脊椎图像预处理与特征提取研究

张增

摘   要：随着机器学习技术的快速发展，计算机辅助诊断已经成为临床医疗的重要支撑，在脊椎病变识别中广泛应用。然而，脊椎图像具有边缘模糊、多病变特征难以表达和区分度不明显的特点，使得脊椎多病变分类难以取得理想效果。因此，文章研究的脊椎图像预处理与特征提取方法具有理论指导意义和临床实用价值。

关键词：脊椎图像;医学图像预处理;特征提取

1    脊椎图像

脊椎病变严重危害人们的健康。随着各种影像设备在脊椎病变诊断中的广泛使用，对病人检查所产生的医学图像信息量也越来越庞大，面对如此海量的医学图像信息，如果仅依靠医生通过肉眼来观察脊椎CT图像，很难准确地识别病变部位和性质，并且依靠影像进行诊断非常考验医生的经验和水平。不同的医生由于临床经验的不同，在观察同一张脊椎CT图像可以得到的信息量也不同，最终得到的诊断结果也会有差异，存在一定的个人主观性，有可能产生漏诊或者误诊。如何提高诊断准确率和工作效率，实现诊断更加高效和科学，成为研究脊椎病变计算机辅助诊断的重要意义。脊椎图像如图1所示，其中，图1（a）表示正常脊椎骨，图1（b）表示脊椎骨折。

2    医学图像预处理

医学图像预处理的目的是获得更好的图像处理效果，以便对医学图像采取各种处理措施，消除无用信息的同时恢复真实有用的信息，一般包括医学图像分割、去噪和增强等措施。对医学图像进行预处理工作，一方面，可以消除医学图像中噪声，并增强图像纹理效果，实现提高图像质量的目的。另一方面，减少了医务人员对图像细节进行识别和分析处理的难度，有利于他们运用医学图像进行准确分析和诊断，大大提升了医学图像分类的效率以及准确性。

2.1  医学图像分割

随着医学影像的快速发展，作为图像处理技术的重要组成部分，图像分割在医学图像的研究与应用中发挥越来越重要的作用。图像分割就是预测图像中每一个像素所属的类别或者物体。图像分割有两个子问题：（1）仅预测类别层面的分割，对每个像素标出一个位置。（2）区分不同物体的个体，图像分割的研究多年来一直受到人们的高度重视，至今提出了各种类型的分割算法。目前最常用的图像分割方法主要包括基于阈值的分割方法、基于区域的分割方法、边缘分割方法、深度图像分割、彩色图像分割、边缘检测和以及基于特定理论的分割方法等[1]。

2.2  医学图像去噪

最初采集到的原始医学图像大多数都是含噪图像，这些噪声的存在对医学图像分析与处理的影响很大，一定程度上增加了医务人员对图像细节进行识别和分析处理的难度。如果不能及时进行图像去噪，原始图像中的噪声会在之后特征提取和图像增强中进一步延续和放大，对医务人员的正常诊断造成更加严重的干扰，一定程度上造成误诊率上升。因此，有必要选择合适的图像去噪技术对医学图像进行预处理，消除或减少图像中的噪声，以降低对医学图像增强、分割和特征提取等后续图像处理过程的不利影响。

在医学图像去噪领域，平滑技术是目前最常用的技术，包括空间域去噪法和频域去噪法两大类别。（1）空间域去噪法：指通过采用不同图像平滑模板对原始图像进行卷积处理，在医学图像平面上修改灰度，达到抑制或消除噪声的目的，主要包括高斯滤波、算术均值滤波和中值滤波。（2）频域去噪法：指通过对图像进行变换后，选用适当的频率带通滤波器进行滤波，经反变换后获得去噪图像，主要包括小波变换和基于稀疏变换去噪[2]。

2.3  医学图像增强

医学图像在产生、传输和存储过程中，由于受光源、成像系统等各种复杂因素的影响，不可避免地会导致出现不同程度地清晰度下降、对比度偏低和包含噪声等降质现象。为了便于后续分析与处理，一般采用图像恢复（或复原）和图像增强两种技术提高图像质量，其中，图像增强技术在图像处理领域中的应用非常广泛[3]。所谓的图像增强技术一般指根据图像特点和处理目的加强图像的整体或局部特性，很好地保留了图像边界和结构信息以及突出图像中的某些性质等，提高了图像的可判读性，改善了图像质量，同时，使得图像变得清晰，便于医务人员分析医学图像，并从中获得更多有价值的信息。

3    脊椎图像特征提取

图像特征提取算法是图像处理和分析的重要环节，是模式识别领域的一个重要研究领域[4]。所谓的图像特征一般指图像有别于其他类型图像的特性或者属性，包括图像的颜色、纹理、形状和空间关系特征等4个方面。其中，纹理特征是一种描述图像或者其所在区域对应图像像素的灰度空间分布特征的一种全局特征，被广泛用于图像分类、目标识别和视频分类等研究领域。由于从图像中所提取的特征能准确描述图像本质的、重要的特征，因而图像特征提取的质量直接影响到图像分类结果的准确与否。

3.1  纹理特征

纹理特征是一种反映图像中同质现象的视觉特征，刻画了图像中重复出现的局部模式与其排列规则，一定程度上反映了图像或图像区域所对应物体表面的特性，具有旋转不变性以及良好的抗噪性能，广泛应用于图像分类、目标识别和场景识别等研究领域。

3.2  脊椎图像紋理特征提取方法

本文中使用的是20世纪70年代初由Haralick等提出的灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM），GLCM是关于像素距离和角度的矩阵函数，计算图像中一定距离和一定方向的两点灰度之间的相关性，是一种通过研究灰度的空间相关特性来分析图像纹理特征的经典二阶统计法，在脊椎病变分类的实际应用中取得了良好的效果[5]。

图像的灰度矩阵反映图像视觉信息，而灰度共生矩阵则反映灰度图像方向、相邻间隔和变化幅度的综合信息。Haralick等定义了包括角二阶矩、对比度和相关性等在内的14个用于纹理分析的灰度共生矩阵特征参数。为了能从更直观的角度观察共生矩阵描绘图像的纹理特点，本文主要考虑以下4个特征值。

（1）角二阶矩（Angular Second Moment，ASM）：也称为能量，是通过计算灰度共生矩阵各元素的平方和求得的，是用来表征图像灰度分布均匀性和纹理粗细程度的一个度量。当共生矩阵组成元素之间的取值相差很小时，则ASM值较大，表示图像纹理细致且均匀。相反，如果共生矩阵组成元素之间的取值相差較大，则ASM值很小，表示图像纹理变化不规则、表面粗糙。

（2）逆差矩（Inverse Different Moment，IDM）：反映图像纹理的同质性，度量图像纹理局部变化的多少。其值大，则说明图像纹理的不同区域间缺少变化，局部非常均匀。

（3）相关度（Correlation，COR）：用来表征共生矩阵在行或者列方向上的相似程度，是灰度线性关系的度量。

（4）对比度（Contrast，CON）：通过主对角线的惯性矩来反映图像灰度的局部变化或分布情况，度量了图像中纹理的沟纹深浅程度。当对比度取值越大时，图像的纹理越清晰;相反，当对比度取值较小，导致局部变化并不显著，纹理效果较为模糊。

本文采用灰度共生矩阵求解脊椎椎骨的纹理特征，其中，Frec，Fecc，Fccn和Fcon分别表示脊椎椎骨的灰度共生矩阵特征参数逆差矩、角二阶矩、相关度和对比度。正常脊椎、楔形骨折、压缩骨折分别用0，1和2表示。令图像的像素间隔为1，方向为0°，得到的脊椎椎骨的灰度共生矩阵特征参数如表1所示。

4    结语

常用的医学图像的预处理的主要步骤，包括医学图像去噪、增强和分割等，其主要目的是去除图像中无关的信息，提高脊椎图像的质量。提取图像自身所蕴含的特征是分类识别的前提，也是医学图像处理与分析领域复杂而关键的步骤之一，直接影响到脊椎图像分类的最终结果。

本文以脊椎骨折病变为主要研究对象，首先，针对脊椎CT图像对比度低、边缘模糊的问题，通过图像去噪、图像增强和图像分割的处理，得到椎骨体区域。其次，提取脊椎图像纹理特征，全面量化脊椎病变特征。

[参考文献]

[1]CHOI C，TREVOR A J B，CHRISTENSEN H I.RGB-D edge detection and edge-based registration[C].Tokyo：IEEE/RSJ International Conference on Intelligent Robots and Systems，2014.

[2]SONG Y Q，LIU B，XIE J.Medical image texture features classification based on Gabor wavelet transform[J].Computer Engineering，2010（11）：200-202.

[3]TANG J，LIU X，SUN Q.A direct image contrast enhancement algorithm in the wavelet domain for screening mammograms[J].IEEE Journal of Selected Topics in Signal Processing，2009（1）：74-80.

[4]FERNANDO B，FROMONT E，MUSELET D，et al.Discriminative feature fusion for image classification[C].Providence：Computer vision and pattern recognition，2012.

[5]MANIVANNAN K，AGGARWAL P，DEVABHAKTUNI V，et al.Particulate matter characterization by gray level cooccurrence matrix based support vector machines[J].Journal of Hazardous Materials，2012（5）：94-103.

Abstract：With the rapid development of machine learning technology， computer-aided diagnosis has become an important support for clinical medicine， and is widely used in the recognition of spinal lesions. The classification of multiple lesions of the spine is difficult to achieve ideal results because of the problem that it is difficult to express spine image and the degree of discrimination is not obvious of spine image. Therefore， this paper study of preprocessing and feature extraction of spine image has value of theoretical guidance and clinical practical.

Key words：spine image; medical image preprocessing; feature extraction