基于Ncut分割和SVM分類器的醫(yī)學圖像分類算法

1、文章編號:1004-9037(200906-0734-04基于Ncut 分割和SVM 分類器的醫(yī)學圖像分類算法謝紅梅連宇彭進業(yè)(西北工業(yè)大學電子信息學院,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致的診斷錯誤,本文提出了基于N cut 分割方法的醫(yī)學CT 圖像的分割、特征提取和診斷的新方案。將N cut 分割方法應用于腦CT 圖像。先進行圖像分割,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(SV M 對圖像進行分類,為醫(yī)生的診斷提供參考。從表格化的分類結果看,所提方案有較大的應用價值。關鍵詞:醫(yī)學圖像;N cut 圖像分割;特征提取;分類;計算

2、機輔助診斷(CA D中圖分類號:T P 391.41;T P 274;T N 911.73文獻標識碼:A基金項目:西北工業(yè)大學畢業(yè)設計重點扶持(521030102資助項目;新世紀優(yōu)秀人才支持(N CET -07-0693資助項目。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)學成像技術的發(fā)展,醫(yī)學圖像數據在日常的醫(yī)療診斷和醫(yī)學研究中發(fā)揮著越來越重要的作用。醫(yī)院每天都會產生大量的醫(yī)學圖像數據,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)學知識水平和醫(yī)師經驗不同會導致診斷的結果不同;醫(yī)生人眼疲勞的原因容易忽略某些細微的改變,因此,如何有效地對醫(yī)學圖像進行正確的處理從而診斷出有病變的部位成為當前研究的一個熱點課題。針對以上問題,本文提出了以下方法:首先應用歸

7、一化分割(Nor malized cut,N cut1,2方法進行圖像的分割,提取感興趣區(qū)域;然后對提取的感興趣區(qū)域進行特征提取構成特征空間,接著用支持向量機(Suppo rt vector machine ,SVM 3分類器進行訓練;最后進行分類診斷,得出診斷結果。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;活動第24卷第6期2009年11月數據采集與處理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,簡稱Snakes,其速度是一個瓶頸問題;區(qū)域生長與合并算法,如K-均值法、EM算法;基于能量函數的全局最優(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)而導致實時性比較差。Ncut準則是一種無監(jiān)督圖像分割技術,它不需要初始化,并具有3個主要的特點:(1它將圖像分割問題轉換為圖的劃分問題;(2它是一個全局準則;(3它同時最大化不同組之間的不相似性和同一組內的相似性。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。該方法對于一幅輸入的圖像或一個特征點集建立一個帶權的無向圖,每一個像素或者特征點代表圖中的一個節(jié)點,邊上的權值代表像素或者特征點之間的近似關系,然后在所建立的圖上尋找一個正規(guī)化的最小割,來對圖中的節(jié)點進行劃分,進而可以完成對圖像或者特征點集的分割。它的基本原理是:對于一個給定的圖G=(V, E,假設將其分為兩個不相交的部分A與B,AB=V,這兩個部分不相似程度可以定義為原先連接兩部分而現在被刪去的所有邊的權的綜合,定義為圖的一個割:cut(A,B=iA,jBw(i,j(1式中w(i,j即連接點i和點j的邊的權,它表示兩點之間的相似程度。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,本文采用歸一化割作為最優(yōu)化準則,從而實現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中的點和圖中所有點之間總的聯系程度,assoc(B,V的定義與值類似。同樣可以定義同一組內相似性度量函數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中所有邊的權的總和。可以推出Ncut和Nassoc之間存在如下式表述的必然聯系:Ncut(A,B=2-Nassoc(A,B(41.2Ncut圖像分割方法的實現設x是一個N= V 維的指示向量,x i=1表示節(jié)點i在A中,x i=-1表示節(jié)點i在B中,d i=jw(i,j表示點i與其他點之間的所有聯系。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。該特征值問題的對應具有第二個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圖進行劃分。本文所采取的是將每個子圖單獨劃分,再

13、用遞歸的方法進行處理4。應用此方法,利用M ATLAB7.0軟件進行仿真,選取一幅腦腫瘤CT圖像(圖1進行分割。對于不同的區(qū)域,選擇不同的顏色加以標注,不同區(qū)域的邊緣也可以清晰的顯示,分割的結果見圖2。由圖2可以看出,腫瘤區(qū)域被標注出來,腫瘤的形狀與大小通過坐標可以獲知。根據先驗知識,仿真實驗中可以通過點擊腫瘤區(qū)域將腫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,同時度量不同分組之間的總體不相似性和各個組內的相似性的總和。為了計算最小歸一化割,可以將其轉換為廣義特征值問題來對待。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,進一步使用機器學習的方法將其有效特征提取出來,而后訓練分類器,最后達到利用訓練好的分類器區(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 點離開某個固定位置關系 =(D x ,D y 的點上的灰度為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,i ,j 分別為兩個像素的灰度; 表示兩個像素間的空間的位置關系。不同的 決定了兩個像素間的距離和方向。當兩像素間的位置關系 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)計量。(2反差(對比度G =L -1i =1L -1j =1(i

16、 -j 2P (i ,j 它是描述紋理反差的統(tǒng)計量,當紋理粗時反差小。(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學理論基礎,但還是無法完全地涵蓋醫(yī)生所描述有關腫瘤的信息。因此本文還采用了包括邊緣在內的輔助特征。經過大量的實驗,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(SVM 分類支持向量機(SVM 理論于1963年由V .Vap-nik 3提出,是一種

17、基于統(tǒng)計學習理論的模式識別方法?；舅枷胧?通過非線性映射把樣本空間映736數據采集與處理第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 對比度相關!熵射到一個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。但這個辦法帶來的困難就是計算復雜度的增加,而核函數正好巧妙地解決了這個問題。也就是說,只要選用適當的核函數,就可以得到高維空間的分類函數。從而解決回歸問題(時間序列分析和模式

18、識別(分類問題、判別分析等諸多問題。SVM常用核函數的有以下幾種:(1多項式核函數:K(x,x i=(xx i+1q(2徑向基函數:K(x,x i=ex p- x-x i 2(3Sig moid核函數:K(x,x i=tanh(xx i+c在比較實驗中,通過選擇不同的核函數和不同的懲罰因子可以得到SVM分類器的最優(yōu)參數配置。2實驗結果和分析本文實驗硬件環(huán)境是:處理器為Intel Cor e Duo(1.6GHz,內存為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。本文的實驗數據的分辨率為512&#

19、215;512。選取100幅腦CT圖像對分類器進行訓練,共提取124個疑似腦腫瘤區(qū)域圖像,其中正類樣本68個,負類樣本56個,按照表1共提取22維特征。待特征提取完成之后,將訓練樣本送入SVM分類器進行訓練。再選取50幅腦CT圖像進行測試,共提取60個疑似腦腫瘤區(qū)域圖像,其中正類樣本為30個,負類樣本30個,并分別比較將懲罰因子設定為100, 150,200,比較不同情況下的分類精確度,從而達到分類器參數的最優(yōu)設置。表2不同參數的分類準確率核函數多項式徑向基Sig moid由表2可以得到SVM最優(yōu)的參數設置為:徑向基核函數,懲罰因子C=100。3結束語腦腫瘤CT圖像的計算機輔助診斷已成為目前的

20、研究熱點。計算機輔助診斷的各個環(huán)節(jié)相輔相成,其中對病理的提取和模式分類顯得尤為重要。從實驗結果看,應用Ncut方法進行分割較為準確,特征提取較為完整,且設置最優(yōu)的參數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,具有一定的應用價值。針對腦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使其對分類效果更加明顯仍然是目前的一個重大問題,需要進一步研究。參考文獻: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