基于小波包變換的肝臟超聲圖像檢測方法研究

楊 青，周曉蕓

（1.南京市職業(yè)病防治院，南京210042；2.南京理工大學計算機科學與技術學院，南京210014）

0 引言

脂肪性肝病包括一系列以甘油三酯在肝細胞胞漿內積聚為特征的疾病，其與肥胖、胰島素抵抗和代謝綜合征有關。脂肪肝是全球最常見的慢性肝病之一，肝活檢被認為是評估肝臟脂肪浸潤的金標準，但活檢的侵入性和成本較高，對患者造成的創(chuàng)傷較大。超聲成像具有無放射性、無創(chuàng)、價格低廉、易于操作等優(yōu)點，因此是脂肪肝的首選診斷方法[1-2]。

迄今為止，為了幫助診斷和檢測脂肪肝，國內外學者提出了不同的方案。肝臟分割、特征提取和分類是基于超聲圖像的計算機輔助診斷（computer aided diagnosis，CAD）的主要步驟[3-4]。對肝臟圖像進行區(qū)域分割的方法有多種，人工手動方法居多，還有一些半自動和自動方法。手動分割方法需要醫(yī)學專家確定感興趣區(qū)（region of interest，ROI），然后再由計算機進行運算處理；而自動分割方法需要用戶輸入的信息量很少，且不需要醫(yī)學專家的幫助。劉曉虹等[5]首先對肝臟CT 圖像進行預處理，并手動提取正異常ROI區(qū)域，然后學習生成穩(wěn)定邊緣模式的閾值，在測試階段，使用廣義Hough 變換對具有代表性的模板進行ROI 檢測。趙萬明[6]提出了一種半自動提取ROI 的方法：在訓練階段，從訓練的超聲圖像中手動提取一部分ROI 來訓練分割系統(tǒng)，然后提取最佳的ROI，通過分類器將圖像分為正常肝圖像、脂肪肝圖像和異質性肝圖像。使用CAD 系統(tǒng)的目的是盡量減少用戶干預，因此首選自動方法。宋璟璟等[7]提出了一種自動提取ROI 的方法檢測肝臟表面，即將肝臟實質超聲圖像分解為包含紋理信息的斑點圖像以及包含肝臟強度和解剖信息的去斑點圖像，而有效的ROI 不應包括肝血管、膽汁儲存等異常區(qū)域[5]。但該方案缺乏對異常區(qū)域的消除，所以效率不高。Gaber 等[8]提出了一種使用超聲圖像診斷肝臟疾病的非侵入性方法，通過特征提取、特征選擇和分類3 個步驟將肝臟組織分類為正常肝、脂肪肝或異質性肝3 類，具體步驟如下：首先，確定相關性、同質性、方差、熵和標準偏差；其次，基于Fisher 判別選擇最有效的特征；最后，使用3 個基于投票的子分類器進行肝臟分類。該非侵入性方法結合了2 種不同的特征選擇方法，避免了采用一種方法的局限性。Gaber 等[8]提出的基于超聲圖像診斷肝臟疾病的非侵入性方法對異質性肝、脂肪肝、正常肝的識別敏感度分別為94.7%、93.3%、96.4%，其性能優(yōu)于其他現(xiàn)有方法，但是該方法選擇最有效特征的過程是手動進行的，人工成本較高。

本研究提出一種基于小波包變換（wavelet packet transform，WPT）的肝臟超聲圖像檢測方法，該方法利用小波包變換提取統(tǒng)計特征，然后使用層次分類方法將獲得的肝臟超聲圖像進行分類，實現(xiàn)正常肝、脂肪肝和異質性肝超聲圖像的高敏感度檢測，以期為肝臟超聲圖像紋理分析和疾病診斷工作提供指導。

1 肝臟圖像分類流程

首先，對超聲圖像進行采集；其次，分別進行圖像分割、小波包變換、特征提取、層次分類，從而確定患者是否有肝臟疾病；最后，采用層次分類方法對肝臟進行分類，并使用k-近鄰算法（k-nearest neighbor，k-NN）和支持向量機（support vector machines，SVM）2 個分類器分別進行分類測試。圖1 為基于小波包變換的超聲圖像檢測方法框圖。

圖1 基于小波包變換的超聲圖像檢測方法框圖

1.1 圖像采集

從開源GitHub 醫(yī)學影像數(shù)據(jù)集中隨機選取88幅受試者的超聲圖像，其中包括30 幅脂肪肝圖像、39 幅正常肝圖像和19 幅異質性肝圖像，圖像大小均為560×450 像素。所有圖像均由東芝SSA-550A超聲診斷儀（帶有凸探頭，成像頻率為5 MHz）掃描得到。

1.2 圖像分割

首先，對肝臟的超聲圖像進行裁剪，提取靠近中央葉的寬區(qū)域，并去除主要部分周圍的黑色區(qū)域，目的是降低計算成本[9-10]。其次，將寬區(qū)域劃分為9 個大小相等的相鄰塊[如圖2（a）所示]；將劃分延續(xù)到下一級，每2 個第一級分區(qū)的塊體相互重疊，形成12 個塊體，在水平和垂直方向彼此相鄰，如圖2（b）、（c）所示；在第三級分區(qū)中，在第一級分區(qū)的每4 個相鄰塊的交點處形成4 個塊，如圖2（d）所示。最后，指定25個相等的重疊塊。為了找到合適的ROI，在每個塊的中心選取64×64 像素區(qū)域，因此，對于每張超聲圖像，可獲得大小為64×64 像素的25 個ROI。然而，若將所有ROI 都用于分類，不僅效率低下，還增加計算成本。因此，在預處理階段，使用線性SVM 分類器進行分類，經(jīng)分類處理后，選擇8 個最佳ROI。線性SVM分類器具有速度快、計算量小的優(yōu)點，因此，選擇合適的ROI 不會顯著影響訓練階段的計算成本和速度。

圖2 圖像分割步驟

1.3 小波包變換和特征提取

特征提取可以在空間域和變換域中進行。在變換域中使用紋理描述符更合理。由于人類視覺系統(tǒng)以多尺度方式處理圖像[11]，因此尺度是紋理分析的主要關注點。

在小波包變換中，先將圖像I（x，y）分解為近似（a）、水平（h）、垂直（v）和對角（d）4 個子帶，直至分解到所需層級。小波包變換的第二級分區(qū)分解結果為16 個子帶，如圖3（a）所示。圖3（b）為第一級和第二級分區(qū)小波包分解后的肝臟超聲圖像。之所以使用小波包變換對超聲圖像進行分析，是因為在分解后的圖像中和不同的頻率級別上都可以很容易地分析超聲圖像的紋理特征[12]。

圖3 小波包變換的分解結果及小波包分解后的肝臟超聲圖像

如圖3（a）所示，在分解的第一級分區(qū)和第二級分區(qū)中分別獲得4 個子帶和16 個子帶，總共得到20 個子帶，從這20 個子帶中提取所需的特征。此外，還對原始ROI 進行特征提取。因此，特征是從空間域中的原始ROI 和變換域中的小波包變換子帶中提取的。

從小波包變換系數(shù)中提取的特征包括中值、標準差和四分位范圍。圖像的中值表示將圖像窗口中像素強度的上半部分與下半部分分開的強度數(shù)值。脂肪肝超聲圖像的中值高于正常肝圖像的中值[13-15]，其原因是脂肪堆積導致回聲增強，這一特征也存在于超聲脂肪肝圖像的小波包變換子帶中。標準差表示與平均值的偏差。四分位范圍用于表征離散度，上、下限分別為上四分位數(shù)和下四分位數(shù)。圖像的標準差和四分位范圍表示超聲紋理的規(guī)則性或平滑度，這2 個特征是區(qū)分肝臟局灶性和彌漫性病變的良好指標。

1.4 層次分類

為了對正常肝、脂肪肝和異質性肝進行區(qū)分，本研究提出了一種層次分類方案。在正常情況下，肝臟的2 個葉都是均勻清晰的，而脂肪肝的超聲圖像顯示至少有1 個葉被脂肪均勻堆積[16-17]。然而，在異質性肝（如惡性腫瘤）的超聲圖像中，只有一小部分肝臟受到影響。因此，脂肪肝可以歸為彌漫性病例，而非均勻病例歸為局灶性病例（非均勻病例就是脂肪在肝細胞內不均勻堆積，發(fā)生在肝細胞的某葉或者某個部位，而未引起所有肝細胞的脂肪浸潤）。為了得到分層方案，在第一個分類步驟中，區(qū)分局灶性和彌漫性，如果肝臟被分類為彌漫性病例，則在第二個分類步驟中區(qū)分脂肪肝和正常肝。

在每一個步驟中，使用k-NN 和SVM 2 個分類器進行分類測試。SVM 的目的是找到與最近的訓練模式有最大距離（裕度）的決策平面[18-19]。為了實現(xiàn)這一目標，在某些特殊情況下，SVM 將特征向量映射到高維空間，在這個空間中，SVM 找到1 個超平面，基于支持向量設置的決策邊界將局灶性和彌漫性病例分類。適當?shù)暮撕瘮?shù)可以增加分類的準確率，因此本文采用基于多項式核的二值SVM 分類器。k-NN分類器使用最小歐幾里得距離準則，根據(jù)測試樣本在特征空間中的最近鄰樣本對測試樣本進行分類。

2 實驗驗證

根據(jù)數(shù)據(jù)集中選擇的圖像，通過3 個實驗對基于小波包變換的超聲圖像檢測方法的性能進行驗證。在實驗一中，對自動選擇的ROI 進行測試，并與手動選擇的ROI 結果進行比較。在實驗二中，將所提出的分層方案與所有非分層方案進行比較。實驗三將30%的數(shù)據(jù)集作為測試圖像、70%的數(shù)據(jù)集作為訓練圖像，使用留一法交叉驗證（leave one out cross validation，LOOCV）方法驗證該方法的性能。在LOOCV 方法中，保留一個案例作為測試集，其余的數(shù)據(jù)作為訓練集，重復這個過程，以便每個案例都有機會作為測試用例。

2.1 實驗一：自動選擇ROI

實驗一是評估ROI 自動選擇的能力。該實驗在25 個重疊塊上進行，在每個塊的中心選擇64×64 像素區(qū)域，總共形成25 個ROI，并選擇8 個最佳ROI。與文獻[8]的手動ROI 選擇方法相比，自動選擇ROI法在不降低分類性能的情況下具有明顯的簡便性和較低的計算成本。

2.2 實驗二：層次分類

實驗二是驗證層次分類方案的有效性。第一步，將彌漫性病例和局灶性病例分別標記為類1 和類2；第二步，重復將脂肪肝類別標記為類1，將正常肝類別標記為類2。采用LOOCV 方法，利用SVM 和k-NN分類器對選定的ROI 進行檢測，自動選擇ROI 時檢測的敏感度和陽性預測值（positive predictive value，PPV）見表1。

表1 自動選擇ROI 時檢測的敏感度和PPV 單位：%

從表1 可以看出，自動選擇ROI 后，基于小波包變換的超聲圖像檢測方法是可靠的，可以用于基于超聲圖像的脂肪肝和異質性肝的實際診斷。

2.3 實驗三：劃分測試圖像和訓練圖像

實驗三增加測試樣本的數(shù)量，以便更準確地評估該方法。使用在GitHub 數(shù)據(jù)集中隨機選取的88 張受試者的超聲圖像，隨機劃分為30%的測試圖像和70%的訓練圖像。為了達到這一目標，對26 幅測試圖像和62 幅訓練圖像進行分類。該實驗中，使用了25個重疊塊。手動選擇ROI 時檢測的敏感度和PPV 見表2。比較表1 和表2 可知，除正常肝外，自動選擇ROI時檢測的敏感度和PPV 均高于手動選擇ROI 各類別的敏感度和PPV。

表2 手動選擇ROI 時檢測的敏感度和PPV 單位：%

與文獻[8]中基于超聲圖像診斷肝臟疾病的非侵入性方法相同，使用LOOCV 方法對實驗一和實驗二中分類器的性能進行評價，以便與其結果進行比較。文獻[8]中使用了一種半自動方法，在每個超聲圖像中選擇合適的ROI，并手動選擇最有效的特征，從而對肝臟圖像進行分類。本研究通過敏感度、PPV 對基于小波包變換的超聲圖像檢測方法和文獻[8]方法的性能進行對比，結果見表3。

表3 本文方法與文獻[8]方法檢測肝臟圖像的結果對比 單位：%

從表3 可以看出，無論是敏感度還是PPV，基于小波包變換的超聲圖像檢測方法的檢測性能均高于基于超聲圖像診斷肝臟疾病的非侵入性方法[8]，表明了提出方法的有效性。

在基于超聲圖像診斷肝臟疾病的非侵入性方法中[8]，選擇最有效特征的過程是手動進行的，而本文中選擇ROI 的方法是完全自動的，且計算成本較低。相比之下，基于小波包變換的超聲圖像檢測方法自動選擇適當?shù)腞OI，無需醫(yī)療專家或相關人員的幫助，在較大程度上提高了效率。

3 結語

本研究提出了一種基于小波包變換的肝臟超聲圖像檢測方法，該方法利用小波包變換提取統(tǒng)計特征，可自動選擇肝臟超聲圖像中的ROI。通過LOOCV方法比較提出方法與文獻[8]方法的性能，結果表明，基于小波包變換的超聲圖像檢測方法的總PPV 較高，證明了層次分類方案的有效性。該方法的另一個優(yōu)點是完全自動選擇ROI，使計算成本顯著降低。然而，本文提出的方法未對脂肪肝的等級進行分類，這也是下一步研究的重點。