基于圖像去噪的胃部病灶檢測及分類算法研究

何穎++尹慧平++張耀楠

摘要：由于胃部病灶種類較多，利用計算機輔助診斷提取特征的方法，大多針對正常與否分類，而對于多種胃部疾病分類問題的精確度較低。文中采用先分割病灶區域再分類的方法，首先對圖像進行預處理，再對內窺鏡圖像分割出病灶區域，通過基于提取紋理與顏色特征相結合的方法進行特征優化，選取神經網絡對圖像進行分類，提高分類準確度。

關鍵詞：內窺鏡圖像 胃部病灶 圖像去噪 特征優化

中圖分類號：TP311.52 文獻標識碼：A 文章編號：1007-9416（2016）10-0132-02

Abstract：Gastric cancer is one of the most common malignant tumor in the world scope. Due to gastric lesions sort is more， but the research methods of extracting characteristics of gastric cancer， mostly for classification of normal or not， and for the accuracy of the various stomach disease classification problem is low. In this paper， we adopt the method of segmentation lesion area first， then classification， first of all， the image preprocessing， and then the focal zone of endoscope image segmentation， based on LBP extraction method combined with color features， texture features optimization， selection of neural network to classify the image， improve the classification accuracy.

Key Words：Endoscopic images； Gastric lesions； Image denoising； Characteristics of the optimization

1 引言

文中采用計算機輔助診斷方法，通過對胃鏡圖像的數學分析，是目前早期胃癌診斷研究的一個方向[1]。計算機輔助診斷主要是用于圖像識別方面，即首先提取胃部內窺鏡圖像的相關特征，如顏色、紋理、形狀等，然后根據特征進行分類，最終標記出相應的病灶區域，輔助醫生診斷治療。目前采用計算機算法進行識別中現有的特征描述方法如顏色特征描述較少，紋理描述方法復雜，計算量大，一般研究方法所選取的特征提取方法較為單一，導致分類效果粗糙，準確率較低。為了提高效率，如何對胃部病灶進行自動化檢測及快速準確的分類疾病類型是一項有意義且艱難的工作[2][3]。

2 檢測及分類方法

2.1 圖像預處理實現圖像分割

圖像預處理的主要目的是消除圖像中無關信息，恢復有用信息，增強有關信息的可檢測性和最大限度地簡化數據。由于圖像光源照射不均勻，很容易影響圖像區域亮度不同。首先需對圖像進行去噪，并對圖像使用增強方法，改善圖像的視覺效果。通過轉換圖像顏色空間為Lab空間，通過明亮度L，設置閾值分割圖像，預處理過的胃潰瘍圖片如圖1所示。

圖像經過去噪處理就可以對病灶圖像進行分割了。由于胃鏡圖像的顏色特征較為明顯，通過聚類方法可以基于色彩空間對彩色圖像分割，然后對每個分割出來的區域進行特征的提取。常用的彩色圖像分割聚類方法有，K均值、模糊C均值和分層聚類方法[4]。運用K均值聚類圖像分割技術，提取出病灶區域。K均值聚類算法原理簡單，實現靈活、算法效率高。病灶分割后的胃潰瘍圖片如圖2所示。

2.2 運用多種算法提取特征，選擇最優算法

圖像常用的特征有：顏色特征、紋理特征。顏色特征常用的有，選用顏色直方圖，顏色旋轉不變性。顏色直方圖特征描述的是不同色彩在整幅圖像中所占的比例。圖像紋理描述圖像或其中小塊區域的空間顏色分布和光強分布。紋理特征常用的有局部二值模式LBP，灰度共生矩陣，小波變換提取特征等。LBP是一種局部紋理特征的算子；它具有旋轉不變性和灰度不變性等優點；灰度共生矩陣以像素對的方向和距離為變化量來建立共生矩陣，再從此矩陣中提取可以表征圖像內容的統計量作為紋理特征；小波變換的紋理特征方法可消除冗余信息，但檢索速度較慢[5]。

2.3 T-檢驗方法實現特征優化

特征選擇能剔除不相關或冗余的特征，達到減少特征個數，提高模型精確度，減少運行時間，易于理解數據產生的過程。特征選擇過程如圖3所示。

首先從特征全集中產生出一個特征子集，然后用評價函數對該特征子集進行評價，評價的結果與停止準則進行比較，若評價結果比停止準則好就停止，否則就繼續產生下一組特征子集，繼續進行特征選擇。選出來的特征子集一般還要驗證其有效性。通過在不同的彩色空間中選擇出每個特征的優特征量，根據T-檢驗方法對特征優化，設計實驗，選取對分類效果顯著影響的特征。以達到最優分類效果。

2.4 神經網絡分類算法

不同的分類算法有不同的特定，在不同的數據集上表現的效果也不同，需要根據特定的任務進行算法的選擇[6]。選取不同分類器將圖像病灶區域分類，確定病灶種類，通過簡單的實驗來驗證不同的分類算法的效果。神經網絡是分類算法中最常用的方法之一，人工神經網絡的最大優勢是他們能夠被用作一個任意函數逼近的機制，從觀測到的數據“學習”。使用神經網絡對提取的特征分類，選用十折交叉驗證方法，計算分類問題的準確度。

分類算法的評價標準有預測的準確率，這涉及到模型正確地預測新的或先前沒見過的數據的類標號能力；速度，涉及到產生和使用模型的計算花費；強壯性，涉及給定噪聲數據，模型正確預測的能力；可伸縮性，處理大數據集的能力；可解釋性，分類器的預測標準的可理解性。

3 結語

文中采用先分割病灶區域再分類的方法，首先對圖像進行預處理，再對內窺鏡圖像分割出病灶區域，對病灶區域提取特征，從而提高了多種胃部疾病分類診斷的可能性。通過基于局部二值模式等方法提取紋理特征與顏色特征相結合的特征提取方法，進行特征優化，選取神經網絡對圖像進行分類。結合多種特征提取方法，從而突破特征提取方法單一的問題，提高分類準確度。

參考文獻

[1]初里楠，李竹.2003—2011年北京市西城區居民惡性腫瘤死亡情況及減壽分析[J].中國衛生統計.2013（04）.

[2]D.Lowe.Object recognition from local scale-invariant features. In Proc.ICCV，pages1150-1157，1999.

[3]吳軼倫.基于Mean Shift 的胃鏡圖像分析方法研究[D].上海交通大學，2010.

[4]徐國公.基于胃鏡圖像檢測上消化道早期癌癥的方法研究[D].電子科技大學，2013.

[5]徐紅梅.基于胃鏡圖像的胃脘痛特征數據分析[D].長春工業大學，2016.

[6]關沫，邢永吉.基于胃鏡圖像的病灶區域檢測方法研究[J].微型機與應用，2014，05：49-52.

收稿日期：2016-08-20

基金項目：陜西省教育廳自然科學資助項目（16JK2147）；西安思源學院重大科研項目（XASY-B1601）

作者簡介：何穎（1983—），女，漢族，陜西渭南人，工學碩士學位，講師，研究方向：信號與信息處理、圖像圖形處理。