基于纹理分析的儿童室管膜瘤和髓母细胞瘤的鉴别诊断

张涵笑，赵书俊，董洁，张勇

1.郑州大学物理工程学院，河南郑州 450000；2.郑州大学第一附属医院磁共振科，河南郑州 450000；

肿瘤是威胁人类健康的主要疾病之一，室管膜瘤和髓母细胞瘤是常见的儿童脑肿瘤[1]，不同肿瘤的治疗及预后方案也不同，术前正确鉴别非常重要。机器学习在图像识别领域发展迅速，计算机辅助检测作为一种非侵入性诊断在医学成像辅助诊断中具有极高的应用价值。纹理分析能够从医学图像中获得更多的细节信息，显示图像信号的强度、像素值及其位置信息[2]。基于 Gabor滤波的纹理分析是一种将空域和频域相联合的方法[3]，同时具有多尺度、多方向的特点，而医学图像纹理特征丰富、细节信息较多，Gabor小波变换技术具有尺度与方向可调性，能够获得更多的图像纹理信息。本研究从Gabor滤波的角度提取MRI图像的纹理特征进行定量化，指导分类，进而辅助临床诊断。

1 资料与方法

1.1 研究对象 收集2008年5月－2015年8月郑州大学第一附属医院收治的儿童后颅窝肿瘤45例，男29例，女16例；年龄0～14岁，平均（6.25±3.29）岁。其中室管膜瘤22例，髓母细胞瘤23例，均经手术病理证实。

1.2 图像分析 采用Siemens 3.0T MRI系统，标准头颅线圈。增强扫描矢状位T1WI，扫描参数：TR 260.0 ms，TE 2.46 ms，层厚5 mm，层间距0.3 mm，造影剂为钆喷替酸葡甲胺，剂量0.2 mmol/kg。

从MRI图像中选择肿瘤面积最大层面，先由2名主任医师分别对所有图像中的肿瘤部分手工勾画感兴趣区（ROI），以两者协商后的结果为最终结果（图1A、1B、2A、2B）。同时，基于灰度的图像后处理，大面积的黑色背景会造成结果的误差，为探测减少大面积背景是否对分类结果产生影响，自动沿肿瘤边界对图像进行切割，去除了无用的背景部分，又最大限度地保留了肿瘤的实质区域（图1C、2C）。

图1 女，4岁，室管膜瘤。室管膜瘤（箭）原MRI图像（A）；ROI（B）及去除背景部分的ROI（C）

图2 男，8岁，髓母细胞瘤。髓母细胞瘤（箭）原MRI图像（A）；ROI（B）及去除背景部分的ROI（C）

1.3 研究方法 对待处理图像进行 Gabor滤波以增强图像纹理信息，然后提取相应的纹理特征，利用支持向量机（support vector machine，SVM）在MATLAB平台对2种肿瘤的纹理特征进行训练分类。

1.3.1 Gabor小波变换 Mallat[4]首次将小波变换运用于纹理分析；Gabor[5]提出一种新的变换方法——Gabor小波变换。Gabor小波变换属于加窗傅里叶变换，可在频域不同尺度、不同方向上提取相关特征。二维Gabor函数可以表示公式（1）～（4）。

其中，ν的取值决定滤波的波长即尺度的大小，u的取值决定了滤波的方向，对于纹理分析，Gabor变换能够得到一个相当高的空间、频率联合分辨率[6]。分别令ν=0、1、2、3、4，u=0、1、2、3、4、5、6、7，对图片进行5个尺度、8个方向的Gabor小波变换（图3）。

图3 Gabor滤波后的图像。一幅待测图像经5个尺度、8个方向滤波后得到40幅新图像，每幅新图像提取4个特征，故一幅待测图像共获取160个特征向量

1.3.2 纹理特征 图像通过Gabor小波变换后获取其灰度直方图，分别提取平均值（mean）、对比度（con）、熵（ent）和角度方向二阶距（asm）4个纹理特征，见公式（5）～（8）。

1.3.3 分类器训练分类 使用SVM分类器进行分类训练得到输出结果[7]。实验数据样本标记为X={xi},Y={yi}，其中i=1,……，n；yi{－1,+1}，yi是标签。将其映射到高维特征空间中，分类超平面表示为在高维特征空间中，两类样本中任意点到超平面的距离为若要分类间隔最大，在服从约束下须取得极小值，可使用拉格朗日方程求解判别函数为通过该判别函数即可做出分类。SVM适用于小样本、高维非线性的情况，故采用SVM对提取出的具有显著差异性的特征向量进行训练分类。

1.4 统计学方法 采用SPSS 23.0软件，对所有样本中提取出的向量做显著性差异检验。对于符合正态分布，方差齐性的特征，采用t检验；对于不符合正态分布，方差齐性的特征采用秩和检验。P＜0.05表示差异有统计学意义。

2 结果

2.1 特征向量的提取和选择 对未剪切背景的图像进行Gabor滤波后提取160组特征，经检验后，差异有统计学意义的特征向量组为均值（除去34/41/43/44/45/47，第一个代表尺度v，第二个数字代表方向u）、熵（全部）、角度方向二阶距（21/23/25/26/27/30/32/34/35/36/37/40/41/42/43/44/45/46/47），共 93组特征向量。对剪切背景后的图像进行Gabor滤波后提取的160组特征向量中，均值（全部）、对比度（全部）与角度方向二阶距中的 34组（除去 31/32/33/35/36/37）共 114组特征向量差异有统计学意义（P＜0.05）。然后将差异有统计学意义的特征向量组使用 SVM 做训练分类。

2.2 SVM 测试结果 首先对未剪切背景的图像提取出的160组特征向量和差异有统计学意义的93组特征向量分别使用SVM进行训练分类。然后对剪切背景后的图像提取出的 160组特征向量和差异有统计学意义的 114组特征向量分别使用 SVM 进行训练分类。每次随机将每组样本的 60%作为训练集，其余40%作为测试集，共分组200次，将200次计算结果作为分类结果（表 1）。由表 1可知，使用SVM分析经Gabor滤波提取出的纹理特征能够实现室管膜瘤和髓母细胞瘤的分类。通过沿肿瘤边缘剪切背景部分和仅输入差异有统计学意义的特征向量能明显改善分类结果，减背景降维后的分类正确率最高，为（87.03±4.22）%。

表1 SVM训练分类结果正确率对比（ ±s，%）

表1 SVM训练分类结果正确率对比（ ±s，%）

图像类型室管膜瘤分类髓母细胞瘤分类合计未减背景未降维 69.94±14.56 61.78±14.85 65.86±4.99未减背景降维71.72±14.56 56.06±14.41 63.89±4.02减背景未降维 84.67±11.44 68.50±12.34 76.58±5.16减背景降维89.22±8.03 84.83±9.53 87.03±4.22

3 讨论

在15岁以下的儿童中，脑肿瘤是仅次于急性淋巴细胞性白血病的常见癌症[8]。进行肿瘤类别的诊断时极大地依赖于临床经验，且不同医师的诊断结果也会产生一定的偏差，最终结果依赖于病理学检查，一般需要入侵的方式取得病理切片[9]。如何通过非入侵的方式通过计算机进行儿童脑肿瘤中的室管膜瘤和髓母细胞瘤的分型是本研究的重点。

MRI图像能够非入侵显示肿瘤的部位及大小，图像纹理分析技术可以得到肿瘤中更多无法直接观察到的信息并定量化，从而辅助诊断。本研究对45例15岁以下后颅窝肿瘤（其中22例室管膜瘤，23例髓母细胞瘤）展开研究，首先手动勾画ROI，然后使用基于Gabor滤波的纹理特征分别对 2种肿瘤的 ROI进行分析，提取了160组特征，再用SVM作为分类器对2种肿瘤进行分类，与病理学结果进行对照，正确率仅为（65.86±4.99）%。针对部分特征对于后续分类无相关性的特点又进行了4次对比研究，分别是将背景区域进行剪切和未剪切，将滤波后提取的160组特征进行相关性分析从而降维和未进行相关性分析。结果显示，未减背景和未降维针对2种肿瘤的分类正确率为（65.86±4.99）%，未减背景和降维后分类正确率为（63.89±4.02）%，减背景未降维后分类正确率为（76.58±5.16）%，减背景降维后的正确率为（87.03±4.22）%。最终实验结果证明，对于儿童后颅窝肿瘤中室管膜瘤与髓母细胞瘤减背景和降维后分类正确率最高。对ROI背景部分剪切且对特征向量筛选后，经对比，剪切背景和仅输入具有显著性差异的特征能够有效改善分类结果。故可以通过检验特征向量之间的显著差异性对多特征参数进行选择，最终达到辅助诊疗的目的。

近年来，纹理分析成功地运用于儿童脑肿瘤的类型鉴别，各种纹理特征提取方法不断涌现，既往研究中有关儿童脑肿瘤的 2D T1WI和 T2WI图像使用SVM分类器的分类总正确率为73%～86.71%[10-12]，将Gabor滤波方法用于儿童脑肿瘤的研究罕见。同时，本研究也存在一定的局限性，样本量过小限制了分类器的选择，而且仅对2D T1WI图像矢状位进行研究，今后可扩大样本量进行3D及冠状位、轴位的研究，以期提供更多的肿瘤相关信息，提高儿童脑肿瘤的自动化分型能力。