二、纹理分析方法

纹理分析指通过一定的处理技术提取描述图像的纹理特征定量或定性参数的过程，这个处理过程可能涉及不同的方法，通常分为统计分析方法、结构分析方法和频谱分析方法。

统计方法有自相关函数、纹理边缘、结构元素、灰度的空间共生概率（spatial gray-tone cooccurrence probabilities）、灰度行程和自回归模型等，统计方法将纹理描述为光滑、粗糙、粒状等特征。结构方法研究图像基元及其空间关系，基元是指具有某种属性而彼此相连的单元的集合，它的属性包括灰度、连通区域的形状、局部一致性等，空间关系包括基元的相邻性、在一定角度范围内的最近距离等。根据基元间的空间联系，纹理可以分为弱纹理或强纹理。

直方图的重点在于分析兴趣区中每个像素特征的（频率）分布情况，在直方图中挖掘图像的统计分布特征，但是它的缺点是忽视了这些像素的空间分布信息，例如病灶的粗糙程度、高信号的具体位置等。例如，一个环形强化和一个局部强化的肿瘤可具有相同个数的灰度信号值，因此可能有着相同的直方图特征，但是却具有不同的成长性质，而采用纹理分析方法则可以提取病灶的空间分布特征，表现出不同粗糙（coarseness）类型的纹理分析特点（图 2-14）。

图2-14　肝癌病人动态增强CT数据的纹理分析

（A）兴趣区选择整个肿瘤；（B）（C）（D）分别为采用纹理分析方法显示的肿瘤实性区域、乏氧区和肿瘤分级评估（数据来自中山大学附属肿瘤医院）

图像纹理分析的最常用方法是cooccurrence matrix方法。对于纹理分析来讲，最大的问题就是特征值非常多并且抽象难以理解，这也在一定程度上限制了纹理分析的临床应用。但是，随着人工智能和医学大数据的发展，将会进一步推动纹理分析方法的研究。