吳翠穎，周濤，陸惠玲，姚中寶，王媛媛，楊鵬飛

（1.寧夏醫(yī)科大學(xué)公共衛(wèi)生和管理學(xué)院，銀川750004；2.寧夏醫(yī)科大學(xué)理學(xué)院，銀川750004；3.寧夏醫(yī)科大學(xué)總醫(yī)院核醫(yī)學(xué)科，銀川750004）

1 引 言

肺癌是世界上發(fā)病率和死亡率增長最快，對人類健康構(gòu)成巨大威脅的惡性腫瘤之一［1］。在肺部腫瘤診斷中，臨床醫(yī)師通常首先選擇CT檢查發(fā)現(xiàn)病變，其可以為肺癌患者的診斷提供精確而詳細(xì)的解剖信息，然而CT檢查只能在解剖和形態(tài)上顯示病變的特征性變化［2］；PET圖像能夠提供癌細(xì)胞的代謝和功能信息，能從分子水平上反映人體的生理、代謝狀況等［3］，但其空間分辨率差，定位不準(zhǔn)確；PET／CT是一種集PET的功能顯像和CT解剖形態(tài)影像于一體的新型影像設(shè)備，可以同時反映肺癌患者病灶的生理功能變化及形態(tài)結(jié)構(gòu)變化［4］。目前對肺部腫瘤的輔助診斷大部分都是采用個體分類器的應(yīng)用，而集成分類技術(shù)使用的較少，因此，本研究提出基于集成SVM的肺部腫瘤PET／CT計算機輔助診斷新方法。以肺部腫瘤為研究對象，首先提取了CT、PET、PET／CT影像中肺部腫瘤的紋理、形狀、灰度統(tǒng)計特征；其次描述了基于集成SVM的肺部腫瘤識別算法；最后進(jìn)行仿真實驗，給出并比較不同模態(tài)、不同特征之間單支持向量機和集成SVM的實驗結(jié)果。

2 本研究算法

從寧夏醫(yī)科大學(xué)附屬醫(yī)院核醫(yī)學(xué)科收集經(jīng)過影像科醫(yī)生標(biāo)記的2000例肺部腫瘤患者（1000例良性，1000例惡性）選擇同一病灶的三模態(tài)（CT、PET、PET／CT）圖像作為研究樣本，分別在三模態(tài)中提取不同的特征，然后在3個不同的樣本空間構(gòu)成的3類特征空間里構(gòu)造個體SVM，再通過相對多數(shù)投票進(jìn)行集成，實現(xiàn)對肺部腫瘤的分類識別。集成SVM肺部腫瘤識別方法見圖1。

圖1 基于集成SVM的肺部腫瘤PET／CT三模態(tài)計算機輔助診斷流程圖Fig 1 SVM ensemble based Com puter－aided－diagnosismethod of lung tumor using PET／CT multi－modality data

3 CT、PET和PET／CT肺部腫瘤特征提取

3.1 CT肺部腫瘤特征

CT屬于解剖結(jié)構(gòu)類圖像，擁有較高的空間分辨率，能夠精確定位病灶部位，但無法反映組織和器官的功能信息［5］。由于肺部CT圖像是灰度圖像，肺部各區(qū)域間的灰度差異能夠突顯不同組織和結(jié)構(gòu)［6］，所以，提取灰度特征能夠有效地反映圖像的灰度信息。CT圖像進(jìn)行預(yù)處理后，肺部圖像的形狀特征比較直觀，我們可以對其進(jìn)行幾何特征的測量和分析，通過提取目標(biāo)圖像的形狀特征能夠較好的識別目標(biāo)圖像。另外，CT圖像含有不規(guī)則性局部區(qū)域和周期性的灰度分布，但整體上表現(xiàn)出某種規(guī)律性，反映物體表面的粗糙度、規(guī)則性和方向性［7］，因此，可以通過提取紋理特征并對獲得的紋理進(jìn)行定性或定量的分析，識別目標(biāo)圖像。表1［8］給出了CT特征分量集合。

表1 CT特征集合Table 1 CT features set

3.2 PET肺部腫瘤特征

PET屬于功能圖像，能夠提供臟器和組織功能的代謝信息，但其空間分辨率差［9］。在PET圖像中，肺部惡性腫瘤ROI區(qū)域是一黑色亮斑，肺部良性腫瘤ROI是白色區(qū)域，難以直接準(zhǔn)確地提取周長、面積、圓形度、矩形度、伸長度和歐拉數(shù)特征，但其具有對圖像描述穩(wěn)定性和不變性的特點［10］，因此，通過提取Hu矩特征來描述PET圖像的基本特征。PET圖像是灰度圖像，各區(qū)域之間灰度差異明顯，提供了圖像灰度方向、間隔和變化幅度的信息。因此，灰度特征和紋理特征能夠反映圖像灰度空間變化信息。表2給出了PET特征分量集合。

表2 PET特征集合Table 2 PET features set

3.3 PET／CT肺部腫瘤特征

PET／CT同時進(jìn)行 PET顯像和 CT顯像，利用CT圖像對PET圖像病變部位進(jìn)行解剖定位和鑒別診斷，解決了圖像解剖結(jié)構(gòu)不清楚的缺陷，但PET顯像是一個亮斑，無法得到比較直觀的形狀特征，所以無法準(zhǔn)確提取周長、面積、圓形度、矩形度、伸長度和歐拉數(shù)特征，由于PET／CT圖像灰度信息變化明顯，具有周期性的灰度分布，故提取以下特征分量識別目標(biāo)圖像。表3給出了PET／CT特征分量集合。

表3 PET／CT特征集合Table 3 PET／CT features set

三個樣本空間PET、CT、PET／CT分別獲得不同的向量子空間，使得樣本空間和特征空間差異度大，符合集成SVM中若干個體分類器差異度越大或輸入樣本之間差異度越大，越能得到較好分類結(jié)果的基本思想。

4 實驗分析

4.1 實驗環(huán)境與數(shù)據(jù)

（1）硬件環(huán)境：Intel Core i54670－3.4 GHz，8.0 GB內(nèi)存，500 GB硬盤，Windows10系統(tǒng)。

（2）軟件環(huán)境：Matlab R2012b，LibSVM。

（3）實驗數(shù)據(jù)：采用經(jīng)醫(yī)生標(biāo)記的2000幅肺部腫瘤三模態(tài)圖像作為實驗樣本，三模態(tài)病灶截取后大小均為50×50，其中：

訓(xùn)練樣本：分別在1000例肺部惡性腫瘤和1000例肺部良性腫瘤中各取900幅的特征；

測試樣本：其余200幅特征。

由于篇幅的關(guān)系，各給出4幅CT、PET、PET／CT的肺部惡性腫瘤和肺部良性腫瘤ROI區(qū)域。見圖2。

圖2 三模態(tài)肺部惡性腫瘤和肺部良性腫瘤ROIFig 2 Threemodal lung cancer and lung benign tumor ROI

4.2 實驗結(jié)果與分析

本研究采用十折交叉驗證法分別計算代表CT、PET、PET／CT圖像識別性能的分類正確率、敏感性、特異性和算法耗時四個指標(biāo)，在1800個訓(xùn)練樣本中進(jìn)行訓(xùn)練，在200個測試樣本中進(jìn)行測試，做了以下四組實驗。研究中采用網(wǎng)格尋優(yōu)算法對SVM進(jìn)行優(yōu)化，利用K－CV方法［11］，得到訓(xùn)練集驗證分類準(zhǔn)確率最高的C和g作為最佳參數(shù)?；诰W(wǎng)格優(yōu)化后SVM參數(shù)選擇結(jié)果見圖3，表4。

4.2.1 在CT特征空間里構(gòu)造個體分類器 在CT樣本空間提取的80維特征空間里構(gòu)造個體CTSVM分類器，并對樣本子集進(jìn)行訓(xùn)練，其分類識別性能見表5。

圖3 SVM參數(shù)選擇結(jié)果（3D視圖）Fig 3 Parameter selection result（3D view）

表4 SVM參數(shù)選擇結(jié)果Table 4 Parameter selection result

表5 CT圖像特征識別性能統(tǒng)計表（%）Table 5 CT image feature recognition performance statistics（%）

實驗表明，CT圖像特征識別的正確率為95.45%，說明在CT圖像提取的特征空間里構(gòu)成的CT－SVM分類器中特異性低，敏感性低，說明其誤診率或漏診概率較高。

4.2.2 在PET特征空間構(gòu)造個體分類器 在PET樣本空間提取的98維特征空間里構(gòu)造個體PETSVM分類器，并對樣本子集進(jìn)行訓(xùn)練，其分類識別性能見表6。

實驗表明，PET圖像特征識別的正確率為99.7%，由于PET肺部惡性腫瘤ROI區(qū)域為黑色亮斑，而肺部良性腫瘤ROI區(qū)域則為白色，易于計算機區(qū)分，故在PET圖像提取的特征空間里構(gòu)成的PET－SVM分類器中得到的正確率比較高，特異性和敏感性也相對較高，導(dǎo)致誤診或漏診的概率小。其算法耗時相比4.2.1實驗也有縮減，表明PET肺部惡性腫瘤ROI和良性腫瘤ROI對于計算機來說易于識別，從而提高了肺部腫瘤的診斷性能。

表6 PET圖像特征識別性能統(tǒng)計表（%）Table 6 PET image feature recognition performance statistics（%）

4.2.3 在PET／CT特征空間里構(gòu)造個體分類器在PET／CT樣本空間提取的98維特征空間里構(gòu)造個體PET／CT－SVM分類器，并對樣本子集進(jìn)行訓(xùn)練，其分類識別性能見表7。

實驗表明，PET圖像和PET／CT圖像最后得到分類正確率分別為99.7%和97.05%，說明在PET圖像和PET／CT圖像特征提取時，其提取的特征分量能夠比較準(zhǔn)確、全面的描述其ROI。但是，由于PET肺部惡性腫瘤ROI區(qū)域為黑色亮斑，肺部良性腫瘤ROI區(qū)域為白色，而PET／CT圖像是CT圖像和PET圖像的組合體，其良性腫瘤ROI不是只顯示白色，故PET圖像相對于PET／CT圖像更易于計算機區(qū)分，因此PET圖像的分類正確率較高。CT圖像最后得到正確率比PET圖像和PET／CT圖像的正確率低，說明不同的單模態(tài)同時單模態(tài)提取不同特征構(gòu)造的SVM訓(xùn)練樣本子集得到的分類準(zhǔn)確率不一致。因此，為了提高分類準(zhǔn)確率，做了第四組實驗。

表7 PET／CT圖像特征識別性能統(tǒng)計表（%）Table 7 PET／CT image feature recognition performance statistics（%）

4.2.4 基于集成學(xué)習(xí)計算機輔助診斷模型 上述三個實驗結(jié)果表明，不同的單模態(tài)同時單模態(tài)提取不同特征構(gòu)造SVM訓(xùn)練樣本子集最后對腫瘤識別精度的影響程度不一樣。因此，可以通過集成學(xué)習(xí)對個體SVM輸出結(jié)果進(jìn)行相對多數(shù)投票，提高系統(tǒng)的泛化性能。

通過集成學(xué)習(xí)對三個不同模態(tài)分類結(jié)果進(jìn)行投票，見表8，最終得出集成分類正確率為99.85%，相比于4.2.1、4.2.2、4.2.3實驗中的 CT、PET、PET／CT的正確率分別提高了4.4%，0.15%，2.8%。集成后的敏感性和特異性也有所提高，這說明集成學(xué)習(xí)把若干單個分類器的分類結(jié)果進(jìn)行投票來決定最終的分類，明顯提高準(zhǔn)確率，同時也說明三個模態(tài)之間，選擇提取的特征值之間差異度大，精度高。

集成不但能提高分類精度，還能增強分類器的容錯能力。通過以上實驗可知，集成后的識別精度比單個分類器的識別精度沒有太大程度的提高，為此做了以下一組實驗驗證集成的容錯能力。

4.2.5 擾亂CT特征空間10%的數(shù)據(jù)并構(gòu)造個體分類器 在4.2.1實驗的基礎(chǔ)上，擾亂CT特征空間里10%的數(shù)據(jù)，即將其中100例良性腫瘤的數(shù)據(jù)標(biāo)為惡性，100例惡性腫瘤的數(shù)據(jù)標(biāo)為良性，然后構(gòu)造個體分類器進(jìn)行訓(xùn)練，其分類識別性能見表9。

從表9可知，擾亂CT特征空間10%的數(shù)據(jù)之后其分類識別精度下降到86.45%，在此基礎(chǔ)上結(jié)合4.2.2和4.2.3實驗，進(jìn)行集成學(xué)習(xí)。結(jié)果見表10。

表8 三模態(tài)集成性能統(tǒng)計表（%）Table 8 Threemodal integration performance statistics（%）

表9 CT圖像特征識別性能統(tǒng)計表（%）Table 9 CT image feature recognition performance statistics（%）

表10 三模態(tài)集成性能統(tǒng)計表（%）Table 10 Threemodal integration performance statistics（%）

實驗表明，擾亂CT特征空間里10%的數(shù)據(jù)后，構(gòu)造個體分類器得到的識別精度是86.45%，相比于4.2.1實驗精度大幅度下降，然而進(jìn)行集成學(xué)習(xí)時，識別精度為98.4%，相對于4.2.4實驗的集成結(jié)果還是比較穩(wěn)定的，因此，集成學(xué)習(xí)能夠增強分類器的容錯能力。

5 討論

本研究從三模態(tài)圖像出發(fā)，提出了一種基于集成SVM的肺部腫瘤PET／CT計算機輔助診斷新方法。該方法針對不同模態(tài)分別提取不同特征，然后在3個不同樣本空間構(gòu)成的3類不同特征空間里構(gòu)造個體SVM，通過相對多數(shù)投票進(jìn)行集成得出最終的分類結(jié)果。實驗結(jié)果表明本方法能夠有效提高肺部腫瘤的識別精度，對肺部腫瘤診斷的特異性和敏感性明顯優(yōu)于單一分類器識別，同時集成學(xué)習(xí)能夠增強分類器的容錯能力，為肺部腫瘤的輔助診斷提供技術(shù)支持。