張婧 李彬? 田聯(lián)房 陳萍 王立非

(1.華南理工大學(xué)自動化科學(xué)與工程學(xué)院,廣東廣州 510640;2.廣州醫(yī)學(xué)院第一附屬醫(yī)院核醫(yī)學(xué)科,廣東廣州 510120; 3.廣州中醫(yī)藥大學(xué)祈福醫(yī)院影像中心,廣東廣州 511495)

肺癌是當今對人類生命健康危害最大的惡性腫瘤之一,肺結(jié)節(jié)是肺癌早期主要的表征形式,肺結(jié)節(jié)通常是指直徑不超過3 cm的肺內(nèi)類圓形病灶,不超過2 cm的稱為小結(jié)節(jié).早期檢測是提高肺癌病人存活率的最好辦法.如果能夠在肺癌早期檢測與治療,則肺癌患者 5年內(nèi)的平均存活率將從 14%上升到49%[1].因此,為了提高肺癌患者的存活率,肺癌早期即肺結(jié)節(jié)的正確檢測與識別是非常關(guān)鍵的.

在計算機輔助的肺結(jié)節(jié)識別系統(tǒng)中,Xu等[2]首先根據(jù)灰度直方圖設(shè)置閾值把候選區(qū)域分為 6組,然后利用區(qū)域生長和邊緣梯度分析技術(shù)提取候選區(qū)域的形態(tài)學(xué)特征,包括對比度、有效直徑、圓形度、不規(guī)則度、有效直徑的變化率、當灰度閾值變化時的圓度和不規(guī)則度,以及候選區(qū)域的中心位置,最后根據(jù)不同組的結(jié)節(jié)手工設(shè)置每組的閾值,用基于規(guī)則的方法識別肺結(jié)節(jié).Kanazawa等[3]提取感興趣區(qū)域(ROI)的形態(tài)、灰度和位置的特征,包括面積、厚度、圓形度、灰度均值、灰度方差、ROI位置、梯度方差及與肺壁的距離,然后用基于診斷規(guī)則的方法識別肺結(jié)節(jié).Satoh等[4]用形狀指標值的計算提取感興趣區(qū)域,然后提取 ROI的形態(tài)、灰度和位置特征,包括面積、圓形度、ROI的CT均值、灰度方差、厚度、ROI標準大小的比率,最后采用基于規(guī)則和人工神經(jīng)網(wǎng)絡(luò)的方法來識別肺結(jié)節(jié).

上述基于規(guī)則和神經(jīng)網(wǎng)絡(luò)的方法需要有相當數(shù)量的樣本,且片面強調(diào)克服訓(xùn)練錯誤,得到的解可能為局部最優(yōu)解而非全局性的,因此需要一種具有良好泛化能力的模式識別方法.支持向量機(SVM)是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新的學(xué)習(xí)算法[5].它基于VC維理論和結(jié)構(gòu)風(fēng)險最小化原理,根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷,在很大程度上克服了傳統(tǒng)機器學(xué)習(xí)中的過學(xué)習(xí)、維數(shù)災(zāi)難和局部極小等問題,從而獲得較好的泛化能力[6].目前,已有將SVM用于肺結(jié)節(jié)分類的文獻報道[7-8].

在特征提取方面,大部分研究是以灰度、形態(tài)特征作為主要區(qū)分結(jié)節(jié)和非結(jié)節(jié)的因素,忽略了紋理特征.文獻[9]中認為紋理分析是計算機輔助診斷(CAD)系統(tǒng)中的重要部分,因為只是根據(jù)形狀或灰度信息很難區(qū)分人體組織.為實現(xiàn)肺結(jié)節(jié)的智能識別,結(jié)合國內(nèi)外的研究方法,文中在 ROI特征提取的基礎(chǔ)之上加入了紋理特征,提出了一種結(jié)合規(guī)則和SVM的識別方法,來對分割出來的ROI進行分類,并通過實驗驗證所提方法的有效性.

1 肺結(jié)節(jié)分類方法

由于肺結(jié)節(jié)的形態(tài)各異及空間分布位置的不確定性,在 CT上的灰度特征不明顯,并且很容易與肺壁及其它組織相粘連,即使經(jīng)驗豐富的醫(yī)生也難下結(jié)論,很有可能發(fā)生誤判和漏判.因此,肺結(jié)節(jié)的檢測是肺結(jié)節(jié)診斷系統(tǒng)的重點和難點.基于規(guī)則和SVM的肺結(jié)節(jié)診斷系統(tǒng)流程如圖1所示.首先計算候選ROI的形態(tài)特征,利用基于規(guī)則的方法篩去非肺結(jié)節(jié)的區(qū)域,然后把剩余的候選ROI作為樣本,計算它們的灰度和紋理特征,最后把灰度、形態(tài)和紋理特征值作為SVM的輸入,對剩余的ROI進行分類.

圖1 肺結(jié)節(jié)診斷系統(tǒng)流程圖Fig.1 Flowchartof lung nodule diagnosis system

2 ROI的特征提取

肺結(jié)節(jié)診斷系統(tǒng)中ROI的特征提取是系統(tǒng)的重要部分,直接影響和決定了肺結(jié)節(jié)診斷系統(tǒng)的性能;而分類器的選擇和設(shè)計也直接影響著肺結(jié)節(jié)分類的結(jié)果.文中主要研究ROI的特征提取及肺結(jié)節(jié)的分類問題.

根據(jù)現(xiàn)有的主要研究成果[10-14],文中提取 ROI的 7個形態(tài)特征(面積、直徑、周長、矩形度、扁度、圓形度、細長度)、2個灰度特征(灰度均值、灰度方差)和紋理特征的4個參數(shù).對于一般大小為M×N的數(shù)字圖像,其p+q階原點矩mpq定義為

式中:(i,j)為圖像上一點的坐標;f(i,j)為該坐標點的灰度值.p+q階中心矩μpq定義為

式中:i0=m10/m00;j0=m01/m00;(i0,j0)是ROI的質(zhì)心.對ROI求取等效橢圓,等效橢圓的長、短軸如圖2所示,其中

圖2 ROI的等效橢圓的長、短軸Fig.2 Equivalent elliptical long and short axes of ROI

將長軸h作為肺結(jié)節(jié)直徑的度量,用于測量肺結(jié)節(jié)的大小.ROI的扁度e定義為等效橢圓的長軸與短軸之比,即e=h/o.ROI越接近圓,e越接近1;否則e＞1.

對二值圖像而言,若用 1表示物體,用 0表示背景,則ROI的面積A就是統(tǒng)計f(i,j)=1的個數(shù).

ROI的圓形度s定義為區(qū)域內(nèi)切圓半徑ri與外接圓半徑rc的比值,即s=ri/rc.當ROI為圓時,s=1.

ROI的細長度為

式中:W為ROI的寬度;H為ROI的高度.

社會時代的轉(zhuǎn)型與物質(zhì)生活水平的提高加快了我國城鎮(zhèn)化建設(shè)以及工業(yè)化建設(shè)的進程，人們更加關(guān)注生活質(zhì)量，特色農(nóng)產(chǎn)品受到了更多人的青睞，進一步擴大了特色農(nóng)產(chǎn)品的市場。與此同時，經(jīng)濟全球化也提高了特色農(nóng)產(chǎn)品的出口量。在我國特色農(nóng)產(chǎn)品出口過程中，英語標準化翻譯存在的問題影響了特色農(nóng)產(chǎn)品的出口與銷售，不利于特色農(nóng)產(chǎn)品擴大國際市場。如果對特色農(nóng)產(chǎn)品翻譯中存在的問題置之不理，在很大程度上會影響我國特色農(nóng)產(chǎn)品的出口[1]。

ROI的矩形度為

灰度特征是肺結(jié)節(jié)的最基本特征.設(shè)ROI大小為M′×N′,f(x,y)表示ROI中像素點(x,y)的灰度值(x=1,2,…,M′;y=1,2,…,N′),則ROI的灰度均值 ˉf和灰度方差σ分別為

紋理是對圖像的像素灰度級在空間上的分布模式描述,紋理特征是圖像局部性質(zhì)的統(tǒng)計.設(shè)圖像灰度級為L,由于ROI通常比較小,文中分別考慮 0°、45°、90°和 135°方向,像素相隔距離δ=2,選用灰度共生矩陣的4個參數(shù):能量ene、對比度con、熵ent和逆差矩idm.

3 結(jié)合規(guī)則和SVM的分類器

文中采用結(jié)合規(guī)則和SVM的分類器對分割出來的ROI進行分類.

由于從CT圖像分割出來的ROI中,包括結(jié)節(jié)和非結(jié)節(jié),且非結(jié)節(jié)的數(shù)量要多于結(jié)節(jié)的數(shù)量,而ROI的提取大多依賴于所選擇的分割算法;若對所有ROI都計算其13個特征,計算量會非常驚人.因此可以先設(shè)置規(guī)則對所有的 ROI進行篩選,去掉一些非結(jié)節(jié)區(qū)域,但基于規(guī)則的方法對不同的數(shù)據(jù)集缺乏魯棒性,故文中采用基于規(guī)則和SVM的方法對候選ROI進行分類:將閾值設(shè)置低一些,先用基于規(guī)則的方法篩去一部分候選 ROI,然后對剩余的ROI采用SVM進行分類.

規(guī)則1 如果ROI的矩形度R≥1,則這個區(qū)域被認為是血管,排除在外.

規(guī)則2 如果ROI的細長度S≤0.4,則這個區(qū)域被認為是血管,排除在外.

上述規(guī)則篩選后的區(qū)域即可作為SVM的訓(xùn)練和測試樣本.

SVM是從線性可分情況下的最優(yōu)分類面發(fā)展而來的.最優(yōu)分類面是一種分類的超平面,它不但能夠?qū)⑺械挠?xùn)練樣本正確分類,而且可使訓(xùn)練樣本中離分類面最近的點到分類面的距離最大[3].

將第 2節(jié)提取的所有候選區(qū)域的特征作為樣本集X=[x1x2… xl]T,l為總樣本數(shù),其中xi= (A,R,S,e,C,h,L,ˉf,con,ent,σ,ene,idm),為一個行向量,代表在任一個候選區(qū)域提取的 13個特征的集合,文中將其看作一個樣本.定義結(jié)節(jié)樣本的類別為正類樣本(+1),非結(jié)節(jié)樣本的類別為負類樣本(-1),因此任意一個樣本xi(i=1,2,…,l)所對應(yīng)的類別標簽為yi,yi∈{+1,-1},則樣本標簽集為Y=(y1,y2,…,yl)T.因此文中系統(tǒng)提取的樣本數(shù)據(jù)集可以表示為(X,Y),則SVM的最優(yōu)超平面可通過下面的優(yōu)化問題得到:

式中:ξi為松弛變量(訓(xùn)練誤差);C為懲罰系數(shù);ω為最優(yōu)超平面的法向量;b為偏置量.利用拉格朗日乘子法可以把式(9)的求解問題轉(zhuǎn)化為對偶問題:

式中:ai是樣本xi的拉格朗日乘子.這是一個典型的二次函數(shù)尋優(yōu)問題,存在唯一解.由此得到?jīng)Q策函數(shù)為

式中:sgn(?)為符號函數(shù).

4 實驗結(jié)果及分析

實驗數(shù)據(jù)來源于廣州某三甲醫(yī)院.CT圖像大小為512×512,圖像格式為16位的DICOM圖像.根據(jù)第2節(jié)提取的特征,把 13個特征作為 SVM的輸入,其中能量、對比度、熵和逆差矩分別是 4個方向上的平均值.對輸入數(shù)據(jù)進行預(yù)處理,把數(shù)據(jù)歸一化到[0,1];分類器的輸出分為兩類:結(jié)節(jié)(out=1)和非結(jié)節(jié)(out=-1).

文中選用50幅CT圖像,結(jié)節(jié)大小在0.2～3.0cm之間;結(jié)節(jié)位置不定,有孤立的,也有與肺壁或血管粘連的;結(jié)節(jié)形狀也不定,分割出的ROI區(qū)域共254個,其中正類(結(jié)節(jié))樣本數(shù)為50,負類(非結(jié)節(jié))樣本數(shù)為204.實驗所用 3個病例如圖3所示.病例1中有兩個結(jié)節(jié)(一個孤立的結(jié)節(jié)和一個直徑約為0.8cm的結(jié)節(jié));病例2中只有一個與血管粘連的結(jié)節(jié);病例3中只有一個與肺壁粘連的結(jié)節(jié).

實驗中,首先采用提出的規(guī)則對254個ROI進行分類;然后采用交叉驗證(CV)的SVM方法(k= 3)對這 254個區(qū)域進行分類,得出漏檢和誤判的個數(shù);接著對這些區(qū)域進行篩選,被排除的區(qū)域有 49個,剩余205個區(qū)域;最后采用SVM方法對205個樣本進行測試和訓(xùn)練,3種方法的分類結(jié)果如表 1所示,檢測結(jié)果如圖 4所示.

圖3 實驗所用病例Fig.3 Cases used in experiment

表1 幾種分類方法的識別結(jié)果Tab le 1 Recognition results of several classification methods

由表 1中可看出,基于規(guī)則的方法雖然沒有漏檢,但誤判的可能性太大;文中方法漏檢的可能性要比SVM方法大,但誤判的可能性小.其原因可能是:肺結(jié)節(jié)和非肺結(jié)節(jié)之間有些特征值是相互交錯的,只憑規(guī)則中設(shè)定的閾值是無法完全區(qū)分出來的;而通過規(guī)則篩選之后的候選區(qū)域相對更為集中, SVM的最優(yōu)超平面會根據(jù)目前的樣本特征發(fā)生變化.結(jié)節(jié)樣本和非結(jié)節(jié)樣本之間數(shù)量的不平衡,會對最優(yōu)超平面的位置產(chǎn)生影響,偏向結(jié)節(jié)樣本,從而降低結(jié)節(jié)樣本的識別率.解決這個問題有兩種方法:增加結(jié)節(jié)樣本的數(shù)量,使之與非結(jié)節(jié)樣本的數(shù)量大致平衡[15];使用改進的SVM算法,如代價敏感的支持向量機(CSVM),對結(jié)節(jié)和非結(jié)節(jié)樣本使用不同的懲罰函數(shù)C+和C-[16].表 1顯示,文中方法誤判的個數(shù)要比基于規(guī)則的方法或 SVM方法少,雖然文中方法的漏檢個數(shù)要比SVM方法多,但其支持向量(53個)要少于SVM方法的支持向量(67個),如果樣本數(shù)增加數(shù)倍,考慮到系統(tǒng)的整體效率,文中方法是可取的.

圖4 3個病例的實驗結(jié)果Fig.4 Experimental results of three cases

從圖 4中可知,對于病例 1,3種方法都能檢測出孤立結(jié)節(jié),只有基于規(guī)則的方法檢測出0.8cm的微小結(jié)節(jié);對于病例2,只有SVM方法漏檢了與血管粘連的結(jié)節(jié);對于病例 3,3種方法都檢測出與肺壁粘連的結(jié)節(jié).從圖 4中還可以看到,對于病例 1和病例 2,基于規(guī)則的方法將一些區(qū)域誤判為結(jié)節(jié),致使系統(tǒng)假陽性高;而SVM方法和文中方法卻降低了系統(tǒng)的假陽性.實驗中有漏檢結(jié)節(jié)的情況,原因主要是:結(jié)節(jié)太小,醫(yī)學(xué)征像和提取的特征很難與血管區(qū)分,特別是這樣的病例比較少,很難得出相似大小的結(jié)節(jié)的統(tǒng)一特征,這對網(wǎng)絡(luò)的訓(xùn)練有很大的難度;結(jié)節(jié)因為與血管相粘連或是受到鄰近血管的擠壓,形狀很不規(guī)則,或是灰度不是很明顯,極易分類錯誤;結(jié)節(jié)因為與肺壁相粘連,分割出的區(qū)域形狀不規(guī)則.

5 結(jié)語

為了識別CT圖像中的肺結(jié)節(jié),文中提出一種結(jié)合規(guī)則和SVM的識別方法來對分割出來的ROIs進行分類.實驗結(jié)果顯示,文中方法的特異性高,但敏感度太低.為了提高文中方法的性能,下一步的工作重點是:收集更多的特別是結(jié)節(jié)直徑小于1 cm的病例,以為小結(jié)節(jié)的檢測提供更多的信息;深入研究候選區(qū)域的醫(yī)學(xué)征像和特征;改進SVM算法.

[1] Lin Daw-yung,Yan Chung-ren,Chen Wen-tai.Autonomous detection ofpulmonary nodules on CT imageswith a neural network-based fuzzy system[J].Computerized Medical Imageing and Graphics,2005,29:447-458.

[2] Xu XW,Doi K,Kobayashi T,et al.Development of an improved CAD scheme for automated detection of lung nodules in digital chest images[J].Medical Physics, 1997,24(9):1395-1403.

[3] Kanazawa K,Kawata Y,NikiN,etal.Computer-aided diagnosis for pulmonary nodules based on helical CT images [J].Computerized Medical Imaging and Graphics,1998, 22:157-167.

[4] Satoh H,Ohmatsu H,Kakinuma R,et al.Lung cancer detection based on helical CT images using curves surface morphology analysis[J].Proceeding of SPIE,1999, 3661:1307-1314.

[5] Vapnik V.The nature of statistical learning theory[M]. New York:Springer-Verlag,1995:91-188.

[6] CristianiniN,Shawe-Taylor J.An introduction to support vectormachines and other kernel-based learning methods [M].Cambridge:Cambridge University Press,2000:47-98.

[7] Dehmeshki Jamshid,Chen Jun,Casique M V,etal.Classification of lung data by sampling and support vector machine[C]∥Proceedings of the 26th Annual International Conference of the IEEE Engineering in Medicine and Biology Society.San Francisco:IEEE,2004:3194-3197.

[8] Lilla B,Zhao Luyin,Lee K P.Feature subset selection for improving the performance of false positive reduction in lung nodule CAD[J].IEEE Transactions on In formation Technology in Biomedicine,2006,10(3):504-511.

[9] Ganeshan B,Miles K A,Young R C,et al.Texture analysis in non-contrastenhanced CT:impact ofmalignancy on texture in apparently disease-free areas of the liver[J]. European Journal of Radiology,2009,70(1):101-110.

[10] Gurcan Metin N,Sahiner Berkman,Petrick Nicholas,et al.Lung nodule detection on thoracic computed tomography images:preliminary evaluation of a computeraided diagnosis system[J].Medical Physics,2002, 29(11):2552-2558.

[11] Jia Tong,Zhao Da-zhe,Wei Ying,et al.Computer-aided lung nodu le detection based on CT images[C]∥Proceedings of IEEE/ICME International Conference on ComplexMedical Engineering.Beijing:IEEE,2007:816-819.

[12] Keserci Bilgin,Yoshida H iroyuki.Computerized detection of pulmonary nodules in chest radiographs based on morphological features and wavelet snake model[J]. Medical Image Analysis,2002,6(4):431-447.

[13] Su Hongshun,Qian Wei,Sankar Ravi,etal.A new knowledge-based lung nodule detection system[C]∥Proceedings of IEEE International Conferenceon Acoustics, Speech,and Signal Processing.Montreal:IEEE,2004: 445-448.

[14] Wang Huan,Guo Xiu-hua,Jia Zhong-wei,et al.Multilevel binomial logistic predictionmodel formalignant pu lmonary nodules based on texture features of CT image [J].European Journal of Radiology,2010,74(1):124-129.

[15] Chaw la Nitesh V,Bowyer Kevin W,Hall Lawrence O,et al.Smote:synthetic m inority over-samp ling technique [J].Journal of Artificial Intelligence Research,2002,16 (3):321-357.

[16] Chang Chih-chung,Lin Chih-jen.LIBSVM:a library for support vector machines[EB/OL].[2010-11-16]. http:∥www.csie.ntu.edu.tw/～cjlin/papers/libsvm. pdf.