基于超聲識別HIFU致生物組織變性

譚 青,丁亞軍*,錢盛友，陳 興

(1.湖南師范大學(xué)信息科學(xué)與工程學(xué)院，2.物理與電子科學(xué)學(xué)院，湖南 長沙 410081)

高強(qiáng)度聚焦超聲(high intensity focused ultrasound, HIFU)已廣泛用于治療腫瘤，其原理是將超聲波能量聚焦于病灶區(qū)域，瞬時產(chǎn)生65℃以上高溫，致腫瘤組織迅速凝固、壞死[1-2]。既往采用自組織映射神經(jīng)網(wǎng)絡(luò)(self-organizing maps, SOM)[2]、小波系數(shù)Hu矩特征值結(jié)合支持向量機(jī)(support vector machine, SVM)[3]，或以頻譜圖像的灰度共生矩陣慣性矩為反映溫度變化的信息參數(shù)[4]、通過提取灰度-梯度共生矩陣中灰度熵、混合熵[5]識別HIFU所致生物組織損傷，均取得較好效果。如何于灰度-梯度共生矩陣及灰度差分統(tǒng)計紛繁的特征參數(shù)中選擇最優(yōu)參數(shù)以提高組織變性識別率是亟待解決的問題。本研究探討基于超聲減影圖像篩選最佳特征向量，結(jié)合廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network, GRNN)提高HIFU所致生物組織變性識別率的方法。

1 實驗系統(tǒng)與方法

采用由HIFU輻照源(深圳普羅惠仁醫(yī)療科技公司)、Philips 超聲成像儀器及計算機(jī)控制系統(tǒng)組成的實驗系統(tǒng)，見圖1。選取300個新鮮離體豬肉組織樣本，將其置于透明玻璃缸里探頭正下方，以不同劑量對樣本進(jìn)行輻照，觀察輻照后樣本的聚焦區(qū)域是否出現(xiàn)組織凝固性壞死并記錄組織損傷情況，獲得150個變性樣本和150個未變性樣本。于輻照前后采集樣本的超聲聲像圖，對圖像濾波后行減影處理，獲得超聲減影圖像，見圖2。

圖1 實驗系統(tǒng)示意圖

2 特征提取

灰度-梯度共生矩陣法體現(xiàn)像素的灰度與圖像的邊緣信息[6]，灰度差分統(tǒng)計法為像素在一定鄰域范圍內(nèi)的灰度差值出現(xiàn)的概率，反映不同像素間在鄰域范圍內(nèi)的關(guān)聯(lián)程度[7]。本研究采用灰度-梯度共生矩陣法和灰度差分統(tǒng)計法分別提取超聲減影圖像中的小梯度優(yōu)勢、大梯度優(yōu)勢、灰度分布不均勻性、梯度分布不均勻性、能量、灰度平均、梯度平均、灰度均方差、梯度均方

差、相關(guān)、灰度熵、梯度熵、混合熵、慣性和平均值、對比度、角度方向二階矩、熵共18類特征參數(shù)，構(gòu)成18個特征向量。其中平均值(T1)、對比度(T2)、小梯度優(yōu)勢(T3)、能量(T4)、灰度分布不均勻性(T5)和梯度分布不均勻性(T6)權(quán)重較高，平均值反映圖像的總體灰度值概況，對比度反映圖像的清晰度和紋理溝紋的深淺程度。計算公式分別如下：

(1)

(2)

pΔ(i)是m級灰度差分中第i級灰度差分的概率。

小梯度優(yōu)勢在一定程度上反映圖像灰度變化劇烈的程度。能量反映圖像灰度分布均勻程度和紋理粗細(xì)度，灰度分布不均性反映圖像灰度分布不均勻程度，梯度分布不均勻性反映圖像紋理復(fù)雜程度[8]。計算公式分別為：

(3)

(4)

(5)

(6)

3 篩選最佳特征

采用P值顯著性檢測法分別對灰度-梯度共生矩陣法、灰度差分統(tǒng)計法獲得的18個特征向量的變性與未變性數(shù)據(jù)進(jìn)行顯著性檢測，以實現(xiàn)第1次特征篩選。假設(shè)檢驗中的P值反映某一事件發(fā)生的可能性，分析樣本之間是否有顯著性差異。P值計算公式為：

(7)

采用歐氏距離法對第1次篩選后獲得的特征向量的變性組織與未變性組織的類間距離進(jìn)行計算，以實現(xiàn)第2次特征篩選，獲得最佳特征向量。歐氏距離大小反映2組數(shù)據(jù)間的相似程度，其值越小代表數(shù)據(jù)間差異越小[10-12]。計算公式為：

(8)

ED為歐氏距離，xi、yi分別為變性、未變性數(shù)據(jù)。

4 識別組織變性

采用GRNN對300個樣本的超聲減影圖進(jìn)行變性識別。GRNN模型詳細(xì)介紹見文獻(xiàn)[13-14]。GRNN網(wǎng)絡(luò)共4層，結(jié)構(gòu)如圖3所示。輸入：X=[x1,x2,...,xm]T，輸出：Y=[y1,y2,...,yn]T，X為學(xué)習(xí)樣本m個特征參數(shù)組成的向量、Y為與之對應(yīng)的輸出[15]。300個樣本中198個為訓(xùn)練樣本，102個為測試樣本，測試樣本中51個為變性樣本數(shù)據(jù)，另外51個為未變性樣本數(shù)據(jù)。進(jìn)行組織變性識別時，有3種變量輸入模式即變量1、變量2、變量1和變量2。對訓(xùn)練樣本數(shù)據(jù)識別結(jié)束后，以第1次篩選剔除的特征向量、歐氏距離最小的2個特征向量為最佳特征向量的對照組，將其與最佳特征向量分別輸入GRNN進(jìn)行組織變性識別，獲得特征向量結(jié)合GRNN對測試樣本的正確識別率和總識別率：正確識別率=正確識別樣本類型數(shù)目/樣本類型總數(shù)×100%，總識別率=正確識別樣本類型數(shù)目/樣本總數(shù)×100%。

圖3 GRNN結(jié)構(gòu)示意圖

5 結(jié)果與分析

采用P值顯著性檢測法對冗余特征進(jìn)行第1次篩選，發(fā)現(xiàn)灰度差分統(tǒng)計法中的平均值、對比度2個紋理特征向量的P值分別為0.058 7、0.012 8，均大于原假設(shè)值0.01，說明輻照后變性及未變性樣本組織上述紋理特征向量不具獨(dú)立性，無法有效識別損傷組織，予以剔除；其余16個紋理特征向量值均小于原假設(shè)值，提示其能有效區(qū)分變性與未變性組織，為存在明顯差異的獨(dú)立不相關(guān)特征。

以歐氏距離法對第1次特征篩選獲得的16個紋理特征向量進(jìn)行第2次篩選的結(jié)果見表1。歐氏距離最大的2個特征向量為灰度分布不均勻性和梯度分布不均勻性，說明輻照后上述2個紋理特征參數(shù)在變性與未變性樣本間存在較大差異，即具有較好的變性識別效果，以之作為最佳特征向量。其余14個特征向量的歐氏距離相對較小，提示其在變性與未變性樣本中相似度偏高，區(qū)分效果相對較差。

表1 以歐氏距離法篩選最佳特征向量的結(jié)果

將梯度分布不均勻性特征向量輸入GRNN后總識別率為90.20%，灰度分布不均勻性特征向量輸入GRNN后總識別率為91.18%，2者組合輸入GRNN后總識別率高達(dá)98.04%，對于變性及未變性各51個樣本各正確識別50個。將對照組平均值、對比度2個特征參數(shù)分別輸入GRNN對測試樣本進(jìn)行識別，結(jié)果示GRNN識別HIFU輻照后變性組織的效果較差，總識別率分別為48.04%和75.49%；將特征組合輸入GRNN進(jìn)行自動識別，效果雖有所改善但仍較差，總識別率為79.41%。將對照組歐氏距離最小的能量、小梯度優(yōu)勢2個特征參數(shù)分別輸入GRNN后，總識別率分別達(dá)88.24%、89.22%，而將其特征組合輸入GRNN后總識別率仍為89.22%。見表2。

表2 以特征向量結(jié)合GRNN識別樣本的結(jié)果

分別以灰度分布不均勻性、梯度分布不均勻性結(jié)合GRNN自動識別變性組織，識別率顯著高于對照組；錯誤識別樣本大多集中于交界處(圖4A、4B)；以2個最佳特征向量組合結(jié)合GRNN描述圖像灰度及紋理信息更全面，并明顯消除了交界處干擾識別的因素，識別變性組織效果更佳(圖4C)。

圖4 最佳特征向量及其組合輸入GRNN識別組織變性結(jié)果 A.灰度分布不均勻性特征輸入GRNN識別結(jié)果； B.梯度分布不均勻性特征輸入GRNN識別結(jié)果； C.灰度分布不均勻性、梯度分布不均勻特征組合輸入GRNN識別結(jié)果

6 結(jié)論

基于超聲減影圖像，以最佳特征參數(shù)灰度分布不均勻性、梯度分布不均勻性分別結(jié)合GRNN均可提高對HIFU輻照所致組織變性的識別率；以2個特征組合結(jié)合GRNN識別組織變性的效果更佳。