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，采用二級串聯分類器進行胃鏡圖像內干擾區域的去除以及病灶區域的識別。實驗結果表明，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，加之現代生活快節奏性與不規律性，胃腸道疾病的發病率越來越高。目前，胃部疾病的檢測主要借助于電子胃鏡。醫學電子胃鏡主要由內窺鏡、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學圖像，如圖1所示。臨床醫生可以靈活地操控電子胃鏡來實時地觀察胃鏡的病變區域。盡管如此，由于診斷過程主要憑借臨床醫生的主觀性，加之病理特征的多樣性和胃部環境的復雜性，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窺鏡圖像上，其研究的焦點主要集中于小腸和結腸的病灶區域檢測。而針對于傳統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。縱觀前人的工作，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域[2]；接下來，從分割后得到的區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]、貝葉斯推理和神經網絡等。
　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，采用二級串聯分類器進行干擾區域的去除和病灶區域的識別。
1 本方法中的相關技術
　胃腸道不同于人體其他器官，作為消化系統的一部分，它的生理環境十分復雜，其表面經常會被粘液、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節的特點。

    從實驗結果可以看出，對于干擾區域，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%。對于病灶區域，45維的HSV_HV、30維的RGB、45維的RG、15維的Opponent特征表現良好，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境，其實驗結果如圖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最好的組合。

　實驗結果證明，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。在干擾區域排除階段，特征組合（2）（30維的Opponent顏色直方圖串聯15維的LBP紋理特征）表現最為突出，AUC達到99.50%。在病灶區域識別階段，特征組合（5）（30維LBP紋理特征串聯45維的RG和45維的Opponent顏色特征）表現出色，AUC達到93.34%。本方法最終采用以上兩種最優特征組合方式，為后續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，綜合考慮算法的識別率及分類器的訓練時間，最終確定迭代次數為60最為合適。
　為減少胃鏡圖像中噪聲對檢測結果的影響，本文方法將兩個Adaboost分類器串聯起來，形成一個三分類器，通過此分類器，待檢測區域將被識別為正常區域、干擾區域或病灶區域3類。其工作流程如圖4所示。

2 方法實現
　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域；其次，通過實驗分別找出適用于干擾區域和病灶區域的特征的組合；最后，采用二級分類器完成干擾區域的去除以及病灶區域的識別工作。本文方法的整個流程下。
算法：
?。?）設置期望的分割塊數K及區域的矩形度m。
?。?）在邊長為S的區域內隨機初始化起始聚集中心CK=[lk，ak，bk，xk，yk]T。
　（3）采用3×3大小的鄰域尋找梯度最小的點作為聚集中心點。
?。?）repeat
　（5）for對于每一個中心點CK do
　（6）利用式（2），在中心點周圍2S×2S范圍內尋找與中心點最匹配的像素點。
　（7）end for
?。?）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。
　（9）until E≤threshold
?。?0）將孤立存在的小區域強制劃分到相鄰的最大區域。
?。?1）for每一個分割后的區域do
?。?2）if區域內像素個數≥N then
　（13）提取適合于干擾區域識別的特征組合。
?。?4）利用第一級分類器進行識別。
?。?5）if該區域被識別為干擾區域then
?。?6）提取適合于病灶區域識別的特征組合。
?。?7）利用第二級分類器進行識別。
?。?8）end if
　（19）end if
?。?0）end for
3 實驗與結果分析
3.1實驗設計

　本實驗的數據來源于120個臨床病例，共計3 000張醫學胃鏡圖像，其中包含1 500張含有病灶區域的圖像和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。每一幅含有病灶區域的圖像都配有專業醫師標注的標注圖，在實驗中作為地面真值。
　在實驗中，規定對于完全健康的圖像，只要有一個區域被識別為病灶區域，則認為檢測失?。环粗?，則認為檢測成功。對于含有病灶區域的圖像，只要有識別為病灶的區域與醫生標注區域有重疊，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性能的好壞[5]。
實驗結果如圖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排為含有病灶區域的胃鏡圖像；第2排為臨床醫師給出的地面真值圖；第3排為本文方法檢測后的結果圖。

　醫療器械的限制以及胃部特殊生理環境的影響，使得有些病灶區域很難用肉眼識別?？紤]到胃鏡圖像的成像質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域，具有區域內像素更加統一和緊湊的特點。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分類器將去干擾和病灶檢測步驟串聯進行。實驗表明，本文方法的病灶檢測正確率優于傳統方法。
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.