文/徐立  苗玥  邢俊风

通过分析肝脏B超图像的纹理特征，利用自组织特征映射神经网络（SOFM）的聚类特性对脂肪肝B超图像进行分类识别，建立较人为经验识别更为准确的计算机B超脂肪肝医学辅助诊断系统。实验结果表明SOFM网络对脂肪肝的识别率达88.89%，轻度识别率达71.42%，中度识别率达79.82%，重度识别率达 85.71%，该辅助系统可提高脂肪肝的诊效率和准确性。

【关键词】脂肪肝  B超图像 自组织特征映射神经网络 特征提取

脂肪肝是脂肪（主要是甘油三脂）在肝脏中过度沉积引起的病变，目前已成为国人的常见病、多发病，是仅次于病毒性肝炎的第二大肝病，是公认隐蔽性肝硬化的常见原因，严重威胁国人的健康。慢性脂肪肝如不及时治疗，可发展为肝纤维化和肝硬化，造成肝脏的永久损害，而早期或轻度脂肪肝经过治疗，可以逆转正常。因此，通过图像处理技术自动识别脂肪肝，加强脂肪肝的早期诊断、发现，已成为当代医学辅助诊断领域的重要研究方向。

临床上诊断脂肪肝最可靠的办法是活检（超声引导下肝穿刺活检组织细胞），但会给病人带来很大的痛苦。随着超声医学的蓬勃发展，目前临床上常采用 B 超成像技术诊断脂肪肝。但 B 超成像技术诊断脂肪肝在很大程度上是凭医生肉眼进行判断，这种经验的、感性的认识常导致脂肪肝的误诊，以及对局灶性脂肪肝与肝血管瘤和原发性肝癌的混淆等。因此，需要研究一种脂肪肝 B 超图像辅助诊断系统，提高诊效率和准确性。本文利用自组织特征映射神经网络（Self-OrganizingFeature Map，即 SOFM）的聚类特性对脂肪肝 B 超图像进行识别，实现正常肝与脂肪肝的划分，并对脂肪肝进行轻、中、重度分类。

1 特征提取

由于肝脏微结构对超声波的反射和散射作用使得肝脏 B 超图像呈现出纹理特性，脂肪肝患者的肝细胞中由于脂肪沉积，肝脏微结构发生了明显的变化，从而正常肝与脂肪肝 B超图像之间的纹理特征也出现了较大的差别，这就为利用纹理特征来区分正常肝与脂肪肝提供了可能。从肝脏 B 超声像图上看，正常肝脏的B超表现为：肝脏表面光滑、边缘呈锐角、内部回声为细光点、分布均匀、肝内管道显示清晰；病变肝脏的 B 超表现为：肝脏肿大、肝实质回声增强，大于肾脏和脾脏的回声强度，而且轻、中、重度又各有不同。因此，特征提取是一个重要环节，对神经网络分类识别的正确性有直接影响。

一般来说，对 B 超图像纹理特征的描述方法主要有空间灰度矩阵、傅立叶能量谱、灰度差分统计、Laws’纹理能量测量和小波变换分形特征等方法，通过实验对比分析，本文将脂肪肝B超图像的纹理特征作为分析对象，采用对肝脏 B 超图像描述能力较好的灰度共生矩阵进行进行特征值的提取与分析，分别取，四个不同方向来描述同一肝脏图像，计算其角二阶矩、熵、逆差矩。经实验比较发现，这三个统计量对正常肝和脂肪肝的描述差别明显，而且相对稳定，因此，将这三个统计量选作特征值作为神经网络分类器的输入。

2 基于SOFM网络的脂肪肝B超图像分类识别

SOFM 网络是模仿动物和人大脑皮层中具有自组织信号处理的特征，它可以根据样争层的设计本自身的规律，自动提取样本内在的重要统计特征，是一个由全连接的神经元阵列组成的无教师自组织、自学习网络。SOFM 神经网络算法更接近于人脑的认知规律，可以实现实时学习，网络具有自稳定性，不需要外界评价函数，能够识别向量空间最有意义的特征，抗噪能力强。它所形成的聚类中心能够映射到一个平面或曲面上而保持拓朴结构不变，可以对目标的固有特征作出客观的划分。

2.1 输入与竞争层的设计

根据本文设计的需要，我们从项目合作医院采集了 48 张肝脏图片，最后选定 28 张典型的图片作为我们的训练样本：其中正常肝、轻、中、重度脂肪肝各 7 张，余下的 20 张不同类别的图片作为测试样本。由于每幅图像大小和灰度级不一定完全相同，这样不宜于设计各层节点数目，所以为了提高网络的收敛速度，我们对给定的 B 超脂肪肝图像进行预处理。在医生的指导下，从中划分出感兴趣的区域（ROI），选取了 64×200，灰度级为 256 的图像，对这部分区域进行特征提取，计算出每一幅图像的灰度共生矩阵，并提取它们的二次统计量构成特征矢量，得到了角二阶、熵以及反差分矩 12 个反映其图像纹理特征的特征值，也即是我们可以将一幅脂肪肝图像用一个12 维的向量表征。这 12 维的向量特征值便作为了神经网络的输入。神经网络一般根据输入特征量的多少确定网络输入层神经元个数，因此，本次设计的输入层神经元个数为 12。对于竞争层(输出层)，我们设定神经元个数为4，

即分别代表正常和轻度、中度、重度四种分类结果。

2.2 SOFM网络的训练

SOFM网络是模仿动物和人大脑皮层中具有自组织信号处理的特征，它是一种无监督的学习方式，它可以根据样本自身的规律，自动提取样本内在的重要统计特征。SOFM 神经网络算法更接近于人脑的认知规律，它现在已经成为继 BP 网络模型之后得到研究最多、应用最为广泛的一种网络模型，在实际中的应用包括:过程和系统分析、统计模式识别、通信等。T.Kohonen 提出的自组织特征映射神经网络，它建立在一维或者二维的神经元网格上，其算法所具有的竞争、合作和更新的学习规则可以捕获包含在输入 ( 数据 ) 空间中感兴趣的特征，使得一个复杂系统从开始的完全混乱调整到最终整体有序。在本次 SOFM 网络的设计中，我们设定输入神经元数为 12，输出神经元数为 4，图 1 为本设计的 SOFM 网络拓扑结构。

通过多次仿真试验，我们确定 SOFM 网络训练参数如下：初始权矩阵：每个矩阵元素都取 [0,1] 区间上的随机数；

net. trainParam. Show=50；

net. trainParam.Lr=0.9；

net. trainParam. epochs =1000；

net. trainParam. Goal=1e-3。

针对 SOFM 网络，我们的矛盾主要集中在竞争层神经元个数的选取上，通过反复的分析比较，我们最后选取了竞争层神经元个数为4 的二维网络，经过反复调试，最终达到了预期的收敛和预测效果。图 2 为 SOFM 网络初始分布图，图3为SOFM网络快速收敛训练图。实验结果表明，经SOFM网络训练测试，最终将样本分为了 4 类。SOFM 网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能，经统计分析可知，针对我们所选取的 20张测试图片，SOFM 网络对正常肝的识别率可达 85.71%，对脂肪肝的识别率可达 88.89%，其中，轻度脂肪肝的识别率可达 71.42%，中度脂肪肝的识别率可达 79.82%，重度脂肪肝的识别率可达85.71%。从结果我们不难看出，SOFM 网络对重度脂肪肝的识别率都较高，这是因为重度脂肪肝的特征明显。从应用角度来看，SOFM 网络训练耗时在 25 秒左右，实现了对脂肪肝的识别目的，可以实现远程、在线医疗，具有一定的推广、概括能力。

3 结论本文将SOFM网络引入脂肪肝图像识别，以 B 超平面图像为研究对象，利用纹理分析方法提取脂肪肝 B 超图像特征，将提取的特征值输入 SOFM 神经网络图像识别系统，最终实现脂肪肝 B 超图像的分类，建立了计算机 B 超脂肪肝辅助诊断系统。实验结果表明这一研究可以提高脂肪肝确诊效率和准确性，进而减轻医生的工作量，也可以为经验缺乏的医生提供辅助诊断帮助，为医学诊断提供了方便；同时也推动了我国远程医疗事业，一旦系统成功，这对于我国部分医疗不便、经验医师缺乏的边远山区有很强的实用性。

参考文献

[1]张健,姚洪森,贺南方等.脂肪肝的诊断治疗进展 [J]. 河北医药 ,2003(07).

[2]汪小毅.基于纹理分析的脂肪肝B超图像识别[J].航天医学与医学工程，2004（04）.

[3]李丙春,耿国华,周明全.基于自组织特征映射聚类算法的研究与应用[J].新疆大学学报 :（自然科学版）,2003,20(04).

[4] 程勖、杨毅恒、陈薇伶. 自组织特征映射网络的分析与应用[J].长春师范学院学报 ( 自然科学版 ),2005,24(4).

作者简介

徐立（1983-），女，讲师，硕士。研究方向为医学图像处理。

作者单位

包头医学院　内蒙古自治区包头市　014040