基于医学图像纹理特征量优化的肝纤维化分级

目前基于肝纤维化计算机辅助诊断的纹理特征量的选取和图像特征量的优化方案尚缺指导性结论。本文针对大量采集的MR和CT图像数据进行肝纤维化纹理特征量的提取，采用SVM分类器进行留一算法检测，通过对各项准确率的分类统计，得出了计算机辅助肝纤维化诊断的优化方案。结果显示肝脏MRI和CT图像的感兴趣区域的大小为20 × 20像素时获得的效果最优；在特征量个数为3至7个的组合时获得的分类效果最好；统计出MRI图像和CT图像的各个特征量在计算机辅助诊断肝纤维化程度实验中的权重值；发现MRI比CT能够更好地反映肝脏纤维化程度，而且MRI图像的有效特征量分布更为集中。

长期以来，肝纤维化的诊断是以穿刺病理活检作为金标准，但其具有创伤性并存在一定的并发症， 患者不易接受，且评估肝纤维化的分期，可能存在样本误差，出现假阴性的结果。无创性的影像学检查在肝脏病变的诊断中发挥了重要作用，但超声、CT 和磁共振成像(MRI)等之前的影像学技术，所获得的肝脏体积、脾脏厚度、门静脉主干宽度等信息都是肝硬化后期的变化，无法反映早期的改变，更无法分级。因此，随着MRI 硬件和软件技术的不断发展和完善，利用医学知识与计算机图像处理技术进行定量分析，进而构建医学影像基础上的计算机辅助诊断系统具有重要的理论意义与临床应用价值。

纹理特征是从纹理图像中计算出来的一个值，它对纹理内部灰度级变化的特征进行量化[1]。特征提取在广义上就是一种变换，即通过变换的方法用低维空间表示高维的图像样本空间[2]。纹理作为图像灰度的分布模式，是图像的一个极为重要的特征[3]。近年来，诸多国内外学者利用图像的纹理特征对各系统疾病进行研究。

如曹桂涛等[4]基于任意的肝脏超声图像提出了利用纹理边缘共生矩阵(TECM)进行纤维化量化分析的方法， 首先由Canny 算子提取纹理边缘,并计算其共生矩阵的熵作为分类的特征；陶振中[5]等利用Man junath BS 提出的方法，对肝部CT 图像进行纹理特征和边缘形状提取，效果良好；H. S.

Sheshadri [6]等运用统计方法计算纹理特征值， 确定了乳房X 片的六个纹理特征， 从而清楚地展现乳房组织中的异常生长形态。

D. Jirak 等[7]采用一阶和二阶纹理特征对肝部MRI T2 图像进行分析,实现了对肝硬化和正常肝组织的区分；Jafar. i Khouzani [8]等用MRI 图像的小波纹理特征对正常与病理海马组织进行区分，获得许多有价值信息，从而有助于医生对癫痫病的诊断；K. Sho ji 等[9]对70 例周围型肺小结节提取纹理特征，发现恶性结节的分维数值大于良性结节；Taleb-Ahmed 等[10]用分形几何模型分析图像的骨纹理特征，结果表明女性骨质疏松的骨图像与健康控制组骨的骨图像分维数不同。从而为进一步定量分析