何穎++尹慧平++張耀楠

摘要：由于胃部病灶種類較多，利用計(jì)算機(jī)輔助診斷提取特征的方法，大多針對正常與否分類，而對于多種胃部疾病分類問題的精確度較低。文中采用先分割病灶區(qū)域再分類的方法，首先對圖像進(jìn)行預(yù)處理，再對內(nèi)窺鏡圖像分割出病灶區(qū)域，通過基于提取紋理與顏色特征相結(jié)合的方法進(jìn)行特征優(yōu)化，選取神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行分類，提高分類準(zhǔn)確度。

關(guān)鍵詞：內(nèi)窺鏡圖像 胃部病灶 圖像去噪 特征優(yōu)化

中圖分類號：TP311.52 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2016）10-0132-02

Abstract：Gastric cancer is one of the most common malignant tumor in the world scope. Due to gastric lesions sort is more， but the research methods of extracting characteristics of gastric cancer， mostly for classification of normal or not， and for the accuracy of the various stomach disease classification problem is low. In this paper， we adopt the method of segmentation lesion area first， then classification， first of all， the image preprocessing， and then the focal zone of endoscope image segmentation， based on LBP extraction method combined with color features， texture features optimization， selection of neural network to classify the image， improve the classification accuracy.

Key Words：Endoscopic images； Gastric lesions； Image denoising； Characteristics of the optimization

1 引言

文中采用計(jì)算機(jī)輔助診斷方法，通過對胃鏡圖像的數(shù)學(xué)分析，是目前早期胃癌診斷研究的一個(gè)方向[1]。計(jì)算機(jī)輔助診斷主要是用于圖像識別方面，即首先提取胃部內(nèi)窺鏡圖像的相關(guān)特征，如顏色、紋理、形狀等，然后根據(jù)特征進(jìn)行分類，最終標(biāo)記出相應(yīng)的病灶區(qū)域，輔助醫(yī)生診斷治療。目前采用計(jì)算機(jī)算法進(jìn)行識別中現(xiàn)有的特征描述方法如顏色特征描述較少，紋理描述方法復(fù)雜，計(jì)算量大，一般研究方法所選取的特征提取方法較為單一，導(dǎo)致分類效果粗糙，準(zhǔn)確率較低。為了提高效率，如何對胃部病灶進(jìn)行自動化檢測及快速準(zhǔn)確的分類疾病類型是一項(xiàng)有意義且艱難的工作[2][3]。

2 檢測及分類方法

2.1 圖像預(yù)處理實(shí)現(xiàn)圖像分割

圖像預(yù)處理的主要目的是消除圖像中無關(guān)信息，恢復(fù)有用信息，增強(qiáng)有關(guān)信息的可檢測性和最大限度地簡化數(shù)據(jù)。由于圖像光源照射不均勻，很容易影響圖像區(qū)域亮度不同。首先需對圖像進(jìn)行去噪，并對圖像使用增強(qiáng)方法，改善圖像的視覺效果。通過轉(zhuǎn)換圖像顏色空間為Lab空間，通過明亮度L，設(shè)置閾值分割圖像，預(yù)處理過的胃潰瘍圖片如圖1所示。

圖像經(jīng)過去噪處理就可以對病灶圖像進(jìn)行分割了。由于胃鏡圖像的顏色特征較為明顯，通過聚類方法可以基于色彩空間對彩色圖像分割，然后對每個(gè)分割出來的區(qū)域進(jìn)行特征的提取。常用的彩色圖像分割聚類方法有，K均值、模糊C均值和分層聚類方法[4]。運(yùn)用K均值聚類圖像分割技術(shù)，提取出病灶區(qū)域。K均值聚類算法原理簡單，實(shí)現(xiàn)靈活、算法效率高。病灶分割后的胃潰瘍圖片如圖2所示。

2.2 運(yùn)用多種算法提取特征，選擇最優(yōu)算法

圖像常用的特征有：顏色特征、紋理特征。顏色特征常用的有，選用顏色直方圖，顏色旋轉(zhuǎn)不變性。顏色直方圖特征描述的是不同色彩在整幅圖像中所占的比例。圖像紋理描述圖像或其中小塊區(qū)域的空間顏色分布和光強(qiáng)分布。紋理特征常用的有局部二值模式LBP，灰度共生矩陣，小波變換提取特征等。LBP是一種局部紋理特征的算子；它具有旋轉(zhuǎn)不變性和灰度不變性等優(yōu)點(diǎn)；灰度共生矩陣以像素對的方向和距離為變化量來建立共生矩陣，再從此矩陣中提取可以表征圖像內(nèi)容的統(tǒng)計(jì)量作為紋理特征；小波變換的紋理特征方法可消除冗余信息，但檢索速度較慢[5]。

2.3 T-檢驗(yàn)方法實(shí)現(xiàn)特征優(yōu)化

特征選擇能剔除不相關(guān)或冗余的特征，達(dá)到減少特征個(gè)數(shù)，提高模型精確度，減少運(yùn)行時(shí)間，易于理解數(shù)據(jù)產(chǎn)生的過程。特征選擇過程如圖3所示。

首先從特征全集中產(chǎn)生出一個(gè)特征子集，然后用評價(jià)函數(shù)對該特征子集進(jìn)行評價(jià)，評價(jià)的結(jié)果與停止準(zhǔn)則進(jìn)行比較，若評價(jià)結(jié)果比停止準(zhǔn)則好就停止，否則就繼續(xù)產(chǎn)生下一組特征子集，繼續(xù)進(jìn)行特征選擇。選出來的特征子集一般還要驗(yàn)證其有效性。通過在不同的彩色空間中選擇出每個(gè)特征的優(yōu)特征量，根據(jù)T-檢驗(yàn)方法對特征優(yōu)化，設(shè)計(jì)實(shí)驗(yàn)，選取對分類效果顯著影響的特征。以達(dá)到最優(yōu)分類效果。

2.4 神經(jīng)網(wǎng)絡(luò)分類算法

不同的分類算法有不同的特定，在不同的數(shù)據(jù)集上表現(xiàn)的效果也不同，需要根據(jù)特定的任務(wù)進(jìn)行算法的選擇[6]。選取不同分類器將圖像病灶區(qū)域分類，確定病灶種類，通過簡單的實(shí)驗(yàn)來驗(yàn)證不同的分類算法的效果。神經(jīng)網(wǎng)絡(luò)是分類算法中最常用的方法之一，人工神經(jīng)網(wǎng)絡(luò)的最大優(yōu)勢是他們能夠被用作一個(gè)任意函數(shù)逼近的機(jī)制，從觀測到的數(shù)據(jù)“學(xué)習(xí)”。使用神經(jīng)網(wǎng)絡(luò)對提取的特征分類，選用十折交叉驗(yàn)證方法，計(jì)算分類問題的準(zhǔn)確度。

分類算法的評價(jià)標(biāo)準(zhǔn)有預(yù)測的準(zhǔn)確率，這涉及到模型正確地預(yù)測新的或先前沒見過的數(shù)據(jù)的類標(biāo)號能力；速度，涉及到產(chǎn)生和使用模型的計(jì)算花費(fèi)；強(qiáng)壯性，涉及給定噪聲數(shù)據(jù)，模型正確預(yù)測的能力；可伸縮性，處理大數(shù)據(jù)集的能力；可解釋性，分類器的預(yù)測標(biāo)準(zhǔn)的可理解性。

3 結(jié)語

文中采用先分割病灶區(qū)域再分類的方法，首先對圖像進(jìn)行預(yù)處理，再對內(nèi)窺鏡圖像分割出病灶區(qū)域，對病灶區(qū)域提取特征，從而提高了多種胃部疾病分類診斷的可能性。通過基于局部二值模式等方法提取紋理特征與顏色特征相結(jié)合的特征提取方法，進(jìn)行特征優(yōu)化，選取神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行分類。結(jié)合多種特征提取方法，從而突破特征提取方法單一的問題，提高分類準(zhǔn)確度。

參考文獻(xiàn)

[1]初里楠，李竹.2003—2011年北京市西城區(qū)居民惡性腫瘤死亡情況及減壽分析[J].中國衛(wèi)生統(tǒng)計(jì).2013（04）.

[2]D.Lowe.Object recognition from local scale-invariant features. In Proc.ICCV，pages1150-1157，1999.

[3]吳軼倫.基于Mean Shift 的胃鏡圖像分析方法研究[D].上海交通大學(xué)，2010.

[4]徐國公.基于胃鏡圖像檢測上消化道早期癌癥的方法研究[D].電子科技大學(xué)，2013.

[5]徐紅梅.基于胃鏡圖像的胃脘痛特征數(shù)據(jù)分析[D].長春工業(yè)大學(xué)，2016.

[6]關(guān)沫，邢永吉.基于胃鏡圖像的病灶區(qū)域檢測方法研究[J].微型機(jī)與應(yīng)用，2014，05：49-52.

收稿日期：2016-08-20

基金項(xiàng)目：陜西省教育廳自然科學(xué)資助項(xiàng)目（16JK2147）；西安思源學(xué)院重大科研項(xiàng)目（XASY-B1601）

作者簡介：何穎（1983—），女，漢族，陜西渭南人，工學(xué)碩士學(xué)位，講師，研究方向：信號與信息處理、圖像圖形處理。