楊 云 張立澤清 齊 勇 王 妮

(陜西科技大學電氣與信息工程學院 陜西 西安 710021)

0 引 言

動脈粥樣硬化作為一種血管內(nèi)壁的增生病變組織，患者在臨床上無明顯的特征病理，僅會出現(xiàn)部分非特異性表現(xiàn)，當硬化斑塊增大并脫落后會成為危及生命的急性心腦血管疾病的病理基礎(chǔ)[1]。臨床的診斷過程中分別由動脈的寬窄程度和斑塊所處部位及其形態(tài)學特征來進行穩(wěn)定性與風險評估。光學相干斷層掃描技術(shù)OCT在眼科相關(guān)疾病的診斷中占重要地位[2]。該斷層成像技術(shù)在心血管成像的過程中對于人體的損傷較小，并已經(jīng)在心腦血管等疾病方面的醫(yī)學活體生物組織的成像領(lǐng)域進行了初步應(yīng)用，且取得了較好的效果。在整個OCT血管診斷過程，血管內(nèi)壁及其外壁的一定厚度內(nèi)病變組織都會在視頻圖像中表現(xiàn)出相應(yīng)的特征，為醫(yī)生的診斷提供了更為可靠與客觀的信息。但目前一次診斷過程會生成大量的圖像信息，為輔助診斷進行信息處理，如何更好地使用圖像處理手段、機器學習、深度學習等一系列行之有效的方法對大批量數(shù)據(jù)進行處理成為現(xiàn)在相關(guān)研究的熱點[3]。

在相關(guān)的OCT圖像分割領(lǐng)域主要以監(jiān)督學習為主。其中文獻[4]提出了使用一種利用隨機森林分類器進行OCT視網(wǎng)膜血管分層分割的新方法，并從OCT數(shù)據(jù)中共提取了7個特征，用于同時對9個層邊界進行分類。文獻[5]提出了使用基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)和圖搜索方法(CNN-gs)的光學相干斷層掃描圖像九層邊界自動分割框架。文獻[6]使用了一種神經(jīng)網(wǎng)絡(luò)方法，通過訓練神經(jīng)網(wǎng)絡(luò)來識別每一層中的點，從而估計OCT圖像中視網(wǎng)膜層之間的邊界。但上述方法在訓練的過程中均需要準確且詳細的標簽作為支撐，且僅在OCT視網(wǎng)膜圖像的分割領(lǐng)域有著較好的效果，在面對OCT血管斑塊這種僅能進行范圍化標記的圖像無法進行有效的判斷。

OCT血管內(nèi)斑塊極坐標圖像的范圍化標記，是在極坐標圖像上劃分出病變斑塊組織所處圖像長度方向的范圍，且無法提供詳細且準確的病變組織位置，因此本文通過對圖像進行合適的預(yù)處理工作，并通過判斷圖像中每一像素列所屬類別對病變組織進行區(qū)域劃分。本文在進行OCT血管內(nèi)斑塊圖像的處理過程中主要分為三個步驟，即圖像預(yù)處理、模型調(diào)參、圖像分割。

1 圖像預(yù)處理

1.1 伽馬變換與灰度標準化

在OCT血管內(nèi)斑塊圖像的采集過程中，一方面對于圖像中病變斑塊的篩選、分析與評估依賴于極坐標圖像中條帶狀的血管內(nèi)壁組織特征，另一方面血管內(nèi)壁外圍的斑點噪聲作為影響OCT圖像質(zhì)量的主要原因之一，對于像素列的分類結(jié)果有著較為明顯的干擾。為凸顯圖像中血管內(nèi)壁的特征，防止血管內(nèi)壁外圍陰影干擾對實驗過程造成影響，在盡可能保留圖像原有特征的基礎(chǔ)上對極坐標圖像進行伽馬變換，在增強血管內(nèi)壁區(qū)域的對比度同時去除外圍陰影噪點，其伽馬變換的表達式如下所示：

s=crγ

(1)

式中：c、r均為正常數(shù)，γ表示伽馬系數(shù)，在進行伽馬變換的過程中伽馬系數(shù)取值為1.5；經(jīng)過伽馬變換的圖像如圖1所示，(a)為原始血管圖像(720×352像素)，(b)為伽馬變換后圖像，其中白色條帶為血管內(nèi)壁，柱狀陰影截斷為導絲遮擋部位。

(a)

(b)圖1 伽馬變換結(jié)果

由圖1可知，經(jīng)伽馬變換后在極坐標圖像下血管內(nèi)壁下方的區(qū)域中的斑點噪聲得到了有效的抑制，并且變換后的圖像有效地保留了評價與劃分血管內(nèi)壁斑塊區(qū)域的細節(jié)與邊緣。

OCT血管圖像的圖像采集結(jié)果來自不同患者以及不同部位的血管，這會導致血管內(nèi)壁圖像的灰度產(chǎn)生較大波動，為進一步減少差異，屏蔽因灰度波動帶來的影響，將灰度的取值范圍進行標準化處理。其處理過程可表達為：

(2)

式中：xnew表示經(jīng)過灰度取值范圍標準化計算后的值，xroiginal表示待標準化的輸入灰度，E表示灰度均值(血管內(nèi)壁與背景區(qū)域)，L表示圖像中灰度值較大部分的均值，其取值主要在血管內(nèi)壁附近。

1.2 斑塊區(qū)域的檢測與劃分

考慮到極坐標的病變斑塊標記與劃分方法，其標簽圖像在標記的過程中所提供的斑塊的信息能夠表達斑塊在該段血管中的前后一定范圍，并且以像素列的信息為基礎(chǔ)進行劃分可以較好且直觀地與標簽圖像進行對比與匹配。如圖2所示，(a)為原始圖像，(b)為斑塊標記圖像，其中灰色部分為病變斑塊，黑色部分為正常區(qū)域，病變斑塊區(qū)域為橫向1～264像素列與634～720像素列部分。

(a)

(b)圖2 原始圖像與標記圖像

從圖2中可以明顯發(fā)現(xiàn)在圖像采集過程中不同結(jié)構(gòu)的血管之間存在較大差異，為盡可能地減少差異，根據(jù)圖像所采集的血管部位與時間點將其前后圖像按組進行劃分，在后續(xù)的訓練與測試過程也同樣采用以組為單位的方式。

2 集成支持向量機模型構(gòu)建

2.1 支持向量機

機器學習領(lǐng)域中，支持向量機SVM在分組后的小樣本數(shù)據(jù)集中可表現(xiàn)出較為優(yōu)越的性能，我們給定一組被提前標記的OCT血管訓練數(shù)據(jù)，每一個訓練數(shù)據(jù)都可以將其表示為在n維空間中的點，SVM模型為了將不同類別的數(shù)據(jù)進行準確的區(qū)分，將會在空間中尋找一個n-1維的超平面來對不同的數(shù)據(jù)進行分隔。對于線性可分的數(shù)據(jù)集(xi,y)，其中i=1,2，…，n，xi∈Rd，y包含兩個值其中yi=-1，yj=1，其分類超平面可表達為：

ω·x+b=0

(3)

(4)

在支持向量機分類問題在經(jīng)過拉格朗日乘子法后，最優(yōu)化分類函數(shù)表達為:

(5)

2.2 遺傳算法參數(shù)選擇優(yōu)化

SVM在訓練的過程中，核函數(shù)參數(shù)σ的選擇與懲戒參數(shù)C的選擇尤為重要。因為核函數(shù)參數(shù)能夠?qū)⒛Ｐ偷奶卣鲝牡途S度提升到高緯度，從而使SVM在進行分類的過程中具有較好的高維空間非線性擬合能力；懲戒參數(shù)C表示SVM在分類的過程中對于錯誤分類結(jié)果的容忍程度，在選擇懲戒參數(shù)的過程中過大或者過小的結(jié)果都會對模型的泛化能力造成影響。因此合理的參數(shù)選擇對于SVM模型顯得至關(guān)重要。

本文結(jié)合OCT血管內(nèi)斑塊圖像的特點，提出了使用GA優(yōu)化SVM預(yù)測像素列模型參數(shù)的方法，遺傳算法在全局尋優(yōu)方面有著較強的能力，GA主要借鑒自然選擇過程中生物進化的思想進行計算和迭代，將參數(shù)抽象為染色體形式，以0和1編碼的方式進行表示，通過選擇最優(yōu)個體使得種群在篩選的過程中向最優(yōu)化方向進化，從而尋求最優(yōu)解。其計算步驟如下所示。

(1) 參數(shù)設(shè)置 在參數(shù)設(shè)置階段首先需要對GA算法的參數(shù)范圍進行確定和設(shè)置，其中主要包括初始化過程中的種群數(shù)量，遺傳操作中的選擇概率、交叉概率、變異概率以及終止條件。此處我們設(shè)置終止條件為遺傳代數(shù)。

(2) 編碼與種群初始化 在遺傳算法編碼過程中，求解最優(yōu)化問題的結(jié)果被稱為染色體，將帶求解參數(shù)給定一個求解范圍并將其轉(zhuǎn)化成為能夠進行遺傳迭代的所使用的染色體形式，染色體通常被表示為一個0和1組合成的向量序列，最終隨機生成第一步中設(shè)置的種群數(shù)量。

(3) 種群適應(yīng)度判定 在每一次遺傳迭代后都需要對種群中每一個個體進行適應(yīng)度的判定，并按照適應(yīng)度的高低進行排序，適應(yīng)度高的個體的排序次序優(yōu)先與適應(yīng)度低的個體。本文結(jié)合OCT圖像在分割過程中的實際情況，使用模型訓練過程中像素列分類結(jié)果百分比誤差作為種群適應(yīng)度判定標準。

(4) 遺傳操作 簡單地對具有高適應(yīng)度的個體進行選擇可能會導致算法快速收斂至局部最優(yōu)解，而非全局最優(yōu)解。所以在對排序次序高的個體進行優(yōu)先選擇后，被選擇的個體將進行下一步的繁衍過程。通常采用交叉和變異的方式生成新的個體。交叉過程將兩個個體通過隨機交換染色體上的基因序列從而產(chǎn)生新的下一代。變異改變?nèi)旧w上基因序列的一個位(0與1的轉(zhuǎn)換)來完成變異操作。

通過上述操作后，優(yōu)秀個體會繼續(xù)進行繁衍，而不能較好適應(yīng)的個體將被淘汰，其流程圖如圖3所示。

圖3 遺傳算子計算步驟

2.3 AdaBoost

AdaBoost算法在機器學習與模式識別領(lǐng)域有著較為成功的應(yīng)用，其核心思想是在反復(fù)迭代計算的過程中尋找和擬合出最優(yōu)的權(quán)重分布，并在此基礎(chǔ)上將多個弱分類器進行合理的組合，構(gòu)建出一個強分類器。開始時訓練數(shù)據(jù)中每一個樣本都會被賦予一個相同的權(quán)重，在迭代的過程中，如果其中一個樣本在訓練的過程中被正確地進行分類，那么在下一次迭代開始時，該樣本的權(quán)重就會變小，相反錯誤的樣本分類會導致權(quán)重增加。通過這種權(quán)重的更新，AdaBoost將大權(quán)重的數(shù)據(jù)作為重點分析對象。其訓練過程步驟如下所示。

(2)k=0。

(3) foriin 1,2,…，Kmax。

(4) 通過訓練在訓練集Train中獲得以Wk(i)進行權(quán)重賦值的弱分類器Ck。

(5) 計算Ck使用Wk(i)的訓練誤差，記為Errork。

(6) 計算Ck權(quán)重ωk：

(6)

(7) 重新計算樣本權(quán)重分布：

(7)

(8)k=k+1。

(9) untilk=Kmax;returnCkandωk。

(10) 最終輸出分類結(jié)果的判定為：

(8)

式中：Zk表示歸一化系數(shù)，hk(xi)表示當輸入352維特征向量時分類器Ck的分類結(jié)果。

在本文中，主要使用SVM作為弱分類器，首先通過GA算法對SVM參數(shù)進行選擇優(yōu)化，并在訓練集Train上進行學習，經(jīng)過迭代法的方式不斷更新權(quán)重從而使未能正確分類的數(shù)據(jù)更加突出。最后，AdaBoost算法采用合理的線性組合方式構(gòu)建出最終的強分類器。其整體結(jié)構(gòu)如圖4所示。

圖4 整體結(jié)構(gòu)圖

3 實驗結(jié)果與分析

為驗證本文方法在OCT血管內(nèi)斑塊圖像病變部位分割效果，實驗平臺采用Python 2.7進行搭建。

實驗環(huán)境：計算機CPU：Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10 GHz；32 GB內(nèi)存。

3.1 模型訓練中參數(shù)設(shè)置

采用百分比誤差的方式對模型精度進行評估，在核函數(shù)的人為選擇過程中徑向基核函數(shù)(RBF)的效果最為優(yōu)越。在訓練集上的測試結(jié)果如表1所示。

表1 GA優(yōu)化結(jié)果

從表1中可以看出，經(jīng)過GA參數(shù)優(yōu)化過后的在測試集上的測試結(jié)果優(yōu)于通過主觀判斷。通過固定σ=8.57與C=21.67，可進一步確定弱分類器SVM數(shù)量對于實驗結(jié)果的影響，實驗結(jié)果如圖5所示。

圖5 弱分類器數(shù)量與分類結(jié)果

由圖5可知，當以SVM作為弱分類器的數(shù)量增長時整體分類錯誤呈下降趨勢。當弱分類器數(shù)量達到60個左右時趨于穩(wěn)定。

3.2 評價標準

為進一步用客觀的衡量方法對分割結(jié)果進行評價，本文采用兩種評價系數(shù)：Dice系數(shù)以及精確度P，由于在極坐標標注的OCT血管內(nèi)斑塊圖像中僅存在兩個分類，既斑塊區(qū)域與正常區(qū)域，沒有進行背景的標記過程，不會出現(xiàn)將背景當作目標區(qū)域的錯誤分割，所以不選用靈敏度系數(shù)S進行評估。兩種評價標準公式如下：

(9)

(10)

式中：Y′表示分割結(jié)果，Y表示標注結(jié)果，Tp表示正確分割的像素列集合，F(xiàn)p表示錯誤的病斑區(qū)域像素列合集。

3.3 實驗分析

集成支持向量機模型對于OCT血管內(nèi)斑塊的分割結(jié)果如圖6所示。圖中像素列的劃分可對圖像中病變斑塊進行較好的表示。其中黑色代表病斑區(qū)域，白色代表正常區(qū)域。

圖6 分割結(jié)果

通過采用相同的數(shù)據(jù)對經(jīng)過GA參數(shù)優(yōu)化的標準SVM、BP神經(jīng)網(wǎng)絡(luò)進行訓練，并于本文方法進行對比。BP神經(jīng)網(wǎng)絡(luò)與標準SVM的分割結(jié)果如圖7所示。各模型的分割結(jié)果客觀評價如表2所示。

圖7 各模型分割結(jié)果

表2 各模型評估結(jié)果

4 結(jié) 語

本文提出了一種基于像素列劃分的AdaBoost-SVM圖像分割模型，該模型克服了目前OCT血管內(nèi)斑塊圖像分割過程中范圍化病變斑塊標注的問題，并將該分割模型分別于標準SVM和BP神經(jīng)網(wǎng)絡(luò)進行對比分析，并使用客觀的評價標準對分割結(jié)果進行評判，實驗結(jié)果表明集成支持向量機模型具有更為優(yōu)越的性能。但該模型存在泛化能力較弱的問題，以及在對不同時間點以及不同部位的血管進行訓練過程中表現(xiàn)出了其容錯能力較弱的問題，后續(xù)將考慮尋找能夠?qū)CT數(shù)據(jù)對標簽進行細化，提升分割效果。