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

對肝功能進行監(jiān)測是慢性肝病治療中的重要環(huán)節(jié)［1］。Child-Pugh、MELD［2］等評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)，無創(chuàng)易行，在臨床中被廣泛使用，在預(yù)測終末期肝病患者的死亡率以及術(shù)后的生存時間等方面有重要的臨床價值。計算機斷層掃描（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CT 掃描的動脈增強分數(shù)的類灌注技術(shù)、能譜CT碘基圖定量分析等技術(shù)評估肝功能［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估方法［5］，基于機器學(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［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?；叶裙采仃嚕℅rey-Level Co-occurrence Matrix，GLCM）方法由Haralick 等［8］提出，具有原理簡單、辨別能力較強等優(yōu)點。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。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，實現(xiàn)對正常、異常圖像的分類。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，對慢性胰腺炎和自身免疫性胰腺炎進行分類。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 對圖像進行三值編碼，有效提高了對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［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，對全局特征描述大幅增強，且閾值的自適應(yīng)性增強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］對圖像進行邊緣檢測，然后進行三值特征提取，減少了計算量、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，基于異常肝臟CT圖像，進行肝功能分級的工作還沒有被討論。

本文分析了不同MELD 評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 圖像的肝功能分類中，提取肝臟組織局部紋理特征，采用支持向量機（Support Vector Machine，SVM）［19］訓(xùn)練和分類，建立基于增強CT 門脈期肝臟的肝功能分級模型，揭示了不同肝功能等級肝臟CT 圖像的特征差異，為肝功能分級提供了基于CT 影像的新方法。

2 梯度局部三值模式

LTP 是GLTP 的基礎(chǔ)，LTP 編碼通過定義閾值t增加一個編碼模式，對LBP編碼在“0”碼和“1”碼的基礎(chǔ)上增加了“-1”碼，使得LTP描述符對紋理特征的描述更加詳細，且對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Gc周圍設(shè)定閾值t，定義一個長度為2t的區(qū)間［-t，t］，如果各鄰域像素點的灰度值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是中心像素點的灰度值，Gi是中心像素點鄰域內(nèi)第i個像素點的灰度值。

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）表示中心像素點鄰域中第i個采樣點經(jīng)過量化后的值。

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（或負模式），如式（4）所示：

對上述兩種模式中得到的二進制編碼乘以相應(yīng)的權(quán)重后相加，得到中心點正、負模式的十進制LTP 特征值，如圖1 所示。根據(jù)上述特征值計算正負LTP編碼的統(tǒng)計直方圖，并將其級聯(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濾波結(jié)果Gx、Gy，如式（5）所示；然后，計算圖像中每個像素的梯度幅度值Gx，y如式（6）所示；最后，對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圖像分類方法

圖2 為本文方法的整體流程圖。首先，對經(jīng)過MELD 分級劃分出的不同肝功能等級的圖像進行預(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，對圖像中每個像素點計算GLTP局部模式；再次，將圖像分成相同大小的子塊，統(tǒng)計編碼后的直方圖，將直方圖級聯(lián)，構(gòu)特征向量，對特征向量進行PCA降維［20］；最后，使用SVM分類器對特征向量進行訓(xùn)練和識別。

圖2 本文方法的整體流程圖

3.1 MELD評分與圖像預(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、凝血酶原時間國際標(biāo)準(zhǔn)化比值（INR）和血肌酐等指標(biāo)）計算得分R［21～22］，如式（7）所示：

其中，病因項，膽汁性或酒精性為0、其他為1。根據(jù)MELD 評分標(biāo)準(zhǔn)劃分出“低?；颊撸≧＜15）”、“中?；颊撸?5 ≤R≤18）”和“高危患者（R＞18）”。不同等級肝功能MELD評分的肝臟CT圖像如圖3所示。

圖3 不同等級肝功能MELD評分的肝臟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

基于GLTP 的肝臟CT 圖像特征提取與分類方法如表1所示，圖4給出了GLTP編碼的過程。

表1 基于GLTP特征的肝臟CT圖像特征提取與分類算法

圖4 GLTP編碼過程

圖5 為不同肝功能等級肝臟CT 圖像的GLTP編碼圖像。分別給出了“低危”、“中危”和“高?！备尾』颊叩脑紙D像、提取出的ROI 區(qū)域、ROI 區(qū)域經(jīng)過Sobel 算子濾波后的圖像以及相應(yīng)的正GLTP模式和負GLTP模式。

圖5 肝臟CT圖像的GLTP編碼圖像

4 實驗設(shè)置及結(jié)果分析

4.1 實驗設(shè)置

本文實驗環(huán)境：Windows 10 操作系統(tǒng)，Matlab R2018a 編程環(huán)境。實驗所用的CT 圖像數(shù)據(jù)來自江蘇省人民醫(yī)院，每張圖像包含其對應(yīng)的MELD 評分信息。實驗共使用肝臟CT 圖像240 張，其中，MELD 評分“低?！?20 張、“中?！?0 張、“高?！?0張。為了驗證算法的有效性，本文進行兩組實驗：1）選擇評分為“低?！?、“中?！?、“高危”圖像各60張，共計180 張圖片，進行三類分類；2）將“中?！迸c“高?！眻D像合并成一類，即使用“低?！?20 張，“中高?！?20 張，共計240 張圖片，進行二類分類。實驗采用10 折交叉驗證的方法：將數(shù)據(jù)集隨機劃分成10 組，其中1 組作為測試集，其他的9 組作為訓(xùn)練集，以此輪流實驗10 次計算出每組測試集上的識別率，將其平均后作為最終的識別率。

4.2 不同分塊大小對實驗結(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)計對分類結(jié)果的影響，本文對5 種不同分塊大小分別進行了實驗。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，基于線性核、三次多項式核以及RBF 核SVM 進行“低?！薄ⅰ爸形！薄ⅰ案呶！比惙诸惡汀暗臀！?、“中高?！眱深惙诸惖膶嶒灲Y(jié)果。從表2可以看出，將圖像分為3×3塊時，三類分類的識別率最高，在三種核函數(shù)下的識別率分別為60.56%，60.56%，58.89%。隨著圖像分塊數(shù)量的增加，識別率有所下降，說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算子三類識別率（單位：%）

從表3可以看出，將圖像分類11×11塊時，兩類分類的識別率最高，三種核函數(shù)下的識別率分別為65.00%，62.92%，55.42%。在圖像分塊數(shù)量較小時，獲得了較高的識別率?？傮w來看，“低?！薄ⅰ爸懈呶！眱深惙诸惖淖R別率高于“低?！薄ⅰ爸形！薄ⅰ案呶！比惙诸惖慕Y(jié)果，可能的原因是在MELD 評分中，“低?！被颊邽镽＜15，“中?！被颊邽?5 ≤R≤18，“高?！被颊邽镽＞18，中高?；颊叩脑u分相對接近，因此，“中?！?、“高?！被颊吒闻K組織紋理具有類似的特征，這些特征與低?；颊叩母闻K紋理特征差異大，更易于分類。

表3 不同分塊的GLTP算子兩類識別率（單位：%）

4.3 不同降維參數(shù)對實驗結(jié)果的影響

為了降低特征維度，本文對提取的特征進行了降維，圖6 為圖像分塊為3×3，基于線性核SVM，三階多項式核和RBF 核（C=100），PCA 降維參數(shù)從0.85 到0.99 時所對應(yīng)的“低危”、“中?！?、“高危”三類分類的識別率。從圖中可以看出，當(dāng)降維參數(shù)為0.91，基于線性核SVM 時，識別率最高，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 時所對應(yīng)的“低危”、“中高危兩類分類的識別率?；诰€性核SVM 時，獲得了最高64.17%的識別率?？傮w來看，隨著降維參數(shù)的變化，基于線性核和RBF 核，識別率基本在60%左右波動，進一步地驗證了基于GLTP提取肝臟組織特征的有效性。

圖6 不同降維參數(shù)下“低?！?、“中危”、“高危”三類分類識別率

圖7 不同降維參數(shù)下“低?！薄ⅰ爸懈呶！眱深惙诸愖R別率

4.4 采用不同特征的實驗結(jié)果

表4 為三種不同局部特征對“低?！?、“中?！焙汀案呶！比悎D像的識別率，其中分塊大小為9×9，降維參數(shù)為0.91。從實驗結(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別率，更好地描述了肝臟的局部紋理。

表4 不同方法的三類識別率（單位：%）

5 結(jié)語

本文分析了不同等級肝功能的CT 圖像，提出了一種基于梯度局部三值模式的肝功能分級方法，揭示了MELD 肝功能分級與CT 影像的潛在關(guān)系，對于臨床診斷有一定的輔助和應(yīng)用價值。未來的工作將基于以下兩個方面進一步展開：1）增加實驗數(shù)據(jù)量，建立更為完善的肝臟CT圖像數(shù)據(jù)集；2）進一步研究肝臟CT 圖像的紋理特點，提取出更具辨別力的特征，結(jié)合不同的肝功能評分標(biāo)準(zhǔn)，提高利用CT影像進行肝功能分級的準(zhǔn)確性。