基于紋理特征和支持向量機的磁共振腦圖像組織分類

董朝旭+++年瑞

摘要： 磁共振腦圖像的是醫學診斷中的一種重要的手段，在此主要研究磁共振腦圖像的組織分類。分類以腦圖像各組織的紋理特征為依據。在試驗過程中采用區分度較高的特征值，組成特征向量，作為支持向量機的輸入，用改進的支持向量機進行分類。在特征向量數據優化和支持向量機參數尋優的條件下，可以取得較好的分類效果。

關鍵詞： 紋理特征； 支持向量機； 磁共振腦圖像； 參數尋優

中圖分類號： TN964?34 文獻標識碼： A文章編號： 1004?373X（2014）08?0135?03

MRI brain tissue classification based on texture features and support vector machines

DONG Zhao?xu， NIAN Rui

（Department of Electronics， Ocean University of China， Qingdao 266100， China）

Abstract： Magnetic resonance imaging （MRI） of brain is one of the important means of medical diagnosis. The tissue classification of the magnetic resonance brain images is studied mainly in this paper. The classification is based on the texture features of the MRI brain tissue. In the process of the experiment， high degree of distinction characteristic values was used to compose the feature vector， which was input into support vector machines （SVM） and was classified by the improved SVM. Better classification result can be obtained under the conditions of optimizing the feature vector data and the parameters of SVM.

Keywords： texture feature； support vector machine； magnetic resonance imaging of brain； parameter optimization

磁共振成像是一種高分辨率、無損傷、解剖結構顯示清楚的醫學成像技術，因此磁共振成像技術在醫療診斷重要的作用，尤其是在腦組織的研究中得到了廣泛的應用。支持向量機（SVM）是建立在統計學習理論的VC維（Vapnik?Chervonenkis Dimension）理論和結構風險最小原理基礎上的一種分類算法[1]。由于MRI腦圖像的各個不同腦組織具有的紋理特征，因此可以利用各個不同的腦組織的紋理特征，組成紋理特征向量作為支持向量機輸入進行腦組織的分割的依據。

1紋理特征提取

紋理是圖像分析中常用的概念，它用于描述圖像的局部特性。通常把描述紋理局部不規則而宏觀上有規律的特性的數字特征成為紋理特征[2]。灰度共生矩陣是一種經典基于統計特征的紋理特征提取方法，它反映了圖像上任意兩點間灰度的空間相關性[3]。設一圖像為[f(x,y)]，大小為[M×N]，灰度級[Ng]有：[p(i,j)=#{(x1,y1),(x2,y2)∈M×Nf(x1,y1) =i,f(x2,y2)=j}] （1）

式中：[#(x)]表示集合中[x]元素個數，若[(x1,y1),(x2,y2)]間距離為[d]，與橫坐標夾角為[θ]，則可以得到各種間距和角度的灰度共生矩陣[p(i,j,d,θ)]。常用反映灰度共生矩陣的統計量有對比度、熵、角二階矩（能量）、相關性、均值、方差、逆差矩、非相似度等[4]。

2支持向量機腦組織分割

支持向量機是Cortes和Vapnik等人提出的一種機器學習算法，其理論基礎是統計學習理論。統計學習理論是專門研究小樣本統計估計和預測的理論。

其中對支持向量機起關鍵作用的理論是VC維和結構風險最小化準則[5]。支持向量機最初源于數據分類問題的處理，SVM就是要尋找一個滿足要求的分割平面，使不同樣本集中的點距離該平面盡可能的遠，即尋找最優超平面。SVM是從線性可分情況下發展來的。如圖1所示。

最優超平面[ω?x+b=0]，對其歸一化后轉化為使用Lagrange乘子法的二次規劃問題，求解得最優分類函數：

[f(x)=sgn(i=1lyia*i(xi?x)+b*)] （2）

圖1 最優超平面

在線性不可分情況下運用核技巧來擴展線性支持向量機到線性不可分的數據分類中。核函數的采用相當于將原空間線性不可分的向量非線性映射到一個線性可分的特征空間[F:x?Φ(x)]，并在特征空間構造線性分類面，從而得到在原空間的非線性分類面 [6]。其對應的分類函數為：

[f(x)=sgn(i=1lyiα*iK(xi,x)+b*)] （3）

式中：[K(xi,x)]為核函數常用的支持向量機核函數有線性核、多項式核、高斯核函數核（RBF）和Sigmoid核等。本實驗采用RBF核函數：

[K(x,x')=e-||x-x'||2/σ2] （4）

RBF核函數具有可分離性、單值函數性、旋轉對稱性，所以RBF核函數的使用可以增強圖像分類的抗干擾能力和魯棒性，而且可以提高分類速度和分類準確率[7]。

3支持向量機MRI腦組織分類

在本實驗中所用的MRI腦圖像是青島大學附屬醫院徐浩老師提供的病人真實的MRI圖像，以真實的MRI圖像為研究對象，對后期實驗成果的普適性具有重要意義。實驗圖像如圖2~圖5所示。實驗首先提取腦干、小腦、胼胝體作為腦組織的樣本用于提取訓練集和測試集。

圖2 MRI腦圖像

在對圖像進行紋理特征提取的過程中，選取了具有較好區分度的對比度、熵、角二階矩和相關性4個特征量來構成特征向量[8]。作為支持向量機的輸入。為了獲得局部特征，需要將提取的各個腦組織的子圖像，然后在子圖像中提取響應的局部的紋理特征。通過實驗在此MRI腦圖像中發現[32×32]像素的分塊具有較好的分類準確率。

圖3 腦干

圖4 胼胝體

圖5 小腦

對提取的紋理特征數據進行處理，形成Matlab適用的數據格式。由于所提取的特征可能在量值上有很大的差異，為了避免大值特征淹沒了小值特征對分類的貢獻，所以可以對所提取的紋理特征值進行歸一化處理[f:x→y=x-xminxmax-xmin]，但是這應根據數據的具體情況而定[9]。所以在進行實驗過程中對進行歸一化和未進行歸一化的數據分別進行分類，來發現哪種情況下可以得到更好的分類準確率。

為了使SVM的能夠達到更好的分類效果，需要優化支持向量機的各個參數，主要是懲罰參數C和核函數參數g。在本實驗中采用交叉驗證（Cross Validation，CV）的方法來尋求最優參數[10]。該方法可以有效地避免過學習和欠學習狀態的發生。

在實驗中首先選取腦干和胼胝體進行2類的支持向量機分類，在實驗中分別使用了歸一化和未歸一化的數據進行分類對比分類準確率得到結果如表1所示。

從數據中可以看出對數據進行歸一化和選取最優參數后利用支持向量機對MRI腦組織進行分類可以得到較好的分類結果。

表1 兩類情況小的分類準確率對比

然后選取腦干、胼胝體和小腦進行3類腦組織的分類，分類結果如表2所示。

表2 三類情況下的分類準確率對比

從本組實驗數據可以看出對于3類的分類情況數據在未歸一化的情況下可以獲得較好的分類效果，分類準確率可以達到91.667%。

4實驗總結

通過對上述的實驗結果進行分析可以發現，對MRI腦圖像的腦組織進行紋理特征提取，然后作為支持向量機的輸入來進行腦組織分類，在數據處理和SVM參數優化后可以得到較好的分類結果。

但是在進行問題特征提取的過程中選哪些統計量來組成紋理特征十分重要，這些統計量的是否具有區分性，是后期用支持向量機進行分類的基礎。在本實驗中選取了具有代表性和區分性的4種統計量來構成特征向量。最后對支持向量機進行參數尋優，是支持向量機具有更好的分類效果，提高分類準確率的必要方法。

參考文獻

[1] 徐海祥，喻莉，朱光喜，等.基于支持向量機的磁共振腦組織圖像分割[J].中國圖象圖形學報，2005（10）：1277?1280.

[2] 韓國軍.基于特征選擇和支持向量機的紋理圖像分類[D].西安：西安電子科技大學，2009.

[3] 馮建輝，楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究[J].北京測繪，2007（3）：19?20.

[4] 馬莉，范影樂.紋理圖像分析[M].北京：科學出版社，2009.

[5] ARIVAZHAGAN S， GANESAN L. Texture segmentation using wavelet transform [J]. Pattern Recognition Letters， 2003， 24（16）： 3197?3203.

[6] 鄧乃揚，田英杰.數據挖掘中的新方法：支持向量機[M].北京：科學出版社，2006.

[7] 李寧，孫銘，王磊，等.基于支持向量機的肝纖維化CT圖像分類[J].北京生物醫學工程，2007，26（1）：41?43.

[8] 張婧.基于SVM的肺結節自動識別方法研究[D].廣州：華南理工大學，2011.

[9] 鄭慶慶.紋理特征提取及其在圖像分割中的應用研究[D].武漢：華中科技大學，2011.

[10] 劉慧.醫學圖像處理中的分割與檢索關鍵技術研究[D].濟南：山東大學，2008.

為了使SVM的能夠達到更好的分類效果，需要優化支持向量機的各個參數，主要是懲罰參數C和核函數參數g。在本實驗中采用交叉驗證（Cross Validation，CV）的方法來尋求最優參數[10]。該方法可以有效地避免過學習和欠學習狀態的發生。

在實驗中首先選取腦干和胼胝體進行2類的支持向量機分類，在實驗中分別使用了歸一化和未歸一化的數據進行分類對比分類準確率得到結果如表1所示。

從數據中可以看出對數據進行歸一化和選取最優參數后利用支持向量機對MRI腦組織進行分類可以得到較好的分類結果。

表1 兩類情況小的分類準確率對比

然后選取腦干、胼胝體和小腦進行3類腦組織的分類，分類結果如表2所示。

表2 三類情況下的分類準確率對比

從本組實驗數據可以看出對于3類的分類情況數據在未歸一化的情況下可以獲得較好的分類效果，分類準確率可以達到91.667%。

4實驗總結

通過對上述的實驗結果進行分析可以發現，對MRI腦圖像的腦組織進行紋理特征提取，然后作為支持向量機的輸入來進行腦組織分類，在數據處理和SVM參數優化后可以得到較好的分類結果。

但是在進行問題特征提取的過程中選哪些統計量來組成紋理特征十分重要，這些統計量的是否具有區分性，是后期用支持向量機進行分類的基礎。在本實驗中選取了具有代表性和區分性的4種統計量來構成特征向量。最后對支持向量機進行參數尋優，是支持向量機具有更好的分類效果，提高分類準確率的必要方法。

參考文獻

[1] 徐海祥，喻莉，朱光喜，等.基于支持向量機的磁共振腦組織圖像分割[J].中國圖象圖形學報，2005（10）：1277?1280.

[2] 韓國軍.基于特征選擇和支持向量機的紋理圖像分類[D].西安：西安電子科技大學，2009.

[3] 馮建輝，楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究[J].北京測繪，2007（3）：19?20.

[4] 馬莉，范影樂.紋理圖像分析[M].北京：科學出版社，2009.

[5] ARIVAZHAGAN S， GANESAN L. Texture segmentation using wavelet transform [J]. Pattern Recognition Letters， 2003， 24（16）： 3197?3203.

[6] 鄧乃揚，田英杰.數據挖掘中的新方法：支持向量機[M].北京：科學出版社，2006.

[7] 李寧，孫銘，王磊，等.基于支持向量機的肝纖維化CT圖像分類[J].北京生物醫學工程，2007，26（1）：41?43.

[8] 張婧.基于SVM的肺結節自動識別方法研究[D].廣州：華南理工大學，2011.

[9] 鄭慶慶.紋理特征提取及其在圖像分割中的應用研究[D].武漢：華中科技大學，2011.

[10] 劉慧.醫學圖像處理中的分割與檢索關鍵技術研究[D].濟南：山東大學，2008.

為了使SVM的能夠達到更好的分類效果，需要優化支持向量機的各個參數，主要是懲罰參數C和核函數參數g。在本實驗中采用交叉驗證（Cross Validation，CV）的方法來尋求最優參數[10]。該方法可以有效地避免過學習和欠學習狀態的發生。

在實驗中首先選取腦干和胼胝體進行2類的支持向量機分類，在實驗中分別使用了歸一化和未歸一化的數據進行分類對比分類準確率得到結果如表1所示。

從數據中可以看出對數據進行歸一化和選取最優參數后利用支持向量機對MRI腦組織進行分類可以得到較好的分類結果。

表1 兩類情況小的分類準確率對比

然后選取腦干、胼胝體和小腦進行3類腦組織的分類，分類結果如表2所示。

表2 三類情況下的分類準確率對比

從本組實驗數據可以看出對于3類的分類情況數據在未歸一化的情況下可以獲得較好的分類效果，分類準確率可以達到91.667%。

4實驗總結

通過對上述的實驗結果進行分析可以發現，對MRI腦圖像的腦組織進行紋理特征提取，然后作為支持向量機的輸入來進行腦組織分類，在數據處理和SVM參數優化后可以得到較好的分類結果。

但是在進行問題特征提取的過程中選哪些統計量來組成紋理特征十分重要，這些統計量的是否具有區分性，是后期用支持向量機進行分類的基礎。在本實驗中選取了具有代表性和區分性的4種統計量來構成特征向量。最后對支持向量機進行參數尋優，是支持向量機具有更好的分類效果，提高分類準確率的必要方法。

參考文獻

[1] 徐海祥，喻莉，朱光喜，等.基于支持向量機的磁共振腦組織圖像分割[J].中國圖象圖形學報，2005（10）：1277?1280.

[2] 韓國軍.基于特征選擇和支持向量機的紋理圖像分類[D].西安：西安電子科技大學，2009.

[3] 馮建輝，楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究[J].北京測繪，2007（3）：19?20.

[4] 馬莉，范影樂.紋理圖像分析[M].北京：科學出版社，2009.

[5] ARIVAZHAGAN S， GANESAN L. Texture segmentation using wavelet transform [J]. Pattern Recognition Letters， 2003， 24（16）： 3197?3203.

[6] 鄧乃揚，田英杰.數據挖掘中的新方法：支持向量機[M].北京：科學出版社，2006.

[7] 李寧，孫銘，王磊，等.基于支持向量機的肝纖維化CT圖像分類[J].北京生物醫學工程，2007，26（1）：41?43.

[8] 張婧.基于SVM的肺結節自動識別方法研究[D].廣州：華南理工大學，2011.

[9] 鄭慶慶.紋理特征提取及其在圖像分割中的應用研究[D].武漢：華中科技大學，2011.

[10] 劉慧.醫學圖像處理中的分割與檢索關鍵技術研究[D].濟南：山東大學，2008.