中，C是懲罰系數(shù)，即對(duì)誤差的寬容度。C越高，說明越不能容忍出現(xiàn)誤差，容易過擬合。C越小，容易欠擬合。C過大或過小，模型泛化能力變差。本實(shí)驗(yàn)調(diào)節(jié)C范圍1～30。平均分類準(zhǔn)確率跟參數(shù)調(diào)整曲線和最佳平均分類準(zhǔn)確率下的模型參數(shù)評(píng)估見圖4（注：標(biāo)簽1、2分別代表預(yù)處理后和融合后圖像）

表1 不同特征下3種肝臟預(yù)處理后圖像最佳分類準(zhǔn)確率Table 1 The best classification accuracy of preprocessing images with different features

表2 不同特征下3種肝臟融合后圖像最佳分類準(zhǔn)確率Table 2 The best classification accuracy of three kinds of liver fusion images with different features

4 討論

由表1、2可知，傳統(tǒng)預(yù)處理方法對(duì)肝囊腫CT圖像Tamura和混合特征的分類效果明顯優(yōu)于圖像融合方法，其中Tamura特征的分類效果優(yōu)于混合特征，最佳分類準(zhǔn)確率為98.333%；圖像融合方法對(duì)單囊型肝包蟲和正常肝臟CT圖像不同特征下的分類準(zhǔn)確率均高于傳統(tǒng)預(yù)處理方法，其中單囊型肝包蟲病圖像GGCM特征的分類效果比Tamura和混合特征好，最佳分類準(zhǔn)確率為99.167%，正常肝臟CT圖像不同特征下的分類準(zhǔn)確率均相等，為100%。由圖4可以看出，圖像融合方法不同特征、不同分類器下的平均分類準(zhǔn)確率均高于傳統(tǒng)預(yù)處理方法。

評(píng)價(jià)一個(gè)分類模型的分類精度，除了分類準(zhǔn)確率之外，還需要計(jì)算一些統(tǒng)計(jì)量，如查準(zhǔn)率（Precision），查全率（Recall），F(xiàn)度量（F-Measure）和 ROC曲線下面積（AUC）等，這些指標(biāo)均是[0，1]范圍內(nèi)的小數(shù)，越接近1，說明分類模型越好。由圖4可以看出，圖像融合方法不同特征下兩種分類器的參數(shù)值均高于預(yù)處理方法，說明圖像融合方法下的分類模型的平均分類精度比預(yù)處理方法的好。

圖4 不同方法下平均分類準(zhǔn)確率跟參數(shù)調(diào)整變化曲線和模型參數(shù)評(píng)估Fig 4 Average classification accuracy，parameter adjustment variation curve and model parameter evaluation under different methods

5 結(jié)論

本研究把圖像融合方法應(yīng)用于肝包蟲病CT圖像的分型中，從原圖像ROI中提取多幅特征子圖像，并對(duì)其進(jìn)行融合為一幅蘊(yùn)涵著原圖像多方面特征信息的融合圖像，同時(shí)使用傳統(tǒng)的預(yù)處理方法與之比較，通過對(duì)融合后和預(yù)處理后的圖像進(jìn)行紋理特征提取和分類，結(jié)果表明圖像融合方法對(duì)正常肝臟和單囊型肝包蟲的分類能力比傳統(tǒng)的預(yù)處理方法好，而傳統(tǒng)的預(yù)處理方法適合于肝囊腫CT圖像的分類。