集成支持向量機在OCT血管內斑塊分割中的應用與研究

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，僅會出現部分非特異性表現，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[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學特征來進行穩定性與風險評估。光學相干斷層掃描技術OCT在眼科相關疾病的診斷中占重要地位[2]。該斷層成像技術在心血管成像的過程中對于人體的損傷較小，并已經在心腦血管等疾病方面的醫學活體生物組織的成像領域進行了初步應用，且取得了較好的效果。在整個OCT血管診斷過程，血管內壁及其外壁的一定厚度內病變組織都會在視頻圖像中表現出相應的特征，為醫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據進行處理成為現在相關研究的熱點[3]。

在相關的OCT圖像分割領域主要以監督學習為主。其中文獻[4]提出了使用一種利用隨機森林分類器進行OCT視網膜血管分層分割的新方法，并從OCT數據中共提取了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網絡(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]使用了一種神經網絡方法，通過訓練神經網絡來識別每一層中的點，從而估計OCT圖像中視網膜層之間的邊界。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視網膜圖像的分割領域有著較好的效果，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域劃分。本文在進行OCT血管內斑塊圖像的處理過程中主要分為三個步驟，即圖像預處理、模型調參、圖像分割。

1 圖像預處理

1.1 伽馬變換與灰度標準化

在OCT血管內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壁組織特征，另一方面血管內壁外圍的斑點噪聲作為影響OCT圖像質量的主要原因之一，對于像素列的分類結果有著較為明顯的干擾。為凸顯圖像中血管內壁的特征，防止血管內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上對極坐標圖像進行伽馬變換，在增強血管內壁區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，γ表示伽馬系數，在進行伽馬變換的過程中伽馬系數取值為1.5；經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壁，柱狀陰影截斷為導絲遮擋部位。

(a)

(b)圖1 伽馬變換結果

由圖1可知，經伽馬變換后在極坐標圖像下血管內壁下方的區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壁斑塊區域的細節與邊緣。

OCT血管圖像的圖像采集結果來自不同患者以及不同部位的血管，這會導致血管內壁圖像的灰度產生較大波動，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(血管內壁與背景區域)，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壁附近。

1.2 斑塊區域的檢測與劃分

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，黑色部分為正常區域，病變斑塊區域為橫向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中可以明顯發現在圖像采集過程中不同結構的血管之間存在較大差異，為盡可能地減少差異，根據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建

2.1 支持向量機

機器學習領域中，支持向量機SVM在分組后的小樣本數據集中可表現出較為優越的性能，我們給定一組被提前標記的OCT血管訓練數據，每一個訓練數據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據進行準確的區分，將會在空間中尋找一個n-1維的超平面來對不同的數據進行分隔。對于線性可分的數據集(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過拉格朗日乘子法后，最優化分類函數表達為:

(5)

2.2 遺傳算法參數選擇優化

SVM在訓練的過程中，核函數參數σ的選擇與懲戒參數C的選擇尤為重要。因為核函數參數能夠將模型的特征從低維度提升到高緯度，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C表示SVM在分類的過程中對于錯誤分類結果的容忍程度，在選擇懲戒參數的過程中過大或者過小的結果都會對模型的泛化能力造成影響。因此合理的參數選擇對于SVM模型顯得至關重要。

本文結合OCT血管內斑塊圖像的特點，提出了使用GA優化SVM預測像素列模型參數的方法，遺傳算法在全局尋優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，通過選擇最優個體使得種群在篩選的過程中向最優化方向進化，從而尋求最優解。其計算步驟如下所示。

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

(2) 編碼與種群初始化 在遺傳算法編碼過程中，求解最優化問題的結果被稱為染色體，將帶求解參數給定一個求解范圍并將其轉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置的種群數量。

(3) 種群適應度判定 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度的判定，并按照適應度的高低進行排序，適應度高的個體的排序次序優先與適應度低的個體。本文結合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果百分比誤差作為種群適應度判定標準。

(4) 遺傳操作 簡單地對具有高適應度的個體進行選擇可能會導致算法快速收斂至局部最優解，而非全局最優解。所以在對排序次序高的個體進行優先選擇后，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生新的下一代。變異改變染色體上基因序列的一個位(0與1的轉換)來完成變異操作。

通過上述操作后，優秀個體會繼續進行繁衍，而不能較好適應的個體將被淘汰，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域有著較為成功的應用，其核心思想是在反復迭代計算的過程中尋找和擬合出最優的權重分布，并在此基礎上將多個弱分類器進行合理的組合，構建出一個強分類器。開始時訓練數據中每一個樣本都會被賦予一個相同的權重，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，該樣本的權重就會變小，相反錯誤的樣本分類會導致權重增加。通過這種權重的更新，AdaBoost將大權重的數據作為重點分析對象。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權重ωk：

(6)

(7) 重新計算樣本權重分布：

(7)

(8)k=k+1。

(9) untilk=Kmax;returnCkandωk。

(10) 最終輸出分類結果的判定為：

(8)

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

在本文中，主要使用SVM作為弱分類器，首先通過GA算法對SVM參數進行選擇優化，并在訓練集Train上進行學習，經過迭代法的方式不斷更新權重從而使未能正確分類的數據更加突出。最后，AdaBoost算法采用合理的線性組合方式構建出最終的強分類器。其整體結構如圖4所示。

圖4 整體結構圖

3 實驗結果與分析

為驗證本文方法在OCT血管內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。

實驗環境：計算機CPU：Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10 GHz；32 GB內存。

3.1 模型訓練中參數設置

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

表1 GA優化結果

從表1中可以看出，經過GA參數優化過后的在測試集上的測試結果優于通過主觀判斷。通過固定σ=8.57與C=21.67，可進一步確定弱分類器SVM數量對于實驗結果的影響，實驗結果如圖5所示。

圖5 弱分類器數量與分類結果

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

3.2 評價標準

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

(9)

(10)

式中：Y′表示分割結果，Y表示標注結果，Tp表示正確分割的像素列集合，Fp表示錯誤的病斑區域像素列合集。

3.3 實驗分析

集成支持向量機模型對于OCT血管內斑塊的分割結果如圖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域，白色代表正常區域。

圖6 分割結果

通過采用相同的數據對經過GA參數優化的標準SVM、BP神經網絡進行訓練，并于本文方法進行對比。BP神經網絡與標準SVM的分割結果如圖7所示。各模型的分割結果客觀評價如表2所示。

圖7 各模型分割結果

表2 各模型評估結果

4 結 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神經網絡進行對比分析，并使用客觀的評價標準對分割結果進行評判，實驗結果表明集成支持向量機模型具有更為優越的性能。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出了其容錯能力較弱的問題，后續將考慮尋找能夠將OCT數據對標簽進行細化，提升分割效果。