基于变差函数的肝癌超声图像纹理识别的研究

李秀丽，孟晓涛

包钢集团第三职工医院 超声科，内蒙古包头 014010

基于变差函数的肝癌超声图像纹理识别的研究

李秀丽，孟晓涛

包钢集团第三职工医院 超声科，内蒙古包头 014010

本文提出了应用变差函数识别肝脏超声图像纹理的方法，并定义了各向异性系数，以进一步定量化肝脏超声图像的纹理特征。采用此方法，本文研究了4例肝癌肝脏超声图像及5例正常肝脏超声图像，计算了各个肝脏超声图像8个方向上的变差函数r(h)max值。结果表明，正常肝脏图像r(h)max值较小，肝癌肝脏图像r(h)max值较大；正常肝脏图像的各向异性系数较大，肝癌肝脏图像的各向异性系数较小。参数r(h)max及各向异性系数可以很好地定量化区别正常肝脏与肝癌肝脏。

超声图像；纹理特征；变差函数；各向异性系数

目前，肝癌已成为人类的主要疾病之一，其发病率在我国有逐年上升的趋势[1-2]。当前，临床上对肝癌诊断的方法有：肿瘤标记物检测、超声显像、电子计算机断层扫描（CT）、磁共振成像（MRI）、X线肝血管造影、放射性核素肝显影和肝活组织切片检查等[3-4]。活组织切片检查是肝癌最为准确的检验方法，但该法对肝脏有创伤；肿瘤标记物检测不能对病灶进行定位；CT、MRI、X线肝血管造影、放射性核素肝显影虽具有较高的检出率，但费用较高且不能进行动态监测。超声显像是一种最常用的无创检查手段，具有操作简便、检查费用低、可重复使用、无放射性损伤、检出敏感性高等优点。

传统的超声检查主要通过医务人员用肉眼对比疑似肝癌患者与正常人体肝脏超声图像的纹理特征，判断其肝脏器官是否存在异常病变并做出诊断。因此，检查结果与医务人员的技术、手法、经验以及检查的细致程度等密切相关，并受医师主观因素影响较大。为减少由主观原因导致的误诊和漏诊，本文提出了应用肝脏超声进行图像纹理特征的识别，以帮助医生有效地诊断肝癌。

1 肝脏超声图像纹理特征识别研究现状

通常情况下，正常肝脏超声图像呈现有规律的、均匀的纹理特征，纹理基元大小适中；而结节性或弥漫性的原发性肝癌，其组织结构遭到破坏，在超声图像中，纹理特征可能是无回声、等回声、低回声或强回声以及混合回声。这些纹理特征的差异性为定量识别正常肝脏和肝癌提供了可能[5-8]。超声影像学定量诊断方法主要包括：灰阶回声强度分析法、背向散射积分分析法、组织弹性成像分析法[9]。在肝脏超声图像定量分析方面，叶萌萌[10]结合肝脏肿瘤的轮廓特征和支持向量机（Support Vector Machine，SVM），对肝脏肿瘤的良、恶性进行识别，识别率达到92.31%。张慧等[11]结合增强去噪算法提出了基于灰度共生矩阵和决策树分类挖掘的纹理特征分析方法，提高了肝癌的B超检出率。刘昉等[12-13]采用分形模型对肝脏超声图像进行了纹理分析，结果表明分维D是区分病变的重要特征量。季桂树等[5-6]采用布朗运动方法、毯子法、傅里叶功率谱法和差分盒计数法计算了14幅正常肝样本图像和14幅原发性肝癌样本图像的分形维数值，结果表明，由毯子法、傅里叶功率谱法和差分盒计数法获得的描述正常肝图像感兴趣区域的分维值明显小于描述原发性癌图像感兴趣区域的分维值；通过分析证明，傅里叶功率谱方法是描述超声肝图像纹理特征最适合的方法。陈菲[14-15]提出一种融合共生矩阵和多分辨率相结合的方法来进行超声肝癌图像特征提取，并采用传统的贝叶斯决策理论进行统计识别，实验证明，这种有效的特征提取对正常肝脏和肝癌的超声图像具有较高的分类正确率。

对于肝脏超声图像的纹理特征识别，国内外专家学者进行了大量的研究。本文应用变差函数研究肝脏超声图像的纹理特征，为有效识别肝癌肝脏提供了一种新方法。

2 变差函数模型及参数在超声图像中的意义

2.1 变差函数模型

变差函数既能描述区域化变量的空间结构，也能描述其随机性，其基本表达式为：

公式(1)中，r(x,h)为变差函数，Z(x)为区域化变量，r(x,h)表示在研究空间中x和x+h两点值之差的方差的½。

当区域化变量Z(x)满足本征假设：

（1）对于整个研究区域内有：

（2）增量的方差函数E[Z(x)-Z(x+h)]存在且平稳（不依赖于x）。

则公式(1)可改写成：

在本征假设的基础上，可以根据在x轴上相隔h的点xi和xi+h上的观测值[Z(xi)，Z(xi+h)](i=1，2，…，N(h))计算[Z(xi)，Z(xi+h)]2，然后求得[Z(xi)，Z(xi+h)]2的算术平均值从而计算试验变差函数：

2.2 变差函数在超声图像中的意义

用区域化变量Z(x)代表超声图像中点x处的灰度值，那么x轴上任意两点x和x+h间的变异规律可以用变差函数来表示。按照公式(4)，通过不断改变h的大小，可以获得超声图像上某一方向灰度的变化规律，见图1。

图1r(h)随h的发展变化趋势图

图1中，随h的增大，r(h)值也增大，直到趋于稳定。趋于稳定的r(h)称为基台C，其对应的h为变程a。对于肝脏超声图像来说，C值越大，说明图像的灰度级差别越大，进一步说明此肝脏超声图像纹理不均匀，属病变图像。据此，可以定量诊断肝脏是否正常。

3 超声图像变差函数计算的实现

根据变差函数公式，在超声图像上计算不同的h对应的r(h)值。h发展构形，见图2。例如在水平方向上，若h=1（距离为1个像素），逐行追踪扫描图像中的每一点，并记录该点的灰度值、计算两点间灰度差，这样的点在图中共30个；若h=2（距离为2个像素），逐行追踪扫描，共24个点；同样方法，逐步增大，相应地统计出[Z(xi)，Z(xi+h)]点的个数，进一步计算r(h)。对于其他方向，计算方法同上。上述计算过程通过VC++编制的相关程序来实现。

图2h发展构形

4 肝脏超声图像实例计算与结果分析

4.1 临床资料

本文所使用的肝脏超声图像均由包钢第三医院超声科提供。彩超型号为Philips iU22，凸阵探头，频率为3.5 MHz。本文所用肝癌超声图像来自于2015年3～8月经超声诊断为占位性病变，后经肝脏穿刺活检及病理检验确诊的原发性肝细胞癌患者4例，其中男3例，女1例，年龄43～61岁，平均52岁，均为单个结节癌。另选择5位无肝病的健康人的肝脏超声图像作为对照。感兴趣区域是包括病灶在内的一个矩形区域，并将该矩形区域作为一幅图像剪切下来予以保存，图像大小均为100像素×100像素。在选择感兴趣区域时要注意肝脏粗大的血管组织可能对病灶呈现的纹理的影响。

4.2 计算过程与结果分析

以一例正常肝脏为例，首先将图像读入程序（图3），然后进入图像分析菜单，即可计算超声图像不同方向的r(h)，见图4。图4(a)为正常肝脏超声图像在0º方向上r(h)随h增大的结果，其相应的发展趋势见图4(b)。最后，在同一幅肝脏超声图像上计算其8个方向上的变差函数r(h)值，计算结果，见表1。由表1可以看出，正常肝脏和肝癌肝脏图像各方向上的r(h)max值有很大区别，正常肝脏图像的r(h)max值在200～300之间，肝癌肝脏图像的r(h)max值均＞400，最大值高达1000以上。这些数值说明，正常肝脏图像纹理均匀，病变肝脏的图像纹理粗糙。

图3 超声图像分析系统

图4 正常肝脏超声图像变差函数计算结果

9幅肝脏超声图像的各向异性特征，见图5。由图5可以看出，正常肝脏图像各方向上的r(h)max值较均匀（图中5个内圈）；肝癌肝脏图像各方向上的r(h)max值差别较大（图中4个外圈）。也就是说，正常肝脏与肝癌肝脏图像的各向异性特征也有很大差别。将一幅超声图像中所有方向的r(h)max最小值与最大值的比值定义为各向异性系数λ。9幅肝脏超声图像各向异性系数λ计算结果，见表2。从表2可以看出，正常肝脏图像的各向异性系数均＞0.8，肝癌肝脏超声图像的各向异性系数均＜0.75。各向异性系数接近1，说明图像各个方向上的纹理较均匀；而各向异性系数越小，说明图像各个方向上的纹理差别较大。

图5 9幅肝脏超声图像r(h)的各向异性图

当肝脏发生病变时，肝脏微结构发生了明显变化，从而使正常肝脏与肝癌肝脏超声影像之间的纹理特征出现较大的差别，表现为图像纹理粗糙，参数r(h)max可以很好地区分正常肝脏与肝癌肝脏，从而为医师临床辅助诊断肝脏疾病提供了量化依据。

表1 肝脏超声图像不同方向上变差函数r(h)max计算结果统计表（像素2）

5 总结

本研究计算了5幅正常肝脏超声图像和4幅肝癌肝脏超声图像的变差函数r(h)max值。结果表明：正常肝脏图像的r(h)max值较小，肝癌肝脏图像的r(h)max值较大；正常肝脏图像的各向异性系数较大，肝癌肝脏超声图像的各向异性系数较小。参数r(h)max可以很好地定量化表征正常肝脏与肝癌肝脏。

表2 9幅肝脏超声图像各向异性系数λ计算结果

本文重在提供一种识别计算方法，而正常肝脏与肝癌肝脏超声图像的r(h)max特征值及其各向异性系数特征仍需通过大样本数据研究后才能确定。

[1] 孙华宝,叶德强,曹立,等.Logistic回归和ROC曲线评价8种原发性肝癌实验室诊断指标的临床价值[J].广东医学,2010,31(20):2650-2653.

[2] Jemal A,Bray F,Center MM,et al.Global cancer statistics[J].CA Cancer J Clin,2011,61(2):69-90.

[3] 范小娇,张惠卿.肝癌影像成像技术诊断的研究进展[J].内蒙古医科大学学报,2015,37(2):215-220.

[4] 朱碧云,陈卉.医学图像纹理分析的方法及应用[J].中国医学装备,2013,10(8):77-81.

[5] 季桂树,江乐新,禹智夫.分维方法在肝癌超声图像纹理识别中的性能比较研究[J].中南大学学报,2011,42(9):2746-2753.

[6] 季桂树.肝癌超声图像纹理特征识别中的关键技术研究[D].长沙:中南大学,2013.

[7] 吴文竹,孙小蓉,王晓玲.彩色多普勒图像特征值对不同肝脏病变的鉴别[J].肿瘤防治研究,2014,41(7):848-849.

[8] 曹桂涛,施鹏飞,胡兵.基于肝脏超声图像的纤维化量化分析[J].声学技术,2004,23(3):98-104.

[9] 赵玉珍,张丽娟.超声组织定征在肝脏弥漫性病变诊断中的研究进展[J].中国医疗设备,2011,26(9):12-16.

[10] 叶萌萌.基于支持向量机的肝脏肿瘤良、恶性识别研究[D].杭州:浙江大学,2012.

[11] 张慧,迟庆云,刘彩霞.基于灰度共生矩阵的肝癌B超纹理特征决策树诊断分析[J].中国医药指南,2015,13(25):2-3.

[12] 刘昉,程敬之.分形模型的超声图像纹理分析[J].生物医学工程学杂志,1999,16(3):329-332.

[13] 刘昉,程敬之.肝脏超声图像局部分形指数研究[J].生物物理学报,1999,15(2):345-350.

[14] 陈菲.肝癌超声图像识别的特征提取[J].微计算机信息,2006,22 (10-3):272-275.

[15] 陈菲.基于贝叶斯理论的超声肝图像识别系统研究[J].微计算机信息,2007,23(7-3):306-308.

Study on Methods of Differentiating Liver Cancers from Normal Liver by Ultrasound Image Texture Features Based on Variogram

LI Xiu-li, MENG Xiao-tao
Department of Ultrasonography, the Third Workers’ Hospital of Baogang Group, Baotou Inner Mongolia 014010, China

Application of the variogram for characterizing ultrasound image texture features was proposed in this paper to differentiate abnormal liver from normal liver. And the coefficient of anisotropy was also defned to further characterize ultrasound image texture features. Four abnormal livers and fve liver cancers were involved in this study using this method to calculate ther(h)maxvalue and analyze each image from eight directions. The results showed thatr(h)maxvalue of normal livers was smaller andr(h)maxvalue of liver cancers was bigger; while, the coefficient of anisotropy for normal livers was more and that of liver cancers was smaller. Hence, both the parametersr(h)maxand coeffcient of anisotropy can be used to differentiate liver cancers from normal livers.

ultrasound images; texture features; variogram; anisotropy coeffcient

R445.1；R735.7

A

10.3969/j.issn.1674-1633.2016.07.012

1674-1633(2016)07-0041-04

2016-02-22

2016-03-02

作者邮箱：m15924422979@163.com