基于胃鏡圖像的病灶區域檢測方法研究*

關 沫，邢永吉

（沈陽工業大學 信息科學與工程學院，遼寧 沈陽 110023）

隨著人類生活方式和日常飲食的改變，加之現代生活快節奏性與不規律性，胃腸道疾病的發病率越來越高。目前，胃部疾病的檢測主要借助于電子胃鏡。醫學電子胃鏡主要由內窺鏡、視頻處理器和視頻顯示器組成。應用電子胃鏡可以采集到高分辨率的醫學圖像，如圖1所示。臨床醫生可以靈活地操控電子胃鏡來實時地觀察胃鏡的病變區域。盡管如此，由于診斷過程主要憑借臨床醫生的主觀性，加之病理特征的多樣性和胃部環境的復雜性，胃病診斷的誤診率和漏診率仍居高不下。因此，研究與設計一種基于胃鏡圖像的計算機輔助檢測系統十分必要。

圖1 胃鏡圖像樣例

就目前來看，此方面的研究主要集中在無線膠囊內窺鏡圖像上，其研究的焦點主要集中于小腸和結腸的病灶區域檢測。而針對于傳統胃鏡圖像的研究尚處于起步階段，對于胃部病變的檢測尚未形成一種有效的方法?？v觀前人的工作，雖然檢測方法多種多樣，但可以粗略概括為圖像預處理、特征提取和用分類器進行識別3個步驟。在圖像預處理階段，圖像通常會被分割成小矩形塊[1]或相互重疊的圓形區域[2]；接下來，從分割后得到的區域提取各種不同特征，包括顏色直方圖、局部二進制模式（LBP）和小波域共生矩陣特征等。在最近幾年中，機器學習被廣泛地應用到醫學圖像的病灶檢測領域當中，例如支持向量機（SVM）[3]、貝葉斯推理和神經網絡等。

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

1 本方法中的相關技術

胃腸道不同于人體其他器官，作為消化系統的一部分，它的生理環境十分復雜，其表面經常會被粘液、氣泡和食物殘渣等覆蓋。除此之外，胃鏡的光照條件也極大地影響了圖像的質量。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域的識別準確率。針對此種情況，本文方法在圖像分割、特征提取以及分類器的設計上進行了相應改進。

1.1 基于超像素的區域劃分

超像素在計算機視覺中得到了廣泛應用，但是在病灶檢測領域尚未得到應用。參考文獻[4]提出了一種簡單線性迭代聚集算法（SLIC）來減少計算量。相比較于歸一化分割算法和快速漂移算法，該算法具有耗時短、超像素的尺寸和矩形度可調節的特點。

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 個分量，x、y是像素在圖像的二維坐標平面的位置坐標。因此，每一個像素可 以表示為[li，ai，bi，xi，yi]T。

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

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

Ds是CIELAB顏色空間內有顏色距離和二維相平面的歐式距離之和。設置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，應該選取一些具有光照不變性、旋轉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，以及局部二進制模式（LBP）紋理特征。為找出分別適用于干擾區域和病灶區域的特征，本文人工提取了30×30大小的樣本9 000個 （干擾-非干擾樣本45 00個、病灶-非病灶樣本4 500個），之后分別提取各特征，并放入分類器進行訓練與識別，實驗結果如表1和表2所示。

表1 各特征在識別干擾區域時的正確率（AUC/%）

表2 各特征在識別病灶區域中的正確率（AUC/%）

從實驗結果可以看出，對于干擾區域，15維的HIS_I、30維的 HSV_HV、15維的 NormalizedRGB 和 15維的Opponent顏色特征表現出色，其受試者工作特征曲線 （ROC曲線）下面積均可達到97.32%、98.78%、97.62%和 99.27%。對于病灶區域，45維的 HSV_HV、30維的RGB、45維的 RG、15維的 Opponent特征表現良好，其ROC曲線下面積均可達到 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，在實際復雜的應用環境中仍達不到理想的效果，因此本文方法將多種特征進行融合，通過多種特征的疊加來加強特征的魯棒性，從而可以應對復雜多變的應用環境，其實驗結果如圖 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）表示所有單個特征表現最好的組合。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）表示所有單個特征表現最好的組合。

圖2 組合特征在識別干擾區域時的正確率

圖3 組合特征在識別干擾區域時的正確率

實驗結果證明，其組合后的特征性能平均高于任何一個單一特征，達到了預期效果。在干擾區域排除階段，特征組合 （2）（30維的 Opponent顏色直方圖串聯 15維的LBP紋理特征）表現最為突出，AUC達到99.50%。在病灶區域識別階段，特征組合（5）（30維 LBP紋理特征串聯45維的RG和45維的Opponent顏色特征）表現出色，AUC達到93.34%。本方法最終采用以上兩種最優特征組合方式，為后續的去除干擾和病灶識別工作奠定了基礎。

1.3 分類器設計

Adaboost衍生于 Boosting算法，自從 Schapire提出以來得到了廣泛的應用。Adaboost屬于一種迭代算法，其核心思想是將多個弱分類器組合成一個強分類器。本文選取決策樹作為子分類器，為避免過度學習的情況發生，本文將樹的深度設置為2。其次需要確定算法迭代的次數，綜合考慮算法的識別率及分類器的訓練時間，最終確定迭代次數為60最為合適。

為減少胃鏡圖像中噪聲對檢測結果的影響，本文方法將兩個Adaboost分類器串聯起來，形成一個三分類器，通過此分類器，待檢測區域將被識別為正常區域、干擾區域或病灶區域3類。其工作流程如圖4所示。

圖4 二級串聯分類器工作流程

2 方法實現

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

算法：

（1）設置期望的分割塊數K及區域的矩形度m。

（2）在邊長為S的區域內隨機初始化起始聚集中心CK=[lk，ak，bk，xk，yk]T。

（3）采用3×3大小的鄰域尋找梯度最小的點作為聚集中心點。

（4）repeat

（5）for對于每一個中心點CKdo

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

（7）end for

（8）重新計算中心點的位置，并計算新中心點與前中心點位置坐標的歐式距離E。

（9）untilE≤threshold

（10）將孤立存在的小區域強制劃分到相鄰的最大區域。

（11）for每一個分割后的區域 do

（12）if區域內像素個數≥Nthen

（13）提取適合于干擾區域識別的特征組合。

（14）利用第一級分類器進行識別。

（15）if該區域被識別為干擾區域then

（16）提取適合于病灶區域識別的特征組合。

（17）利用第二級分類器進行識別。

（18）end if

（19）end if

（20）end for

3 實驗與結果分析

3.1 實驗設計

本實驗的數據來源于120個臨床病例，共計3 000張醫學胃鏡圖像，其中包含1 500張含有病灶區域的圖像和1 500張完全健康的圖像。圖像的大小為489像素×409像素，存儲格式為JPEG。每一幅含有病灶區域的圖像都配有專業醫師標注的標注圖，在實驗中作為地面真值。

在實驗中，規定對于完全健康的圖像，只要有一個區域被識別為病灶區域，則認為檢測失?。环粗瑒t認為檢測成功。對于含有病灶區域的圖像，只要有識別為病灶的區域與醫生標注區域有重疊，則認為檢測成功；否則，認為檢測失敗。

在實驗中，采用4種不同的方法對相同一批圖像進行檢測，用來進行檢測效果的分析對比。方法1，SLIC分割+組合特征+二級串聯分類器；方法 2，SLIC分割+組合特征+單級分類器；方法 3：按 30×30矩形分割圖像+組合特征+二級串聯分類器；方法 4：按30×30矩形分割圖像+組合特征+單級分類器。

3.2 實驗結果與分析

本文采用ROC曲線對實驗進行分析。ROC曲線將靈敏度與特異性以圖示方法結合在一起，可以準確反映分析方法中特異性和敏感性的關系，是試驗準確性的綜合代表。在ROC曲線圖表中，X軸表示假陽性率FPR（False Positive Rate），Y 軸表示真陽性率 TPR（True Positive Rate）。ROC曲線展示了當評判標準變化時這兩個變量之間的相互關系。ROC曲線下方的面積可以用來評判一個系統性能的好壞[5]。

實驗結果如圖5所示，本文所提出的方法（方法1）的檢測效果遠好于其他方法，其正確率遠好于其他3種方法，正確率（AUC）達到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 實驗ROC曲線圖

部分實驗效果如圖6所示，其中第1排為含有病灶區域的胃鏡圖像；第2排為臨床醫師給出的地面真值圖；第3排為本文方法檢測后的結果圖。

醫療器械的限制以及胃部特殊生理環境的影響，使得有些病灶區域很難用肉眼識別。考慮到胃鏡圖像的成像質量受多方面因素的影響，圖像噪聲多的特點，本文方法在預處理階段采用SLIC分割算法，將圖像分割成大小均勻的超像素，相較于簡單的人工劃分區域，具有區域內像素更加統一和緊湊的特點。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。最后通過使用二級串聯分類器將去干擾和病灶檢測步驟串聯進行。實驗表明，本文方法的病灶檢測正確率優于傳統方法。

圖6 實驗效果圖

[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.