摘  要： 提出了一種基于胃鏡圖像的計算機輔助病灶檢測方法。首先，引入超像素理論，將胃鏡圖像分割成大小均勻且包含相似像素的若干區(qū)域；然后，分別提取顏色特征和紋理特征，并將其融合作為特征描述符；最后，采用二級串聯(lián)分類器進行胃鏡圖像內(nèi)干擾區(qū)域的去除以及病灶區(qū)域的識別。實驗結(jié)果表明，本方法病灶檢測正確率（AUC）可達到91.588%。
關鍵詞： 病灶檢測；顏色直方圖；超像素；LBP

　隨著人類生活方式和日常飲食的改變，加之現(xiàn)代生活快節(jié)奏性與不規(guī)律性，胃腸道疾病的發(fā)病率越來越高。目前，胃部疾病的檢測主要借助于電子胃鏡。醫(yī)學電子胃鏡主要由內(nèi)窺鏡、視頻處理器和視頻顯示器組成。應用電子胃鏡可以采集到高分辨率的醫(yī)學圖像，如圖1所示。臨床醫(yī)生可以靈活地操控電子胃鏡來實時地觀察胃鏡的病變區(qū)域。盡管如此，由于診斷過程主要憑借臨床醫(yī)生的主觀性，加之病理特征的多樣性和胃部環(huán)境的復雜性，胃病診斷的誤診率和漏診率仍居高不下。因此，研究與設計一種基于胃鏡圖像的計算機輔助檢測系統(tǒng)十分必要。

　就目前來看，此方面的研究主要集中在無線膠囊內(nèi)窺鏡圖像上，其研究的焦點主要集中于小腸和結(jié)腸的病灶區(qū)域檢測。而針對于傳統(tǒng)胃鏡圖像的研究尚處于起步階段，對于胃部病變的檢測尚未形成一種有效的方法?？v觀前人的工作，雖然檢測方法多種多樣，但可以粗略概括為圖像預處理、特征提取和用分類器進行識別3個步驟。在圖像預處理階段，圖像通常會被分割成小矩形塊[1]或相互重疊的圓形區(qū)域[2]；接下來，從分割后得到的區(qū)域提取各種不同特征，包括顏色直方圖、局部二進制模式（LBP）和小波域共生矩陣特征等。在最近幾年中，機器學習被廣泛地應用到醫(yī)學圖像的病灶檢測領域當中，例如支持向量機（SVM）[3]、貝葉斯推理和神經(jīng)網(wǎng)絡等。
　前人方法的主要缺陷在于過少地考慮了干擾因素的影響，提取特征相對單一。針對以上問題，本文提出了一種新的基于胃鏡圖像的病灶方法。首先，運用超像素的思想將圖像進行分割；然后，針對每一個分割后的區(qū)域，分別提取適合于排除干擾和識別病灶的組合特征；最后，采用二級串聯(lián)分類器進行干擾區(qū)域的去除和病灶區(qū)域的識別。
1 本方法中的相關技術
　胃腸道不同于人體其他器官，作為消化系統(tǒng)的一部分，它的生理環(huán)境十分復雜，其表面經(jīng)常會被粘液、氣泡和食物殘渣等覆蓋。除此之外，胃鏡的光照條件也極大地影響了圖像的質(zhì)量。綜合前人工作的分析可知，過多的噪聲極大地影響了病灶區(qū)域的識別準確率。針對此種情況，本文方法在圖像分割、特征提取以及分類器的設計上進行了相應改進。
1.1 基于超像素的區(qū)域劃分
　超像素在計算機視覺中得到了廣泛應用，但是在病灶檢測領域尚未得到應用。參考文獻[4]提出了一種簡單線性迭代聚集算法（SLIC）來減少計算量。相比較于歸一化分割算法和快速漂移算法，該算法具有耗時短、超像素的尺寸和矩形度可調(diào)節(jié)的特點。

    從實驗結(jié)果可以看出，對于干擾區(qū)域，15維的HIS_I、30維的HSV_HV、15維的Normalized RGB和15維的Opponent顏色特征表現(xiàn)出色，其受試者工作特征曲線（ROC曲線）下面積均可達到97.32%、98.78%、97.62%和99.27%。對于病灶區(qū)域，45維的HSV_HV、30維的RGB、45維的RG、15維的Opponent特征表現(xiàn)良好，其ROC曲線下面積均可達到90.76%、91.19%、92.83%和91.68%。然而單一的特征其代表性也比較單一，在實際復雜的應用環(huán)境中仍達不到理想的效果，因此本文方法將多種特征進行融合，通過多種特征的疊加來加強特征的魯棒性，從而可以應對復雜多變的應用環(huán)境，其實驗結(jié)果如圖2和圖3所示。圖2中，（1）表示HIS_I（15維）+HSV_HV（30維），NormRGB（45維）+OPPO（30維）+RGB（30維）；（2）表示OPPO（30維）+LBP（15維）；（3）表示OPPO（30維）+HUE（45維）；（4）表示OPPO（30維）+HUE（45維）+LBP（15維）；（5）表示所有單個特征表現(xiàn)最好的組合。圖3中，（1）表示HIS_I（45維）+LBP（30維）+NormRGB（45維）+HUE（45維）；（2）表示LBP（30維），NormRGB（15維）+RG（30維）；（3）表示LBP（30維）+NormRGB（45-d）+RG（45維）+OPPO（15維）；（4）表示LBP（30維）+RG（30維）；（5）表示LBP（30維）+RG（45維）+OPPO（45維）；（6）表示RG（45維）+OPPO（15維）+RGB（30維）；（7）表示RG（45維）+OPPO（15維）+RGB（30維）+LBP（30維）；（8）表示所有單個特征表現(xiàn)最好的組合。

　實驗結(jié)果證明，其組合后的特征性能平均高于任何一個單一特征，達到了預期效果。在干擾區(qū)域排除階段，特征組合（2）（30維的Opponent顏色直方圖串聯(lián)15維的LBP紋理特征）表現(xiàn)最為突出，AUC達到99.50%。在病灶區(qū)域識別階段，特征組合（5）（30維LBP紋理特征串聯(lián)45維的RG和45維的Opponent顏色特征）表現(xiàn)出色，AUC達到93.34%。本方法最終采用以上兩種最優(yōu)特征組合方式，為后續(xù)的去除干擾和病灶識別工作奠定了基礎。
1.3 分類器設計
　Adaboost衍生于Boosting算法，自從Schapire提出以來得到了廣泛的應用。Adaboost屬于一種迭代算法，其核心思想是將多個弱分類器組合成一個強分類器。本文選取決策樹作為子分類器，為避免過度學習的情況發(fā)生，本文將樹的深度設置為2。其次需要確定算法迭代的次數(shù)，綜合考慮算法的識別率及分類器的訓練時間，最終確定迭代次數(shù)為60最為合適。
　為減少胃鏡圖像中噪聲對檢測結(jié)果的影響，本文方法將兩個Adaboost分類器串聯(lián)起來，形成一個三分類器，通過此分類器，待檢測區(qū)域?qū)⒈蛔R別為正常區(qū)域、干擾區(qū)域或病灶區(qū)域3類。其工作流程如圖4所示。

2 方法實現(xiàn)
　首先，采用超像素的思想將圖像分割成像素相對緊湊一致的區(qū)域；其次，通過實驗分別找出適用于干擾區(qū)域和病灶區(qū)域的特征的組合；最后，采用二級分類器完成干擾區(qū)域的去除以及病灶區(qū)域的識別工作。本文方法的整個流程下。
算法：
?。?）設置期望的分割塊數(shù)K及區(qū)域的矩形度m。
?。?）在邊長為S的區(qū)域內(nèi)隨機初始化起始聚集中心CK=[lk，ak，bk，xk，yk]T。
?。?）采用3×3大小的鄰域?qū)ふ姨荻茸钚〉狞c作為聚集中心點。
?。?）repeat
　（5）for對于每一個中心點CK do
?。?）利用式（2），在中心點周圍2S×2S范圍內(nèi)尋找與中心點最匹配的像素點。
?。?）end for
　（8）重新計算中心點的位置，并計算新中心點與前中心點位置坐標的歐式距離E。
?。?）until E≤threshold
?。?0）將孤立存在的小區(qū)域強制劃分到相鄰的最大區(qū)域。
?。?1）for每一個分割后的區(qū)域do
?。?2）if區(qū)域內(nèi)像素個數(shù)≥N then
　（13）提取適合于干擾區(qū)域識別的特征組合。
?。?4）利用第一級分類器進行識別。
　（15）if該區(qū)域被識別為干擾區(qū)域then
?。?6）提取適合于病灶區(qū)域識別的特征組合。
　（17）利用第二級分類器進行識別。
?。?8）end if
?。?9）end if
?。?0）end for
3 實驗與結(jié)果分析
3.1實驗設計

　本實驗的數(shù)據(jù)來源于120個臨床病例，共計3 000張醫(yī)學胃鏡圖像，其中包含1 500張含有病灶區(qū)域的圖像和1 500張完全健康的圖像。圖像的大小為489像素×409像素，存儲格式為JPEG。每一幅含有病灶區(qū)域的圖像都配有專業(yè)醫(yī)師標注的標注圖，在實驗中作為地面真值。
　在實驗中，規(guī)定對于完全健康的圖像，只要有一個區(qū)域被識別為病灶區(qū)域，則認為檢測失??；反之，則認為檢測成功。對于含有病灶區(qū)域的圖像，只要有識別為病灶的區(qū)域與醫(yī)生標注區(qū)域有重疊，則認為檢測成功；否則，認為檢測失敗。
　在實驗中，采用4種不同的方法對相同一批圖像進行檢測，用來進行檢測效果的分析對比。方法1，SLIC分割+組合特征+二級串聯(lián)分類器；方法2，SLIC分割+組合特征+單級分類器；方法3：按30×30矩形分割圖像+組合特征+二級串聯(lián)分類器；方法4：按30×30矩形分割圖像+組合特征+單級分類器。
3.2 實驗結(jié)果與分析
　本文采用ROC曲線對實驗進行分析。ROC曲線將靈敏度與特異性以圖示方法結(jié)合在一起，可以準確反映分析方法中特異性和敏感性的關系，是試驗準確性的綜合代表。在ROC曲線圖表中，X軸表示假陽性率FPR（False Positive Rate），Y軸表示真陽性率TPR（True Positive Rate）。ROC曲線展示了當評判標準變化時這兩個變量之間的相互關系。ROC曲線下方的面積可以用來評判一個系統(tǒng)性能的好壞[5]。
實驗結(jié)果如圖5所示，本文所提出的方法（方法1）的檢測效果遠好于其他方法，其正確率遠好于其他3種方法，正確率（AUC）達到91.588%。方法2、方法3和方法4的正確率（AUC）分別為86.058%、76.458%和70.727%。

　部分實驗效果如圖6所示，其中第1排為含有病灶區(qū)域的胃鏡圖像；第2排為臨床醫(yī)師給出的地面真值圖；第3排為本文方法檢測后的結(jié)果圖。

　醫(yī)療器械的限制以及胃部特殊生理環(huán)境的影響，使得有些病灶區(qū)域很難用肉眼識別。考慮到胃鏡圖像的成像質(zhì)量受多方面因素的影響，圖像噪聲多的特點，本文方法在預處理階段采用SLIC分割算法，將圖像分割成大小均勻的超像素，相較于簡單的人工劃分區(qū)域，具有區(qū)域內(nèi)像素更加統(tǒng)一和緊湊的特點。此外，本文方法還采用了多種特征組合的形式替代了單一特征。最后通過使用二級串聯(lián)分類器將去干擾和病灶檢測步驟串聯(lián)進行。實驗表明，本文方法的病灶檢測正確率優(yōu)于傳統(tǒng)方法。
參考文獻
[1] Liang Pan， Cong Yang， Guan Mo. A computer-aided lesion diagnose method based on gastroscope image[C]. 2012 IEEE International Conference on Information and Automation， ICIA 2012， Washington， DC. IEEE Computer Society， 2012： 871-875.
[2] SZCZYPINSKI P， KLEPACZKO A， PAZUREK M， et al. Texture and color based image segmentation and pathology detection in capsule endoscopy videos[J]. Computer Methods and Programs in Biomedicine， 2014，13（1）：396-411.
[3] LI B， MENG M Q H. Tumor CE image classification using SVM-based feature selection[C]. Intelligent Robots and Systems （IROS）， 2010： 1322-1327.
[4] ACHANTA R， SHAJI A， SMITH K， et al. Slic superpixels[J]. Ecole Polytechnique Federal de Lausssanne（EPFL）， Technical Report， 2010： 149300.
[5]  SWETS J A， DAWES R M， MONAHAN J. Psychological science can improve diagnostic decisions[J]. Psychological Science in the Public Interest， 2000， 1（1）： 1-26.