基于變差函數的肝癌超聲圖像紋理識別的研究

李秀麗，孟曉濤

包鋼集團第三職工醫院 超聲科，內蒙古包頭 014010

基于變差函數的肝癌超聲圖像紋理識別的研究

李秀麗，孟曉濤

包鋼集團第三職工醫院 超聲科，內蒙古包頭 014010

本文提出了應用變差函數識別肝臟超聲圖像紋理的方法，并定義了各向異性系數，以進一步定量化肝臟超聲圖像的紋理特征。采用此方法，本文研究了4例肝癌肝臟超聲圖像及5例正常肝臟超聲圖像，計算了各個肝臟超聲圖像8個方向上的變差函數r(h)max值。結果表明，正常肝臟圖像r(h)max值較小，肝癌肝臟圖像r(h)max值較大；正常肝臟圖像的各向異性系數較大，肝癌肝臟圖像的各向異性系數較小。參數r(h)max及各向異性系數可以很好地定量化區別正常肝臟與肝癌肝臟。

超聲圖像；紋理特征；變差函數；各向異性系數

目前，肝癌已成為人類的主要疾病之一，其發病率在我國有逐年上升的趨勢[1-2]。當前，臨床上對肝癌診斷的方法有：腫瘤標記物檢測、超聲顯像、電子計算機斷層掃描（CT）、磁共振成像（MRI）、X線肝血管造影、放射性核素肝顯影和肝活組織切片檢查等[3-4]?；罱M織切片檢查是肝癌最為準確的檢驗方法，但該法對肝臟有創傷；腫瘤標記物檢測不能對病灶進行定位；CT、MRI、X線肝血管造影、放射性核素肝顯影雖具有較高的檢出率，但費用較高且不能進行動態監測。超聲顯像是一種最常用的無創檢查手段，具有操作簡便、檢查費用低、可重復使用、無放射性損傷、檢出敏感性高等優點。

傳統的超聲檢查主要通過醫務人員用肉眼對比疑似肝癌患者與正常人體肝臟超聲圖像的紋理特征，判斷其肝臟器官是否存在異常病變并做出診斷。因此，檢查結果與醫務人員的技術、手法、經驗以及檢查的細致程度等密切相關，并受醫師主觀因素影響較大。為減少由主觀原因導致的誤診和漏診，本文提出了應用肝臟超聲進行圖像紋理特征的識別，以幫助醫生有效地診斷肝癌。

1 肝臟超聲圖像紋理特征識別研究現狀

通常情況下，正常肝臟超聲圖像呈現有規律的、均勻的紋理特征，紋理基元大小適中；而結節性或彌漫性的原發性肝癌，其組織結構遭到破壞，在超聲圖像中，紋理特征可能是無回聲、等回聲、低回聲或強回聲以及混合回聲。這些紋理特征的差異性為定量識別正常肝臟和肝癌提供了可能[5-8]。超聲影像學定量診斷方法主要包括：灰階回聲強度分析法、背向散射積分分析法、組織彈性成像分析法[9]。在肝臟超聲圖像定量分析方面，葉萌萌[10]結合肝臟腫瘤的輪廓特征和支持向量機（Support Vector Machine，SVM），對肝臟腫瘤的良、惡性進行識別，識別率達到92.31%。張慧等[11]結合增強去噪算法提出了基于灰度共生矩陣和決策樹分類挖掘的紋理特征分析方法，提高了肝癌的B超檢出率。劉昉等[12-13]采用分形模型對肝臟超聲圖像進行了紋理分析，結果表明分維D是區分病變的重要特征量。季桂樹等[5-6]采用布朗運動方法、毯子法、傅里葉功率譜法和差分盒計數法計算了14幅正常肝樣本圖像和14幅原發性肝癌樣本圖像的分形維數值，結果表明，由毯子法、傅里葉功率譜法和差分盒計數法獲得的描述正常肝圖像感興趣區域的分維值明顯小于描述原發性癌圖像感興趣區域的分維值；通過分析證明，傅里葉功率譜方法是描述超聲肝圖像紋理特征最適合的方法。陳菲[14-15]提出一種融合共生矩陣和多分辨率相結合的方法來進行超聲肝癌圖像特征提取，并采用傳統的貝葉斯決策理論進行統計識別，實驗證明，這種有效的特征提取對正常肝臟和肝癌的超聲圖像具有較高的分類正確率。

對于肝臟超聲圖像的紋理特征識別，國內外專家學者進行了大量的研究。本文應用變差函數研究肝臟超聲圖像的紋理特征，為有效識別肝癌肝臟提供了一種新方法。

2 變差函數模型及參數在超聲圖像中的意義

2.1 變差函數模型

變差函數既能描述區域化變量的空間結構，也能描述其隨機性，其基本表達式為：

公式(1)中，r(x,h)為變差函數，Z(x)為區域化變量，r(x,h)表示在研究空間中x和x+h兩點值之差的方差的?。

當區域化變量Z(x)滿足本征假設：

（1）對于整個研究區域內有：

（2）增量的方差函數E[Z(x)-Z(x+h)]存在且平穩（不依賴于x）。

則公式(1)可改寫成：

在本征假設的基礎上，可以根據在x軸上相隔h的點xi和xi+h上的觀測值[Z(xi)，Z(xi+h)](i=1，2，…，N(h))計算[Z(xi)，Z(xi+h)]2，然后求得[Z(xi)，Z(xi+h)]2的算術平均值從而計算試驗變差函數：

2.2 變差函數在超聲圖像中的意義

用區域化變量Z(x)代表超聲圖像中點x處的灰度值，那么x軸上任意兩點x和x+h間的變異規律可以用變差函數來表示。按照公式(4)，通過不斷改變h的大小，可以獲得超聲圖像上某一方向灰度的變化規律，見圖1。

圖1r(h)隨h的發展變化趨勢圖

圖1中，隨h的增大，r(h)值也增大，直到趨于穩定。趨于穩定的r(h)稱為基臺C，其對應的h為變程a。對于肝臟超聲圖像來說，C值越大，說明圖像的灰度級差別越大，進一步說明此肝臟超聲圖像紋理不均勻，屬病變圖像。據此，可以定量診斷肝臟是否正常。

3 超聲圖像變差函數計算的實現

根據變差函數公式，在超聲圖像上計算不同的h對應的r(h)值。h發展構形，見圖2。例如在水平方向上，若h=1（距離為1個像素），逐行追蹤掃描圖像中的每一點，并記錄該點的灰度值、計算兩點間灰度差，這樣的點在圖中共30個；若h=2（距離為2個像素），逐行追蹤掃描，共24個點；同樣方法，逐步增大，相應地統計出[Z(xi)，Z(xi+h)]點的個數，進一步計算r(h)。對于其他方向，計算方法同上。上述計算過程通過VC++編制的相關程序來實現。

圖2h發展構形

4 肝臟超聲圖像實例計算與結果分析

4.1 臨床資料

本文所使用的肝臟超聲圖像均由包鋼第三醫院超聲科提供。彩超型號為Philips iU22，凸陣探頭，頻率為3.5 MHz。本文所用肝癌超聲圖像來自于2015年3～8月經超聲診斷為占位性病變，后經肝臟穿刺活檢及病理檢驗確診的原發性肝細胞癌患者4例，其中男3例，女1例，年齡43～61歲，平均52歲，均為單個結節癌。另選擇5位無肝病的健康人的肝臟超聲圖像作為對照。感興趣區域是包括病灶在內的一個矩形區域，并將該矩形區域作為一幅圖像剪切下來予以保存，圖像大小均為100像素×100像素。在選擇感興趣區域時要注意肝臟粗大的血管組織可能對病灶呈現的紋理的影響。

4.2 計算過程與結果分析

以一例正常肝臟為例，首先將圖像讀入程序（圖3），然后進入圖像分析菜單，即可計算超聲圖像不同方向的r(h)，見圖4。圖4(a)為正常肝臟超聲圖像在0o方向上r(h)隨h增大的結果，其相應的發展趨勢見圖4(b)。最后，在同一幅肝臟超聲圖像上計算其8個方向上的變差函數r(h)值，計算結果，見表1。由表1可以看出，正常肝臟和肝癌肝臟圖像各方向上的r(h)max值有很大區別，正常肝臟圖像的r(h)max值在200～300之間，肝癌肝臟圖像的r(h)max值均＞400，最大值高達1000以上。這些數值說明，正常肝臟圖像紋理均勻，病變肝臟的圖像紋理粗糙。

圖3 超聲圖像分析系統

圖4 正常肝臟超聲圖像變差函數計算結果

9幅肝臟超聲圖像的各向異性特征，見圖5。由圖5可以看出，正常肝臟圖像各方向上的r(h)max值較均勻（圖中5個內圈）；肝癌肝臟圖像各方向上的r(h)max值差別較大（圖中4個外圈）。也就是說，正常肝臟與肝癌肝臟圖像的各向異性特征也有很大差別。將一幅超聲圖像中所有方向的r(h)max最小值與最大值的比值定義為各向異性系數λ。9幅肝臟超聲圖像各向異性系數λ計算結果，見表2。從表2可以看出，正常肝臟圖像的各向異性系數均＞0.8，肝癌肝臟超聲圖像的各向異性系數均＜0.75。各向異性系數接近1，說明圖像各個方向上的紋理較均勻；而各向異性系數越小，說明圖像各個方向上的紋理差別較大。

圖5 9幅肝臟超聲圖像r(h)的各向異性圖

當肝臟發生病變時，肝臟微結構發生了明顯變化，從而使正常肝臟與肝癌肝臟超聲影像之間的紋理特征出現較大的差別，表現為圖像紋理粗糙，參數r(h)max可以很好地區分正常肝臟與肝癌肝臟，從而為醫師臨床輔助診斷肝臟疾病提供了量化依據。

表1 肝臟超聲圖像不同方向上變差函數r(h)max計算結果統計表（像素2）

5 總結

本研究計算了5幅正常肝臟超聲圖像和4幅肝癌肝臟超聲圖像的變差函數r(h)max值。結果表明：正常肝臟圖像的r(h)max值較小，肝癌肝臟圖像的r(h)max值較大；正常肝臟圖像的各向異性系數較大，肝癌肝臟超聲圖像的各向異性系數較小。參數r(h)max可以很好地定量化表征正常肝臟與肝癌肝臟。

表2 9幅肝臟超聲圖像各向異性系數λ計算結果

本文重在提供一種識別計算方法，而正常肝臟與肝癌肝臟超聲圖像的r(h)max特征值及其各向異性系數特征仍需通過大樣本數據研究后才能確定。

[1] 孫華寶,葉德強,曹立,等.Logistic回歸和ROC曲線評價8種原發性肝癌實驗室診斷指標的臨床價值[J].廣東醫學,2010,31(20):2650-2653.

[2] Jemal A,Bray F,Center MM,et al.Global cancer statistics[J].CA Cancer J Clin,2011,61(2):69-90.

[3] 范小嬌,張惠卿.肝癌影像成像技術診斷的研究進展[J].內蒙古醫科大學學報,2015,37(2):215-220.

[4] 朱碧云,陳卉.醫學圖像紋理分析的方法及應用[J].中國醫學裝備,2013,10(8):77-81.

[5] 季桂樹,江樂新,禹智夫.分維方法在肝癌超聲圖像紋理識別中的性能比較研究[J].中南大學學報,2011,42(9):2746-2753.

[6] 季桂樹.肝癌超聲圖像紋理特征識別中的關鍵技術研究[D].長沙:中南大學,2013.

[7] 吳文竹,孫小蓉,王曉玲.彩色多普勒圖像特征值對不同肝臟病變的鑒別[J].腫瘤防治研究,2014,41(7):848-849.

[8] 曹桂濤,施鵬飛,胡兵.基于肝臟超聲圖像的纖維化量化分析[J].聲學技術,2004,23(3):98-104.

[9] 趙玉珍,張麗娟.超聲組織定征在肝臟彌漫性病變診斷中的研究進展[J].中國醫療設備,2011,26(9):12-16.

[10] 葉萌萌.基于支持向量機的肝臟腫瘤良、惡性識別研究[D].杭州:浙江大學,2012.

[11] 張慧,遲慶云,劉彩霞.基于灰度共生矩陣的肝癌B超紋理特征決策樹診斷分析[J].中國醫藥指南,2015,13(25):2-3.

[12] 劉昉,程敬之.分形模型的超聲圖像紋理分析[J].生物醫學工程學雜志,1999,16(3):329-332.

[13] 劉昉,程敬之.肝臟超聲圖像局部分形指數研究[J].生物物理學報,1999,15(2):345-350.

[14] 陳菲.肝癌超聲圖像識別的特征提取[J].微計算機信息,2006,22 (10-3):272-275.

[15] 陳菲.基于貝葉斯理論的超聲肝圖像識別系統研究[J].微計算機信息,2007,23(7-3):306-308.

Study on Methods of Differentiating Liver Cancers from Normal Liver by Ultrasound Image Texture Features Based on Variogram

LI Xiu-li, MENG Xiao-tao
Department of Ultrasonography, the Third Workers’ Hospital of Baogang Group, Baotou Inner Mongolia 014010, China

Application of the variogram for characterizing ultrasound image texture features was proposed in this paper to differentiate abnormal liver from normal liver. And the coefficient of anisotropy was also defned to further characterize ultrasound image texture features. Four abnormal livers and fve liver cancers were involved in this study using this method to calculate ther(h)maxvalue and analyze each image from eight directions. The results showed thatr(h)maxvalue of normal livers was smaller andr(h)maxvalue of liver cancers was bigger; while, the coefficient of anisotropy for normal livers was more and that of liver cancers was smaller. Hence, both the parametersr(h)maxand coeffcient of anisotropy can be used to differentiate liver cancers from normal livers.

ultrasound images; texture features; variogram; anisotropy coeffcient

R445.1；R735.7

A

10.3969/j.issn.1674-1633.2016.07.012

1674-1633(2016)07-0041-04

2016-02-22

2016-03-02

作者郵箱：m15924422979@163.com