關(guān) 沫，邢永吉

（沈陽(yáng)工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，遼寧 沈陽(yáng) 110023）

隨著人類生活方式和日常飲食的改變，加之現(xiàn)代生活快節(jié)奏性與不規(guī)律性，胃腸道疾病的發(fā)病率越來(lái)越高。目前，胃部疾病的檢測(cè)主要借助于電子胃鏡。醫(yī)學(xué)電子胃鏡主要由內(nèi)窺鏡、視頻處理器和視頻顯示器組成。應(yīng)用電子胃鏡可以采集到高分辨率的醫(yī)學(xué)圖像，如圖1所示。臨床醫(yī)生可以靈活地操控電子胃鏡來(lái)實(shí)時(shí)地觀察胃鏡的病變區(qū)域。盡管如此，由于診斷過程主要憑借臨床醫(yī)生的主觀性，加之病理特征的多樣性和胃部環(huán)境的復(fù)雜性，胃病診斷的誤診率和漏診率仍居高不下。因此，研究與設(shè)計(jì)一種基于胃鏡圖像的計(jì)算機(jī)輔助檢測(cè)系統(tǒng)十分必要。

圖1 胃鏡圖像樣例

就目前來(lái)看，此方面的研究主要集中在無(wú)線膠囊內(nèi)窺鏡圖像上，其研究的焦點(diǎn)主要集中于小腸和結(jié)腸的病灶區(qū)域檢測(cè)。而針對(duì)于傳統(tǒng)胃鏡圖像的研究尚處于起步階段，對(duì)于胃部病變的檢測(cè)尚未形成一種有效的方法?？v觀前人的工作，雖然檢測(cè)方法多種多樣，但可以粗略概括為圖像預(yù)處理、特征提取和用分類器進(jìn)行識(shí)別3個(gè)步驟。在圖像預(yù)處理階段，圖像通常會(huì)被分割成小矩形塊[1]或相互重疊的圓形區(qū)域[2]；接下來(lái)，從分割后得到的區(qū)域提取各種不同特征，包括顏色直方圖、局部二進(jìn)制模式（LBP）和小波域共生矩陣特征等。在最近幾年中，機(jī)器學(xué)習(xí)被廣泛地應(yīng)用到醫(yī)學(xué)圖像的病灶檢測(cè)領(lǐng)域當(dāng)中，例如支持向量機(jī)（SVM）[3]、貝葉斯推理和神經(jīng)網(wǎng)絡(luò)等。

前人方法的主要缺陷在于過少地考慮了干擾因素的影響，提取特征相對(duì)單一。針對(duì)以上問題，本文提出了一種新的基于胃鏡圖像的病灶方法。首先，運(yùn)用超像素的思想將圖像進(jìn)行分割；然后，針對(duì)每一個(gè)分割后的區(qū)域，分別提取適合于排除干擾和識(shí)別病灶的組合特征；最后，采用二級(jí)串聯(lián)分類器進(jìn)行干擾區(qū)域的去除和病灶區(qū)域的識(shí)別。

1 本方法中的相關(guān)技術(shù)

胃腸道不同于人體其他器官，作為消化系統(tǒng)的一部分，它的生理環(huán)境十分復(fù)雜，其表面經(jīng)常會(huì)被粘液、氣泡和食物殘?jiān)雀采w。除此之外，胃鏡的光照條件也極大地影響了圖像的質(zhì)量。綜合前人工作的分析可知，過多的噪聲極大地影響了病灶區(qū)域的識(shí)別準(zhǔn)確率。針對(duì)此種情況，本文方法在圖像分割、特征提取以及分類器的設(shè)計(jì)上進(jìn)行了相應(yīng)改進(jìn)。

1.1 基于超像素的區(qū)域劃分

超像素在計(jì)算機(jī)視覺中得到了廣泛應(yīng)用，但是在病灶檢測(cè)領(lǐng)域尚未得到應(yīng)用。參考文獻(xiàn)[4]提出了一種簡(jiǎn)單線性迭代聚集算法（SLIC）來(lái)減少計(jì)算量。相比較于歸一化分割算法和快速漂移算法，該算法具有耗時(shí)短、超像素的尺寸和矩形度可調(diào)節(jié)的特點(diǎn)。

SLIC 分割算法作 用于圖 像的 5 維[l，a，b，x，y]空間上，l、a、b分別為 CIELAB 顏色空間的 3 個(gè)分量，x、y是像素在圖像的二維坐標(biāo)平面的位置坐標(biāo)。因此，每一個(gè)像素可 以表示為[li，ai，bi，xi，yi]T。

I（x，y）表示在 CIELAB 顏色 空 間內(nèi) 坐標(biāo) 為 （x，y）的 像素點(diǎn)的值，‖…‖表示歐式距離，每個(gè)超像素的中心點(diǎn)表示為[lk，ak，bk，xk，yk]T。

當(dāng)期望的超像素的大小近似為S×S時(shí)，則相似像素的搜索范圍將擴(kuò)展至以中心像素為中心點(diǎn)的2S×2S大小的區(qū)域。為了將更相似的像素聚集到聚類中心，參考文獻(xiàn)[4]提出了一種新穎的計(jì)算距離的方法，即：

Ds是CIELAB顏色空間內(nèi)有顏色距離和二維相平面的歐式距離之和。設(shè)置m的大小可以控制超像素的矩形度。

1.2 特征提取

基于胃鏡圖像的特點(diǎn)，應(yīng)該選取一些具有光照不變性、旋轉(zhuǎn)及平移不變性的顏色和紋理特征，例如HIS_I、HSV_HV、RGB、Norm RGB、RG、Opponent、HUE 顏色直方圖特征，以及局部二進(jìn)制模式（LBP）紋理特征。為找出分別適用于干擾區(qū)域和病灶區(qū)域的特征，本文人工提取了30×30大小的樣本9 000個(gè) （干擾-非干擾樣本45 00個(gè)、病灶-非病灶樣本4 500個(gè)），之后分別提取各特征，并放入分類器進(jìn)行訓(xùn)練與識(shí)別，實(shí)驗(yàn)結(jié)果如表1和表2所示。

表1 各特征在識(shí)別干擾區(qū)域時(shí)的正確率（AUC/%）

表2 各特征在識(shí)別病灶區(qū)域中的正確率（AUC/%）

從實(shí)驗(yàn)結(jié)果可以看出，對(duì)于干擾區(qū)域，15維的HIS_I、30維的 HSV_HV、15維的 NormalizedRGB 和 15維的Opponent顏色特征表現(xiàn)出色，其受試者工作特征曲線 （ROC曲線）下面積均可達(dá)到97.32%、98.78%、97.62%和 99.27%。對(duì)于病灶區(qū)域，45維的 HSV_HV、30維的RGB、45維的 RG、15維的 Opponent特征表現(xiàn)良好，其ROC曲線下面積均可達(dá)到 90.76%、91.19%、92.83%和91.68%。然而單一的特征其代表性也比較單一，在實(shí)際復(fù)雜的應(yīng)用環(huán)境中仍達(dá)不到理想的效果，因此本文方法將多種特征進(jìn)行融合，通過多種特征的疊加來(lái)加強(qiáng)特征的魯棒性，從而可以應(yīng)對(duì)復(fù)雜多變的應(yīng)用環(huán)境，其實(shí)驗(yàn)結(jié)果如圖 2和圖 3所示。圖 2中，（1）表示 HIS_I（15維）+HSV_HV （30 維），NormRGB （45 維）+OPPO （30 維）+RGB（30 維）；（2）表示OPPO（30 維）+LBP（15 維）；（3）表示OPPO（30 維）+HUE（45 維）；（4）表示OPPO（30 維）+HUE（45 維）+LBP（15 維）；（5）表示所有單個(gè)特征表現(xiàn)最好的組合。圖 3 中，（1）表示 HIS_I（45 維）+LBP（30 維）+NormRGB （45 維）+HUE （45 維）；（2） 表示 LBP （30 維），NormRGB （15 維）+RG （30 維）；（3） 表示LBP （30 維）+NormRGB（45-d）+RG（45 維）+OPPO（15維）；（4）表示 LBP（30 維）+RG（30 維）；（5）表示LBP（30 維）+RG（45 維）+OPPO（45 維）；（6）表示 RG（45 維）+OPPO（15 維）+RGB（30維）；（7）表示RG（45 維）+OPPO（15 維）+RGB（30 維）+LBP（30維）；（8）表示所有單個(gè)特征表現(xiàn)最好的組合。

圖2 組合特征在識(shí)別干擾區(qū)域時(shí)的正確率

圖3 組合特征在識(shí)別干擾區(qū)域時(shí)的正確率

實(shí)驗(yàn)結(jié)果證明，其組合后的特征性能平均高于任何一個(gè)單一特征，達(dá)到了預(yù)期效果。在干擾區(qū)域排除階段，特征組合 （2）（30維的 Opponent顏色直方圖串聯(lián) 15維的LBP紋理特征）表現(xiàn)最為突出，AUC達(dá)到99.50%。在病灶區(qū)域識(shí)別階段，特征組合（5）（30維 LBP紋理特征串聯(lián)45維的RG和45維的Opponent顏色特征）表現(xiàn)出色，AUC達(dá)到93.34%。本方法最終采用以上兩種最優(yōu)特征組合方式，為后續(xù)的去除干擾和病灶識(shí)別工作奠定了基礎(chǔ)。

1.3 分類器設(shè)計(jì)

Adaboost衍生于 Boosting算法，自從 Schapire提出以來(lái)得到了廣泛的應(yīng)用。Adaboost屬于一種迭代算法，其核心思想是將多個(gè)弱分類器組合成一個(gè)強(qiáng)分類器。本文選取決策樹作為子分類器，為避免過度學(xué)習(xí)的情況發(fā)生，本文將樹的深度設(shè)置為2。其次需要確定算法迭代的次數(shù)，綜合考慮算法的識(shí)別率及分類器的訓(xùn)練時(shí)間，最終確定迭代次數(shù)為60最為合適。

為減少胃鏡圖像中噪聲對(duì)檢測(cè)結(jié)果的影響，本文方法將兩個(gè)Adaboost分類器串聯(lián)起來(lái)，形成一個(gè)三分類器，通過此分類器，待檢測(cè)區(qū)域?qū)⒈蛔R(shí)別為正常區(qū)域、干擾區(qū)域或病灶區(qū)域3類。其工作流程如圖4所示。

圖4 二級(jí)串聯(lián)分類器工作流程

2 方法實(shí)現(xiàn)

首先，采用超像素的思想將圖像分割成像素相對(duì)緊湊一致的區(qū)域；其次，通過實(shí)驗(yàn)分別找出適用于干擾區(qū)域和病灶區(qū)域的特征的組合；最后，采用二級(jí)分類器完成干擾區(qū)域的去除以及病灶區(qū)域的識(shí)別工作。本文方法的整個(gè)流程下。

算法：

（1）設(shè)置期望的分割塊數(shù)K及區(qū)域的矩形度m。

（2）在邊長(zhǎng)為S的區(qū)域內(nèi)隨機(jī)初始化起始聚集中心CK=[lk，ak，bk，xk，yk]T。

（3）采用3×3大小的鄰域?qū)ふ姨荻茸钚〉狞c(diǎn)作為聚集中心點(diǎn)。

（4）repeat

（5）for對(duì)于每一個(gè)中心點(diǎn)CKdo

（6）利用式（2），在中心點(diǎn)周圍 2S×2S范圍內(nèi)尋找與中心點(diǎn)最匹配的像素點(diǎn)。

（7）end for

（8）重新計(jì)算中心點(diǎn)的位置，并計(jì)算新中心點(diǎn)與前中心點(diǎn)位置坐標(biāo)的歐式距離E。

（9）untilE≤threshold

（10）將孤立存在的小區(qū)域強(qiáng)制劃分到相鄰的最大區(qū)域。

（11）for每一個(gè)分割后的區(qū)域 do

（12）if區(qū)域內(nèi)像素個(gè)數(shù)≥Nthen

（13）提取適合于干擾區(qū)域識(shí)別的特征組合。

（14）利用第一級(jí)分類器進(jìn)行識(shí)別。

（15）if該區(qū)域被識(shí)別為干擾區(qū)域then

（16）提取適合于病灶區(qū)域識(shí)別的特征組合。

（17）利用第二級(jí)分類器進(jìn)行識(shí)別。

（18）end if

（19）end if

（20）end for

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

本實(shí)驗(yàn)的數(shù)據(jù)來(lái)源于120個(gè)臨床病例，共計(jì)3 000張醫(yī)學(xué)胃鏡圖像，其中包含1 500張含有病灶區(qū)域的圖像和1 500張完全健康的圖像。圖像的大小為489像素×409像素，存儲(chǔ)格式為JPEG。每一幅含有病灶區(qū)域的圖像都配有專業(yè)醫(yī)師標(biāo)注的標(biāo)注圖，在實(shí)驗(yàn)中作為地面真值。

在實(shí)驗(yàn)中，規(guī)定對(duì)于完全健康的圖像，只要有一個(gè)區(qū)域被識(shí)別為病灶區(qū)域，則認(rèn)為檢測(cè)失??；反之，則認(rèn)為檢測(cè)成功。對(duì)于含有病灶區(qū)域的圖像，只要有識(shí)別為病灶的區(qū)域與醫(yī)生標(biāo)注區(qū)域有重疊，則認(rèn)為檢測(cè)成功；否則，認(rèn)為檢測(cè)失敗。

在實(shí)驗(yàn)中，采用4種不同的方法對(duì)相同一批圖像進(jìn)行檢測(cè)，用來(lái)進(jìn)行檢測(cè)效果的分析對(duì)比。方法1，SLIC分割+組合特征+二級(jí)串聯(lián)分類器；方法 2，SLIC分割+組合特征+單級(jí)分類器；方法 3：按 30×30矩形分割圖像+組合特征+二級(jí)串聯(lián)分類器；方法 4：按30×30矩形分割圖像+組合特征+單級(jí)分類器。

3.2 實(shí)驗(yàn)結(jié)果與分析

本文采用ROC曲線對(duì)實(shí)驗(yàn)進(jìn)行分析。ROC曲線將靈敏度與特異性以圖示方法結(jié)合在一起，可以準(zhǔn)確反映分析方法中特異性和敏感性的關(guān)系，是試驗(yàn)準(zhǔn)確性的綜合代表。在ROC曲線圖表中，X軸表示假陽(yáng)性率FPR（False Positive Rate），Y 軸表示真陽(yáng)性率 TPR（True Positive Rate）。ROC曲線展示了當(dāng)評(píng)判標(biāo)準(zhǔn)變化時(shí)這兩個(gè)變量之間的相互關(guān)系。ROC曲線下方的面積可以用來(lái)評(píng)判一個(gè)系統(tǒng)性能的好壞[5]。

實(shí)驗(yàn)結(jié)果如圖5所示，本文所提出的方法（方法1）的檢測(cè)效果遠(yuǎn)好于其他方法，其正確率遠(yuǎn)好于其他3種方法，正確率（AUC）達(dá)到91.588%。方法2、方法3和方法4的正確率（AUC）分別為86.058%、76.458%和70.727%。

圖5 實(shí)驗(yàn)ROC曲線圖

部分實(shí)驗(yàn)效果如圖6所示，其中第1排為含有病灶區(qū)域的胃鏡圖像；第2排為臨床醫(yī)師給出的地面真值圖；第3排為本文方法檢測(cè)后的結(jié)果圖。

醫(yī)療器械的限制以及胃部特殊生理環(huán)境的影響，使得有些病灶區(qū)域很難用肉眼識(shí)別。考慮到胃鏡圖像的成像質(zhì)量受多方面因素的影響，圖像噪聲多的特點(diǎn)，本文方法在預(yù)處理階段采用SLIC分割算法，將圖像分割成大小均勻的超像素，相較于簡(jiǎn)單的人工劃分區(qū)域，具有區(qū)域內(nèi)像素更加統(tǒng)一和緊湊的特點(diǎn)。此外，本文方法還采用了多種特征組合的形式替代了單一特征。最后通過使用二級(jí)串聯(lián)分類器將去干擾和病灶檢測(cè)步驟串聯(lián)進(jìn)行。實(shí)驗(yàn)表明，本文方法的病灶檢測(cè)正確率優(yōu)于傳統(tǒng)方法。

圖6 實(shí)驗(yàn)效果圖

[1]Liang Pan， Cong Yang， Guan Mo.A computer-aided lesion diagnose method based on gastroscope image[C].2012 IEEE InternationalConference on Information and Automation，ICIA 2012， Washington， DC.IEEE ComputerSociety，2012：871-875.

[2]SZCZYPINSKI P， KLEPACZKO A， PAZUREK M， et al.Texture and color based image segmentation and pathology detection in capsule endoscopy videos[J].Computer Methods and Programs in Biomedicine， 2014，13（1）：396-411.

[3]LI B，MENG M Q H.Tumor CE image classification using SVM-based feature selection[C].IntelligentRobots and Systems （IROS）， 2010： 1322-1327.

[4]ACHANTA R，SHAJI A，SMITH K，et al.Slic superpixels[J].Ecole Polytechnique Federal de Lausssanne （EPFL），Technical Report， 2010： 149300.

[5]SWETS J A，DAWES R M，MONAHAN J.Psychological science can improve diagnostic decisions[J].Psychological Science in the Public Interest， 2000， 1（1）： 1-26.