基于Ncut分割和SVM分類器的醫(yī)學(xué)圖像分類算法

1、文章編號(hào):1004-9037(200906-0734-04基于Ncut 分割和SVM 分類器的醫(yī)學(xué)圖像分類算法謝紅梅連宇彭進(jìn)業(yè)(西北工業(yè)大學(xué)電子信息學(xué)院,西安,710072摘要:為解決醫(yī)療診斷中由于疲勞和主觀因素影響導(dǎo)致的診斷錯(cuò)誤,本文提出了基于N cut 分割方法的醫(yī)學(xué)CT 圖像的分割、特征提取和診斷的新方案。將N cut 分割方法應(yīng)用于腦CT 圖像。先進(jìn)行圖像分割,提取感興趣區(qū)域,再從邊緣、灰度,紋理三方面提取特征,最后利用支持向量機(jī)(SV M 對(duì)圖像進(jìn)行分類,為醫(yī)生的診斷提供參考。從表格化的分類結(jié)果看,所提方案有較大的應(yīng)用價(jià)值。關(guān)鍵詞:醫(yī)學(xué)圖像;N cut 圖像分割;特征提取;分類;計(jì)算

2、機(jī)輔助診斷(CA D中圖分類號(hào):T P 391.41;T P 274;T N 911.73文獻(xiàn)標(biāo)識(shí)碼:A基金項(xiàng)目:西北工業(yè)大學(xué)畢業(yè)設(shè)計(jì)重點(diǎn)扶持(521030102資助項(xiàng)目;新世紀(jì)優(yōu)秀人才支持(N CET -07-0693資助項(xiàng)目。收稿日期:2008-07-15;修訂日期:2008-09-20Ncut -Based Segmentation and SVM Classifier for MedicalImage ClassificationX ie H ongmei ,L ian Yu ,Peng J iny e(Scho ol of Elect ro nic and Infor mation,

3、N o rthw estern P olytechnical U niver sity ,Xi an,710072Abstract :T o identify tum or par t o n a co mputer to mog raphy (CT image,this paper proposes a no vel computer aided diagnosis (CADscheme based on normalized cut (Ncutimage segmen-tation and support vector m achine (SVM classifier .Firstly ,

4、the Ncut segmentation metho d is used to perfo rm the segmentation and to obtain the region o f interest (ROI.T hen,such im -age features like histo gram ,g ray lev el co-occurrence matrix to co nstruct the feature space are extracted.Finally ,SVM classifier is trained and used to perform the classi

5、fication.T he classi-fication r esults show that the new schem e can prov ide useful help fo r better diagnosis .Thus ,the method can solve the problem of medical diag nosis error caused by the hum an fatig ue and the subjective factor.Key words :medical imag e classification ;N cut (Norm alized cut

6、 ;image segm entatio n ;featureextraction ;classifier ;co mputer aided diagnosis (CAD 引言隨著醫(yī)學(xué)成像技術(shù)的發(fā)展,醫(yī)學(xué)圖像數(shù)據(jù)在日常的醫(yī)療診斷和醫(yī)學(xué)研究中發(fā)揮著越來越重要的作用。醫(yī)院每天都會(huì)產(chǎn)生大量的醫(yī)學(xué)圖像數(shù)據(jù),如CT,MRI,超聲圖像等。由于醫(yī)師在診斷過程中受到影響因素較多,如:醫(yī)生的醫(yī)學(xué)知識(shí)水平和醫(yī)師經(jīng)驗(yàn)不同會(huì)導(dǎo)致診斷的結(jié)果不同;醫(yī)生人眼疲勞的原因容易忽略某些細(xì)微的改變,因此,如何有效地對(duì)醫(yī)學(xué)圖像進(jìn)行正確的處理從而診斷出有病變的部位成為當(dāng)前研究的一個(gè)熱點(diǎn)課題。針對(duì)以上問題,本文提出了以下方法:首先應(yīng)用歸

7、一化分割(Nor malized cut,N cut1,2方法進(jìn)行圖像的分割,提取感興趣區(qū)域;然后對(duì)提取的感興趣區(qū)域進(jìn)行特征提取構(gòu)成特征空間,接著用支持向量機(jī)(Suppo rt vector machine ,SVM 3分類器進(jìn)行訓(xùn)練;最后進(jìn)行分類診斷,得出診斷結(jié)果。1Ncut 圖像分割方法和SVM 分類器1.1Ncut 圖像分割方法人們提出了上千種的圖像分割方法,常見的有:局部濾波方法,如邊緣檢測(cè)方法,但它僅利用圖像局部信息,不能保證得到連續(xù)的閉合邊界;活動(dòng)第24卷第6期2009年11月數(shù)據(jù)采集與處理Jour nal of D ata A cquisition &P ro cessi

8、ng Vo l.24N o.6N o v.2009輪廓方法(Active contour,簡(jiǎn)稱Snakes,其速度是一個(gè)瓶頸問題;區(qū)域生長(zhǎng)與合并算法,如K-均值法、EM算法;基于能量函數(shù)的全局最優(yōu)化方法如水平集分割方法等2。其他圖像分割方法還有基于統(tǒng)計(jì)迭代方法的Mean shift(均值平移算法,但這些算法往往由于陷入非全局最優(yōu)而導(dǎo)致實(shí)時(shí)性比較差。Ncut準(zhǔn)則是一種無監(jiān)督圖像分割技術(shù),它不需要初始化,并具有3個(gè)主要的特點(diǎn):(1它將圖像分割問題轉(zhuǎn)換為圖的劃分問題;(2它是一個(gè)全局準(zhǔn)則;(3它同時(shí)最大化不同組之間的不相似性和同一組內(nèi)的相似性。1997年,由J Shi與J Malik1-2提出Ncu

9、t分割方法,用于解決圖像分割與聚類中的問題。該方法對(duì)于一幅輸入的圖像或一個(gè)特征點(diǎn)集建立一個(gè)帶權(quán)的無向圖,每一個(gè)像素或者特征點(diǎn)代表圖中的一個(gè)節(jié)點(diǎn),邊上的權(quán)值代表像素或者特征點(diǎn)之間的近似關(guān)系,然后在所建立的圖上尋找一個(gè)正規(guī)化的最小割,來對(duì)圖中的節(jié)點(diǎn)進(jìn)行劃分,進(jìn)而可以完成對(duì)圖像或者特征點(diǎn)集的分割。它的基本原理是:對(duì)于一個(gè)給定的圖G=(V, E,假設(shè)將其分為兩個(gè)不相交的部分A與B,AB=V,這兩個(gè)部分不相似程度可以定義為原先連接兩部分而現(xiàn)在被刪去的所有邊的權(quán)的綜合,定義為圖的一個(gè)割:cut(A,B=iA,jBw(i,j(1式中w(i,j即連接點(diǎn)i和點(diǎn)j的邊的權(quán),它表示兩點(diǎn)之間的相似程度。一幅圖的最優(yōu)二

10、分法即是使cut的值最小,但由于割直接與割中邊的數(shù)目成比例,因此最小割通常并非就是最優(yōu)割。鑒于最小割的缺點(diǎn),本文采用歸一化割作為最優(yōu)化準(zhǔn)則,從而實(shí)現(xiàn)一種有效的圖的劃分算法4。因此,定義一種新的不同組之間的不相似性度量,即歸一化割:Ncut(A,B=cut(A,Bassoc(A,V+cut(A,Bassoc(B,V(2其中assoc(A,V=uA,vVw(u,v表示A中的點(diǎn)和圖中所有點(diǎn)之間總的聯(lián)系程度,assoc(B,V的定義與值類似。同樣可以定義同一組內(nèi)相似性度量函數(shù)NassocNassoc(A,B=assoc(A,Aassoc(A,V+assoc(B,Bassoc(B,V(3其中asso c

11、(A,A和asso c(B,B分別表示A與B中所有邊的權(quán)的總和?？梢酝瞥鯪cut和Nassoc之間存在如下式表述的必然聯(lián)系:Ncut(A,B=2-Nassoc(A,B(41.2Ncut圖像分割方法的實(shí)現(xiàn)設(shè)x是一個(gè)N= V 維的指示向量,x i=1表示節(jié)點(diǎn)i在A中,x i=-1表示節(jié)點(diǎn)i在B中,d i=jw(i,j表示點(diǎn)i與其他點(diǎn)之間的所有聯(lián)系。Ncut可以重寫成Ncut(A,B=cut(A,Bassoc(A,V+cut(A,Bassoc(B,V=xi>0,xj<0-w ij x i x jxi>0d i+xi<0,xj>0-w ij x i x jxi<0d

12、 i(5令W為n×n的對(duì)稱矩陣且W(i,j=w ij,D=diag(d1,d2,d N。這樣尋找全局最優(yōu)值簡(jiǎn)化為min x Ncut(x=m in yy T(D-Wyy T Dy(6且y i1-xi>0d ixi<0d i,y Td1d N=0,如果y只取實(shí)值,則可以通過解決廣義特征值問題來求解式(6。(D-Wy= Dy(7y的約束來自于相應(yīng)的指示x的條件。式(7可以寫成規(guī)范特征值問題:D-12(D-WD-12z= z(8式中z=D-12y。該特征值問題的對(duì)應(yīng)具有第二個(gè)最小特征值的特征向量滿足規(guī)范約束,即可以利用該特征向量對(duì)圖進(jìn)行劃分。本文所采取的是將每個(gè)子圖單獨(dú)劃分,再

13、用遞歸的方法進(jìn)行處理4。應(yīng)用此方法,利用M ATLAB7.0軟件進(jìn)行仿真,選取一幅腦腫瘤CT圖像(圖1進(jìn)行分割。對(duì)于不同的區(qū)域,選擇不同的顏色加以標(biāo)注,不同區(qū)域的邊緣也可以清晰的顯示,分割的結(jié)果見圖2。由圖2可以看出,腫瘤區(qū)域被標(biāo)注出來,腫瘤的形狀與大小通過坐標(biāo)可以獲知。根據(jù)先驗(yàn)知識(shí),仿真實(shí)驗(yàn)中可以通過點(diǎn)擊腫瘤區(qū)域?qū)⒛[瘤的圖像提取出來并將其保存(見圖3,作為下一步分類判斷的樣本。Ncut方法的重要意義在于:歸一化割著重于提取整幅圖像的特征,同時(shí)度量不同分組之間的總體不相似性和各個(gè)組內(nèi)的相似性的總和。為了計(jì)算最小歸一化割,可以將其轉(zhuǎn)換為廣義特征值問題來對(duì)待。735第6期謝紅梅,等:基于N cut

14、分割方法和SVM分類器的醫(yī)學(xué)圖像分類算法 圖1原始腦腫瘤CT 圖像圖2 待分割的圖像圖3分割后的腦腫瘤圖像1.3特征提取通過上面的方法,腦腫瘤(感興趣區(qū)域已被提取出來,進(jìn)一步使用機(jī)器學(xué)習(xí)的方法將其有效特征提取出來,而后訓(xùn)練分類器,最后達(dá)到利用訓(xùn)練好的分類器區(qū)分病變部分和正常組織的目的。(1均值M c 1=1M ×N Mx =1Ny =1f (x ,y (2方差M 2c 2=1M ×N Mx =1Ny =1(f (x ,y -M c 12(3偏度M c 3=1M 3c 2M x =1Ny =1(f (x ,y -M c 13(4峰值M c 4=1M c 2Mx =1Ny =1

15、(f (x ,y -M c 14灰度共生矩陣定義為i 點(diǎn)離開某個(gè)固定位置關(guān)系 =(D x ,D y 的點(diǎn)上的灰度為j 的概率?；叶裙采仃囉肞 表示:P (i ,j (i ,j =0,1,L -1,其中L 為圖像的灰度級(jí),i ,j 分別為兩個(gè)像素的灰度; 表示兩個(gè)像素間的空間的位置關(guān)系。不同的 決定了兩個(gè)像素間的距離和方向。當(dāng)兩像素間的位置關(guān)系 選定后,就生成一定 下的灰度共生矩陣P 。生成了灰度共生矩陣后,提取圖像的紋理特征:(1能量(角二階矩J =L -1i =0L -1j =0P 2(i ,j 它是一種表示灰度分布一致性的統(tǒng)計(jì)量。(2反差(對(duì)比度G =L -1i =1L -1j =1(i

16、 -j 2P (i ,j 它是描述紋理反差的統(tǒng)計(jì)量,當(dāng)紋理粗時(shí)反差小。(3熵:S =-L -1i =0L -1j =0P(i ,j lo g P(i ,j (4逆差:Q =L -1i =0L -1j =0P(i ,j 1+(i -j 2腫瘤圖像的空間分辨率高,包含了豐富的邊緣、灰度、紋理信息。雖然這些特征都有著很好的數(shù)學(xué)理論基礎(chǔ),但還是無法完全地涵蓋醫(yī)生所描述有關(guān)腫瘤的信息。因此本文還采用了包括邊緣在內(nèi)的輔助特征。經(jīng)過大量的實(shí)驗(yàn),在特征提取的過程中,本文分別選取如表1所示的共22維典型特征。1.4支持向量機(jī)(SVM 分類支持向量機(jī)(SVM 理論于1963年由V .Vap-nik 3提出,是一種

17、基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法。基本思想是:通過非線性映射把樣本空間映736數(shù)據(jù)采集與處理第24卷表1腦腫瘤圖像分類中采用的特征特征類別特征量邊緣特征(2維 邊緣矩陣的均值 邊緣矩陣的方差灰度特征(4維 灰度均值 灰度方差灰度偏度!灰度峰值紋理特征(16維 能量 對(duì)比度相關(guān)!熵射到一個(gè)高維乃至于無窮維的特征空間(Hilbert 空間,在特征空間中尋求最優(yōu)劃分或回歸線性超平面,從而解決樣本空間中的高度非線性分類和回歸等問題。但這個(gè)辦法帶來的困難就是計(jì)算復(fù)雜度的增加,而核函數(shù)正好巧妙地解決了這個(gè)問題。也就是說,只要選用適當(dāng)?shù)暮撕瘮?shù),就可以得到高維空間的分類函數(shù)。從而解決回歸問題(時(shí)間序列分析和模式

18、識(shí)別(分類問題、判別分析等諸多問題。SVM常用核函數(shù)的有以下幾種:(1多項(xiàng)式核函數(shù):K(x,x i=(xx i+1q(2徑向基函數(shù):K(x,x i=ex p- x-x i 2(3Sig moid核函數(shù):K(x,x i=tanh(xx i+c在比較實(shí)驗(yàn)中,通過選擇不同的核函數(shù)和不同的懲罰因子可以得到SVM分類器的最優(yōu)參數(shù)配置。2實(shí)驗(yàn)結(jié)果和分析本文實(shí)驗(yàn)硬件環(huán)境是:處理器為Intel Cor e Duo(1.6GHz,內(nèi)存為1024M B;軟件環(huán)境是: Window s XP操作系統(tǒng);所用工具軟件:包括M ATLAB7.0,LibSvm-2.865和V C+6.0。本文的實(shí)驗(yàn)數(shù)據(jù)的分辨率為512&#

19、215;512。選取100幅腦CT圖像對(duì)分類器進(jìn)行訓(xùn)練,共提取124個(gè)疑似腦腫瘤區(qū)域圖像,其中正類樣本68個(gè),負(fù)類樣本56個(gè),按照表1共提取22維特征。待特征提取完成之后,將訓(xùn)練樣本送入SVM分類器進(jìn)行訓(xùn)練。再選取50幅腦CT圖像進(jìn)行測(cè)試,共提取60個(gè)疑似腦腫瘤區(qū)域圖像,其中正類樣本為30個(gè),負(fù)類樣本30個(gè),并分別比較將懲罰因子設(shè)定為100, 150,200,比較不同情況下的分類精確度,從而達(dá)到分類器參數(shù)的最優(yōu)設(shè)置。表2不同參數(shù)的分類準(zhǔn)確率核函數(shù)多項(xiàng)式徑向基Sig moid由表2可以得到SVM最優(yōu)的參數(shù)設(shè)置為:徑向基核函數(shù),懲罰因子C=100。3結(jié)束語腦腫瘤CT圖像的計(jì)算機(jī)輔助診斷已成為目前的

20、研究熱點(diǎn)。計(jì)算機(jī)輔助診斷的各個(gè)環(huán)節(jié)相輔相成,其中對(duì)病理的提取和模式分類顯得尤為重要。從實(shí)驗(yàn)結(jié)果看,應(yīng)用Ncut方法進(jìn)行分割較為準(zhǔn)確,特征提取較為完整,且設(shè)置最優(yōu)的參數(shù)可以得到較為滿意的分類精確度,可以幫助醫(yī)生做輔助的診斷參考,具有一定的應(yīng)用價(jià)值。針對(duì)腦CT腫瘤圖像的診斷,提取特定區(qū)域的圖像的特征、利用多核SVM(MKSVM6使其對(duì)分類效果更加明顯仍然是目前的一個(gè)重大問題,需要進(jìn)一步研究。參考文獻(xiàn):1Shi J,M alik J.No rm alized cuts and imag e segmen-tationCP r oc of IEEE Co nf Co mputer V isio n andPat tern R eco g nitio n.San Juan,Puerto R ico:IEEE,1997:731-737.2Shi J,M alik J.N o rmalized cut s and imag e segmen-tationJ.IEEE T