《基于cart决策树的b超影像肝纤维化纹理识别研究》由会员分享，可在线阅读，更多相关《基于cart决策树的b超影像肝纤维化纹理识别研究（7页珍藏版）》请在金锄头文库上搜索。
1、基于 CART 决策树的 B 超影像肝纤维化纹理识别研究 李宏彬 赫光中 程莉莉 吴晓明 任红丽 咸阳职业技术学院医学院 咸阳市中心医院超声诊断科 西安交通大学生命科学与技术学院 摘 要： 肝纤维化是一种严重影响患者健康的疾病, B 超是确诊肝纤维化的必要手段之一。传统上超声科医师通过阅片做出诊断建议, 完全凭借主观判断, 医生经验、知识水平和疲劳程度往往决定着诊断结果的准确性。拟利用图像分析技术, 建立肝脏纤维化自动识别方法。通过对 B 超增粗病例和对照肝部 B 超图片感兴趣区进行不同纹理定义方法的特征分析, 使用分类和回归决策树 CART 对上述影像数据进行学习和建树, 并通过 10 倍的
2、交叉校验对这些方法的识别准确率进行比较, 发现灰度共生矩阵进行纤维化的识别的准确率更高一些, 达到 82.51%。因此, 利用分类和回归决策树 CART 结合灰度共生矩阵纹理特征定义方法进行肝脏纤维化 B 超图像的识别, 准确率高, 有很好的应用前景。关键词： 分类和回归决策树; B 超; 肝纤维化; 纹理; 收稿日期：2017-06-03基金：陕西省科技厅社会发展科技攻关项目基金 (编号:2016SF-343) The Research on the Texture Identification of Hepatic Fibrosis of B-mode Ultrasound Image B
3、ased on CART Decision TreeLI Hong-bin HE Guang-zhong CHENG Li-li Medical School of Xianyang Vocational and Technical College; Abstract： Hepatic fibrosis is a disease that serious affects the health of the patients, and B-mode ultrasound is one of the necessary methods for the diagnosis of hepatic fi
4、brosis. Traditionally, ultrasound physicians have made diagnostic suggestion through image reading, relying solely on subjective judgment, so the experience, knowledge, and fatigue of physician often determine the accuracy of the diagnosis. This study attempts to build the identification method of h
5、epatic fibrosis with image analysis technique. We carries characteristic analysis with different texture definition methods onto B-mode ultrasound image region interested and selected of case and control on the liver, the classification and regression decision tree (CART) are used to learn and build
6、 the decision tree with above image data, the accuracy of these methods was compared by 10-fold cross validation, and it is found that the accuracy of gray cooccurrence matrix is higher on hepatic fibrosis identification, with accuracy rate of eighty-two point five one percent. So, it will obtain hi
7、gh accuracy and provide a hopeful prospect for application, when identifying the image of hepatic fibrosis in B-mode ultrasound with gray co-occurrence matrix texture feature definition method and CART.Keyword： CART; B-mode ultrasound; hepatic fibrosis; texture; Received： 2017-06-031 引言B 超通常由超声科医师负责
8、检查操作和做出诊断建议, 不同医师间存在阅片差异, 对于影像解释缺乏一致性, 医生经验、知识水平和疲劳程度往往决定着诊断结果的准确性。随着信息和人工智能技术的快速发展, 由于计算机分析具有客观性、一致性、无疲劳性和快速性, 计算机辅助诊断 (CAD) 成为目前医学影像研究领域的热点1。肝脏是人体中最大的脏器, 具有相对固定的位置, 特别适合 B 超诊断。肝炎主要是病毒引起的肝部常见疾病, 肝炎会导致肝脏的纤维化, 严重的肝纤维化称为肝硬化。B 超报告肝实质回声均匀, 通常对应正常肝脏, 出现“肝实质增粗”提示肝脏有纤维化。纹理是由相互关联的基元组成的图像, 表达物体材质、表面色调和基元间的空间
9、关系的若干规律性属性, 例如桌面、皮毛、织物、草皮和影像等。纹理分析指依据一定的纹理描述定义从选定的图像区域获取纹理的系列特征参数, 并进行量化或定性分析。纹理分析的主要目标是纹理识别和基于纹理的图谱分析, 是模式识别和图像分析的重要研究领域之一, 特别是遥感图像、机器视觉和医学影像。利用 B 超进行疾病诊断时, 观察到的异常切面影像相对于正常切面影像会呈现不同的纹理特征, 不依赖于影像的颜色和亮度变化, 因此对图像进行纹理分析可以对一些疾病进行辅助诊断。纹理的描述方式从大的类别上分为统计纹理描述和句法纹理描述, 从应用上统计方法使用的更广泛一些。常用的统计纹理描述方法有 Haralick 于
10、 1973 年提出的灰度共生矩阵2, Galloway 于 1975 年提出的基元长度3, Tamura 于1978 年提出的心理学纹理特征4, Laws 于 1979 年提出的纹理能量度量5, Hong 于 1984 年提出的灰度-梯度共生矩阵6, Ojala 于 1996 年提出的局部二值模式 LBP7等。一些模式识别方法已用于 B 超图像纹理分析, 如支持向量机8、神经网络9、隐马尔科夫链10、C4.5 决策树11等。2 材料和方法2.1 CARTCART (Classification AndRegression Tree) 是美国 Breiman 等人于 1984 年提出的一种应用广
11、泛的用于分类和回归的决策树算法12, 常用于遥感图像的模式分类13, 不同于 ID3 决策树14与 C4.5 决策树15的多个子样本集节点, CART 采用类似于二叉树的二分结构, 每次对父样本集节点进行细分生成两个兄弟样本集节点。CART 分类树的建立和完善由两步来实现:第一个是依据训练样本的数据通过递归方式建树;第二个是用单另的检验样本数据对树进行剪枝。CART 进行细分的基尼指数概念类似于与信息熵, 对于一个有 K 种状态对应的概率为 p1, p2, , pK的随机变量 X, 其 Gini 系数 (不纯度) 定义如下:对于训练数据集合 D, 假设共有 K 个类别, C k代表第 k 类的
12、样本子集, |C k|为Ck大小, |D|为 D 的大小, 则集合 D 的 Gini 系数为:假设现在用特征 A 对数据进行分组, 根据 A 的取值 a 将 D 分为 D1与 D2两组, 其中计算条件熵 Gini (D, A) , 即在已知特征 A 的条件下集合 D 的 Gini 指数:选择特征 A 的标准是 Gini (D, A) 的取值越小越好, 挑选 Gini 系数最小的特征 A*与特征下的取值 a*, 来将数据集细分, 将数据 D1、D 2分到两个子节点中去;对各子节点递归的调用挑选 Gini 系数算法, 直至满足停止条件, 返回 CART 树T。2.2 灰度共生矩阵描述纹理的灰度共生
13、矩阵方法是统计灰度图像某一区域内角度为特定值的小定长线段始末端灰阶结构出现频率情况;若对一个长宽为 M*N 像素的窗口进行纹理分析, 其灰度共生纹理状况可以由频率矩阵 P , d (a, b) 的来描述, 它反映了灰度分别为 a 和 b 的两个像素, 在方向 (一般取 0、45、90、135) 上间隔距离为 d (当 d=1 时, 即两个像素之间相邻纹理分析最为精细) , 以多大的频度出现在窗口中。基于该矩阵, 可以得到纹理特征基于四个方向的能量, 熵, 最大概率, 对比度, 倒数差分矩和相关性的信息。2.3 肝部 B 超数据本研究使用的肝部 B 超影像数据均来源于飞利浦彩色 B 超机, 包括
14、正常肝 124例, 回声增粗 59 例。开发了一个包含人机界面的 MATLAB 应用软件包 (BITAS) , 用来提取感兴趣区图像数据, 然后将若干感兴趣区图像数据的一系列纹理特征值如病例组存入一个数据集中, 并用 CART 决策树对病例组和对照组进行学习训练、建树和使用决策树进行分类。软件首先将 B 超图像文件以灰度图像的形式加以显示, 并通过 35*35 像素的可移动感兴趣区方框从图像文件的肝区选择若干个用于训练和测试的灰度影像数据 (见图 1) 。然后依据每个感兴趣区灰度影像数据使用不同的纹理特征分析方法包括 Tamura心理学 (4 个特征) 、灰度共生矩阵 (24 个特征) 、灰度
15、-梯度共生矩阵 (15个特征) 、基元长度 (6 个特征) 、LAWS 纹理能量度量 (961 个特征) 、局部二值模式 (1089 个特征) 生成相应的特征值, 特征值的计算依据相关论文的纹理参量计算公式, 最后将正常肝组和回声增粗组各自所有的数据分别放在不同的特征值数据包中。其中正常肝和回声增粗的灰度影像数据基于灰度共生矩阵的 (正常肝 309 个, 增粗肝 165 个) 各特征值经过统计后的均值和标准差如表1 所示。从表 1 可以发现, 正常肝能量 S2-S5、熵 S6-S9、最大概率 S10-S13 和倒数差分矩 S18-S21 的均值高于回声增粗, 而对比度均值 S14-S17 低于
16、回声增粗;正常肝的各特征值的样本标准差都远高于回声增粗, 显示特征值数据的偏离均值的离散程度相对较大。由于上述影像数据的共生属性 S22-S25 相关性极低, 未列入其数据。感兴趣区的位置即近场和远场也列入特征集中, 序号为 S1。图 1 感兴趣区灰度影像数据提取界面 下载原图表 1 正常和回声增粗肝基于灰度共生矩阵的各特征值的均值和样本标准差 下载原表 3 结果与讨论从正常肝组和回声增粗组各自特征值数据包中, 按上述六种不同的纹理特征分析方法提取相应的特征值, 然后将同一种纹理分析方法的正常肝组和回声增粗组合并成一个测试数据包。本研究首先用该决策树对不同纹理特征各自数据包进行全部数据分类准确率测试, 灰度共生分类的准确率为 96.41%, 灰度梯度共生为 95.99%, Tamura 为 91.98%, 基元长度为 91.77%, LAWS 能量纹理为 98.31%, 局部二值模式为 95.36%, LAWS 能量纹理相对稍高, 其中使用灰度共生纹理特征
