基于CT圖像的肺結(jié)節(jié)計算機輔助檢測研究進展

鄒雨楠 徐秀芳 陳艾清 魏琪 范一峰

摘? 要： CT是檢查肺癌的主要方法之一，而精度越來越高的CT在獲得更清晰圖像的同時，其數(shù)據(jù)量也在急劇增加，加重了醫(yī)生閱片的負擔。檢測速度快、檢測精度高的CT圖像肺結(jié)節(jié)計算機輔助檢測系統(tǒng)成為幫助醫(yī)生診斷的有效工具。該綜述闡述了CT圖像肺結(jié)節(jié)計算機輔助檢測方法的研究意義、檢測過程、各類算法、研究難點，并對CT圖像肺結(jié)節(jié)計算機輔助檢測的現(xiàn)狀進行了總結(jié)和展望。

關鍵詞： CT圖像; 肺結(jié)節(jié); 計算機輔助檢測; 深度學習

中圖分類號：TP391.7? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2021）03-10-04

Research progress of pulmonary nodules computer-aided detection based on CT images

Zou Yunan， Xu Xiufang， Chen Aiqing， Wei Qi， Fan Yifeng

（School of Medical Imaging， Hangzhou Medical College， Hangzhou， Zhejiang 310053， China）

Abstract： CT is one of the main methods to detect lung cancer. While CT with higher and higher accuracy can get clearer images， its data volume is increasing sharply， which increases the burden of doctors to read the images. The pulmonary nodule computer-aided detection system based on CT images with high detection speed and accuracy has become an effective tool to help doctors to diagnose pulmonary nodules. In this paper， the research significance， detection process， algorithms and research difficulties of computer-aided detection of pulmonary nodules in CT images are described， and the present situation of computer-aided detection of pulmonary nodules in CT images is summarized and prospected.

Key words： CT images; pulmonary nodule; computer-aided detection; deep learning

0 引言

肺癌是近年發(fā)病率及死亡率增長最快，對人類生命威脅最大的惡性腫瘤之一[1]。肺癌的早期表現(xiàn)為肺結(jié)節(jié)，準確檢測定位肺結(jié)節(jié)并對其進行分析是關鍵。在目前的早篩方法中，CT檢查直觀有效，但CT圖像多且肺結(jié)節(jié)在其形態(tài)、灰度等方面的復雜性導致了人工診斷效率低，易出現(xiàn)漏檢或誤診等情況。計算機輔助檢測系統(tǒng)（Computer-Aided Detection， CAD）主要利用各類機器學習算法篩選出結(jié)節(jié)疑似區(qū)域并進行定位定量分析，輔助醫(yī)生來診斷，近年來已成為肺結(jié)節(jié)自動檢測的主力。本綜述從圖像預處理、肺實質(zhì)分割、肺結(jié)節(jié)檢測、肺結(jié)節(jié)分割、肺結(jié)節(jié)分類等五部分介紹肺結(jié)節(jié)計算機輔助檢測。

1 圖像預處理

由于低劑量肺部CT圖像會因輻射劑量的變化產(chǎn)生不同程度的噪聲，因此需通過圖像預處理降低噪聲程度，改善圖像對比度。國內(nèi)外研究人員提出了多種濾波方法降低噪聲。Ashwin等[2]運用中值濾波器校正采集圖像中因光照條件不同引起的對比度差異，并使用自適應直方圖均衡技術提高圖像對比度。王貝等[3]通過Hessian矩陣對應特征在不同組織結(jié)構(gòu)上的表現(xiàn)，設計球形濾波器并采用二值圖像，在消除灰度對濾波影響的同時，實現(xiàn)對肺部不同組織結(jié)構(gòu)選擇性的增強。

2 肺實質(zhì)分割

肺實質(zhì)的準確分割是后期結(jié)節(jié)檢測的保證。人體的肺組織主要包含肺實質(zhì)、血管及氣管等，一般分兩個步驟進行分割：實質(zhì)粗分割和肺實質(zhì)細分割。

2.1 肺實質(zhì)粗分割

最常見的肺實質(zhì)粗分割算法是閾值法，一般包括固定閾值法[3]和自適應閾值法[4]。固定閾值法是利用感興趣區(qū)域與背景的亮度差異，選取適當閾值進行分離，從而達到有效分割。而自適應動態(tài)閾值法通過分析亮度特征的直方圖，自動選取最優(yōu)閾值。

2.2 肺實質(zhì)細分割

在進行肺實質(zhì)分割時，肺壁或組織上常存在與之相連的肺結(jié)節(jié)。前期的粗分割易出現(xiàn)肺邊界欠分割或過分割的情況，可能導致結(jié)節(jié)病變的細節(jié)信息丟失。因此，需要更加細化地分割—對邊界進行完善。Messaya等[5]使用滾球法，采用圓形結(jié)構(gòu)元素沿著輪廓邊界滾動，對封閉部分進行修補，但其半徑需隨結(jié)節(jié)改變，自適應較差。李軍等[6]利用大津閾值法，獲得肺部初始輪廓，依次對圖像進行二值法和氣管去除，再針對結(jié)節(jié)凹陷處修補不足的問題，通過傳統(tǒng)向量法的改進，取得較好的細分割效果。

3 肺結(jié)節(jié)檢測

肺結(jié)節(jié)檢測主要包括疑似肺結(jié)節(jié)提取及假陽性剔除。

3.1 疑似肺結(jié)節(jié)提取

肺結(jié)節(jié)形態(tài)大小不一，種類繁多，且易粘連其他組織，與氣管和血管混淆，因而提取難度大。YuanSui等[7]的使用支持向量機（Support Vector Machine， SVM）結(jié)合隨機欠采樣（Random Under-sampling， RU）和少數(shù)類過采樣（Synthetic Minority Oversampling Technique， SMOTE）進行肺結(jié)節(jié)檢測，使得樣本均衡且去除了訓練樣本中的噪聲和重復信息。李云鵬等[8]運用深度學習法改進了基于區(qū)域的快速卷積神經(jīng)網(wǎng)絡（Fast Regions with CNN feature，F(xiàn)ast R-CNN）的候選區(qū)域生成法，并與三維的基于密度的聚類算法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）相結(jié)合，同時利用3D卷積神經(jīng)網(wǎng)絡構(gòu)建檢測模型，準確率較高，假陽性低。在各種結(jié)節(jié)中，稀薄模糊狀影的磨玻璃類結(jié)節(jié)灰度常在實質(zhì)與血管之間，提取難度增加。范立南等[9]提出了用大津法進行實質(zhì)分割，再用帶通濾波器檢測該類結(jié)節(jié)。Anum等[10]在四個公共數(shù)據(jù)庫中驗證了整合云計算與三維深度卷積神經(jīng)網(wǎng)絡（Deep Convolutional Neural Network，DCNN）系統(tǒng)的檢測能力，當掃描速度為1.97 fps時，靈敏度可達到98.7%，但系統(tǒng)對直徑不足三毫米的微小結(jié)節(jié)的檢測仍不靈敏。

3.2 假陽性結(jié)節(jié)去除

疑似結(jié)節(jié)區(qū)域選定和提取后，一組胸部CT圖像中通常可檢測出上千個候選結(jié)節(jié)，但大部分為假陽性結(jié)節(jié)。去除假陽性結(jié)節(jié)可以提高檢測率且降低假陽性率。較常見的去假陽性方法是提取疑似結(jié)節(jié)的特征訓練分類器，以判別真假結(jié)節(jié)。劉曉娜[11]采用支持向量機分類器訓練樣本，并通過對比試驗得出高斯徑向基核函數(shù)的分類效果更佳，有利于臨床醫(yī)生更好地識別肺結(jié)節(jié)。李軍等[6]基于交叉驗證法獲取Adaboost算法的最優(yōu)迭代參數(shù)，去除假陽性候選結(jié)節(jié)，減少運算量，也提高了準確率。武盼盼等[12]提出結(jié)合粒子群優(yōu)化算法和二階錐規(guī)劃的多核學習RVM法，實驗證明其優(yōu)于傳統(tǒng)方法，系統(tǒng)的AUC（Area Under Curve）高達0.9117。

4 肺結(jié)節(jié)分割

對肺結(jié)節(jié)邊緣的精準分割是確定結(jié)節(jié)大小以及判斷結(jié)節(jié)類型和生長趨勢的關鍵。然而，因為肺結(jié)節(jié)大小、密度和生長位置具有多樣性的特點，提高肺結(jié)節(jié)分割精準度成為挑戰(zhàn)。一些經(jīng)典的肺結(jié)節(jié)分割技術可以在某個或某幾個方面取得不錯的分割效果，例如大多數(shù)區(qū)域生長法和閾值技術能分割鈣化結(jié)節(jié)[13];魯棒各向異性高斯擬合法（Robust Anisotropic Gaussian Fit-ting，RAGF）對微小型結(jié)節(jié)精確分割[14]。近年，一些基于卷積神經(jīng)網(wǎng)絡的模型及新模型也在肺結(jié)節(jié)分割中給出了成績。閆歡蘭等[15]提出結(jié)合Sobel算子和Mask R-CNN來檢測更小的結(jié)節(jié)。董林佳等[16]提出三維形狀指數(shù)，有效區(qū)分血管和結(jié)節(jié)。馮寶等[17]提出的改進小波能量的輪廓模型可以精確分割亞實性結(jié)節(jié)。

5 肺結(jié)節(jié)分類

在肺結(jié)節(jié)分類上，大多數(shù)研究致力于區(qū)分結(jié)節(jié)的良惡性，少部分不限于良惡二項分類的研究。近年來深度學習在分類性能提升上做出了重大貢獻。

5.1 深度學習的應用

深度學習是機器學習的分支。王風等[18]提出4種三維卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN），其中CNN-3模型在LIDC-IDRI數(shù)據(jù)集獲最高98.1%的AUC，同時高靈敏度達到93.6%。李飛等[19]引入交并比（Intersection over Union，IOU）自標準化和maxout單元的CNN模型，在LUNA16數(shù)據(jù)集上的F值為91.2%。Raunak等[20]提出了4種雙通道CNN，其中3D多輸出的密集連接卷積網(wǎng)絡（Multi-output DenseNet，MoDenseNet）在LIDC-IDRI數(shù)據(jù)集達到了90.40%的精準率、90.47%的靈敏度和95.48%的AUC。在分類微小結(jié)節(jié)上，Patrice等[21]提出了融合另一神經(jīng)網(wǎng)絡極限學習（Extreme Learning Machine， ELM）的三維CNN模型，在 LIDC/IDRI 數(shù)據(jù)庫實現(xiàn)最優(yōu)了97.35%的準確度、96.57%的靈敏度、96.42%的F值評分和98%的AUC。深度學習對數(shù)據(jù)的量和標注質(zhì)量有要求。深度學習對數(shù)據(jù)量的需求長期存在，而在標注質(zhì)量上，LIDC/IDRI數(shù)據(jù)庫仍依賴人工解讀。即使是由專家標注，對影像數(shù)據(jù)的理解也存在一定的差異，從而影響計算機輔助檢測系統(tǒng)的性能[22]。通過仿射變換擴充數(shù)據(jù)、遷移學習或最大似然法改善注釋質(zhì)量具有發(fā)展?jié)摿23]。但是，標注質(zhì)量不高、數(shù)據(jù)量少依舊是其瓶頸[24]。

5.2 結(jié)合一般機器學習法的分類

在深度學習發(fā)展前，機器學習中的支持向量機算法以小樣本且較高精度成為穩(wěn)健的二分類器[25]，但它有抗噪弱和無法適應多樣本訓練的不足。模糊支持向量機等優(yōu)化算法，優(yōu)化了分類精度和抗噪能力[26]。最近，張玲等[27]提出了基于SVM的雷達目標分類法在多目標分類上實現(xiàn)了高精度，可以用于肺結(jié)節(jié)的檢測分類。此外，深度遷移學習法使深度學習有另一發(fā)展可能，例如采用漸進式微調(diào)策略（Progressive Fine-tuning，PFT）的深度遷移學習在LIDC數(shù)據(jù)集中已被證明具有91.44%的精確率和96.21%的AUC[28]。

6 結(jié)束語

基于CT圖像的肺結(jié)節(jié)計算機輔助檢測能夠提高肺結(jié)節(jié)檢測效率，在磨玻璃結(jié)節(jié)檢測、去假陽性結(jié)節(jié)、分割結(jié)節(jié)和良惡性分類中有良好的應用，但其綜合性能不高。未來，可以選擇各層性能最優(yōu)的算法，進行疊加或互補，包括一般機器學習與深度學習的結(jié)合，進而提高整個系統(tǒng)的性能。

參考文獻（References）：

[1] Freddie Bray， BSc， MSc， et al. Global Cancer Statistics2018：GLOBOCAN Estimates of Incidenceand Mortalitym Worldwide for 36 Cancers in 185 Countries[J].CA CANCER J CLIN，2018.68：394-424

[2] Ashwin S， Ramesh J， Kumar S A， et al. Efficient andreliable lung nodule detection using a neural network based computer aided diagnosis system[C]IEEE International Conference on Emerging Trends in Electrical Engineering and Energy Management，2012：135-142

[3] 王貝.CT圖像的肺結(jié)節(jié)檢測與分割[D].電子科技大學，2018.

[4] 郎春博，賈鶴鳴，邢致愷等.基于改進正余弦優(yōu)化算法的多閾值圖像分割[J].計算機應用研究，2020.37（4）：1215-1220

[5] Messay T， Hardie R C， Rogers S K. A new computeationally efficient CAD system forpulmonary nodule detection in CT imagery[J].Medical Image Analysis，2010.14（3）：390-406

[6] 李軍.基于HRCT影像肺結(jié)節(jié)自動檢測方法研究[D].湖南大學，2016.

[7] Yuan S， Ying W， Dazhe Z. Computer-Aided Lung Nodule

Recognition by SVM Classifier Based on Combination of Random Undersampling and SMOTE[J].Computational and Mathematical Methods in Medicine，2015：368674

[8] 李云鵬.基于CT圖像的肺結(jié)節(jié)檢測方法研究[D].河北地質(zhì)大學，2017.

[9] 范立南，胡向麗，孫申申.基于OTSU算法和帶通濾波器的毛玻璃型肺結(jié)節(jié)檢測[J].沈陽大學報，2012.6（24）：44-46

[10] Anum Masood， Po Yang， Bin Sheng， et al. Cloud-Based

Automated Clinical Decision Support System for Detection and Diagnosis of Lung Cancer in Chest CT. IEEE Journal of Translational Engineering in Health and Medicine，2020.8：1-13

[11] 劉曉娜.基于支持向量機的肺結(jié)節(jié)識別研究[D]. 浙江大學，2016.

[12] 武盼盼.基于肺部CT圖像的肺結(jié)節(jié)檢測技術研究[D].河北工業(yè)大學，2017.

[13] 李鏘，白柯鑫，趙柳等.MRI腦腫瘤圖像分割研究進展及挑戰(zhàn)[J].中國圖象圖形學報，2020.25（3）：419-431

[14] Okada K，ComaniciuD，Krishna A.Robust anisotropic of

lung lesions on CT scans using watershed，active contours，and Markov random field[J]. Medical Physics Imaging，2012.31（1）：33-50

[15] 閆歡蘭，陸慧娟，葉敏超等.結(jié)合Sobel算子和Mask R-CNN的肺結(jié)節(jié)分割[J].小型微型計算機系統(tǒng)，2020.41（1）：161-165

[16] 董林佳，強彥，趙涓涓等.基于三維形狀指數(shù)的肺結(jié)節(jié)自動檢測方法[J].計算機應用，2017.37（11）：3182-3187

[17] 馮寶，陳相猛，李浦生等.小波能量引導下基于活動輪廓模型的部分實性肺結(jié)節(jié)分割[J].華南理工大學學報（自然科學版），2019.47（2）：41-49，58

[18] 王風，王磊，李囡等.基于三維卷積神經(jīng)網(wǎng)絡深度學習的肺結(jié)節(jié)良惡性的鑒別診斷[J].中國醫(yī)學影像學雜志，2019.10：779-782，787

[19] LiF.， HuangH.， Wu， et al. Lung Nodule Detection with a 3D ConvNet via IoUSelf-normalization and Maxout Unit[J].ICASSP，IEEE International Conference on Acoustics， Speech and Signal Processing-Proceedings，2019：1214-1218

[20] Raunak Dey， Zhongjie Lu， Yi Hong. DiagnosticClassification Of Lung Nodules Using 3D Neural Networks[J]. Statistics，2018：774-778

[21] MonkamP.， QiS.， Xu， et al. Ensemble Learning ofMultiple-View 3D-CNNs Model forMicro-Nodules Identification in CT Images（Article）[J]. IEEE Access，2019.7：5564-5576

[22] LIN H， HUANG C， WANG W， et al. Measuring interobserver disagreement in rating diagnostic characteristics of pulmonary nodule using the Lung Imaging Database Consortium and Image Database Resource Initiative[J].Acad Radiol，2017.24（4）：401-410

[23] Guyon I， Dror G， Lemaire V， et al. Unsupervised and transfer learning challenge[C].IEEE International Joint Conference on Neural Networks，2011.

[24] Pehrson Lea Marie， Nielsen Michael Bachmann， Ammitzbol Lauridsen Carsten. Automatic Pulmonary Nodule Detection Applying Deep Learning or Machine LearningAlgorithms to the LIDC-IDRI Database： A Systematic Review[J]. Diagnostics，2019.9：29-39

[25] 柴小雲(yún)，韓貴來，林建林等.基于視覺顯著性的肺結(jié)節(jié)檢測系統(tǒng)的設計與實現(xiàn)[J].計算機時代，2018（1）： 46-48

[26] 強彥，裴博，趙涓涓等.模糊支持向量機在肺結(jié)節(jié)良惡性分類中的應用[J].清華大學學報（自然科學版）， 2014.54（3）：354-359

[27] 張玲，陳路路，梁進科等.一種基于支持向量機的雷達多目標分類方法[J].無線電工，2020.50（1）：53-56

[28] 張馳名，王慶鳳，劉志勤等.基于深度遷移學習的肺結(jié)節(jié)輔助診斷方法[J].計算機工程，2020.1：271-278