基于灰度共生矩陣的肝癌B超紋理特征決策樹診斷分析

張 慧* 遲慶云劉彩霞

（1 棗莊礦業(yè)集團(tuán)棗莊醫(yī)院B超室，山東 棗莊 277101；2 棗莊學(xué)院信息科學(xué)與工程學(xué)院，山東 棗莊 277101）

基于灰度共生矩陣的肝癌B超紋理特征決策樹診斷分析

張 慧1* 遲慶云2劉彩霞2

（1 棗莊礦業(yè)集團(tuán)棗莊醫(yī)院B超室，山東 棗莊 277101；2 棗莊學(xué)院信息科學(xué)與工程學(xué)院，山東 棗莊 277101）

目的 應(yīng)用灰度共生矩陣和決策樹分類的挖掘的方法對(duì)肝臟B超紋理特征進(jìn)行分析，探討肝臟B超影像紋理特征在肝臟惡性病灶中的應(yīng)用。方法 隨即選取120例正常肝臟、肝臟良性病變，肝臟惡性腫瘤的肝臟B超影像進(jìn)行增強(qiáng)去噪處理，通過構(gòu)建反映共生矩陣各角度信息的灰度共生矩陣提取紋理特征參數(shù)，結(jié)合決策樹算法進(jìn)行分析診斷（所有患者術(shù)前均進(jìn)行二維超聲，術(shù)后經(jīng)病理手術(shù)確認(rèn)）。結(jié)果 實(shí)驗(yàn)表明該方法對(duì)整個(gè)肝臟典型病理影像分類的準(zhǔn)確度達(dá)到83.33%，在判斷惡性病變時(shí)，查全率為83.3%，查準(zhǔn)率為73.9%，調(diào)和均值F_mean 90.9%，接受者操作特征（ROC）85.3%，具有較高的診斷率。結(jié)論 該方法是分析肝臟影像圖的一種快速有效的紋理特征分析方法。提取的紋理特征對(duì)圖像內(nèi)容有較好的分區(qū)性，為臨床上輔助診斷肝臟疾病提供了量化依據(jù)，也為后期圖像識(shí)別，圖像數(shù)據(jù)挖掘和圖像檢索提供了很好的特征數(shù)據(jù)。

肝臟；良惡性病變；灰度共生矩陣；紋理特征；決策樹

原發(fā)性肝癌是我國最常見的惡性腫瘤之一，其病死率位于我國惡性腫瘤患者第二位，近年來其發(fā)病率迅速上升；盡早發(fā)現(xiàn)及鑒別對(duì)提高患者治療效果具有積極意義[1]。目前AFP和B超檢查是普查肝癌的常規(guī)方法，其中B超檢查具有操作簡單，無創(chuàng)傷性，可定位，重復(fù)性好等特點(diǎn)，成為普查和隨訪定位診斷的首要方法[2]，但B超具有較大的主觀性和局限性，因此從B超圖像中挖掘出隱藏的知識(shí)對(duì)幫助醫(yī)師診斷肝癌有著顯著的意義。

人體肝臟B超影像是由細(xì)小回聲光點(diǎn)構(gòu)成，這些細(xì)小光點(diǎn)是肝臟紋理的基本單位，各光點(diǎn)之間的結(jié)構(gòu)相似。正常肝臟的回聲光點(diǎn)分布均勻，當(dāng)有肝癌發(fā)生時(shí)，肝臟微結(jié)構(gòu)發(fā)生變化，超聲圖像上就會(huì)看到光點(diǎn)粗細(xì)與分布的差異，反映在圖像上，就會(huì)造成圖像紋理的不同。圖像的紋理特征是由圖像上紋理的不同而造成的灰度值有規(guī)則的分布，提取合適的、有利于計(jì)算機(jī)識(shí)別處理的圖像紋理特征是計(jì)算機(jī)輔助診斷的關(guān)鍵技術(shù)之一[3]。20世紀(jì)70年代，Haralick等提出了灰度共生矩陣方法（GLCM）[4]，GLCM是紋理特征提取統(tǒng)計(jì)方法中最具典型的一種算法。GLCM應(yīng)用比較廣泛，比如黃晶[5]結(jié)合圖像本身特點(diǎn)和實(shí)驗(yàn)數(shù)據(jù)選取最優(yōu)間距和方向角度進(jìn)行特征提取和分析。李陸陸[6]提出了基于聯(lián)合灰度信息的灰度共生矩陣和MRF的紋理圖像分割方法。GLCM在醫(yī)學(xué)領(lǐng)域也得到了廣泛應(yīng)用。文獻(xiàn)[7-9]研究了GLCM在醫(yī)學(xué)圖像中的應(yīng)用。目前，超聲影像輔助診斷肝癌的研究比較少，只有一些文獻(xiàn)對(duì)肝癌的紋理特征進(jìn)行了研究。本文在分析肝臟B超影像的基礎(chǔ)上，結(jié)合增強(qiáng)去噪算法提出了基于灰度共生矩陣和決策樹分類挖掘的紋理特征分析方法，提高肝癌B超的檢出率。

1　資料與方法

1.1研究對(duì)象：隨機(jī)選取2010年1月至2015年1月棗莊礦務(wù)集團(tuán)棗莊醫(yī)院B超室肝癌圖像40例[女性12例，男性28例；年齡（52±14.2）歲]經(jīng)過手術(shù)病理或是經(jīng)CT、MRI等綜合影像分析確診，正常肝臟B超圖像40例[女性20例，男性20例；年齡（46±8.7）歲]，肝臟良性病變B超圖像40例[女性18例，男性22例；年齡（51±1.2）歲]。

1.2圖像來源：所研究的B超圖像均采用荷蘭飛利浦公司提供的IU22型彩色超聲診斷儀進(jìn)行測定，探頭為C3-1頻率為3.5 MHz。采集幀數(shù)由超聲設(shè)備自動(dòng)調(diào)節(jié)，肝臟掃查順序依次為：縱掃、右肋弓下掃、水平搜查和右肋間掃查。

圖1　肝臟B超影像預(yù)處理

圖2　肝臟B超影像紋理特征對(duì)比

圖3　決策樹診斷結(jié)果

1.3圖像分析及數(shù)據(jù)處理

1.3.1基于灰度共生矩陣的肝臟B超影像紋理特征分析：①灰度共生矩陣：首先對(duì)于一幅圖像定義一個(gè)方向和一個(gè)以像素為單位的步長，定義一個(gè)灰度級(jí)為i和j的像素同時(shí)出現(xiàn)在一個(gè)點(diǎn)和沿所定義的方向跨度步長的點(diǎn)上的頻率。這里設(shè)f（x，y）為一幅肝臟B超圖像，其大小為M×N，灰度級(jí)別為G，則滿足一定空間關(guān)系的灰度共生矩陣為：P（i，j)=#｛（χ1，y1)，（χ2，y2)∈M×N|f（χ1，y1)，=i，f（χ2，y2)=i｝。在對(duì)肝臟圖像計(jì)算得到共生矩陣之后，在此基礎(chǔ)上計(jì)算紋理特征量，Haraliek提出了用于分析灰度共生矩陣的14個(gè)特征。在本次研究中我們選取對(duì)比度、能量、同質(zhì)性、自相關(guān)四個(gè)表示紋理的特征量進(jìn)行研究分析。②肝臟B超影像紋理特征分析：肝臟B超影像一般為768×576的灰度圖片，見圖1（a），原圖中除了感興趣的肝臟外，還包含較多的背景區(qū)域，這里我們采用水平和垂直投影法獲得感興趣的區(qū)域，見圖1（b）。首先對(duì)圖像進(jìn)行直方圖均衡化和中值濾波等增強(qiáng)和去噪處理（圖1（c）），生成（0°，45°，90°，135°）四個(gè)方向的共生矩陣，對(duì)每個(gè)共生矩陣提取相應(yīng)的紋理特征，本文用了對(duì)比度、自相關(guān)性、能量和同質(zhì)性共4個(gè)特征，然后對(duì)每一特征計(jì)算四個(gè)方向的平均值和均方差，得到8個(gè)與旋轉(zhuǎn)方向無關(guān)的紋理特征作為分類器的輸入，用于確定肝臟圖像是正常還是異常。

1.3.2基于決策樹的肝臟疾病診斷：決策樹分類算法是數(shù)據(jù)挖掘領(lǐng)域一個(gè)比較重要的分類算法。隨機(jī)抽取部分樣本作為訓(xùn)練樣本，剩余的樣本作為測試樣本，然后用C4.5算法建立決策樹，經(jīng)過剪枝優(yōu)化，對(duì)得到的決策樹進(jìn)行規(guī)則提取和測試樣本分類，最后計(jì)算分類準(zhǔn)確率。對(duì)于所有的實(shí)驗(yàn)，整個(gè)數(shù)據(jù)集上均采用國際上通用的評(píng)估指標(biāo)：查全率、查對(duì)率、F_mean作為衡量分類模型性能的評(píng)價(jià)標(biāo)準(zhǔn)。調(diào)和均值F_mean計(jì)算公式如下：其中Recall為查全率，Precision為查準(zhǔn)確率

2　實(shí)驗(yàn)結(jié)果

按照上述方法，分別對(duì)三組影像經(jīng)圖像進(jìn)行預(yù)處理及特征提取，提取了對(duì)比度、自相關(guān)性、能量和同質(zhì)性共4個(gè)特征，通過對(duì)其四個(gè)方向平均值和均方差得到8個(gè)紋理特征存入圖像特征數(shù)據(jù)庫，作為決策樹判斷的輸入。見表1和圖2。

表1　三組B超影像紋理中4個(gè)特征參數(shù)比較

肝臟B超影像在8個(gè)紋理特征矩陣的比較如圖2所示。從圖2中可以看出，在這圖像紋理特征中，對(duì)比度（Contrast）均值和能量（Energy）均值在肝臟發(fā)生病變時(shí)，差異比較大，特別是肝癌（liver cancer）時(shí)，對(duì)比度均值尤為突出；肝血管瘤（hepatic hemangioma）時(shí)，能量均值變化明顯；而其他紋理特征差異在肝臟異常時(shí)，基本變化不大，導(dǎo)致特征曲線重合，只有肝癌（liver cancer）時(shí)，波動(dòng)較明顯。將處理后產(chǎn)生的紋理特征數(shù)據(jù)庫采用C4.5算法進(jìn)行決策樹分析，產(chǎn)生圖3決策樹。

實(shí)驗(yàn)表明，對(duì)整個(gè)肝臟典型病例影像分類準(zhǔn)確率83.33%。在判斷惡性病變（Liver Cancer）時(shí)，查全率83.3%，查準(zhǔn)率73.9%，調(diào)和均值F_mean 90.9%，接受者操作特征（ROC）85.3%。

3　討 論

肝臟B超作為肝癌的輔助檢查手段，有著其他方法無法比擬的優(yōu)勢。B超不但灰度分辨率高，而且包含大量與臨床相關(guān)的紋理特征信息。建立新的圖像提取技術(shù)和診斷方法，對(duì)提高B超檢查的診斷效率，有著重要的意義。當(dāng)肝臟發(fā)生病變時(shí)，肝臟微結(jié)構(gòu)發(fā)生了明顯變化，從而使正常肝臟與異常肝臟B超影像之間的紋理特征出現(xiàn)了較大的差別，表現(xiàn)為圖像紋理粗糙。從紋理特征提取結(jié)果為醫(yī)師臨床輔助診斷肝臟疾病提供了量化依據(jù)，也為后期圖像識(shí)別、圖像數(shù)據(jù)挖掘和圖像檢索等提供了很好的特征數(shù)據(jù)。

實(shí)驗(yàn)過程中，我們從隨機(jī)的120幅肝臟影像應(yīng)用灰度共生矩陣提取了8個(gè)紋理特征向量，并采用了灰度共生矩陣衍生的多個(gè)二次統(tǒng)計(jì)量進(jìn)行研究，最終發(fā)現(xiàn)對(duì)比度均值和能量均值在肝癌發(fā)生時(shí)，差別較明顯，具有很好的描述能力。紋理分析結(jié)合數(shù)據(jù)挖掘中的決策樹技術(shù)對(duì)B超影像進(jìn)行診斷分析，尤其在肝癌方面，查全率、查準(zhǔn)率明顯增高；根據(jù)ROC結(jié)果，該類技術(shù)的敏感性增高。當(dāng)然在該技術(shù)方法分析中，高質(zhì)量獲得B超影像尤為重要，但在現(xiàn)實(shí)生活中，其B超影像還受拍攝位置、拍攝儀器等多方面原因影響。

綜上所述，基于灰度共生矩陣的肝臟B超紋理特征決策樹診斷方法為肝癌診斷及鑒別提供了全新的方法，為肝臟良惡性病變的診斷提供了參考依據(jù)，為治療方案的設(shè)計(jì)和調(diào)整提供了參考，具有很好的實(shí)用價(jià)值。但是探索肝臟B超圖像量化在肝臟疾病診斷中的應(yīng)用依舊是一項(xiàng)復(fù)雜的任務(wù)，目前的研究仍舊處于起步階段。

[1]冀建峰，周巍，郭佳，等.超聲彈性成像鑒別肝臟良惡性腫瘤的價(jià)值評(píng)估[J].中國超聲醫(yī)學(xué)雜志，2011，27（3)：243-245.

[2]林森浩，丁紅.超聲彈性成像評(píng)價(jià)肝臟硬度的研究進(jìn)展[J].中華肝膽外科雜志，2012，18（2)：158-160.

[3]郭依正，焦蓬蓬，周巧扣，等.基于灰度共生矩陣的肝臟CT圖紋理特征分析[J].實(shí)驗(yàn)室研究與探索，2012，31（8)：62-64.

[4]Haraliek RM，Shanmugam K，Dinstein I.Texture features for imageclassification[J].IEEE Transon SMC，1973，3（6)：610-621.

[5]黃晶.基于分形維度與灰度共生矩陣的圖像分類研究[D].武漢：武漢理工大學(xué)，2008.

[6]李陸陸.基于灰度共生矩陣和MRF的紋理圖像分割[D].大連：遼寧師范大學(xué)，2013.

[7]朱福珍，吳斌.基于灰度共生矩陣的脂肪肝B超圖像特征提取[J].中國醫(yī)學(xué)影像技術(shù)，2006，22（2)：287-289.

[8]Yeh WC，Huang SW，Li PC，et a1.Liver fibrosis grade classification with B-mode ultrasound[J].Ultrasound Med Biol，2003，29（9)：1229-1235.

[9]焦蓬蓬，郭依正.特征級(jí)數(shù)據(jù)融合在醫(yī)學(xué)圖像檢索中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（6)：217-220.

Decision Tree Diagnosis Analysis of Liver B Ultrasonic Feature

ZHANG Hui1*，CHI Qing-yun2, LIU Cai-xia2
（1 Department of B-Ultrasound Room，Zaozhuang Mining Group Zaozhuang Hospital，Zaozhuang 277101，China； 2 School of Information Science and Engineering，Zaozhuang University，Zaozhuang 277101，China）

Objective To study the application of the liver B ultrasonic image texture feature in malignant liver lesions through the method of data mining on liver B ultrasonic texture image feature analysis，based on gray level co-occurrence matrix （GLCM） and decision tree classification. Method 120cases of liver B ultrasound image of normal，benign and malignant tumors were selected for analysis. After enhancement denoising processing，the parameter information of texture feature was extracted through constructing the GLCM，reflecting angle information of co-occurrence matrix. Then analysis diagnosis was performed in combination with decision tree algorithm （all of the patients were examined with preoperative 2D ultrasound，and confirmed by the pathological examination）. Results Using this method，the liver typical pathological image classification accuracy can reach 83.33%. For malignant lesions，the recall rate was 83.3%，the precision rate was 73.9%，the harmonic mean F_mean was 90.9% and receiver operating characteristic （ROC） 85.3%. These results show that this method has higher diagnostic rate. Conclusion Texture features calculation method in this paper is a rapid and effective method to analyze the liver B ultrasonic texture image feature，with higher classification accuracy than other methods. This method may be an effective way for clinical assistant diagnosis. It can provide quantitative basis for diagnosis of liver disease. Besides，it also provides typical data for image recognition，data mining and image indexing.

Liver； Benign and malignant lesions； Gray symbiotic matrix； Texture feature； Decision tree

R735.7

B

1671-8194（2015）25-0002-02

數(shù)據(jù)挖掘在醫(yī)學(xué)影像中的應(yīng)用研究[山東省高等學(xué)校科技計(jì)劃基金資助項(xiàng)目（J13LN56）

E-mail:XWK3515@163.com