高 歌，王成彥，趙 凱，徐康潔，王慧慧，胡 娟，張 玨，王霄英

1. 北京大學(xué)第一醫(yī)院醫(yī)學(xué)影像科，北京 100034；2. 北京大學(xué)工學(xué)院生物醫(yī)學(xué)工程系，北京大學(xué)前沿交叉學(xué)科研究院，北京 100871

前列腺癌多參數(shù)MRI計(jì)算機(jī)輔助診斷系統(tǒng)的構(gòu)建

高 歌1，王成彥2，趙 凱1，徐康潔1，王慧慧1，胡 娟1，張 玨2，王霄英1

1. 北京大學(xué)第一醫(yī)院醫(yī)學(xué)影像科，北京 100034；2. 北京大學(xué)工學(xué)院生物醫(yī)學(xué)工程系，北京大學(xué)前沿交叉學(xué)科研究院，北京 100871

高歌，博士研究生。現(xiàn)在北京大學(xué)第一醫(yī)院醫(yī)學(xué)影像科進(jìn)行科學(xué)研究學(xué)習(xí)，研究方向?yàn)楦共坑跋裨\斷。博士期間主要從事前列腺多參數(shù)MRI計(jì)算機(jī)輔助診斷研究，對(duì)計(jì)算機(jī)輔助診斷技術(shù)、圖像特征提取分析及前列腺多參數(shù)磁共振診斷標(biāo)準(zhǔn)有較深入的研究。曾多次赴國(guó)際會(huì)議進(jìn)行學(xué)術(shù)交流及展示。

多參數(shù)磁共振成像（multiparametric MRI，mpMRI）已成為前列腺癌檢出、分期、指導(dǎo)活檢及治療后隨訪最常用的影像學(xué)方法。由于MRI技術(shù)的復(fù)雜性，診斷具有較強(qiáng)的經(jīng)驗(yàn)依賴性。計(jì)算機(jī)輔助診斷（computer-aided diagnosis，CAD）技術(shù)可進(jìn)行多變量分析，提高疾病的臨床診斷效能，近年來(lái)廣泛應(yīng)用于醫(yī)學(xué)圖像分析。基于mpMRI的前列腺癌CAD系統(tǒng)近幾年取得了較大進(jìn)展并顯現(xiàn)出良好的應(yīng)用前景，本文結(jié)合本單位實(shí)際經(jīng)驗(yàn)，簡(jiǎn)要介紹CAD在前列腺癌mpMRI診斷中的進(jìn)展。

計(jì)算機(jī)輔助診斷；磁共振成像；前列腺癌

前列腺多參數(shù)磁共振成像（multiparametric MRI，mpMRI）已成為前列腺癌臨床診斷的常規(guī)手段［1-2］，包括T1WI、T2WI，以及功能MRI （functional MRI，fMRI）如擴(kuò)散加權(quán)成像（diffusionweighted imaging，DWI）、動(dòng)態(tài)增強(qiáng)MRI（dynamic contrast-enhanced MRI，DCE-MRI）、磁共振波譜（magnetic resonance spectroscopy，MRS）等。T1WI 和T2WI具有較高的軟組織分辨率，能提供前列腺解剖信息。DWI和DCE-MRI可反映前列腺組織中水分子擴(kuò)散和微血管灌注情況，為前列腺癌的檢出提供更多診斷信息［3］。但前列腺mpMRI診斷的準(zhǔn)確性較多依賴影像科醫(yī)師的個(gè)人經(jīng)驗(yàn)［4］，閱片者之間的一致性也欠佳。因此，計(jì)算機(jī)輔助診斷（computer-aided diagnosis，CAD）成為近年來(lái)前列腺mpMRI的研究熱點(diǎn)之一。

1 前列腺癌CAD的發(fā)展過(guò)程

自1994年CAD首次應(yīng)用于前列腺癌診斷以來(lái)［5］，發(fā)展快速，廣泛應(yīng)用于前列腺癌診斷。20世紀(jì)90年代初，前列腺癌CAD主要基于臨床數(shù)據(jù)，如直腸指診（digital rectal examination， DRE）、血清前列腺特異性抗原（prostate-specific antigen，PSA）等指標(biāo)進(jìn)行疾病預(yù)測(cè)。近年來(lái)，隨著MRI在前列腺癌診斷中的重要性不斷提高，基于mpMRI的前列腺癌CAD系統(tǒng)大量涌現(xiàn)。目前，基于mpMRI的前列腺癌CAD系統(tǒng)主要包括兩大類(lèi)別，分別是計(jì)算機(jī)輔助檢出（computer-aided detection，CADe）和計(jì)算機(jī)輔助診斷（computeraided diagnosis，CADx）。前者主要用于前列腺可疑癌灶的檢出，對(duì)病灶進(jìn)行高亮標(biāo)示，并輸出病灶為癌的可能性；后者則用于鑒別前列腺癌灶與非癌灶［6］。雖然上述兩類(lèi)CAD的輸出結(jié)果形式不同，但CAD系統(tǒng)的結(jié)構(gòu)大致相同（圖1）。

圖1 前列腺癌CAD系統(tǒng)流程圖

CAD能綜合多個(gè)參數(shù)對(duì)圖像進(jìn)行多變量分析，有效避免醫(yī)師基于單一指標(biāo)的判斷，或過(guò)度依賴個(gè)人經(jīng)驗(yàn)的主觀判斷。不僅使診斷過(guò)程更客觀，還能縮短診斷時(shí)間，提高診斷效能。符合臨床需求的前列腺CAD系統(tǒng)需具備以下特征：在不依賴閱片醫(yī)師的個(gè)人經(jīng)驗(yàn)和縮短閱片時(shí)間的情況下，達(dá)到滿足臨床需求的診斷準(zhǔn)確性。

2 前列腺癌mpMRI 的CAD構(gòu)建

2.1 圖像預(yù)處理

由于被檢者或成像技術(shù)原因，前列腺在MRI中的位置和信號(hào)強(qiáng)度存在一定差異。因此，首先要對(duì)原始圖像數(shù)據(jù)進(jìn)行均勻性矯正和標(biāo)準(zhǔn)化處理，改善圖像質(zhì)量，提高CAD圖像特征提取和分析的準(zhǔn)確性。通過(guò)預(yù)處理，矯正成像過(guò)程中由于脈沖序列和線圈（不均勻性、穿透性）、操作環(huán)境及MRI設(shè)備自身原因所致的腺體內(nèi)不同區(qū)域及各序列之間圖像信號(hào)灰度均值和方差的偏差［6］，避免MRI圖像灰度值的不均勻性對(duì)后期圖像分割和病灶識(shí)別的影響。

2.2 圖像分割

前列腺M(fèi)RI圖像分割獲得的腺體輪廓可為后續(xù)臨床處理提供參考，如前列腺靶向穿刺、近距離放射治療及其他局部治療等［7］。前列腺分割還可在不同成像方法之間的圖像融合中發(fā)揮作用，如MRI與超聲圖像融合［8］，從而提高直腸超聲引導(dǎo)下穿刺活檢的陽(yáng)性率。在CAD系統(tǒng)中，對(duì)前列腺M(fèi)RI圖像進(jìn)行準(zhǔn)確分割是下一步圖像特征提取和識(shí)別的基礎(chǔ)，其效能直接影響后續(xù)病灶識(shí)別的準(zhǔn)確性。T2WI可清楚顯示解剖，因此是進(jìn)行前列腺分割的主要序列，在圖像配準(zhǔn)后分割結(jié)果可自動(dòng)擴(kuò)展至其他序列。

傳統(tǒng)手工分割一方面對(duì)軟件使用者個(gè)人經(jīng)驗(yàn)的依賴性較強(qiáng)，存在主觀性、可重復(fù)性差、不易實(shí)現(xiàn)三維分割等缺陷；另一方面，手動(dòng)分割過(guò)程繁瑣，大大增加了CAD系統(tǒng)的分析時(shí)間。因此，有效的自動(dòng)或半自動(dòng)圖像分割技術(shù)的實(shí)現(xiàn)，對(duì)提高系統(tǒng)的可操作性及診斷性能具有重要臨床價(jià)值。受限于MRI的成像原理，傳統(tǒng)的基于邊緣［9］或區(qū)域［10］的圖像分割方法效能有限。近年來(lái)，基于形變模型的分割方法研究成為前列腺分割研究領(lǐng)域的熱點(diǎn)［11］。但前列腺M(fèi)RI自動(dòng)分割仍處于初步研究階段，其分割準(zhǔn)確性尚未達(dá)到臨床應(yīng)用的要求，需對(duì)算法進(jìn)行優(yōu)化。

2.3 圖像配準(zhǔn)

mpMRI要求綜合不同序列的圖像信息進(jìn)行判斷，因此不同序列之間圖像配準(zhǔn)成為CAD系統(tǒng)的基本組成部分。基于mpMRI的前列腺癌CAD圖像配準(zhǔn)包括：消除被檢者體位改變?cè)斐傻那傲邢傥恢米儎?dòng)；糾正不同成像序列的圖像變形；解決不同序列之間顯示野（field of view，F(xiàn)OV）不一致的問(wèn)題。

圖像配準(zhǔn)的效能很大程度上取決于MRI掃描參數(shù)的設(shè)定。在MRI數(shù)據(jù)采集過(guò)程中，應(yīng)保持各序列之間FOV一致，盡可能縮短掃描時(shí)間減少運(yùn)動(dòng)偽影，優(yōu)化序列參數(shù)減少變形偽影，均可提高圖像配準(zhǔn)的準(zhǔn)確性，減少配準(zhǔn)步驟的耗時(shí)。

2.4 圖像特征提取

圖像特征的提取可基于體素提?。?2-14］，也可基于感興趣區(qū)（region of interest，ROI）［15-16］。

基于體素的圖像特征提取方法，通過(guò)不同體素之間信號(hào)強(qiáng)度的差別識(shí)別前列腺癌灶，因此信號(hào)強(qiáng)度相關(guān)統(tǒng)計(jì)量是基于體素圖像特征提取的主要特征之一。邊緣特征也常被用來(lái)檢測(cè)體素之間信號(hào)強(qiáng)度的改變，提供更多圖像信息［17］。紋理特征主要為前列腺癌組織與非癌組織的辨別提供圖像信息，最常用的紋理特征提取方法為灰度共生矩陣（gray level co-occurrence matrix，GLCM）及其相關(guān)統(tǒng)計(jì)量。另有研究表明，人類(lèi)視覺(jué)系統(tǒng)對(duì)粗糙度和凹凸度的感知與分形維度（fractal dimension， FD）具有密切聯(lián)系，因此可利用圖像區(qū)域的分形維度來(lái)描述特定圖像區(qū)域的紋理特征［18-19］。此外，不同體素在前列腺內(nèi)的位置也可作為圖像特征之一被提取。

基于ROI的圖像特征提取，首先要構(gòu)建整個(gè)圖像每個(gè)體素的特征圖譜，然后通過(guò)勾畫(huà)ROI從體素圖譜中提取某一區(qū)域的圖像特征相關(guān)統(tǒng)計(jì)量，用于鑒別癌與非癌組織。常用的統(tǒng)計(jì)量為百分比及均數(shù)、標(biāo)準(zhǔn)差、峰度和偏度等統(tǒng)計(jì)矩［20］。Litjens等［15］提出圖像對(duì)稱(chēng)相關(guān)特征也屬于此類(lèi)，由圖像中呈鏡像對(duì)稱(chēng)ROI的圖像特征均數(shù)相比而獲得。解剖相關(guān)圖像特征，如體積、致密度和球形相關(guān)圖像特征也可用于前列腺組織良惡性鑒別?；叶戎狈綀D是對(duì)圖像所包含的全部像素的灰度進(jìn)行統(tǒng)計(jì)獲得的圖像特征，包含兩大類(lèi)：一類(lèi)與圖像信號(hào)強(qiáng)度相關(guān)，另一類(lèi)則為方向梯度直方圖。前者的統(tǒng)計(jì)特征包括均數(shù)、標(biāo)準(zhǔn)差、偏度、峰度、能量和熵［21］，后者可通過(guò)梯度向量分布描述ROI的形狀。此外，分形分析也可作為基于ROI的圖像特征進(jìn)行提取，主要通過(guò)反映組織成分復(fù)雜性的分形維度特征參數(shù)進(jìn)行分析［19］。

DCE作為前列腺mpMRI的常規(guī)序列，其圖像特征提取在前列腺癌的檢出中具有一定臨床價(jià)值。目前，DCE序列常用的圖像特征主要是基于時(shí)間-信號(hào)強(qiáng)度曲線的半定量參數(shù)，通過(guò)一系列幅值及其對(duì)應(yīng)的時(shí)間特征來(lái)反映前列腺組織的微血管灌注情況［22］。此外，基于不同藥代動(dòng)力學(xué)模型對(duì)濃度-時(shí)間曲線進(jìn)行數(shù)學(xué)處理獲得的定量模型參數(shù)，如對(duì)比劑容積轉(zhuǎn)移常量（Ktrans）、滲漏空間（Ve）和速度常量（Kep）等也可作為特征參數(shù)進(jìn)行提?。?3］。

圖像特征的提取和選擇直接影響CAD系統(tǒng)的診斷效能。雖然多數(shù)學(xué)者將研究重點(diǎn)集中于分類(lèi)器的研發(fā)，但事實(shí)上作為分類(lèi)器輸入項(xiàng)的圖像特征的提取和選擇比分類(lèi)器的選擇更為重要。提取圖像特征參數(shù)并非越多越好，若一味追求提取參數(shù)的數(shù)量而忽視有效參數(shù)的篩選，不僅無(wú)助于CAD效能的提高，反而會(huì)增加軟件運(yùn)行時(shí)間，降低效率。鑒于此，有效的圖像特征選擇對(duì)提高CAD診斷效能具有重要的臨床價(jià)值。

前列腺的MRI技術(shù)繁多，第2版前列腺影像報(bào)告和數(shù)據(jù)系統(tǒng)（Prostate Imaging Reporting and Data System，PI-RADS）推薦T2WI+DWI/ ADC+DCE-MRI聯(lián)合的mpMRI進(jìn)行前列腺癌檢出，因此基于上述MRI序列建立前列腺癌CAD系統(tǒng)。Peng等［20］研究結(jié)果顯示，聯(lián)合T2WI灰度直方圖特征、表觀擴(kuò)散系數(shù)（apparent diffusion coefficient，ADC）均數(shù)、ADC十分位數(shù)及基于Tofts模型［24］的Ktrans值建立的前列腺CAD系統(tǒng)進(jìn)行前列腺癌檢出，可獲得受試者工作特征（receiver operating characteristic，ROC）曲線的下面積（area under the curve， AUC）達(dá)0.95±0.02的診斷效能，是目前所報(bào)道研究中效能最高的CAD系統(tǒng)。

2.5 分類(lèi)器

近年來(lái)，隨著機(jī)器學(xué)習(xí)理論的發(fā)展，出現(xiàn)了很多先進(jìn)的學(xué)習(xí)方法。其中，以選擇癌和非癌訓(xùn)練集間最大分類(lèi)間隔的最優(yōu)超平面的支持向量機(jī)（support vector machine，SVM）的效能最高，在解決小樣本、非線性和高維的機(jī)器學(xué)習(xí)問(wèn)題中表現(xiàn)出許多優(yōu)勢(shì)［25］。Niaf等［17］基于T2WI、DWI和DCE-MRI圖像，比較SVM、線性判別分析（linear discriminant analysis，LDA）、樸素貝葉斯（Na?ve Bayes，NB）分類(lèi)器和K最鄰近算法（K-nearest neighbor algorithm，KNN），對(duì)前列腺外周帶癌灶檢出的效能，結(jié)果顯示SVM的效能最高。Vos等先后基于DCE序列［26］和T2WI+DCE序列［27］，將SVM應(yīng)用于前列腺外周帶病灶分析中，均獲得了較高效能。

近年來(lái)，隨機(jī)森林（random forest， RF）算法被逐步用于醫(yī)學(xué)圖像分析中，并在處理一些醫(yī)學(xué)問(wèn)題中獲得了滿意結(jié)果［28］。RF是一個(gè)組合分類(lèi)器，由多個(gè)決策樹(shù)作為構(gòu)成RF的基礎(chǔ)分類(lèi)器，能有效處理大數(shù)據(jù)集，且無(wú)需對(duì)輸入變量進(jìn)行過(guò)多處理，同樣獲得了較好的效能。Tiwari等［29］將RF算法應(yīng)用于T2WI+MRS的前列腺癌診斷中，結(jié)果顯示對(duì)于不同屬性數(shù)據(jù)，RF具有較高的整合能力。

雖然SVM和RF兩種算法在解決前列腺癌mpMRI診斷中具有相對(duì)較高的效能，但兩者仍存在局限和不足，尚需大樣本研究對(duì)算法進(jìn)行改進(jìn)和優(yōu)化。

本單位研發(fā)的前列腺CAD系統(tǒng)提取的圖像特征包括T2WI和DWI/ADC的灰度統(tǒng)計(jì)、灰度直方圖和灰度共生矩陣特征，以及DCE-MRI時(shí)間-信號(hào)強(qiáng)度曲線的半定量和定量參數(shù)。采用3層結(jié)構(gòu)的前饋性人工神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器［30］，將進(jìn)行了均勻化矯正和標(biāo)準(zhǔn)化處理的MRI圖像中提取的特征和臨床信息作為輸入?yún)?shù)，輸出為前列腺癌的預(yù)測(cè)結(jié)果（介于0～1之間的預(yù)測(cè)值）和預(yù)測(cè)圖，具體CAD軟件設(shè)計(jì)見(jiàn)圖2。

圖 2 本單位構(gòu)建的前列腺癌CAD系統(tǒng)結(jié)構(gòu)

3 前列腺癌mpMRI 的CAD臨床效能研究

CAD系統(tǒng)常用效能評(píng)價(jià)方法為ROC曲線，通過(guò)AUC反映系統(tǒng)的效能。目前，基于1.5T MRI 的CAD系統(tǒng)AUC為0.71～0.97，而基于3.0T MRI的CAD系統(tǒng)效能稍有提高，AUC為0.77～0.95［31］。此外，靈敏度、特異度能為CAD系統(tǒng)效能評(píng)價(jià)提供更多信息，1.5T MRI CAD系統(tǒng)的靈敏度和特異度為0.74～1.0、0.43～0.93，而3.0T MRI CAD系統(tǒng)的靈敏度和特異度為0.60～0.90、0.66～0.99。通常3.0T MRI CAD系統(tǒng)能獲得較高效能，且不同版本軟件之間效能差異較小。

盡管不同CAD系統(tǒng)之間測(cè)試數(shù)據(jù)集和效能評(píng)價(jià)方法不統(tǒng)一，妨礙了不同CAD系統(tǒng)之間的效能比較，但大量研究顯示，基于mpMRI的CAD系統(tǒng)的效能相對(duì)于基于單一序列的CAD系統(tǒng)有一定程度的提高。Viswanath等［32］將T2WI、DWI和DCE序列聯(lián)合，CAD系統(tǒng)效能由基于單序列的0.62～0.65提高至0.77。Litjens等［15］的研究得到相同結(jié)論，整合了T2WI、DWI和DCE序列的mpMRI CAD系統(tǒng)相對(duì)于各單一序列的CAD系統(tǒng)，診斷效能由0.71～0.76提升至0.89。另有研究顯示，聯(lián)合的MRI序列越多，CAD系統(tǒng)獲得的效能越高［14］。

4 前列腺癌mpMRI 的CAD展望

隨著信息技術(shù)的發(fā)展，基于mpMRI的前列腺癌CAD系統(tǒng)的診斷效能不斷提高。 CAD能顯著提高缺乏前列腺癌MRI診斷經(jīng)驗(yàn)影像科醫(yī)師的診斷準(zhǔn)確率，并獲得與診斷經(jīng)驗(yàn)豐富的影像科醫(yī)師相當(dāng)?shù)脑\斷效能［33］。但如何將CAD系統(tǒng)整合入前列腺癌影像學(xué)診斷流程尚需深入研究。

此外，軟件運(yùn)行模式的限制也是制約CAD臨床推廣的關(guān)鍵因素。近年來(lái)，隨著信息通訊技術(shù)及移動(dòng)互聯(lián)網(wǎng)的不斷發(fā)展，移動(dòng)應(yīng)用軟件（application，App）已成為高效處理日常事務(wù)的主要手段，采用App進(jìn)行疾病診斷、預(yù)防、監(jiān)測(cè)及患者自我健康管理也逐漸被醫(yī)師和患者接受［34］。嘗試通過(guò)App實(shí)現(xiàn)CAD指令和數(shù)據(jù)的輸入、輸出，將會(huì)成為未來(lái)CAD與日常臨床工作實(shí)現(xiàn)無(wú)縫化鏈接的重要手段。

［1］ PANEBIANCO V， BARCHETTI F， SCIARRA A，et al. Multiparametric magnetic resonance imaging vs. standard care in men being evaluated for prostate cancer： a randomized study ［J］. Urol Oncol， 2015， 33（1）： e1-e7.

［2］ FüTTERER J J， BRIGANTI A， D E VISSCHERE P，et al. Can clinically significant prostate cancer be detected with multiparametric magnetic resonance imaging？ A systematic review of the literature ［J］. Eur Urol， 2015，68（6）： 1045-1053.

［3］ WANG R， WANG H， ZHAO C， et al. Evaluation of multiparametric magnetic resonance imaging in detection and prediction of prostate cancer ［J］. PLoS One， 2015，10（6）： e0130207.

［4］ RUPRECHT O， WEISSER P， BODELLE B， et al. MRI of the prostate： interobserver agreement compared with histopathologic outcome after radical prostatectomy ［J］. Eur J Radiol， 2012， 81（3）： 456-460.

［5］ SNOW P B， SMITH D S， CATALONA W J. Artificial neural networks in the diagnosis and prognosis of prostate cancer： a pilot study ［J］. J Urol， 1994， 152（5 Pt 2）： 1923-1926.

［6］ GIGER M L， CHAN H P， BOONE J. Anniversary paper： History and status of CAD and quantitative image analysis： the role of Medical Physics and AAPM ［J］. Med Phys， 2008， 35（12）： 5799-5820.

［7］ JOLESZ FA， NABAVI A， KIKINIS R. Integration of interventional MRI with computer-assisted surgery ［J］. J Magn Reson Imaging， 2001， 13（1）： 69-77.

［8］ GHOSE S， OLIVER A， MARTI R， et al. A survey of prostate segmentation methodologies in ultrasound，magnetic resonance and computed tomography images ［J］. Comput Methods Programs Biomed， 2012， 108（1）： 262-287.

［9］ VIKAL S， HAKER S， TEMPANY C， et al. Prostate contouring in MRI guided biopsy ［J］. Proc SPIE Int Soc Opt Eng， 2009， 7259： 72594A.

［10］ KLEIN S， VAN DER HEIDE U A， LIPS I M， et al. Automatic segmentation of the prostate in 3D MR images by atlas matching using localized mutual information ［J］. Med Phys， 2008， 35（4）： 1407-1417.

［11］ TSAI A， YEZZI A JR， WELLS W， et al. A shape-based approach to the segmentation of medical imagery using level sets ［J］. IEEE Trans Med Imaging， 2003， 22（2）： 137-154.

［12］ ARTAN Y， HAIDER M A， LANGER D L， et al. Prostate cancer localization with multispectral MRI using cost-sensitive support vector machines and conditionalrandom fields ［J］. IEEE Trans Image Process， 2010， 19（9）：2444-2455.

［13］ VISWANATH S， BLOCH B N， GENEGA E， et al. A comprehensive segmentation， registration， and cancer detection scheme on 3 Tesla in vivo prostate DCE-MRI ［J］. Med Image Comput Assist Interv， 2008， 11（Pt 1）：662-669.

［14］ OZER S， LANGER D L， LIU X， et al. Supervised and unsupervised methods for prostate cancer segmentation with multispectral MRI ［J］. Med Phys， 2010， 37（4）： 1873-1883.

［15］ LITJENS G， DEBATS O， BARENTSZ J， et al. Computer-aided detection of prostate cancer in MRI ［J］. IEEE Trans Med Imaging， 2014， 33（5）： 1083-1092.

［16］ VOS P C， BARENTSZ J O， KARSSEMEIJER N， et al. Automatic computer-aided detection of prostate cancer based on multiparametric magnetic resonance image analysis ［J］. Phys Med Biol， 2012， 57（6）： 1527-1542.

［17］ NIAF E， ROUVIERE O， MEGE-LECHEVALLIER F，et al. Computer-aided diagnosis of prostate cancer in the peripheral zone using multiparametric MRI ［J］. Phys Med Biol， 2012， 57（12）： 3833-3851.

［18］ LOPES R， AYACHE A， MAKNI N， et al. Prostate cancer characterization on MR images using fractal features ［J］. Med Phys， 2011， 38（1）： 83-95.

［19］ LV D， GUO X， WANG X， et al. Computerized characterization of prostate cancer by fractal analysis in MR images ［J］. J Magn Reson Imaging， 2009， 30（1）：161-168.

［20］ PENG Y， JIANG Y， YANG C， et al. Quantitative analysis of multiparametric prostate MR images： differentiation between prostate cancer and normal tissue and correlation with Gleason score-a computer-aided diagnosis development study ［J］. Radiology， 2013， 267（3）： 787-796.

［21］ ZHAO K， WANG C， HU J， et al. Prostate cancer identification： quantitative analysis of T2-weighted MR images based on a back propagation artificial neural network model ［J］. Sci China Life Sci， 2015， 58（7）： 666-673.

［22］ PUECH P， BETROUNI N， MAKNI N， et al. Computer-assisted diagnosis of prostate cancer using DCE-MRI data： design， implementation and preliminary results ［J］. Int J Comput Assist Radiol Surg， 2009， 4（1）：1-10.

［23］ CAI W， LI F， WANG J， et al. A comparison of arterial spin labeling perfusion MRI and DCE-MRI in human prostate cancer ［J］. NMR Biomed， 2014， 27（7）： 817-825.

［24］ TOFTS P S. Modeling tracer kinetics in dynamic Gd-DTPA MR imaging ［J］. J Magn Reson Imaging， 1997，7（1）： 91-101.

［25］ BURGES C J C. A tutorial on support vector machines for pattern recognition ［J］. Data Min Know Dis， 1998，2（2）： 121-167.

［26］ VOS P C， HAMBROCK T， HULSBERGEN-VAN DE KAA C A， et al. Computerized analysis of prostate lesions in the peripheral zone using dynamic contrast enhanced MRI ［J］. Med Phys， 2008， 35（3）： 888-899.

［27］ VOS P C， HAMBROCK T， BARENSTZ J O， et al. Computer-assisted analysis of peripheral zone prostate lesions using T2-weighted and dynamic contrast enhanced T1-weighted MRI ［J］. Phys Med Biol， 2010，55（6）： 1719-1734.

［28］ CRIMINISI A， SHOTTON J， KONUKOGLU E. Decision forests： A unified framework for classification，regression， density estimation， manifold learning and semi-supervised learning ［J］. Foun Trend Comput Graph Vis， 2012， 7（2-3）： 81-227.

［29］ TIWARI P， VISWANATH S， KURHANEWICZ J，et al. Multimodal wavelet embedding representation for data combination （MaWERiC）： integrating magnetic resonance imaging and spectroscopy for prostate cancer detection ［J］. NMR Biomed， 2012， 25（4）： 607-619.

［30］ 呂冬姣， 張玨， 王霄英， 等. 人工神經(jīng)網(wǎng)絡(luò)在前列腺癌診斷中的應(yīng)用 ［J］. 北京大學(xué)學(xué)報(bào)（醫(yī)學(xué)版）， 2009， 41（4）：469-473.

［31］ LEMAITRE G， MARTI R， FREIXENET J， et al. Computer-aided detection and diagnosis for prostate cancer based on mono and multi-parametric MRI： a review ［J］. Comput Biol Med， 2015， 60（5）： 8-31.

［32］ VISWANATH S， BLOCH B N， CHAPPELOW J，et al. Enhanced multi-protocol analysis via intelligent supervised embedding （EMPrAvISE）： Detecting prostate cancer on multi-parametric MRI ［J］. Proc SPIE Int Soc Opt Eng， 2011， 7963： 79630U.

［33］ HAMBROCK T， VOS P C， HULSBERGEN-VAN DE KAA C A， et al. Prostate cancer： computer-aided diagnosis with multiparametric 3-T MR imaging-effect on observer performance ［J］. Radiology， 2013， 266（2）：521-530.

［34］ SILVA B M， RODRIGUES J J， DE LA TORRE DIEZ I，et al. Mobile-health： A review of current state in 2015 ［J］. J Biomed inform， 2015， 56（8）： 265-272.

Setup of computer-aided diagnosis system for prostate cancer on multiparametric MRI

GAO Ge1， WANG Chengyan2， ZHAO Kai1， XU Kangjie1， WANG Huihui1， HU Juan1， ZHANG Jue2， WANG Xiaoying1
（1. Department of Medical Imaging， Peking University First Hospital， Beijing 100034， China； 2. Department of Biomedical Engineering，College of Engineering； Academy for Advanced Interdisciplinary Studies， Peking University， Beijing 100871， China）

Correspondence to： WANG Xiaoying E-mail： cjr.wangxiaoying@vip.163.com

Multiparametric MRI （mpMRI） has been considered as the method of choice for prostate cancer detection，staging， guidance for biopsy and treatment follow-up. However， effectiveness of mpMRI is usually affected by personal experience and expertise. Computer-aided diagnosis （CAD） system shows promise for improved prostate cancer diagnosis. This article aims to review the technique advance and effectiveness comparison of the state-of-the-art CADs for prostate cancer on mpMRI.

Computer-aided diagnosis； Magnetic resonance imaging； Prostate cancer

R445.2

A

1008-617X（2016）02-0117-06

王霄英 E-mail：cjr.wangxiaoying@vip.163.com

2016-06-12）