组织纹理特征分类优化方法

IVUS图像中各类组织的纹理特性既有区别，也有相似之处，因而分类的复杂度较高。可使用模式识别中的分类器对从IVUS图像中提取出的纹理特征进行分类，实现斑块组织的识别和分类，以及血管分叉或支架的识别。

图像纹理特征的分类属于模式识别的范畴，按照不同的分类标准，模式分类方法可以分为以下几类^［61］：

1）按照分类方法的监督程度（即分类时是否存在并使用先验知识）分为监督分类和非监督分类。监督分类是根据已知训练样本选择特征参数，建立判别函数和训练分类器对各对象进行分类，必须要已知分类区域的先验类别知识。非监督分类是指在缺乏先验知识的情况下，根据像素之间的相似度以及数据本身的统计特性进行分类，不通过训练集来确定判别函数集，以聚类分析方法为主要代表，常用的有K-means和ISODATA法。

2）根据分类算法的思想来源分为经验型和理论型。经验型涵盖了目前已有的大部分分类方法，如最近邻分类器、神经网络、RBF（Radial Basis Function）网络等。理论型的模式分类算法数量较少，包括贝叶斯分类器、支持向量机（Support Vector Machine，SVM）等。

3）根据分类算法的求解策略可分为基于结构风险最小化与基于经验风险最小化。早期的分类器求解算法，例如最近邻分类器的求解算法、神经网络的BP训练算法等，基本上都是基于经验风险最小化原则。这类分类器存在容易产生过拟合、陷入局部最小等缺点。基于结构风险最小化的求解策略（如SVM、RBF网络等）都是采取置信范围与经验风险的折中原则设计的。

4）根据分类器的表达形式可分为区分型和生成型。区分型是指根据训练样本的训练得到区分两类样本的分类函数，也就是在特征空间中寻找超平面或超曲面来对两类样本进行划分。SVM、线性区分函数、神经网络等都是区分型的模式分类方法。生成型是指根据概率依赖关系构造分类模型，如贝叶斯分类器、混合高斯模型、隐马尔可夫模型等。

下面以采用Gentle Adaboost分类器为例，介绍具体的分类方法。第一阶段采用学习算法，通过对训练集进行归纳学习得到分类模型；第二阶段将得到的分类模型用于测试集，对测试未知类别的实例进行分类。其中在识别三类斑块（钙化、纤维化和脂质斑块）时，可将三分类问题转化为二分类问题，即将训练集中的脂质斑块标记为第1类，纤维和钙化斑块标记为第2类。首先识别出脂质斑块，再将训练集中的钙化斑块标记为第2类，纤维斑块标记为第3类，用这两类样本训练分类器，并用得到的分类器模型对纤维和脂质斑块进行分类。

Gentle Adaboost算法的具体过程描述如下：

1）假设共有N个训练样本，并且标记为｛（x₁，y₁），...，（x_N，y_N）｝，其中u_i∈［0，1）；y_i＝1表示为目标样本，否则为非目标样本。

2）样本的权重初始化为w_i＝1／N，其中i＝1，...，N。

3）for_j＝1∶M（M是训练的轮数），具体如下：

①从所有特征值中，挑选第j轮中最佳的弱分类器h_j（x），使得在该样本权重的分布下，样本的均方误差最小。

②对权重进行更新，公式如下：

其中i＝1，...，N。

③归一化权重，使得：

4）输出强分类器，公式如下：

Gentle Adaboost的弱分类器分类结果的绝对值是［0，1］区间中的实数，把分类器结果作为置信度来看待。

从IVUS图像库中截取166块斑块图像样本作为训练集，其中钙化斑块46个，脂质斑块52个，纤维斑块35个，如图3-50所示。对于图3-41所示的测试样本，在获取各点的纹理特征值之后，分别进行支持向量机、Gentle Adaboost和随机森林的分类，结果如图3-51所示，图中白色、浅灰色和深灰色区域分别为钙化、纤维和脂质斑块。以医生的手动标定结果作为金标准，SVM二分类和三分类的总体准确率分别为92.4％和87.52％；Gentle Adaboost迭代次数为300，二分类的总体准确率为94.54％；随机森林决策树数目为600，二分类的总体准确率为76.94％。(www.xing528.com)

图3-50 三类斑块图像的训练集

a）钙化斑块 b）脂质斑块 c）纤维斑块

图3-51 三种二分类结果

a）SVM二分类结果 b）Gentle Adaboost二分类结果 c）随机森林二分类结果

当迭代次数不同时，Gentle Adaboost分类准确率也存在较大差异，具体见表3-2。可以看出随着迭代次数的增加，两个二分类问题的总体准确率是逐渐提高的。当迭代次数为300时，总体准确率达到一个拐点；当迭代次数为350时，虽然总体准确率有所下降，但第1类和第2类样本的准确率得到了均衡，二者之间的差别明显缩小；当迭代次数为400时，第1类和第2类样本的准确率差别变大，尤其是区分纤维与钙化斑块。

表3-2 Gentle Adaboost在区分钙化、纤维化和脂质斑块时的迭代次数与分类准确率关系统计结果

综合考虑分类器的性能和分类结果，可以看出Gentle Adaboost和SVM在分类准确率方面有较好表现，但是SVM将特征映射到高维空间，计算成本和计算复杂度较高。因此，Gentle Adaboost分类器更适合进行IVUS图像中三种斑块组织的自动标定。

对实验图像序列分别采用Real Adaboost、Modest Adaboost和Gentle Adaboost三种分类器对支架和血管分叉的纹理特征进行分类，并统计分类准确度、错误率、查全率、查准率和F1等性能指标^［62］，结果如图3-52和图3-53所示。由图3-52可见，对于支架的检测，与其他两个分类器相比，Gentle Adaboost在分类准确率方面有很大优势，当迭代次数为196时，可达93.5％。在查准率方面，Gentle Adaboost也具有最优性能，迭代次数为196时，可达到94.2％，其次是Modest Adaboost，Real Adaboost最差。查准率和查全率是相互制约的，Modest Adaboost的查全率较好，F1测度与Gentle Adaboost表现相当，Real Adaboost表现最差。总的来说，在对支架的检测中，当迭代次数不同时，Real Adaboost的准确率波动较大，稳定性差。

图3-52 支架检测中三种分类器的性能指标

a）准确率 b）查准率 c）查全率 d）F1

在图3-53中，对于血管分叉的检测，当迭代次数为187时，Real Adaboost的准确率最高，达到93.2％，略高于同迭代次数下Gentle Adaboost的值。当迭代次数不同时，Real Ad-aboost的查准率在多数情况下高于Gentle Adaboost；但是迭代次数越高，Gentle Adaboost的优势越明显，当迭代次数为200时，其查准率可达到83.6％。在查全率方面三种分类器均表现不佳，当迭代次数为200时，最高值只有68.8％，这是由于对IVUS图像中分叉的检测是在极坐标视图中以1°为单位进行的，而某个小的角度内分叉处的灰度值可能变化不明显，使得分类器把正类错判为负类的情况较多。当迭代次数为200时，Gentle Adaboost的F1准确率达到74.9％，Modest Adaboost则表现不佳。总体来说，在对血管分叉的检测中，Real Adaboost和Gentle Adaboost性能良好，Modest Adaboost的各项性能指标较低。

图3-53 分叉检测中三种分类器的性能指标

a）准确率 b）查准率 c）查全率 d）F1

通过以上分析比较可知，相较于其他两种分类器，Gentle Adaboost更适合作为检测IVUS图像中血管分叉和支架的分类器。