劉銀鳳，張俊杰，周濤，夏勇，吳翠穎

(1.寧夏醫(yī)科大學附屬心腦血管病醫(yī)院 神經內科，寧夏 銀川 750001；2.寧夏醫(yī)科大學 理學院，寧夏 銀川 750004；3.西北工業(yè)大學 計算機學院，陜西 西安 710100)

1 引 言

近年來，隨著空氣質量的惡化、二手煙危害的加深、職業(yè)因素的影響等原因，肺癌已成為世界范圍內發(fā)病率及死亡率最高的惡性腫瘤[1-2]，早期發(fā)現(xiàn)是提高肺癌患者治療效果的有效途經[3]。隨著醫(yī)學影像技術的不斷發(fā)展，計算機斷層掃描成像(computed tomography, CT)也成為最能夠凸顯肺部疾病征象的影像學手段[4]，現(xiàn)有的多層螺旋CT能夠顯現(xiàn)以往胸片難以發(fā)現(xiàn)的肺部結節(jié)狀小病灶，臨床上稱之為肺結節(jié)，肺結節(jié)是肺癌的早期表現(xiàn)形式[5]，其中部分惡性結節(jié)極易發(fā)展為肺癌，因此，肺結節(jié)的準確檢測在肺癌治療中的重要性日益凸顯。與計算機專業(yè)學科交叉的計算機輔助檢測(computer-aided detection，CAD)技術能夠從海量的醫(yī)學影像中提取出具有重要參考價值的圖像特征數(shù)據，經過初篩后針對待定信息結合影像醫(yī)生的二次判斷實現(xiàn)肺結節(jié)的雙重篩選，從而在降低醫(yī)生工作量的同時輔助醫(yī)生作出準確的定性判別結果[6]，因此，特征級肺結節(jié)檢測也成為生物醫(yī)學工程領域的研究熱點之一，如Santos[7]等提取Tsallis熵和香農熵作為描述特征，利用支持向量機(support vector machine, SVM)對結節(jié)區(qū)域和非結節(jié)區(qū)域進行分類識別；Netto[8]等利用SVM在提取的部分形狀特征和紋理特征集合的基礎上，實現(xiàn)對肺結節(jié)的有效識別；Ye[9]等選用局部形狀特征和局部散度信息作為ROI的特征表達，最后基于SVM進行肺結節(jié)的識別檢測。雖然以上文獻對肺結節(jié)的檢測方法進行了一定的探討，但整體來看，這些方法在特征結構的設計和分類器的構建方面還存在以下不足：

(1)提取特征集合量化ROI時，較少考慮全局特征和局部特征的結合、二維特征和三維特征的結合，并且過少的特征數(shù)據量難以全面地刻畫ROI的特征信息。

(2)分類識別時，分類器的選取難以與數(shù)據特性相匹配，并且未經過優(yōu)化的分類器難以勝任復雜的醫(yī)療數(shù)據。

基于以上原因，本研究提出了一種基于多維特征和SVM核函數(shù)優(yōu)化的自動化肺結節(jié)檢測模型。針對第一個問題，提取了形狀特征、灰度特征和紋理特征共92維特征分量刻畫ROI；針對第二個問題，采用網格尋優(yōu)算法優(yōu)化SVM核函數(shù)并進行肺結節(jié)的分類識別。本研究以100例肺結節(jié)患者的肺部CT影像為原始數(shù)據構建檢測模型，然后以100例肺結節(jié)患者的CT影像為檢測數(shù)據驗證該模型的有效性，實驗結果表明，該模型能夠在一定程度上提升特征結構的合理性和分類識別性能，從而提高肺結節(jié)的檢測效果。

2 相關理論

2.1 肺結節(jié)的多維特征提取及量化

圖像特征是用于描述圖像內容的最基本屬性，選取合理的特征是進行肺結節(jié)準確檢測的關鍵問題。醫(yī)學圖像往往涉及人體各類組織器官，具有數(shù)據海量性、灰度模糊性、結構復雜性、噪聲顯著性等特點，良好的特征既能夠描述結節(jié)的輪廓形狀、灰度分布、與其他組織結構的差異性，也應能夠對圖像的平移、旋轉、縮放等幾何變化具有不變性。

特征的選取并不具有唯一性，對于不同類別的物體、甚至不同成像系統(tǒng)產生的醫(yī)學圖像，都具有特征差異性。如圖1所示，在二維單層CT切片上，血管(圖1(a) )通常為呈長條型并伴有彎曲或分叉，灰度值較低，并由中央區(qū)域向四周遞減性擴散，肺結節(jié)(見圖1(b)、圖1(c))較血管更趨近于圓形，灰度分布相對均勻，而且有些結節(jié)(見圖1(c))甚至存在腔洞。

圖1 肺結節(jié)和血管示例圖

ROI特征由其描述的全面性(即特征分量的維度，過少的特征描述量無法以“多視角”的方式“觀測”病灶的特性)和刻畫的準確性(即反映特征真實性的程度，特征量化數(shù)值偏離真實信息較多會造成特征區(qū)分度過低)共同影響，大量的噪聲信息會降低ROI的特征提取精度，影響最終檢測結果，因此，為全面、準確的表達肺結節(jié)ROI的形態(tài)結構、局部特性，本研究在對肺結節(jié)ROI醫(yī)學征象分析的基礎上，分別從二維和三維角度對病灶進行定性分析和定量刻畫。

(1)形狀特征

形狀特征是最直觀的視覺特征，是醫(yī)生從病理方面更好的理解和判斷肺結節(jié)的重要描述信息。圓形腫塊征、分葉征、棘狀突起征、結節(jié)征與空泡征是描述肺結節(jié)的主要醫(yī)學征象，通常表現(xiàn)在幾何形狀、邊緣粗糙度、拓撲結構的差異上，本研究主要提取的形狀特征如下：

歐拉數(shù)(Eo=C-H，C是連通區(qū)域個數(shù)，H表示空洞數(shù))能夠度量結節(jié)的空泡征，計算區(qū)域的空洞數(shù)目，其值越小，表示結節(jié)空洞數(shù)目越多。

幾何不變矩取決于ROI的坐標，描述了灰度值的密度分布情況，Hu定義了7種不變矩，用于描述幾何不變性[5]。

(2)灰度特征

肺部 CT圖像是灰度成像, 區(qū)域間的灰度級差異可以量化表示為不同的組織和結構?；叶忍卣魇怯枚康姆椒枋鰣D像區(qū)域的最基本、最簡單的特征，本研究提取的灰度特征如下：

均值(E(I)=∑I*P(I)，P(I)圖像I的像素分數(shù))反映了圖像整體的明暗程度，方差(D(I)=E[(I-E(I))2])反映了圖像的對比度，由于血管的亮度較大，對比度強，信息量豐富，所以，相近大小情況下，其灰度均值、方差也較結節(jié)大。

偏斜度(skewness,S(I)=∑(I-E(I))3P(I))是指像素概率分布非對稱的度量，反映在曲線的偏斜程度上。通過觀察可以發(fā)現(xiàn)，血管大多為高亮區(qū)域，更傾向于偏態(tài)分布。

峰度(kurtosis,K(I)= ∑(I-E(I))4P(I))是指像素概率分布銳度的度量，反映在分布曲線頂峰的高低程度，峰度系數(shù)越大，分布就有更多的極端值，血管的峰度系數(shù)一般大于結節(jié)。

邊緣梯度(gradient,G(x，y)=dx(i,j)+dy(i，j) )反映了圖像邊緣上的灰度變化，可以由此描述結節(jié)和其他組織的邊緣差異。

拉普拉斯散度均值(Elm(Ai)=mean(Ai×La))根據拉普拉斯算子La與原始CT影像卷積后的結果發(fā)現(xiàn)，結節(jié)周圍灰度值差異較小的區(qū)域其散度卻有明顯的不同，因此，計算拉普拉斯散度有利于區(qū)分肺結節(jié)與干擾雜質。

拉普拉斯散度距離(Eld(Ai)=max(Ai×La)-min(Ai×La))是拉普拉斯散度的最大值與最小值的差值，描述了區(qū)域散度的變化范圍。

(3)紋理特征

一階灰度統(tǒng)計特征描述了圖像灰度級分布的相關信息，基于統(tǒng)計法的紋理特征是從間隔等距離的空間像素間變化關系刻畫肺結節(jié)潛在的特征，目前常用的幾種表示方法有灰度共生矩陣(gray-level co-occurrence matrix，GLCM)，灰度梯度共生矩陣(gray level-gradient co-occurrence matrix)，Tamura紋理特征。

GLCM本身只能描述紋理的粗細，為定量的描述紋理特性，需要從中提取以下有關特征量：

圖像的灰度和梯度分別是構成一幅圖像區(qū)域和邊緣輪廓的基本要素，灰度-梯度共生矩陣不僅反應了圖像灰度和梯度的分布規(guī)律，同時也描述了各像素點與其鄰域點之間的空間關系[10]。Tamura紋理特征的六個分量對應著六種直觀視覺感觸，分別是粗糙度、對比度、方向度、 線性度、規(guī)整度和粗略度，前三個分量就可以充分描述紋理的視覺特征，彌補了GLCM視覺特征不明顯的缺點。

2.2 支持向量機優(yōu)化

分類器的優(yōu)化可通過兩種形式實現(xiàn)：優(yōu)化單個分類器的參數(shù)設置；多個分類器以Adaboost的方式加權增強。SVM是一種基于統(tǒng)計理論的機器學習方法，其主要思想是利用有限的訓練樣本構造最佳超平面，使距離超平面最近的不同分類元素之間的距離最大化。SVM具有學習能力強、訓練時間短、選擇參數(shù)少、泛化能力好、擬合精度高、局部最優(yōu)即全局最優(yōu)等優(yōu)點，常被用于目標檢測，模式識別[11-12]。SVM的優(yōu)化函數(shù)和分類函數(shù)為：

(1)

(2)

其中，0

k(x，y)=exp(-g‖x-y‖2)g>0

(3)

懲罰系數(shù)C和核函數(shù)的參數(shù)g對SVM的分類性能有極其重要的影響，為了得到最優(yōu)分類結果，通常選擇搜索算法對參數(shù)進行優(yōu)化。網格搜索算法是在一定的空間范圍中以網格的形式表示待搜索參數(shù)，并通過遍歷網格中所有的點來尋找最優(yōu)參數(shù)，該方法具有簡單方便、易于理解、穩(wěn)定性好、易于找出全局最優(yōu)解的優(yōu)點，因此是選擇SVM參數(shù)常用的一種方法[13]。在學習和分類中，采用10折交叉驗證方法對參數(shù) (C, g)不斷優(yōu)化選擇，選取最優(yōu)分類效果下的核函數(shù)參數(shù)帶入SVM分類器進行分類識別，從而實現(xiàn)肺結節(jié)檢測模型的構建。

3 本文模型

本研究選用200例肺結節(jié)患者的CT影像作為研究樣本，并分為訓練組和測試組對各100例，首先結合閾值分割算法、形態(tài)學方法、區(qū)域生長算法三種方法從訓練組的CT影像中提取出經過影像科醫(yī)生標記的肺結節(jié)區(qū)域以及大量的非肺結節(jié)區(qū)域(血管、骨骼、肺泡等)；其次分別從二維和三維角度提取出刻畫ROI的形狀特征14維，灰度特征7維，紋理特征71維，共92維特征分量，并對提取的特征集合進行數(shù)據補齊、離散化、歸一化處理；然后采用網格尋優(yōu)算法優(yōu)化SVM核函數(shù)，并將改進的SVM分類器應用于肺結節(jié)區(qū)域和肺結節(jié)區(qū)域的分類識別；最后以測試組的影像進行檢測測試，驗證該模型的有效性?；谝陨纤惴ㄋ枷?，圖2給出了基于多維特征和SVM核函數(shù)優(yōu)化的自動化肺結節(jié)檢測模型的流程示意圖。

圖2 肺結節(jié)檢測模型流程示意圖

4 仿真實驗

4.1 實驗環(huán)境及數(shù)據

軟件環(huán)境：Windows 7操作系統(tǒng)，Matlab R2014b，ImageJ 1.48u，LibSVM。

硬件環(huán)境：Intel Core i5 4670-3.4GHz，8.0GB內存，500GB硬盤。

實驗數(shù)據：采用經過影像科醫(yī)生標記的200例肺結節(jié)患者的CT圖像(大小均為512×512，厚度為2mm)作為實驗樣本，圖3給出了肺結節(jié)以及其對應的分割結果。

圖3 肺結節(jié)分割結果

4.2 特征提取結果

基于以上分析，本研究提取的主要特征分量見表1。

表1 特征集合表

4.3 SVM核函數(shù)優(yōu)化結果

將訓練組中的兩類樣本(肺結節(jié)為正樣本，標記為1；非肺結節(jié)為負樣本，標記為-1)及其特征、標志輸入SVM分類器，采用10折交叉驗證訓練徑向基核函數(shù)并計算出分類性能最優(yōu)的核函數(shù)參數(shù)和懲罰系數(shù)(圖4，分別為c=1,g=0.35355)。

圖4 參數(shù)優(yōu)化結果

4.4 肺結節(jié)檢測結果

本研究對測試組100例肺結節(jié)共2242個切片的CT圖像進行肺結節(jié)檢測實驗，采用十折交叉法驗證該模型的分類正確率、敏感性、特異性、算法耗時等四個指標，結果見表2。

表2 肺結節(jié)檢測結果

本研究同時采用檢測正確率和單層切片誤檢率(false positives per scan, FP/s)作為對比不同模型實驗的評價指標，其結果見表3，由此可見，該模型相比于其他模型具有一定的優(yōu)勢。

表3 檢測性能對比表

5 小結

ROI特征描述能力和分類器性能共同決定了肺結節(jié)的檢測準確率，本研究不僅全面提取、量化了ROI的灰度特征、形狀特征、紋理特征，而且優(yōu)化了SVM分類器，提升了分類識別效果，實驗結果表明，該算法的分類準確度基本滿足醫(yī)學影像學對肺結節(jié)定性診斷的要求, 為CT影像中肺結節(jié)的準確檢測提供了有力的輔助手段。