基于多特征融合的醫(yī)學(xué)圖像識別研究

摘要：以醫(yī)學(xué)圖像為研究對象，針對任何一類特征都不能很好地表達(dá)醫(yī)學(xué)圖像的缺點(diǎn)以及進(jìn)一步提高醫(yī)學(xué)圖像的識別率，提出了一種基于特征級數(shù)據(jù)融合與決策級數(shù)據(jù)融合相結(jié)合的分類方法。實(shí)驗(yàn)結(jié)果表明，采用特征級數(shù)據(jù)融合，融合后的特征可以較好地表達(dá)醫(yī)學(xué)圖像，且減少了后期分類的計(jì)算量；采用決策級數(shù)據(jù)融合，取得了比單個(gè)分類器更高的識別率。

關(guān)鍵詞：特征提取； 數(shù)據(jù)融合； 圖像識別； 醫(yī)學(xué)圖像

中圖分類號：TP391．41文獻(xiàn)標(biāo)志碼：A

文章編號：1001－3695(2008)06－1750－03

實(shí)現(xiàn)醫(yī)學(xué)圖像的自動(dòng)識別是目前計(jì)算機(jī)和醫(yī)學(xué)交叉領(lǐng)域研究的熱點(diǎn)。而影響醫(yī)學(xué)圖像自動(dòng)識別效果的主要因素有特征提取及識別方法這兩個(gè)方面。

從特征提取角度考慮，目前特征提取的方法大體可以分為三大類：顏色特征提取、紋理特征提取和形狀特征提取[1]。這三類方法各有其優(yōu)缺點(diǎn)：圖像顏色特征提取方便，但缺乏空間分布信息；圖像紋理特征反映的只是圖像的一種局部結(jié)構(gòu)化特征，具體表現(xiàn)為圖像像素點(diǎn)某鄰域內(nèi)灰度級或顏色的某種變化；圖像形狀特征可以很好地表示圖像的可視化特征，但一般需要經(jīng)過圖像分割和邊緣提取，得到邊緣和區(qū)域后才可以對對象進(jìn)行基于邊緣或基于區(qū)域的形狀特征提取。每一類中又有很多具體的特征提取算法，相應(yīng)地可以提取圖像的很多特征。然而，任何單一的一種特征或一類特征都不能很好地描述醫(yī)學(xué)圖像這種特殊的對象。如何將提取的高維特征綜合利用，以便更精確地識別，成為醫(yī)學(xué)圖像識別的迫切需要[2]。

從識別方法角度考慮，由于神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)性和學(xué)習(xí)能力、非線性映射能力、魯棒性和容錯(cuò)能力，受到了人們越來越多的重視。然而，對于使用高維特征進(jìn)行圖像識別，傳統(tǒng)的單個(gè)分類器難以得到令人滿意的識別率。由于不同分類器得到的識別結(jié)果之間往往互補(bǔ)性很強(qiáng)，將多種神經(jīng)網(wǎng)絡(luò)分類器相融合，可以增加識別信息的可用量，減少信息的不確定性，是提高整個(gè)系統(tǒng)識別率的有效途徑[3，4]。

1圖像特征數(shù)據(jù)融合

數(shù)據(jù)融合可以分為像素級(pixel level)、特征級(feature level)和決策級(decision level)三個(gè)層次[5]。像素級融合是最低層次的圖像融合，它以提高圖像質(zhì)量為目的，將經(jīng)過高精度圖像配準(zhǔn)后的多源影像數(shù)據(jù)按照一定的融合原則進(jìn)行像素的合成，生成一幅新的影像。特征級融合是介于像素級融合與決策級融合中間層次的融合，它是對從原始圖像中抽取的一些特征進(jìn)行融合，形成特征矢量。在特征級上融合后的特征可以更好地檢測目標(biāo)。決策級融合是最高層次的目標(biāo)屬性的融合，它是通過目標(biāo)關(guān)聯(lián)將同一影像目標(biāo)進(jìn)行分組，將各傳感器對該目標(biāo)的類別信息進(jìn)行決策融合，直接獲得融合目標(biāo)類別屬性。

本文結(jié)合使用了特征級和決策級數(shù)據(jù)融合方法，提出的圖像特征數(shù)據(jù)融合流程如圖1所示。

首先圖像進(jìn)行預(yù)處理；然后分別提取了基于灰度直方圖的顏色特征、基于Gabor小波的紋理特征、基于不變矩的形狀特征；接著標(biāo)準(zhǔn)化后采用主元分析法進(jìn)行特征級的數(shù)據(jù)融合。其優(yōu)點(diǎn)主要體現(xiàn)在三個(gè)方面：a)綜合利用了三類特征；b)消除特征間的冗余信息；c)降低了特征空間的維數(shù)，大大減少了后期分類識別的計(jì)算量。為了進(jìn)一步提高醫(yī)學(xué)圖像識別率，優(yōu)選了三種神經(jīng)網(wǎng)絡(luò)方法（單層感知器神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)和LVQ神經(jīng)網(wǎng)絡(luò)），將融合后的特征分別作為網(wǎng)絡(luò)的輸入進(jìn)行識別，之后采用多數(shù)投票法進(jìn)行決策級數(shù)據(jù)融合，以得到最終識別結(jié)果。實(shí)驗(yàn)結(jié)果表明，使用本文框架是有效利用各類特征，提高醫(yī)學(xué)圖像識別率的有效途徑。

2特征級數(shù)據(jù)融合的實(shí)現(xiàn)

2．1圖像的特征提取

圖像特征是用于區(qū)分圖像內(nèi)容的最基本屬性，它們可以是原圖中人類視覺可鑒別的自然特征，也可以是通過對圖像測量和處理人為定義的某些參數(shù)。本文采用三種典型方法提取的特征分別為：基于直方圖的顏色特征[6]提取了均值、方差、傾斜度、峰態(tài)、能量、熵共6維；基于Gabor小波的紋理特征[7]提取時(shí)取尺度數(shù)S=5、方向數(shù)k=6，即提取了60維紋理特征；以及7維基于不變矩的形狀特征[8]。共同構(gòu)成了73維表征醫(yī)學(xué)圖像的特征矢量。但是，此時(shí)得到的圖像特征向量的維數(shù)太高，數(shù)據(jù)量龐大，特征之間存在著大量的信息冗余。

2．2基于主元分析的特征級數(shù)據(jù)融合

主元分析（principle component analysis，PCA）法是特征級數(shù)據(jù)融合常用且有效的方法之一。通過主元分析法，既消除特征間的冗余信息，降低了特征空間的維數(shù)，同時(shí)又保留了所需要的識別信息。

1933年，Hotelling提出了主成分分析方法。它是一種將多個(gè)實(shí)測變量轉(zhuǎn)換為少數(shù)幾個(gè)不相關(guān)的綜合指標(biāo)的多元統(tǒng)計(jì)分析方法，其主要目標(biāo)是用低維子空間去表示高維空間。由于實(shí)測的變量間存在一定的相關(guān)關(guān)系，有可能用較少數(shù)的綜合指標(biāo)分別綜合存在于各變量中的各類信息，而綜合指標(biāo)之間彼此不相關(guān)，即各指標(biāo)代表的信息不重疊。綜合指標(biāo)就被稱為主成分。

b)y1是x1，x2，x3，…，xp的所有線性組合中的方差最大者，y2是與y1不相關(guān)的的x1，x2，x3，…，xp所有線性組合中的方差最大者，依此類推，yp是與y1，y2，y3，…，yp-1都不相關(guān)的x1，x2，x3，…，xp為所有線性組合中的方差最大者。

如此決定的綜合變量y1，y2，y3，…，yp，分別稱為原來變量的第1個(gè)，第2個(gè)，…，第p個(gè)主成分。根據(jù)矩陣代數(shù)，將特性向量u1，u2，u3，…，up所對應(yīng)的非零特征根設(shè)為λ1，λ2，…，λp，則可以定義前m個(gè)主成分y1，y2，y3，…，ym的累積貢獻(xiàn)率為∑mi=1λi(∑pi=1λi)-1。當(dāng)m個(gè)主元的累積貢獻(xiàn)率超過85%時(shí)[9]，就認(rèn)為這m個(gè)主元已經(jīng)能夠代表總體X的主要信息。為了保證較高的識別率，本文累積貢獻(xiàn)率閾值設(shè)為99．7%。

3決策級數(shù)據(jù)融合的實(shí)現(xiàn)

3．1圖像的神經(jīng)網(wǎng)絡(luò)識別

在使用何種方法進(jìn)行識別之前，本文做了大量的實(shí)驗(yàn)工作，實(shí)驗(yàn)發(fā)現(xiàn)無監(jiān)督分類方法如K均值分類方法、FCM分類方法等對醫(yī)學(xué)圖像全局特征的識別效果不是很理想。在有監(jiān)督分類方法中，應(yīng)用很廣泛的是神經(jīng)網(wǎng)絡(luò)方法，其具體的算法也是舉不勝舉。通過比較自組織神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、單層感知器神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)向量量化（LVQ）神經(jīng)網(wǎng)絡(luò)，最終采用了單層感知器神經(jīng)網(wǎng)絡(luò)[10]、BP神經(jīng)網(wǎng)絡(luò)[11]和學(xué)習(xí)向量量化（LVQ）神經(jīng)網(wǎng)絡(luò)[12]三種識別技術(shù)，分別利用特征級數(shù)據(jù)融合后的特征進(jìn)行識別，進(jìn)而采用多數(shù)投票法在決策級實(shí)現(xiàn)數(shù)據(jù)融合，得出最終識別結(jié)果。

單層感知器神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)向量量化（LVQ）神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)比較簡單，可以查閱所標(biāo)文獻(xiàn)。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)如下：

a)輸入層節(jié)點(diǎn)數(shù)為m個(gè)神經(jīng)元，輸入的是x1，x2，…，xm，就對應(yīng)著經(jīng)特征級數(shù)據(jù)融合之后的m維特征矢量。b)單隱層節(jié)點(diǎn)數(shù)u的設(shè)計(jì)可通過經(jīng)驗(yàn)公式u=m+l+α來確定。其中：l為分類總數(shù)；α一般取為1~10之間的常數(shù)。

c)按識別類別數(shù)確定輸出層節(jié)點(diǎn)數(shù)，并取BP網(wǎng)絡(luò)的激勵(lì)函數(shù)為非線性的Sigmoid函數(shù)。訓(xùn)練算法采用Levenberg－Marquardt算法（實(shí)驗(yàn)表明LM算法具有較強(qiáng)的穩(wěn)定性），訓(xùn)練精度設(shè)為e=0.005。

3．2基于多數(shù)投票法的決策級數(shù)據(jù)融合

多數(shù)投票法是決策級數(shù)據(jù)融合的一種簡單有效的方法。它利用單個(gè)分類器對給定測試樣本的輸出類別，將該測試樣本劃分到多數(shù)分類器具有相同決策的一類，無須作任何訓(xùn)練。

該方法類似于選舉中的投票過程，可以將整個(gè)分類系統(tǒng)看做是一個(gè)黑箱子，輸入一類樣本X，然后輸出一分類標(biāo)號j。用總體判決函數(shù)E(X)表示，即E(X)=j。為便于討論，將分類器k的輸出ek(X)用另一種形式表示。定義一個(gè)如下的二值特征函數(shù)Tk(X)：

Tk(X∈Ci)=1ek(X)=i；i∈A0其他值(3)

多種分類器相融合時(shí)，如采用多數(shù)投票法的融合策略，即整個(gè)系統(tǒng)的輸出以大多數(shù)分類器的識別結(jié)果為準(zhǔn)。

E(X)=j如果TE（X∈Ci)=max/i∈∧TE（X∈Ci)≥α×KM+1其他值(4)

大多數(shù)分類器選舉結(jié)果，即為由0≤α≤1所指定的分類器，參數(shù)值根據(jù)具體情況決定。若α=1/2，即半數(shù)以上分類器認(rèn)為輸入X為Ci類時(shí)，分類系統(tǒng)就將X分類為Ci[13]。

4實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)數(shù)據(jù)采集于江蘇大學(xué)附屬醫(yī)院影像診斷科的近2 000個(gè)病例4萬余幅腹部CT圖像。經(jīng)過選擇，確定了1 000幅人體腹部圖像作為本研究的實(shí)驗(yàn)數(shù)據(jù)。圖像尺寸均為512×512。它們分屬于正常和異常兩類數(shù)據(jù)。其中，正常數(shù)據(jù)500幅，異常數(shù)據(jù)500幅。神經(jīng)網(wǎng)絡(luò)分類時(shí)從中選取50幅正常和50幅異常圖像數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，余下的圖像用于驗(yàn)證分類效果。實(shí)驗(yàn)?zāi)康氖悄軐⑤斎氲母闻K圖像分成正常、異常兩類。對于每一幅圖像，共提取了如上所述的73維特征。圖2所示的一幅正常肝臟圖像和一幅異常肝臟圖像提取的特征值如表1所示。

本文采用MATLAB的princomp函數(shù)進(jìn)行特征級數(shù)據(jù)融合，通過對各主成分的累積貢獻(xiàn)率的分析表明，主元分析后的27維向量就可以99．718 4%表示分析前的73維向量。表2給出了三種神經(jīng)網(wǎng)絡(luò)和決策級數(shù)據(jù)融合后的識別率統(tǒng)計(jì)結(jié)果。從表中可以看到，采用決策級數(shù)據(jù)融合后取得了更高的識別率。

5結(jié)束語 

本文提出了一種將特征級數(shù)據(jù)融合與決策級數(shù)據(jù)融合相結(jié)合進(jìn)行圖像識別的算法；并做了大量的對比實(shí)驗(yàn)，取得了較好的實(shí)驗(yàn)結(jié)果，驗(yàn)證了所提算法的可行性。該算法具有很強(qiáng)的可擴(kuò)充性，在具體應(yīng)用的過程中，可以具體問題具體分析。比如為了提高識別率，可以提取更多特征作為特征級數(shù)據(jù)融合的輸入；在決策級數(shù)據(jù)融合中，也可以采用其他有效的分類算法。另一方面，如果能有效地進(jìn)行分割后提取局部特征用于識別的輸入向量，必將會(huì)取得更高的識別率。

參考文獻(xiàn)：

［1］邢曉芬，徐向民，黃曉泓，等.基于內(nèi)容的醫(yī)學(xué)圖像分類研究[J]．科學(xué)技術(shù)與工程，2007，7(1):85－88．

[2]陸麗珍，劉仁義，劉南．一種融合顏色和紋理特征的遙感圖像檢索方法[J]．中國圖象圖形學(xué)報(bào)，2004，9(3):328－332．

[3]劉安斐，李弼程，張先飛. 基于數(shù)據(jù)融合的多特征遙感圖像分類[J]． 數(shù)據(jù)采集與處理，2006， 21(4):463－467．

[4]洪流，張蔭錫．MATLAB 6．5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)[M]．北京：電子工業(yè)出版社，2003．

[5]HANIF M， ALI U． Optimized visual and thermal image fusion for efficient face recognition[C]//Proc ofthe 9th International Conference on Digital Object Identifier. 2006:1－6．

[6]MUGHAL M N， IKRAM W． Early lung cancer detection by classi－fying chest CT images:a survey[C]//Proc ofthe 8th IEEE Multitopic Conference on International Digital Object Identifier．2004:67－72．

[7]AHMADIAN A，MOSTAFA A，ABOLHASSANT M D， et al．A texture classification method for diffused liver diseases using Gabor wavelets[C]//Proc of the 27th Aunual International Conference on Enginee－ring in Medicine and Biology Society. 2005:1567－1570．

[8]屈景怡，史浩山．特征結(jié)合和相關(guān)反饋技術(shù)在醫(yī)學(xué)圖像檢索中的應(yīng)用[J]．電路與系統(tǒng)學(xué)報(bào)，2006，11(5):80－83．

[9]楊建坤，金德聞，王人成，等. 主元分析在研究滑倒時(shí)肌電信號中的應(yīng)用[J]．中國康復(fù)醫(yī)學(xué)雜志， 2006，21(1):28－30．

[10]飛思科技產(chǎn)品研發(fā)中心． MATLAB 6．5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)[M]．北京：電子工業(yè)出版社，2003．

[11]李穎，王欣威，董慧穎. 基于多神經(jīng)網(wǎng)絡(luò)分類器的軍事目標(biāo)識別方法研究[J]．沈陽理工大學(xué)學(xué)報(bào)，2005，24(4):18－22．

[12]韓立群．人工神經(jīng)網(wǎng)絡(luò)教程[M]．北京：北京郵電大學(xué)出版社，2006．

[13]楊彥飛，董慧穎．基于神經(jīng)網(wǎng)絡(luò)融合的目標(biāo)識別技術(shù)研究[J]．沈陽理工大學(xué)學(xué)報(bào)，2006，25(5):53－57．

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文