張涵笑，趙書俊，董潔，張勇

1.鄭州大學物理工程學院，河南鄭州 450000；2.鄭州大學第一附屬醫(yī)院磁共振科，河南鄭州 450000；

腫瘤是威脅人類健康的主要疾病之一，室管膜瘤和髓母細胞瘤是常見的兒童腦腫瘤[1]，不同腫瘤的治療及預后方案也不同，術前正確鑒別非常重要。機器學習在圖像識別領域發(fā)展迅速，計算機輔助檢測作為一種非侵入性診斷在醫(yī)學成像輔助診斷中具有極高的應用價值。紋理分析能夠從醫(yī)學圖像中獲得更多的細節(jié)信息，顯示圖像信號的強度、像素值及其位置信息[2]?；?Gabor濾波的紋理分析是一種將空域和頻域相聯(lián)合的方法[3]，同時具有多尺度、多方向的特點，而醫(yī)學圖像紋理特征豐富、細節(jié)信息較多，Gabor小波變換技術具有尺度與方向可調性，能夠獲得更多的圖像紋理信息。本研究從Gabor濾波的角度提取MRI圖像的紋理特征進行定量化，指導分類，進而輔助臨床診斷。

1 資料與方法

1.1 研究對象 收集2008年5月－2015年8月鄭州大學第一附屬醫(yī)院收治的兒童后顱窩腫瘤45例，男29例，女16例；年齡0～14歲，平均（6.25±3.29）歲。其中室管膜瘤22例，髓母細胞瘤23例，均經手術病理證實。

1.2 圖像分析 采用Siemens 3.0T MRI系統(tǒng)，標準頭顱線圈。增強掃描矢狀位T1WI，掃描參數：TR 260.0 ms，TE 2.46 ms，層厚5 mm，層間距0.3 mm，造影劑為釓噴替酸葡甲胺，劑量0.2 mmol/kg。

從MRI圖像中選擇腫瘤面積最大層面，先由2名主任醫(yī)師分別對所有圖像中的腫瘤部分手工勾畫感興趣區(qū)（ROI），以兩者協(xié)商后的結果為最終結果（圖1A、1B、2A、2B）。同時，基于灰度的圖像后處理，大面積的黑色背景會造成結果的誤差，為探測減少大面積背景是否對分類結果產生影響，自動沿腫瘤邊界對圖像進行切割，去除了無用的背景部分，又最大限度地保留了腫瘤的實質區(qū)域（圖1C、2C）。

圖1 女，4歲，室管膜瘤。室管膜瘤（箭）原MRI圖像（A）；ROI（B）及去除背景部分的ROI（C）

圖2 男，8歲，髓母細胞瘤。髓母細胞瘤（箭）原MRI圖像（A）；ROI（B）及去除背景部分的ROI（C）

1.3 研究方法 對待處理圖像進行 Gabor濾波以增強圖像紋理信息，然后提取相應的紋理特征，利用支持向量機（support vector machine，SVM）在MATLAB平臺對2種腫瘤的紋理特征進行訓練分類。

1.3.1 Gabor小波變換 Mallat[4]首次將小波變換運用于紋理分析；Gabor[5]提出一種新的變換方法——Gabor小波變換。Gabor小波變換屬于加窗傅里葉變換，可在頻域不同尺度、不同方向上提取相關特征。二維Gabor函數可以表示公式（1）～（4）。

其中，ν的取值決定濾波的波長即尺度的大小，u的取值決定了濾波的方向，對于紋理分析，Gabor變換能夠得到一個相當高的空間、頻率聯(lián)合分辨率[6]。分別令ν=0、1、2、3、4，u=0、1、2、3、4、5、6、7，對圖片進行5個尺度、8個方向的Gabor小波變換（圖3）。

圖3 Gabor濾波后的圖像。一幅待測圖像經5個尺度、8個方向濾波后得到40幅新圖像，每幅新圖像提取4個特征，故一幅待測圖像共獲取160個特征向量

1.3.2 紋理特征 圖像通過Gabor小波變換后獲取其灰度直方圖，分別提取平均值（mean）、對比度（con）、熵（ent）和角度方向二階距（asm）4個紋理特征，見公式（5）～（8）。

1.3.3 分類器訓練分類 使用SVM分類器進行分類訓練得到輸出結果[7]。實驗數據樣本標記為X={xi},Y={yi}，其中i=1,……，n；yi{－1,+1}，yi是標簽。將其映射到高維特征空間中，分類超平面表示為在高維特征空間中，兩類樣本中任意點到超平面的距離為若要分類間隔最大，在服從約束下須取得極小值，可使用拉格朗日方程求解判別函數為通過該判別函數即可做出分類。SVM適用于小樣本、高維非線性的情況，故采用SVM對提取出的具有顯著差異性的特征向量進行訓練分類。

1.4 統(tǒng)計學方法 采用SPSS 23.0軟件，對所有樣本中提取出的向量做顯著性差異檢驗。對于符合正態(tài)分布，方差齊性的特征，采用t檢驗；對于不符合正態(tài)分布，方差齊性的特征采用秩和檢驗。P＜0.05表示差異有統(tǒng)計學意義。

2 結果

2.1 特征向量的提取和選擇 對未剪切背景的圖像進行Gabor濾波后提取160組特征，經檢驗后，差異有統(tǒng)計學意義的特征向量組為均值（除去34/41/43/44/45/47，第一個代表尺度v，第二個數字代表方向u）、熵（全部）、角度方向二階距（21/23/25/26/27/30/32/34/35/36/37/40/41/42/43/44/45/46/47），共 93組特征向量。對剪切背景后的圖像進行Gabor濾波后提取的160組特征向量中，均值（全部）、對比度（全部）與角度方向二階距中的 34組（除去 31/32/33/35/36/37）共 114組特征向量差異有統(tǒng)計學意義（P＜0.05）。然后將差異有統(tǒng)計學意義的特征向量組使用 SVM 做訓練分類。

2.2 SVM 測試結果 首先對未剪切背景的圖像提取出的160組特征向量和差異有統(tǒng)計學意義的93組特征向量分別使用SVM進行訓練分類。然后對剪切背景后的圖像提取出的 160組特征向量和差異有統(tǒng)計學意義的 114組特征向量分別使用 SVM 進行訓練分類。每次隨機將每組樣本的 60%作為訓練集，其余40%作為測試集，共分組200次，將200次計算結果作為分類結果（表 1）。由表 1可知，使用SVM分析經Gabor濾波提取出的紋理特征能夠實現室管膜瘤和髓母細胞瘤的分類。通過沿腫瘤邊緣剪切背景部分和僅輸入差異有統(tǒng)計學意義的特征向量能明顯改善分類結果，減背景降維后的分類正確率最高，為（87.03±4.22）%。

表1 SVM訓練分類結果正確率對比（ ±s，%）

表1 SVM訓練分類結果正確率對比（ ±s，%）

圖像類型室管膜瘤分類髓母細胞瘤分類合計未減背景未降維 69.94±14.56 61.78±14.85 65.86±4.99未減背景降維71.72±14.56 56.06±14.41 63.89±4.02減背景未降維 84.67±11.44 68.50±12.34 76.58±5.16減背景降維89.22±8.03 84.83±9.53 87.03±4.22

3 討論

在15歲以下的兒童中，腦腫瘤是僅次于急性淋巴細胞性白血病的常見癌癥[8]。進行腫瘤類別的診斷時極大地依賴于臨床經驗，且不同醫(yī)師的診斷結果也會產生一定的偏差，最終結果依賴于病理學檢查，一般需要入侵的方式取得病理切片[9]。如何通過非入侵的方式通過計算機進行兒童腦腫瘤中的室管膜瘤和髓母細胞瘤的分型是本研究的重點。

MRI圖像能夠非入侵顯示腫瘤的部位及大小，圖像紋理分析技術可以得到腫瘤中更多無法直接觀察到的信息并定量化，從而輔助診斷。本研究對45例15歲以下后顱窩腫瘤（其中22例室管膜瘤，23例髓母細胞瘤）展開研究，首先手動勾畫ROI，然后使用基于Gabor濾波的紋理特征分別對 2種腫瘤的 ROI進行分析，提取了160組特征，再用SVM作為分類器對2種腫瘤進行分類，與病理學結果進行對照，正確率僅為（65.86±4.99）%。針對部分特征對于后續(xù)分類無相關性的特點又進行了4次對比研究，分別是將背景區(qū)域進行剪切和未剪切，將濾波后提取的160組特征進行相關性分析從而降維和未進行相關性分析。結果顯示，未減背景和未降維針對2種腫瘤的分類正確率為（65.86±4.99）%，未減背景和降維后分類正確率為（63.89±4.02）%，減背景未降維后分類正確率為（76.58±5.16）%，減背景降維后的正確率為（87.03±4.22）%。最終實驗結果證明，對于兒童后顱窩腫瘤中室管膜瘤與髓母細胞瘤減背景和降維后分類正確率最高。對ROI背景部分剪切且對特征向量篩選后，經對比，剪切背景和僅輸入具有顯著性差異的特征能夠有效改善分類結果。故可以通過檢驗特征向量之間的顯著差異性對多特征參數進行選擇，最終達到輔助診療的目的。

近年來，紋理分析成功地運用于兒童腦腫瘤的類型鑒別，各種紋理特征提取方法不斷涌現，既往研究中有關兒童腦腫瘤的 2D T1WI和 T2WI圖像使用SVM分類器的分類總正確率為73%～86.71%[10-12]，將Gabor濾波方法用于兒童腦腫瘤的研究罕見。同時，本研究也存在一定的局限性，樣本量過小限制了分類器的選擇，而且僅對2D T1WI圖像矢狀位進行研究，今后可擴大樣本量進行3D及冠狀位、軸位的研究，以期提供更多的腫瘤相關信息，提高兒童腦腫瘤的自動化分型能力。