肺部CT圖像特征的設備無關性研究

李海霞12張 擎3王 青4尹義龍35郝凡昌12

（1.山東政法學院山東省高校證據鑒識重點實驗室，山東濟南 250014；2.山東政法學院信息學院，山東濟南 250014；3.山東大學計算機科學與技術學院，山東濟南 250012；4.山東大學齊魯醫院放射科，山東濟南 250101；5.山東財經大學計算機科學與技術學院，山東濟南 250014）

肺部CT圖像特征的設備無關性研究

李海霞1，2，張 擎3，王 青4，尹義龍3，5，郝凡昌1，2

（1.山東政法學院山東省高校證據鑒識重點實驗室，山東濟南 250014；2.山東政法學院信息學院，山東濟南 250014；3.山東大學計算機科學與技術學院，山東濟南 250012；4.山東大學齊魯醫院放射科，山東濟南 250101；5.山東財經大學計算機科學與技術學院，山東濟南 250014）

選擇具有設備無關性的圖像特征是未得到充分關注的重要問題之一.基于計算機斷層掃描圖像上的肺部疾病分類問題，筆者研究了幾種常用的灰度和紋理特征的設備無關性，結合圖像特征的設備無關性和區分性，提出了一種特征評價準則，進行特征選擇.并在來自3個不同設備的數據集上進行實驗.結果表明了設備無關性特征對圖像處理的重要性，同時顯示設備無關性特征可提高相關算法的通用性，并驗證了筆者提出的特征評價準則的合理性和有效性.

設備無關性；特征選擇；CT圖像；肺部疾病

隨著現代醫學的發展，疾病的診斷越來越多的依賴現代化儀器的檢查結果.如肺部疾病的診斷，主要依靠肺部的X光片，計算機斷層掃描（Computed Tomography，CT）和磁共振成像（Magnetic Resonance Imaging，MRI）等.呈現出多模、多源的特點.多模醫學影像是指來自不同種類的采集設備的影像.而多源醫學影像，則是指來自同一種（比如CT機）但不同型號的設備的醫學影像.

多模、多源圖像的差異性對醫學影像的特征提取與處理提出了更高的要求.比如，如果將針對某一種具體型號CT機所設計的肺部CT影像分類算法，直接用于采集自另一種不同型號的CT機的肺部CT影像進行分類時，分類效果可能會急劇下降，甚至完全不能工作.本質是分類算法與具體型號的影像采集設備之間存在著依賴關系的問題.以醫學影像的病灶區分類為例，實際需求是針對同模、多源影像的某一具體病灶區分類，只研究一種分類算法（核心問題是特征選擇），使得該分類算法能夠直接用于來自不同型號設備的影像分類，且具有較好效果.如效果較好，就稱該算法具有較好的設備無關性.同樣地，醫學影像中的其他分割算法、影像檢索算法、信息挖掘算法等，只要涉及特征的定義和提取，都存在同樣性質的問題，稱之為“特征提取的設備無關性問題”，核心是面向設備無關性問題的特征評價與特征選擇，目的是要解決算法與具體型號的影像采集設備之間存在的依賴關系問題.據知，現有醫學影像的特征選擇工作，基本都是從特征本身的性質出發研究特征的選擇問題［1-6］，對于醫學影像設備無關性特征評價與特征選擇問題，國內外尚未見到這方面工作的公開文獻，因此，尋找設備無關性的圖像特征就特別重要.

在生物特征識別領域，特別是在指紋的識別方面，有些專家學者已經考慮到了圖像的采集設備無關性問題.美國西佛吉尼亞大學的Ross和密歇根州立大學的Jain［7］在2004年首次提出了生物特征識別中的采集設備無關性問題，提高了來自不同采集設備的同一枚指紋的圖像間的匹配性能.Yang等［8］考慮到設備無關性問題，給出了具有較好的分割效果和魯棒性的指紋圖像分割算法.2012年，Yang等［9］又提出一種基于錯誤率和決策樹的二階特征評價方法，可有效解決指紋圖像分割中的設備無關性問題.然而關于醫學圖像處理中的設備無關問題，迄今為止，國內外尚未見到相關研究成果.

醫學圖像處理的設備無關性指用同一種方法可對多模、多源圖像進行分類、檢索、分割等處理，且結果差別不大.其中提取具有設備無關性的圖像的特征，是關鍵的一步.具有無關性的圖像特征，在多模、多源數據集上，圖像分類、檢索等操作應具有相近的準確率.就圖像分類這一具體應用來說，某特征是否具有設備無關性，要看利用此特征分類來自不同設備的醫學圖像的正確率，如果分類的正確率大致相同，就認為該特征的設備無關性較高；反之，則認為該特征的設備無關性較低.筆者基于肺部CT圖像上的肺部疾病分類問題，研究了4個具有代表性的灰度特征和紋理特征的設備無關性.通過定義設備無關性評價標準，結合特征的分辨能力，給出了特征評價準則.通過在3個采集自不同設備的數據集上的實驗，驗證了方法的合理性及有效性.

1 圖像特征的設備無關性研究

1.1肺部CT圖像的分類問題

肺氣腫是指終末細支氣管遠端（呼吸細支氣管、肺泡管、肺泡囊和肺泡）的氣道彈性減退、過度膨脹、充氣和肺容積增大或同時伴有氣道壁破壞的病理狀態.可以分為全小葉型（PAE）和小葉中心型（CLE）和間隔旁型（PSE），其CT表現可參見相關醫學文獻［10］.

正常肺CT圖像和肺氣腫CT圖像分類問題，正確率已到95%以上［11-12］.筆者重點分析設備無關性，因此只對正常肺和肺氣腫的CT圖像分類，不再關注肺氣腫的具體類別.從整個肺部CT圖像中截取病灶比較明顯的區域，即感興趣區（Region Of Interest，ROI）進行分類.圖1顯示了采集自3個不同設備（來自3個不同數據集）的肺部CT圖像上提取的正常肺和肺氣腫的感興趣區域圖像.其中圖1（a）和圖1（b）分別顯示來自LS數據集的正常肺ROI和肺氣腫ROI.圖1（c）和圖1（d）顯示來自SDUL數據集的正常肺ROI和肺氣腫ROI.圖1（e）和圖1（f）顯示來自ILDs數據集的正常肺ROI和肺氣腫ROI.可以看出，不同數據集上的同類圖像，其灰度、清晰程度等特性也存在較大的差異.

圖1　采集自不同設備的CT圖像上的ROI

筆者研究肺部CT圖像上常用的4種特征:灰度直方圖特征、局部二值模式（Local Binary Patterns，LBP）、灰度共生矩陣和Tamura紋理特征的設備無關性，并采用KNN分類器進行分類.

1.2圖像特征

灰度直方圖描述一幅圖像的全局特征，是一幅圖像的灰度統計量，表示灰度出現的頻率，這一特征具有旋轉不變性、尺度不變性和位移不變性.

LBP是一種有效的紋理描述算子、度量和提取圖像局部的紋理信息，對光照具有不變性.由Ojala等人首先給出并初步改進［13］，改進后可表示為其中，I表示一幅圖像，x表示中心像素點，xp=［-R sin（2πpP），R cos（2πpP）］T+x，表示以x為中心，以R為半徑的圓弧上第p個采樣點，H（·）表示赫維賽德函數.Maenpaa等［14］又提出了具有旋轉不變性的LBP算子，即其中，i=0，1，2，…，P-1.RROR是循環右移操作.RROR（LLBP（x；R，P），i） 是指對式（1）得到的二進制數LLBP（x；R，P）依次循環右移i位.根據具體的問題，LBP有很多變種［15-16］.文中的實驗采用文獻［14］中的方法.

灰度共生矩陣GLCM是由Haralick首次提出的，用來評價灰度之間的空間關系特征.它通過計算圖像中一定距離和一定方向的兩點灰度之間的相關性，來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息.筆者利用圖像的灰度共生矩陣提取圖像的紋理特征，主要用到如下幾種常用的統計特征值:紋理能量、紋理慣性、紋理相關性和紋理熵.

Tamura紋理特征是Tamura以人類的主觀心理度量作為標準，提出的6個基本的紋理特征，這些特征包括粗糙度（coarseness），對比度（contrast），方向度（directionality），線像度（line-likeness），規整度（regularity）和粗糙度（roughness），其中最重要的是紋理的粗糙度，對比度和方向度.這些紋理特征很好地對應了人類視覺感知，在許多圖像檢索系統中得到應用.文中僅使用了粗糙度，對比度和方向度.

2 基于設備無關性的特征評價準則

如果某特征在多源影像上，分類的正確率大致相同，就認為該特征的設備無關性較高；反之，則認為該特征的設備無關性較低.首先，定義通過式（3）計算某特征的設備無關性，記為E，即

在對特征進行選擇時，要同時考慮特征的分類正確率（即特征的區分性）和特征的設備無關性.文中結合分類正確率和設備無關性這兩個指標對特征進行選擇，以同時保障方法的擴展性以及性能.將特征的評價準則設為f，即

3 實驗和結果分析

3.1數據集

采用了3個采集自不同設備的肺部CT圖像數據集，一個數據集是由丹麥哥本哈根大學和根措夫特大學附屬醫院的科學家聯合提供的［11］（簡稱LS），它包括39例病人的117張肺部HRCT（High Resolution CT）切片，168個ROI.ROI分兩類:正常肺ROI圖像59幅，肺氣腫ROI圖像109幅.第2個數據集是山東大學和齊魯醫院合作建立的（簡稱SDUL），它包括17例正常肺共1 445個ROI.45例肺氣腫病共136個ROI，從中隨機選取合計168個正常肺和肺氣腫的ROI進行實驗.第3個數據集是日內瓦大學醫學院建立的肺間質疾病多媒體數據庫［17］（簡稱ILDs），此數據集包括128例涉及5種肺部疾病的108張圖像.從中隨機選取了包括59個正常肺和109個肺氣腫的共168個ROI圖像.3個數據集的具體參數見表1.

表1　肺部CT圖像數據集的參數列表

3.2實驗方法、過程及結果分析

采用1.2節描述的4種圖像特征.其中LBP特征提取ROI內所有像素LBP值的直方圖.灰度共生矩陣使用紋理能量、紋理慣性、紋理相關性和紋理熵4個統計特征.Tamura使用粗糙度、對比度和方向度3個基本的紋理特征.采用KNN分類方法進行分類，ROI之間的距離為直方圖或者特征之間的歐氏距離.具體地，采用100次十折交叉驗證求平均值的方法驗證分類正確率.各特征在3個數據集上的分類正確率結果如圖2所示.

從圖2中可以清楚看到，各特征在不同的數據庫上得到的性能普遍存在差異，有的特征（如LBP）差異較小，而有的特征（如GLCM）差異較大.這充分說明了研究設備無關性問題的必要性.從圖2可以看出，就在3個數據集上總的分類準確率而言，灰度直方圖特征性能是最好的，但灰度直方圖特征在3個數據集的性能差別較大，由此推斷灰度直方圖特征的設備無關性較差.LBP雖不是性能最好的特征，但是在3個數據集上的準確率差別不大，可見LBP的設備無關性較高.

圖2　不同數據集上的分類正確率

圖3　分類正確率、設備無關性和總性能比較

圖4　f和w的關系

特征選擇的時候權重w根據實際的問題由經驗確定，w越大，表明給與特征的分辨能力更多的重視，反之，w越小，說明在應用中更看重特征的設備無關性.在已知分類正確率和設備無關性的前提下，w的變化對f值的影響如圖4所示.

從圖4可以看出，在4個特征中，LBP與Intensity特征評價高于另外兩個特征.Tamura特征與GLCM特征的評價值偏低主要因為兩個特征的分類準確率較低，在文中的評價準則下，雖然考慮了設備無關性，但分類正確率普遍較低的特征也不會得到好的評價.隨著w值的變化，LBP和Intensity兩個特征的評價值交替成為最高值.在更注重設備無關性的情況下，LBP特征的評價高于Intensity特征，反之，在更注重分類準確率的情況下，Intensity特征獲得更高評價.文中提出的特征評價準則在平衡兩者之間起到了作用.

4 結束語

筆者首次提出在醫學圖像的分類、檢索等應用問題中，有關圖像特征的設備無關性的重要性.具體研究了有代表性的4個圖像特征的設備無關性，結合特征的分辨能力和設備無關性，提出一種特征評價準則.通過在3個采集自不同設備的數據集上的實驗，驗證了同一特征在不同數據集上確實存在較明顯的性能差異，說明了對設備無關性進行研究的必要性.實驗結果同時表明，在這些特征中，對于肺氣腫CT圖像的分類，LBP特征同時具有較好的分類性能和設備無關性，灰度直方圖特征雖然具有較好的識別性能，但是設備無關性較差.如果只考慮識別準確率，則最好的特征是灰度直方圖特征，但是基于文中提出的特征評價準則，同時考慮準確性和通用性時，LBP特征具有比灰度直方圖更高的評價.

盡管上述面向設備無關性的特征評價與特征選擇研究方案是用同模、多源肺部CT影像的分類這樣一個具體問題來研究的，但其本質上這種特征設備無關性評價的思想，可用來指導解決影像識別、影像分割、影像檢索、信息挖掘中各類算法涉及的設備無關性問題.只是不同的處理任務（識別、分割、檢索、挖掘等）、不同層面的影像實體（整幅影像、器官或組織、ROI等），所使用的具體特征都會有所不同而已.另外，在X光片、MRI等其他醫學影像上也具有相同的價值.

在將來的工作中，將在考慮特征的設備無關性問題的同時，進一步考慮特征之間的相互關系，從而研究更加合理的特征評價準則.

［1］曹蕾.肺結節圖像的分析與識別［D］.廣州:南方醫科大學，2009.

［2］WANG J J Y，BENSMAIL H，GAO X.Feature Selection and Multi-kernel Learning For Sparse Representation on a Manifold［J］.Neural Networks，2014，51（3）:9-16.

［3］PUSHPALATA P，JYOTI B G.Improving Classification Accuracy by Using Feature Selection and Ensemble Model ［J］.International Journal of Soft Computing and Engineering，2012，2（2）:380-386.

［4］RASHEDI E，NEZAMABADI-POUR H，SARYAZDI S.A Simultaneous Feature Adaptation and Feature Selection Method for Content-based Image Retrieval Systems［J］.Knowledge Based Systems，2013，39（2）:85-94.

［5］da SILVA S R F，RIBEIRO M X，BATISTA NETO J E S，et al.Improving the Ranking Quality of Medical Image Retrieval Using a Genetic Feature Selection Method［J］.Decision Support Systems，2011，51（4）:810-820.

［6］SOHAIL A S M，BHATTACHARYA P，MUDUR S P，et al.Classification of Ultrasound Medical Images Using Distance Based Feature Selection and Fuzzy-SVM［J］.Pattern Recognition and Image Analysis，2011，6669（1）:176-183.

［7］ROSS A，JAIN A.Biometric Sensor Interoperability:a Case Study in Fingerprints［C］//Lecture Notes in Computer Science:3087.Berlin:Springer-Verlag，2004:134-145.

［8］YANG G P，ZHOU G T，YIN Y L，et al.K-means Based Fingerprint Segmentation with Sensor Interoperability［J］. EURASIP Journal on Advances in Signal Processing，2010，4:495-502.

［9］YANG G P，LI Y，YIN Y L，et al.Two-level Evaluation on Sensor Interoperability of Features in Fingerprint Image Segmentation［J］.Sensors，2012，12（3）:3186-3199.

［10］劉巖，王鐵人，孟建華，等.肺氣腫的CT表現及診斷價值［J］.中外醫療，2008，27（19）:122-123. LIU Yan，WANG Tieren，MENG Jianhua，et al.CT Manifestations and Diagnostic Value of Pulmonary Emphysema ［J］.China Foreign Medical Treatment，2008，27（19）:122-123.

［11］S?RENSEN L，SHAKER S B，de BRUIJNE M.Quantitative Analysis of Pulmonary Emphysema Using Local Binary Patterns［J］.IEEE Transactions on Medical Imaging，2010，29（2）:559-569.

［12］DHARMAGUNAWARDHANA C，MAHMOOD S，BENNETT M，et al.Quantitative Analysis of Pulmonary Emphysema Using Isotropic Gaussian Markov Random Fields［C］//Proceedings of the 9th International Conference on Computer Vision Theory and Applications.Setubal:SciTe Press，2014:44-53.

［13］OJALA T，PIETIKAINEN M，MAENPAA T.Multiresolution Gray-scale and Rotation Invariant Texture Classification with Local Binary Patterns［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）:971-987.

［14］PIETIK?INEN M，OJALA T，XU Z.Rotation-invariant Texture Classification Using Feature Distributions［J］. Pattern Recognition，2000，33（1）:43-52.

［15］CHU Y，WANG Y，ZHU J，et al.A Webber Local Binary Pattern Descriptor for Pancreas Endoscopic Ultrasound Image Classification［C］//Proceedings of IEEE Workshop on Electronics，Computer and Applications.Piscataway:IEEE Computer Society，2014:836-839.

［16］劉曉佩，盧朝陽，李靜.結合WTLBP特征和SVM的復雜場景文本定位方法［J］.西安電子科技大學學報，2012，39 （4）:103-108. LIU Xiaopei，LU Zhaoyang，LI Jing.Complex Scene Text Location Method Based on WTLBP and SVM［J］.Journal of Xidian University，2012，39（4）:103-108.

［17］DEPEURSINGE A，VARGAS A，PLATON A，et al.Building a Reference Multimedia Database for Interstitial Lung Diseases［J］.Computerized Medical Imaging and Graphics，2012，36（3）:227-238.

（編輯:王 瑞）

Study of sensor interoperability of features on lung CT images

LI Haixia1，2，ZHANG Qing3，WANG Qing4，YIN Yilong3，5，HAO Fanchang1，2
（1.Evidence Forensic Lab.in Colleges and Univ.of Shandong Province，Shandong Univ.of Political Science and Law，Jinan 250014，China；2.School of Information，Shandong Univ.of Political Science and Law，Jinan 250014，China；3.School of Computer Science and Technology，Shandong Univ.，Jinan 250101，China；4. Radiology department of Qilu hospital of Shandong Univ.，Jinan 250012；5.School of Computer Science and Technology，Shandong Univ.of Finance and Economics，Jinan 250014，China）

Selecting features with high sensor interoperability is of great importance but it is not been investigated enough.Based on the application of classifying lung diseases on CT（Computed Tomography）images，the sensor interoperability of 4 features is studied.An evaluation criterion is proposed to select features by considering interoperability and discrimination ability of features.After doing experiments on 3 different datasets，it is shown that sensor interoperability affects the disease recognition or information retrieval methods.Moreover，the rationality and effectiveness of the proposed feature evaluation criterion is verified.

sensor interoperability；feature election；computed tomography；lung disease

TP391

A

1001-2400（2016）01-0157-05

10.3969/j.issn.1001-2400.2016.01.028

2014-10-10 網絡出版時間：2015-04-14

NSFC-廣東聯合基金資助項目（U1201258）；高等學校博士學科點專項科研基金資助項目（20110131130004）；山東省高校證據鑒識重點實驗室（山東政法學院）開放課題資助項目（KFKT（SUPL）-201409）；山東政法學院科研資助項目（2012Z23B）

李海霞（1976-），女，副教授，博士，E-mail:lihaixiajinan@gmail.com.

網絡出版地址：http://www.cnki.net/kcms/detail/61.1076.TN.20150414.2046.028.html