原發(fā)性肝癌CT圖像紋理研究

摘要：目的：研究圖像紋理分析方法對原發(fā)性肝癌CT圖像識別能力。方法：選擇我院在2010年3月-2013年3月間收治得30例確診為原發(fā)性肝癌患者的CT圖像和30例確診正常肝CT圖像為研究樣本，采用一階統(tǒng)計特征、灰度共生矩陣、灰度行程矩陣等提取方式提取正常肝癌和原發(fā)性肝癌CT圖像紋理特征，通過t檢驗進行特征選擇和分類識別。結果：一階矩、和均質在正常肝和原發(fā)性肝癌中的差異有統(tǒng)計學意義（P<0.05），但是熵在正常肝和原發(fā)性肝癌之間的差異無統(tǒng)計學意義，分別選取樣本做檢測和訓練樣本的神經(jīng)網(wǎng)絡分析方法原發(fā)性肝癌檢出率達到了93.45±5.33%。結論：神經(jīng)網(wǎng)絡設計優(yōu)化后對原發(fā)性肝癌有著很高得到識別準確率，在原發(fā)性肝癌計算機輔助診斷中有著一定的應用價值。

關鍵詞：原發(fā)性肝癌；特征選擇；圖像紋理

【中圖分類號】R735.7 【文獻標識碼】A 【文章編號】1672-8602（2015）03-0018-01

原發(fā)性肝癌是肝細胞或者肝內(nèi)膽管上皮細胞的惡性腫瘤，在致死性惡性腫瘤中位于第5位。CT是各種影像學檢查中能夠比較準確反映肝臟病理形態(tài)的一種檢測方法[1]。彌散性和非彌散性肝臟疾病主要的診斷學區(qū)分特征是正常組織是否被破壞，在CT圖像上主要體現(xiàn)為圖像紋理的變化，而根據(jù)不同CT圖像紋理特征差異，能夠通過計算機進行原發(fā)性肝癌和正常肝組織的識別與分析，對于我國肝癌患者數(shù)量眾多，診斷工作繁重的現(xiàn)狀來說，實現(xiàn)計算機診斷是有著重要意義的。本次研究以我院在2008年3月-2013年3月間收治的40例確診為原發(fā)性肝癌患者的CT圖像和40例確診正常肝CT圖像為研究對象，對原發(fā)性肝癌CT圖像紋理進行了研究。

1 資料與方法

1.1 一般資料

選擇我院在2008年3月-2013年3月間收治得30例確診為原發(fā)性肝癌患者的CT圖像和30例確診正常肝CT圖像為研究樣本，全部樣本在年齡、受教育程度等方面差異無統(tǒng)計學意義（P>0.05）。

1.2 方法

將選擇的80個樣本圖像采集并存儲在計算機上，選擇圖像興趣區(qū)。由經(jīng)驗豐富的醫(yī)師指導，選取80個20*20的興趣區(qū)，40個為正常肝，40個屬于原發(fā)性肝癌。

1.2.1 紋理特征提取

選用一階統(tǒng)計特征、灰度共生矩陣、灰度行程矩陣三種提取策略提取紋理特征[2]。

1.2.2 特征選擇

不是每個特征都能夠用于樣本圖樣區(qū)分，對于某個特定特征，兩個樣本差異顯著才可記為有效特征，否則為冗余特征。

采用t檢驗時，首先選擇兩類類性特征樣本值，此時兩類特征值方差不等并且未知，建立基本假設：

H0：△：μ=μ1-μ2≠0

H1：△μ=μ1-μ2≠0

進行t檢驗，H0成立時可獲得統(tǒng)計量。

1.2.3 神經(jīng)網(wǎng)絡識別

采用BP神經(jīng)網(wǎng)絡進行正常肝和原發(fā)性肝癌分類，輸入層、隱含層和輸出層組成分類器，輸入層中包含和有效特征數(shù)目相等的輸入神經(jīng)元，隱含層有十個，輸出層有一個。設置收斂判斷值為0.0001，訓練步數(shù)最大200，如果訓練數(shù)據(jù)和網(wǎng)絡輸出誤差平方低于這兩個限度，可認為網(wǎng)絡收斂[3]。

1.3統(tǒng)計學處理

在本次研究中采用統(tǒng)計學軟件SPSS20.0 對統(tǒng)計的數(shù)據(jù)進行處理，計量資料采用t檢驗，計數(shù)的資料采用χ2檢驗，以（P<0.05）為差異具有統(tǒng)計學意義。

2 結果

2.1 統(tǒng)計特征

采用上述圖像問題采樣算法，每個興趣區(qū)都采集28個特征問題，通過t檢驗選擇有效特征，顯著性差異水平取0.05，一階統(tǒng)計特征有15個特征差異顯著，其余為冗余特征。特征數(shù)目量較大，不便直接列取，為了校驗t檢驗特征值是否準確，在有效特征中選擇一階矩、和困之和冗余特征熵，觀察不同特征在不同性質圖像上統(tǒng)計分布差異，如表2-1：

一階矩、和均質在正常肝和原發(fā)性肝癌中的差異有統(tǒng)計學意義（P<0.05），但是熵在正常肝和原發(fā)性肝癌之間的差異無統(tǒng)計學意義，無法將其從兩個樣本中分開，結果和t檢驗特征選擇相符，證明這種選擇機制比較準確。

2.2 神經(jīng)網(wǎng)絡識別

在神經(jīng)網(wǎng)絡分類器中輸入經(jīng)過t檢驗選擇的特征向量，使用MATLAB神經(jīng)網(wǎng)絡工具箱進行分析計算和函數(shù)仿真模擬。不同特征量物理意義不同，有著各自的動態(tài)范圍，這種特征有著明顯的不可比性，分類前需要對特征值進行歸一化處理，特征值取上限，μ取下限做歸一化處理，調整到[0，1]之間：

方案A的識別率達到了100%，但是方案A的全部樣本即是訓練集又是測試集，樣本識別結果失去了客觀性，方案B對原發(fā)性肝癌的識別率達到了93.45±5.33%，說明應用方案B的神經(jīng)網(wǎng)絡分析方法對肝臟CT圖像有著很高識別率，這是符合模式辨識理論規(guī)律的，對于未學習過的樣本需要根據(jù)已學習樣本訓練結果進行推理，識別率雖然有所下降，但是結果有著較好客觀性。

3 討論

原發(fā)性肝癌是世界范圍內(nèi)致死率第五的惡性腫瘤，我國的發(fā)病率也很高，嚴重威脅了患者的生命健康，我國肝癌患者眾多，給診斷和普查工作帶來了很大困難，長期以來，使用計算機進行肝癌CT圖像紋理分析還缺乏高效準確的算法，成為實現(xiàn)原發(fā)性肝癌CT圖像的計算機輔助診斷的主要技術難題[4]。本次研究選擇了一階統(tǒng)計、灰度共生矩陣和灰度差分矩陣圖像紋理取樣算法，提高了樣本采集的代表性：

①一階統(tǒng)計特征

是圖像灰度的一階概率分布，是一種比較基本的紋理特征描述。

P（I）=灰度級為1的像素數(shù)/區(qū)域內(nèi)總像素數(shù) （1-1）

②灰度共生矩陣

通過估計圖像二階組合條件概率密度函數(shù)提取特征。描述四個方向上距離為d的一對象元具有灰度i和j的概率，每個元素都有距離、角度、灰度值和概率4個特征值，通過灰度共生矩陣能夠計取對比度、相關系數(shù)、和方差等共13個特征量，從每個興趣區(qū)中都能夠提取13個特征值。

③灰度行程矩陣

是連續(xù)、共線，灰度級相同的像素點，通過某個既定圖像能夠計算獲得灰度游程矩陣，表示四個方向上灰度g，長度d灰度串出現(xiàn)的總次數(shù)，能夠提取短行程優(yōu)勢、長形成優(yōu)勢、灰度不均勻度度量以及行程總數(shù)百分率等參數(shù)量。

同時應用了神經(jīng)網(wǎng)絡進行原發(fā)性肝癌識別，經(jīng)過兩種方案分析準確率的比較，證明1/3樣本作為測試樣本，2/3作為訓練樣本的分析方式對原發(fā)性肝癌的檢出率為93.45±5.33%，說明基于神經(jīng)網(wǎng)絡的原發(fā)性肝癌CT圖像計算機輔助診斷有著理想的識別能力，有著很高的臨床推廣價值。

參考文獻

[1] 郭塹，農(nóng)村立，等.圖像紋理分析技術在肝纖維化CT圖像分析中的應用研究進展[J].實用肝臟病雜質，2009，12（3）：229-230.

[2] 劉建華，王建偉.基于圖像處理的CT圖像肝癌診斷技術研究[J].清華大學學報，2014，51（7）：917-923.

[3] 李桂樹.分維方法在肝癌超聲圖像紋理識別中的性能比較研究[J].中南大學學報，2011，42（9）：2747-2748.

[4] 陶政.原發(fā)性彌漫結節(jié)型肝癌與多發(fā)結節(jié)型轉移性肝癌的CT表現(xiàn)[J].醫(yī)技與臨床，2014，12（25）：68-70.