医学图像处理9计算机辅助诊断9.5-本章课件

第九章医学图像计算机辅助检测、诊断技术基于医学影像的计算机辅助诊断

自从100多年前x线被发现并产生各类放射医学图像以来，放射科医生几乎依然维持着对医学图像的定性判读。随着物理学、医学和信息科学的结合，越来越多的人体成像工具进入医学临床诊断领域，各种具有不同能力的成像工具在医学中的广泛应用造成了两个问题。1、对每个病人一次检查所生成的影像的信息量越来越大，从而使得医生每天阅读的信息大，工作量大。2、单个影像设备不可能提供病人诊断需要的完整信息，判断过程，会受到医生经验及知识水平的限制和影响。计算机辅助诊断在医学影像中的作用在这种情况下，医学图像的诊断精确度很大程度上取决于医生个人的经验。由于阅片疲劳、个人的判读标准不一等原因，医生诊断时往往容易遗漏某些细微变化。误诊在所难免。基于影导引下的计算机辅助诊断（MedicalImageBasedComputeAddiedDiagnosisMIBCAD)发展起来。目的：帮助放射科医生改善检测效果；提供医生定量分析的工具以便更准确地判断肿瘤以及其他疾病的严重程度。

第一节CAD技术的发展1955年，美国学者Lusted博士提出了要用计算机去自动判读和诊断医学图像的概念。1967年，Winsberg博士和他的同事们在美国的Radiology发表了一篇CAD的文章，用于分辨良性和恶性的乳房肿瘤。20世纪80年代初，计算机辅助诊断系统获得进一步发展，美国芝加哥大学放射医学系Doi博士领导的一个研究所开始采用改进了得图像处理技术和计算机功能去发展新的CAD技术以研究如何使用该技术来帮助改善放射科医生的检测和诊断效果，并提出了“第二读者”的概念。1990年发表了研究成果，15名放射科医生判读了60张乳房x线图像，其中一半包含微钙化点群，实验结果显示,使用它们开发的CAD系统作为第二读者，放射科医生可以检测到更多的微钙化点群。

第一节CAD技术的发展Doi博士领导的CAD研究工作极大地激发了研究和开发CAD计算程序的热情，现在全世界有几百所研究机构正在从事开发针对不同医学图像的CAD计算程序和系统。大多数早期的CAD研究和开发集中在自动判读乳房x线图像上，以便自动检测和诊断可疑的乳腺肿瘤。主要原因：一个是医学临床实践上意义重要，二是技术上的可行性。

第一节CAD技术的发展Doi博士领导的CAD研究工作极大地激发了研究和开发CAD计算程序的热情，现在全世界有几百所研究机构正在从事开发针对不同医学图像的CAD计算程序和系统。大多数早期的CAD研究和开发集中在自动判读乳房x线图像上，以便自动检测和诊断可疑的乳腺肿瘤。主要原因：一个是医学临床实践上意义重要，二是技术上的可行性。乳腺CAD目前，全球乳腺癌的发病率已居女性恶性肿瘤的首位且逐年上升。据WHO统计，全球每年有120余万妇女患乳腺癌，50万妇女死于乳腺癌。其发病率在世界各地存在显著的差异，美国和北欧为高发地区，法国每年因乳腺癌死亡人数为1.08万。在英国，女性患乳腺癌的人群已占到十分之一。东欧和南欧及南美其次，亚洲发病率最低，目前发病率也出现上升趋势，且发病人群越来越年轻化，严重危害妇女的健康。乳腺癌有“红颜第一杀手”之称。我国乳腺癌发病特点1、发病年龄比欧美国家提前10~15年，30岁就开始发病。2、发现时中晚期病例较多，占35%以上。3、乳腺癌发病有一个显著特点，即经济越发达，乳腺癌发病率越高。我国原本系乳腺癌低发国，但近年来随着人民的生活水平提高，发生率上升了37%，在经济发达的城市已上升到女性妇科肿瘤的第一位。乳腺癌的早期诊断乳腺癌在美国是妇女发病率占第一位的癌症，从20世纪80年代中期开始，美国流行病学资料显示乳腺癌的死亡率逐年稳定下降，尤其是在1995年之后，下降趋势更为明显。这种良好的现象主要归功于：①乳腺钼靶摄片普查的广泛接受和开展，明显提高了早期乳腺癌的发现率。②乳腺癌系统性辅助治疗，包括辅助化疗和辅助内分泌治疗的研究和应用。因此乳腺癌的治疗效果关键是个“早”字。

乳腺癌的早期诊断乳腺钼靶X光片为当今公认的早期诊断乳腺癌的有效手段。但由于人眼分辨能力有限以及人为疏忽等原因，其中有很大一部分诊断信息没有被人们所利用。佛罗里达的学者们经研究后认为，目前人们仅能利用乳腺钼靶片3%的信息，大量信息为人眼所不见。随着计算机技术的飞速发展，X线片的数字化业已成为现实。与传统的屏/胶钼靶片相比，数字化的乳腺钼靶片不仅容易保存、检索方便、可通过网络交流，而且，能经计算机识别出人眼所不能识别的诊断信息，从而提高早期诊断率。因此，乳腺钼靶片的计算机辅助诊断已成为乳腺癌早期诊断研究的热门课题。乳腺癌的早期诊断CAD在乳腺癌早期诊断方面的研究是比较成功的。1998年FDA批准了第一个CAD系统，即美国R2技术有限公司的ImageChecker系统，目前已经有几个类似的系统通过FDA批准。中国东软CAD包括乳腺CAD、肺CAD、心脏CAD、泌尿CAD、骨密度CAD等。其中乳腺CAD、心脏CAD、骨密度CAD打破国外垄断，是中国自主品牌的第一批CAD产品，2008年上半年先后通过SFDA的认证，填补了国内该类产品的空白。泌尿CAD正在申请美国的FDA注册。计算机辅助诊断（CAD）系统研究大多都遵循着这样一个流程：（a）图像处理以便检测出异常区域；（b）对可疑区域进行特征量化；（c）对图像特征进行数据处理以鉴别该特征的异常性；（d）对未知病灶进行定量分析和图像检索；（e）用ROC方法对CAD的性能进行分析和评价，给出最终的诊断结果。第二节CAD计算程序的基本步骤关键技术图像预处理技术图像分割技术特征提取技术分类识别技术对CAD的性能评价图像预处理技术图像预处理技术主要是为后续处理提供高质量的图像。图像预处理主要是增强图像特征，包括增强对比度和去除背景噪声，以便于后续的图像分割和特征提取。图像分割就是将各个具有不一致性的区域分割出来，使它们互不相交，从而为感兴趣区的提取、定性、定量分析提供基础。主要方法：基于阈值的分割、基于区域生长以及分裂合并的分割方法、基于边缘检测的分割、基于模糊集理论的分割、基于数学形态学分割、基于图谱引导的分割、基于模式识别的分类与聚类方法、基于形变模型的分割、水平集分割方法以及基于人工神经网络的分割方法等。图像分割技术对分割出的病灶进行特征参数计算，用来作为分类的依据，即判别分割出的病灶是良性还是恶性的依据。常用的特征参数有几何特征、形态学特征、灰度特征及纹理特征等涉及到病灶影像的密度特征：平均密度，标准偏差，对比度，峰值大小等；边缘特征：边界长度，弯曲度；形状特征：区域面积，体积大小、直径，圆形度，粗糙程度；信息熵、解剖位置、各种图像矩、甚至变换域的某些特征等。

特征提取技术分类识别技术在上述特征提取的基础上，为了降低分类判断的复杂性，往往有针对性地选择几种特征作为参数，然后根据临床诊断标准和一定的推理规则，对病灶的类型和性质进行判断，比如：钙化点、肿块、良性囊肿和恶性肿瘤等。常用的分类判断方法有：基于规则的分类方法、基于甄别阈的分类方法、基于贝叶斯统计学的分类方法，以及人工神经网络分析方法和支持向量机的方法等。肺结节的CAD肺结节的检测：有资料显示，放射科医生在读胸片时，可能会漏掉近30%的肺结节，而当医生第二次看同一张胸片时，会发现这些病灶其实在图像中表现很明显。因此，CAD的任务是在胸片中为放射科医生标示出可能的肺结节所在。肺结节识别实例LIDC数据库为了促进肺结节计算机辅助诊断技术的发展，由美国国家癌症研究会发起了LIDC（LungImagingDatabaseConsortium）项目，该项目由芝加哥大学、康奈尔大学、爱荷华州立大学、密歇根大学及加利福尼亚大学共同承担。LIDC的目标：1）建立一个用于进行基于CT影像肺癌计算机辅助检测算法研究、评估、训练和测试的数据库，该数据库可以通过互联网免费下载；2）为不同CAD算法性能的评估和对比研究提供参考数据库。LIDC数据库中每个病例的CT影像数据包括200-500张数目不等的CT图像和一个包含四位放射学专家对CT图像的标注结果。标注文件以XML文件格式组织。每个专家对影像中是否存在结节、结节的轮廓以及结节的医学征象的评分进行标注。标注的结节按照其直径的大小分为直径大于3mm的结节和直径小于3mm的结节。直径大于3mm的结节，标注文件中给出了该结节在每层图像上的轮廓、结节的唯一性标识、专家分别从精细度、内部结构、钙化程度、球形度、边缘、分叶征、毛刺征、纹理、恶性程度9个方面描述结节的病变特征，其中结节轮廓详细记录了其边界坐标，结节病变特征分为5或5个级别，专家只在其所在的中心切片上记录了结节中心的位置坐标。同时标注还给出了在影像上疑似肺结节但其实不是结节的肺结节对象，只记录了该类型对象的中心位置坐标。LIDC数据库LIDC肺图像数据库联盟结节属性属性值NoduleIDxCoordNodule001312311310309308308308307306306305304303303302302302301301yCoord355356357357358359360360361362363364365366367368369370371NoduleIDSubtletyinternalStructurecalcificationsphericitymarginlobulationspeculationtexturemalignancyimageZpositioninclusionNodule001516333455-125TRUE

LIDC肺图像数据库联盟结节区域的获取（a）原图像（b）标注后图像肺实质分割在肺部CT图像上检测肺结节和其他肺部病症，分割出肺部区域是一项重要的步骤。

肺实质分割

（a）原图像（b）自适应阈值法肺实质分割（c）开运算（d）填充肺实质分割(e)减运算(f)填充肺实质分割（a）肺实质当有临近肺壁的结节时，二值化后往往会形成缺失空洞缺失空洞修补之后粘连的肺实质

（a）粘连的肺实质图像（b）像素统计图粘连肺实质的分离（a）粘连区域（b）腐蚀之后（c）已分离的肺实质感兴趣区域分割在CT图像中，肺血管、支气管与肺结节的灰度特征相似，因此，在CT图像中分割出肺实质后，需要分割出候选ROIs（包括肺结节、肺血管和支气管）。对肺实质图像分割得到候选ROIs的效果会直接影像到下一步肺结节的检测和提取，所以这一步非常重要。感兴趣区域分割（a）原图像（b）肺实质（c）ROIs分割分割候选ROI时采用了OTSU法，灰度阈值为T。但实验的CT图像数据库中含有GGO结节。GGO结节通常是形状不规则的、带有毛刺的、边缘模糊的区域，其边缘的灰度值要低于结节中心的灰度值，或整个GGO结节的灰度值都要明显低于其他结节，因此如果根据灰度阈值分割候选ROIs，必定会导致GGO结节漏选。感兴趣区域分割（a）原图像（b）肺实质（c）ROIs分割含有GGO结节的CT图像分割结果

特征提取灰度特征是最基本的特征也是最简单的特征，描述的是图像中各像素点的灰度值的分布关系；形态特征主要从局部出发，描述的是图像中某些特定区域的形状及状态信息；纹理特征一般用于描述图像的整体特征，从图像的整体上把握灰度变化或频域变化情况；位置特征主要描述的是一个区域与其他某些信息相关的区域之间的关系。肺结节在CT图像上的表现，如大小、形状、位置、边界轮廓、灰度和周围组织的关系等征象都是医生判断候选ROIs是否是结节的依据。

特征提取灰度特征：灰度均值和方差形态特征：面积、周长、扁度、圆形度、细长度、矩形度等纹理特征：通过灰度共生矩阵，提取能量、熵、对比度、逆差矩等；位置特征：质心形态特征基于规则的分类器处理结果肺结节本身很难通过面积、周长与非结节相区别，只能通过一些灰度、形态或者纹理特征进行区别。基于规则的分类器处理结果正类（结节）样本负类（非结节）样本原有ROIs75120/张基于规则之后ROIs7591/张基于规则的分类器处理结果候选ROIs分割筛选结果原始图像基于支持向量机的分类识别SVM的基本理论由Vapnik领导的AT&TBell实验室研究小组提出。1963年，Vapnik等人在研究样本数目为有限情况下的机器学习问题时，提出了基于SVM的分类技术，SVM是一种基于统计学习理论的模式识别新方法SVM是基于VC维（Vapnik-ChervonenkisDimension）理论和结构风险最小化原理，根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷的一种机器学习算法，在很大程度上克服了传统机器学习中的过学习、欠学习、位数灾难和局部极小等问题，从而获得较好的泛化能力。基于支持向量机的分类识别

SVM的主要思想：（1）它是针对线性可分的情况进行分析，对于线性不可分的情况，首先通过内积函数定义的非线性变换把低维空间线性不可分的映射到高维空间使其线性可分，并在这个空间内求解最分类面，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；（2）它是在基于结构风险最小化理论上在特征空间中构建最优分类超平面，在学习过程中得到全局最优解，并且在整个样本空间的期望风险以某个概率满足一定上界。最优分类面的目标不但能够将所有的训练样本正确分类，而且使训练样本中离分类面最近的点到分类面的距离最大。基于支持向量机的分类识别基于支持向量机的分类识别基于支持向量机的分类识别非线性可分样本经过特征映射转换为线性可分样本示意图基于支持向量机的分类识别台湾大学林智仁教授等人开发设计的LibSVM软件包。基于支持向量机的分类识别对肺结节的分类：一旦发现肺结节，接下来就需要医生对这个结节进行判断，是良性还是恶性。对医生来说，这种判断是非常困难的。利用CAD对肺结节进行鉴别，其目的就是为了在医生做出最终判断时提供一个参考。肺结节的良恶性判断

属性是“一种描述一个对象的特征或性质的量，其具体取值可以是离散，也可以是连续”。目前的研究中主要存在三种类型的属性：视觉属性（如“圆形”“条状”等），部件属性（如“有耳朵”，“有嘴巴”等）、相似属性（如“类似于狗”，“比老虎小”等）。从上述分类可以看出，属性以一种更接近自然语言的方式描述对象，在一定程序上弥补了对象的高层类别标签和低层特征之间的语义鸿沟。属性与低层特征的区别在于属性是建立在低层特征之上的一种对对象的高层描述，可以将语义关系嵌入进机器学习模型中，而低层特征不具有直接的语义意义，只能被机器识别但不能被人理解。因此属性具有比低层特征更强的灵活性和更高的描述性，不仅适合描述对象类别，而且适合描述具体的对象。基于医学征象（可视化属性）的肺结节的良恶性判断基于语义属性的肺结节的良恶性判断对肺结节的分类：一旦发现肺结节，接下来就需要医生对这个结节进行判断，是良性还是恶性。对医生来说，这种判断是非常困难的。利用CAD对肺结节进行鉴别，其目的就是为了在医生做出最终判断时提供一个参考。肺结节的良恶性判断肺结节的良恶性判断基于属性的肺结节的良恶性分类基于属性的肺结节的良恶性分类由于计算机与放射学专家对肺结节良恶性分类时所依据的标准不同，计算机主要是根据图像的低层特征，而专家是根据经验知识得到的高级属性特征，两者之间存在“语义鸿沟”。而且用低层特征进行分类，很难得到医生易于接受并理解的分类结果，无法直接对应医学诊断结果。为解决以上问题，提出了基于语义属性的肺结节的良恶性分类。这种方法更接近于人的视觉理解。而且属性分类模型一方面降低了专家理解的主观性，另一方面也减少了人工标注的工作量。

基于属性的肺结节的良恶性分类评估CAD计算程序精确度的基本术语：真阳性（truepositive,TP），真阴性(truenegative,TN)，假阳性(falsepositive,FP)，假阴性(falsenegative,FN)，敏感性（或灵敏度,sensitivity），特异性(specificity)。第三节CAD计算程序的评估方法真阳性是指对病灶作出正确的判断，即把异常组织判断为病灶假阳性是指把正常组织判断为病灶；真阴性是把正常组织判断为正常组织；假阴性是把病灶判断为正常组织；敏感性或真阳性率(truepositivefraction,TPF)是指被检查的对象真正处于异常状态，而被正确地判定为“阳性”的能力，特异性或真阴性率(truenegativefraction,TNF)则是被检查的对象真正处于正常状态，而被判定为“阴性”的能力。敏感性=特异性=对CAD的性能评价当两个CAD计算程序具有不同的敏感性和假阳性检测比率（特异性）时，利用接收者操作特性（ReceiverOperatingCharacteristic，ROC）对CAD的性能进行评价。曲线下覆盖的面积(Az)值作为唯一的指标来评定CAD计算程序的精确度。ROC解析的本质，就是动态分析、比较不同诊断实验在多个判断阈值条件下的各对敏感性-特异性。交互式CAD

为了研发各种CAD计算程序来帮助放射科医生提高分辨恶性和良性肿瘤的精确度，我们需要理解的是放射科医生如何判读医学图像和他们是怎样做出诊断决