基于SVM分类器的肝脏肿瘤计算机辅助检测

R.Rajagopal¹, P.Subbiah²

印度泰米尔纳德邦金奈阿瓦迪圣彼得大学欧洲经委会系研究学者¹
巴拉特工程学院校长& Tech. for Women, Kadapa, Andhra Pradesh 516 003, India²

摘要

在本文中，我们提出了一种新的和准确的方法，从计算机断层扫描(CT)分割肝脏肿瘤。首先，对肝脏CT图像进行预处理，即去噪和增强图像对比度。然后，我们使用支持向量机(SVM)分类器，该分类器使用用户提供的图像集进行训练，对肝脏图像中的肿瘤区域进行分类。然后对分割后的二值图像进行形态学运算和特征提取，进一步细化支持向量机分类的粗分割结果。实验结果表明，该算法的精度和效率均高于传统算法。

关键字

肝脏肿瘤分割，计算机断层扫描，肝癌，支持向量机。

介绍

肝脏是人体最大的腺体，也是最大的内脏器官。肝脏是一个深红色的楔形腺体，大约8.5英寸长。它的形状像一个金字塔，分为左右叶。每分钟大约有1.5升的血液流经肝脏。肝癌(肝细胞癌HCC)是全球第六大常见癌症，也是癌症[1]导致死亡的第三大常见原因。为了给病人有效的治疗，医生需要知道肿瘤的特征。肝癌的早期发现和准确分析是实际放射学中的一个重要问题。

肝脏病变是身体组织的伤口或损伤。它是由于受伤或疾病而造成损伤的组织区域。肝脏病变是指在肝脏中发现的异常组织。在CT扫描中，这些可以通过与肝脏的像素强度的差异来识别。手动分割这种CT扫描是繁琐和耗时的实时临床情况。另一方面，自动分割是一项非常具有挑战性的任务，由于各种因素，如肝脏在CT图像中拉伸超过150片，病灶形状不明确，病灶之间对比度低，与附近组织相似。患者之间肝脏形状和大小的不规则性以及与其他器官几乎相同强度的相似性使得自动分割肝脏变得困难。

本文提出了一种基于特征提取和支持向量机分类的肝脏肿瘤分割算法，利用自动检测方法更准确地检测出肿瘤。

提出了肝脏肿瘤检测算法

本文提出的肝脏肿瘤分割检测算法框图如图1所示。该方法采用支持向量机的特征提取和分类预处理步骤。

图像预处理:肝脏CT图像在图像传输过程中会受到噪声的破坏，在图像处理过程中也会受到图像数字化的影响。预处理是从肝脏CT图像中去除这些噪声的过程。在预处理步骤中，提高图像的对比度，使肝脏与具有相同强度水平的周围软组织有较好的区分。利用中值滤波对图像进行去噪和对比度增强，进一步改善了图像的细节。

在数学形态学的中值滤波中采用大津阈值法。Otsu的算法利用了灰度直方图的0阶和1阶累积矩。表示为，

为了找到最优的阈值，需要在灰度级中使结果类之间的分离最大化。大津的阈值法依赖于两类灰度之间最低点的选择。因此，可导出最佳阈值k*的值为:

k的值被限制为:

为了进一步提高肿瘤区域分割精度，采用形态学操作。利用形态滤波从二值图像中提取图像分量，提取区域形状，即边缘。形态的开与闭是形态运算中的两个功能。

形态学开闭:将图像转换为二值后，对转换后的二值图像进行一些形态学操作。形态学算子的应用原理是将图像中的肿瘤部分分离出来。肿瘤部分比图像的其他区域具有最高的强度。

膨胀和侵蚀这两种基本操作被进一步组合成更复杂的序列，即打开和关闭。打开由侵蚀和膨胀组成，用于消除太小而不能包含结构元素的区域中的像素。在建议的工作中，仅使用形态开放。形态开口由，

Gabor变换:由捕捉设备获取的所有图像都处于空间域模式(时间vs.振幅)。傅里叶变换(FT)用于将空间域模式转换为频域模式(单分辨率模式-频率vs.振幅)。对于肝脏CT图像，我们需要多分辨率模式下的图像，即频率vs.时间。因此，我们用Gabor小波变换代替FT来获得肝脏的多分辨率图像。

在图像预处理中，Gabor滤波器是一种用于边缘检测的线性滤波器。Gabor滤波器的频率和方向表示与人类视觉系统的频率和方向表示相同。它们特别适用于纹理表示和区分。在空间域中，二维Gabor滤波器是由正弦波调制的高斯核函数。所使用的Gabor内核定义如下:

其中，μ & υ分别为Gabor核的方向和尺度，z=(x,y)，为波向量。

特征提取:

局部二进制模式(LBP)是一种高效的基于纹理的操作符。它的工作原理是通过对每个像素的邻域进行阈值来标记图像的像素，并将结果存储为二进制数。LBP算子具有计算简单性;因此，肝脏CT图像的实时分析是可能的。

空间域上的LBP: LBP算子通过2个互补的度量来定义二维表面纹理，即灰度对比度和局部空间模式。LBP操作符为图像中的像素创建标签，方法是用中心值对3×3周围的像素进行阈值设置，并将结果存储为二进制数。在无监督模式分割中，LBP算子可以与局部对比测度结合使用，以获得更高的分割性能。

在图像上放置一个3x3的掩模窗口，并获得一个子图像。在生成的3x3子图像中，将中心像素的值与其相邻像素进行比较。如果相邻像素的值大于中心像素，则将相邻像素的值替换为1，否则将相邻像素的值替换为0。最后，所有相邻的像素将被0或1所取代，合并后形成一个8位二进制数。图2说明了详细的操作。

支持向量机分类:支持向量机(SVM)是一种线性分类器，具有自学习的特点，是最准确、高效的分类器。支持向量机是由Vapnik在1998年推出的。SVM分类技术虽然需要很长的训练时间，但它与维数无关，也与特征空间无关。支持向量机是一种具有单层非线性单元的前馈网络，分类结果具有较高的精度。

SVM的工作原理是最小化学习机器在训练期间未使用的测试数据集上所产生的误差的界限。它没有最小化训练数据集的目标函数。因此，SVM通过在训练过程中集中学习困难的数据集，能够很好地处理不属于训练数据集的图像。这种训练中难以分类的数据集被称为支持向量。

简单地说，SVM定位的超平面在很大程度上将决策函数分离为两个类，即使是对于一个困难的数据集。图3显示了使用支持向量机分类的超平面位置后，用标记为“X’s”和“O’s”的点分隔的两个类。其中，支持向量出现在两类超平面的边界附近。

如果使用投影Ø:X→H，则点积由核函数k表示，

结果与讨论

用以下参数分析肝脏肿瘤分割的性能:

•灵敏度[Se=TP/(TP+FN)]

特异性[Sp=TN/(TN+FP)]

•阳性预测值[Ppv=TP/(TP+FP)]

•阴性预测值[Npv=TN/(TN+FN)]

准确度[Acc=(TP+TN)/(TP+FN+TN+FP)]

对这些参数进行评估并列在表I中，其中TP为真阳性，FP为假阳性，FN为假阴性，TN为真阴性。真阳性是指正确识别的肿瘤像素，真阴性是指错误识别的肿瘤像素，假阳性是指正确识别的非肿瘤像素，假阴性是指错误识别的非肿瘤像素。

参数Se和Sp分别定义了分类良好的肿瘤像素和非肿瘤像素的比例。Ppv是被分类为正确分类的组织像素的比率。Npv是分类为背景像素的正确分类像素的比率。最后，Acc是总检测和分类良好的肿瘤像素的比例。所有这些参数都有助于定义我们提出的分类技术的性能。

肝脏肿瘤的诊断是医学领域的一个重要标准。在这项工作中，我们从肝脏CT图像中检测和分割肿瘤区域。支持向量机可以对肝节段性肿瘤进行诊断，然后将肝肿瘤分为良性或恶性。然后，从敏感性、特异性、阳性预测值、阴性预测值和准确性等方面进行性能分析。根据地面真实图像，对恶性肿瘤区域的平均准确率达到95%。图4显示了这项工作中使用的数据集。该数据集包括肝脏的良性和恶性肿瘤图像。

肿瘤分割图像及其对应的ground truth图像如图5所示。在真实图像和肿瘤分割图像中，肿瘤区域都用黄色标记。

图6图形化地展示了所提出的肿瘤检测算法的性能评估结果。图6a显示了数据集1的性能参数图，图6b显示了数据集2的性能参数图。从图中可以看出，所提方法的各项性能参数值均高于现有方法。

图7清楚地描述了我们提出的算法获得的所有中间合成图像。源肝脏图像、滤波图像、阈值图像、Gabor变换应用图像和肿瘤分割图像如图7所示。

结论

提出了一种从肝脏CT图像中自动分割肝脏肿瘤的新方法，并进行了验证研究。本文提出的肿瘤分割方法包括一种新的肿瘤分类方法，可以帮助医学专家进行进一步诊断。我们的方法的主要优点是，它可以轻松且无需手动交互地对不同类型的肝脏肿瘤产生准确的结果。本文提出的方法可以进一步利用神经网络和模糊算法进行改进。

表格一览

表1

数字一览


图1	图2	图3	图4

图5	图6	图6 b	图7

参考文献

28，页1-17,2008。
Abdel-massieh, N. H.， Hadhoud, M. M.和Amin, K. M.，“腹部CT扫描全自动肝脏肿瘤分割”，IEEE计算机工程与系统国际会议(ICCES)，第197-202页，2010。
张欣，田俊，向东，李欣，邓凯，“基于支持向量分类的交互式肝脏肿瘤ct扫描分割”，《IEEE医学生物学期刊》。， vol. 2011, pp. 6005-6008, 2011。
Hame, Y.和Pollari, M.，“基于隐马尔可夫测量场模型和非参数分布估计的半自动肝脏肿瘤分割”，医学影像分析。，第16卷，no。1，页140-149,2012。
Paola, C.， Elena, C.和Gabriele, L.，“从腹部CT扫描中自动分割肝脏”，IEEE计算机学会华盛顿特区，美国，731-736页，2007。
Laszlo, R.， Gyorgy, B.和Marta, F.，“从多相和单相对比增强CT图像中自动分割肝脏”，医学图像分析，科学直接，第13卷，no. 2。6, pp. 871-882, 2009年12月。
Masumoto, J.， Hori, M.， Sato, Y.， Murakami, T.， Johkoh, T.，和Nakamura, H.，“使用多层CT图像的自动肝脏分割”，Syst compput Jpn，第34卷，no. 1。9，页71-82,2003。
Abdalla, Z.， Neveen, i.g.， Aboul Ella, H.，和Hesham, a.h.，“基于水平集的CT肝脏图像分割与分水岭和人工神经网络，”HIS, IEEE，第96-102页，2012。
Shweta, G.和Sumit, K.，“CT图像的变分水平集公式和滤波技术”，国际工程科学与技术杂志(IJEST)，第4卷，第1期。2012年7月7日。
Abdalla, M.， Hesham, H.， Neven, i.g, Aboul Ella, H.， and Gerald, S.，“CT肝脏CAD系统中图像滤波器的效果评估”，IEEE-EMBS生物医学与健康信息学国际会议，香港中文大学，2012。
Goryawala, M.和Guillen, R.，“一种用于选择性内部放射治疗的三维肝脏分割并行计算方法”，《IEEE生物医学信息技术学报》，第16卷，no. 3。1，页62-69,2012年1月。
Massoptier, L.和Casciaro, S.，“一种新的全自动和健壮的算法，用于从CT扫描中快速分割肝脏组织和肿瘤”IEEE EMBS生物医学工程和科学会议(IECBES 2008)， 151-154页，2008年12月。
Moltz, J.， Bornemann, L.和Kuhnigk, J.，“CT扫描中肺结节、肝转移和肿大淋巴结的高级分割技术”，《IEEE信号处理选题杂志》，第3卷，no. 3。1, pp. 122-134, 2009。
齐勇，熊伟，李文伟，田庆林，周俊杰，刘俊杰，韩涛，Venkatesh, S.，王胜，“基于贝叶斯规则的三维区域生长的CT扫描中肝脏肿瘤的半自动分割”，《医学杂志》，pp. 1-10, 2008。
黄丹，刘俊，尹峰，田庆林，熊伟，周俊，Yingyl, Q.， Han, T.， Venkatesh, S.，和Wang, S.，“一种基于知识约束的二维区域生长的半自动化肝脏肿瘤分割方法”，Midas杂志，pp. 1-10, 2008。
李，K.，和Jolly, M.，“同时检测多个弹性表面与应用于CT图像的肿瘤分割”，SPIE, vol. 6914, pp. 1-11, 2008。
Lu, R.， Marziliano, P.， Thng, C.，“基于半自动分割方法的活体肿瘤体积估计”，IEEE EMBS, vol. 3, pp. 3296-3299, 2005。

国际电气、电子和仪器工程高级研究杂志