计算机辅助诊断技术在肺结节中的应用

计算机辅助诊断技术在肺结节中的应用周雪峰AGFA医疗中国研发中心（上海，200030）摘要传统的低成本的胸部平片仍然是临床诊断中广泛采用的一种影像学检查，然而由于正常解剖结构重叠等原因，胸部平片的诊断有时却相当困难，特别是早期肺结节的诊断，容易产生误诊或漏诊。因此利用计算机辅助诊断提高早期肺结节的检出率，是非常有必要的。本文概述了肺结节计算机辅助诊断中的方法和过程，并且介绍了一些降低假阳性的最新研究方向。关键字：计算机辅助诊断，图像预处理，肺部分割，候选点检测，特征提取，候选点分类AbstractThetraditionallow-costchestradiographisstillbyfarthemostcommontypeofradiologyprocedureinclinicalpractice,yetforthereasonofsuperimposedanatomicalstructure,itsdiagnosisisverydifficultsometime,especiallyearlydetectionofpulmonarynodulesandthesituationofmistakeandmissalwayshappens.Thereforeincreasingthedetectionofpulmonarynodulesusingcomputer-aideddiagnosisisverynecessary.Thepurposeofthispaperistocategorizeandbrieflyreviewthemethodandprocessofcomputer-aideddiagnosisforpulmonarynodules.Andintroducesomenewresearchdirectionstodecreasefalsepositive.Keyword:computer-aideddiagnosis,imagepreprocessing,lungsegmentation,candidatedetection,featureextraction,candidateclassification1．引言为了提高诊断的精确性和放射科医师阅片的一致性，将放射科医生参考计算机输出结果而做出的诊断定义为CAD（Computer-AidedDiagnosis），被称为放射科医生的“第二双眼睛”。CAD并不是要取代医生的诊断，而是作为医生诊断的一个补充，通过将可疑点标记出来，引起医生的注意，以便医生进行更深入地分析诊断。CAD系统的目标是减少医生对病灶的误诊和漏诊，提高医生的诊断率。实际上，医学影像中各种影像检查技术包括平片、CT、MRI、超声及PET等，均可引入计算机辅助诊断系统；目前CAD的研究和应用大多局限在乳腺和胸部肺结节的检测中，另外CT虚拟结肠内镜（CTC）、肝脏疾病CT诊断、脑肿瘤MRI诊断等也有一定的研究和应用。本文主要概述了CAD技术在肺结节检测中的应用进展。肺结节是肺部最常见的病变之一，可以是良性病变、转移瘤或肺癌，肺癌的发生率在癌症中位居第二。据美国癌症协会估计，在2003年肺癌占有所有癌症诊断的13%，占癌症死亡病例的28%。综合五年癌症存活率仅为15%，如果肺癌能在早期被检测出来，存活率可升到49%，然而只有15%的肺癌诊断病例在早期被检测出来[1]。由此可见，肺癌的早期诊断具有非常大的意义，国内外研究表明CAD系统能够帮助医生提高肺癌的早期检出率。目前胸部平片仍是最常用的肺癌筛选方法，由于平片检查技术的特点，造成正常解剖结构的重叠给肺结节的检测带来很大的困难。大体而言，肺结节的检测主要有三个困难：1，结节的大小范围广，一般从几毫米到几厘米；2，肺结节的密度差异很大，有些小的结节仅仅比周边肺组织深一点点；3，肺结节可以出现在肺区域的任何地方，胸部纵膈、心脏后肺、投影在隔膜上的肺等等[2]。2．基本过程和方法CAD的关键技术是利用图像理解和人工智能技术，提取一些图像特征，对图像进行自动分析与识别。算法的基本过程分为图像预处理、候选点检测、特征提取、候选点分类等。其中肺部分割是预处理中的一步重要过程。图像数据库图1.CAD算法基本过程图像预处理（ImagePreprocessing）不管采用何种方法，增强结节和抑制肺部血管、气管等组织，都是肺结节CAD系统最必不可少的预处理步骤。为了降低计算成本，在能获得可比较的对比度的情况下，对输入图像进行下采样处理是一项必不可少的过程，比如，从2048×2048到256×256。但在分割的时候，需要较高的精度，一般在1024×1024[2]。为了调整不同的图像在灰度范围或者亮度上存在的差异，避免图像分析的不一致性，需要对输入图像进行归一化处理，其中会用到很多图像均衡化处理技术。可以针对不同的设备厂商的图像调整滤波参数，使输出的图像信息具有一致性。这种技术在PACS诊断系统中也有广泛的应用。图2.a,原始图像.b,经过归一化处理后的图像肺部分割（LungSegmentation）每个人的解剖结构都有差异，肺部包含很多重叠的解剖结构，这给肺部分割带来很大的困难。常见的分割方法有：活动形状模型（activeshapemodels，ASM），活动表现模型（activeappearancemodels，AAM），像素分类（PixelClassification，PC）等。Bram等比较了这三种分割算法对不同组织的有效性[3]。其中，ASM是目前比较常用的肺部分割技术。ASM是Cootes等[4]于1992年提出的一种统计学模型。ASM的基本思想是以目标物体的轮廓作为训练样本，用点分布模型（pointdistributionmodels，PDM）进行描述，构造样本的先验模型，点分布模型主要体现了训练集的平均形状和形变方式。在先验模型建立后，ASM方法通过一个灰度匹配的搜索过程寻找图像中的目标轮廓，在迭代搜索的同时调整先验模型的参数，使模型与目标物体的实际轮廓逐步吻合，从而达到目标的精确定位。ASM用于肺部分割时，先验模型的建立需要能找到左右肺的初始区域，Amit等通过先提取两肺之间的中位线和左右肺的中位线，再提取左右肺轮廓的粗略特征点作为初始区域，最后运用ASM进行演化搜索左右肺的精确边界[5]。ASM需要用大量的手工描绘的肺部轮廓数据进行训练，从而得到最优的模型参数。图3.左右肺的初始和最终轮廓候选点检测(CandidateDetection)在候选点检测中最通用的是差值图像技术(difference-imagetechnique)。原始图像通过两次滤波，一是通过球形算子得到结节增强的图像，二是通过中值滤波得到结节抑制的图像，把两个过滤的图像通过阈值减法技术得到结节候选点[6]。SérgioEduardo采用模板匹配技术来检测肺部结节，肺部结节一般呈球形或半圆形，使用一个球形的密度渐变的结节模板，在肺部区域中寻找匹配的感兴趣区域来提取结节候选点[7]。Bilgin等通过虹膜过滤方法对结节进行增强，再通过灰度阈值法，二值法和8连通区域生长法提取感兴趣的孤立区域做为结节候选点[8]。为了保证不遗漏潜在的结节，候选点的数量通常是非常大的，而且绝大部分都是假结节。因此消除假结节候选点成为特征提取和候选点分类的关键任务，也成为考核特征集的最优化和分类器的性能的重要指标。特征提取(FeatureExtraction)放射科医生在读片的时候，需要考虑图像的强度、一致性、粗糙度、规则性、方向性、光滑度、颗粒度等特征[10]。CAD系统也需要通过分析图像提取一些特征，比如灰度、对比度、形态、边缘、纹理等。Bilgin等对通过增强过滤得到的每一个孤立区域计算面积、周长、宽度、高度、宽高比、直度、圆度、边界平均曲率、力矩，从而获得这些形态特征；另一方面通过多尺度边缘检测提取边缘特征，并通过边缘导向的Waveletsnake模型对边缘特征进行评估。最后通过人工神经网络把形态特征和边缘特征进行组合，并且在图像数据集上对每一种方法的性能都进行了评估[8]。Bram等先把肺部区域细分，再在每个细分的肺部区域中使用多尺度高斯微分过滤器分析提取纹理特征；另外，通过把左右肺相同位置的纹理特征相减获得差异特征[9]。通过不同的属性提取的特征加在一起往往是一个非常庞大的特征集，如果用这么庞大的特征集来训练分类器，需要很长的时间，所以很有必要在训练分类器之前先对特征集作一个筛选。Luyin等用遗传算法（Geneticalgorithm）选择一个最佳的特征集，就是选择最小数目的特征能获得最优的性能[11]。候选点分类(CandidateClassification)常用的分类方法有：基于规则的分类器（Rule-Based），人工神经网络（ArtificialNeuralNetwork），K-最近邻分类（K-NearestNeighbors）和支持向量机（SupportVectorMachine,SVM）。SVM是近年来在统计学学习理论（StatisticalLearningTheory，SLT）的VC维理论和结构风险最小原理基础上发展起来的一种的新的通用学习方法。它可以根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力（GeneralizationAbility）。Paola等采用了不同的核函数和不同平衡的训练集做了大量的实验，最后得出代价敏感SVM在不平衡训练集上的性能最好，能获得最佳的灵敏度和特异度[12]。InitializationFinal评价分类方法性能的指标有灵敏度（Sensitivity,TP/（TP+FN））和特异度（Specificity,TN/（TN+FP）），其中TP是指真阳数，FN是指假阴数，TN是指真阴数，FP是指假阳数。分类器的理想目标是把阳性的全部判定成阳性，把阴性的全部判定成阴性，或者说假阳数和假阴数都越少越好。所以，分类器性能的判定标准是灵敏度和特异度都越高越好，而实际验证中，这两个指标成反比，往往不能两全其美。验证方法除了经典的训练－测试（Train-and-Test）方法，目前使用较多的是k分交叉评价（k-foldcross-validation）方法，目的是充分利用初始样本进行训练。它将初始样本集合分成k份{T1,T2,…,Tk}，Ttrain=T－Ti，Ttest=Ti，i=1,2,…,k，最后将k次测试的平均值作为最终结果。最严格也是最精确的交叉评价方法是LOO(Leaveoneout)方法，假设有m个样本，每次使用一个样本作为测试样本，其余的样本都作为训练样本，最后将m次测试的平均值作为最终结果[11]。3.CAD系统的评价方法不同CAD系统性能的对比只有在同一数据集上才有意义。实际应用中的CAD系统性能评价主要有三个指标：1，检出率（Sensitivity=（sum）NumberofMatchTruth/（sum）NumberofTruth），胸部平片肺部结节的检出率一般只有35%-65%，如果检出率偏低，那么ChestCAD就没有辅助的意义，这个值实际上跟灵敏度代表同一个意思；2，假阳性数目（FalsePositive=（sum）Haven’tMatchanyTruth/（sum）NumberofDefiniteTruth），假阳性数目过多，会误导医生的诊断，会对诊断产生负面的影响；3，平均响应时间（TheAverageResponse-time=（sum）Response-time/ImageNumber），响应时间可以认为是整个算法处理过程所花的时间，响应时间过长，医生就要等待较长的时间才能看到CAD标记的结节。CAD系统的评价基本上都运用了ROC（receiveroperatingcharacteristic）方法。横坐标是假阳率（1-特异性）或假阳性数目，纵坐标是灵敏度或检出率。CAD系统某次实验的实际结果是坐标系中的一个