【作者】徐文銘，顏國正，王志武，劉 剛，鄺 帥，趙少鵬

上海交通大學儀器科學與工程系，上海市，200240

一種基于SVM的膠囊內窺鏡出血智能識別方法

【作者】徐文銘，顏國正，王志武，劉 剛，鄺 帥，趙少鵬

上海交通大學儀器科學與工程系，上海市，200240

由于Wireless Capsule Endoscopy(WCE)在消化道中采集到的巨大數量的圖像均需要醫務人員靠肉眼來排查，給醫生帶來巨大的負擔。該文提供了一種基于支持向量機(Support Vector Machine，SVM)分類器的膠囊內窺鏡出血智能識別方法，創立一種新的特征參數，并對SVM參數的選擇進行實驗優化，最終達到94%的特異度與83%的靈敏度。

特征提取；SVM；出血檢測；無線膠囊內窺鏡；顏色空間

0 引言

消化道出血是人體臨床最常見的消化道疾病之一，也是眾多嚴重疾病的前期信號。臨床上傳統的消化道檢測采用插管式，給病人帶來巨大痛苦，而且有腸穿孔的危險，內窺鏡的交互使用又增加了病人間相互感染的幾率。在對消化道小腸部分檢查時更是無法使用內窺鏡進行檢查，只能進行手術。對消化道檢查最好的辦法就是直接獲取內部圖像，相比X-光，超聲波檢測這些間接測量方法，WCE(Wireless Capsule Endoscopy)更加可靠[1]。因此WCE作為一種具有無痛無創、全消化道覆蓋等優點的新型檢查裝置被廣泛用于臨床消化道檢測。早在2000年，Given Imaging公司就生產了第一個型號為M2A的WCE。M2A膠囊內窺鏡的直徑為11 mm，長為30 mm，體積小可以讓病人吞咽下去。WCE在臨床上給病人帶來極大的便利的同時，也給醫務人員帶來極大的困擾。目前市面上已經出現的WCE產品每秒幀率在2 ～30 之間不等，最大時長在8 h左右[2-3]。取平均值16 f/s進行計算總共產生16×60×60×8 =460 800張圖像，在近50萬張的照片中尋找有出血病灶的圖片不僅費時費力，而且在視覺疲勞時極易錯過有出血征兆的圖像，所以說幾乎是人力不可完成的任務。而隨著技術的進步，WCE視頻幀率越來越高，屆時給醫生帶來的檢測負擔將更為嚴重。

隨著圖像處理和模式識別技術的發展，通過計算機來輔助自動化識別出血圖片成為必然趨勢。Given Imaging 公司雖然提供了消化道出血特征自動識別的軟件 SBI(Suspected Blood Indicator)， 但是該軟件的識別精度不夠高還不足以代替人工的檢測，據報導其靈敏度(sensitivity)與特異度(specificity)均達不到讓人滿意的程度[4]，因此該軟件的可靠性不足以滿足醫學診斷要求。因此，有很多學者從事WCE出血自動識別的研究，致力于提高特異度與靈敏度。根據目前主流的出血特征提取方法可分為三種：（1）基于全局圖像的方法 Liu J等在文獻[5]中提出了基于RGB空間用全局顏色直方圖來提取特征，Li B等在文獻[6]提出了基于HSI顏色空間的全局特征提取，使用不同的分類方法將圖像直接判斷為出血圖片或非出血圖片，基于圖像的特征提取通常是作為一個整體來計算，運行速度快但是會錯過一些較小面積出血的識別；（2）基于局部圖像區域的方法 文獻[7-9]對圖像進行分塊處理，提取局部特征，Li B等在文獻[10]中提出基于色度矩和局部二值模式結合的紋理特征方法；（3）基于像素特征的方法 Pan G等在文獻[3]中提出了基于PNN的出血像素提取方法。選擇基于像素的特征提取方法，像素計算量大，會導致計算復雜度的升高，要選擇合適的算法。

本文提出了一種新的基于像素的特征提取方法，基于RGB顏色空間，使用SVM分類器進行WCE出血檢測。

1 圖像預處理與特征提取

在分析彩色圖像或者顏色特征提取之前，首先就要選定合適的顏色空間。常見的顏色空間有RGB、CMY、CMYK、CIELAB、YUV、HSV、HSI等等。針對不同的應用選擇不同顏色空間。RGB空間三個通道相互獨立，用R代表紅色出血特征較容易被識別，因此首選RGB空間。盡管大多數消化道圖片都呈現紅色，如圖1所示(a)圖是正常消化道圖像，(b)圖是出血圖像，但明顯出血圖像中的紅色飽和度更高。本文將紅色作為主要評價參數來判斷出血圖像。

圖1 圖片對比Fig.1 Contrast images

在圖像出血特征提取眾多方法中最直接的就是對其RGB三通道的色彩進行提取，因為顏色是出血圖像中最重要的特征。本文實驗樣本的圖像來源于Given Imaging公司網站上公開提供的兩段視頻，我們從中提取了720幀不同的圖像。在進行特征提取之前必須對圖像進行預處理，包括圖像尺寸的規范化，顏色空間轉化等。如本文圖片原始格式大小為240×320，是從視頻中按幀提取圖片時保存為24 bit的RGB彩色圖像，RGB每個通道相當于8 bit的灰度圖像。在圖像預處理中首先將圖片的黑色邊框部分裁剪掉，處理后的圖像尺寸為207×85。對該主體圖像部分將RGB三個通道的矩陣分別轉化為一維的行向量以方便后續得特征提取，所得的每一維向量的維度是207×85=17 595。

由圖2某出血圖像RGB顏色直方圖曲線可知藍色分布比較集中，藍色在整個分類中不占主導作用。由于我們目的是提取紅色，而綠色對亮度影響較大，在文獻[5]中采用紅色像素除以綠色像素即R(i) /G(i) 來作為判斷是否為出血點的依據。但在實際運算中會出現綠色像素為0，所以R(i)/G(i) 像素比趨向于無窮大。該文采取R(i)/[G(i)+R(i)]的像素比作為判斷出血點的依據，可避免出現無窮大現象。每張圖片的像素比例特征向量維度為17 595，這么大的特征維度會大幅降低運行速度和識別效率。由于圖像中相鄰像素之間的顏色差別不大，因此在將特征向量作為輸入之前，對向量進行縮放采樣。根據經驗采樣間隔d選為19（選擇間距時要注意不要使之能被圖片的寬度85整除，以保持采樣像素點的隨機性）將維度降到927。將720幀圖片作為輸入，得到一個720×927的矩陣，代表720個樣本，每個樣本有927個特征參數。

圖2 出血圖片的RGB顏色直方圖Fig.2 RGB color histogram of a bleeding image

2 支持向量機

支持向量機是由Vapnik V在AT&T貝爾實驗室時發明的模式識別算法，主要的思路是通過運用核函數的非線性映射將輸入向量映射到高維的空間。然后在此高維空間找到一個線性分類超平面使其兩類別之間出現最大的距離。也就是說，給定一組輸入標定為屬于1類或者2類，通過SVM訓練建立模型。然后再給一個新的輸入時可根據已訓練的模型自動分為屬于1類或2類。通常我們經常用于模式識別的核函數有以下4種：

本文使用的SVM工具是文獻[11]中提到的LIBSVM軟件包，使用4種核函數分別實驗，選出最好的核函數以及參數，輸出為0是正常圖片，輸出為1是出血圖片。具體的使用步驟如下：

(1) 按照LIBSVM所要求的格式變換輸入圖片特征數據格式；

(2) 對數據進行簡單的縮放預處理；

(3) 選擇不同的核函數（首選RBF核函數）；

(4) 采用格式搜索選取最佳參數c和g；

(5) 采用最優參數c和g訓練支持向量機；

(6) 使用獲得的模型對測試集進行預測。

在將數據作為LIBSVM輸入前進行縮放操作至關重要，可以提高識別精度。本文在圖像數據預處理部分已經將輸入縮放到（0, 1）區間內。模型的參數選擇對實驗結果也至關重要，本文采用軟件自帶的grid_search工具[12]用K-fold交叉驗證的方式找到最優的c和g。交叉驗證的原理是將原始數據均分成K組，將每個子集數據分別作驗證集，其余的K-1組子集作為訓練集，K-fold 可以有效地避免過學習以及欠學習狀態的發生。

3 實驗過程分析

該文用720得到的720×927維矩陣作為輸入，其中出血圖片360張，正常圖片360張。使用SVM集成軟件LIBSVM(Chang & LIN 2001)，采用四種不同的核函數分別實驗。每次選擇360張圖片作為實驗集，其中包括180張出血圖片和180張正常圖片，剩余360張作為測試集用來驗證模型的準確率。如表1所示，在默認的參數設置g=1，c=2時，四種核函數測試準確率最高的是線性核函數和多項式核函數達到80%，而默認的徑向基核函數測試準確率只有53%。

表1 不同核函數識別率對比Tab.1 The contrast between different kernels

線性核函數和多項式核函數理論上是徑向基核函數的線性特殊形式，所以徑向基核函數之所以表現不好的原因可能是默認參數不合適，因此我們選用K-fold交叉驗證方法對參數進行尋優，找到最優參數。初始參數尋優cost 參數c的尋優范圍根據經驗設在(2-6，22)區間，核函數gamma參數g尋優范圍設在(2-8，24)區間。由仿真結果可得當c=0.015 625, g=0.189 46時，CVAccuracy =100%是指由訓練樣本得到的模型對訓練樣本本身的識別率達到100%。在第二次尋優之前，根據第一次尋優值的結果將c和g的尋優范圍分別縮小到(2-4，22)，(2-5，22)區間。如圖3、圖4所示是二次尋優的結果，在c=0.062 5，g=0.25時尋到最優值對訓練樣本識別率可達到100%。對比兩次尋優的結果發現盡管兩次識別率同樣達到100%，基于支持向量機的原理可得，同等識別率的情況下選擇參數越小越好。所以本文選擇c=0.015 625，g=0.189 46作為最優參數。

圖3 精確參數尋優（等高線）過程圖Fig.3 Precise parameters optimization

圖4 精確參數尋優過程圖（3D視圖）Fig.4 Precise parameters optimization (3D view)

在核函數為多項式核函數的情況下運用最優參數c=0.015 625, g=0.189 46 來對測試樣本進行實驗?？傻萌缦卤?結果。對比表1和表2可以看出，線性核函數和多項式核函數在最優參數下的測試準確率和默認設置一致保持為80%。而徑向基核函數測試準確率從52.777 8%提升到86.111 1%，K-fold參數尋優對準確率有了極大提升。

表2 采用最優參數的測試結果Tab.2 Testing results with optimal parameters

4 結論分析

本文提出一種在RBG空間基于SVM分類器的出血圖像智能識別算法，從輸入圖像的預處理，特征數據提取與整合著手，提取紅色像素與三種顏色之比例作為特征。圖像預處理降低了黑色圖像邊緣對SVM分類結果的影響，而數據整合時采用的壓縮采樣，保證了算法的效率與運算速度。在支持向量機識別的過程中選用徑向基核函數輔以K-fold參數尋優，參數尋優將準確率從53%提升到86%。最終獲得令人滿意的83%的特異度，94%的靈敏度。本文所提到的方法完全可以滿足WCE臨床診斷要求，從而幫助醫生大大減輕工作負擔。

[1] Basar MR, Malek F, Juni KM, et al. Ingestible wireless capsule technology: a review of development and future indication[J]. Int J Antennas Propagation, 2012, doi:10.1155/2012/807165.

[2] Bourbakis N, Makrogiannis S, Kavraki D. A neural network-based detection of bleeding in sequences of WCE images[C]. Fifth IEEE Symp Bioinform Bioeng, 2005, 324-327.

[3] Pan G, Yan G, Qiu X, et al. Bleeding detection in wireless capsule endoscopy based on probabilistic neural network[J]. J Med Syst, 2011,35(6):1477.

[4] Buscaglia JM, Giday SA, Kantsevoy SV, et al. Performance characteristics of the suspected blood indicator feature in capsule endoscopy according to indication for study[J]. Clin Gastroenterol Hepatol, 2008, 6(3): 298-301.

[5] Liu J, Yuan X. Obscure bleeding detection in endoscopy images using support vector machines[J]. Optimiz Eng, 2009, 10(2): 289-299.

[6] Li B, Meng MQH. Computer-aided detection of bleeding regions for capsule endoscopy images[J]. IEEE Trans Biomed Eng, 2009, 56(4):1032-1039.

[7] Poh CK, Htwe TM, Li L, et al. Multi-level local feature classification for bleeding detection in wireless capsule endoscopy images[C]. IEEE Conf Cybernetics Intelligent Syst, 2010,76-81.

[8] Lau PY, Correia PL. Detection of bleeding patterns in WCE video using multiple features[C]. IEEE EMBS, 2007, 5601-5604.

[9] Mackiewicz MW, Fisher M, Jamieson C. Bleeding detection in wireless capsule endoscopy using adaptive colour histogram model and support vector classification[C]. Med Imaging Int Society Optics Photonics, 2008: 69140R-69140R-12.

[10] Li B, Meng MQH. Computer-aided detection of bleeding regions for capsule endoscopy images[J]. IEEE Trans Biomed Eng, 2009, 56(4):1032-1039.

[11] Chang CC, Lin CJ. LIBSVM: a library for support vector machines[J]. ACM Trans Intelligent Syst Tech(TIST), 2011, 2(3):27.

[12] Faruto YL. LIBSVM-farutoUltimateVersion-a toolbox with implements for support vector machines based on libsvm[R]. http://www. ilovematlab. cn, 2009.

A Method for Bleeding Detection in Endoscopy Images Using SVM

【Writers】XU Wenming, YAN Guozheng, WANG Zhiwu, LIU Gang, KUANG Shuai, ZHAO Shaopeng

Department of Instrument Science and Engineering, Shanghai Jiao Tong University, Shanghai, 200240

Because the huge number of images of the digestive tract by Wireless Capsule Endoscopy (WCE) are left to the medical personnels detected by their eyes, huge burden leaves to doctors. This article provides a classification of method based on SVM (Support Vector Machine) for the capsule endoscopy bleeding intelligent recognition. We created a new kind of feature parameter, and the experiment result can reach 83% specificity and 94% sensitivity.

feature selection, SVM, bleeding detection, wireless capsule endoscopy, color space

TP391.41;R318.6

A

1671-7104(2015)01-0009-04

10.3969/j.issn.1671-7104.2015.01.003

2014-10-11

國家自然科學基金（31170968）

顏國正，E-mail: gzhyan@sjtu.edu.cn