模式識(shí)別報(bào)告-基于CV-SVM的醫(yī)學(xué)圖像分割

1、基于CV-SVM的醫(yī)學(xué)圖像分割摘要：隨著計(jì)算機(jī)成像技術(shù)的不斷完善，醫(yī)學(xué)圖像在疾病判別中發(fā)揮著越來(lái)越重要的作用。近年來(lái)，針對(duì)醫(yī)學(xué)圖像尤其是腦部醫(yī)學(xué)圖像的研究，成為一門(mén)新興學(xué)科。核磁共振腦圖像中的腫瘤識(shí)別及提取是醫(yī)學(xué)圖像處理中的難點(diǎn)，本文主要使用改進(jìn)的支持向量機(jī)方法研究腫瘤化組織的自動(dòng)檢測(cè)和提取，以提高工作效率和疾病診斷的準(zhǔn)確率。受腦圖像復(fù)雜程度的限制，單獨(dú)應(yīng)用支持向量機(jī)和 CV 模型水平集方法都無(wú)法準(zhǔn)確有效的將腦腫瘤分割出來(lái)，本文提出了一種 CV 模型和支持向量機(jī)結(jié)合的 CV-SVM 方法。該方法在腦部圖像四分類(lèi)（背景、腦脊液、白質(zhì)和灰質(zhì)）中具有良好的分割效果，能夠在相似灰度區(qū)域中提取出腫瘤化組

2、織圖像特征，便于進(jìn)行腦瘤醫(yī)學(xué)診斷，具有應(yīng)用價(jià)值。關(guān)鍵字：支持向量機(jī)、CV、醫(yī)學(xué)圖像分割A(yù)bstract: This work is presentKeywords: SVM、CV、medical image segmentation1. 研究背景與目的近20年來(lái),醫(yī)學(xué)影像已成為醫(yī)學(xué)技術(shù)中發(fā)展最快的領(lǐng)域之一,其結(jié)果使臨床醫(yī)生對(duì)人體內(nèi)部病變部位的觀(guān)察更直接、更清晰,確診率也更高。20世紀(jì)70年代初,X -CT的發(fā)明曾引發(fā)了醫(yī)學(xué)影像領(lǐng)域的一場(chǎng)革命,與此同時(shí),核磁共振成像(MRI:Magnetic Resonance Imaging)、超聲成像、數(shù)字射線(xiàn)照相術(shù)、發(fā)射型計(jì)算機(jī)成像和核素成像等也逐步發(fā)展。

3、計(jì)算機(jī)和醫(yī)學(xué)圖像處理技術(shù)作為這些成像技術(shù)的發(fā)展基礎(chǔ),帶動(dòng)著現(xiàn)代醫(yī)學(xué)診斷正產(chǎn)生著深刻的變革。各種新的醫(yī)學(xué)成像方法的臨床應(yīng)用,使醫(yī)學(xué)診斷和治療技術(shù)取得了很大的進(jìn)展,同時(shí)將各種成像技術(shù)得到的信息進(jìn)行互補(bǔ),也為臨床診斷及生物醫(yī)學(xué)研究提供了有力的科學(xué)依據(jù)。在目前的影像醫(yī)療診斷中,主要是通過(guò)觀(guān)察一組二維切片圖象去發(fā)現(xiàn)病變體,往往需要借助醫(yī)生的經(jīng)驗(yàn)來(lái)判定。至于準(zhǔn)確地確定病變體的空間位置、大小、幾何形狀及與周?chē)锝M織的空間關(guān)系,僅通過(guò)觀(guān)察二維切片圖象是很難實(shí)現(xiàn)的。因此,利用計(jì)算機(jī)圖象處理技術(shù)對(duì)二維切片圖象進(jìn)行分析和處理,實(shí)現(xiàn)對(duì)人體器官、軟組織和病變體的分割提取、三維重建和三維顯示,可以輔助醫(yī)生對(duì)病變體及其它

4、感興趣的區(qū)域進(jìn)行定性甚至定量的分析,可以大大提高醫(yī)療診斷的準(zhǔn)確性和可靠性。此外,它在醫(yī)療教學(xué)、手術(shù)規(guī)劃、手術(shù)仿真及各種醫(yī)學(xué)研究中也能起重要的輔助作用。圖1 三維可視化大體步驟醫(yī)學(xué)圖像的三維可視化的方法很多,但基本步驟大體相同,如圖1。從CTM/ R或超聲等成像系統(tǒng)獲得二維斷層圖像,然后需要將圖像格式轉(zhuǎn)化成計(jì)算機(jī)方便處理的格式。通過(guò)二維濾波,減少圖像的噪聲影響,提高信噪比和消除圖像的尾跡。采取圖像插值方法,對(duì)醫(yī)學(xué)關(guān)鍵部位進(jìn)行各向同性處理,獲得體數(shù)據(jù)。經(jīng)過(guò)三維濾波后,不同組織器官需要進(jìn)行分割和歸類(lèi),對(duì)同一部位的不同圖像進(jìn)行配準(zhǔn)和融合,以利于進(jìn)一步對(duì)某感興趣部位的操作。根據(jù)不同的三維可視化要求和系統(tǒng)

5、平臺(tái)的能力,選擇不同的方法進(jìn)行三維體繪制,實(shí)現(xiàn)三維重構(gòu)。最重要的環(huán)節(jié)便是醫(yī)學(xué)圖像分割。理想的圖像分割技術(shù)能將醫(yī)學(xué)圖像中各個(gè)部位和組織完整的分離開(kāi)來(lái)，使得醫(yī)學(xué)影像的成像結(jié)果更加直觀(guān)，也使病變部位的識(shí)別判斷更加準(zhǔn)確?，F(xiàn)有的圖像分割技術(shù)，無(wú)論是單一的分割方法，還是基于單一的特征信息進(jìn)行分割的方法，在對(duì)分割精確度和效率要求較高的臨床醫(yī)學(xué)領(lǐng)域都難以取得令人滿(mǎn)意的分割效果，因而人們開(kāi)始尋找新的概念和方法并將其引入圖像分割領(lǐng)域。近幾年來(lái)提出了幾種新方法，其中基于多特征融合和多譜圖像分析相結(jié)合的方法應(yīng)用最為廣泛，然而，這些方法多數(shù)是基于漸近假設(shè)理論發(fā)展而來(lái)的，且都默認(rèn)樣本數(shù)目趨于無(wú)窮大，但實(shí)際問(wèn)題中樣本數(shù)目往

6、往是有限的，所以它們?cè)诤芏喾矫娑汲霈F(xiàn)了問(wèn)題，有些推廣能力較差，有些學(xué)習(xí)速度較慢，還有些難以收斂，在高維度特征和小樣本學(xué)習(xí)方面都難以取得良好的效果，無(wú)法進(jìn)行分割。為了解決上述問(wèn)題，支持向量機(jī)（Support Vector Machine，SVM）方法應(yīng)運(yùn)而生。支持向量機(jī)理論最初就是基于樣本線(xiàn)性可分時(shí)的最優(yōu)分類(lèi)超平面理論發(fā)展起來(lái)的，它的主要目的是尋找一個(gè)規(guī)則能把Rn空間內(nèi)的樣本點(diǎn)分成兩部分，這個(gè)規(guī)則就是能使兩類(lèi)樣本離超平面的距離最大化的最優(yōu)分類(lèi)超平面。最優(yōu)分類(lèi)面的目的就是能將兩類(lèi)樣本正確分開(kāi)且使分類(lèi)間隔最大，這實(shí)際上也是對(duì)推廣能力的控制，是 SVM 的核心思想之一。SVM 是以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)發(fā)

7、展起來(lái)的一種新的模式識(shí)別分類(lèi)方法，依據(jù) Vapnic 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則和 VC 維理論在小樣本、高維度、非線(xiàn)性和局部極小點(diǎn)數(shù)據(jù)空間中獲得了良好的推廣能力，被看作是對(duì)傳統(tǒng)分類(lèi)器的發(fā)展。盡管支持向量機(jī)在圖像分割方面獲得了較好的分類(lèi)效果，但在圖像中提取的分類(lèi)樣本中含有噪聲或野值樣本時(shí)，可能在構(gòu)造最優(yōu)分類(lèi)面時(shí)出現(xiàn)偏差，得到的結(jié)果并不是真正的最優(yōu)分類(lèi)面，導(dǎo)致分類(lèi)誤差較大而失去作用。近年來(lái)針對(duì)醫(yī)學(xué)圖像的特點(diǎn)人們又提出了許多關(guān)于 SVM 算法的改進(jìn)和應(yīng)用研究。經(jīng)典 SVM 方法通過(guò)參數(shù) C 對(duì)目標(biāo)函數(shù)中的分類(lèi)誤差項(xiàng)進(jìn)行懲罰，因而參數(shù) C 的選擇對(duì)圖像分類(lèi)結(jié)果至關(guān)重要，針對(duì)此問(wèn)題，Scholkoph 等人提

8、出了v-SVM 方法。針對(duì) SVM 方法對(duì)噪聲和野值比較敏感的問(wèn)題，Suykens 等人提出了最小二乘支持向量機(jī)(LS-SVM)，簡(jiǎn)化了運(yùn)算復(fù)雜性，卻由于每個(gè)樣本對(duì)分類(lèi)器的貢獻(xiàn)失去了稀疏性的優(yōu)點(diǎn)。后來(lái) Lin 等人提出了模糊支持向量機(jī)方法(Fuzzy-SVM)，這種方法針對(duì)不同的樣本數(shù)據(jù)采用不同的懲罰系數(shù)，使不同的樣本在目標(biāo)函數(shù)中的貢獻(xiàn)不同，并且使含有噪聲或野值的樣本的權(quán)值較小，達(dá)到消除噪聲或野值影響的目的。醫(yī)學(xué)圖像分割中經(jīng)常會(huì)出現(xiàn)不同類(lèi)樣本數(shù)量差異較大的情況，使用 SVM 經(jīng)常會(huì)出現(xiàn)分類(lèi)結(jié)果偏向于樣本數(shù)較多的類(lèi)的問(wèn)題，而醫(yī)學(xué)圖像中某些重要的類(lèi)（如腫瘤部位）和其他部位相比樣本數(shù)量比較小，但又對(duì)

9、分類(lèi)精度要求較高，這就需要更多新的解決方法。另外一種比較受公眾關(guān)注的圖像分割方法進(jìn)入人類(lèi)的視野基于水平集方法求解主動(dòng)輪廓模型的曲線(xiàn)演化方法。這種方法的原理是利用輪廓曲線(xiàn)的幾何特性建立能夠驅(qū)動(dòng)輪廓曲線(xiàn)演化的能量泛函，然后通過(guò)最小化能量泛函驅(qū)動(dòng)輪廓曲線(xiàn)逐漸逼近圖像中的目標(biāo)邊界得到演化方程，最后利用水平集函數(shù)將輪廓曲線(xiàn)的演化方程轉(zhuǎn)化為求解數(shù)值化偏微分方程的問(wèn)題。CV-SVM 新方法針對(duì)醫(yī)學(xué)圖像的復(fù)雜多樣性對(duì)支持向量機(jī)算法造成的運(yùn)算速度較慢，識(shí)別時(shí)間較長(zhǎng)的影響，在支持向量機(jī)進(jìn)行特征提取后，使用 PCA 方法對(duì)特征向量進(jìn)行降維運(yùn)算，提取有價(jià)值的主成分進(jìn)行分析，使運(yùn)算量大大下降，識(shí)別過(guò)程得到簡(jiǎn)化，提高了運(yùn)

10、算速度。再通過(guò)兩種方法的結(jié)合有效地減弱了各自的缺點(diǎn)對(duì)分割結(jié)果的影響，使醫(yī)學(xué)圖像的分割結(jié)果在相似灰度及噪聲影響下，細(xì)節(jié)方面表現(xiàn)突出，在腫瘤的自動(dòng)提取過(guò)程中也達(dá)到了較為滿(mǎn)意的結(jié)果。本文提出利用 CV模型和支持向量機(jī)相結(jié)合的 CV-SVM 新方法，分別對(duì)經(jīng)典腦圖像和醫(yī)院獲取的腦部醫(yī)學(xué)腫瘤圖像進(jìn)行分割和腫瘤提取，通過(guò) Matlab 平臺(tái)給出仿真實(shí)驗(yàn)結(jié)果，通過(guò)實(shí)驗(yàn)數(shù)據(jù)和結(jié)果分析了新方法對(duì)圖像分割和提取的影響，證明了利用新方法對(duì)醫(yī)學(xué)圖像處理的可行性和有效性。2. 方案設(shè)計(jì)針對(duì) MRI 圖像，支持向量機(jī)方法對(duì)噪聲和野值比較敏感，所以在圖像分割時(shí)容易出現(xiàn)邊緣分類(lèi)不清的問(wèn)題；若圖像中出現(xiàn)不同類(lèi)的樣本數(shù)目差異較大

11、時(shí)，分類(lèi)結(jié)果還會(huì)向數(shù)目較多的類(lèi)偏移，造成分類(lèi)偏向問(wèn)題。而CV 模型水平集方法則需要對(duì)整個(gè)待分割目標(biāo)圖像中所有點(diǎn)的水平集函數(shù)值進(jìn)行計(jì)算和更新，工作效率比較低；且在受到偏移場(chǎng)影響后的圖像中，演化曲線(xiàn)無(wú)法演化到相應(yīng)的邊界上造成較大的分割誤差甚至分割錯(cuò)誤。這些缺點(diǎn)一旦在醫(yī)學(xué)圖像分割領(lǐng)域得到體現(xiàn)就會(huì)造成嚴(yán)重后果。由于支持向量機(jī)對(duì)噪聲和野值的敏感度較高，CV 模型受偏移場(chǎng)影響較大，在較復(fù)雜的醫(yī)學(xué)圖像領(lǐng)域都不能獨(dú)自勝任，本文提出利用 CV模型和支持向量機(jī)相結(jié)合的 CV-SVM 新方法。圖2 基于CV-SVN的醫(yī)學(xué)圖像分割流程圖 2 給出了 CV-SVM 的流程圖。利用 CV 模型的水平集對(duì)噪聲具有較強(qiáng)的魯棒

12、性先對(duì)圖像進(jìn)行粗略的分割，使用圖像的邊緣輪廓提取作為初始輪廓線(xiàn)，進(jìn)行迭代后將圖像大致分割為不同的部分，然后使用支持向量機(jī)方法對(duì)提取的分類(lèi)的內(nèi)部區(qū)域進(jìn)行細(xì)節(jié)修正，修正過(guò)程使用分類(lèi)后的目標(biāo)區(qū)域進(jìn)行特征提取，使用主成分分析法對(duì)提取出的特征進(jìn)行降維，使用簡(jiǎn)化的主成分學(xué)習(xí)后并細(xì)致的分類(lèi)，最后得到較為準(zhǔn)確的目標(biāo)區(qū)域。3. 算法描述(一) CV模型水平集粗略分割設(shè)為圖像區(qū)域，為演化曲線(xiàn)，水平集函數(shù)定義為：，如果（x,y）在內(nèi)部，如果（x,y）在上，如果（x,y）在外部設(shè)表示t時(shí)刻的二維閉合曲面，在超平面上，把圖像上的點(diǎn)X到初始曲線(xiàn) C (0)的符號(hào)距離定義為水平集函數(shù)在X處的函數(shù)值 點(diǎn)X在C(0)內(nèi)部，；點(diǎn)

13、X在C(0)外部，。初始狀態(tài)t=0時(shí)，有水平集方法的主要目的是為水平集函數(shù)構(gòu)造一個(gè)能使它在演化界處的值為零的方程。設(shè) X (t)為演化界面上點(diǎn)的演化路徑，由于函數(shù)在演化界面處的值為零，即根據(jù)符合函數(shù)求導(dǎo)法則，得 式中為X的第i個(gè)分量。定義 為垂直于演化界面的速度，因?yàn)?用代表函數(shù)的梯度，F(xiàn)代表的速度函數(shù)。水平集函數(shù)的演化方程就可以寫(xiě)成 多相位水平集分割n個(gè)復(fù)雜程度不同的拓?fù)浣Y(jié)構(gòu)相位只需要個(gè)水平集函數(shù)，且能夠很好地解決空白與重疊問(wèn)題。針對(duì)文中的四分類(lèi)問(wèn)題我們只需考慮（m=4）個(gè)單相位水平集函數(shù)，則的所有零水平集集合構(gòu)成的分割邊界線(xiàn)就是多目標(biāo)分割的分界線(xiàn)。我們用C代表演化的曲線(xiàn)，用、分別代表曲線(xiàn)C

14、內(nèi)部區(qū)域和外部區(qū)域的均值。假設(shè)某均值。假設(shè)某圖由兩塊近似常量區(qū)域組成，其像素值分別為、。其中要檢測(cè)的目標(biāo)區(qū)域由是像素值，其邊界為C。那么、分別代表曲線(xiàn)內(nèi)外的區(qū)域了。令 那么目標(biāo)的邊界就是上式中的能量函數(shù)達(dá)到最小時(shí)的邊界，即(二) 特征提取和歸一化在（1）中使用圖像的邊緣輪廓提取作為初始輪廓線(xiàn)，進(jìn)行迭代后將圖像大致分割為不同的部分。然后使用支持向量機(jī)方法對(duì)提取的分類(lèi)的內(nèi)部區(qū)域進(jìn)行細(xì)節(jié)修正,具體如下：針對(duì)醫(yī)學(xué) MR 圖像的復(fù)雜特點(diǎn)主要采用紋理特征與灰度特征（灰度共生矩陣）組合的特征提取方法來(lái)進(jìn)行處理。 角二階矩: 對(duì)比度： 相關(guān)性： 反差距： 和均值： 差均值： 方差： 和方差： 差方差：上述幾種

15、特征能夠反映圖像灰度的變化特性。 和熵： 熵： 差熵：特征到的各種熵則主要用來(lái)測(cè)量共生矩陣的系數(shù)變化復(fù)雜度和紋理變化復(fù)雜度。腦部醫(yī)學(xué) MRI 圖像的窗口選擇為 7*7 大小。在紋理特征提取時(shí)使用灰度共生矩陣在四個(gè)方向的 12 種紋理特征共48種特征，再加上象素灰度，7*7 窗口內(nèi)的灰度中值及平均值等特征共 51 種特征作為圖像的特征矢量。為避免特征的偏移，同時(shí)在計(jì)算特征向量的內(nèi)積時(shí)避免大數(shù)計(jì)算引發(fā)的計(jì)算溢出的困難，對(duì)數(shù)據(jù)進(jìn)行歸一化，采用如下公式 (三) 主成分分析歸一化后的特征向量的范圍被限制在0,1之間，簡(jiǎn)化了運(yùn)算過(guò)程，提高了運(yùn)算速度。采用主成分分析法對(duì)繁雜的特征向量進(jìn)行提取，以降低分類(lèi)代價(jià)

16、，提高分類(lèi)性能。PCA 為了獲得數(shù)目和計(jì)算量最小的主成分需要從信息壓縮最大方向?qū)で髨D像的低維信息表達(dá)，所以對(duì)應(yīng)的 K-L 變換的信息熵最小，獲得的識(shí)別空間也是對(duì)原圖像的最優(yōu)逼近。步驟如下：（1）對(duì)各維數(shù)據(jù)進(jìn)行無(wú)量綱化；設(shè) 那么得到其中是各維特征向量的均值，是各維特征向量的標(biāo)準(zhǔn)差。（2）計(jì)算Y的協(xié)方差矩陣S: (3)解特征值和特征向量根據(jù)特征方程 求解S的特征值和特征向量u。而后將從大到小排列：,并找到與之對(duì)應(yīng)的： (4)計(jì)算主成分 這里 (5)選取主成分P的取值原則要讓主成分滿(mǎn)足最大程度包含原信息量最小值的條件。這里依據(jù)主成分貢獻(xiàn)率。 選取主成分。選用Gauss徑向基核函數(shù)（高斯核函數(shù)） ，懲

17、罰因子C 取1000，高斯核寬度參數(shù)取1，窗口大小為7*7。 圖3 SVM與CV-SVM對(duì)比由圖 3中可以看出，CV-SVM 的分割結(jié)果比經(jīng)典支持向量機(jī)在細(xì)節(jié)和邊緣處的優(yōu)勢(shì)更加明顯，且對(duì)噪聲具有較強(qiáng)的魯棒性。實(shí)驗(yàn)證明，CV-SVM 可以應(yīng)用在復(fù)雜度高，精確度要求也較高的 MRI 腦部醫(yī)學(xué)圖像的分割領(lǐng)域。4. 實(shí)驗(yàn)結(jié)果為了測(cè)試基于CV-SVM的醫(yī)學(xué)圖像分割方法的效果，采用青島大學(xué)醫(yī)學(xué)院附屬醫(yī)院的帶腫瘤組織的腦部圖像作為實(shí)驗(yàn)對(duì)象。下面給出 CV-SVM 分類(lèi)后提取出的腫瘤化區(qū)域和專(zhuān)家手工標(biāo)注的腫瘤化區(qū)域?qū)Ρ葓D。圖4 專(zhuān)家手工標(biāo)注腫瘤區(qū)域的腦補(bǔ)圖像 圖5 三種方法提取出的腫瘤區(qū)域?qū)Ρ葓D表1 三種方法

18、分割效果評(píng)價(jià) 方 法 評(píng)價(jià)標(biāo)準(zhǔn)手工分割使用經(jīng)典SVM使用CV-SVM像素個(gè)數(shù)233320422356時(shí)間（S）7.86.735.96與手工分割對(duì)比漏檢率0.14660.03129誤檢率0.021860.02143從上圖5中我們可以直觀(guān)的看到三種方法提取出的腫瘤組織的形狀差異，由于腫瘤疾病的復(fù)雜性和技術(shù)條件的局限性，醫(yī)學(xué)圖像分割的模板或者說(shuō)準(zhǔn)則還沒(méi)有形成，我們暫時(shí)使用醫(yī)學(xué)專(zhuān)家手工提取的腫瘤組織區(qū)域作為比對(duì)模板。由表1可以看出經(jīng)典SVM和CV-SVM方法與手工分割方法相比，CV-SVM的像素個(gè)數(shù)跟接近專(zhuān)家給出方案中的像素個(gè)數(shù)，而且誤檢率、漏檢率也比經(jīng)典SVM方法要低，CV-SVM方法可以應(yīng)用在腫瘤組織區(qū)域的提取領(lǐng)域，并可以達(dá)到較好的效果。5. 結(jié)論本文總結(jié)支持向量機(jī)方法對(duì)推廣能力控制的優(yōu)點(diǎn)，針對(duì)它的一些缺點(diǎn)和不足比如在噪聲和野值影響下的誤差問(wèn)題和樣本數(shù)目差異帶來(lái)的分類(lèi)偏向問(wèn)題，提出 CV 模型水