胸主动脉CT图像中夹层的诊断分析

陈 菁，林春深

(福州大学石油化工学院，福建 福州 350116)

胸主动脉CT图像中夹层的诊断分析

陈 菁，林春深

(福州大学石油化工学院，福建 福州 350116)

医疗影像数据是医生进行临床诊断、跟踪病情发展、制定手术计划的重要客观依据. 为了使影像数据的利用更加准确和高效，将纹理统计分析方法应用至胸主动脉CT图像的纹理特征分析中，以像素对间的方向参数和距离参数构造灰度共生矩阵，并从该矩阵中提取出有意义的统计量来表征纹理. 实验证明，使用该共生矩阵提取出的特征能够区分正常主动脉和夹层主动脉，为进一步建立医学图像辅助诊断系统提供基础.

CT图像； 胸主动脉夹层； 灰度共生矩阵； 纹理特征; 诊断技术

0 引言

随着医学图像设备在医院中广泛应用， 对数字图像数据处理技术进行定量分析，获得基于图像分析的临床辅助诊断技术，具有重要的理论意义与临床应用价值[1]. 计算机断层扫描(computedtomography，CT)检查因其对比分辨率低和图像后处理能力丰富的优势，逐渐成为检查主动脉疾病的普遍和有效的方法. 根据CT成像原理，像素点上的灰度值取决于对应软组织吸收射线的程度. 当组织中一些部位发生病变，其对射线的吸收能力将会相应变化[2]. 这样，从CT图像中获取的特征参数的微小变化就能反映出胸主动脉的病理学改变. 因此，CT成像目前已成为医学图像处理辅助诊断的重要依据[3].

CT图像中的纹理特征是对胸主动脉疾病进行辅助诊断的重要指标，特征提取的多少及选用特征的敏感性会直接影响到后续分类工作的进行以及疾病诊断的结果. 目前，胸主动脉CT图像在图像处理方面的应用多是血管的轮廓提取与分割、血管的三维可视化和形态学测量等方向的研究. 虽然CT检查在定性诊断中，对主动脉夹层的灵敏度和特异度都很高[4]，但很多情况下要凭借医生的经验来正确识别夹层，而正确的图像处理方法可以提高识别的准确性. 目前，使用纹理特征对胸主动脉夹层(aorticdissection，AD)CT图像的诊断的研究报道还比较少. 为进一步完善该领域的研究，将灰度共生矩阵(gray-levelco-occurrencematrix，GLCM)方法应用到对胸主动脉CT图像纹理的分析中，在MATLAB环境下，编制计算灰度共生矩阵及其特征参数的算法程序，对胸主动脉CT图像进行特征提取，并通过仿真实验确定最优参数.

1 纹理及其特征

纹理是物体表面共有的内在特性，它在图像中普遍存在却又难以描述. 纹理特征是不依赖图像的颜色或亮度而反映出其同质现象的一种视觉特征[5-6]. 进行特征提取是为了将天然的或人工的纹理在空间结构上的差异转化为特征灰度值大小的差异. 胸主动脉是一类实质性的器官，不论是正常主动脉，还是发生了病变的主动脉，CT图像的纹理都能够反应其内部组织结构及其分布，因此研究纹理的变化情况就可以反映出胸主动脉内部组织是否改变.

提取纹理特征，首先要获得足够的能够度量纹理特征的指标，然后经过分析或变换筛选出有效特征用于描述或分类纹理[7]. 如何在繁多的纹理分析方法中选择适用于胸主动脉CT图像的纹理特征分析法，并确定代表性好的纹理特征参量是要解决的重点问题. 此外，如何平衡海量数据处理、高速运算和科学统计三者之间的关系是该领域研究的难点和热点.

一般将纹理分析方法分为统计方法和结构方法两大类. 医学图像的纹理特征没有简单的周期重复和规则不变的局部模式，而是以随机纹理的形式出现，统计学上的意义明显. 大量研究表明，对医学图像进行纹理分析时采用统计分析方法将比结构分析方法更加合理[8]. 由Haralick提出的灰度共生矩阵是应用较广的纹理特征分析方法.

2 纹理特征的提取方法-共生矩阵法

2.1 灰度共生矩阵原理

图像的灰度可以认为是三维空间中的一个曲面. 使用灰度直方图能够表现这个三维空间中单个像素灰度值的分布规律，而不同像素之间的灰度值空间的相关规律则无法反映.

Haralick在1973年开创性地提出了灰度共生矩阵(GLCM)的概念，这是一种由图像灰度级之间的联合概率密度p(i,j;d,θ)构成的矩阵.GLCM从统计学角度体现了任意两个像素在三维空间中灰度的空间相关性. 其定义为在图像域Lx×Ly内，两个距离为d、方向为θ的像素在图像中出现的概率p(i,j;d,θ)[5].

例如距离为d，水平方向p(i,j;d, 0°)和垂直方向p(i,j;d, 90°)的计算公式为：

(1)

(2)

同理，距离为d，对角方向的灰度共生矩阵p(i,j;d, 45°)和p(i,j;d, 135°)的计算公式为：

(3)

(4)

式中:i,j=0, 1, 2, …,L-1；L为图像的灰度级数；Lx，Ly分别为图像的行列数;x=0, 1, 2, …,Lx-1；y=0, 1, 2, …,Ly-1. 另外，通过

可获得归一化共生矩阵，R为归一化常数.

2.2 共生矩阵法纹理特征分析算法

图1 共生矩阵法提取图像纹理特征算法流程图 Fig.1 Algorithm flow chart of co-occurrence matrix to extract image texture features

胸主动脉CT图像特征提取是一种基于共生矩阵法的统计学任务. 其基本原理如图1所示.

2.3 基于灰度共生矩阵的纹理特征

特征选取是图像纹理分析结果的精确度和可靠度的重要决定因素之一. 按照经验，选取的特征越少，算法计算速度越快，实现越简单，但分类的精度不高； 而特征过多，可能拖慢计算速度，并且算法实现复杂，分类效果不尽如人意. 对于属于不同类型的对象，它们的纹理特征值应当具有明显的差异，而相同类型对象的特征值应比较相近且彼此不相关[9].Ulaby等[10]的研究发现： 在Haralick提出的14个GLCM纹理特征中，仅有能量、对比度、逆差矩、相关性这4个特征是不相关的，而且这些特征不仅便于计算还能给出较高的分类精度； 文献[11]分析了6个纹理特征，认为对比度和熵最能反映纹理的代表性； 文献[12]通过计算，获得3个不相关且分辨率最优的纹理特征： 对比度、熵和相关性. 因此，实验尝试选取4个有代表性的纹理特征，用以分析胸主动脉CT图像，分别是能量、对比度、相关性和熵：

能量(角二阶矩)ASM： 反映图像灰度分布的均匀性，粗纹理的能量较大，细纹理的能量较小. 即

对比度(惯性矩)CON： 反映图像的清晰度，表示纹理沟纹深浅的程度，纹理的沟纹越深，其对比度就越大，相应的图像的视觉清晰效果就越好. 即

相关COR： 衡量邻域灰度的线性依赖性，用来度量空间灰度共生矩阵元素在行方向或列方向上灰度值的相似程度. 即

式中：μx,μy和σx,σy分别表示p(i,j;d,θ)的均值和方差.

熵ENT： 反映图像所具有的信息量和纹理的复杂程度，如果图像没有任何纹理，则熵值接近零. 即

2.4 选取图像纹理特征构造参数

灰度共生矩阵算法中有4个变量可能对计算复杂程度产生较大影响，包括： 移动窗口大小、图像灰度级、生成步长和生成方向. 因此，算法用于胸主动脉CT图像纹理分析时，应先确认适合的共生矩阵构造参数(见图2).

2.4.1 移动窗口大小的选取

灰度共生矩阵的纹理分析方法需要选择一定大小的移动窗口. 窗口包含行列像素的图像局部. 从大小为512×512的原始医学CT图(见图3(a))中可以看到，图像中除了胸主动脉外，还包含较多的背景区域. 鉴于此，应首先确定感兴趣区域(regionofinterest，ROI)，原则是把尽量多的主动脉包含进去，同时尽量少涵盖非感兴趣区域，最终确定出ROI区域(见图3(b))，大小固定为60×60像素. 由于ROI图尺寸较小，故确定移动窗口大小为1×1，对每一个像素单独分析.

图2 共生矩阵法构造参数示意图Fig.2 Formation parameter of co-occurrence matrix

图3 要处理的医学图像Fig.3 Medical images to be processed

2.4.2 灰度级L的选取

灰度级L与图像清晰度成正比.L越大，越能真实反映样本本身，但会导致GLCM维数变大，很大程度上增加了运算量. 当纹理样本的灰度分布集中于狭窄的范围内，直接压缩灰度级，将导致灰度级分布范围更窄，对分析结果不利. 所以在压缩灰度级之前，应先对图像做直方图均衡化处理. 通过压缩灰度级，以平衡算法运算时间和纹理分析质量的关系，是提取纹理特征的必要前提.

考虑将灰度级为256级的原始CT图像量化为16级. 大量实验表明，量化后的图像虽有失真，但不会对纹理特征分析结果造成决定性的影响.

2.4.3 生成步长d的选取

生成步长d代表GLCM中被采样的两个像素点间的距离. 如果d小于纹理基元的幅度，生成步长两端灰度相近的可能性就大，此时GLCM中大的数值元素集中分布在矩阵对角线附近，无法反映真实的纹理特征. 如果能够做到d的大小与纹理基元的幅度相适应，此时GLCM中大数值元素的分布将较为均匀. 选取d=1、2、5作为生成步长，分别计算不同步长下的纹理特征值，比较不同步长对特征值的影响程度，以此确定最佳生成步长.

2.4.4 生成方向θ的选取

生成方向θ是GLCM的重要参数之一，不同生成方向算出的GLCM的特征参数值不尽相同，有些特征值的计算原理和生成方向密不可分，不论舍弃任何方向都可能丢失大量纹理信息. 根据前人经验，实验采取分别计算4个方向(一般取值0°、45°、90°、135°)的方式，确定GLCM的纹理特征值，以各方向特征值的均值作为纹理向量中的各分量[13].

3 实验与结论

选取不同患者的胸主动脉CT图片. 其中，主动脉夹层(AD)部位10幅(图4(a))，正常(Normal)部位主动脉10幅(图4(b)). 实验通过MATLAB来实现对输入图像的纹理分析，计算图像纹理特征值, 并绘制不同的纹理特征构造参数下，样本的纹理特征值曲线图.

图4 实验对象ROI图Fig.4 ROI of experimental subject

3.1 最优生成步长的确定

考虑同一图像，当方向θ确定时，像素间距d对GLCM的特征值可能存在影响. 实验以45°方向角为例，观察不同生成步长d=1、2、5对特征值的影响. 实验数据列于表1，纹理特征值比较见图5.

表1 胸主动脉CT图GLCM特征值(方向角为45°)

图5 纹理特征值比较图(θ=45°)Fig.5 Texture feature value comparison chart (θ=45°)

由表1和图5可以明显看出生成步长d对GLCM的特征值影响不大，3幅图中折线趋势基本相同，特征值数值大小差异不大，因此取精确度最高的步长d=1作为GLCM计算中的生成步长，即中心像素同与之直接相邻的像素做运算和比较.

3.2 正常胸主动脉与夹层胸主动脉的分类

确定最佳构造参数之后，分析各生成方向上的特征值的特异性，以确认实验所选取的特征值能够准确区分胸主动脉CT图中的正常主动脉与夹层主动脉, 特征值对照见表2. 不同生成方向的纹理特征值比较见图6.

表2 胸主动脉CT图GLCM特征值(步长为1)

从图6可以看出，夹层部位的相关性(COR)均小于正常部位，这说明正常部位主动脉对邻域的线性依赖大，行或列方向上的一致性高，夹层部位由于存在间隔故不具备这一特点； 夹层部位的熵值(ENT)均 大于正常部位，这说明有夹层的主动脉纹理更为复杂； 夹层部位的能量(ASM)均小于正常部位，这说明正常主动脉的纹理更均匀更规则； 夹层部位的对比度(CON)大于正常部位，这是由于夹层部位的灰度级差大于正常部位，深浅对比更加明显.

图6 不同生成方向时纹理特征值比较图Fig.6 Texture feature value comparison chart

为了使得到的纹理特征与方向无关，将获得的4个方向(0°、45°、90°、135°)的特征值取平均，以抑制方向分量，求出的值见表3.

图7为胸主动脉CT图纹理特征值. 从图7可知，夹层的对比度大于正常主动脉的对比度，而对于能量、熵值与相关性两者的差异不明显. 这表明夹层部位的纹理沟纹较正常部位的深, 与夹层的形态符合，能够作为区分正常主动脉与夹层主动脉之依据.

表3 胸主动脉CT图GLCM特征值

3.3 实验结论

1) 作为实验对象的CT图血管部分图像像素不大，故以最小的窗口1×1作为移动窗口大小.

2) 平衡图像清晰度与计算时间长度的关系，将图像压缩至16级灰度级.

3) 分析单一方向角上的各项纹理特征值，决定采用d=1的生成步长，即中心像素同与之直接相邻的像素做运算和比较.

4) 关于生成方向，先获得水平、竖直和对角线四个方向上的纹理特征值大小，再求均值这种普遍性研究方法是可行的.

5) 正常主动脉和夹层主动脉在能量、对比度、相关性和熵四类纹理特征上具有差异性，能够作为区分正常主动脉与夹层主动脉之依据.

4 结语

当有胸主动脉病变发生时，主动脉微结构发生变化，使正常主动脉与主动脉夹层CT图像之间的纹理特征出现了较大的差别. 根据灰度共生矩阵特征向量，分析胸主动脉CT图纹理特征. 基于MATLAB的简便实现代码， 通过在医学CT图像上的实验，表明所使用的算法是有效的，提取的纹理特征对图像内容有较好的区分性，为临床上主动脉夹层的辅助诊断提供了量化依据，也为后期图像识别、图像数据挖掘和图像分类等提供了很好的特征数据.

基于灰度共生矩阵的纹理特征提取是分析图像纹理的有利工具，但是算法中部分参数如图像灰度级L、距离d、提取哪些特征值有效，是否是最佳选择还需更严谨的证实. 另外，还需通过大量实验，研究算法是否适合所有形态的胸主动脉夹层的图像，即算法的普适性仍是一个需要深入探索的领域.

[1]WONGKK,SUNZ,TUJ,etal.Medicalimagediagnosticsbasedoncomputer-aidedflowanalysisusingmagneticresonanceimages[J].ComputerizedMedicalImagingandGraphice，2012，36(7): 527-541.

[2]VETAM,PLUIMJ,VANDP,etal.Breastcancerhistopathologyimageanalysis:areview[J].IEEETransactionson，BiomedicalEngineering， 2014，61(5): 1 400-1 411.

[3]TAKASEK,OTAH,RIKIMARUH,etal.Diagnosisofaorticdiseasesusingmultidetectorcomputedtomogramphy[J].RadiationMedicine，2006，24(5): 405-414.

[4]JACOBSC,RIKXOORTEMV，TWELLMANNT,etal.Automaticdetectionofsubsolidpulmonarynodulesinthoraciccomputedtomographyimages[J].MedImageAnal，2014，18(2): 374-384.

[5]HARALICKRM,SHANMUGAMK.Computerclassificationofreservoirsandstones[J].IEEETransactionson，GeosciencesElectronics， 1973，11(4): 171-177.

[6]KAYAY，KAYCIL.Applicationofartificialneuralnetworkforautomaticdetectionofbutterflyspeciesusingcolorandtexturefeatures[J].TheVisualComputer，2014，30(1): 71-79.

[7]RAHEJAJL，KUMARS，CHAUDHARYA.FabricdefectdetectionbasedonGLCMandGaborfilter:acomparison[J].Optik-InternationalJournalforLightandElectronOptics，2013，124(23): 6 469-6 474.

[8]CASTELLANOG,BONILHAL,LILM,etal.Textureanalysisofmedicalimages[J].ClinicalRadiology，2014，59(12): 1 061-1 069.

[9]HOUX，ZHANGT，XIONGG,etal.Imageresemblingdetectionbasedontextureclassification[J].MultimediaToolsandApplications，2014，72(2): 1 681-1 708.

[10]ULABYFT,KOUYATEF,BRISCOB,etal.TexturalinfornationinSARimages[J].IEEETransactionsonGeoscienceandRemoteSensing，1986，24(2): 235-245.

[11]BHARATIMH，LIUJJ，MACGREGORJF.Imagetextureanalysis:methodsandcomparisons[J].ChemometricsandIntelligentLaboratorySystems，2004，72(1): 57-71.

[12]JAINS，MISHRAS.ANNapproachbasedonbackpropagationnetworkandprobabilisticneuralnetworktoclassifybraincancer[J].InternationalJournalofInnovativeTechnologyandExploringEngineering，2013，3(3): 101-105.

[13]BARALDIA,PARMIGGIANIF.AninvestigationofthetexturalcharacteristicsassociatedwithGLCMstatisticalparameters[J].IEEETransactionsonGeosciencesandRemoteSensing，1995，33(2): 293-304.

(责任编辑： 洪江星)

Diagnostic analysis of thoracic aortic dissection CT image

CHENJing，LINChunshen

(SchoolofChemicalEngineering，FuzhouUniversity，Fuzhou，Fujian350116，China)

Themassivepatientimagedataisanimportantobjectivebasisinclinicaldiagnosis,planning,trackingandoperationresearchfordoctors.Inordertousetheimagedatamoreefficientandcorrect，thisarticleextractsthethoracicaortaCTimagetexturefeaturebystatisticalanalysis.Thesymbioticmatrixisconstructedbydirectionanddistanceparameterbetweenpixels.Thenmatrixextractsfromtheenergy,entropy,contrast,correlationandothermeaningfulstatisticstorepresentthetexturecharacteristics.Experimentsprovedthatthefeatureextractedbytheco-occurrencematrixcandistinguishnormalaortaandinterlayeraorta,toprovidethepremiseconditionforfurtherestablishmedicalimageaideddiagnosissystem.

CTimage;thoracicaorticdissection;gray-levelco-occurrencematrix;texturalfeature;diagnostictechnique

10.7631/issn.1000-2243.2017.01.0091

1000-2243(2017)01-0091-07

2014-10-26

林春深(1976- )，讲师，主要从事过程装备与控制方面的研究，183978819@qq.com

国家质检总局科技计划资助项目(2010QK032)

TP391.1

A