原发性肝癌CT图像纹理剖析.docVIP

原发性肝癌CT图像纹理剖析 　　摘 要 目的 探索图像纹理分析方法对原发性肝癌CT图像的识别能力。方法 首先从一阶统计特征、灰度共生矩阵、灰度行程矩阵3方面提取正常肝脏和原发性肝癌CT图像的纹理特征，然后采用t检验进行特征选择，最后利用BP神经网络对保留的特征进行分类识别。结果 BP神经网络对正常肝的识别率是100±0.00%，对原发性肝癌的识别率是93.60±5.35%。结论 BP神经网络经设计优化后能达到较高的识别准确率，对于原发性肝癌的计算机辅助诊断具有一定实际意义和理论价值。 　　关键词 原发性肝癌 特征提取 特征选择 BP神经网络 　　1 前 言 　　原发性肝癌是由肝细胞或肝内胆管上皮细胞发生的恶性肿瘤，在世界范围内是第5位致死性恶性肿瘤[1]，在我国发病率[2]也很高。在各种影像学检查技术中，CT能较好地反映肝脏的病理形态表现，成为诊断肝脏疾病的首选影像检查方法之一。正常的组织结构被破坏是诊断学中区分弥散性和非弥散性肝脏疾病的重要形态特征，反映在CT图像上则呈现为图像纹理的改变，因此可以利用纹理特征的差异对不同病例的肝脏CT图像进行分析，也就能实现对原发性肝癌和正常肝组织进行计算机分类识别。由于我国肝癌患者数量众多，诊断工作较为繁重，因此实现对原发性肝癌CT图像的计算机辅助诊断有助于减轻诊断医师劳动负荷，增加诊断途径从而减少误诊率，对原发性肝癌的治疗具有重要意义。 　　近年来，基于CT图像的纹理分析研究取得一定进展，.Mir[3]等提出肝脏CT图像采用基于灰度共生矩阵、灰度行程矩阵和灰度差分矩阵的纹理特征区分肝脏正常组织和病变组织。Chen[4]等通过分形特征信息和空间灰度共生矩阵提取特征值，利用改进的概率神经网络分类器来识别肝囊肿和血管瘤这2种不同类型的肝CT图像，这种分类器的正确率达到83%。Stavroula G.Mougiakakou[5]等人从一阶统计值、灰度共生矩阵、灰度差分矩阵、Laws能量和分形维数5个方面提取特征，对正常肝、肝癌、肝囊肿、肝血管瘤4类CT图像进行识别，最好的识别率为84.96%。 　　本文借鉴当前可用于描述图像纹理特征的测度，并应用模式识别中经典、成熟图像特征提取方法，结合人工神经网络识别技术对正常肝脏、原发性肝癌的CT图像进行纹理分析和识别研究，最终结果达到对原发性肝癌93.60%±5.35%较高的识别准确率。 　　2 方法 　　本文研究60个样本图像来自于湖北文理学院附属襄阳市中心医院，选择经确诊正常肝、原发性肝癌的CT图像各30例，将上述CT图像采集后存储在计算机上，并选择图像中的兴趣区（regions of interest，ROI）。在有经验医师指导下选取60个20*20大小的ROI（Regions of interest）进行分析，30个ROI属于正常肝，30个ROI属于原发性肝癌。 如图1所示。 　　2.1 纹理特征提取 　　图像的区域纹理特征可以描述一个区域图像的精细或粗糙、均匀和不均匀和平滑与不规则等信息。本文从以下3方面提取纹理特征。 　　2.1.1 一阶统计特征 一阶统计特征[6]是图像中灰度的一阶概率分布，是包含在图像中信息的简介概括，是很有吸引力的纹理测量方法，也是最基本的纹理特征描述。 　　2.1.2 灰度共生矩阵 由Haralick[7]提出的灰度共生矩阵[6]方法，它是建立在估计图像二阶组合条件概率密度函数基础上的。这个方法已有较长的研究历史，也是当前人们公认的一种重要纹理分析方法。 　　灰度共生矩阵描述了图像中在?方向上（一般为0?、45?、90?、135?四个方向），距离为d的一对象元分别具有灰度i和j的出现概率。灰度共生矩阵中每一个元素都可以包含距离、角度、灰度值和出现概率4种信息。根据灰度共生矩阵提取13个特征参量：角二阶矩、对比度、相关系数、倒数差分矩、和均值、差均值、和方差、差分方差、熵、差分熵、信息测度I、信息测度II、最大相关系数。取d=1，将4个方向上相应的值取平均，从每个ROI提取13个特征值。 　　2.1.3 灰度行程矩阵 灰度行程矩阵[6]是指连续的、共线的并具有相同灰度级（或属于同一灰度段）的像素点，对于一个给定图像可以计算出灰度游程矩阵M?，表示图像在?方向上（一般为0?、45?、90?、135?四个方向），灰度为g，长度为d的灰度串所出现的总次数。本文提取了灰度行程矩阵的5个特征参量：短行程优势、长行程优势、灰度不均匀性度量、行程长度的不均匀性度量、行程总数的百分率。 　　2.2 特征选择 　　这样，本文对肝脏CT样本图像提取纹理特征达到28个，然而并不是每个特征都适用于样本图像的区分，对于某个特征而言，2个样本值存在显著性差异的为有效特征，否则为冗余特征。本文采用t检验法[8]进行特征