醫(yī)學(xué)圖像處理9計算機輔助診斷9.5-本章課件

第九章醫(yī)學(xué)圖像計算機輔助檢測、診斷技術(shù)基于醫(yī)學(xué)影像的計算機輔助診斷

自從100多年前x線被發(fā)現(xiàn)并產(chǎn)生各類放射醫(yī)學(xué)圖像以來，放射科醫(yī)生幾乎依然維持著對醫(yī)學(xué)圖像的定性判讀。隨著物理學(xué)、醫(yī)學(xué)和信息科學(xué)的結(jié)合，越來越多的人體成像工具進入醫(yī)學(xué)臨床診斷領(lǐng)域，各種具有不同能力的成像工具在醫(yī)學(xué)中的廣泛應(yīng)用造成了兩個問題。1、對每個病人一次檢查所生成的影像的信息量越來越大，從而使得醫(yī)生每天閱讀的信息大，工作量大。2、單個影像設(shè)備不可能提供病人診斷需要的完整信息，判斷過程，會受到醫(yī)生經(jīng)驗及知識水平的限制和影響。計算機輔助診斷在醫(yī)學(xué)影像中的作用在這種情況下，醫(yī)學(xué)圖像的診斷精確度很大程度上取決于醫(yī)生個人的經(jīng)驗。由于閱片疲勞、個人的判讀標準不一等原因，醫(yī)生診斷時往往容易遺漏某些細微變化。誤診在所難免。基于影導(dǎo)引下的計算機輔助診斷（MedicalImageBasedComputeAddiedDiagnosisMIBCAD)發(fā)展起來。目的：幫助放射科醫(yī)生改善檢測效果；提供醫(yī)生定量分析的工具以便更準確地判斷腫瘤以及其他疾病的嚴重程度。

第一節(jié)CAD技術(shù)的發(fā)展1955年，美國學(xué)者Lusted博士提出了要用計算機去自動判讀和診斷醫(yī)學(xué)圖像的概念。1967年，Winsberg博士和他的同事們在美國的Radiology發(fā)表了一篇CAD的文章，用于分辨良性和惡性的乳房腫瘤。20世紀80年代初，計算機輔助診斷系統(tǒng)獲得進一步發(fā)展，美國芝加哥大學(xué)放射醫(yī)學(xué)系Doi博士領(lǐng)導(dǎo)的一個研究所開始采用改進了得圖像處理技術(shù)和計算機功能去發(fā)展新的CAD技術(shù)以研究如何使用該技術(shù)來幫助改善放射科醫(yī)生的檢測和診斷效果，并提出了“第二讀者”的概念。1990年發(fā)表了研究成果，15名放射科醫(yī)生判讀了60張乳房x線圖像，其中一半包含微鈣化點群，實驗結(jié)果顯示,使用它們開發(fā)的CAD系統(tǒng)作為第二讀者，放射科醫(yī)生可以檢測到更多的微鈣化點群。

第一節(jié)CAD技術(shù)的發(fā)展Doi博士領(lǐng)導(dǎo)的CAD研究工作極大地激發(fā)了研究和開發(fā)CAD計算程序的熱情，現(xiàn)在全世界有幾百所研究機構(gòu)正在從事開發(fā)針對不同醫(yī)學(xué)圖像的CAD計算程序和系統(tǒng)。大多數(shù)早期的CAD研究和開發(fā)集中在自動判讀乳房x線圖像上，以便自動檢測和診斷可疑的乳腺腫瘤。主要原因：一個是醫(yī)學(xué)臨床實踐上意義重要，二是技術(shù)上的可行性。

第一節(jié)CAD技術(shù)的發(fā)展Doi博士領(lǐng)導(dǎo)的CAD研究工作極大地激發(fā)了研究和開發(fā)CAD計算程序的熱情，現(xiàn)在全世界有幾百所研究機構(gòu)正在從事開發(fā)針對不同醫(yī)學(xué)圖像的CAD計算程序和系統(tǒng)。大多數(shù)早期的CAD研究和開發(fā)集中在自動判讀乳房x線圖像上，以便自動檢測和診斷可疑的乳腺腫瘤。主要原因：一個是醫(yī)學(xué)臨床實踐上意義重要，二是技術(shù)上的可行性。乳腺CAD目前，全球乳腺癌的發(fā)病率已居女性惡性腫瘤的首位且逐年上升。據(jù)WHO統(tǒng)計，全球每年有120余萬婦女患乳腺癌，50萬婦女死于乳腺癌。其發(fā)病率在世界各地存在顯著的差異，美國和北歐為高發(fā)地區(qū)，法國每年因乳腺癌死亡人數(shù)為1.08萬。在英國，女性患乳腺癌的人群已占到十分之一。東歐和南歐及南美其次，亞洲發(fā)病率最低，目前發(fā)病率也出現(xiàn)上升趨勢，且發(fā)病人群越來越年輕化，嚴重危害婦女的健康。乳腺癌有“紅顏第一殺手”之稱。我國乳腺癌發(fā)病特點1、發(fā)病年齡比歐美國家提前10~15年，30歲就開始發(fā)病。2、發(fā)現(xiàn)時中晚期病例較多，占35%以上。3、乳腺癌發(fā)病有一個顯著特點，即經(jīng)濟越發(fā)達，乳腺癌發(fā)病率越高。我國原本系乳腺癌低發(fā)國，但近年來隨著人民的生活水平提高，發(fā)生率上升了37%，在經(jīng)濟發(fā)達的城市已上升到女性婦科腫瘤的第一位。乳腺癌的早期診斷乳腺癌在美國是婦女發(fā)病率占第一位的癌癥，從20世紀80年代中期開始，美國流行病學(xué)資料顯示乳腺癌的死亡率逐年穩(wěn)定下降，尤其是在1995年之后，下降趨勢更為明顯。這種良好的現(xiàn)象主要歸功于：①乳腺鉬靶攝片普查的廣泛接受和開展，明顯提高了早期乳腺癌的發(fā)現(xiàn)率。②乳腺癌系統(tǒng)性輔助治療，包括輔助化療和輔助內(nèi)分泌治療的研究和應(yīng)用。因此乳腺癌的治療效果關(guān)鍵是個“早”字。

乳腺癌的早期診斷乳腺鉬靶X光片為當(dāng)今公認的早期診斷乳腺癌的有效手段。但由于人眼分辨能力有限以及人為疏忽等原因，其中有很大一部分診斷信息沒有被人們所利用。佛羅里達的學(xué)者們經(jīng)研究后認為，目前人們僅能利用乳腺鉬靶片3%的信息，大量信息為人眼所不見。隨著計算機技術(shù)的飛速發(fā)展，X線片的數(shù)字化業(yè)已成為現(xiàn)實。與傳統(tǒng)的屏/膠鉬靶片相比，數(shù)字化的乳腺鉬靶片不僅容易保存、檢索方便、可通過網(wǎng)絡(luò)交流，而且，能經(jīng)計算機識別出人眼所不能識別的診斷信息，從而提高早期診斷率。因此，乳腺鉬靶片的計算機輔助診斷已成為乳腺癌早期診斷研究的熱門課題。乳腺癌的早期診斷CAD在乳腺癌早期診斷方面的研究是比較成功的。1998年FDA批準了第一個CAD系統(tǒng)，即美國R2技術(shù)有限公司的ImageChecker系統(tǒng)，目前已經(jīng)有幾個類似的系統(tǒng)通過FDA批準。中國東軟CAD包括乳腺CAD、肺CAD、心臟CAD、泌尿CAD、骨密度CAD等。其中乳腺CAD、心臟CAD、骨密度CAD打破國外壟斷，是中國自主品牌的第一批CAD產(chǎn)品，2008年上半年先后通過SFDA的認證，填補了國內(nèi)該類產(chǎn)品的空白。泌尿CAD正在申請美國的FDA注冊。計算機輔助診斷（CAD）系統(tǒng)研究大多都遵循著這樣一個流程：（a）圖像處理以便檢測出異常區(qū)域；（b）對可疑區(qū)域進行特征量化；（c）對圖像特征進行數(shù)據(jù)處理以鑒別該特征的異常性；（d）對未知病灶進行定量分析和圖像檢索；（e）用ROC方法對CAD的性能進行分析和評價，給出最終的診斷結(jié)果。第二節(jié)CAD計算程序的基本步驟關(guān)鍵技術(shù)圖像預(yù)處理技術(shù)圖像分割技術(shù)特征提取技術(shù)分類識別技術(shù)對CAD的性能評價圖像預(yù)處理技術(shù)圖像預(yù)處理技術(shù)主要是為后續(xù)處理提供高質(zhì)量的圖像。圖像預(yù)處理主要是增強圖像特征，包括增強對比度和去除背景噪聲，以便于后續(xù)的圖像分割和特征提取。圖像分割就是將各個具有不一致性的區(qū)域分割出來，使它們互不相交，從而為感興趣區(qū)的提取、定性、定量分析提供基礎(chǔ)。主要方法：基于閾值的分割、基于區(qū)域生長以及分裂合并的分割方法、基于邊緣檢測的分割、基于模糊集理論的分割、基于數(shù)學(xué)形態(tài)學(xué)分割、基于圖譜引導(dǎo)的分割、基于模式識別的分類與聚類方法、基于形變模型的分割、水平集分割方法以及基于人工神經(jīng)網(wǎng)絡(luò)的分割方法等。圖像分割技術(shù)對分割出的病灶進行特征參數(shù)計算，用來作為分類的依據(jù)，即判別分割出的病灶是良性還是惡性的依據(jù)。常用的特征參數(shù)有幾何特征、形態(tài)學(xué)特征、灰度特征及紋理特征等涉及到病灶影像的密度特征：平均密度，標準偏差，對比度，峰值大小等；邊緣特征：邊界長度，彎曲度；形狀特征：區(qū)域面積，體積大小、直徑，圓形度，粗糙程度；信息熵、解剖位置、各種圖像矩、甚至變換域的某些特征等。

特征提取技術(shù)分類識別技術(shù)在上述特征提取的基礎(chǔ)上，為了降低分類判斷的復(fù)雜性，往往有針對性地選擇幾種特征作為參數(shù)，然后根據(jù)臨床診斷標準和一定的推理規(guī)則，對病灶的類型和性質(zhì)進行判斷，比如：鈣化點、腫塊、良性囊腫和惡性腫瘤等。常用的分類判斷方法有：基于規(guī)則的分類方法、基于甄別閾的分類方法、基于貝葉斯統(tǒng)計學(xué)的分類方法，以及人工神經(jīng)網(wǎng)絡(luò)分析方法和支持向量機的方法等。肺結(jié)節(jié)的CAD肺結(jié)節(jié)的檢測：有資料顯示，放射科醫(yī)生在讀胸片時，可能會漏掉近30%的肺結(jié)節(jié)，而當(dāng)醫(yī)生第二次看同一張胸片時，會發(fā)現(xiàn)這些病灶其實在圖像中表現(xiàn)很明顯。因此，CAD的任務(wù)是在胸片中為放射科醫(yī)生標示出可能的肺結(jié)節(jié)所在。肺結(jié)節(jié)識別實例LIDC數(shù)據(jù)庫為了促進肺結(jié)節(jié)計算機輔助診斷技術(shù)的發(fā)展，由美國國家癌癥研究會發(fā)起了LIDC（LungImagingDatabaseConsortium）項目，該項目由芝加哥大學(xué)、康奈爾大學(xué)、愛荷華州立大學(xué)、密歇根大學(xué)及加利福尼亞大學(xué)共同承擔(dān)。LIDC的目標：1）建立一個用于進行基于CT影像肺癌計算機輔助檢測算法研究、評估、訓(xùn)練和測試的數(shù)據(jù)庫，該數(shù)據(jù)庫可以通過互聯(lián)網(wǎng)免費下載；2）為不同CAD算法性能的評估和對比研究提供參考數(shù)據(jù)庫。LIDC數(shù)據(jù)庫中每個病例的CT影像數(shù)據(jù)包括200-500張數(shù)目不等的CT圖像和一個包含四位放射學(xué)專家對CT圖像的標注結(jié)果。標注文件以XML文件格式組織。每個專家對影像中是否存在結(jié)節(jié)、結(jié)節(jié)的輪廓以及結(jié)節(jié)的醫(yī)學(xué)征象的評分進行標注。標注的結(jié)節(jié)按照其直徑的大小分為直徑大于3mm的結(jié)節(jié)和直徑小于3mm的結(jié)節(jié)。直徑大于3mm的結(jié)節(jié)，標注文件中給出了該結(jié)節(jié)在每層圖像上的輪廓、結(jié)節(jié)的唯一性標識、專家分別從精細度、內(nèi)部結(jié)構(gòu)、鈣化程度、球形度、邊緣、分葉征、毛刺征、紋理、惡性程度9個方面描述結(jié)節(jié)的病變特征，其中結(jié)節(jié)輪廓詳細記錄了其邊界坐標，結(jié)節(jié)病變特征分為5或5個級別，專家只在其所在的中心切片上記錄了結(jié)節(jié)中心的位置坐標。同時標注還給出了在影像上疑似肺結(jié)節(jié)但其實不是結(jié)節(jié)的肺結(jié)節(jié)對象，只記錄了該類型對象的中心位置坐標。LIDC數(shù)據(jù)庫LIDC肺圖像數(shù)據(jù)庫聯(lián)盟結(jié)節(jié)屬性屬性值NoduleIDxCoordNodule001312311310309308308308307306306305304303303302302302301301yCoord355356357357358359360360361362363364365366367368369370371NoduleIDSubtletyinternalStructurecalcificationsphericitymarginlobulationspeculationtexturemalignancyimageZpositioninclusionNodule001516333455-125TRUE

LIDC肺圖像數(shù)據(jù)庫聯(lián)盟結(jié)節(jié)區(qū)域的獲?。╝）原圖像（b）標注后圖像肺實質(zhì)分割在肺部CT圖像上檢測肺結(jié)節(jié)和其他肺部病癥，分割出肺部區(qū)域是一項重要的步驟。

肺實質(zhì)分割

（a）原圖像（b）自適應(yīng)閾值法肺實質(zhì)分割（c）開運算（d）填充肺實質(zhì)分割(e)減運算(f)填充肺實質(zhì)分割（a）肺實質(zhì)當(dāng)有臨近肺壁的結(jié)節(jié)時，二值化后往往會形成缺失空洞缺失空洞修補之后粘連的肺實質(zhì)

（a）粘連的肺實質(zhì)圖像（b）像素統(tǒng)計圖粘連肺實質(zhì)的分離（a）粘連區(qū)域（b）腐蝕之后（c）已分離的肺實質(zhì)感興趣區(qū)域分割在CT圖像中，肺血管、支氣管與肺結(jié)節(jié)的灰度特征相似，因此，在CT圖像中分割出肺實質(zhì)后，需要分割出候選ROIs（包括肺結(jié)節(jié)、肺血管和支氣管）。對肺實質(zhì)圖像分割得到候選ROIs的效果會直接影像到下一步肺結(jié)節(jié)的檢測和提取，所以這一步非常重要。感興趣區(qū)域分割（a）原圖像（b）肺實質(zhì)（c）ROIs分割分割候選ROI時采用了OTSU法，灰度閾值為T。但實驗的CT圖像數(shù)據(jù)庫中含有GGO結(jié)節(jié)。GGO結(jié)節(jié)通常是形狀不規(guī)則的、帶有毛刺的、邊緣模糊的區(qū)域，其邊緣的灰度值要低于結(jié)節(jié)中心的灰度值，或整個GGO結(jié)節(jié)的灰度值都要明顯低于其他結(jié)節(jié)，因此如果根據(jù)灰度閾值分割候選ROIs，必定會導(dǎo)致GGO結(jié)節(jié)漏選。感興趣區(qū)域分割（a）原圖像（b）肺實質(zhì)（c）ROIs分割含有GGO結(jié)節(jié)的CT圖像分割結(jié)果

特征提取灰度特征是最基本的特征也是最簡單的特征，描述的是圖像中各像素點的灰度值的分布關(guān)系；形態(tài)特征主要從局部出發(fā)，描述的是圖像中某些特定區(qū)域的形狀及狀態(tài)信息；紋理特征一般用于描述圖像的整體特征，從圖像的整體上把握灰度變化或頻域變化情況；位置特征主要描述的是一個區(qū)域與其他某些信息相關(guān)的區(qū)域之間的關(guān)系。肺結(jié)節(jié)在CT圖像上的表現(xiàn)，如大小、形狀、位置、邊界輪廓、灰度和周圍組織的關(guān)系等征象都是醫(yī)生判斷候選ROIs是否是結(jié)節(jié)的依據(jù)。

特征提取灰度特征：灰度均值和方差形態(tài)特征：面積、周長、扁度、圓形度、細長度、矩形度等紋理特征：通過灰度共生矩陣，提取能量、熵、對比度、逆差矩等；位置特征：質(zhì)心形態(tài)特征基于規(guī)則的分類器處理結(jié)果肺結(jié)節(jié)本身很難通過面積、周長與非結(jié)節(jié)相區(qū)別，只能通過一些灰度、形態(tài)或者紋理特征進行區(qū)別?；谝?guī)則的分類器處理結(jié)果正類（結(jié)節(jié)）樣本負類（非結(jié)節(jié)）樣本原有ROIs75120/張基于規(guī)則之后ROIs7591/張基于規(guī)則的分類器處理結(jié)果候選ROIs分割篩選結(jié)果原始圖像基于支持向量機的分類識別SVM的基本理論由Vapnik領(lǐng)導(dǎo)的AT&TBell實驗室研究小組提出。1963年，Vapnik等人在研究樣本數(shù)目為有限情況下的機器學(xué)習(xí)問題時，提出了基于SVM的分類技術(shù)，SVM是一種基于統(tǒng)計學(xué)習(xí)理論的模式識別新方法SVM是基于VC維（Vapnik-ChervonenkisDimension）理論和結(jié)構(gòu)風(fēng)險最小化原理，根據(jù)有限樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷的一種機器學(xué)習(xí)算法，在很大程度上克服了傳統(tǒng)機器學(xué)習(xí)中的過學(xué)習(xí)、欠學(xué)習(xí)、位數(shù)災(zāi)難和局部極小等問題，從而獲得較好的泛化能力。基于支持向量機的分類識別

SVM的主要思想：（1）它是針對線性可分的情況進行分析，對于線性不可分的情況，首先通過內(nèi)積函數(shù)定義的非線性變換把低維空間線性不可分的映射到高維空間使其線性可分，并在這個空間內(nèi)求解最分類面，從而使得高維特征空間采用線性算法對樣本的非線性特征進行線性分析成為可能；（2）它是在基于結(jié)構(gòu)風(fēng)險最小化理論上在特征空間中構(gòu)建最優(yōu)分類超平面，在學(xué)習(xí)過程中得到全局最優(yōu)解，并且在整個樣本空間的期望風(fēng)險以某個概率滿足一定上界。最優(yōu)分類面的目標不但能夠?qū)⑺械挠?xùn)練樣本正確分類，而且使訓(xùn)練樣本中離分類面最近的點到分類面的距離最大?；谥С窒蛄繖C的分類識別基于支持向量機的分類識別基于支持向量機的分類識別非線性可分樣本經(jīng)過特征映射轉(zhuǎn)換為線性可分樣本示意圖基于支持向量機的分類識別臺灣大學(xué)林智仁教授等人開發(fā)設(shè)計的LibSVM軟件包?；谥С窒蛄繖C的分類識別對肺結(jié)節(jié)的分類：一旦發(fā)現(xiàn)肺結(jié)節(jié)，接下來就需要醫(yī)生對這個結(jié)節(jié)進行判斷，是良性還是惡性。對醫(yī)生來說，這種判斷是非常困難的。利用CAD對肺結(jié)節(jié)進行鑒別，其目的就是為了在醫(yī)生做出最終判斷時提供一個參考。肺結(jié)節(jié)的良惡性判斷

屬性是“一種描述一個對象的特征或性質(zhì)的量，其具體取值可以是離散，也可以是連續(xù)”。目前的研究中主要存在三種類型的屬性：視覺屬性（如“圓形”“條狀”等），部件屬性（如“有耳朵”，“有嘴巴”等）、相似屬性（如“類似于狗”，“比老虎小”等）。從上述分類可以看出，屬性以一種更接近自然語言的方式描述對象，在一定程序上彌補了對象的高層類別標簽和低層特征之間的語義鴻溝。屬性與低層特征的區(qū)別在于屬性是建立在低層特征之上的一種對對象的高層描述，可以將語義關(guān)系嵌入進機器學(xué)習(xí)模型中，而低層特征不具有直接的語義意義，只能被機器識別但不能被人理解。因此屬性具有比低層特征更強的靈活性和更高的描述性，不僅適合描述對象類別，而且適合描述具體的對象?；卺t(yī)學(xué)征象（可視化屬性）的肺結(jié)節(jié)的良惡性判斷基于語義屬性的肺結(jié)節(jié)的良惡性判斷對肺結(jié)節(jié)的分類：一旦發(fā)現(xiàn)肺結(jié)節(jié)，接下來就需要醫(yī)生對這個結(jié)節(jié)進行判斷，是良性還是惡性。對醫(yī)生來說，這種判斷是非常困難的。利用CAD對肺結(jié)節(jié)進行鑒別，其目的就是為了在醫(yī)生做出最終判斷時提供一個參考。肺結(jié)節(jié)的良惡性判斷肺結(jié)節(jié)的良惡性判斷基于屬性的肺結(jié)節(jié)的良惡性分類基于屬性的肺結(jié)節(jié)的良惡性分類由于計算機與放射學(xué)專家對肺結(jié)節(jié)良惡性分類時所依據(jù)的標準不同，計算機主要是根據(jù)圖像的低層特征，而專家是根據(jù)經(jīng)驗知識得到的高級屬性特征，兩者之間存在“語義鴻溝”。而且用低層特征進行分類，很難得到醫(yī)生易于接受并理解的分類結(jié)果，無法直接對應(yīng)醫(yī)學(xué)診斷結(jié)果。為解決以上問題，提出了基于語義屬性的肺結(jié)節(jié)的良惡性分類。這種方法更接近于人的視覺理解。而且屬性分類模型一方面降低了專家理解的主觀性，另一方面也減少了人工標注的工作量。

基于屬性的肺結(jié)節(jié)的良惡性分類評估CAD計算程序精確度的基本術(shù)語：真陽性（truepositive,TP），真陰性(truenegative,TN)，假陽性(falsepositive,FP)，假陰性(falsenegative,FN)，敏感性（或靈敏度,sensitivity），特異性(specificity)。第三節(jié)CAD計算程序的評估方法真陽性是指對病灶作出正確的判斷，即把異常組織判斷為病灶假陽性是指把正常組織判斷為病灶；真陰性是把正常組織判斷為正常組織；假陰性是把病灶判斷為正常組織；敏感性或真陽性率(truepositivefraction,TPF)是指被檢查的對象真正處于異常狀態(tài)，而被正確地判定為“陽性”的能力，特異性或真陰性率(truenegativefraction,TNF)則是被檢查的對象真正處于正常狀態(tài)，而被判定為“陰性”的能力。敏感性=特異性=對CAD的性能評價當(dāng)兩個CAD計算程序具有不同的敏感性和假陽性檢測比率（特異性）時，利用接收者操作特性（ReceiverOperatingCharacteristic，ROC）對CAD的性能進行評價。曲線下覆蓋的面積(Az)值作為唯一的指標來評定CAD計算程序的精確度。ROC解析的本質(zhì)，就是動態(tài)分析、比較不同診斷實驗在多個判斷閾值條件下的各對敏感性-特異性。交互式CAD

為了研發(fā)各種CAD計算程序來幫助放射科醫(yī)生提高分辨惡性和良性腫瘤的精確度，我們需要理解的是放射科醫(yī)生如何判讀醫(yī)學(xué)圖像和他們是怎樣做出診斷決