引用本文

张利文, 刘侠, 汪俊, 董迪, 宋江典, 臧亚丽, 田捷. 基于定量影像组学的肺肿瘤良恶性预测方法. 自动化学报, 2017, 43(12): 2109-2114. doi: 10.16383/j.aas.2017.c160264

ZHANG Li-Wen, LIU Xia, WANG Jun, DONG Di, SONG Jiang-Dian, ZANG Ya-Li, TIAN Jie. Prediction of Malignant and Benign Lung Tumors Using a Quantitative Radiomic Method. ACTA AUTOMATICA SINICA, 2017, 43(12): 2109-2114. doi: 10.16383/j.aas.2017.c160264

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160264

关键词

影像组学，肺癌，图像分割，特征提取，支持向量机 

摘要

肺癌是世界范围内致死率最高的癌症之一，肺肿瘤的良恶性诊断对于治疗方式选择意义重大.本文借助影像组学（Radiomics）方法利用LIDC（Lung imaging database consortium）肺癌公开数据库中619例病人的肺癌计算机断层（Computed tomography，CT）影像数据，分割出病变区域，并结合肿瘤医学特性和临床认知，提取反映肿瘤形状大小、强度和纹理特性的60个定量影像特征，然后利用支持向量机（Support vector machine，SVM）构建诊断肺肿瘤良恶性的预测模型，筛选出对诊断肺肿瘤良恶性有价值的20个影像组学特征.为肺肿瘤良恶性预测提供了一种非入侵的检测手段.随着CT影像在肺癌临床诊断中的广泛使用，应用样本量的不断增加，本文方法有望成为一种辅助诊断工具，有效提高临床肺肿瘤良恶性诊断准确率.

文章导读

目前, 医学影像已经成为肿瘤诊断和指导治疗的主要手段之一, 活体检查是诊断肿瘤良恶性的金标准, 它经侵入式手术取出小部分肿瘤组织进行分析[1].但是由于肿瘤在空间和时间上的基因异质性, 活检并不能全面评估肿瘤的信息, 而且病人很难承受连续多次的活检[2].医学影像可以无创地提供整个肿瘤的信息, 并且借助图像分析监测疾病的发生、发展及对治疗的反应[3], 在指导治疗方面有巨大的潜力.肺癌是发病率和死亡率增长最快、对人类健康和生命威胁最大的恶性肿瘤之一.根据世界卫生组织的报告, 到2030年全球将有1000万人死于肺癌[4].在肺癌诊断中最广泛使用的成像模态是X射线计算机断层(Computed tomography, CT)成像.肺癌在CT图像中呈现很强的对比度, 包括图像中肿瘤灰度值强度差异、肿瘤内纹理差异和肿瘤形状差异.早期诊断对肺癌治疗方案的选择和病人生存期的延长有很大帮助[5].然而, 结合肿瘤的医学特性和临床认知进行良恶性判断上并没有一个量化的标准.医生通过肿瘤图像的毛刺特征、肿瘤大小、是否有分叶、边缘清晰度等特征往往只能主观地做出初步判断, 难于给出非常明确的诊断, 必须对照活检病理信息才能给出最终的检查报告.往往不仅没有通过影像检查得到便捷的检查结果, 还因为进一步的病理活检而延长检查周期.因此目前在临床实践上还缺乏一种具有高精度、高效率和非侵入式的诊断肺肿瘤良恶性的方法.

影像组学是一个新兴领域[6], 其目标是从医学图像(CT扫描、正电子发射扫描或磁共振成像等方式获取的医学图像)中提取和分析大量具有高通量的定量图像特征, 并构建描述肿瘤和预测临床表型的模型, 建立图像特征和临床表型或基因分子标志的关联, 进而进行肿瘤的诊断和临床表型预测[7].本文采用影像组学的方法构建肺肿瘤良恶性预测模型, 为临床医生诊断肺癌提供帮助.

图 1  肺部病变区域分割

图 2  肺肿瘤良恶性预测模型的生成和验证示意图

图 3  遗传算法流程图

实验结果显示本文方法在训练集上的分类准确度达到82.4%, 在测试集上的分类准确度为77.7%.本文构建的肺癌影像组学预测模型应用于肺癌良恶性的定量预判, 辅助临床医生进行诊断.本文方法有两个优点: 1)应用非侵入CT肺部图像从整个肿瘤层面预测肺肿瘤的良恶性; 2)肺部的CT图像容易获取, 利用肺癌影像组学预测模型进行良恶性评估易于临床应用.

本文方法主要针对肺癌良恶性的预判, 也可应用于其他癌症的病理分型和预后预测[18].在后续工作中, 将更紧密结合肿瘤医学和临床等相关知识, 对初步开发的肿瘤良恶性预测软件进一步完善, 在各省市周边医院推广来辅助当地医生对患者完成高效、方便和低费用的检查.由于国内现阶段病例数很难收集, 训练数据限于公共数据集的426个, 以后需要补充更多的多中心数据进行模型训练, 提高预测模型的分类精度.

作者简介

张利文

中国科学院自动化研究所和哈尔滨理工大学自动化学院联合培养硕士研究生.主要研究方向为医学图像处理.E-mail:zhangliwen2015@ia.ac.cn

刘侠    

哈尔滨理工大学自动化学院教授.2006年获得哈尔滨工程大学自动化学院博士学位.主要研究方向为模式识别与智能系统.E-mail:liuxia@hrbust.edu.cn

汪俊     

哈尔滨理工大学测控技术与通信工程学院硕士研究生.主要研究方向为图像处理和模式识别.E-mail:wangjun.542@163.com

董迪     

中国科学院自动化研究所副研究员.2013年获得中国科学院自动化研究所博士学位.主要研究方向为影像组学.E-mail:di.dong@ia.ac.cn

宋江典    

东北大学中荷生物医学与信息工程学院博士研究生, IEEE会员.主要研究方向为医学影像处理与分析.E-mail:dr.j.song@ieee.org

臧亚丽    

中国科学院自动化研究所副研究员.2013年获得中国科学院自动化研究所博士学位.主要研究方向为影像组学.E-mail:yali.zang@ia.ac.cn

田捷     

中国科学院自动化研究所研究员.1992年获得中国科学院自动化研究所博士学位.主要研究方向为模式识别, 医学图像处理和分子影像.本文通信作者.E-mail:tian@ieee.org