基于计算机视觉与优化多特征的CT扫描肝肿瘤分类研究

《BMC Medical Imaging》：A computer vision approach for the classification of multi liver tumor using computed tomography scan

本研究针对肝肿瘤CT图像分类难题，提出一种结合均值滤波与Kuwahara滤波的预处理方法，通过相关性特征选择（CFS）算法从67个多特征中优化出21个关键特征，并采用多层感知器（MLP）分类器对6类肝肿瘤（胆管癌、局灶性结节增生、肝腺瘤、血管瘤、肝母细胞瘤、肝细胞癌）进行分类。实验结果显示MLP分类准确率达97.67%，显著优于传统方法，为放射科医生提供了可靠的计算机辅助诊断工具。

　　

肝肿瘤是全球癌症相关死亡的主要原因之一，据GLOBOCAN 2022数据显示，肝癌年新增病例超90万，死亡约83万例。计算机断层扫描（CT）成像是肝脏疾病诊断的主要手段，但传统方法依赖放射科医生人工分析，存在主观性强、效率低下的问题。尤其面对多种类型的肝肿瘤（如肝细胞癌HCC、胆管癌CC、血管瘤等），准确分类对治疗方案制定至关重要。

目前肝肿瘤CT图像分类面临三大挑战：首先，图像噪声和对比度差异影响特征提取的可靠性；其次，高维特征空间中存在大量冗余特征；最后，多数研究仅针对单一肿瘤类型或二元分类，缺乏多类别分类的通用框架。为此，Zubair等人开展了一项基于计算机视觉的肝肿瘤自动分类研究，成果发表于《BMC Medical Imaging》。

研究团队从Radiopaedia公开数据库获取包含6类肝肿瘤的900张CT图像（每类150张，尺寸512×512像素）。通过均值滤波和Kuwahara滤波进行去噪和对比度增强后，采用灰度级量化分割技术提取每个图像的2个非重叠感兴趣区域（ROI）。随后从每个ROI提取67个多维特征，包括直方图特征（均值、标准差、偏度等）、纹理特征（基于灰度共生矩阵GLCM的逆差、熵、相关性等）和频谱特征。通过相关性特征选择（CFS）算法优化得到21个关键特征，最终使用多层感知器（MLP）、逻辑回归等6种分类器进行性能比较。

图像预处理

研究采用均值滤波（掩码尺寸3）降低随机噪声，随后应用Kuwahara滤波器消除散斑噪声。通过自然二进制编码和灰度级量化分割（阈值=4）技术，将图像简化为8位灰度格式，显著提升了肿瘤边界的清晰度。预处理后的图像使用计算机视觉与图像处理（CVIP）软件5.7h版提取ROI区域。

多特征数据集获取

从每个ROI提取57个特征，包括5个一阶纹理特征（4个方向计算）、28个二进制特征和7个旋转缩放不变（RST）特征等。最终生成95,760个特征的数据矩阵，为后续特征优化奠定基础。

特征优化

采用CFS算法基于信息熵和对称不确定性（SU）进行特征筛选。如公式SU(Z,W)=2{IA(Z|W)|H(Z)+H(W)}所示，算法通过计算特征间相关性，将特征维度从118,800维压缩至37,800维，显著提升计算效率。

分类器配置

MLP分类器采用单输入层（21节点）、15神经元隐藏层和6节点输出层结构（对应6类肿瘤）。参数设置包括学习率0.4、动量0.1和315次迭代周期，使用S型函数作为激活函数。

结果分析

在未优化特征集上，MLP以97.50%的准确率领先其他分类器。经过CFS优化后，MLP性能进一步提升至97.67%，其kappa系数达0.97，ROC曲线下面积0.985。混淆矩阵显示，肝细胞癌（HCC）和肝腺瘤（HA）分类准确率最高（99%），而胆管癌（CC）相对较低（96%），主要与部分病例被误判为肝母细胞瘤（HB）有关。

讨论与结论

本研究创新性地将传统去噪滤波与多特征优化相结合，构建了系统性肝肿瘤分类框架。相比已有研究（如Das等人95%的准确率），该方法在六分类任务中实现97.67%的突破，主要归因于：1）CFS算法有效消除特征冗余；2）MLP classifier对非线性关系的强大学习能力；3）多类型特征（纹理+频谱+直方图）的互补性。值得注意的是，优化后的特征集使所有分类器性能提升1-2%，证明特征选择对医学图像分析的重要性。

该研究存在两点主要贡献：首先建立了可扩展的预处理-分类流水线，为多模态医学图像分析提供模板；其次证实计算机视觉工具在辅助放射科医生决策方面的可靠性。未来工作将探索深度学习模型在不同光照条件下的适应性，并整合MRI、超声等多模态数据提升诊断精度。