基于肝臟CT 圖像GLTP 特征的肝功能分級(jí)方法研究*

郭瑞敏 黃煒嘉 張正言 楊 魏 王澤輝

（1.江蘇科技大學(xué)海洋學(xué)院 鎮(zhèn)江 212003）（2.江蘇省人民醫(yī)院介入科 南京 210029）

1 引言

對(duì)肝功能進(jìn)行監(jiān)測(cè)是慢性肝病治療中的重要環(huán)節(jié)［1］。Child-Pugh、MELD［2］等評(píng)分方法基于血清肌酐、膽紅素、白蛋白等血液學(xué)檢查指標(biāo)及腹水、肝性腦病等臨床主觀指標(biāo)，無(wú)創(chuàng)易行，在臨床中被廣泛使用，在預(yù)測(cè)終末期肝病患者的死亡率以及術(shù)后的生存時(shí)間等方面有重要的臨床價(jià)值。計(jì)算機(jī)斷層掃描（Computed Tomography，CT）是臨床中常用的影像學(xué)檢查方法，有研究使用CT灌注成像、多期增強(qiáng)CT 掃描的動(dòng)脈增強(qiáng)分?jǐn)?shù)的類(lèi)灌注技術(shù)、能譜CT碘基圖定量分析等技術(shù)評(píng)估肝功能［3～4］。隨著人工智能及大數(shù)據(jù)技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用，影像組學(xué)（Radiomics）被應(yīng)用于肝纖維化、肝硬化程度、肝功能相關(guān)性研究，是病理學(xué)檢查以外良好的潛在替代評(píng)估方法［5］，基于機(jī)器學(xué)習(xí)的醫(yī)學(xué)影像數(shù)據(jù)分析已成為了交叉學(xué)科中的研究熱點(diǎn)［6～7］。

醫(yī)學(xué)圖像的紋理分析為病變組織提供了客觀、定量的描述方法。灰度共生矩陣（Grey-Level Co-occurrence Matrix，GLCM）方法由Haralick 等［8］提出，具有原理簡(jiǎn)單、辨別能力較強(qiáng)等優(yōu)點(diǎn)。Suganya等［9］將GLCM用于肝臟超聲圖像的紋理特征提取和正常、異常分類(lèi)。Sergeeva 等［10］將GLCM 和離散小波變換結(jié)合，用于提取肺部CT 圖像的多尺度特征，實(shí)現(xiàn)對(duì)正常、異常圖像的分類(lèi)。在基于圖像局部的特征提取方面，局部二值模式（Local Binary Pattern，LBP）［11］及其改進(jìn)方法已逐步應(yīng)用于醫(yī)學(xué)領(lǐng)域。Chu 等［12～13］使用一種Webber 局部二值模式描述子用于胰腺超聲圖像，對(duì)慢性胰腺炎和自身免疫性胰腺炎進(jìn)行分類(lèi)。Tan 等［14］提出了局部三值模式（Local Ternary Pattern，LTP），在原始LBP 算子上引入閾值t 對(duì)圖像進(jìn)行三值編碼，有效提高了對(duì)光照和噪聲影響的魯棒性，在圖像紋理較為均勻的區(qū)域的辨別能力更強(qiáng)［15］。金鑄浩等［16］提出了自適應(yīng)方向局部三值模式，將圖像全局的灰度特征應(yīng)用到編碼中，對(duì)全局特征描述大幅增強(qiáng)，且閾值的自適應(yīng)性增強(qiáng)了該算法的抗噪聲能力。梯度局部三值模 式（Gradient Local Ternary Pattern，GLTP）［17］在LTP 的基礎(chǔ)上，使用Sobel 算子［18］對(duì)圖像進(jìn)行邊緣檢測(cè)，然后進(jìn)行三值特征提取，減少了計(jì)算量、提高了特征提取的效率。目前，醫(yī)學(xué)圖像的紋理分析主要被用于正常、異常組織的分類(lèi)，基于異常肝臟CT圖像，進(jìn)行肝功能分級(jí)的工作還沒(méi)有被討論。

本文分析了不同MELD 評(píng)分的慢性肝病患者的肝臟CT 圖像，將GLTP 模式引入基于肝臟CT 圖像的肝功能分類(lèi)中，提取肝臟組織局部紋理特征，采用支持向量機(jī)（Support Vector Machine，SVM）［19］訓(xùn)練和分類(lèi)，建立基于增強(qiáng)CT 門(mén)脈期肝臟的肝功能分級(jí)模型，揭示了不同肝功能等級(jí)肝臟CT 圖像的特征差異，為肝功能分級(jí)提供了基于CT 影像的新方法。

2 梯度局部三值模式

LTP 是GLTP 的基礎(chǔ)，LTP 編碼通過(guò)定義閾值t增加一個(gè)編碼模式，對(duì)LBP編碼在“0”碼和“1”碼的基礎(chǔ)上增加了“-1”碼，使得LTP描述符對(duì)紋理特征的描述更加詳細(xì)，且對(duì)光照變化和噪聲因素的影響較小，提升了其辨別能力。LTP 的基本方法是：首先設(shè)置3×3像素的區(qū)域，在中心像素點(diǎn)Gc周?chē)O(shè)定閾值t，定義一個(gè)長(zhǎng)度為2t的區(qū)間［-t，t］，如果各鄰域像素點(diǎn)的灰度值Gi落在Gc-t 和Gc+t 之間，則編碼為0。低于Gc-t或高于Gc+t則分別編碼為“-1”和“+1”，如式（1）和式（2）所示：

其中，Gc是中心像素點(diǎn)的灰度值，Gi是中心像素點(diǎn)鄰域內(nèi)第i個(gè)像素點(diǎn)的灰度值。

將編碼中除“1”以外的值改為“0”后所得的編碼定義為上模式（或正模式），如式（3）所示：

其中，SLTP（i）表示中心像素點(diǎn)鄰域中第i個(gè)采樣點(diǎn)經(jīng)過(guò)量化后的值。

同理，將編碼中除“-1”以外的值改為“0”，并且用“1”替換“-1”后所得的編碼定義為下模式（或負(fù)模式），如式（4）所示：

對(duì)上述兩種模式中得到的二進(jìn)制編碼乘以相應(yīng)的權(quán)重后相加，得到中心點(diǎn)正、負(fù)模式的十進(jìn)制LTP 特征值，如圖1 所示。根據(jù)上述特征值計(jì)算正負(fù)LTP編碼的統(tǒng)計(jì)直方圖，并將其級(jí)聯(lián)作為最終的特征向量。

圖1 閾值t設(shè)置為10的LTP算子編碼

GLTP［17］使用水平和垂直方向的Sobel 算子與原始圖像I 做卷積，分別得到水平及垂直方向?yàn)V波結(jié)果Gx、Gy，如式（5）所示；然后，計(jì)算圖像中每個(gè)像素的梯度幅度值Gx，y如式（6）所示；最后，對(duì)Gx，y使用LTP編碼模式完成GLTP特征的提取。

3 基于GLTP的肝臟CT圖像分類(lèi)方法

圖2 為本文方法的整體流程圖。首先，對(duì)經(jīng)過(guò)MELD 分級(jí)劃分出的不同肝功能等級(jí)的圖像進(jìn)行預(yù)處理，提取出相同大小，不包含血管和腫瘤的肝臟組織感興趣區(qū)域（ROI）；其次，對(duì)圖像中每個(gè)像素點(diǎn)計(jì)算GLTP局部模式；再次，將圖像分成相同大小的子塊，統(tǒng)計(jì)編碼后的直方圖，將直方圖級(jí)聯(lián)，構(gòu)特征向量，對(duì)特征向量進(jìn)行PCA降維［20］；最后，使用SVM分類(lèi)器對(duì)特征向量進(jìn)行訓(xùn)練和識(shí)別。

圖2 本文方法的整體流程圖

3.1 MELD評(píng)分與圖像預(yù)處理

首先，選取患者術(shù)前最近一次的檢查結(jié)果（包括血膽紅素、凝血酶原時(shí)間國(guó)際標(biāo)準(zhǔn)化比值（INR）和血肌酐等指標(biāo)）計(jì)算得分R［21～22］，如式（7）所示：

其中，病因項(xiàng)，膽汁性或酒精性為0、其他為1。根據(jù)MELD 評(píng)分標(biāo)準(zhǔn)劃分出“低危患者（R＜15）”、“中危患者（15 ≤R≤18）”和“高危患者（R＞18）”。不同等級(jí)肝功能MELD評(píng)分的肝臟CT圖像如圖3所示。

圖3 不同等級(jí)肝功能MELD評(píng)分的肝臟CT圖像

然后，提取肝臟CT 圖像中不包含血管與腫瘤的肝臟組織ROI，大小為38×38 像素，建立樣本數(shù)據(jù)集。

3.2 特征提取與分類(lèi)

基于GLTP 的肝臟CT 圖像特征提取與分類(lèi)方法如表1所示，圖4給出了GLTP編碼的過(guò)程。

表1 基于GLTP特征的肝臟CT圖像特征提取與分類(lèi)算法

圖4 GLTP編碼過(guò)程

圖5 為不同肝功能等級(jí)肝臟CT 圖像的GLTP編碼圖像。分別給出了“低危”、“中危”和“高危”肝病患者的原始圖像、提取出的ROI 區(qū)域、ROI 區(qū)域經(jīng)過(guò)Sobel 算子濾波后的圖像以及相應(yīng)的正GLTP模式和負(fù)GLTP模式。

圖5 肝臟CT圖像的GLTP編碼圖像

4 實(shí)驗(yàn)設(shè)置及結(jié)果分析

4.1 實(shí)驗(yàn)設(shè)置

本文實(shí)驗(yàn)環(huán)境：Windows 10 操作系統(tǒng)，Matlab R2018a 編程環(huán)境。實(shí)驗(yàn)所用的CT 圖像數(shù)據(jù)來(lái)自江蘇省人民醫(yī)院，每張圖像包含其對(duì)應(yīng)的MELD 評(píng)分信息。實(shí)驗(yàn)共使用肝臟CT 圖像240 張，其中，MELD 評(píng)分“低危”120 張、“中危”60 張、“高危”60張。為了驗(yàn)證算法的有效性，本文進(jìn)行兩組實(shí)驗(yàn)：1）選擇評(píng)分為“低危”、“中危”、“高危”圖像各60張，共計(jì)180 張圖片，進(jìn)行三類(lèi)分類(lèi)；2）將“中危”與“高危”圖像合并成一類(lèi)，即使用“低危”120 張，“中高危”120 張，共計(jì)240 張圖片，進(jìn)行二類(lèi)分類(lèi)。實(shí)驗(yàn)采用10 折交叉驗(yàn)證的方法：將數(shù)據(jù)集隨機(jī)劃分成10 組，其中1 組作為測(cè)試集，其他的9 組作為訓(xùn)練集，以此輪流實(shí)驗(yàn)10 次計(jì)算出每組測(cè)試集上的識(shí)別率，將其平均后作為最終的識(shí)別率。

4.2 不同分塊大小對(duì)實(shí)驗(yàn)結(jié)果的影響

為了分析不同分塊大小的編碼圖像直方圖統(tǒng)計(jì)對(duì)分類(lèi)結(jié)果的影響，本文對(duì)5 種不同分塊大小分別進(jìn)行了實(shí)驗(yàn)。表2 和表3 分別為將圖像分為3×3、5×5、7×7、9×9和11×11塊，基于線(xiàn)性核、三次多項(xiàng)式核以及RBF 核SVM 進(jìn)行“低危”、“中危”、“高危”三類(lèi)分類(lèi)和“低危”、“中高危”兩類(lèi)分類(lèi)的實(shí)驗(yàn)結(jié)果。從表2可以看出，將圖像分為3×3塊時(shí)，三類(lèi)分類(lèi)的識(shí)別率最高，在三種核函數(shù)下的識(shí)別率分別為60.56%，60.56%，58.89%。隨著圖像分塊數(shù)量的增加，識(shí)別率有所下降，說(shuō)明了將圖像分為較大的子塊，可以獲得有代表性的特征。

表2 不同分塊的GLTP算子三類(lèi)識(shí)別率（單位：%）

從表3可以看出，將圖像分類(lèi)11×11塊時(shí)，兩類(lèi)分類(lèi)的識(shí)別率最高，三種核函數(shù)下的識(shí)別率分別為65.00%，62.92%，55.42%。在圖像分塊數(shù)量較小時(shí)，獲得了較高的識(shí)別率。總體來(lái)看，“低危”、“中高危”兩類(lèi)分類(lèi)的識(shí)別率高于“低危”、“中危”、“高危”三類(lèi)分類(lèi)的結(jié)果，可能的原因是在MELD 評(píng)分中，“低危”患者為R＜15，“中危”患者為15 ≤R≤18，“高危”患者為R＞18，中高危患者的評(píng)分相對(duì)接近，因此，“中危”、“高危”患者肝臟組織紋理具有類(lèi)似的特征，這些特征與低危患者的肝臟紋理特征差異大，更易于分類(lèi)。

表3 不同分塊的GLTP算子兩類(lèi)識(shí)別率（單位：%）

4.3 不同降維參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響

為了降低特征維度，本文對(duì)提取的特征進(jìn)行了降維，圖6 為圖像分塊為3×3，基于線(xiàn)性核SVM，三階多項(xiàng)式核和RBF 核（C=100），PCA 降維參數(shù)從0.85 到0.99 時(shí)所對(duì)應(yīng)的“低危”、“中危”、“高危”三類(lèi)分類(lèi)的識(shí)別率。從圖中可以看出，當(dāng)降維參數(shù)為0.91，基于線(xiàn)性核SVM 時(shí)，識(shí)別率最高，為61.67%。圖7 為圖像分塊為11×11，PCA 降維參數(shù)從0.85 到0.99 時(shí)所對(duì)應(yīng)的“低危”、“中高危兩類(lèi)分類(lèi)的識(shí)別率。基于線(xiàn)性核SVM 時(shí)，獲得了最高64.17%的識(shí)別率。總體來(lái)看，隨著降維參數(shù)的變化，基于線(xiàn)性核和RBF 核，識(shí)別率基本在60%左右波動(dòng)，進(jìn)一步地驗(yàn)證了基于GLTP提取肝臟組織特征的有效性。

圖6 不同降維參數(shù)下“低危”、“中危”、“高危”三類(lèi)分類(lèi)識(shí)別率

圖7 不同降維參數(shù)下“低危”、“中高危”兩類(lèi)分類(lèi)識(shí)別率

4.4 采用不同特征的實(shí)驗(yàn)結(jié)果

表4 為三種不同局部特征對(duì)“低危”、“中危”和“高危”三類(lèi)圖像的識(shí)別率，其中分塊大小為9×9，降維參數(shù)為0.91。從實(shí)驗(yàn)結(jié)果可以看出，本文的方法相較于LBP和LTP模式獲得了更高的識(shí)別率，更好地描述了肝臟的局部紋理。

表4 不同方法的三類(lèi)識(shí)別率（單位：%）

5 結(jié)語(yǔ)

本文分析了不同等級(jí)肝功能的CT 圖像，提出了一種基于梯度局部三值模式的肝功能分級(jí)方法，揭示了MELD 肝功能分級(jí)與CT 影像的潛在關(guān)系，對(duì)于臨床診斷有一定的輔助和應(yīng)用價(jià)值。未來(lái)的工作將基于以下兩個(gè)方面進(jìn)一步展開(kāi)：1）增加實(shí)驗(yàn)數(shù)據(jù)量，建立更為完善的肝臟CT圖像數(shù)據(jù)集；2）進(jìn)一步研究肝臟CT 圖像的紋理特點(diǎn)，提取出更具辨別力的特征，結(jié)合不同的肝功能評(píng)分標(biāo)準(zhǔn)，提高利用CT影像進(jìn)行肝功能分級(jí)的準(zhǔn)確性。