《甲状腺结节超声图像多特征融合及识别》由会员分享，可在线阅读，更多相关《甲状腺结节超声图像多特征融合及识别（9页珍藏版）》请在金锄头文库上搜索。
1、甲状腺结节超声图像多特征融合及识别 王昕 李亮 尹小童 李梦烁 曾朝伟 艾勇鑫 长春工业大学计算机科学与工程学院 摘 要： 为更加精确地判别甲状腺结节的良恶性, 提出基于改进的 CLBP (Completed Local Binary Pattern) 模型和 GLCM (Gray Level Co-occurrence Matrix) 模型相结合的纹理特征提取算法。首先在传统的 CLBP 模型中引入局部方差信息, 使 CLBP 算子对局部纹理特征的描述更加精细;然后与 GLCM 模型描述的全局纹理特征相融合;最后结合纵横比、圆形度、紧致度等形状特征并将其输入 SVM (Support Vec
2、tor Machine) 分类器。为进一步提高识别率, 同时给出基于粒子群算法与网格搜索算法相结合的 SVM 参数优化算法, 以提高识别率。对比实验结果表明, 该算法提取的特征用于分类识别时具有更高的识别率, 且提出的参数寻优算法相对于传统寻优算法效率更高。关键词： 甲状腺结节识别; CLBP 模型; GLCM 模型; 参数寻优; 支持向量机; 作者简介：王昕 (1972) , 女, 辽宁大连人, 长春工业大学副教授, 博士, 硕士生导师, 主要从事图像处理与机器视觉研究, (Tel) 86-13756021657 (E-mail) 。收稿日期：2017-04-05基金：吉林省教育厅“十二五”
3、科学技术研究基金资助项目 (2014136) Multiple Feature Fusion and Recognition of Thyroid Nodule Ultrasound ImageWANG Xin LI Liang YIN Xiaotong LI Mengshuo ZENG Chaowei AI Yongxin College of Computer Science and Engineering, Changchun Institute of Technology; Abstract： In order to distinguish the benign or malignan
4、t thyroid nodules more accurately, we propose the texture feature extraction algorithm based on improved CLBP ( Completed Local Binary Pattern) model and GLCM ( Gray Level Co-occurrence Matrix) model. Firstly, the local variance information is introduced into the traditional CLBP model to make the C
5、LBP operator describe the local texture features more precisely. Then, it is combined with the global texture features described by the GLCM model. Finally, the shape features such as aspect ratio, roundness and compactness are combined and input to the SVM ( Support Vector Machine) classifier. In o
6、rder to further improve the recognition rate, the SVM parameter optimization algorithm based on particle swarm optimization combining with grid searching is proposed. The experimental results show that the feature extracted by the algorithm presented in this paper has higher recognition rate for cla
7、ssification and recognition, and the proposed parameter optimization algorithm is more efficient than the traditional ones.Keyword： thyroid nodules recognition; completed local binary pattern (CLBP) model; gray level co-occurrence matrix (GLCM) model; parameter optimization; support vector machine;
8、Received： 2017-04-050 引言甲状腺结节是指甲状腺中的细胞在诱因的影响下以非正常的方式快速生长而产生的肿块, 可分为良性的和恶性的。研究表明, 恶性结节约占所有结节的5%10%, 且其发生率正在逐年提高。临床上对甲状腺结节良恶性进行判断多用穿刺活检 (FNAB:Fine Needle Aspiration Biospsy) 1, 但这种检查会给患者带来一定的创伤和痛苦, 且该项检查花费多、耗时长, 不便于大规模的筛查。B 超诊断技术, 由于其检查方便和花费少等优点, 广泛应用于临床。笔者通过对甲状腺结节超声图像特征的提取实现对结节良恶性的判别, 这种非创伤性的研究省时高效,
9、价格便宜, 临床参考价值高, 与传统的穿刺活检检查相比更易于让人接受。当前对结节的识别主要以提取形状特征和纹理特征为主。其中对形状特征的研究可借鉴乳腺肿瘤识别2、肺结节识别3等提供的宝贵经验。而对于纹理特征目前国内外比较成熟和流行的纹理特征提取算法主要是:灰度共生矩阵 (GLCM:Gray Level Co-occurrence Matrix) 4;Tamura5提出的纹理特征算法;局部二值模式 (LBP:Local Binary Pattern) 6, 以及由其衍生出的完备二值模式 (CLBP:Completed Local Binary Pattern) 7和多尺度二值模式 (MB_LBP
10、:Multi-scale Block Local Binary Patterns) 8等算法。其中GLCM 及 Tamuras 这两类算法往往侧重提取图像的全局纹理特征而忽视局部纹理特征。而 LBP 及其变式等算法因为定义在一个很小的邻域内, 因此提取图像的局部纹理特征虽然有效, 却忽略了其对全局纹理特征的描述。支持向量机 (SVM:Support Vector Machine) 是分类算法中最广泛使用的分类器。但其性能的好坏往往由核函数的选择以及核参数 C 和惩罚参数 g 决定, 其中参数优化选择的问题近年来得到广泛研究, 相关的算法也层出不穷。例如:粒子群 (PSO:Particle Sw
11、arm Optimization) 9算法, 遗传算法 (GA:Genetic Algorithm) 10和网格搜索 (GS:Grid Search) 11算法等。其中遗传算法早熟对新空间的探索能力, 有限容易出现过早收敛, 而粒子群算法对离散的优化问题处理不佳, 且常因搜索区间选择的不理想而陷入局部最优, 但其搜索速度快、效率高, 算法简单。网格搜索法是一种全搜索方式, 它通过遍历网格中所有的点寻找最优参数, 因此当处理大样本集且寻优区间过大时必将耗费很多时间。笔者提出了一种多特征融合结合优化 SVM 的甲状腺结节 B 超图像良恶性识别算法。首先在传统 CLBP 算法中引入图像的局部方差信息
12、, 构造了 CLBPV 模型, 用于描述图像的局部纹理特征和局部对比度, 从而使其对图像局部纹理特征的描述更加精细;然后与 GLCM 模型描述的全局纹理特征相结合。为更加全面描述甲状腺结节的特征信息, 又提取了结节的形状特征。最后将提取的 3 种特征按一定方式融合并输入 SVM 分类器中。为了快速确定最优的参数 C 和 g, 采用粒子群算法与网格搜索算法相结合的参数联合寻优算法。首先利用大步距网格搜索算法快速确定合适的参数组, 然后将此参数组确定的范围作为粒子群寻优算法的最佳搜索范围, 并通过调整迭代速率等方式进行精细搜索, 最终确定最优的参数。1 纹理特征的提取1.1 CLBP 模型Guo7
13、提出的 CLBP 模型相对于传统的 LBP 模型做了很大的改进, 该模型在 LBP模型的基础上多引入了另外两个算子, 用于详尽描述图像的局部纹理特征。其中 称为灰度差值符号描述算子; 称为灰度差值描述算子;C PR称为中心点像素描述算子, 相关的表达式如下所示其中 gc表示中心点灰度值, g p表示邻域点灰度值, P 表示邻域点个数, R 表示邻域半径, m p表示邻域点与中心点像素值差值的绝对值, 表示自适应的阈值, 也表示阈值, 通常用整个图像的均值表示, N 表示图像被划分的总子窗口数。1.2 改进的 CLBP 模型其中 表示图像的局部方差, 表示 P 邻域各像素点的灰度均值, K 表示
14、 CLBP 模型在选定模式下对应的特征向量的维度, 本实验中统一选定 P=8, R=1 时的统一模式, 此时 K=10。1.3 GLCM 模型灰度共生矩阵 GLCM 模型描述的是图像的全局纹理特征, 由两个像素的联合概率密度定义。通常灰度为 i 和 j、距离为 d、相对方向为 的一对像素点概率记为 p (i, j, d, ) 。其中, 相对方向 多考虑 (0、45、90、135) 4 个方向。用灰度共生矩阵表示图像的纹理信息时, 常用能量、相关性、逆差距和熵 4 个量表示, 分别记为 f1、f 2、f 3、f 4。相关表述及其公式如下。1) 能量反映了图像的纹理粗细程度。2) 相关用于度量图像
15、局部区域像素点之间相关性。其中3) 逆差距用于图像局部区域纹理变化的度量。4) 熵用于图像灰度不均匀程度的度量。因为 GLCM 模型侧重于描述图像的全局纹理特征而忽略了局部纹理特征, 而CLBP 模型侧重于描述图像的局部纹理特征而忽略全局纹理特征, 所以将上述两种模型提取的纹理特征进行串行融合, 以弥补各自的不足, 使其对图像纹理特征的表征更加详尽。2 形状特征的提取因为良性结节的形状与恶性结节的形状往往有很大的区别, 所以除了纹理特征, 还提取了纵横比、圆形度和紧致度 3 个形状特征 (Form Feature) 。纵横比 E 是超声判查的一个重要特征。一般纵横比大于 1 时, 恶性的风险较
16、大, 小于 1 时恶性的风险较小。定义为圆形度用来反映结节形状的规则度, 其值越小恶性可能越大。定义为紧致度反映物体边缘规则度, 其定义如下其中 S 表示结节实质区域的面积, L 表示结节实质区域的周长。在提取完纹理特征和形状特征后, 将这些特征进行串行融合, 表示为3 SVM 参数联合寻优网格搜索算法为全搜索方式, 虽然其计算量偏大, 计算时间也比粒子群和遗传算法偏长, 但分类精度比以上两种算法高。粒子群算法虽然寻优的时间相对较短, 但对参数的寻优范围往往是根据经验而定, 当最佳的参数不在该范围内时, 将得不到正确的分类结果。因此, 能否自适应地设置参数寻优的范围是解决此问题的关键。基于以上分析, 提出一种自适应粒子群优化算法, 即利用网格搜索算法自适应地确定粒子群算法的最佳寻优范围, 这样可兼顾算法寻优的效率和分类的精度。具体实现过程如下:首先在网格搜索法中采用大步距方式较大范围内粗搜索, 从而克服其耗时多的缺点;
