关 沫，邢永吉

（沈阳工业大学 信息科学与工程学院，辽宁 沈阳 110023）

随着人类生活方式和日常饮食的改变，加之现代生活快节奏性与不规律性，胃肠道疾病的发病率越来越高。目前，胃部疾病的检测主要借助于电子胃镜。医学电子胃镜主要由内窥镜、视频处理器和视频显示器组成。应用电子胃镜可以采集到高分辨率的医学图像，如图1所示。临床医生可以灵活地操控电子胃镜来实时地观察胃镜的病变区域。尽管如此，由于诊断过程主要凭借临床医生的主观性，加之病理特征的多样性和胃部环境的复杂性，胃病诊断的误诊率和漏诊率仍居高不下。因此，研究与设计一种基于胃镜图像的计算机辅助检测系统十分必要。

图1 胃镜图像样例

就目前来看，此方面的研究主要集中在无线胶囊内窥镜图像上，其研究的焦点主要集中于小肠和结肠的病灶区域检测。而针对于传统胃镜图像的研究尚处于起步阶段，对于胃部病变的检测尚未形成一种有效的方法。纵观前人的工作，虽然检测方法多种多样，但可以粗略概括为图像预处理、特征提取和用分类器进行识别3个步骤。在图像预处理阶段，图像通常会被分割成小矩形块[1]或相互重叠的圆形区域[2]；接下来，从分割后得到的区域提取各种不同特征，包括颜色直方图、局部二进制模式（LBP）和小波域共生矩阵特征等。在最近几年中，机器学习被广泛地应用到医学图像的病灶检测领域当中，例如支持向量机（SVM）[3]、贝叶斯推理和神经网络等。

前人方法的主要缺陷在于过少地考虑了干扰因素的影响，提取特征相对单一。针对以上问题，本文提出了一种新的基于胃镜图像的病灶方法。首先，运用超像素的思想将图像进行分割；然后，针对每一个分割后的区域，分别提取适合于排除干扰和识别病灶的组合特征；最后，采用二级串联分类器进行干扰区域的去除和病灶区域的识别。

1 本方法中的相关技术

胃肠道不同于人体其他器官，作为消化系统的一部分，它的生理环境十分复杂，其表面经常会被粘液、气泡和食物残渣等覆盖。除此之外，胃镜的光照条件也极大地影响了图像的质量。综合前人工作的分析可知，过多的噪声极大地影响了病灶区域的识别准确率。针对此种情况，本文方法在图像分割、特征提取以及分类器的设计上进行了相应改进。

1.1 基于超像素的区域划分

超像素在计算机视觉中得到了广泛应用，但是在病灶检测领域尚未得到应用。参考文献[4]提出了一种简单线性迭代聚集算法（SLIC）来减少计算量。相比较于归一化分割算法和快速漂移算法，该算法具有耗时短、超像素的尺寸和矩形度可调节的特点。

SLIC 分割算法作 用于图 像的 5 维[l，a，b，x，y]空间上，l、a、b分别为 CIELAB 颜色空间的 3 个分量，x、y是像素在图像的二维坐标平面的位置坐标。因此，每一个像素可 以表示为[li，ai，bi，xi，yi]T。

I（x，y）表示在 CIELAB 颜色 空 间内 坐标 为 （x，y）的 像素点的值，‖…‖表示欧式距离，每个超像素的中心点表示为[lk，ak，bk，xk，yk]T。

当期望的超像素的大小近似为S×S时，则相似像素的搜索范围将扩展至以中心像素为中心点的2S×2S大小的区域。为了将更相似的像素聚集到聚类中心，参考文献[4]提出了一种新颖的计算距离的方法，即：

Ds是CIELAB颜色空间内有颜色距离和二维相平面的欧式距离之和。设置m的大小可以控制超像素的矩形度。

1.2 特征提取

基于胃镜图像的特点，应该选取一些具有光照不变性、旋转及平移不变性的颜色和纹理特征，例如HIS_I、HSV_HV、RGB、Norm RGB、RG、Opponent、HUE 颜色直方图特征，以及局部二进制模式（LBP）纹理特征。为找出分别适用于干扰区域和病灶区域的特征，本文人工提取了30×30大小的样本9 000个 （干扰-非干扰样本45 00个、病灶-非病灶样本4 500个），之后分别提取各特征，并放入分类器进行训练与识别，实验结果如表1和表2所示。

表1 各特征在识别干扰区域时的正确率（AUC/%）

表2 各特征在识别病灶区域中的正确率（AUC/%）

从实验结果可以看出，对于干扰区域，15维的HIS_I、30维的 HSV_HV、15维的 NormalizedRGB 和 15维的Opponent颜色特征表现出色，其受试者工作特征曲线 （ROC曲线）下面积均可达到97.32%、98.78%、97.62%和 99.27%。对于病灶区域，45维的 HSV_HV、30维的RGB、45维的 RG、15维的 Opponent特征表现良好，其ROC曲线下面积均可达到 90.76%、91.19%、92.83%和91.68%。然而单一的特征其代表性也比较单一，在实际复杂的应用环境中仍达不到理想的效果，因此本文方法将多种特征进行融合，通过多种特征的叠加来加强特征的鲁棒性，从而可以应对复杂多变的应用环境，其实验结果如图 2和图 3所示。图 2中，（1）表示 HIS_I（15维）+HSV_HV （30 维），NormRGB （45 维）+OPPO （30 维）+RGB（30 维）；（2）表示OPPO（30 维）+LBP（15 维）；（3）表示OPPO（30 维）+HUE（45 维）；（4）表示OPPO（30 维）+HUE（45 维）+LBP（15 维）；（5）表示所有单个特征表现最好的组合。图 3 中，（1）表示 HIS_I（45 维）+LBP（30 维）+NormRGB （45 维）+HUE （45 维）；（2） 表示 LBP （30 维），NormRGB （15 维）+RG （30 维）；（3） 表示LBP （30 维）+NormRGB（45-d）+RG（45 维）+OPPO（15维）；（4）表示 LBP（30 维）+RG（30 维）；（5）表示LBP（30 维）+RG（45 维）+OPPO（45 维）；（6）表示 RG（45 维）+OPPO（15 维）+RGB（30维）；（7）表示RG（45 维）+OPPO（15 维）+RGB（30 维）+LBP（30维）；（8）表示所有单个特征表现最好的组合。

图2 组合特征在识别干扰区域时的正确率

图3 组合特征在识别干扰区域时的正确率

实验结果证明，其组合后的特征性能平均高于任何一个单一特征，达到了预期效果。在干扰区域排除阶段，特征组合 （2）（30维的 Opponent颜色直方图串联 15维的LBP纹理特征）表现最为突出，AUC达到99.50%。在病灶区域识别阶段，特征组合（5）（30维 LBP纹理特征串联45维的RG和45维的Opponent颜色特征）表现出色，AUC达到93.34%。本方法最终采用以上两种最优特征组合方式，为后续的去除干扰和病灶识别工作奠定了基础。

1.3 分类器设计

Adaboost衍生于 Boosting算法，自从 Schapire提出以来得到了广泛的应用。Adaboost属于一种迭代算法，其核心思想是将多个弱分类器组合成一个强分类器。本文选取决策树作为子分类器，为避免过度学习的情况发生，本文将树的深度设置为2。其次需要确定算法迭代的次数，综合考虑算法的识别率及分类器的训练时间，最终确定迭代次数为60最为合适。

为减少胃镜图像中噪声对检测结果的影响，本文方法将两个Adaboost分类器串联起来，形成一个三分类器，通过此分类器，待检测区域将被识别为正常区域、干扰区域或病灶区域3类。其工作流程如图4所示。

图4 二级串联分类器工作流程

2 方法实现

首先，采用超像素的思想将图像分割成像素相对紧凑一致的区域；其次，通过实验分别找出适用于干扰区域和病灶区域的特征的组合；最后，采用二级分类器完成干扰区域的去除以及病灶区域的识别工作。本文方法的整个流程下。

算法：

（1）设置期望的分割块数K及区域的矩形度m。

（2）在边长为S的区域内随机初始化起始聚集中心CK=[lk，ak，bk，xk，yk]T。

（3）采用3×3大小的邻域寻找梯度最小的点作为聚集中心点。

（4）repeat

（5）for对于每一个中心点CKdo

（6）利用式（2），在中心点周围 2S×2S范围内寻找与中心点最匹配的像素点。

（7）end for

（8）重新计算中心点的位置，并计算新中心点与前中心点位置坐标的欧式距离E。

（9）untilE≤threshold

（10）将孤立存在的小区域强制划分到相邻的最大区域。

（11）for每一个分割后的区域 do

（12）if区域内像素个数≥Nthen

（13）提取适合于干扰区域识别的特征组合。

（14）利用第一级分类器进行识别。

（15）if该区域被识别为干扰区域then

（16）提取适合于病灶区域识别的特征组合。

（17）利用第二级分类器进行识别。

（18）end if

（19）end if

（20）end for

3 实验与结果分析

3.1 实验设计

本实验的数据来源于120个临床病例，共计3 000张医学胃镜图像，其中包含1 500张含有病灶区域的图像和1 500张完全健康的图像。图像的大小为489像素×409像素，存储格式为JPEG。每一幅含有病灶区域的图像都配有专业医师标注的标注图，在实验中作为地面真值。

在实验中，规定对于完全健康的图像，只要有一个区域被识别为病灶区域，则认为检测失败；反之，则认为检测成功。对于含有病灶区域的图像，只要有识别为病灶的区域与医生标注区域有重叠，则认为检测成功；否则，认为检测失败。

在实验中，采用4种不同的方法对相同一批图像进行检测，用来进行检测效果的分析对比。方法1，SLIC分割+组合特征+二级串联分类器；方法 2，SLIC分割+组合特征+单级分类器；方法 3：按 30×30矩形分割图像+组合特征+二级串联分类器；方法 4：按30×30矩形分割图像+组合特征+单级分类器。

3.2 实验结果与分析

本文采用ROC曲线对实验进行分析。ROC曲线将灵敏度与特异性以图示方法结合在一起，可以准确反映分析方法中特异性和敏感性的关系，是试验准确性的综合代表。在ROC曲线图表中，X轴表示假阳性率FPR（False Positive Rate），Y 轴表示真阳性率 TPR（True Positive Rate）。ROC曲线展示了当评判标准变化时这两个变量之间的相互关系。ROC曲线下方的面积可以用来评判一个系统性能的好坏[5]。

实验结果如图5所示，本文所提出的方法（方法1）的检测效果远好于其他方法，其正确率远好于其他3种方法，正确率（AUC）达到91.588%。方法2、方法3和方法4的正确率（AUC）分别为86.058%、76.458%和70.727%。

图5 实验ROC曲线图

部分实验效果如图6所示，其中第1排为含有病灶区域的胃镜图像；第2排为临床医师给出的地面真值图；第3排为本文方法检测后的结果图。

医疗器械的限制以及胃部特殊生理环境的影响，使得有些病灶区域很难用肉眼识别。考虑到胃镜图像的成像质量受多方面因素的影响，图像噪声多的特点，本文方法在预处理阶段采用SLIC分割算法，将图像分割成大小均匀的超像素，相较于简单的人工划分区域，具有区域内像素更加统一和紧凑的特点。此外，本文方法还采用了多种特征组合的形式替代了单一特征。最后通过使用二级串联分类器将去干扰和病灶检测步骤串联进行。实验表明，本文方法的病灶检测正确率优于传统方法。

图6 实验效果图

[1]Liang Pan， Cong Yang， Guan Mo.A computer-aided lesion diagnose method based on gastroscope image[C].2012 IEEE InternationalConference on Information and Automation，ICIA 2012， Washington， DC.IEEE ComputerSociety，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].IntelligentRobots 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.