基于雙色彩空間相結合的WCE圖像出血檢測

楊思燕

摘 要：文中根據無線膠囊內窺鏡WCE圖像出血樣本和非出血樣本特征的分析，提出基于雙色彩空間相結合的WCE圖像出血檢測算法。算法綜合考慮不同類型的WCE圖像在RGB和HSV色彩空間中的特點，首先將WCE圖像在RGB和HSV色彩空間中的三通道色彩信息綜合為單通道色彩信息，然后分別計算綜合后的單通道色彩信息的一階顏色矩、二階顏色矩、二階中心矩以及三階顏色矩四個特征量，最后將每張WCE圖像的8個特征量組成一個一維的特征向量，并利用SVM對WCE圖像是否出血進行分類。實驗結果表明，文中提出算法在算法敏感性、特異性和準確性上都具有更好的性能。

關鍵詞：無線膠囊內窺鏡;出血檢測;色彩空間;色彩特征量;SVM;特征分析

中圖分類號：TP391文獻標識碼：A文章編號：2095-1302（2020）10-00-04

0 引 言

胃腸道是人體消化器官的重要組成部分之一。腸道疾病的前兆癥狀一般是消化道出血，該癥狀是臨床上與消化道相關的常見癥狀[1]。無線膠囊內窺鏡（Wireless Capsule Endoscopy，WCE）是檢測腸道疾病的有力手段[2-3]，它可用于檢測腸道壁出血癥狀。然而利用WCE進行消化道檢測產生的大量圖像結果中只有很少的出血圖像，使得以傳統人工觀察方式進行WCE出血樣本的篩選費時費力。在WCE圖像中可能存在部分與其他不正常區域在顏色和形狀上有較大相似性的出血區域，這些區域在人工檢測過程中，由于不同醫護人員的主觀評判不同，容易被忽略，一旦誤診將產生嚴重的后果。

隨著WCE的推廣，國內外臨床已經應用了很多相關的出血檢測方法[4]。Given Imaging公司研制的膠囊內鏡系統附帶了一款出血特征自動檢測軟件（Suspected Blood Indicator，SBI），但是其精度仍遠不能夠代替人眼識別，實驗數據表明其靈敏度與特異度[5]分別低于72%和85%。Phooi和Paulo用設定閾值的方法對消化道圖像進行識別[6]，然而需要經過大量實驗來確定閾值的取值，復雜度高，精確度較低。Mackiewicz等人提出了一種基于顏色直方圖的出血檢測方法[7]，該方法的檢測準確率有了很大提高，但算法復雜度較高，運行速度慢，檢測效率較低。Fu等人設計了一種基于超像素分割的自動出血檢測機制[8]，但該方法計算處理復雜度較高。文獻[9]提出了一種基于正交空間變換方式提取特征的方法[9]，該方法使用了HSI色彩空間，利用色調和飽和度構造的切比雪夫離散矩陣作為圖像特征，并搭建多層感知機作為分類器，最后利用機器學習的方法對圖像特征進行分類。但該算法利用的特征信息較單一，僅僅考慮了HSI空間色彩信息。Sainju等人于2013年提出了基于色彩信息及其直方圖屬性進行出血檢測的算法[10]。

針對現有的WCE出血圖像檢測方法存在的諸多問題，本文提出了一種基于RGB和HSV結合色彩空間的WCE圖像出血檢測算法，對WCE圖像中出血樣本和非出血樣本在RGB和HSV色彩空間中的特點進行結合比對分析，能夠準確地區分出血樣本與非出血樣本。該研究成果能夠更高效、更精確地輔助醫療人員進行消化道出血檢測診斷，降低醫療成本。

1 WCE圖像中出血樣本和非出血樣本特征分析

為能夠準確地對WCE圖像是否存在出血情況進行判斷，首先需要分析兩類圖像之間的差異。圖1和圖2分別顯示了WCE圖像的非出血圖像和出血圖像。從圖像中可以看出，兩類圖像在色調上存在較大差異，出血圖像的整體色彩偏紅。

通過分別統計出血和非出血的各100幅圖像的RGB和HSV色彩空間各通道的分布情況，分析不同類型圖像在2個色彩空間中所體現的特征，如圖3所示。

根據圖3中出血和非出血WCE圖像在RGB和HSV色彩空間中的色彩分析可知：出血圖像和非出血圖像的像素在R通道的分布具有較為明顯的區別，并且出血圖像在R通道灰度值較大;但在G通道和B通道中像素的灰度分布情況差異較小，有較多重疊的地方。另一方面，出血圖像在H通道和V通道與非出血圖像像素灰度統計差異較大，而在S通道非常相似。這些特點可以為后期色彩通道的轉換提供依據。

2 WCE圖像色彩特征提取

通過上述對WCE圖像在RGB與HSV色彩空間中各通道均值的統計和分析，可以推測出在一般情況下，WCE出血圖像和非出血圖像在R通道與H通道的統計數據在區分兩類圖像時具有更好的區別能力，而G，B，S和V這4個通道的統計數據區分能力相對較弱。據此，我們根據RGB和HSV色彩空間各通道對WCE圖像的區分能力，分別給

2個色彩空間的各通道賦以相應的權值，將三通道的色彩空間轉換為單通道，以降低后期色彩特征提取的維度。轉換公式如式（1）和式（2）所示：

式中：LRGB和LHSV分別為RGB和HSV色彩空間轉換后的單通道色彩信息;?RGB，βRGB和γRGB是RGB色彩空間中各通道的權值;?HSV，βHSV和γHSV是HSV色彩空間中各通道的權值。根據實驗分析，本文中[?RGB βRGB γRGB]=[0.5 0.3 0.2]，[?HSV βHSV γHSV]=[0.6 0.1 0.3]。

基于轉換后的2個單通道色彩信息（LRGB和LHSV），分別提取其色彩特征量。其中顏色矩是一種簡單有效的顏色特征表示方式，具有旋轉不變性、平移不變性和縮放不變性。由于顏色主要分布在低階矩，因此一般用一階矩（均值），二階矩（標準差）和三階矩（偏度）表示顏色分布[11]。

每張WCE圖像在LRGB和LHSV下分別計算一階顏色矩、二階顏色矩、二階中心矩以及三階顏色矩，共8個色彩統計量，構成每張圖像的8維特征向量，作為后期出血圖像檢測的特征依據。

3 WCE圖像中出血圖像的檢測

支持向量機SVM（Support Vector Machines）是Vapnike等人在20世紀90年代初建立的一種新型學習機器[12-13]。SVM以解決小樣本機器學習問題為目標，根據有限的樣本信息在模型復雜度和學習能力之間尋求最佳折中，獲得最好的推廣能力。與傳統方法相比，SVM能夠有效避免過學習、欠學習、維數災難以及陷入局部極小值等問題，在分類和模式識別等方面取得了很好的效果。因此，本文在提取WCE圖像的色彩特征后，利用基于高斯核函數的SVM算法對WCE圖像進行出血檢測。

4 實驗結果及分析

本實驗的測試數據采用金山OMOM?無線內鏡膠囊拍攝的圖像，由于WCE出血圖像所占的比例較小，大約占總圖像數量的30%。因此，本實驗在選取實驗圖像時，去除掉模糊不清難以辨別的圖像之后，選取1 000張出血圖像和2 000張非出血圖像作為實驗數據。

本次實驗的訓練集選擇所有樣本集中50%的樣本，剩余50%作為測試樣本。計算每張圖像LRGB和LHSV的一階顏色矩、二階顏色矩、二階中心矩以及三階顏色矩，得到8個統計量數據組合成一個8維特征向量，并且對特征向量進行歸一化處理。本實驗中的標簽用0/1表示，1為出血圖像，0為非出血圖像。

由數據可知，LRGB和LHSV相結合比單獨使用LRGB或LHSV的效果好，并且在3個評價指標上具有明顯提升。為更好地評價本文提出方法的有效性，采用十折交叉驗證法，將10次結果的均值作為對算法性能的估計。此外，將本文算法與現存的幾種方法作比較，主要包括文獻[7]、文獻[8]、文獻[9]和文獻[10]中的方法。文獻[7]采用色彩直方圖方法進行出血檢查，文獻[8]基于超像素分割進行自動出血檢測，文獻[9]采用將H和S結合的特征向量來提取圖像的顏色特征，文獻[10]在RGB空間中提取3個通道的一階直方圖的統計特征量進行分類。所有方法的測試效果見表2所列。由表中數據可以看出，本文算法在敏感性、特異性和準確率方面均明顯優于傳統算法。不同算法在Sensitivity方面的比較如圖5所示，不同算法在Specificity方面的比較如圖6所示，不同算法在Accuracy方面的比較如圖7所示。

5 結 語

本文提出了一種有效的WCE圖像出血檢測算法，該算法相對于其他現有算法在算法敏感性、特異性和準確性上都具有更好的性能。

參考文獻

[1]燕雪萍，劉洪英，皮喜田，等.基于顏色識別的腸道出血診療微系統設計[J].傳感器與微系統，2011，30（11）：92-95.

[2]付國強，梅濤，孔德義，等.無線微型機器人腸道內窺鏡系統中圖像采集與無線傳輸子系統的設計[J].光學精密工程，2002，10（6）：614-618.

[3]皮喜田，王剛，魏亢，等.基于顏色傳感器的腸道出血檢測膠囊系統[J].傳感器與微系統，2010，29（11）：113-116.

[4]鄭小林，常婧，廖彥劍，等.硅微通道紅細胞變形性測量系統的實用化研究[J].傳感器與微系統，2009，28（7）：117-120.

[5] LIANGPUNSAKUL S，MAYS L，REX D K. Performance of given suspected blood indicator [J]. The American journal of gastroenterology，2003，98（12）：2676-2678.

[6] LAU P Y，CORREIA P L. Detection of bleeding patterns in WCE video using multiple features [C]// Engineering in Medicine and Biology Society，2007. EMBS 2007. 29th Annual International Conference of the IEEE. IEEE，2007：5601-5604.

[7] MACKIEWICZ M，FISHER M，JAMIESON C. Bleeding detection in wireless capsule endoscopy using adaptive colour histogram model and support vector classification [J]. Proceedings of SPIE on medical imaging，2008，22（1）：41-56.

[8] FU Y，ZHANG W，MANDAL M，et al. Computer-aided bleeding detection in wce video [J]. IEEE journal of biomedical and health informatics，2008，18（2）：636-642.

[9] LI B，MENG Q H . Computer based detection of bleeding and ulcer in wireless capsule endoscopy images by chromaticity moments [J]. Computers in biology and medicine，2009，39（2）：141-147.

[10] SAINJU S，BUI F M，WAHID K. Bleeding Detection in Wireless Capsule Endoscopy based on color features from histogram probability [C]// IEEE Canadian Conference on Electrical & Computer Engineering，2013（8）：1-4.

[11]王志瑞，潤彩良.圖像特征提取方法的綜述[J].吉首大學學報（自然科學版），2011，32（5）：43-47.

[12]王震宇，梁雪春.基于CFOA的混合核SVM參數優化[J].計算機工程與設計，2016，37（3）：773-777.

[13]呂艷陽，相潔.基于SVM的fMRI數據分類及MCI診斷應用[J].計算機工程與設計，2013，34（9）：3313-3317.