CT圖像中肺部疾病的計算機(jī)輔助診斷方法研究.pdf

1、CT圖像中肺部疾病的計算機(jī)輔助診斷系統(tǒng)已成為全球的研究熱點之一，它可作為放射科醫(yī)師的“第二雙眼”，減少放射科醫(yī)師的工作量及單獨閱片的疏漏；還能通過圖像分割、特征量化等技術(shù)為放射科醫(yī)生提供精確的定量分析，在一定程度上提高放射科醫(yī)師診斷結(jié)果的可重復(fù)性和對于圖像、疾病解釋的一致性。
　　 以肺癌（Lung cancer）、慢性阻塞性肺?。–hronic obstructive pulmonary disease，COPD）的CT圖像為

2、主要研究對象，針對肺結(jié)節(jié)、支氣管狹窄等病灶各自的特點，對支氣管病變及肺結(jié)節(jié)研究了不同的計算機(jī)輔助診斷方法。
　　 針對支氣管病變的計算機(jī)輔助診斷的研究包括支氣管自動檢測及支氣管形態(tài)特征量化。(1)支氣管斷面自動檢測要解決的關(guān)鍵問題是如何檢測到更多的適合于氣管形態(tài)參數(shù)量化的支氣管斷面。在Zheng[1]提出的方法基礎(chǔ)上，提出了一種基于圓形度的多方向支氣管斷面自動檢測方法；為檢驗該方法的有效性，對9個全肺CT圖像進(jìn)行了實驗，結(jié)果表明

3、該方法能夠檢測到可用于形態(tài)參數(shù)量化的支氣管斷面可達(dá)2007個/Scan，其中假支氣管斷面數(shù)目為0.67個/Section，過度粘連的氣管斷面數(shù)為0.12個/Section。所檢測到的三級以下的支氣管斷面比例，COPD的CT圖像要高于正常CT圖像，這與醫(yī)生對COPD的診斷結(jié)果具有一致性。(2)支氣管形態(tài)參數(shù)量化的難點是支氣管面積很小，PVE 效應(yīng)（Partial volume effect，PVE）對其分割影響較大，因此如何準(zhǔn)確地分割支氣

4、管壁是要解決的關(guān)鍵問題。采用Zheng[2]提出的方法，在最大-最小極值法分割支氣管外壁的基礎(chǔ)上，利用模糊技術(shù)精確量化支氣管壁及管腔面積等形態(tài)參數(shù)；實驗結(jié)果表明，對于所檢測到的同位于第3 級支氣管的斷面中，COPD 患者的支氣管壁面積量化值大于同年齡正常人的，這也表明該方法的形態(tài)參數(shù)量化結(jié)果與醫(yī)生閱片結(jié)果具有一致性。
　　 針對肺結(jié)節(jié)計算機(jī)輔助診斷的研究主要包括肺結(jié)節(jié)的自動檢測及肺結(jié)節(jié)特征量化。(1)肺結(jié)節(jié)的自動檢測要解決的關(guān)鍵

5、問題是在足夠高的靈敏度條件下，盡量降低其假陽性率，其中毛玻璃結(jié)節(jié)是檢測的難點?；贚i[3-5]提出的多尺度選擇性濾波方法對結(jié)節(jié)進(jìn)行初始檢測，然后在所得的候選結(jié)節(jié)分割基礎(chǔ)上提取有效直徑、緊湊度等20個特征，最后利用Fisher 線性分類器對優(yōu)化后的特征進(jìn)行分類，去除分類結(jié)果中的假陽性結(jié)節(jié)。為評估結(jié)節(jié)檢測的性能，實驗利用LIDC（Lung Imaging DatabaseConsortium,LIDC）所提供的肺CT圖像，采用leave-

6、one-scan-out方法對結(jié)節(jié)檢測結(jié)果進(jìn)行了ROC 曲線分析。評估結(jié)果表明，全部結(jié)節(jié)的檢測水平為當(dāng)TPF 為87％時，假陽性率為0.01FPs/Section；當(dāng)TPF 為96％時，假陽性率為0.03FPs/Section。評估結(jié)果還表明GGO1（Ground glass opacity，GGO）[6]結(jié)節(jié)能夠較好地被檢出。(2)肺結(jié)節(jié)特征量化是對肺結(jié)節(jié)良、惡性判別的一個重要基礎(chǔ)，其難點之一是肺結(jié)節(jié)的準(zhǔn)確分割。針對該難題提出了一種基

7、于動態(tài)規(guī)劃及多方向融合的肺結(jié)節(jié)分割方法。實驗結(jié)果表明該方法能夠較精確地分割LIDC所提供的23個肺結(jié)節(jié)，其平均overlap、TP Seg 及FP Seg 分別為66%，75%，15%；在結(jié)節(jié)準(zhǔn)確分割的基礎(chǔ)上，精確量化毛刺征、胸膜凹陷征、分葉征等具有臨床診斷意義的結(jié)節(jié)特征。由于其影像表現(xiàn)復(fù)雜且各不相同，因此對于不同的結(jié)節(jié)特征需要研究特定的量化算法，這是另一難點所在。針對毛刺征提出了一種基于邊界法線-梯度正交性的毛刺量化方法，并與已有的毛