引用本文

韩光辉, 刘峡壁, 郑光远. 肺部CT图像病变区域检测方法. 自动化学报, 2017, 43(12): 2071-2090. doi: 10.16383/j.aas.2017.c160850

HAN Guang-Hui, LIU Xia-Bi, ZHENG Guang-Yuan. Automated Detection of Lesion Regions in Lung Computed Tomography Images: A Review. ACTA AUTOMATICA SINICA, 2017, 43(12): 2071-2090. doi: 10.16383/j.aas.2017.c160850

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160850

关键词

肺部CT，肺结节，肺血管，淋巴结，计算机辅助检测 

摘要

肺部CT图像病变区域检测是肺病辅助诊断技术的重要研究内容，其通过自动分析CT图像并输出病变区域的位置和尺寸等信息，帮助放射科医生做出决策，有利于肺病的早期发现与治疗.本文回顾了肺部CT图像中病变区域自动检测方法所取得的进步，并引入一个通用框架表示和描述现有方法，对2012年以来肺部病变区域辅助检测算法进行了系统性分析和性能汇总.最后讨论了目前存在的问题和有待克服的困难，探讨了未来可能的发展方向.

文章导读

肺部疾病是威胁人类健康的最严重疾病之一, 具有疾病种类多、患者数量多、死亡率高的特点.根据世界卫生组织的最新报告[1], 肺癌是死亡率最高的癌症, 2015年导致了169万人死亡.如果被早期发现并得到治疗, 肺癌患者的死亡率就可以降低.通常认为CT是肺部病变检测的最精确成像模态[2]. CT成像具有分辨率高、非侵入、无痛苦等特点, 在肺部疾病的早期筛查和诊断中发挥了重要作用.随着高分辨率CT的出现, 图像数据量急剧增长, 通常一次全肺扫描产生数百张图像数据.特别是在大规模肺部疾病筛查过程中, 放射科医生面对大量图像, 很容易因工作疲劳而导致疾病漏诊和误诊.另一方面, 由于肺部疾病种类多且影像表现复杂, 医生往往只能根据自身经验对病灶进行定性分析, 具有较强的主观性, 常导致同一医生在不同时期, 或者不同医生对同一影像判断的一致性较差.

计算机辅助检测(Computer aided detection, CAD)1系统能够较明显地缓解上述问题.其可以降低放射科医生阅片工作量, 并提供精确的定量分析, 降低阅片主观性, 减少人工阅片过程中的失误, 从而提高工作效率和对早期肺病诊断的正确率.病变区域的检测和分割是肺部CT图像CAD系统中的主要功能之一, 通过自动分析CT图像并输出病变区域的位置和尺寸等说明信息, 有利于肺病的早期发现与治疗.

¹在医学影像领域, CAD系统可分为计算机辅助检测(Computer-aided detection, CADe)和计算机辅助诊断(Computer-aided diagnosis, CADx)两种, 本文主要关注CADe问题, 在不引起混淆的情况下, 本文使用CAD表示计算机辅助检测.

尽管国内外已有不少关于肺结节计算机自动检测方法的研究综述, 但是本文关注范围更宽, 包含但不限于肺结节.本文主要对肺部CT图像中病变区域的自动检测方法进行调查研究, 这些病变区域类型包括肺结节[3], 不属于结节的多种肺部CT征象[4].同时本文还调查了可以辅助病变区域检测和肺癌诊断的技术, 如肺血管树检测、气管树检测、肺部淋巴结检测等.据我们所知, 这是第一次较完整地对肺部CT图像病变区域自动检测方法的综述性研究.

图 1  通用的肺部病变区域检测框架

图 2  结节增强滤波器

图 3  基于纹理分析的精确肺实质分割

传统的CAD技术路径一般都有图像数据预处理、候选区域分割、假阳性去除等步骤, 会依次涉及图像增强、图像去噪、图像分割、特征提取、特征选择、模式分类等, 不同的CAD方案一般是在这些步骤中采用了不同的算法选择与组合, 但整体模型是固定的.这类方案的优点是能较充分考虑某种病变类型的特点, 但缺点也是明显的: 1)鲁棒性不高, 例如往往针对某种结节类型的算法设计, 一旦遇到另一种结节类型, 其性能会急剧下降, 甚至在新的数据集上表现出较差性能; 2)每个步骤的性能都对下一步处理产生影响, 但是又只能进行逐步骤训练, 要使系统整体性能最优比较困难; 3)为了能够处理稍微变化的病变类型, 需要进行从预处理开始的全新的设计和算法训练测试.

目前医学图像病变区域检测技术发展呈现如下趋势:

1) 深度学习技术的应用.近年来深度学习的兴起主要得益于ImageNet等大型标注数据集的发展和高性能计算等硬件资源的发展, 已表现出极好的扩展性, 在ImageNet等大型数据集上训练好的模型, 在医学图像中仅进行并不复杂的调优训练后即可表现出优异性能, 应该对该技术进行尝试性研究.

2) 系统结构简化.在肝脏的病变区域检测中, Christ等[110]设计出融合多个CNN模型的深度学习系统, 一次性实现了图像预处理(含肝脏区域分割)、感兴趣区域分割、假阳性去除等功能, 从而简化了CAD系统结构, 这对肺部CT图像病变区域检测的CAD系统研究具有参考价值.

3) 利用非图像医疗数据提升基于图像的CAD系统性能. LSTM (Long short-term memory)是一种时间递归神经网络, 之前主要应用在语言识别、语言模型、机器翻译、图像字幕等领域. Lipton等[111]充分展示了递归网络在处理和分析时序医学数据上的潜力. Hofmanninger等[112]于2015年提出和评估了一种语义概述(Semantic profiles)算法, 基于图像卷和放射报告里描述放射征象的术语集进行弱监督训练.该算法可以捕获对应于临床相关术语的视觉信息, 而且允许将临床术语反向映射到图像数据里的相应区域.从CAD系统的应用角度看, 可以尝试与医疗机构紧密合作, 把CAD系统与电子医疗记录(Electronic health records, EHR)和PACS (Picture archiving and communication system)系统互联互通, 充分利用当前病例的非图像信息, 以提高基于医疗图像的CAD系统的整体性能.

作者简介

韩光辉

北京理工大学计算机学院博士研究生.主要研究方向为医学图像分析, 机器学习.E-mail:hanguanghui@bit.edu.cn

郑光远     

北京理工大学计算机学院博士研究生.主要研究方向为机器学习, 图像处理.E-mail:zhengguangyuan@bit.edu.cn

刘峡壁   

北京理工大学计算机学院副教授.主要研究方向为机器学习, 医学图像分析, 多媒体检索, 计算机视觉.本文通信作者.E-mail:liuxiabi@bit.edu.cn