基于紋理特征和支持向量機(jī)的磁共振腦圖像組織分類

董朝旭+++年瑞

摘要： 磁共振腦圖像的是醫(yī)學(xué)診斷中的一種重要的手段，在此主要研究磁共振腦圖像的組織分類。分類以腦圖像各組織的紋理特征為依據(jù)。在試驗(yàn)過(guò)程中采用區(qū)分度較高的特征值，組成特征向量，作為支持向量機(jī)的輸入，用改進(jìn)的支持向量機(jī)進(jìn)行分類。在特征向量數(shù)據(jù)優(yōu)化和支持向量機(jī)參數(shù)尋優(yōu)的條件下，可以取得較好的分類效果。

關(guān)鍵詞： 紋理特征； 支持向量機(jī)； 磁共振腦圖像； 參數(shù)尋優(yōu)

中圖分類號(hào)： TN964?34 文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)： 1004?373X（2014）08?0135?03

MRI brain tissue classification based on texture features and support vector machines

DONG Zhao?xu， NIAN Rui

（Department of Electronics， Ocean University of China， Qingdao 266100， China）

Abstract： Magnetic resonance imaging （MRI） of brain is one of the important means of medical diagnosis. The tissue classification of the magnetic resonance brain images is studied mainly in this paper. The classification is based on the texture features of the MRI brain tissue. In the process of the experiment， high degree of distinction characteristic values was used to compose the feature vector， which was input into support vector machines （SVM） and was classified by the improved SVM. Better classification result can be obtained under the conditions of optimizing the feature vector data and the parameters of SVM.

Keywords： texture feature； support vector machine； magnetic resonance imaging of brain； parameter optimization

磁共振成像是一種高分辨率、無(wú)損傷、解剖結(jié)構(gòu)顯示清楚的醫(yī)學(xué)成像技術(shù)，因此磁共振成像技術(shù)在醫(yī)療診斷重要的作用，尤其是在腦組織的研究中得到了廣泛的應(yīng)用。支持向量機(jī)（SVM）是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維（Vapnik?Chervonenkis Dimension）理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的一種分類算法[1]。由于MRI腦圖像的各個(gè)不同腦組織具有的紋理特征，因此可以利用各個(gè)不同的腦組織的紋理特征，組成紋理特征向量作為支持向量機(jī)輸入進(jìn)行腦組織的分割的依據(jù)。

1紋理特征提取

紋理是圖像分析中常用的概念，它用于描述圖像的局部特性。通常把描述紋理局部不規(guī)則而宏觀上有規(guī)律的特性的數(shù)字特征成為紋理特征[2]。灰度共生矩陣是一種經(jīng)典基于統(tǒng)計(jì)特征的紋理特征提取方法，它反映了圖像上任意兩點(diǎn)間灰度的空間相關(guān)性[3]。設(shè)一圖像為[f(x,y)]，大小為[M×N]，灰度級(jí)[Ng]有：[p(i,j)=#{(x1,y1),(x2,y2)∈M×Nf(x1,y1) =i,f(x2,y2)=j}] （1）

式中：[#(x)]表示集合中[x]元素個(gè)數(shù)，若[(x1,y1),(x2,y2)]間距離為[d]，與橫坐標(biāo)夾角為[θ]，則可以得到各種間距和角度的灰度共生矩陣[p(i,j,d,θ)]。常用反映灰度共生矩陣的統(tǒng)計(jì)量有對(duì)比度、熵、角二階矩（能量）、相關(guān)性、均值、方差、逆差矩、非相似度等[4]。

2支持向量機(jī)腦組織分割

支持向量機(jī)是Cortes和Vapnik等人提出的一種機(jī)器學(xué)習(xí)算法，其理論基礎(chǔ)是統(tǒng)計(jì)學(xué)習(xí)理論。統(tǒng)計(jì)學(xué)習(xí)理論是專門(mén)研究小樣本統(tǒng)計(jì)估計(jì)和預(yù)測(cè)的理論。

其中對(duì)支持向量機(jī)起關(guān)鍵作用的理論是VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則[5]。支持向量機(jī)最初源于數(shù)據(jù)分類問(wèn)題的處理，SVM就是要尋找一個(gè)滿足要求的分割平面，使不同樣本集中的點(diǎn)距離該平面盡可能的遠(yuǎn)，即尋找最優(yōu)超平面。SVM是從線性可分情況下發(fā)展來(lái)的。如圖1所示。

最優(yōu)超平面[ω?x+b=0]，對(duì)其歸一化后轉(zhuǎn)化為使用Lagrange乘子法的二次規(guī)劃問(wèn)題，求解得最優(yōu)分類函數(shù)：

[f(x)=sgn(i=1lyia*i(xi?x)+b*)] （2）

圖1 最優(yōu)超平面

在線性不可分情況下運(yùn)用核技巧來(lái)擴(kuò)展線性支持向量機(jī)到線性不可分的數(shù)據(jù)分類中。核函數(shù)的采用相當(dāng)于將原空間線性不可分的向量非線性映射到一個(gè)線性可分的特征空間[F:x?Φ(x)]，并在特征空間構(gòu)造線性分類面，從而得到在原空間的非線性分類面 [6]。其對(duì)應(yīng)的分類函數(shù)為：

[f(x)=sgn(i=1lyiα*iK(xi,x)+b*)] （3）

式中：[K(xi,x)]為核函數(shù)常用的支持向量機(jī)核函數(shù)有線性核、多項(xiàng)式核、高斯核函數(shù)核（RBF）和Sigmoid核等。本實(shí)驗(yàn)采用RBF核函數(shù)：

[K(x,x')=e-||x-x'||2/σ2] （4）

RBF核函數(shù)具有可分離性、單值函數(shù)性、旋轉(zhuǎn)對(duì)稱性，所以RBF核函數(shù)的使用可以增強(qiáng)圖像分類的抗干擾能力和魯棒性，而且可以提高分類速度和分類準(zhǔn)確率[7]。

3支持向量機(jī)MRI腦組織分類

在本實(shí)驗(yàn)中所用的MRI腦圖像是青島大學(xué)附屬醫(yī)院徐浩老師提供的病人真實(shí)的MRI圖像，以真實(shí)的MRI圖像為研究對(duì)象，對(duì)后期實(shí)驗(yàn)成果的普適性具有重要意義。實(shí)驗(yàn)圖像如圖2~圖5所示。實(shí)驗(yàn)首先提取腦干、小腦、胼胝體作為腦組織的樣本用于提取訓(xùn)練集和測(cè)試集。

圖2 MRI腦圖像

在對(duì)圖像進(jìn)行紋理特征提取的過(guò)程中，選取了具有較好區(qū)分度的對(duì)比度、熵、角二階矩和相關(guān)性4個(gè)特征量來(lái)構(gòu)成特征向量[8]。作為支持向量機(jī)的輸入。為了獲得局部特征，需要將提取的各個(gè)腦組織的子圖像，然后在子圖像中提取響應(yīng)的局部的紋理特征。通過(guò)實(shí)驗(yàn)在此MRI腦圖像中發(fā)現(xiàn)[32×32]像素的分塊具有較好的分類準(zhǔn)確率。

圖3 腦干

圖4 胼胝體

圖5 小腦

對(duì)提取的紋理特征數(shù)據(jù)進(jìn)行處理，形成Matlab適用的數(shù)據(jù)格式。由于所提取的特征可能在量值上有很大的差異，為了避免大值特征淹沒(méi)了小值特征對(duì)分類的貢獻(xiàn)，所以可以對(duì)所提取的紋理特征值進(jìn)行歸一化處理[f:x→y=x-xminxmax-xmin]，但是這應(yīng)根據(jù)數(shù)據(jù)的具體情況而定[9]。所以在進(jìn)行實(shí)驗(yàn)過(guò)程中對(duì)進(jìn)行歸一化和未進(jìn)行歸一化的數(shù)據(jù)分別進(jìn)行分類，來(lái)發(fā)現(xiàn)哪種情況下可以得到更好的分類準(zhǔn)確率。

為了使SVM的能夠達(dá)到更好的分類效果，需要優(yōu)化支持向量機(jī)的各個(gè)參數(shù)，主要是懲罰參數(shù)C和核函數(shù)參數(shù)g。在本實(shí)驗(yàn)中采用交叉驗(yàn)證（Cross Validation，CV）的方法來(lái)尋求最優(yōu)參數(shù)[10]。該方法可以有效地避免過(guò)學(xué)習(xí)和欠學(xué)習(xí)狀態(tài)的發(fā)生。

在實(shí)驗(yàn)中首先選取腦干和胼胝體進(jìn)行2類的支持向量機(jī)分類，在實(shí)驗(yàn)中分別使用了歸一化和未歸一化的數(shù)據(jù)進(jìn)行分類對(duì)比分類準(zhǔn)確率得到結(jié)果如表1所示。

從數(shù)據(jù)中可以看出對(duì)數(shù)據(jù)進(jìn)行歸一化和選取最優(yōu)參數(shù)后利用支持向量機(jī)對(duì)MRI腦組織進(jìn)行分類可以得到較好的分類結(jié)果。

表1 兩類情況小的分類準(zhǔn)確率對(duì)比

然后選取腦干、胼胝體和小腦進(jìn)行3類腦組織的分類，分類結(jié)果如表2所示。

表2 三類情況下的分類準(zhǔn)確率對(duì)比

從本組實(shí)驗(yàn)數(shù)據(jù)可以看出對(duì)于3類的分類情況數(shù)據(jù)在未歸一化的情況下可以獲得較好的分類效果，分類準(zhǔn)確率可以達(dá)到91.667%。

4實(shí)驗(yàn)總結(jié)

通過(guò)對(duì)上述的實(shí)驗(yàn)結(jié)果進(jìn)行分析可以發(fā)現(xiàn)，對(duì)MRI腦圖像的腦組織進(jìn)行紋理特征提取，然后作為支持向量機(jī)的輸入來(lái)進(jìn)行腦組織分類，在數(shù)據(jù)處理和SVM參數(shù)優(yōu)化后可以得到較好的分類結(jié)果。

但是在進(jìn)行問(wèn)題特征提取的過(guò)程中選哪些統(tǒng)計(jì)量來(lái)組成紋理特征十分重要，這些統(tǒng)計(jì)量的是否具有區(qū)分性，是后期用支持向量機(jī)進(jìn)行分類的基礎(chǔ)。在本實(shí)驗(yàn)中選取了具有代表性和區(qū)分性的4種統(tǒng)計(jì)量來(lái)構(gòu)成特征向量。最后對(duì)支持向量機(jī)進(jìn)行參數(shù)尋優(yōu)，是支持向量機(jī)具有更好的分類效果，提高分類準(zhǔn)確率的必要方法。

參考文獻(xiàn)

[1] 徐海祥，喻莉，朱光喜，等.基于支持向量機(jī)的磁共振腦組織圖像分割[J].中國(guó)圖象圖形學(xué)報(bào)，2005（10）：1277?1280.

[2] 韓國(guó)軍.基于特征選擇和支持向量機(jī)的紋理圖像分類[D].西安：西安電子科技大學(xué)，2009.

[3] 馮建輝，楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究[J].北京測(cè)繪，2007（3）：19?20.

[4] 馬莉，范影樂(lè).紋理圖像分析[M].北京：科學(xué)出版社，2009.

[5] ARIVAZHAGAN S， GANESAN L. Texture segmentation using wavelet transform [J]. Pattern Recognition Letters， 2003， 24（16）： 3197?3203.

[6] 鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法：支持向量機(jī)[M].北京：科學(xué)出版社，2006.

[7] 李寧，孫銘，王磊，等.基于支持向量機(jī)的肝纖維化CT圖像分類[J].北京生物醫(yī)學(xué)工程，2007，26（1）：41?43.

[8] 張婧.基于SVM的肺結(jié)節(jié)自動(dòng)識(shí)別方法研究[D].廣州：華南理工大學(xué)，2011.

[9] 鄭慶慶.紋理特征提取及其在圖像分割中的應(yīng)用研究[D].武漢：華中科技大學(xué)，2011.

[10] 劉慧.醫(yī)學(xué)圖像處理中的分割與檢索關(guān)鍵技術(shù)研究[D].濟(jì)南：山東大學(xué)，2008.

為了使SVM的能夠達(dá)到更好的分類效果，需要優(yōu)化支持向量機(jī)的各個(gè)參數(shù)，主要是懲罰參數(shù)C和核函數(shù)參數(shù)g。在本實(shí)驗(yàn)中采用交叉驗(yàn)證（Cross Validation，CV）的方法來(lái)尋求最優(yōu)參數(shù)[10]。該方法可以有效地避免過(guò)學(xué)習(xí)和欠學(xué)習(xí)狀態(tài)的發(fā)生。

在實(shí)驗(yàn)中首先選取腦干和胼胝體進(jìn)行2類的支持向量機(jī)分類，在實(shí)驗(yàn)中分別使用了歸一化和未歸一化的數(shù)據(jù)進(jìn)行分類對(duì)比分類準(zhǔn)確率得到結(jié)果如表1所示。

從數(shù)據(jù)中可以看出對(duì)數(shù)據(jù)進(jìn)行歸一化和選取最優(yōu)參數(shù)后利用支持向量機(jī)對(duì)MRI腦組織進(jìn)行分類可以得到較好的分類結(jié)果。

表1 兩類情況小的分類準(zhǔn)確率對(duì)比

然后選取腦干、胼胝體和小腦進(jìn)行3類腦組織的分類，分類結(jié)果如表2所示。

表2 三類情況下的分類準(zhǔn)確率對(duì)比

從本組實(shí)驗(yàn)數(shù)據(jù)可以看出對(duì)于3類的分類情況數(shù)據(jù)在未歸一化的情況下可以獲得較好的分類效果，分類準(zhǔn)確率可以達(dá)到91.667%。

4實(shí)驗(yàn)總結(jié)

通過(guò)對(duì)上述的實(shí)驗(yàn)結(jié)果進(jìn)行分析可以發(fā)現(xiàn)，對(duì)MRI腦圖像的腦組織進(jìn)行紋理特征提取，然后作為支持向量機(jī)的輸入來(lái)進(jìn)行腦組織分類，在數(shù)據(jù)處理和SVM參數(shù)優(yōu)化后可以得到較好的分類結(jié)果。

但是在進(jìn)行問(wèn)題特征提取的過(guò)程中選哪些統(tǒng)計(jì)量來(lái)組成紋理特征十分重要，這些統(tǒng)計(jì)量的是否具有區(qū)分性，是后期用支持向量機(jī)進(jìn)行分類的基礎(chǔ)。在本實(shí)驗(yàn)中選取了具有代表性和區(qū)分性的4種統(tǒng)計(jì)量來(lái)構(gòu)成特征向量。最后對(duì)支持向量機(jī)進(jìn)行參數(shù)尋優(yōu)，是支持向量機(jī)具有更好的分類效果，提高分類準(zhǔn)確率的必要方法。

參考文獻(xiàn)

[1] 徐海祥，喻莉，朱光喜，等.基于支持向量機(jī)的磁共振腦組織圖像分割[J].中國(guó)圖象圖形學(xué)報(bào)，2005（10）：1277?1280.

[2] 韓國(guó)軍.基于特征選擇和支持向量機(jī)的紋理圖像分類[D].西安：西安電子科技大學(xué)，2009.

[3] 馮建輝，楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究[J].北京測(cè)繪，2007（3）：19?20.

[4] 馬莉，范影樂(lè).紋理圖像分析[M].北京：科學(xué)出版社，2009.

[5] ARIVAZHAGAN S， GANESAN L. Texture segmentation using wavelet transform [J]. Pattern Recognition Letters， 2003， 24（16）： 3197?3203.

[6] 鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法：支持向量機(jī)[M].北京：科學(xué)出版社，2006.

[7] 李寧，孫銘，王磊，等.基于支持向量機(jī)的肝纖維化CT圖像分類[J].北京生物醫(yī)學(xué)工程，2007，26（1）：41?43.

[8] 張婧.基于SVM的肺結(jié)節(jié)自動(dòng)識(shí)別方法研究[D].廣州：華南理工大學(xué)，2011.

[9] 鄭慶慶.紋理特征提取及其在圖像分割中的應(yīng)用研究[D].武漢：華中科技大學(xué)，2011.

[10] 劉慧.醫(yī)學(xué)圖像處理中的分割與檢索關(guān)鍵技術(shù)研究[D].濟(jì)南：山東大學(xué)，2008.

為了使SVM的能夠達(dá)到更好的分類效果，需要優(yōu)化支持向量機(jī)的各個(gè)參數(shù)，主要是懲罰參數(shù)C和核函數(shù)參數(shù)g。在本實(shí)驗(yàn)中采用交叉驗(yàn)證（Cross Validation，CV）的方法來(lái)尋求最優(yōu)參數(shù)[10]。該方法可以有效地避免過(guò)學(xué)習(xí)和欠學(xué)習(xí)狀態(tài)的發(fā)生。

在實(shí)驗(yàn)中首先選取腦干和胼胝體進(jìn)行2類的支持向量機(jī)分類，在實(shí)驗(yàn)中分別使用了歸一化和未歸一化的數(shù)據(jù)進(jìn)行分類對(duì)比分類準(zhǔn)確率得到結(jié)果如表1所示。

從數(shù)據(jù)中可以看出對(duì)數(shù)據(jù)進(jìn)行歸一化和選取最優(yōu)參數(shù)后利用支持向量機(jī)對(duì)MRI腦組織進(jìn)行分類可以得到較好的分類結(jié)果。

表1 兩類情況小的分類準(zhǔn)確率對(duì)比

然后選取腦干、胼胝體和小腦進(jìn)行3類腦組織的分類，分類結(jié)果如表2所示。

表2 三類情況下的分類準(zhǔn)確率對(duì)比

從本組實(shí)驗(yàn)數(shù)據(jù)可以看出對(duì)于3類的分類情況數(shù)據(jù)在未歸一化的情況下可以獲得較好的分類效果，分類準(zhǔn)確率可以達(dá)到91.667%。

4實(shí)驗(yàn)總結(jié)

通過(guò)對(duì)上述的實(shí)驗(yàn)結(jié)果進(jìn)行分析可以發(fā)現(xiàn)，對(duì)MRI腦圖像的腦組織進(jìn)行紋理特征提取，然后作為支持向量機(jī)的輸入來(lái)進(jìn)行腦組織分類，在數(shù)據(jù)處理和SVM參數(shù)優(yōu)化后可以得到較好的分類結(jié)果。

但是在進(jìn)行問(wèn)題特征提取的過(guò)程中選哪些統(tǒng)計(jì)量來(lái)組成紋理特征十分重要，這些統(tǒng)計(jì)量的是否具有區(qū)分性，是后期用支持向量機(jī)進(jìn)行分類的基礎(chǔ)。在本實(shí)驗(yàn)中選取了具有代表性和區(qū)分性的4種統(tǒng)計(jì)量來(lái)構(gòu)成特征向量。最后對(duì)支持向量機(jī)進(jìn)行參數(shù)尋優(yōu)，是支持向量機(jī)具有更好的分類效果，提高分類準(zhǔn)確率的必要方法。

參考文獻(xiàn)

[1] 徐海祥，喻莉，朱光喜，等.基于支持向量機(jī)的磁共振腦組織圖像分割[J].中國(guó)圖象圖形學(xué)報(bào)，2005（10）：1277?1280.

[2] 韓國(guó)軍.基于特征選擇和支持向量機(jī)的紋理圖像分類[D].西安：西安電子科技大學(xué)，2009.

[3] 馮建輝，楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究[J].北京測(cè)繪，2007（3）：19?20.

[4] 馬莉，范影樂(lè).紋理圖像分析[M].北京：科學(xué)出版社，2009.

[5] ARIVAZHAGAN S， GANESAN L. Texture segmentation using wavelet transform [J]. Pattern Recognition Letters， 2003， 24（16）： 3197?3203.

[6] 鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法：支持向量機(jī)[M].北京：科學(xué)出版社，2006.

[7] 李寧，孫銘，王磊，等.基于支持向量機(jī)的肝纖維化CT圖像分類[J].北京生物醫(yī)學(xué)工程，2007，26（1）：41?43.

[8] 張婧.基于SVM的肺結(jié)節(jié)自動(dòng)識(shí)別方法研究[D].廣州：華南理工大學(xué)，2011.

[9] 鄭慶慶.紋理特征提取及其在圖像分割中的應(yīng)用研究[D].武漢：華中科技大學(xué)，2011.

[10] 劉慧.醫(yī)學(xué)圖像處理中的分割與檢索關(guān)鍵技術(shù)研究[D].濟(jì)南：山東大學(xué)，2008.