原发性肝癌CT图像纹理分析

开篇：润墨网以专业的文秘视角，为您筛选了一篇原发性肝癌CT图像纹理分析范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

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]进行特征选择。

2.3 神经网络识别系统

针对2类样本图像，本文采用BP神经网络识别系统在正常肝和原发性肝癌之间进行分类。如图2所示。BP 神经网络分类器的结构中，分类器包括一个输入层，一个隐含层和一个输出层。其中输入层含有与所选的有效特征数量相同的输入神经元，隐含层含有十个神经元，输出层含一个输出神经元，在隐含层和输出层使用正切S型传输函数，收敛判断值设为0.0001，最大训练步数为200。当训练数据和网络输出的平均误差平方降到低于这个值，认为这个网络已经收敛。

3 实验结果与分析

采用上述纹理特征提取算法，对每个ROI样本提取28个纹理特征，然后采用t检验法选择有效特征，在显著性水平a取0.05的情况下，一阶统计特征的10个特征以及信息测度I、信息测度II、和均值、最大相关系数、灰度不均匀性度量这15个特征具有显著差异，其余的为冗余特征。t检验选择结果见表1：

由于特征数目量较大，为直观观察t检验特征选择的结果是否准确，从有效特征中抽取一阶矩、和均值，从冗余特征中抽取熵，观察这些特征在不同性质的图像是否具有明显不同的统计分布，表1给出部分特征在原发性肝癌、正常肝脏CT 图像中的统计分布，结果以均值±标准差表示。

从上表可以看到，一阶矩和和均值在正常肝和原发性肝癌中的统计分布有着显著性差异，而熵在2者之间的分布差异则没有有效特征明显，很难将这2种样本区分开。这一结果与t检验特征选择的结果是一致的，从而更直观证明该特征选择机制的准确性。

将t检验选出的特征向量输入到神经网络分类器中进行实验。MATLAB神经网络工具箱提供十分丰富的分析计算和仿真函数，为神经网络的应用提供极大的方便[9]，因此分析软件选用MATLAB。

由于不同特征的物理意义不同，具有不同的动态范围，这样不同的特征常不具有可比性，因此，在分类之前首先将特征值归一化[10]。对于特征值x，l是其取值上限，u是其取值下限，可用下式归一化到[0，1]之间

用神经网络识别系统进行实验时分别采用2个方案：

方案一：全样本作为检测样本。

把样本集全部用于训练神经网络识别系统，然后仍然用该样本集来测试，根据测试结果来评价神经网络识别系统对全样本的识别率。

方案二：留1/3样本作为测试样本，其余做训练样本。

正常的和原发性肝癌各有30组样本，分别从正常的随机抽取10组，原发性肝癌中随机抽取10组作为测试样本，剩下的全部为训练样本。一共进行实验100次，统计系统对所有测试样本的识别正确率的平均值及标准差。识别结果如表3所示。

在方案一中，BP神经网络的识别率达到100%±0.00%，这个识别结果是比较好的。但是方案一是全样本既做训练集又做测试集，因此这些结果还不足以衡量识别效果。不过从中可以说明此分类识别器可以用于解决正常肝脏、原发性肝癌的识别问题。

在方案二中，BP神经网络对正常肝的识别率达到100%±0.00%，对原发性肝癌的识别率达到93.60%±5.35%，由这个结果可见，BP神经网络识别系统对肝脏CT图像识别有较高的识别准确率。

从表2中可以看出，方案二的相应识别率要比方案一的相应识比率有所降低，但这完全符合模式识别理论的规律，有导师型神经网络[11]对学习过的样本能够很好的识别，但是对于从未学习过的检测样本，只能根据学习样本的训练结果对该样本进行推断，识别率必然有所降低。

4 结论

文中根据正常肝脏、原发性肝癌在CT图像上的差异，对图像感兴趣区域进行纹理特征的提取，通过筛选得到区分正常肝脏、原发性肝癌的特征向量，并通过神经网络分类器训练和测试达到对正常肝脏100.00%±0.00%，原发性肝癌93.60%±5.35%。实验结果表明，BP神经网络具有较高的识别准确率，在纹理分析中有一定的应用价值，对肝脏CT图像的纹理特征具有良好的识别能力。本项研究成果有望为临床诊断原发性肝癌提供计算机辅助诊断手段。

参考文献

[1] 徐辉雄，谢晓燕，吕明德，等.超声引导经皮消融术治疗复发性肝癌[J].中华肝胆外科杂志，2005，11（12）：809-811.

[2] 朱志英，许红璐，陈仙.原发性肝癌患者的需求现状[J]. Modern Nursing， 2007， 13（19）： 1824-1825.

[3] Mir A H，Hanmandlu M，Tandon S N.Texture analysis of CT images. IEEE International Conference of the Engineering in Medicine and Biology Society， 1995；14（6）：781-6.

[4] Chen E L，Chung P C，Chen C L，Tsai H M，Chang C I.An automatic diagnostic system for CT liver image classification[J].IEEE Trans.Biomed.Eng.，1998，45（6）：783-794.

[5] Stavroula G. Mougiakakou， Ioannis K.Valavanis， Alexandra Nikita， et al.Differential diagnosis of CT focal liver lesions using texture features， feature selection and ensemble driven classifiers[J].Artificial Intelligence in Medicine.2007，41：25-37.

[6] 西奥多里德斯（Theodoridis， S.）等著，李晶皎等译，模式识别[M]，第3版，北京：电子工业出版社，2006.213-219，310-312.

[7] Haralick R M， Shangmugam K，et al.Textural Features for Image Classification[J].IEEE Transaction on Systems，1973，SMC-3（6）：768-780.

[8] 刘次华，万建平.概率论与数理统计[M]，第2版，北京：高等教育出版社，2003：202-203.

[9] 雷晓云 张丽霞 梁新平，基于MATLAB工具箱的BP神经网络年径流量预测模型研究[J].水文，2008，28（1）：43-46.

[10] 万金鑫，宋余庆，董淑德，等.医学图像灰度归一化显示技术研究[J].CT理论与应用研究，2008，17（4）：67-75.

[11] 李荣峰.人工神经网络及其在水科学研究中的应用[J].山西水利科技，2003，450：53，65