（控制理论与控制工程专业论文）支持向量机在肝脏B超图像识别中的应用研究.pdf

摘要 支持向量机是在统计学习理论基础上发展起来的一种非常有效的机器学习 方法。由于其出色的学习性能，该技术已成为分类领域新的研究热点。论文将 支持向量机的机器学习方法引入到医学图像的分类问题中。如何利用支持向量 机在信息处理方面的优势解决肝脏b 超图像识别问题是本文研究的目的和重点。 结合计算机技术、生物医学工程和模式识别技术，提出利用支持向量机多分类 方法对肝脏b 超图像进行识别。本文的主要工作总结如下： 在对b 超图像的处理和特征提取部分，先对b 超图像进行灰度化，选择图 像感兴趣区域。再对图像进行特征提取，包括纹理统计矩特征和基于灰度共生 矩阵的纹理特征。文中数据显示，所提取的特征数据都具有很好的旋转不变性， 都非常符合了医学b 超图像的识别参数。 采用1 2 0 个样本，四类图像各3 0 个样本，均来自同一医师和同一超声仪器。 从每幅图像中，选择2 0 0 * 2 0 0 的感兴趣区域，提取特征数据，考虑数据形式的 差异较大，先将特征值进行归一化，再对标准化后的特征数据进行分类测试。 回顾了支持向量机的理论基础和基本原理，对支持向量机的多分类算法作了 研究，分析了它们的优缺点及适用范围。深入探讨了支持向量机在分类中的应 用。分析了不同的核函数、不同的特征选择对支持向量机分类性能的影响。分 类结果表明，r b f 核函数总能得到最好的性能。最后，把实验仿真结果和神经 网络算法结果相比较，结果表明支持向量机分类算法优于神经网络算法。 最后，本文利用v i s u a lc + + 6 0 开发了基于支持向量机的b 超图像识别系统， 实现了对正常肝脏、脂肪肝、血吸虫肝和肝癌四类超声图像的识别。 关键词：支持向量机，b 超图像，特征提取，多分类，核函数 a bs t r a c t s u p p o r tv e c t o rm a c h i n e ( s v m ) i sap o w e r f u lm a c h i n el e a r n i n gm e t h o db a s e di n t h ef r a m e w o r ko fs t a t i s t i c a ll e a r n i n gt h e o r y s v mh a sb e c o m ean e wa c t i v ea r e ai n t h ef i e l do fc l a s s i f i c a t i o nb e c a u s eo fi t se x c e l l e n tl e a r n i n gp e r f o r m a n c e s v ma sa n e wm a c h i n el e a r n i n gm e t h o di sb r o u g h ti n t om e d i c a li m a g ec l a s s i f i c a t i o n t h e p u r p o s eo ft h i st h e s i si st ou t i l i z et h ep r e d o m i n a n c eo fs v m i ni n f o r m a t i o n a lp r o c e s s f o rt h er e c o g n i t i o no fl i v e rbu l t r a s o u n di m a g ec l a s s i f i c a t i o n c o m b i n i n gw i t h c o m p u t e rt e c h n o l o g y , b i o m e d i c i n et e c h n o l o g ya n dp a t t e r nr e c o g n i t i o n , w ep r o p o s e l i v e rbu l t r a s o u n dc l a s s i f i c a t i o nu s i n gs v m o u rr e s e a r c hw o r k sa r es u m m a r i z e da s f o l l o w s ： a tt h ep r o c e s so ff e a t u r ee x t r a c t i o no fbu l t r a s o u n di m a g e ，w ep u tt h ei m a g ei n t o g r a ys c a l e ，a n dc h o o s et h ei n t e r e s t e dr e g i o nf r o m t h ei m a g ef h - s t l y , t h e nw ee x t r a c tt h e f e a t u r e so ft h ei m a g ei n c l u d i n gt e x t u r es t a t i s t i c a lm o m e n t sa n dc o o c c u l t e n c e m a t r i c e st e x t u r ef e a t u r e a c c o r d i n gt ot h ed a t ao ft h i sp a p e r , t h ef e a t u r ed a t ah a v e g o o da n dr o t a t i n gi n v a r i a n t s a n dc o n f o r mt ot h ec l a s s i f i c a t i o np a r a m e t e ro fb u l t r a s o u n di m a g e w eu s e12 0s a m p l e s ( 3 0s a m p l e se a c h ) w h i c ha r ef r o mt h es a m ed o c t o ra n dt h e s a m eu l t r a s o u n de q u i p m e n tt od i s t i n g u i s ht h e s ei m a g e st oi n t e r e s t e dr e g i o n so f 2 0 0 * 2 0 0p i x e l s a n dw ee x t r a c tt h ef e a t u r e sf r o mt h ei n t e r e s t e dr e g i o n s c o n s i d e r i n g t h eg r e a td i f f e r e n c eo fd a t af o r m s ，w eu n i ta l ld a t ai no r d e rt oa p p l yt oc l a s st e s tw i t h t h es t a n d a r d i z a t i o no ff e a t u r ed a t a a no v e r v i e wo fb o t ht h e o r e t i c a lb a s i sa n dp r i n c i p l eo fs u p p o r tv e c t o rm a c h i n ei s g i v e n t h ec l a s s i f i c a t i o na l g o r i t h m sa r ec o n c e r n e d ，a n dt h e i r sa d v a n t a g e sa n d d i s a d v a n t a g e sa n da p p l i c a t i o ns c o p ea r es h o w e d t h i st h e s i sd i s c u s s e st h ea p p l i c a t i o n o ft h es u p p o r tv e c t o rm a c h i n ei nc l a s s i f i c a t i o n t h ep e r f o r m a n c ei n f l u e n c eo f d i f f e r e n tk e m e lf u n c t i o n sa n dd i f f e r e n tt e x t u r ef e a t u r e si sa n a l y z e d t h ec l a s s i f i c a t i o n r e s u l t ss h o wt h a tr b fk e r n e lc a ng i v et h eb e s tp e r f o r m a n c ei nm o s tc l a s s i f i c a t i o n g r o u p f i n a l l y , w ec o m p a r et h er e s u l t so ft h es u p p o r tv e c t o rm a c h i n ea l g o r i t h ma n d t h en e u r a ln e t w o r ka l g o r i t h m t h er e s u l t ss h o wt h a tt h es u p p o r tv e c t o rm a c h i n e a l g o r i t h mi ss u p e r i o rt ot h en e u r a ln e t w o r ka l g o r i t h m a tl a s t w eh a v e u s e dv i s u a lc + + 6 0t o d e v e l o pabu l t r a s o u n di m a g e c l a s s i f i c a t i o nb a s e do ns v m i tc a l li d e n t i f ybu l t r a s o u n di m a g eo fn o r m a ll i v e r , h e p a t i ca d i p o s ei n f i l t r a t i o n ，s c h i s t o s o m el i v e ra n dl i v e rc a n c e r k e yw o r d s ：s u p p o r tv e c t o rm a c h i n e ，bu l t r a s o u n di m a g e ，f e a t u r ee x t r a c t i o n ， m u l t i c l a s s i f i c a t i o n ，k e m e lf u n c t i o n 独创性声明 本人声明，所呈交的论文是本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，除了文中特别加以标注和致谢的地方外， 论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得 武汉理工大学或其它教育机构的学位或证书而使用过的材料。与我一 同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说 明并表示了谢意。 签名：堡歪亟一日期：兰z ：垒：! 竺 学位论文使用授权书 本人完全了解武汉理工大学有关保留、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。本人授权武汉理工大学可以将本学位论文的 全部内容编入有关数据库进行检索，可以采用影印、缩印或其他复制 手段保存或汇编本学位论文。同时授权经武汉理工大学认可的国家有 关机构或论文数据库使用或收录本学位论文，并向社会公众提供信息 服务。 ( 保密的论文在解密后应遵守此规定) 研究生( 签名) ：驭压电 导师( 签名) ：孑掰办日期叶6 、妒 武汉理t 大学硕士学位论文 第1 章绪论 1 1 课题研究的背景及意义 肝脏疾病时刻威胁着人类的健康，肝脏疾病的诊断和治疗一直是医学界研 究的重点。目前由于肝脏病变引起的疾病成了人类死亡的主要原因之一，其中 包括肝癌、脂肪肝、血吸虫肝等。如果能够及早的发现这些疾病同时给予治疗， 可获得治愈的可能性会大大的增加。 检查肝脏疾病的方法之一就是医学影像的扫描检查。b 超检查是其中一种， 而且是临床上应用最广泛和简便的一种，已经越来越受到人们的重视。由于b 超检查设备相对便宜，治疗成本较低，又无不良反应，可反复检查，在我国的 普及率较高。b 超是将回声信号以光点的形式显示出二维图像来，回声的大小以 光点的明暗度来表示，根据光点的灰阶不同，组成层次分明的二维结构图像， 为灰度调制型。通过b 超可获得人体内脏各器官的各种切面图形，比较适合于 肝、胆、肾、膀胱、子宫、卵巢等多种脏器疾病的诊吲1 1 。由于b 超图像的模糊 性给图像识别带来一定的困难，所以提高正确识别率一直是国内外的研究热点。 如何从b 超图像中有效地提取信息并对其实现准确的识别，是提高诊断水平的 关键。 因此，我国很多研究人员苦心钻研于如何提高超声图像的识别效率与正确 率，减少病患重复治疗与检查的次数。这个课题亟待解决，同时也有着深远的 意义。 长期以来，在对b 超图像识别这一过程中，医生通过大量的肉眼观测建立 起来诊断经验来分析和判断病理，这使得对图像的判断没有客观的评价标准， 因而存在重复性差，准确性因医生诊断水平而异等缺点。为了更好地提高b 超 图像识别的准确性和可靠性，迫切要求发展超声诊断系统对图像的识别功能。 这就需要对b 超图像进行一定的处理，以期获得一定的量化参数，减少医生用 肉眼判读医学图像时发生的错误及工作量。 随着信息技术的不断发展，研究人员将数字图像处理技术、信息技术与医 学诊断知识相结合，首先利用数字图像处理技术对医学图像进行必要的处理， 武汉理工大学硕士学位论文 然后结合医生的病理诊断知识利用信息技术进行科学的判断，这样可以提高诊 断的正确率和可靠性【。 医学图像的分类是从已知的训练样本中，寻找样本分布的规律，并将此规 律用于新样本的识别。一个好的分类器不但可以较好地解释己知的样本，还能 够对新的样本甚至无法观测的现象做出较好的预测和判断，这就是通常所说的 推广能力。 v v a p n i k 等人从上世纪7 0 年代开始致力于研究学习和推广性的问题，逐步 提出了统计学习理论。该理论根据更符合实际情况的有限样本假设，研究学习 过程的一致性和收敛的界的问题，提出控制学习过程推广性能力的原则，并在 此基础上提出了支持向量机( s u p p o r tv e c t o rm a c h i n e ，s v m ) 方法。由于支持 向量机基于结构风险最小化原则，与其他学习机器相比，在解决小样本、非线 性和高维模式分类问题表现出更加优异的性能，而且具有良好的推广能力，能 够较为有效地克服维数灾难和过学习等问题，2 0 0 0 年以后得到越来越多的研究 者的关注。目前支持向量机已经在很多方面得到了初步的应用，比如基因表达 数据分析、手写体字符识别、人脸识别、文本分类、股票分析、图像分类等领 域，显示出良好的分类性能和推广能力，具有很大的应用潜力。因此，对支持 向量机的研究有助于提升分类准确率，对人工智能和模式识别等领域具有重要 意义【2 1 。 支持向量机从本质上讲是一种前向神经网络，根据结构风险最小化准则， 在使训练样本分类误差极小化的前提下，尽量提高分类器的泛化推广能力。从 实施的角度讲，训练支持向量机的核心思想等价于求解一个线性约束的二次规 划问题，从而构造一个超平面作为决策平面，使得特征空间中两类模式之间的 距离最大，而且它能保证得到的解为全局最优解。s v m 方法是从线性可分情况 下的最优分类面提出的，即要求分类线不但能将两类样本无错误的分开，而且 要使两类样本之间的距离最大。在基于同样的特征提取以及同样的样本集和测 试集前提下，s v m 方法的识别速度相对较快。s v m 算法将问题转化为凸二次优 化问题，得到的解为全局最优解。 然而，虽然s v m 方法在理论上具有很突出的优势，但与其理论研究相比， 应用研究尚相对比较滞后。特别在医学图像分类方面，神经网络分析研究已经 有十多年的历史，而s v m 方法的研究才刚刚起步。因此，s v m 在医学图像分 类方面的应用还有待进一步研究。本文通过分析肝脏b 超图像的信息，提取特 武汉理工大学硕士学位论文 征向量，对图像进行分类识别，辅助医生的临床诊治工作。本文采用支持向量 机技术，进行肝脏b 超图像的分类识别。从而提高肝脏b 超图像的识别效率与 正确率，为医生进行肝脏病理的诊断治疗提供可以参考的依据，减轻医生的工 作量，提高医生的工作效率1 2 1 。同时，可以为进一步建立完整的肝脏病理识别系 统提供了基础。 1 2 支持向量机的发展历程 支持向量机的理论基础是统计学习理论，该理论的研究始于2 0 世纪6 0 年代 末。s v m 理论的基本思想是对于一个给定的具有有限数量训练样本的学习任务， 如何在准确性( 对于给定训练集) 和机器容量( 机器可无错误的学习任意训练集的 能力1 之间进行折中，以得到最佳的推广性能【3 l 。 作为s v m 的奠基者v v a p n i k 早在6 0 年代就开始了统计学习理论的研究 【v a p n i k ，19 6 3 ，19 71 年，v v a p n i k 和a c h e r v o n e n k i s 在“t h en e c e s s a r ya n d s u f f i c i e n tc o n d i t i o n sf o rt h eu n i f o r m sc o n v e r g e n c eo fa v e r a g e st oe x p e c t r dv a n e s 一文中，提出了s v m 的一个重要的理论基础- v c 维理论。做了大量开创性、 奠基性的工作，提出了“结构风险最小化”原理。这个时期的工作主要是纯理论性 的，没有引起人们重视。 19 8 2 年，在“e s t i m a t i o no fd e p e n d e n c e sb a s e do ne m p i r i c a ld a t a 一书中， v v a p n i k 进一步提出了结构风险最小化原理，堪称为s v m 算法的基石。 1 9 9 3 年，c o n e s 和v v a p n i k 在“t h es o f tm a r g i nc l a s s i f i e r 一书中，进一步 探讨了非线性最优边界的分类问题。 1 9 9 4 年，b o s e r ，g u y o n 和v v a p n i k 在“at r a i n i n ga l g o r i t h mf o ro p t i m a l m a r g i nc l a s s i f i e r s 一书中，提出了最优边界分类器。 1 9 9 5 年，v v a p n i k 在“t h en a t u r eo fs t a t i s t i c a ll e a r n i n gt h e o r y 一书中，完 整地提出了s v m 分类，它实现了“结构风险最小化”原理。 目前支持向量机有着几方面的研究热点：核函数的构造和参数的选择；支持 向量机从两类问题向多类问题的推广；更多的应用领域的推广；与目前其它机 器学习方法的融合；与数据预处理( 样本的重要度，属性的重要度，特征选择 等) 方面方法的结合，将数据中脱离领域知识的信息，即数据本身的性质融入 支持向量机的算法中从而产生新的算法；支持向量机训练算法的探索【4 】。 武汉理工火学硕七学位论文 支持向量机有很强的泛化能力，它在解决复杂问题，诸如手写体数字识别、 人脸检测、文本分类、大规模生物信息处理等方面的上乘表现，引起人们极大 关注。国内外著名大学和大公司的研发机构纷纷成立了相关的研究小组，越来 越多的人加入这一研究行列，形成近年来机器学习领域的研究热点。基础研究 涉及训练算法、模型选择、多目标分类等，应用研究涉及三维目标识别、非线 性模式重建、智能信号处理、信息检索、文本分类和数据挖掘等。有关的国际 学术会议、专业杂志和专业网站雨后春笋般地从无到有，规模由小到大。如今， 支持向量学习己成为机器学习的主流技术之1 5 】。 1 3 肝脏b 超图像研究的发展历程 早在八十年代末，就己经出现了b 超图像处理系统，如图像归档与通信系统 和超声图像管理系统【2 l 。针对b 超的图像处理系统主要实现了图像黑白反转、图 像开窗、放大缩小、增强、灰度处理、边缘处理、直方图等功能。但是，对于 肝脏实质器官的病变诊断并没有一定的量化方法来进行处理，其主要原因是肝 区近场弥漫性点状高回声，回声强度高于脾和肾：远场回声衰减，光点稀疏： 肝内管道结构显示不清；肝脏轻度或中度肿大，肝前缘变钝。对于肝脏病理诊 断，医生主要根据超声图像特征( 如边缘形状、高亮区、阴影等) 和灰度的分 布( 纹理) 大致推断组织内部的散射结构，进而判别病变。而对于超声图像中 的纹理无法用轨迹球来描绘，故无法得到量化参数，即目前的诊断主要以定性 分析为基础。这就需要对b 超图像进行一定的处理，以期获得一定的量化参数， 减少医生用肉眼判读医学图像时发生的错误及工作量。 针对肝脏b 超图像的识别，为医院实现智能化、数字化、信息化奠定了基础。 然而，由于b 超图像本身成像特点，造成了利用b 超图像进行医学病理分析比 较困难，使得给予肝脏b 超图像的病理分类有着较低的识别率。 1 4 支持向量机应用于b 超图像识别的发展概述 由于超声图像的模糊性给图像识别带来一定的困难，所以提高识别j 下确率 一直是国内外的研究热点。而神经网络高度的非线性学习能力，良好的分类性 能都给超声图像的识别研究带来了机遇，但是直接采用现有的单个神经网络模 4 武汉理j 大学硕士学位论文 型对b 超图像进行识别，其识别正确率不是很理想。同时，由于神经网络本身 固有的问题，比如存在表现力和泛化能力的矛盾，结构复杂度、收敛速度和表 现力之问的矛盾。表现力越强，泛化能力越差；结构越复杂，收敛速度越慢， 但是表现力又相对较强。将支持向量机引入来改善这种矛盾。 支持向量机是基于统计学习理论和结构风险最小化原理提出的一种有监督 的机器学习方法，被公认为小样本情况下统计及学习的经典，具有较好的泛化 和推广能力，已被广泛的应用于诸多领域，如语音识别，文本分类，手写体数 字及汉字识别，人脸识别，图象识别与目标探测。近几年，支持向量机被应用 到医疗图像识别中。袁前飞将支持向量机应用到乳腺肿瘤组织的细胞形态数据 和乳腺癌患者的基因数据的识别率分别是9 6 - 2 4 和8 8 8 1 t 6 j 。张翔等人采用支 持向量机方法对m r i 图像的脑组织进行了分类研究，发现分类错误率只有0 7 ， 为了检验该分类方法的有效性与稳健性，对不同的噪声图像进行试验，试验结 果表明，在加3 的噪声级别时的错误率是6 2 ，加9 的噪声级别时的错误率 是1 1 8 门。王彬等人提出了一种支持向量机新算法- d f p p s v m ，进行恶性 肿瘤和良性肿瘤的分类，准确率达到9 4 t 引。文 9 】中采用支持向量机来识别中风 样本时，采用最优参数的绝对值形式特征向量的分类j 下确率达到8 8 8 9 ，而采 用相对值形式特征向量的分类正确率达到9 1 6 7 ，验证了s v m 分类方法在中 风病症的分类预测中表现比较优秀。文【1 0 】中采用多分类s v m 在胎盘分级中的 应用，在基于灰度统计参数、g l c m 的特征参数、g a b o r 小波变换的特征参数的 s v m 分级的总体识别率分别为8 9 、9 0 和9 0 5 。 到目前为止，支持向量机已经被应用于医学b 超图像中，比如乳腺、胎盘、 癌细胞和颅脑组织等，也取得了不错的分类效果。但支持向量机不曾被应用于 肝脏b 超图像的分类。笔者尝试将这种分类技术应用于肝脏b 超图像。 1 5 本文主要研究内容 本文围绕肝脏b 超图像识别这一研究课题，研究了肝脏b 超图像特征数据 的提取，通过支持向量机来对肝脏b 超图像进行识别。本文主要研究的内容如 下： 第l 章绪论：介绍b 超图像识别系统研究的背景和意义，然后综述支持向 武汉理： 大学硕士学位论文 量机和肝脏b 超图像研究的历史历程。接着介绍支持向量机应用于b 超图像识 别的发展情况。最后介绍本文主要研究内容； 第2 章b 超图像的特征提取：介绍超声图像处理及特征提取，主要介绍b 超图像的两类特征数据的提取方法； 第3 章支持向量机理论基础：介绍支持向量机的理论基础和基本分类理论， 在多分类中的各种方法； 第4 章支持向量机的b 超图像分类研究：以b 超肝脏超声图像为研究对象， 在不同的核函数和不同的特征数据的情况下，讨论支持向量机在超声肝脏识别 中的应用；同时与基于神经网络的识别结果进行比较； 第5 章肝脏b 超图像识别系统的开发：用v i s u a lc + + 6 o 软件编程实现了超 声图像识别系统的总体设计； 第6 章总结与展望：概括了本文的主要工作，并通过与同类其他研究人员 所做的工作的对比，指出本文方法的优势和不足之处，并对后续研究工作提成 一些改进思路。 6 武汉理i 又学硕十学位论文 第2 章肝脏b 超图像的特征提取 在肝脏b 超图像的识别过程中，特征提取是图像识别的前提。图像的特征 提取在广义上说就是一种变换口通过变换的方法用低维空间表示高维的图像 样本空间。特征选择和提取很重要，直接影响到图像识别分类嚣的设计、性能 及其识别结果的准确性，其基本任务是从众多特征中找出那些最有效的特征。 本章根据肝脏b 超图像的特点，对肝脏b 超图像进行预处理，包括将图像转 变为荻度图像，提取感兴趣区域( r o d 等，然后用对超声图像提取包括纹理统计 矩特征和基于共生矩阵的纹理特征两大类特征数据。 2 1 肝脏b 超图像 本文所涉及的四种肝脏b 超图像见图2 - 1 所示，其中t o o ) 为正常肝脏的b 超图像，图( ”为脂肪肝的超声图像，图( c ) 为血l 殁虫肝的b 超图像，图( d ) 为肝癌 的b 超图像啪。 ( a ) 上e 常肝脏0 ) 脂肪肝 ( c 1 血嚷虫旰( d 诅噍 图2 1 四种肝脏b 超图像 要通过研究肝脏b 超图像所反映的不i 司病变表现出来的不同的变化规律，就 需要了解它们的差异。 武汉理丁大学硕士学何论文 正常肝脏的超声图像，肝实质呈细小光点，分饰均匀，有时可见稀疏、散 在的略强光点及短小线状回声，且轮廓完整，边界整齐，与周围界限清楚，对 应于图像的特征描述为：正常肝脏的纹理规则，清晰，灰度分御均匀，其纹理 分布较密。 脂肪肝的超声医学图像，肝实质呈点状强回声，光点细腻，均匀，增多， 增强。前部细密呈一片“云雾状”，后方轮廓显示困难。对应于图像的特征描 述为：纹理规则，欠清晰，灰度分布均匀，其纹理分布密集。 血吸虫肝的超声医学声像，肝实质回声增高增密，分布不均匀，可见密度 不一的短小粗线状增高回声，对应于图像的特征描述为：纹理不规则但清晰， 灰度分布不均匀，其纹理分布较稀疏。 肝癌的超声医学声像，肝实质有偏低回声声像。对应于图像的特征描述为 纹理不规则但清新，灰度分布范围增大。 我们将这些特征描述作为专家经验，结合区域的特征描述子，从不变矩特 征，频谱特征，纹理的统计矩特征和基于灰度共生矩阵的纹理描述四个方面， 对这四类肝脏组织所反应出来的变化规律进行量化，并进一步由这些量化的数 值对b 超图像进行分类识别。 由于图像采集所使用的b 超仪器不同，采集的图像的大小，亮度的标准也 有差别。为了不影响图像的分析与识别过程的客观性与正确性，需要先对b 超 图像做标准化处理工作，包括图像的输入，图像存储格式的转化和统一等等。 本文研究与实验所用b 超图像都是选用同一批b 超仪扫查的、灰度级为2 5 6 级的灰度图像。灰度图像通常由一个整型或双精度类型的数组来描述，其实质 是一个数据矩阵，该矩阵中的数据均代表了在一定范围内的灰度级，每一个元 素对应于图像的一个像素点。本文采集了经过临床医师确诊的正常肝脏、脂肪 肝、血吸虫肝和肝癌四类超声图像共1 2 0 幅图像，其中每一类肝脏b 超图像为 3 0 幅，灰度化后的图像大小变为4 8 0 x 6 4 0 像素。 2 2 肝脏b 超图像处理 本文中对b 超图像处理【坦】的流程图如图2 2 所示。 武汉理工大学硕士学位论文 图2 2b 超图像处理流程图 2 2 1b 超图像采集及灰度化 本文中所使用的b 超图像均来自于型号为西门子s o n o l i n eg 2 0 型的德国 全数字超声诊断仪结合工作站。从该超声仪上获得的图像均为非灰度的数字图 像，其存储格式为t i f f , 大小为4 8 0 x 6 4 0 x 3 像素。首先需要将所采集的对象进行 灰度化，将其转换为2 5 6 级灰度图像。同时对于b 超图像的边框以及一些无关信 息给与去除，保留信息比较集中的有用区域，这对于肝脏b 超图像的特征分析和 归纳有着重要的意义。 2 2 2 肝脏b 超图像的感兴趣区域 对于已经匿名处理合去除边框的图像，如果直接提取图像的特征，会由于 有效信息的涣散而无法获得最有效的特征数据。医生在进行病理分析时，往往 也会对图像中某些部分感兴趣，这些部分也就是医生认为病理特征最为明显的 区域，通常称之为感兴趣区域( r e g i o no f i n t e r e s t ，简称r o o t ”l 。在对图像进行特 征提取和识别之前，也需要将肝脏b 超图像的r 0 1 分离出来。这样可以有效的降 低图像特征提取的复杂度。根据医生的经验，r o i 一般遵从如下规则： 1 ) 任何一张肝脏b 超图像都至少有一个r o i ； 2 ) r o i 尽可能的包含所需的病理信息； 3 ) r o i 的形状为正方形，且区域大小固定。本文的r o i 的大小为2 0 x 2 0 像素， 9 武汉理丁大学碗十学位论文 肝脏b 超图像选择r o i ，如图2 3 所示。 ( a ) 原始罔像 ( b ) r o l 图2 - 3 肝脏1 3 超图像及其r o i 对于r o i 的确定方法，本文采用的是人工确定r o i 。由于医生已经对肝脏b 超图像有较多的临床经验和较丰富的肝脏病理分析经验，医生可以直接选取可 疑的区域作为r o i ，这样可以减少误差，提高有效信息被选中的几率。 在得到了肝脏b 超图像的r o i 后，对于特征提取都是针对这些r o i 来分析和获 得的。 2 3b 超图像的特征提取 2 31b 超图像纹理统计矩特征 描述区域的一种重要方法就是量化区域的纹理内容。频繁用于纹理分析 的一种方法是以亮度直方图的统计属性为基础的。这样的度量是基于直方图的 统计矩的。假设z ，是用米表示一幅图像的扶度级的个离散随机变量，p ( z ) ， i = o ，1 ，2 ，l 一1 是相应的门一化直方罔，其巾l 足可能的亮度值的数日。百方 图分量p ( z ) 足亮度值z h 现的概率的一个估 卜。描述直方图特征的种j ：要疗 法就是通过它的巾心甜! ( 也称均值的矩) 庄奉立中它被定义为： 武汉理工大学硕士学位论文 一i 以= ( z j - m ) ”p ( z ，) i = o ( 2 一1 ) 其中，玎是矩的阶，m 是均值： 假设直方图已归一化，其所有分量之和为1 ，所以由前面的方程可知， 鳓= 1 ，1 t l = o ，二阶矩是方差。 基于区域的亮度直方刚1 5 】的某些描绘子描述如下： ( 1 ) 均值 l - ! m = 刁p ( 乙) ，一j 7 i = o ( 2 2 ) 用于描述纹理的平均亮度度量。 ( 2 ) 标准偏差 仃= 厢= 口2 ， ( 2 3 ) 用于对比度度量。 ( 3 ) 平滑度 r = l 一击，( 2 4 ) l + o r 2 区域中亮度的相对平滑度度量。对于常亮度区域，只等于o ；对于灰度级 的值有较大偏差的区域，r 等于1 。实践中，该度量中使用的方差通过除以 ( 三一1 ) 2 ，可归一化到范围 0 ，1 】。 ( 4 ) 三阶矩 鸬= ( z ，- m ) 3 p ( z ，) ( 2 5 ) 度量直方图的偏斜。若直方图是对称的，则度量为0 ；若度量为正值，则直 方图向右偏斜，若度量为负值，则直方图向左偏斜。该度量的值在某一范围内， 与其他5 种度量类似，使用相同的除数( l 一1 ) 2 除鸬，我们可以将方差归一化。 ( 5 ) 一致性 l - i u = p 2 ( z ，) ( 2 6 ) i = 0 度量一致性。当所有扶度值相等时，该度量最大并从此处开始减少。 ( 6 ) 熵 武汉理工大学硕士学位论文 l - i p = 一p ( z i ) l o g ：p ( z 小 i = o 随机性度量。 下面给出了四类超声图像的纹理统计矩特征，见表2 1 所示。 表2 1 超声图像的纹理统计矩特征 ( 2 - 7 ) 纹理平均亮度平均对比度平滑度三阶矩一致性 熵 j 下常肝 4 3 4 9 7 2 7 0 2 1 5 6 8 1 73 3 7 3 2 3 8 9 6 75 8 6 6 2 脂肪肝 3 9 3 0 22 0 6 7 16 9 4 9 26 2 8 5 13 3 2 2 45 0 0 8 7 血吸虫肝4 1 4 2 72 8 0 1 8 5 4 8 3 l3 3 7 9 l4 0 1 0 56 0 2 8 1 肝癌 3 9 8 7 02 2 7 4 06 5 3 6 05 2 2 6 33 5 0 1 5 5 2 8 6 3 四类超声图像的直方图见图2 4 ，其中( a ) 图为正常肝脏的感兴趣区域图像的 直方图，图( b ) 是脂肪肝的直方图，图( c ) 是血吸虫肝的直方图，图( d ) 是肝癌的直 方图。从图中看出，几类图像在直方图的外观上呈现着相似的地方，这也说明 图像的灰度像素较低，对应着超声图像的暗区，但也有不同的地方，结合表2 1 可以看出，正常肝脏的平均亮度最高，血吸虫肝次之，脂肪肝和肝癌较弱；就 对比度而言，则血吸虫肝最强，脂肪肝最弱；就平滑度而言，则脂肪肝最强， 正常肝最弱；就三阶矩而言，则脂肪肝最强，正常肝和血吸虫肝最弱，就一致 性而言，则血吸虫肝最强，脂肪肝最弱；就熵而言，血吸虫肝最强，脂肪肝最 弱。 武汉理i 大学硬 学位论文 图2 - 4b 超 冬| 像的直方幽 2 32 基于共生矩阵的b 超图像纹理特征 纹理一般足由扶度分靠在审间位置j = 反复出现而形成的，因而在图像空f u 】 上有某种位胃关系的两个像素之间会存在定的版度关系这样的驮度关系称 为罔像中驭度的卒m 相关特征。出h a r a l i c k 等人在2 0 世纪7 0 年代初期提出的扶 度其生矩阵( g r a y l e v e l c o o c c u r r e n c e m a t r i x ，g l c m ) 足一种= f i 来分析图像纹理 特征的舞典二阶统计方法1 。 纹理舶述的儿生矩阵打洼是基r 征纹理中某扶度缴结构重复 现的情 况。这个结构在精细纹理中随着距离而快速地变化，而在租糙纹理c | 】则缓慢地 变化。假设待分析的纹理图像的_ 个部分是个m n 的地形窗。某。灰度级 结j ；= 的出现情i 兄可以“1 相对的频牢只，( “，6 ) 的翦眸术拙述，它描绘了t u f 扶度绂 n b 的心个像书，在a 阳州，i i f 】隔距离为d ，以- g 丈的频率 现在窗| 中。如果 缸b l i , i 给旧定义这u i 抛阶足刘杯的。m 址，、一阵的f l ：【j 二也依赖j 二儿小的 方向时同样以他川非时称的定义。 武汉理丁大学硕士学位论文 作为角度和距离的函数，非归一化共生矩阵可以形式化地表示为： p o , d ( 口，6 ) = i ( 尼，) ，( ，行，甩) 】d ： ( 2 8 ) k - m = 0 ，l ，一甩l = d ，f ( k ，z ) = 口，f ( m ，1 ) = b ) i 、 只，d ( 口，6 ) = i 【( 尼，) ，( ，7 l ，咒) 】d ： ( 七一朋= d ，l - n = - d ) 或( 七一m = - d ，一玎= d ) ， ( 2 - 9 ) f ( k ，) = 口，f ( m ，刀) = b ) i 气，d ( n ，6 ) 堋吣( m ，n ) 】趴 ( 2 1 0 ) lk mi _ d ，一刀= o ，f ( k ，) = 口，f ( m ，玎) = b ) l 、。 暑3 5 ：d 扣，6 ) 爿 ( 七，) ，( 朋，刀) d ： ( k m = d ，一刀= d ) 或( 七一研= 一d ，一刀= 一d ) ，( 2 1 1 ) f ( k ，) = 口，f ( m ，刀) = b i 其中，i - ) l 指集合的基数，d = ( m xn ) x ( mxn ) 。 灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息， 它可以作为分析图像基元和排列结构的信息。作为纹理分析的特征量，往往不 是直接应用计算的灰度共生矩阵，而是在灰度共生矩阵的基础上再提取纹理特 征量，称为二次统计量。h a r a l i c k 等人在2 0 世纪7 0 年代初期通过灰度共生矩阵 得到了1 4 个纹理描述符。然而通过灰度共生矩阵及其特征值的计算量很大，为 简便起见，一般采用以下六个常用的特征来提取图像的纹理特征。 设： 只( f ) = p ( i ，) i = 1 2 i = 1 p y ( j ) = m ) 歹= l 州2 一 ( 1 ) 角二阶矩 形= p 2 ( f ，) ( 2 - 1 2 ) i = 1 = l 角二阶矩反映了图像灰度分布均匀程度和纹理粗细程度。因为它是灰度共 生矩阵各元素的平方和，又称能量。暇大时纹理粗，能量大；反之彬小时，纹 理细，能量小。 1 4 武汉理工大学硕十学位论文 ( 2 ) 对比度 睨= 窆r 2 艺姜p c “) l i - j l = t c213)t=oi = l 睨= f 2i p ( f ，圳 ( 2 一 i - l l 对比度是形阵中关于主对角线的惯性矩。它度量了矩阵值的分布情况和图 像的局部变化。对比度可理解为图像的清晰度。纹理的沟纹深，形大，效果清 晰：反之小，则沟纹浅，效果模糊。 ( 3 ) 相关性 呢2 z 善否咖( f ) - 以以 ( 2 1 4 ) 其中，以和吒分别是只( f ，) 的均值和均方差；一和q 分别是0 ( f ，- ，) 的均值和 均方差。 相关性用来衡量灰度共生矩阵元素在行或列方向上的相似程度，是灰度线 性关系的度量。当矩阵元素值均匀相等时，就大，反之亦然。例如水平方向 的纹理在0 = 0 方向上的暇大于其他方向上的呢。因此呢可以用来判断纹理的 主方向。 ( 4 ) 差分矩 呢= ( f 一) 2 p ( i ，) = z ( i - u ) 2 只( f ) ( 2 1 5 ) 其中，p 是p ( f ，j ) 的均值。 ( 5 ) 逆差分矩 吃2 善荟赤o ) ( 2 - 1 6 ) 逆差分矩又称局部平稳，它是图像纹理局部变化的度量，反映了纹理的规 则程度。纹理越规则，值越大，反之亦然。 ( 6 ) 熵 哌= 一p ( i ，j ) l o g p ( i ，j ) + e p s ( 2 1 7 ) 熵代表了图像信息量，是图像内容随机性的度量，能表征纹理的复杂程度。 武汉理t 大学硕士学位论文 无纹理则熵为0 ，满纹理则熵最大。 我们选取正常肝脏、脂肪肝、血吸虫肝和肝癌四种超声图像的感兴趣区域， 应用上述算法，提取各肝脏超声的0 度，4 5 度，9 0 度及1 3 5 度方向的纹理特征数 据。见表2 2 ，表2 3 ，表2 4 和表2 5 所示。 表2 2o h 方向的纹理特征 特征角二阶矩 对比度相关性差分矩 逆差分矩 熵 正常 0 0 0 8 2o 1 1 1 82 4 5 5 0 e + 0 0 33 5 0 0 20 1 9 9 60 9 5 1 1 脂肪肝 0 0 0 6 00 1 6 8 53 9 6 5 5 e + 0 0 34 8 4 2 5o 1 8 2 81 0 0 7 7 血吸虫肝 0 0 0 9 00 0 7 5 12 812 9 e + 0 0 33 1 7 9 9o 2 1 5 50 9 3 3 1 肝癌 0 0 0 5 20 3 4 9 82 4 15 7 e + 0 0 33 4 7 1 7o 1 5 1 41 0 4 3 9 表2 34 5 度方向的纹理特征 特征角二阶矩对比度相关性差分矩逆差分矩熵 正常 0 0 0 5 20 3 5 9 82 4 11 7 e + 0 0 33 4 5 4 3o 1 5 1 11 0 4 6 1 脂肪肝0 0 0 4 30 4 2 8 73 9 2 0 4 e + 0 0 3 4 7 9 8 9o 1 4 2 21 0 7 2 8 血吸虫肝 0 0 0 5 00 2 5 6 42 7 8 7 1 e + 0 0 33 1 3 5 80 1 6 5 31 0 4 8 2 肝癌 0 0 0 5 20 3 4 9 82 4 1 5 7 e + 0 0 33 4 7 1 70 1 5 1 41 0 4 3 9 表2 - 49 0 度方向的纹理特征 特征角二阶矩对比度相关性差分矩逆差分矩熵 正常0 0 0 5 40 3 4 9 02 3 7 7 4 e + 0 0 33 5 1 8 30 1 5 5 7 1 0 5 6 5 脂肪肝 0 0 0 4 50 4 1 2 53