基于超聲識別HIFU致生物組織變性

譚 青,丁亞軍*,錢盛友，陳 興

(1.湖南師范大學信息科學與工程學院，2.物理與電子科學學院，湖南 長沙 410081)

高強度聚焦超聲(high intensity focused ultrasound, HIFU)已廣泛用于治療腫瘤，其原理是將超聲波能量聚焦于病灶區域，瞬時產生65℃以上高溫，致腫瘤組織迅速凝固、壞死[1-2]。既往采用自組織映射神經網絡(self-organizing maps, SOM)[2]、小波系數Hu矩特征值結合支持向量機(support vector machine, SVM)[3]，或以頻譜圖像的灰度共生矩陣慣性矩為反映溫度變化的信息參數[4]、通過提取灰度-梯度共生矩陣中灰度熵、混合熵[5]識別HIFU所致生物組織損傷，均取得較好效果。如何于灰度-梯度共生矩陣及灰度差分統計紛繁的特征參數中選擇最優參數以提高組織變性識別率是亟待解決的問題。本研究探討基于超聲減影圖像篩選最佳特征向量，結合廣義回歸神經網絡(generalized regression neural network, GRNN)提高HIFU所致生物組織變性識別率的方法。

1 實驗系統與方法

采用由HIFU輻照源(深圳普羅惠仁醫療科技公司)、Philips 超聲成像儀器及計算機控制系統組成的實驗系統，見圖1。選取300個新鮮離體豬肉組織樣本，將其置于透明玻璃缸里探頭正下方，以不同劑量對樣本進行輻照，觀察輻照后樣本的聚焦區域是否出現組織凝固性壞死并記錄組織損傷情況，獲得150個變性樣本和150個未變性樣本。于輻照前后采集樣本的超聲聲像圖，對圖像濾波后行減影處理，獲得超聲減影圖像，見圖2。

圖1 實驗系統示意圖

2 特征提取

灰度-梯度共生矩陣法體現像素的灰度與圖像的邊緣信息[6]，灰度差分統計法為像素在一定鄰域范圍內的灰度差值出現的概率，反映不同像素間在鄰域范圍內的關聯程度[7]。本研究采用灰度-梯度共生矩陣法和灰度差分統計法分別提取超聲減影圖像中的小梯度優勢、大梯度優勢、灰度分布不均勻性、梯度分布不均勻性、能量、灰度平均、梯度平均、灰度均方差、梯度均方

差、相關、灰度熵、梯度熵、混合熵、慣性和平均值、對比度、角度方向二階矩、熵共18類特征參數，構成18個特征向量。其中平均值(T1)、對比度(T2)、小梯度優勢(T3)、能量(T4)、灰度分布不均勻性(T5)和梯度分布不均勻性(T6)權重較高，平均值反映圖像的總體灰度值概況，對比度反映圖像的清晰度和紋理溝紋的深淺程度。計算公式分別如下：

(1)

(2)

pΔ(i)是m級灰度差分中第i級灰度差分的概率。

小梯度優勢在一定程度上反映圖像灰度變化劇烈的程度。能量反映圖像灰度分布均勻程度和紋理粗細度，灰度分布不均性反映圖像灰度分布不均勻程度，梯度分布不均勻性反映圖像紋理復雜程度[8]。計算公式分別為：

(3)

(4)

(5)

(6)

3 篩選最佳特征

采用P值顯著性檢測法分別對灰度-梯度共生矩陣法、灰度差分統計法獲得的18個特征向量的變性與未變性數據進行顯著性檢測，以實現第1次特征篩選。假設檢驗中的P值反映某一事件發生的可能性，分析樣本之間是否有顯著性差異。P值計算公式為：

(7)

采用歐氏距離法對第1次篩選后獲得的特征向量的變性組織與未變性組織的類間距離進行計算，以實現第2次特征篩選，獲得最佳特征向量。歐氏距離大小反映2組數據間的相似程度，其值越小代表數據間差異越小[10-12]。計算公式為：

(8)

ED為歐氏距離，xi、yi分別為變性、未變性數據。

4 識別組織變性

采用GRNN對300個樣本的超聲減影圖進行變性識別。GRNN模型詳細介紹見文獻[13-14]。GRNN網絡共4層，結構如圖3所示。輸入：X=[x1,x2,...,xm]T，輸出：Y=[y1,y2,...,yn]T，X為學習樣本m個特征參數組成的向量、Y為與之對應的輸出[15]。300個樣本中198個為訓練樣本，102個為測試樣本，測試樣本中51個為變性樣本數據，另外51個為未變性樣本數據。進行組織變性識別時，有3種變量輸入模式即變量1、變量2、變量1和變量2。對訓練樣本數據識別結束后，以第1次篩選剔除的特征向量、歐氏距離最小的2個特征向量為最佳特征向量的對照組，將其與最佳特征向量分別輸入GRNN進行組織變性識別，獲得特征向量結合GRNN對測試樣本的正確識別率和總識別率：正確識別率=正確識別樣本類型數目/樣本類型總數×100%，總識別率=正確識別樣本類型數目/樣本總數×100%。

圖3 GRNN結構示意圖

5 結果與分析

采用P值顯著性檢測法對冗余特征進行第1次篩選，發現灰度差分統計法中的平均值、對比度2個紋理特征向量的P值分別為0.058 7、0.012 8，均大于原假設值0.01，說明輻照后變性及未變性樣本組織上述紋理特征向量不具獨立性，無法有效識別損傷組織，予以剔除；其余16個紋理特征向量值均小于原假設值，提示其能有效區分變性與未變性組織，為存在明顯差異的獨立不相關特征。

以歐氏距離法對第1次特征篩選獲得的16個紋理特征向量進行第2次篩選的結果見表1。歐氏距離最大的2個特征向量為灰度分布不均勻性和梯度分布不均勻性，說明輻照后上述2個紋理特征參數在變性與未變性樣本間存在較大差異，即具有較好的變性識別效果，以之作為最佳特征向量。其余14個特征向量的歐氏距離相對較小，提示其在變性與未變性樣本中相似度偏高，區分效果相對較差。

表1 以歐氏距離法篩選最佳特征向量的結果

將梯度分布不均勻性特征向量輸入GRNN后總識別率為90.20%，灰度分布不均勻性特征向量輸入GRNN后總識別率為91.18%，2者組合輸入GRNN后總識別率高達98.04%，對于變性及未變性各51個樣本各正確識別50個。將對照組平均值、對比度2個特征參數分別輸入GRNN對測試樣本進行識別，結果示GRNN識別HIFU輻照后變性組織的效果較差，總識別率分別為48.04%和75.49%；將特征組合輸入GRNN進行自動識別，效果雖有所改善但仍較差，總識別率為79.41%。將對照組歐氏距離最小的能量、小梯度優勢2個特征參數分別輸入GRNN后，總識別率分別達88.24%、89.22%，而將其特征組合輸入GRNN后總識別率仍為89.22%。見表2。

表2 以特征向量結合GRNN識別樣本的結果

分別以灰度分布不均勻性、梯度分布不均勻性結合GRNN自動識別變性組織，識別率顯著高于對照組；錯誤識別樣本大多集中于交界處(圖4A、4B)；以2個最佳特征向量組合結合GRNN描述圖像灰度及紋理信息更全面，并明顯消除了交界處干擾識別的因素，識別變性組織效果更佳(圖4C)。

圖4 最佳特征向量及其組合輸入GRNN識別組織變性結果 A.灰度分布不均勻性特征輸入GRNN識別結果； B.梯度分布不均勻性特征輸入GRNN識別結果； C.灰度分布不均勻性、梯度分布不均勻特征組合輸入GRNN識別結果

6 結論

基于超聲減影圖像，以最佳特征參數灰度分布不均勻性、梯度分布不均勻性分別結合GRNN均可提高對HIFU輻照所致組織變性的識別率；以2個特征組合結合GRNN識別組織變性的效果更佳。