基于肝臟CT 圖像GLTP 特征的肝功能分級方法研究*

郭瑞敏 黃煒嘉 張正言 楊 魏 王澤輝

（1.江蘇科技大學海洋學院 鎮江 212003）（2.江蘇省人民醫院介入科 南京 210029）

1 引言

對肝功能進行監測是慢性肝病治療中的重要環節［1］。Child-Pugh、MELD［2］等評分方法基于血清肌酐、膽紅素、白蛋白等血液學檢查指標及腹水、肝性腦病等臨床主觀指標，無創易行，在臨床中被廣泛使用，在預測終末期肝病患者的死亡率以及術后的生存時間等方面有重要的臨床價值。計算機斷層掃描（Computed Tomography，CT）是臨床中常用的影像學檢查方法，有研究使用CT灌注成像、多期增強CT 掃描的動脈增強分數的類灌注技術、能譜CT碘基圖定量分析等技術評估肝功能［3～4］。隨著人工智能及大數據技術在醫療領域的應用，影像組學（Radiomics）被應用于肝纖維化、肝硬化程度、肝功能相關性研究，是病理學檢查以外良好的潛在替代評估方法［5］，基于機器學習的醫學影像數據分析已成為了交叉學科中的研究熱點［6～7］。

醫學圖像的紋理分析為病變組織提供了客觀、定量的描述方法?；叶裙采仃嚕℅rey-Level Co-occurrence Matrix，GLCM）方法由Haralick 等［8］提出，具有原理簡單、辨別能力較強等優點。Suganya等［9］將GLCM用于肝臟超聲圖像的紋理特征提取和正常、異常分類。Sergeeva 等［10］將GLCM 和離散小波變換結合，用于提取肺部CT 圖像的多尺度特征，實現對正常、異常圖像的分類。在基于圖像局部的特征提取方面，局部二值模式（Local Binary Pattern，LBP）［11］及其改進方法已逐步應用于醫學領域。Chu 等［12～13］使用一種Webber 局部二值模式描述子用于胰腺超聲圖像，對慢性胰腺炎和自身免疫性胰腺炎進行分類。Tan 等［14］提出了局部三值模式（Local Ternary Pattern，LTP），在原始LBP 算子上引入閾值t 對圖像進行三值編碼，有效提高了對光照和噪聲影響的魯棒性，在圖像紋理較為均勻的區域的辨別能力更強［15］。金鑄浩等［16］提出了自適應方向局部三值模式，將圖像全局的灰度特征應用到編碼中，對全局特征描述大幅增強，且閾值的自適應性增強了該算法的抗噪聲能力。梯度局部三值模 式（Gradient Local Ternary Pattern，GLTP）［17］在LTP 的基礎上，使用Sobel 算子［18］對圖像進行邊緣檢測，然后進行三值特征提取，減少了計算量、提高了特征提取的效率。目前，醫學圖像的紋理分析主要被用于正常、異常組織的分類，基于異常肝臟CT圖像，進行肝功能分級的工作還沒有被討論。

本文分析了不同MELD 評分的慢性肝病患者的肝臟CT 圖像，將GLTP 模式引入基于肝臟CT 圖像的肝功能分類中，提取肝臟組織局部紋理特征，采用支持向量機（Support Vector Machine，SVM）［19］訓練和分類，建立基于增強CT 門脈期肝臟的肝功能分級模型，揭示了不同肝功能等級肝臟CT 圖像的特征差異，為肝功能分級提供了基于CT 影像的新方法。

2 梯度局部三值模式

LTP 是GLTP 的基礎，LTP 編碼通過定義閾值t增加一個編碼模式，對LBP編碼在“0”碼和“1”碼的基礎上增加了“-1”碼，使得LTP描述符對紋理特征的描述更加詳細，且對光照變化和噪聲因素的影響較小，提升了其辨別能力。LTP 的基本方法是：首先設置3×3像素的區域，在中心像素點Gc周圍設定閾值t，定義一個長度為2t的區間［-t，t］，如果各鄰域像素點的灰度值Gi落在Gc-t 和Gc+t 之間，則編碼為0。低于Gc-t或高于Gc+t則分別編碼為“-1”和“+1”，如式（1）和式（2）所示：

其中，Gc是中心像素點的灰度值，Gi是中心像素點鄰域內第i個像素點的灰度值。

將編碼中除“1”以外的值改為“0”后所得的編碼定義為上模式（或正模式），如式（3）所示：

其中，SLTP（i）表示中心像素點鄰域中第i個采樣點經過量化后的值。

同理，將編碼中除“-1”以外的值改為“0”，并且用“1”替換“-1”后所得的編碼定義為下模式（或負模式），如式（4）所示：

對上述兩種模式中得到的二進制編碼乘以相應的權重后相加，得到中心點正、負模式的十進制LTP 特征值，如圖1 所示。根據上述特征值計算正負LTP編碼的統計直方圖，并將其級聯作為最終的特征向量。

圖1 閾值t設置為10的LTP算子編碼

GLTP［17］使用水平和垂直方向的Sobel 算子與原始圖像I 做卷積，分別得到水平及垂直方向濾波結果Gx、Gy，如式（5）所示；然后，計算圖像中每個像素的梯度幅度值Gx，y如式（6）所示；最后，對Gx，y使用LTP編碼模式完成GLTP特征的提取。

3 基于GLTP的肝臟CT圖像分類方法

圖2 為本文方法的整體流程圖。首先，對經過MELD 分級劃分出的不同肝功能等級的圖像進行預處理，提取出相同大小，不包含血管和腫瘤的肝臟組織感興趣區域（ROI）；其次，對圖像中每個像素點計算GLTP局部模式；再次，將圖像分成相同大小的子塊，統計編碼后的直方圖，將直方圖級聯，構特征向量，對特征向量進行PCA降維［20］；最后，使用SVM分類器對特征向量進行訓練和識別。

圖2 本文方法的整體流程圖

3.1 MELD評分與圖像預處理

首先，選取患者術前最近一次的檢查結果（包括血膽紅素、凝血酶原時間國際標準化比值（INR）和血肌酐等指標）計算得分R［21～22］，如式（7）所示：

其中，病因項，膽汁性或酒精性為0、其他為1。根據MELD 評分標準劃分出“低危患者（R＜15）”、“中危患者（15 ≤R≤18）”和“高?；颊撸≧＞18）”。不同等級肝功能MELD評分的肝臟CT圖像如圖3所示。

圖3 不同等級肝功能MELD評分的肝臟CT圖像

然后，提取肝臟CT 圖像中不包含血管與腫瘤的肝臟組織ROI，大小為38×38 像素，建立樣本數據集。

3.2 特征提取與分類

基于GLTP 的肝臟CT 圖像特征提取與分類方法如表1所示，圖4給出了GLTP編碼的過程。

表1 基于GLTP特征的肝臟CT圖像特征提取與分類算法

圖4 GLTP編碼過程

圖5 為不同肝功能等級肝臟CT 圖像的GLTP編碼圖像。分別給出了“低危”、“中危”和“高?！备尾』颊叩脑紙D像、提取出的ROI 區域、ROI 區域經過Sobel 算子濾波后的圖像以及相應的正GLTP模式和負GLTP模式。

圖5 肝臟CT圖像的GLTP編碼圖像

4 實驗設置及結果分析

4.1 實驗設置

本文實驗環境：Windows 10 操作系統，Matlab R2018a 編程環境。實驗所用的CT 圖像數據來自江蘇省人民醫院，每張圖像包含其對應的MELD 評分信息。實驗共使用肝臟CT 圖像240 張，其中，MELD 評分“低?！?20 張、“中危”60 張、“高?！?0張。為了驗證算法的有效性，本文進行兩組實驗：1）選擇評分為“低?！?、“中?！薄ⅰ案呶！眻D像各60張，共計180 張圖片，進行三類分類；2）將“中危”與“高危”圖像合并成一類，即使用“低危”120 張，“中高危”120 張，共計240 張圖片，進行二類分類。實驗采用10 折交叉驗證的方法：將數據集隨機劃分成10 組，其中1 組作為測試集，其他的9 組作為訓練集，以此輪流實驗10 次計算出每組測試集上的識別率，將其平均后作為最終的識別率。

4.2 不同分塊大小對實驗結果的影響

為了分析不同分塊大小的編碼圖像直方圖統計對分類結果的影響，本文對5 種不同分塊大小分別進行了實驗。表2 和表3 分別為將圖像分為3×3、5×5、7×7、9×9和11×11塊，基于線性核、三次多項式核以及RBF 核SVM 進行“低危”、“中危”、“高?！比惙诸惡汀暗臀！?、“中高危”兩類分類的實驗結果。從表2可以看出，將圖像分為3×3塊時，三類分類的識別率最高，在三種核函數下的識別率分別為60.56%，60.56%，58.89%。隨著圖像分塊數量的增加，識別率有所下降，說明了將圖像分為較大的子塊，可以獲得有代表性的特征。

表2 不同分塊的GLTP算子三類識別率（單位：%）

從表3可以看出，將圖像分類11×11塊時，兩類分類的識別率最高，三種核函數下的識別率分別為65.00%，62.92%，55.42%。在圖像分塊數量較小時，獲得了較高的識別率?？傮w來看，“低?！薄ⅰ爸懈呶！眱深惙诸惖淖R別率高于“低?！?、“中?！?、“高?！比惙诸惖慕Y果，可能的原因是在MELD 評分中，“低危”患者為R＜15，“中?！被颊邽?5 ≤R≤18，“高?！被颊邽镽＞18，中高?；颊叩脑u分相對接近，因此，“中?！薄ⅰ案呶！被颊吒闻K組織紋理具有類似的特征，這些特征與低?；颊叩母闻K紋理特征差異大，更易于分類。

表3 不同分塊的GLTP算子兩類識別率（單位：%）

4.3 不同降維參數對實驗結果的影響

為了降低特征維度，本文對提取的特征進行了降維，圖6 為圖像分塊為3×3，基于線性核SVM，三階多項式核和RBF 核（C=100），PCA 降維參數從0.85 到0.99 時所對應的“低?！?、“中?！?、“高危”三類分類的識別率。從圖中可以看出，當降維參數為0.91，基于線性核SVM 時，識別率最高，為61.67%。圖7 為圖像分塊為11×11，PCA 降維參數從0.85 到0.99 時所對應的“低?！?、“中高危兩類分類的識別率。基于線性核SVM 時，獲得了最高64.17%的識別率?？傮w來看，隨著降維參數的變化，基于線性核和RBF 核，識別率基本在60%左右波動，進一步地驗證了基于GLTP提取肝臟組織特征的有效性。

圖6 不同降維參數下“低?！薄ⅰ爸形！?、“高?！比惙诸愖R別率

圖7 不同降維參數下“低危”、“中高?！眱深惙诸愖R別率

4.4 采用不同特征的實驗結果

表4 為三種不同局部特征對“低?！?、“中?！焙汀案呶！比悎D像的識別率，其中分塊大小為9×9，降維參數為0.91。從實驗結果可以看出，本文的方法相較于LBP和LTP模式獲得了更高的識別率，更好地描述了肝臟的局部紋理。

表4 不同方法的三類識別率（單位：%）

5 結語

本文分析了不同等級肝功能的CT 圖像，提出了一種基于梯度局部三值模式的肝功能分級方法，揭示了MELD 肝功能分級與CT 影像的潛在關系，對于臨床診斷有一定的輔助和應用價值。未來的工作將基于以下兩個方面進一步展開：1）增加實驗數據量，建立更為完善的肝臟CT圖像數據集；2）進一步研究肝臟CT 圖像的紋理特點，提取出更具辨別力的特征，結合不同的肝功能評分標準，提高利用CT影像進行肝功能分級的準確性。