基于形狀紋理特征的食管癌和肝包蟲病圖像分類

娜迪亞·阿卜杜迪克依木，姚娟，劉志華，嚴傳波

1.新疆醫科大學基礎醫學院，新疆烏魯木齊830011；2.新疆醫科大學第一附屬醫院，新疆烏魯木齊830011；3.新疆醫科大學公共衛生學院，新疆烏魯木齊830011；4.新疆醫科大學醫學工程技術學院，新疆烏魯木齊830011

前言

惡性腫瘤一直都是威脅人類健康的重大疾病，我國對此也是高度關注，專門設置惡性腫瘤登記機構［1］。在中國發病率和死亡率居前10 位的惡性腫瘤中，食管癌的世界比重分別超過60%和50%［2-4］。食管癌流行情況在不同民族、區域間有很大差異［5］。中國部分少數民族食管癌死亡情況比較的統計結果表明，以新疆哈薩克族食管癌最多，其男女合計死亡率比其他少數民族高2～3倍，比全國平均水平高2.3倍，新疆托里縣哈薩克族食管癌發病率高達155.9/10萬，大大高出該縣其他民族（22.3/10 萬）和全國平均水平［6］。X 線鋇餐檢查方法簡便，病人容易接受，因此仍是目前診斷食管癌的重要手段之一。

我國是世界上包蟲病患病最嚴重的國家之一［7］，在西北畜牧業發達地區較常見，其膨脹性生長過程對肝組織產生壓迫癥狀，因該病流行性廣、危害性大，嚴重影響民眾身心健康［8-9］。包蟲病中肝包蟲病的發生率大于65%［10-11］，肝臟是包蟲病最先累及的器官，使肝內出現單個或多個膨脹性的囊腫。2016年我國約有5 000 萬人受困于該病，有360 余縣流行包蟲病，患病人數高達17 萬，國民患病率達0.34%。新疆、甘肅、西藏、寧夏、四川等地該病10年病死率達到94%，被稱為“蟲癌”［12］。由于新疆地區肝包蟲發病率較高，此病已成為新疆地方性特色病［13］。因肝包蟲病起病隱匿，臨床癥狀和體征無特異性，故及時發現并正確診斷肝包蟲病，對降低肝包蟲的發病率和死亡率有重要意義。針對肝包蟲檢查，CT 圖像具有檢查方便、圖像清晰、高分辨率、快速有效以及成本較低等優點，是目前肝包蟲病診斷中首選且應用最為廣泛的一種檢測手段［14-15］。

無論是食管癌X射線圖像還是肝包蟲病CT圖像都需要專業醫師人工閱片，隨著數字化醫學影像技術的發展，各種類型的現代醫療診斷與成像設備提供了大量的醫學圖像信息，對醫學圖像信息的定性解讀方式已經不能滿足臨床的需求。僅憑借醫生自身的經驗容易產生漏診和誤診，因此需要醫生和計算機輔助診斷系統（CAD）合作完成這項艱巨任務。圖像技術的發展改善了醫學影像的質量和顯示方式［16］，經過醫學圖像處理的醫學圖像信息能夠直觀反映患者的疾病狀態，為計算機輔助診斷系統提供科學性依據，從而使臨床醫生對人體內部病變部位的觀察更直接、更清晰，確診率也更高［17］，這為疾病的確診以及選擇有效的治療方法起著決定性的作用。

常規X線鋇餐檢查常不易發現淺表性小癌腫，還存在術前分期分型不規范等問題。肝包蟲不同病癥表現出了較相似的CT 成像，醫生在診斷時會受個人主觀性和經驗有限性等干擾，導致精準識別不同類型肝包蟲病有一定的困難。這些狀況催促研究者進一步改進影像診斷檢查的功效，研究食管癌和肝包蟲計算機輔助系統，實現病灶的自動分型和分期，從而輔助臨床醫師選擇合適的治療方法，對于治療療效有重要的意義。研發新疆哈薩克族食管癌和地方性肝包蟲病計算機輔助診斷系統，需要對食管癌和肝包蟲病影像圖像進行大量的研究。因此，這是一項既有挑戰性又有重大社會經濟價值的研究課題。

1 相關研究

國內外研究者也將計算機輔助診斷技術應用于疾病診斷且做了許多研究工作，然而應用于地方性疾病的相關研究較少。Demir 等［18］提出用于檢測計算機斷層掃描圖像中肺結節的CAD 系統，實驗結果顯示，候選結節的外表面紋理特征可用于提高計算機斷層掃描圖像中肺結節檢測的靈敏度。Ohura等［19］提出一種通過使用二進小波變換和分形維數從內窺鏡圖像診斷早期食管癌的計算機輔助方法。Zhan 等［20］從多序列磁共振圖像中提取高、低級別膠質瘤的特征，然后訓練KNN 分類器對膠質瘤進行分級從而設計一種自動有效的CAD 工具，協助放射科醫師對膠質瘤進行分級。Sommen 等［21］提出一個基于早期食管腺癌的CAD 系統，使用兩種特征提取算法提取圖像的紋理和顏色特征，通過支持向量機進行分類，由分類結果可知查全率達到95%。孔喜梅等［22］根據不同類型肝包蟲病CT 影像特征，利用決策樹C4.5 分類模型來研究新疆地方性肝包蟲CT 圖像的單囊和多子囊等分型。胡彥婷等［23］在研究肝包蟲圖像分類時提出一種結合多尺度局部二值模式和尺度不變特征轉換紋理分析后通過線性支持向量機對特征值分類的肝包蟲CT 圖像分類方法，為新疆肝包蟲病CAD系統的研發提供有利參考。本研究充分利用食管癌X 射線圖像和肝包蟲病CT 圖像自身有用信息，討論Hu 不變矩形狀特征與小波紋理特征在KNN 機器學習分類模式下的分類準確率，實驗流程如圖1所示。

圖1 實驗流程圖Fig.1 Flow chart of experiment

2 材料與方法

2.1 實驗材料

研究對象來自新疆醫科大學第一附屬醫院放射科，在專業醫師的指導下，選擇新疆哈薩克族食管癌潰瘍型、縮窄型和蕈傘型鋇餐造影圖像各422 幅，共1 266幅圖像；選擇單囊型和多子囊型肝包蟲CT圖像各420幅，共840幅圖像。

2.2 方法

圖像預處理的目的是改善圖像質量和突出需要分析的特征，對于輸入質量較低的圖像，經過處理輸出高質量的圖像［24］。本研究所使用的圖像預處理方法是圖像歸一化、中值濾波去噪和直方圖均衡化。首先對每一幅圖像提取病灶感興趣區域（Region of Interest,ROI），然后對所提取的病灶區域進行歸一化處理，得到大小為30×30像素的食管癌X 射線ROI圖像和大小為76×51的肝包蟲病CT的ROI圖像。中值濾波算法是以某像素的領域圖像區域中像素值的排序為基礎，將像素領域內灰度的中值代替該像素的值。它的優點在于能夠抑制隨機噪聲的同時不使邊緣模糊。直方圖均衡化是圖像處理領域中利用圖像直方圖對比度進行調整的方法。本研究把去噪后圖像的直方圖變換為均勻分布的形式，增加像素灰度值的動態范圍，從而達到增強圖像整體對比度的效果，預處理結果見圖2和圖3。

圖2 X射線圖像預處理結果Fig.2 Results of X-ray image preprocessing

圖3 肝包蟲CT圖像預處理結果Fig.3 Results of hepatic hydatid CT image preprocessing

3 特征提取

根據實驗側重點的不同，特征提取有很多種方法，如灰度特征、顏色特征、紋理特征、形狀特征以及基于點的梯度特征的提取等。特征提取對后面的分類器設計和效果有很大的影響，所以根據實驗內容，選取合適的特征提取方法對整個實驗的結果起著重要的作用。本研究引用形狀特征提取方法和紋理特征提取方法。

3.1 形狀特征提取方法

形狀是圖像中的重要可視化特征［25］。形狀特征是對象區域對象幾何特性的反應［26］。形狀特征的描述通常有兩種常用的方式：基于邊界的描述和基于區域的描述，基于區域的描述方法中常用的方法是不變矩。1962年Hu 提出的不變矩特征具有對平移、旋轉和比例縮放是不變的特性［27-28］。

3.2 紋理特征提取方法

紋理是物體表面的固有特征之一［29］。紋理指圖像中像素（或子區域）的灰度變化規律，圖像中局部不規則而宏觀有規律的特性稱為紋理。診斷學中區分病灶的重要形態特征是正常的組織結構被破壞，反映在影像圖像上則呈現為圖像紋理的改變。因此，可利用紋理特征的差異對不同患者的影像圖像進行分析，從而實現對病灶組織和正常組織的分類識別［30］。小波變換方法被廣泛應用于紋理特征的分析和分類研究中。

X 光是穿透性很強的射線，能夠穿透人體，在穿透人體時，被含鈣的成分（骨）、水分（血液等）、軟組織（肌肉）等吸收而減弱。X線會穿過人體，遇到被遮擋的部位，底片上不會曝光，成像后呈現白色，因此可以呈現出所檢查部位的基本形態。大量的研究表明，不變矩的獨立性佳、具有很好的抗噪能力、不會出現信息的冗余現象、具有良好的抽樣特性，非常適合對多畸變不變圖形的識別以及分類。除此之外，Hu不變矩具有平移、旋轉和尺度不變性，而且對圖片的質量有一定的要求，圖片質量越高魯棒性越好。本文中經過圖像預處理后的食管癌X射線圖像，提取的Hu 不變矩形狀特征，較清晰地表達了食管癌圖像的形狀細節。CT 不同于普通X 線成像，它是用X 線束對人體一定厚度的層面進行掃描得到的斷層解剖圖像，其密度分辨力明顯優于X 線圖像，使得X 線成像不能顯示的解剖結構、病變組織紋理等得以顯影。小波變換特征具有多分辨率（也叫多尺度）的特點［31］，可以由粗到細逐步觀察信號，它在時域和頻域都有表征信號局部特征的能力，有利于檢測信號的瞬態或奇異點。

4 分類

K 最近鄰（K-Nearest Neighbor,KNN）分類算法是理論上比較成熟的方法，也是最簡單的機器學習算法之一［32-33］。該方法的思路是：如果一個樣本在特征空間中的k個最相似（即特征空間中最鄰近）的樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別［34-35］。由于KNN 方法主要靠周圍有限鄰近的樣本，而不是靠判別類域的方法來確定所屬類別，因此對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。

圖4是闡述KNN分類過程的經典實例。圖4中，訓練樣本包括三角形（Trangle）和正方形（Square）兩類。為了描述簡便清晰，我們分別用T和S代表它們的數目。圖中的圓點是測試樣本，K是距離測試樣本最近的訓練樣本數目，即最近鄰數目。當K=3 時，如圖中虛線小圓圈范圍內，T=2，S=1，T＞S，由上面敘述的原理，此時測試樣本被分配到三角形一類。而調整K=5 時，如圖中虛線大圓圈范圍內T=2，S=3，T＜S，此時測試樣本標簽判定為正方形［36］。

圖4 KNN算法實例圖Fig.4 An example for K nearest neighbor algorithm

5 實驗結果與討論

本研究使用潰瘍型、縮窄型和蕈傘型食管癌X射線病灶圖像和單囊型、多子囊型肝包蟲CT病灶圖像用于提取其紋理和形狀特征，應用KNN分類器對食管癌X射線圖像和肝包蟲CT圖像進行分類。不同特征提取方式下3種食管癌兩兩分類的分類結果與單囊型和多子囊型肝包蟲分類結果如表1和表2所示。由表1可知，使用Hu不變矩形狀特征進行分類時，3種類型食管癌分類準確率都比使用小波變換紋理特征分類準確率高，這說明對食管癌分類，提取Hu不變矩形狀特征結合KNN分類器比較適合。由表2可得，肝包蟲病CT圖像小波變換紋理特征分類準確率比Hu不變矩形狀特征分類準確率高，這說明對肝包蟲病分類，提取小波變換紋理特征結合KNN分類器比較適合。

5.1 KNN分類算法訓練過程

在KNN分類器訓練過程中，當K取不同的值時，得到的分類準確率也不同，本研究中K值取1～20，采用10 折交叉驗證的方法，10 折交叉驗證用于評估模型的預測性能，尤其是訓練好的模型在新數據上的表現，可以在一定程度上減小過擬合。圖5a～c 分別為潰瘍型與縮窄型、蕈傘型與縮窄型、潰瘍型與蕈傘型食管癌的Hu 不變矩特征和小波變換特征及混合特征的分類準確率隨著K值變化而變化的折線圖。根據圖5a～c 的變化趨勢可以看出，Hu 不變矩特征在K=1 時取最高值，分別為85.60%、74.42%、76.65%。小波變換特征分類最高準確率分布在K取值15～20時，分別為64.39%、61.75%、61.31%。這說明食管癌分類中對于Hu 不變矩特征KNN 分類模型K=1 為最優值。

表1 食管癌不同特征下的分類準確率（%）Tab.1 Classification accuracy under different features of esophageal cancer（%）

表2 肝包蟲病不同特征下的分類準確率（%）Tab.2 Classification accuracy under different features of hepatic hydatid disease（%）

圖5 食管癌和肝包蟲病分類準確率與K值變化曲線Fig.5 Classification accuracy and K value curve of esophageal cancer and hepatic hydatid disease

圖5d 是單囊型與多子囊型肝包蟲Hu 不變矩特征，小波變換特征及混合特征的分類準確率隨著K值變化而變化的折線圖。根據圖5d 的變化趨勢可以看出，小波紋理特征在K=15～20 時取最高值為78.62%，這說明肝包蟲分類中對于小波紋理特征KNN分類模型K=15～20為最優取值范圍。

6 性能評價

ROC 曲線指受試者工作特征曲線，是反映敏感性和特異性連續變量的綜合指標。曲線下面積越大，診斷準確性越高。在ROC 曲線上，最靠近坐標圖左上方的點為敏感性和特異性均較高的臨界值。ROC曲線越凸越近左上角表明其診斷價值越大。曲線下面積可評價診斷準確性。ROC面積值在0.5～0.7時有較低準確度，0.7～0.9 時有一定準確度，在0.9 以上有較高的準確度［25］。

如圖6a～c所示，潰瘍型與縮窄型、蕈傘型與縮窄型、潰瘍型與蕈傘型食管癌在Hu不變矩形狀特征下的ROC曲線下面積都在0.7～0.9內，分別為AUC≥0.861、AUC≥0.747和AUC≥0.769。以上實驗結果表明，食管癌X射線圖像基于Hu不變矩形狀特征的KNN分類器ROC曲線下面積都大于0.7，分類有一定的準確度。圖6d顯示，肝包蟲CT圖像基于小波變換紋理特征的KNN 分類器ROC 曲線下面積≥0.852，大于0.7，分類有一定的準確度。因此，針對新疆哈薩克族潰瘍型、縮窄型和蕈傘型食管癌形狀特征和肝包蟲病紋理特征本研究有一定的診斷價值。

圖6 食管癌和肝包蟲不同特征下的ROC曲線圖Fig.6 Receiver operating characteristic curves under different features of esophageal cancer and hepatic hydatid disease

7 結論

本文根據所選取的病灶圖像的形狀和紋理特點，分別提取圖像的Hu不變矩形狀特征和小波變換紋理特征，利用KNN分類器對特征值進行分類。實驗結果顯示，對于食管癌X射線圖像Hu不變矩形狀特征具有較好的特征表達能力，Hu不變矩形狀特征結合KNN分類器的研究方法對新疆哈薩克族食管癌分型具有一定的參考依據。對于肝包蟲CT圖像小波紋理特征具有較好的特征表達能力，小波紋理特征結合KNN分類器的研究方法對地方性肝包蟲分型具有一定的參考依據，也為后期研發計算機輔助診斷系統奠定基礎。后續將使用深度學習方法對新疆哈薩克族食管癌和地方性肝包蟲病進行疾病分類并應用于計算機輔助診斷系統。