圖像融合方法在肝包蟲病分型中的應用*

排孜麗耶·尤山塔依，嚴傳波，木拉提·哈米提，姚娟，阿布都艾尼·庫吐魯克，吳淼

（1.新疆醫科大學基礎醫學院，烏魯木齊830011；2.新疆醫科大學醫學工程技術學院，烏魯木齊830011；3.新疆醫科大學第一附屬醫院影像中心，烏魯木齊830011）

1 引 言

肝包蟲病，是囊狀幼蟲寄生在肝臟所致的寄生蟲病，潛伏期較長，初期癥狀不明顯，畜牧地區較常見，多流行于我國西北、內蒙和四川西部地區[1]。近年來隨著旅游業的發展、人口的流動和家犬的增多，肝包蟲病已成為全世界流行性疾病，嚴重危害著各國人民的健康和經濟發展[2]。

國家雖已對肝包蟲病的防治做了大量工作，但是由于牧區醫療條件相對落后，人才缺失等諸多因素，目前包蟲病防治仍然面臨諸多困難[3]。內陸和沿海地區因肝包蟲病甚為少見，導致當地醫生缺乏對該病認識，容易誤診[4]。肝包蟲病起病隱匿，臨床癥狀和體征與其他肝占位性病變無特異性，因此，及時準確地發現和診斷肝包蟲病，對降低其誤診率和死亡率有重要意義。計算機輔助診斷（computer aided diagnosis，CAD）技術通過分析患者圖像，向醫生提供病灶信息及初步診斷意見以供參考，提高診斷準確性和工作效率，減少或避免誤診和漏診的發生[5]。本研究在項目組已有的研究基礎上，把圖像融合方法應用到肝包蟲病的分類識別中，與傳統預處理方法進行比較，研究適合于肝包蟲病的計算機輔助診斷方法，為后期研發肝包蟲病計算機輔助診斷系統奠定基礎。

2 材料與方法

2.1 實驗對象

本研究實驗對象由新疆醫科大學各附屬醫院影像中心提供，隨機選取正常肝臟、單囊型肝包蟲病、肝囊腫CT圖像各120幅，共360幅。經影像科醫師指導分類，并從原始圖像中人工干預下分割出病灶信息區，即感興趣區域（region of interest，ROI），見圖1。

2.2 實驗方法

圖1 ROI選擇Fig 1 ROI selection

圖2 預處理結果Fig 2 Results of preprocessing

2.2.2 圖像融合 圖像融合，即盡量地對多源信道圖像每一信道中的有用信息進行提取并綜合成一幅圖像，使各種信息能夠在同一幅圖像中得到表達，提高圖像的有用信息包含量，有利于更準確、可靠、全面地獲取目標信息[7]。本研究根據CT圖像的特點，對ROI圖像分別提取蘊涵著圖像多方面信息的特征子圖像，再對其進行融合。

在空域中，采用了對掃描噪聲非常有效的中值濾波器[8]和使傳輸過程中由于受干擾而退化的圖像細節變得清晰的銳化濾波器[8-9]；在頻率域中，選取了高斯低通濾波器[8]、高斯高通濾波器[8]和同態濾波器[9]；為了消除圖像邊緣的毛刺，填補圖像中由于干擾等原因出現的斷裂和缺口，運用了形態學方法對圖像進行腐蝕、膨脹、開啟與閉合操作[8-9]。最后，采用列灰度均值替換原灰度值的方法對圖像進行點處理，這樣新得到的增強圖像可以反映原有圖像本身的對比度與明暗度。以上處理較全面地反映圖像的特點，體現圖像的邊緣和細節特征，反映圖像的自然屬性。

高斯低通濾波器：

式中，σ是高斯曲線的標準差。

高斯高通濾波器：

膨脹運算：

其中，?為空集，B為結構元素。

腐蝕運算：

式中，Qr為計算區多年平均地下水補給量(m3/a)，ρ為開采系數。經計算，地下水可開采量（Qap）為 13275 萬 m3/a。

均值與方差是數理統計中常用的特征統計量，在圖像分析中，均值反應圖像的亮度，方差反應圖像高頻部分的大小，CT圖像具有豐富的高頻細節信息，因此，采用提取每幅特征子圖像的列均值與列方差組成特征矩陣來進行特征圖像的融合，減少計算量的同時又盡可能地保留特征圖像的特征信息。假設特征圖像Xi=(X1，…，XN) ，i=1，…，N，則：

其中，j是圖像行維數。

特征圖像提取和融合結果見圖3，第一個箭頭左邊是原始圖像ROI，右邊從左到右依次是中值濾波，銳化濾波，高斯低通濾波，高斯高通濾波，同態濾波，腐蝕，膨脹，開啟，閉合與列均值替換后的特征圖像，第二個箭頭右邊是融合后圖像。

圖3 特征圖像提取并融合結果Fig 3 Results of feature image extraction and fusion

2.2.3 圖像特征提取 紋理作為物體表面的一種基本屬性，能很好地表征圖像，被廣泛應用于圖像分析中。本研究采用基于Tamura和灰度-梯度共生矩陣算法的紋理特征提取方法[10]。灰度-梯度共生矩陣能很好地描繪圖像的紋理信息。

（1）粗糙度 圖像中像素的平均強度值為：

其中，活動窗口大小2k×2k，g（i，j）是坐標 （i，j）的像素灰度值，k=0，1，…，5。每個像素在不相重疊窗口之間的平均強度差：水平方向

垂直方向

使E值達到最大的k值來設置最佳尺寸：

計算整幅圖像中Sbest的平均值可得到粗糙度，表達式為：

式中，m，n分別為水平和垂直方向的像素總數。

式中，np為直方圖中峰值的數目，p為直方圖HD中的峰值，wp為峰值p包含的量化值范圍，?p為波峰中心位置，?為量化后的方向角，r為直方圖歸一化因子。

其中，PDd表示在距離內的n×n大小的局部方向共生矩陣。

r是歸一化因子，σxxx是Fxxx的標準差。

3 結果

提取到單囊型肝包蟲病、肝囊腫、正常肝臟CT圖像預處理后的和融合后的ROI圖像Tamura 6個特征和GGCM 15個特征值：小梯度優勢、大梯度優勢、灰度分布不均勻性、梯度分布不均勻性、能量、灰度均值、梯度均值、灰度標準差、梯度標準差、相關性、灰度熵、梯度熵、混合熵、差分距、逆差分距，把它們輸入到支持向量機[11]和BP神經網絡[12]算法中，進行分類處理，分類結果見表1、表2.（注：最佳分類準確率是模型最優參數下的分類準確率，混合特征是由Tamura和GGCM特征組成的特征，即共21維特征）

實驗過程中，采用十折交叉驗證法，支持向量機使用序列最小最優化SMO算法，核函數選擇多項式核函數，調整參數C（默認值1，一般10-4≤C≤104）和BP神經網絡中的隱含層神經元個數（計算公式是屬性數量，o是類別數量，n是1～10之間的常數）進行實驗。其中，C是懲罰系數，即對誤差的寬容度。C越高，說明越不能容忍出現誤差，容易過擬合。C越小，容易欠擬合。C過大或過小，模型泛化能力變差。本實驗調節C范圍1～30。平均分類準確率跟參數調整曲線和最佳平均分類準確率下的模型參數評估見圖4（注：標簽1、2分別代表預處理后和融合后圖像）

表1 不同特征下3種肝臟預處理后圖像最佳分類準確率Table 1 The best classification accuracy of preprocessing images with different features

表2 不同特征下3種肝臟融合后圖像最佳分類準確率Table 2 The best classification accuracy of three kinds of liver fusion images with different features

4 討論

由表1、2可知，傳統預處理方法對肝囊腫CT圖像Tamura和混合特征的分類效果明顯優于圖像融合方法，其中Tamura特征的分類效果優于混合特征，最佳分類準確率為98.333%；圖像融合方法對單囊型肝包蟲和正常肝臟CT圖像不同特征下的分類準確率均高于傳統預處理方法，其中單囊型肝包蟲病圖像GGCM特征的分類效果比Tamura和混合特征好，最佳分類準確率為99.167%，正常肝臟CT圖像不同特征下的分類準確率均相等，為100%。由圖4可以看出，圖像融合方法不同特征、不同分類器下的平均分類準確率均高于傳統預處理方法。

評價一個分類模型的分類精度，除了分類準確率之外，還需要計算一些統計量，如查準率（Precision），查全率（Recall），F度量（F-Measure）和 ROC曲線下面積（AUC）等，這些指標均是[0，1]范圍內的小數，越接近1，說明分類模型越好。由圖4可以看出，圖像融合方法不同特征下兩種分類器的參數值均高于預處理方法，說明圖像融合方法下的分類模型的平均分類精度比預處理方法的好。

圖4 不同方法下平均分類準確率跟參數調整變化曲線和模型參數評估Fig 4 Average classification accuracy，parameter adjustment variation curve and model parameter evaluation under different methods

5 結論

本研究把圖像融合方法應用于肝包蟲病CT圖像的分型中，從原圖像ROI中提取多幅特征子圖像，并對其進行融合為一幅蘊涵著原圖像多方面特征信息的融合圖像，同時使用傳統的預處理方法與之比較，通過對融合后和預處理后的圖像進行紋理特征提取和分類，結果表明圖像融合方法對正常肝臟和單囊型肝包蟲的分類能力比傳統的預處理方法好，而傳統的預處理方法適合于肝囊腫CT圖像的分類。