基于序列公共稀疏誤差對(duì)稱差異度分割的健壯腦腫瘤良惡性分類方法

公慧玲，李致勛

（南昌大學(xué)信息工程學(xué)院，南昌330031）

0 引言

在針對(duì)腦腫瘤圖像的良惡性智能識(shí)別過程中，腫瘤區(qū)域的準(zhǔn)確檢測(cè)和分割是其中最為關(guān)鍵的一步。目前，業(yè)界有以下幾類分割方法：①基于機(jī)器學(xué)習(xí)的方法，如馬爾科夫隨機(jī)場(chǎng)MRF 等[2]；②基于統(tǒng)計(jì)學(xué)習(xí)的方法，如高斯混合模型GMM 等[3]；③基于輪廓的技術(shù)，如主動(dòng)輪廓、變形模型等[4]；④基于深度學(xué)習(xí)的方法，如CNN、RCNN 等方法[5]。但是，當(dāng)前研究多集中于單幀圖像，由于腫瘤區(qū)域軟組織相對(duì)較低的對(duì)比度，單幀圖像中對(duì)邊緣的判斷是一個(gè)極大的挑戰(zhàn)，漏分和錯(cuò)分情況極易出現(xiàn)。

為了更好地利用CT 或MR 圖像中的三維序列特性，本文提出一種基于稀疏誤差對(duì)稱差異度的腦腫瘤顯著性分割方法，通過對(duì)序列間對(duì)應(yīng)的超像素區(qū)塊進(jìn)行提取并分析公共稀疏誤差，再通過該稀疏誤差對(duì)圖像中每個(gè)像素進(jìn)行有效性計(jì)算，以達(dá)到各層間信息互補(bǔ)的目的。最后利用左右腦半球間的對(duì)稱差異度對(duì)腦腫瘤區(qū)域顯著性進(jìn)行計(jì)算和分割，最大程度降低腫瘤范圍漏分或錯(cuò)分情況，并在此基礎(chǔ)上提出了一系列健壯特征用于腦腫瘤的良惡性分類。

1 基于序列顯著性幀間配準(zhǔn)的腦腫瘤顯著性映射

1.1 全圖像健壯超像素區(qū)塊的分割

此步驟中對(duì)整張圖像進(jìn)行的超分辨率分割會(huì)產(chǎn)生若干個(gè)超像素區(qū)塊，這些區(qū)塊將用于有意義區(qū)塊的提取，同時(shí)減少噪聲干擾并提高處理速度。這里首先利用Quickshift 算法進(jìn)行粗超像素分割[6]，然后再通過Kmeans 算法對(duì)各超像素區(qū)塊中信號(hào)強(qiáng)度的熵、平均信號(hào)強(qiáng)度、信號(hào)方差3 個(gè)特征進(jìn)行聚類，聚合成N 個(gè)類別由于此處每個(gè)類別是相鄰相近信號(hào)區(qū)域的融合，所以聚類后的超像素區(qū)塊劃分更具合理性和健壯性。

1.2 序列超像素間公共稀疏重構(gòu)誤差的獲取

為了用序列信號(hào)來彌補(bǔ)單幀圖像中信號(hào)缺失的部分，此步利用上步所獲取的N 個(gè)區(qū)塊，在M 幀序列圖像中對(duì)對(duì)應(yīng)區(qū)塊中的所有像素進(jìn)行信號(hào)強(qiáng)度分布分析，分析公式為：

其中f 函數(shù)用于判別Cp中的超像素區(qū)塊在相鄰各幀圖像It中出現(xiàn)的概率。如果某區(qū)塊在某幀中出現(xiàn)，則f=1，否則f=0。Zp值越大代表著Cp中的超像素在序列中出現(xiàn)的概率越大，同時(shí)表明其為共同有效區(qū)塊的可能性越大。當(dāng)獲取了每個(gè)類的分布情況后，則可以生成符合序列圖像的公共重構(gòu)基Fcomm：

其中α2為閾值，用于去除在序列中較少出現(xiàn)的類別。對(duì)圖像It中所包含的超像素，進(jìn)行稀疏變換后可得到稀疏編碼為：

位于海南三亞的亞特蘭蒂斯是一座海洋主題的度假勝地，囊括了驚險(xiǎn)刺激的水世界冒險(xiǎn)樂園、神秘奇幻的水族館、互動(dòng)性極強(qiáng)的海豚灣、不同風(fēng)味的餐廳酒吧及餐飲點(diǎn)位、全海景客房及套房、高端雅致的水療館、時(shí)尚新潮的精品店鋪以及大型會(huì)議中心與多功能廳。

1.3 左右腦半球間對(duì)比差異度及腫瘤顯著性提取

由于人腦組織近似對(duì)稱的結(jié)構(gòu)特性，腦腫瘤區(qū)域可以通過兩個(gè)腦半球的非對(duì)稱區(qū)域獲得。即當(dāng)某半球腦組織中出現(xiàn)腫瘤后，該區(qū)域與另一半球?qū)Ρ葘⒊霈F(xiàn)不一致性，從而體現(xiàn)出顯著性。

這里采用Glocker 所提出的離散MRF 模型用于獲取對(duì)比差異度[7]。設(shè)某腦半球中的像素標(biāo)簽集?={1 ,… ,n} 和與之對(duì)應(yīng)的變形離散偏移標(biāo)記Δ={d1,… dn} ，對(duì)于每一個(gè)控制節(jié)點(diǎn)p，通過變形以確定左右腦半球標(biāo)簽間的對(duì)應(yīng)關(guān)系。變形公式如下：

由于此處僅要分析對(duì)齊誤差，所以腦腫瘤顯著性值可以變形為下列公式：

該式函數(shù)值在兩側(cè)不具有對(duì)稱性時(shí)更大，而具有對(duì)稱性時(shí)更小，即兩側(cè)不均等時(shí)為腫瘤的可能性更大。

在獲得顯著性后，由于腫瘤信號(hào)和正常組織信號(hào)差異具有恒定的符號(hào)關(guān)系，例如CT 圖像中腫瘤區(qū)域的信號(hào)強(qiáng)度通常都會(huì)高于正常組織，所以最終可以通過非對(duì)稱符號(hào)正負(fù)來判別哪邊存在腫瘤。

2 腫瘤區(qū)域健壯形狀及紋理特征提取

在準(zhǔn)確獲取腦腫瘤輪廓之后，腦腫瘤形態(tài)的健壯表達(dá)是準(zhǔn)確良惡性識(shí)別的關(guān)鍵步驟。本文根據(jù)腦腫瘤的特點(diǎn)，提出以下基于形狀和紋理的健壯特征：

形狀特征：①似圓度：通過計(jì)算最大擬合圓周長(zhǎng)與實(shí)際輪廓周長(zhǎng)之比，描述腫瘤的邊緣是否平滑和規(guī)則；②平均歸一化徑向長(zhǎng)度：通過計(jì)算腫瘤的中心到邊緣的距離，來描述腫瘤的位置形態(tài)；③凸起的數(shù)量：因不同類型的腫瘤具有不同的凸起數(shù)目，所以可通過中值濾波器和多項(xiàng)式曲線擬合來計(jì)算徑向距離，用于跟蹤針狀度；④輪廓橢圓歸一化：因邊界中含有較多的突起和凹陷，則橢圓輪廓具有更高的復(fù)雜度，因此它也可以用于合理地描述腫瘤輪廓的復(fù)雜度。

紋理特征：灰度共生矩陣描述的紋理信號(hào)間的強(qiáng)度關(guān)系，常用于圖像的紋理特性分析[8]。在用于具有256 個(gè)灰度級(jí)的醫(yī)學(xué)圖像時(shí)，矩陣大小設(shè)為256×256。參數(shù)設(shè)置像素相對(duì)距離設(shè)置為1、2、3，相對(duì)角度設(shè)定為0°、45°、90°、135°。然后在每個(gè)距離和角度上分別提取四個(gè)特征：對(duì)比度、能量、同一性和相關(guān)性。最后，把相鄰切片的特征進(jìn)行融合。

3 算法實(shí)現(xiàn)

本文算法的具體實(shí)現(xiàn)流程如下：

第一步：預(yù)處理。為了減少設(shè)備間差異造成的影響，此步主要對(duì)圖像使用2D 高斯低通濾波器來進(jìn)行平滑處理，以及使用線性正則化方法來進(jìn)行圖像增強(qiáng)處理。

第二步：腦腫瘤顯著區(qū)域提取及分割。此步首先利用本文所述的基于序列公共稀疏誤差對(duì)稱差異度進(jìn)行顯著性計(jì)算。獲取顯著性值后，采用圖割的方法進(jìn)行最終的腫瘤區(qū)域分割。值得一提的是，由于在顯著性計(jì)算中，目標(biāo)區(qū)域具有較大的顯著性值，而背景區(qū)域具有較小的顯著性值，因而可以在此處直接套用圖割算法。

第三步：腦腫瘤顯著性輪廓特征提取。似圓度、平均歸一化徑向長(zhǎng)度、凸起的數(shù)量、輪廓橢圓歸一化等形狀特征，以及灰度共生矩陣的紋理特征可以為后續(xù)良惡性分類提供健壯的信息表達(dá)。

第四步：腦腫瘤良惡性分類。由于支持向量機(jī)SVM 方法具有高維空間下的非線性映射能力，以及不涉及概率演算復(fù)雜性的優(yōu)勢(shì)[9]，所以此處采用SVM 方法對(duì)腦腫瘤良惡性進(jìn)行分類識(shí)別。

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證算法的效果，本文在Intel 奔騰Xeon4 1.8G CPU，32G 內(nèi)存配置的計(jì)算機(jī)及Ubuntu 64 位操作系統(tǒng)平臺(tái)上進(jìn)行實(shí)驗(yàn)。為與臨床診斷實(shí)際需求一致，樣本盡可能處于同一年齡段，病例圖像全部選自30-60歲之間人群。并且選取良性腦膜瘤、惡性膠質(zhì)瘤各30例，男女比例為1:1，在CT 和MR 設(shè)備上，每個(gè)病例產(chǎn)生74 張DICOM 圖像序列圖像以供分析。

圖1 良性CT圖像腫瘤分割結(jié)果

從實(shí)驗(yàn)視覺效果上來看，圖1（b）和圖2（b）顯示出了公共稀疏重構(gòu)誤差的超像素區(qū)塊，并且腫瘤處具有最亮的目標(biāo)顯著度。并且可以看出本文方法比僅利用單幀圖像的方法能夠更好地勾畫出腫瘤區(qū)域。

圖2 惡性MR圖像腫瘤分割結(jié)果

為了評(píng)估算法的良惡性分類整體性能，本文與基于統(tǒng)計(jì)學(xué)習(xí)的方法和基于主動(dòng)輪廓的分割方法進(jìn)行對(duì)比，然后在它們分割的基礎(chǔ)上用SVM 分類器進(jìn)行分類。此處采用5 個(gè)評(píng)價(jià)指標(biāo)，準(zhǔn)確率（ACC）、敏感性（SEN）、特異性（SPE）、正預(yù)測(cè)值（PPV）和負(fù)預(yù)測(cè)值（NPV）。其中正確分類和錯(cuò)誤分類的惡性腫瘤數(shù)為TP和FN，正確分類和錯(cuò)誤分類的良性腫瘤數(shù)為TN 和FP，計(jì)算公式如下：

表1 算法性能對(duì)比結(jié)果

通過表1 所描述的量化對(duì)比數(shù)據(jù)可以看出，相對(duì)于基于統(tǒng)計(jì)方法分割的識(shí)別方法和基于主動(dòng)輪廓模型分割的識(shí)別方法，本文提出的基于序列公共稀疏誤差對(duì)稱差異度的腫瘤精確分割方法具有更好的識(shí)別準(zhǔn)確率。

5 結(jié)語

本文針對(duì)單幀腦腫瘤區(qū)域圖像信號(hào)存在缺失的問題進(jìn)行研究，提出了一種基于序列公共稀疏誤差對(duì)比差異度的腦腫瘤顯著性分割算法。實(shí)驗(yàn)表明，該方法能夠獲得更加準(zhǔn)確的腦腫瘤區(qū)域，并且在此基礎(chǔ)上利用似圓度等4 種無量綱健壯形狀特征對(duì)腦腫瘤進(jìn)行良惡性分類時(shí)，本文方法也具有更好的分類效果。