基于B超图像的肝纤维化量化分期的研究

基于B超图像的肝纤维化量化分期的研究基于B超图像的肝纤维化量化分期的研究分类号学号 M200972512 学校代码 10487 密级硕士学位论文基于B 超图像的肝纤维化量化分期研究学位申请人 :周涛学科专业 :计算机应用技术指导教师 :许向阳副教授答辩日期 :2012 年1 月13 日 A Thesis Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Science Computer-a...

基于B超图像的肝纤维化量化分期的研究分类号学号 M200972512 学校代码 10487 密级硕士学位论文基于B 超图像的肝纤维化量化分期研究学位申请人 :周涛学科专业 :计算机应用技术指导教师 :许向阳副教授答辩日期 :2012 年1 月13 日 A Thesis Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Science Computer-aided Quantification Staging of Liver Fibrosis Based on B-mode Ultrasound Images Candidate : Zhou Tao Major : Computer Application Technology Supervisor : Assoc. Prof. Xu Xiangyang Huazhong University of Science and Technology Wuhan, Hubei 430074, P. R. China January, 2012 独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名: 日期: 年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，即:学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本论文属于保密? ，在_____年解密后适用本授权书。不保密?。 (请在以上方框内打“?”) 学位论文作者签名: 指导教师签名: 日期: 年月日日期: 年月日华中科技大学硕士学位论文摘要肝纤维化是危害人类健康的常见疾病之一，临床上诊断肝纤维化疾病需要对肝纤维化程度进行分期。目前，B 超是检查肝纤维化的常用手段，但B 超检查只能对肝纤维化定性诊断，无法定量分期。肝纤维化 B 超图像量化分期系统，利用计算机对 B 超图像进行纹理分析，可以提取肉眼观察不到的信息，能有效辅助医生诊断，提高临床诊断效率和准确度。肝纤维化 B 超图像量化分期系统主要包含四个处理步骤，分别是感兴趣区域选取、特征提取、特征选择以及分类器训练与预测。首先，采用人机交互模式选取感兴趣区域;其次，根据肝纤维化在 B 超图像上的表征，提取感兴趣区域上的纹理特征参数，包括基于普通统计量的特征、基于光斑的特征、基于灰度共生矩阵的特征、基于高斯马尔可夫随机场的特征以及基于时频域变换的特征;再次，使用基于相关性的特征选择方法筛选所提取的特征得到有效的特征向量;最后，将特征向量输入支持向量机分类器进行训练和识别。从北京友谊医院提供的经过肝活检病理证实的49 幅肝纤维化B 超图像中选取了96 个感兴趣区域进行肝纤维化分期实验，结果显示:无肝纤维化、轻度肝纤维化以及重度肝纤维化的识别率依次为 96.9%、78.1%和 84.4%。实验表明，基于 B 超图像的肝纤维化量化分期系统可以为临床提供一定的诊断依据，辅助医生诊断。关键词:肝纤维化，超声图像，特征提取，量化分析，支持向量机 I 华中科技大学硕士学位论文 Abstract Liver fibrosis is one of diseases which are seriously harmful to human health. Currently, B-mode ultrasound is a common method for examination of liver fibrosis. However, B-ultrasound could only diagnosis liver fibrosis qualitatively, but not quantitatively. Quantitative liver fibrosis staging system could depend on computer to analysis the texture of B-mode images, extracting the information which is not observed by human eyes. It can effectively assist doctors to diagnose liver fibrosis and improve the efficiency and accuracy of clinical diagnosis. Liver fibrosis computer-aided diagnosis based on B-mode ultrasound images mainly consists of four processing steps: region of interest selection, feature extraction, feature selection, classifier training and prediction. Firstly, an interactive approach is proposed to select region of interest. Secondly, according to liver fibrosis in the characterization of B-mode ultrasound images, four methods of texture feature extraction have been selected to distinguish the severity of liver fibrosis, including general statistics, gray level co-occurrence matrix, spot operator, gaussian markov random, time-frequency domain transform. Thirdly, correlation-based feature selection is used to filter the extracted texture features in order to obtain effectively feature vector. Finally, the feature vector is input to support vector machine for training and recognition. 36 patients with chronic hepatitis C were investigated using B-mode ultrasound and liver biopsy in Beijing Friendship Hospital. We selected 96 region of interest from 49 B-mode ultrasound images to carry out experiments. The result showed that the best classification accuracy of no liver fibrosis, mild fibrosis and severe liver fibrosis were 96.9%, 78.1% and 84.4%, respectively. The experiments revealed that, quantitative liver fibrosis staging system could certainly provide clinical diagnostic information, assisting doctors to diagnose. Keywords: Liver Fibrosis, B-mode Image, Feature Extraction, Quantification, Support Vector Machine II 华中科技大学硕士学位论文目录摘要........................................................................................................... I ABSTRACT ..............................................................................................II 1 绪论 1.1 研究背景、目的与意义.................................................................. 1 1.2 国内外研究概况.............................................................................. 2 1.3 本文主要研究内容.......................................................................... 6 1.4 本文的内容组织.............................................................................. 7 2 肝纤维化B 超图像量化分期系统框架 2.1 肝纤维化量化分期系统总体设计.................................................. 8 2.2 肝纤维化量化分期系统子模块...................................................... 9 2.3 本章小结......................................................................................... 12 3 特征提取与选择 3.1 特征提取......................................................................................... 13 3.2 特征选择......................................................................................... 23 3.3 本章小结......................................................................................... 25 4 基于支持向量机的肝纤维化量化分期 4.1 支持向量机基本原理.................................................................... 26 4.2 支持向量机核函数选择及参数优化............................................ 31 4.3 本章小结......................................................................................... 32 III 中科技大学硕士学位论文华 5 实验结果与分析 5.1 数据来源......................................................................................... 33 5.2 特征量化分析与讨论.................................................................... 34 5.3 特征选择分析与讨论.................................................................... 36 5.4 支持向量机分析与讨论................................................................ 37 5.5 本章小结......................................................................................... 39 6 总结与展望 6.1 全文总结......................................................................................... 40 6.2 展望................................................................................................. 41 致谢................................................................... ..................................... 42 参考文献................................................................... ............................. 43 IV 华中科技大学硕士学位论文 1 绪论 1.1 研究背景、目的与意义肝纤维化是肝脏内结缔组织异常增生致使弥漫性细胞外基质过度沉积的结 [1] 果。如果肝纤维组织不断增生，就会破坏正常肝脏组织的结构，出现假小叶和结节，致使肝脏实质变硬，最终形成肝硬化。肝纤维化是可逆的过程，能通过药物治疗有效地降解减少，而肝硬化不可逆。肝纤维化的早发现早治疗，可减轻肝纤维化患者的痛苦，有效阻止纤维化恶性增生发展成为肝硬化，使患者及早康复，在临床上具有重大意义。肝纤维化疾病的致病原因很多，临床上有病毒性肝炎、酒精肝、脂肪肝以及 [2] 自身免疫性疾病等等，其中25% ~40%最终发展为肝硬化或肝癌。据相关统计，我国仅乙型肝炎患者就高达一亿多人，而由乙型肝炎引发的肝纤维化患者已超过四千万人。由此可见，肝纤维化疾病已严重危及到人们的身体健康，早期肝纤维化的有效检查诊断已成为医学界的又一个重任。目前，医学界能对肝纤维化严重程度进行准确定位的唯一方法仍是肝脏活检，它可将肝纤维化程度分为S0、S1、、S3 和S4 共五期:S0 为无纤维化;S1 为汇管区扩大伴纤维增生;S2 为S2 汇管区周围纤维化，小叶结构保留;S3 纤维间隔伴小叶结构紊乱，无肝硬化;S4 为 [3] 重度纤维化或确定肝硬化。但肝活检的有创性，给病人带来了极大的痛苦，加之具有一定的风险性，使之无法推广。当前，B 超诊断仪的出现为肝纤维化的无创诊断提供了机遇和挑战。B 超诊断仪发射超声波信号至待观察部位，然后利用超声波回声信号形成待观察部位的超声图像。B 超诊断仪检查具有无创、无禁忌、方便、快捷、可重复性高以及价格低廉等诸多优点，是现在较为广泛的肝脏疾病普查手段之一。肝脏出现纤维化后，病变部位的声阻抗也随之发生改变，进而反映到 B 超图像中。肝纤维化 B 超图像与正常肝B 超图像比较有明显变化，如肝实质部分回声增粗、分布不均， [4] 肝表面不平，肝静脉壁增厚、形态改变等等。但是，在临床诊断中，医生缺乏肝纤维化 B 超图像的客观量化分期标准，主要凭借自己肉眼观察和主观经验，通过分析 B 超图像中肝脏的形态结构及回声状况，可对患者的肝纤维化病变进行定性诊断，但不足于对患者的肝纤维化严 1 华中科技大学硕士学位论文 [5, 6] 重程度做出定量诊断。另外，B 超诊断仪也有自身的局限性。由于机器元件的电子特性和物理特性等等，B 超诊断仪在成像过程中会产生一些图像噪声和伪影，这是不可避免的，势必会混淆B 超图像的一些真实细节，降低B 超图像的质量，有可能造成误诊。因而，如何从 B 超图像中提取有效的肝纤维化特征，并准确量化分期，以形成肝纤维化分期标准，为临床诊断提供客观依据，是目前国内外研究学者和相关人士关注的热点课题之一。本论文的研究目的是利用计算机强大的数字图像处理能力从肝纤维化 B 超图像中精确提取人眼无法观察到的有效图像特征，然后量化分期，为临床诊断提供有效的客观诊断依据，辅助医生诊断。同时，本论文的另一目的是为人们提供一种无创伤检查肝纤维化疾病的手段，使肝纤维化患者早发现早治疗早康复，因此该课题具有重大的研究意义。本论文的研究内容来源于科技部国际科技合作计划 “医学图像特征量化分析系统”(项目编号:2009DFA12290 )。 1.2 国内外研究概况 diagnosis，CAD )由Ledley 早计算机辅助诊断(computer-aided 在 1966 年提出，就是利用计算机强大的数字图像处理能力模仿医生的诊断方法精确分析病人的病情，为医生提供客观的辅助诊断依据，从而大大提高医生的诊断效率和准 [7] 确度。目前，在肝纤维化B 超图像计算机辅助诊断方面，国内外早有学者和相关人士进行了研究，包括使用计算机对肝纤维化 B 超图像进行纹理量化分析。下面主要介绍国内外研究人员在B 超图像纹理分析和肝纤维化B 超图像计算机辅助诊断这两个方面的研究情况。 1.2.1 B 超图像纹理分析肝脏 B 超图像纹理是肝脏超声回声的表征。肝脏内部各组织的组成成分不同，其对超声的吸收和反射也不同。当超声波发射至肝脏组织上，部分超声由肝脏组织吸收，剩余超声被反射回来，经超声探头接受后，送至超声诊断仪中进行处理转换，形成对应的肝脏 B 超图像，呈现出各种不同的图像纹理。当肝脏发生病变后，病变组织对超声的吸收和反射特性会发生改变，呈现在 B 超图像的 2 华中科技大学硕士学位论文纹理也会发生相应的变化。所以，通过对肝脏 B 超图像进行纹理分析，可以发现肝脏的病变组织和病变程度。 B 超图像纹理是对图像基元空间变化情况的描述，如基元的排列规律、邻域的变化情况等等。而对 B 超图像进行纹理分析，就是利用图像分析技术提取图像固有的模式特征，再定性化或定量化这些模式特征。目前，关于 B 超图像纹理分析的方法很多，主要包括普通统计分析方法、模型分析方法和时频域变换分析方法。 ? 普通统计分析方法普通统计分析方法是纹理分析中最为常见的方法之一，包括一阶统计量、二阶统计量以及高阶统计量等等。这些统计量都可以从一定程度上反映图像灰度的空间分布情况。一阶统计量是建立在图像直方图之上的，包括灰度均值、灰度标准差、扭曲度以及熵等，主要用来反映图像灰度整体分布是否均衡。二阶统计量和高阶统计量可以表达灰度空间的相互关系，更好地反映图像纹理的分布情况。统计纹理分析方法运用非常广泛，尤其是基于二阶统计量的分析方法。灰度共生矩阵是提取二阶统计量最为常用的方法之一，它以灰度对出现的概率密度为基础，可以获取图像灰度的统计信息和空间分布变化规律。该方法早在上世纪90 年代就开始被用于B 超图像的纹理分析研究中，并取得了较好的实验 [8] 结果。 Amadasun 在1989 年提出了局部灰度差分矩阵，它也是一种度量图像纹理变 [9] 换的方法，广泛应用于机器视觉和纹理分析中。Linares 等在 B 超图像上通过计算局部灰度差分矩阵，从中提取了一些参数，实验表明这些参数可以很好的反 [10] 映B 超图像的纹理特征。此外，灰度游程矩阵也是一种常用的统计分析方法，它是对图像灰度分布关系的高阶统计，对B 超图像纹理分析具有重要作用。Tang 等在灰度游程长度矩阵中结合 Bhattacharyya 距离测度法和多级主特征向量估计法提取纹理特征，实 [11] 验结果证明该方法比小波变换方法和灰度共生矩阵方法更有意义。 ? 模型分析方法基于模型的纹理分析方法认为图像中的每个像素都和其邻域像素存在着某些关联，而这些关联可以表达图像的纹理细节信息。一般情况下，基于模型的纹理分析方法首先根据图像原有的信息进行建模，然后再从中提取需要的特征参 3 华中科技大学硕士学位论文数，最后对这些特征参数进行估计和验证。基于模型的纹理分析方法有很多，主 [12] [13] [14] 要包括分形模型、自回归模型、马尔可夫随机场模型。尽管模型纹理分析方法有一些缺点，如计算量很大、表达自然纹理困难等等，但仍有很多学者使用模型法分析B 超图像纹理信息，并取得了较好的实验效果。 B1eck 等采用自回归周期性随机场模型来提取正常肝、肝炎和脂肪肝的B 超 [13] 图像的纹理特征，相比传统的灰度共生矩阵法，效果有明显改观。 Peleg 等人对图像建立分形模型，然后采用多分辨率的方法分析图像纹理， [15] 实验表明该方法取得了很好的效果。张建炜等采用多重分形维分析方法，从脂肪肝 B 超图像上提取奇异标度差和多重谱面积两个特征，再结合B 超图像近远场区域的灰度比，然后输入BP 神经网络进行分类识别，最终将脂肪肝分为3 期:轻度脂肪肝、中度脂肪肝和重度 [16] 脂肪肝。 ? 时频域变换分析方法时频域变换分析方法主要基于卷积运算和滤波器理论，将图像从空间域变换 [17] [18, 19] 到时频域，变换方式主要包括Fourier 变换，Gabor 变换和小波变换，然后从中提取图像纹理特征进行分析。其中，小波变换具有很好的时频分辨率，克服了Fourier 变换的诸多缺点，但是小波变换不可逆。实际研究与运用中，时频域变换分析方法在医学超声图像中很为广泛。 Ahmadian ，Mostafa 等对B 超肝脏图像提取了一系列基于Gabor 小波变换的纹理特征[20, 21]，实验表明运用Gabor 小波变换不仅比二进制小波的效果好，还提高了准确率。 Fukushima 等考虑到了不同ROI 对B 超图像灰度的影响，他们在每幅B 超图像中选取5 个小ROI ，从中提取出灰度方差、变异系数、基于灰度共生矩阵的特征纹理以及傅里叶功率谱，最后将前面的方差均值与这六个特征合并起来组成 [22] 特征向量。 Srinivasan 等采用统计方法对二维B 超肝脏图像进行了分析，使用三种不同 [23] 类别的纹理特征分别描述超声图像，并对其进行了评论。 Zhou 等采用灰度归一化和滤波等方法预处理肝脏超声图像，然后使用灰度共生矩阵和小波变换提取纹理特征作为特征向量，最后采用支持向量机和Fisher [24] 判定准则对肝脏超声图像进行分类。 4 华中科技大学硕士学位论文 1.2.2 肝纤维化计算机辅助诊断为了提高肝纤维化 B 超图像临床诊断的效率和准确度，国内外很多学者将眼光投向计算机，尝试在计算机上集成图像分析算法开发肝纤维化 B 超图像诊断系统，辅助医生诊断。目前，关于肝纤维化 B 超图像计算机辅助诊断的研究仍聚焦于图像纹理分析算法上，并已取得了一定的成果。 Yeh 等将20 例人体肝脏活组织浸入水中获取质量更好B 超图像，然后在选取的感兴趣图像区域上提取灰度共生矩阵特征和小波系数特征，最后使用支持向 [25] 量机分类器进行分类，实验证明可以区分6 期不同的肝纤维化，最高识别率可达72% 。曹桂涛等采用纹理边缘共生矩阵的方法对肝脏 B 超图像进行纤维化量化分析，然后使用最近邻分类器和 Fisher 分类器进行分类实验，其准确率最高可达 95.1%，实验证明了基于纹理边缘共生矩阵的特征对B 超仪的成像条件具有较高 [26] 的鲁棒性。 Igarashi 等对肝纤维化B 超图像中的光点建立瑞利分布模型，通过瑞利分布系数区分肝纤维化程度，并取得了较好的实验效果，证明了瑞利分布模型可以有 [27] 。效描述肝纤维化B 超图像的光点结构 Vicas 等分析了500 多位肝病患者的B 超图像，采用多种方法提取肝纤维化 B 图像的纹理特征，然后使用四种不同的特征选择方法评估这些特征，证明了肝纤维化能改变B 超图像的纹理特征，并指出B 超图像肝纤维化分期的最好方法 [28] 之一是对每期肝纤维化B 超图像分别建立图像模型。 Wu 等实现了一个B 超图像肝纤维化自动分期系统，在其他学者已提取的纹理特征基础之上，使用遗传算法对特征进行筛选后，再采用AdaBoost 算法对图 [29] 像预测分期，实验证明了遗传算法的有效性。 Jeong 等采集了65 幅肝脏和脾脏B 超图像，然后选取50 ×50 大小的矩形图像区域进行纹理分析，并从中提取了多种纹理特征参数来区分肝硬化，实验表明 [30] 图像的分类结果与医生的诊断情况具有很高的一致性。 Yamaguchi 等使用计算机仿真散射技术建立肝纤维化B 超图像的纹理模型，通过分析肝纤维化B 超图像纹理基元，分割出B 超图像中所有的肝纤维化图像纹理基元，然后统计出肝纤维化图像纹理基元的占空比，由此计算得到肝纤维的 [31] 分期程度。 5 华中科技大学硕士学位论文 Meziri 等提取肝纤维化B 超图像的背向散射系数(Bc )、声功率(SOS)以及平均衰减系数(MSS )等特征，通过STATISTICA 软件进行数据分析，实验证 [32] 明可以很好地区分肝纤维的严重程度。陈明丽等采集了 186 例有肝活检结果的慢性乙型肝炎患者的 B 超图像，观察肝包膜厚度，并提取了14 个灰度共生矩阵参数，与肝活检诊断结果进行比较，实验证明无创超声检查结合图像纹理分析对慢性乙型肝炎肝纤维化诊断具有一 [33] 定的参考价值。 Vicas 等对 125 位肝炎患者分别使用B 超诊断，使用包含 12 种不同算法的纹理分析工具在 B 超图像中提取纹理特征，最后使用逻辑回归模型进行分类，并用肝活检结果进行对照，实验证明纹理分析系统可以有效诊断肝纤维化程度， [34] 但还不够精准，有待进一步研究。 1.3 本文主要研究内容肝纤维化是严重危及人们身体健康的疾病之一，早期肝纤维化的有效检查诊断是医学界的一个重任。在临床上，医生通过 B 超图像只能定性诊断肝纤维化疾病，基于 B 超图像的肝纤维化定量分析正处于研究阶段，还不够成熟。本文主要针对肝纤维化 B 超图像的特性，寻找多种纹理特征提取方法和量化分析手段，成功实现肝纤维化量化分期原型系统。具体来说，本文主要研究内容集中在以下几个方面: (1)特征提取。从医学角度上，研究肝纤维化在B 超图像上各种表征，根据这些表征提取有效的图像纹理特征，最后进行量化计算。特征提取是本文的研究基础和核心内容，提取的特征是否有效直接关系到后期的肝纤维化严重程度的量化分期。 (2 )特征选择。特征选择是对特征进一步的筛选，可以去除不相关的特征，以便获得有效的纹理特征。本文寻找一个较好的特征选择方法，以提高系统的分期精度和效率。 (3 )肝纤维化量化分期。本文使用支持向量机对肝纤维化B 超图像进行分期，针对肝纤维化 B 超图像纹理特征，寻找支持向量机中最优核函数和参数，提高支持向量机对肝纤维化程度的分期精度。 6 华中科技大学硕士学位论文 (4 )实验结果与分析。根据支持向量机反馈的分期精度，分析所提特征的有效性，并研究纹理特征与病理之间的对应关系，希望能为医生和相关研究人士提供一些参考依据。 1.4 本文的内容组织本文全文总共包含六章内容，具体安排如下: 第一章主要介绍了基于 B 超图像的肝纤维化量化分期研究的目的和意义，还介绍了国内外学者关于 B 超图像纹理分析和肝纤维化计算机辅助诊断的研究进展。第二章给出了基于 B 超图像的肝纤维化量化分期系统的总体设计方案以及各模块的具体功能和任务。第三章提出了多种肝纤维化 B 超图像纹理特征提取方法，包括基于灰度共生矩阵的特征、基于光斑的特征、基于高斯马尔可夫随机场的特征以及基于时频域变换的特征。另外，本章还着重探讨了基于相关性的特征选择方法，主要是该特征选择方法的评价准则和搜索策略。第四章详细介绍了支持向量机的基本理论，针对肝纤维化 B 超图像纹理特征的特性，选用了径向基核函数，并通过实验优化了支持向量机的两个主要参数，分别是惩罚因子和容忍度。第五章是实验结果与分析，主要包括特征的有效性分析、基于相关性的特征选择方法有效性分析以及支持向量机的优越性分析。第六章对全文研究内容进行了总结，并对后期工作提出了展望。 7 华中科技大学硕士学位论文 2 肝纤维化B 超图像量化分期系统框架肝纤维化B 超图像量化分期系统的主要任务是自动判断B 超图像中肝纤维化的程度，其判定过程属于模式识别的范畴。为此，肝纤维化 B 超图像量化分期系统的工作流程遵循一般模式识别系统的工作流程。本章主要结合肝纤维化B 超图像的特点设计了肝纤维化 B 超图像量化分期的系统构架，给出了该系统的总体设计及各子模块的功能划分。 2.1 肝纤维化量化分期系统总体设计医生通过B 超图像诊断肝纤维化疾病之前，必须先学习肝纤维化在B 超图像上的反映，如肝实质回声是否变强、肝血管边界是否清晰以及肝脏是否变大等等。具备以上知识后，医生才能给出肝纤维化疾病的诊断结果。肝纤维化 B 超图像量化分期系统实质是模仿医生的诊断过程，它借助计算机强大的图像处理功能观察和分析 B 超图像，模仿医生学习诊断方法，最后给出具有参考价值的诊断结果。图2.1 给出了肝纤维化B 超图像量化分期系统框架图，主要包含两个过程:训练学习过程和量化分期过程。训练学习量化分期肝纤维化多幅肝纤维过程过程 B超图像化B超图像 ROI选择 ROI选择特征提取与选择特征提取与选择肝活检 SVM训练分类器 SVM预测结果模型 S0 S3和S4 S1和S2 图2.1 肝纤维化量化分期原型系统框架图 8 华中科技大学硕士学位论文训练学习过程是该系统的准备过程。首先需要多幅已经确诊的肝纤维化 B 超图像，由医生选取感兴趣区域后提交给系统;然后，系统自动根据肝纤维化的特点提取图像纹理特征形成特征向量集，由特征选择后筛选出最佳特征向量集; 最后，分类器把最佳特征向量集作为训练数据，参考肝活检结果进行训练学习，待训练完成后生成学习模型，供量化分期过程使用。量化分期过程是系统的判决过程，也是诊断过程。此时，对于一幅未知肝纤维化程度的 B 超图像，医生只需选取感兴趣区域后提交给系统;而后系统自动提取感兴趣区域的纹理特征并选出最佳特征向量，最后进行判别诊断，给出具有一定参考意义的诊断结果:无肝纤维化 (S0)、轻度肝纤维化(S1 和 S2)以及重度肝纤维化(S3 和S4)。 2.2 肝纤维化量化分期系统子模块肝纤维化B 超图像量化分期系统主要包含四个核心模块:感兴趣区域选取、特征提取、特征选择以及分类器训练与预测。下面分别对这四个核心模块的功能进行介绍。 2.2.1 感兴趣区域选取模块感兴趣区域(Region Of Interest ，ROI )是在肝脏B 超图像中肝实质部分里选取的区域。选取的 ROI 最好位于焦点附近并且尽量避开肝血管、肋骨阴影、以及其他组织，如图2.2 绿色矩形区域所示。图2.2 感兴趣区域(ROI )选择示意图 9 华中科技大学硕士学位论文感兴趣区域选取模块负责引导用户选择ROI ，可以同时选取多个ROI 。本文提取的ROI 大小固定，均为64 ×64 的矩形，每个ROI 都是医生诊断肝纤维化疾病所关注的区域。肝纤维化量化分期系统所计算的纹理特征都是基于 ROI 之上的。如果 ROI 中所包含的信息不能很好地反映肝纤维化的程度，那么后面的肝纤维化量化分期就很容易出现误差甚至错误，所以 ROI 的选取直接影响到肝纤维化量化分期的准确度。 2.2.2 特征提取模块特征提取模块负责在ROI 上计算纹理特征参数，包括回声强度、回声方差、基于光斑的特征、基于灰度共生矩阵的特征，基于高斯马尔可夫随机场的特征和基于时频域变换的特征。该模块完成特征参数计算后，将其显示在 ROI 下方，方便医生观看。如图2.3 所示，ROI 下方的列表框显示了部分纹理特征的名称和计算出的特征参数值，其中提取的纹理特征有回声强度、光斑大小以及基于灰度共生矩阵的熵特征。图2.3 特征参数提取示意图 2.2.3 特征选择模块提取的特征向量中可能存在部分特征对肝纤维化程度的描述能力不够，这些特征会降低系统的性能，为此需要将它们从特征向量中去除。特征选择模块实现 10 华中科技大学硕士学位论文了基于相关性的特征选择方法，负责对提取的肝纤维化 B 超图像纹理特征进行筛选，去除不相关和冗余的特征，得到最佳特征向量，提高后期分类器的效率和精度。图2.4 显示了特征选择的输出面板。特征选择输出面板将显示特征选择过程中的所有信息，包括评估方法、搜索策略、特征量、样本量以及特征选择结果等等，以供用户浏览。图2.4 特征选择输出面板示意图 2.2.4 分类器训练与预测模块分类器训练与预测模块是通过模仿医生的诊断过程设计实现的，主要包括分类器训练学习和肝纤维化分期两部分: ? 分类器训练学习。负责支持向量机的训练学习，使支持向量机分类器获得无肝纤维化(S0)、轻度肝纤维化(S1 和S2)以及重度肝纤维化(S3 和S4) 的先验知识，最后输出学习到的模型。分类器训练模块的学习能力与输入的ROI 样本集大小有关，若ROI 样本集太小，则会降低分类器训练模块的学习能力。 ? 肝纤维化分期。根据先前学习的肝纤维化严重程度的先验知识，诊断待测 ROI 的肝纤维化程度，并给出分期结果，辅助医生诊断，提高医生诊断的效率和准确度。 11 华中科技大学硕士学位论文图2.5 显示了分类器的输出面板。分类器输出面板将显示分类训练与预测过程的所有信息，包括样本量、特征量、分类器训练模型、分类器预测模型以及分类结果等等，以供用户浏览。图2.5 分类器输出面板示意图 2.3 本章小结本章从训练学习和量化分期两个流程详细介绍了肝纤维化 B 超图像量化分期系统的总体设计，并划分为四个核心模块:感兴趣区域选取、特征提取、特征选择、以及分类器训练与分期。最后，本章对这四个核心模块的功能和作用进行了说明。 12 华中科技大学硕士学位论文 3 特征提取与选择特征提取与选择是模式识别技术中的重要内容之一。肝纤维化 B 超图像的数据维度较大，要想准确分类识别肝脏 B 超图像的肝纤维化程度，就需要对 B 超图像中的原始数据进行变换，提取出能够反映肝纤维化本质的特征，然后再从已提取的特征中选出具有最佳分类识别效果的特征组合。本章根据肝纤维化 B 超图像纹理变化的规律，分别探讨肝纤维化 B 超图像纹理特征提取和选择的具体实现。 3.1 特征提取肝纤维化B 超图像中肝实质部分与正常肝B 超图像比较有明显变化，如回声增粗、分布不均等都是肝实质部分的特征，通过提取 B 超图像中肝实质部分的有效特征，计算出特征值，可以衡量出肝纤维化的严重程度。肝纤维化特征提取是本文核心内容之一，下面是提取的一些有效特征。 3.1.1 基于普通统计量的特征肝脏组织特性不同，则其回声也不同，表现在 B 超图像上的灰度也不同。无肝纤维化肝脏组织的回声较低，图像灰度偏暗。如果肝脏组织出现纤维化，那么肝脏组织特性就会发生变化，组织的回声变强，图像灰度偏亮。回声强度和方差是B 超图像灰度的整体统计量，可以反映肝脏组织是否发生纤维化。对于大小为M ?N 的图像，设I x,y 为像素 x, y 的灰度函数，那么回声强 I 度(MEAN )表示为: 1 M ?1N ?1 MEAN ??I x, y (3.1 ) MN x 0 y 0 回声方差(VAR )表示为: 1 M ?1N ?1 2 VAR ?? I x, y ?? MEAN (3.2 ) MN x 0 y 0 MEAN 是图像灰度的平均值，反映了图像的整体亮度情况。VAR 是图像灰度的方差，反映了图像灰度的起伏变化程度。图3.1 a 是尺寸为64 ×64 的无肝 13 华中科技大学硕士学位论文超图像ROI 以及计算出的MEAN 和VAR ， b 是尺寸为64 ×64 纤维化B 的肝纤维化B 超图像ROI 以及计算出的MEAN 和VAR 。 (a )无肝纤维化B 超图像ROI (b )肝纤维化B 超图像ROI MEAN 43.62, VAR 85.37 MEAN 64.45, VAR 161.01 ( ) ( ) 图3.1 无肝纤维化和肝纤维化B 超图像ROI 示意图从图3.1 中可见，无肝纤维化B 超图像ROI 的灰度整体偏暗，MEAN 偏低; 而肝纤维化B 超图像ROI 的灰度整体偏亮，MEAN 偏高。无肝纤维化B 超图像 ROI 的灰度整体均匀，起伏较小，VAR 偏低;而肝纤维化B 超图像ROI 的灰度整体不均，起伏较大，VAR 偏高。 3.1.2 基于灰度共生矩阵的特征图像中不同位置的灰度之间存在着一定的关联，即图像中的灰度存在空间相关性。灰度共生矩阵就是统计图像空间中一定距离和方向上的灰度对出现的频度，得到的灰度对出现的频率矩阵。灰度共生矩阵中灰度对出现的频率综合了图像灰度的出现位置、变化方向以及变化幅度等信息，可以反映图像灰度空间的变 [35] 化规律，也就是图像纹理的变化规律。下面详细阐述图像灰度共生矩阵的基本原理和提取的特征。 L P i, j | d ,? 给定大小为M ?N 灰度级别为的图像，设表示图像中方向 I I 为距离为的灰度对 x ,y , x ,y 出现的概率，灰度对 x ,y , x ,y 中的 ? d 1 1 2 2 1 1 2 2 像素 x , y 的灰度级为I x , y i ，像素 x , y 的灰度级为I x , y j 。以 1 1 1 1 2 2 2 2 ? 0 方向为例，概率函数P i, j | d ,? 形式化为: I x , y i ,I x , y j , y ?y d , x x ? 1 1 2 2 2 1 1 2 ? # ? ? x , y , x , y ? M ?N ? 1 1 2 2 ? P i, j | d ,0 (3.3 ) T d,0 14 华中科技大学硕士学位论文其中，# ? 表示满足大括号内所列条件的灰度对的总个数，T d,0 表示图像中方向? 0 距离为的灰度对的总个数。 I d 肝纤维化B 超图像的灰度共生矩阵和无肝纤维化B 超图像的灰度共生矩阵之间有明显的区别。图3.2 a 显示了尺寸为64 ×64 的无肝纤维化B 超图像ROI ， b 是 a 所对应的灰度共生矩阵图;图3.3 c 显示了尺寸为 64 ×64 的肝纤维化B 超图像 ROI ， d 是 c 所对应的灰度共生矩阵图，其中灰度共生矩阵的距离参数 d 1，方向参数? 0 。 (a )无肝纤维化B 超图像ROI (b )对应的灰度共生矩阵图图3.2 无肝纤维化B 超图像ROI 的灰度共生矩阵示意图 (a )肝纤维化B 超图像ROI (b )对应的灰度共生矩阵图图3.3 肝纤维化B 超图像ROI 的灰度共生矩阵示意图由两图对比可以发现，无肝纤维化B 超图像ROI 的灰度共生矩阵中的非零元素比较集中，而肝纤维化B 超图像ROI 的灰度共生矩阵中的非零元素比较散乱。为了直观理解和表示，我们在灰度共生矩阵的基础上提取了以下四个纹理特征参数: ? 能量 Energy，ENE L ?1 L ?1 ENE ??P i, j 2 (3.4 ) i 0 j 0 15 华中科技大学硕士学位论文 ENE 是灰度共生矩阵中所有概率值的平方和，它反映了B 超图像纹理分布的均匀程度。无肝纤维化的B 超图像纹理分布比较均匀，ENE 较大;而肝纤维超图像纹理分布杂乱不均，ENE 较小。化B ? 熵(Entropy ，ENT ) L ?1 L ?1 ENT ??P i, j [??ln P i, j ] (3.5 ) i 0 j 0 ENT 是图像包含信息多少的度量，反映了图像纹理的复杂程度。无肝纤维化的B 超图像纹理分布规律，光点排列整齐，复杂程度低，ENT 较小;而肝纤维化B 超图像纹理分布杂乱，光点排列不整齐，复杂程度高，ENT 较大。 ? 对比度 Contrast，CON L ?1 L ?1 P i, j HOM ?? (3.6 ) i 0 j 0 1? i ? j CON 是图像纹理清晰程度的度量。无肝纤维化的B 超图像纹理分布均匀，沟纹较浅，CON 较小;而肝纤维化B 超图像纹理中有苔藓状条纹，沟纹明显较深，CON 较大。 ? 相关度(Correlation，COR ) L ?1 L ?1 ?? i ?? j ?? P i, j i j COR i 0 j 0 (3.7 ) ?? i j L ?1 L ?1 L ?1 L ?1 ? ? 其中: 和是均值，? i P i, j ，? j P i , j ; 和是标 i ?j i ?? j ? ? i ?j i 0 j 0 j 0 i 0 L ?1 L ?1 L ?1 L ?1 准差，? 2 i2 P i, j ???2 ，? 2 j 2 P i , j ???2 。 i ? ? i j ? ? j i 0 j 0 j 0 i 0 COR 是图像纹理线性变化的度量。无肝纤维化的B 超图像纹理呈光点排列整齐，线性程度低， COR 也比较低;而肝纤维化B 超图像光点排列不均，往往呈现出苔藓状的线性条纹，线性程度比较高，那么COR 也比较高。上面提取的三个特征参数是基于灰度共生矩阵进行纹理分析的几个重要的特征参数，也是本文后续对肝纤维化 B 超图像进行纹理分析所使用到的特征参数。 16 华中科技大学硕士学位论文 3.1.3 基于光斑的特征光斑是肝脏B 超图像一个重要纹理细节组成之一，在肝脏B 超图像中表现为一个个细小的亮点。图3.4 a 是尺寸为64 ×64 的肝纤维化B 超图像ROI 区域，图3.4 b 是其对应的三维视图。从肝纤维化B 超图像ROI 的三维视图中，能清楚地看到许多小凸包，这些小凸包就是光斑。如果能从三维视图中分割出这些小凸包，并统计出小凸包的个数和大小，就可以知道光斑的平均大小了。 )肝纤维化B 超图像ROI (b ) (a 对应的三维视图图3.4 肝纤维化B 超图像ROI 的三维示意图临床会诊中，光斑大小(Speckle Size，SS )是为肝脏疾病的诊断提供了重 [36] 要依据。无肝纤维化的B 超图像中，光斑排列整齐、大小均匀;而肝纤维化B 超图像，光斑排列较为杂乱不齐，大小也不均匀，还有可能出现苔藓状的线性条纹。下面给出特征参数SS 的具体提取方法。对于大小为M ?N 的图像，设I x, y 为图像中像素 x, y 的灰度函数。 I I 首先，使用两个不同尺度的高斯函数和分别对图像进行卷积运算， G G I ?1 ?2 高斯函数和由式 (3.8 )给出。 G G ?1 ?2 2 2 2 2 x ?y x ?y ? ? 1 2?2 1 2?2 G e 1 , G e 2 (3.8 ) ?1 2??2 ?2 2??2 1 2 ? ? ? ?? 其中，和分别为两个高斯函数和的标准差参数，一般。 G G 1 2 ? ? 1 2 1 2 然后，求出两个卷积后的图像的差值，再经过阈值化后可以得到一个二值图像，具体表示如式(3.9 )。 B 17 华中科技大学硕士学位论文 ?1, G ?I x, y ?G ?I x, y ?T ? ?1 ?2 B x, y ? (3.9 ) 0, G ?I x, y ?G ?I x, y ?T ? ? ? ? 1 2 其中，为阈值参数。值的大小直接决定了二值图像中连通区域的大小 T T B 和个数，所以值的选择要恰当。的值太大，会造成光斑过分割; 的值太小， T T T 会造成光斑欠分割。最后，统计出二值图像中不连通区域的总个数，并计算出这些不连通区域 B SS 的总面积。那么，就等于光斑面积与光斑个数的商值，具体表示为: a B SS (3.10 ) n B 其中:a B 是不连通区域的总面积即光斑总面积，n B 是不连通区域的总个数即光斑个数。图3.5 a 是尺寸为64 ×64 的无肝纤维化B 超图像ROI ，图3.5 b 是对图3.5 a 运算后求得的二值图像，图3.6 a 是尺寸为64 ×64 肝纤维化B 超图像ROI ，图 3.6 b 是对图3.6 a 运算后求得的二值图像。对比图3.5 b 和图3.6 b 可以发现，图3.6 b 中白色连通区域的平均大小比图3.5 b 中的大，个数比图3.5 b 中的少。 SS 这主要是因为无肝纤维化B 超图像ROI 中的光斑个数较多，偏小;肝纤维化 SS B 超图像ROI 中的光斑个数较少，偏大。 a 无

                    本文档为【基于B超图像的肝纤维化量化分期的研究】，请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑，
                    图片更改请在作品中右键图片并更换，文字修改请直接点击文字进行修改，也可以新增和删除文档中的内容。 
 该文档来自用户分享，如有侵权行为请发邮件ishare@vip.sina.com联系网站客服，我们会及时删除。

                    [版权声明] 本站所有资料为用户分享产生，若发现您的权利被侵害，请联系客服邮件isharekefu@iask.cn，我们尽快处理。

                    本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权，请谨慎使用。

                    网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传，仅限个人学习分享使用，禁止用于任何广告和商用目的。
                

下载需要：免费已有0 人下载

立即下载

基于B超图像的肝纤维化量化分期的研究

你可能还喜欢