侯秋雨 張晨策 李輝堅(jiān) 劉方波 袁娜

摘要：? 針對(duì)肺結(jié)節(jié)自動(dòng)檢測(cè)程序與人工檢測(cè)存在的差異，本文對(duì)比分析了自動(dòng)檢測(cè)程序與人工檢測(cè)對(duì)肺結(jié)節(jié)檢測(cè)的效能。收集了青島市第八人民醫(yī)院2019年2月～10月胸部CT平掃602例，并以2名從事影像診斷專(zhuān)業(yè)20年以上的副主任醫(yī)師共同閱片檢出的肺結(jié)節(jié)數(shù)目和大小為參考標(biāo)準(zhǔn)，比較A組（1名副主任醫(yī)師、1名主治醫(yī)師） 和B組（肺結(jié)節(jié)自動(dòng)檢測(cè)程序）對(duì)肺結(jié)節(jié)的檢出率、平均閱片時(shí)間和假陽(yáng)性率。研究結(jié)果表明，B組檢出率高于A組，差異有統(tǒng)計(jì)學(xué)意義（P<0.05），A組假陽(yáng)性率高于B組，差異有統(tǒng)計(jì)學(xué)意義（P<0.05）;在不同大小結(jié)節(jié)檢測(cè)方面，A、B組在小于3 mm的結(jié)節(jié)檢出率差異有統(tǒng)計(jì)學(xué)意義（P<0.05），大于等于3 mm結(jié)節(jié)檢出率差異無(wú)統(tǒng)計(jì)學(xué)意義（P>0.05）。A、B組閱片時(shí)間分別為（5.0±1.1） min和（1.3±0.2） min，差異有統(tǒng)計(jì)學(xué)意義（P<0.05）。肺結(jié)節(jié)自動(dòng)檢測(cè)程序?qū)Ψ谓Y(jié)節(jié)的檢測(cè)效率高于人工檢測(cè)，可作為肺結(jié)節(jié)篩查的有效輔助工具。

關(guān)鍵詞：? 肺結(jié)節(jié); 自動(dòng)檢測(cè); 程序; 胸部CT

中圖分類(lèi)號(hào)： R445.3; R734.2? 文獻(xiàn)標(biāo)識(shí)碼： A

肺結(jié)節(jié)是指肺內(nèi)的類(lèi)圓形病灶，密度增高、直徑小于等于3 cm，病變周?chē)缓瑲夥谓M織包圍，并且不伴有肺不張、縱隔及肺門(mén)淋巴結(jié)腫大、胸腔積液等表現(xiàn)。通常情況下，肺結(jié)節(jié)有可能是肺癌的早期表現(xiàn)，作為臨床影像科常見(jiàn)的偶然發(fā)現(xiàn)，根據(jù)其影像特征來(lái)評(píng)估其惡變的可能性，早期發(fā)現(xiàn)及評(píng)估肺結(jié)節(jié)對(duì)于診斷和治療肺癌十分重要。手術(shù)切除或活檢應(yīng)對(duì)首次發(fā)現(xiàn)與隨訪影像對(duì)比有增長(zhǎng)的肺結(jié)節(jié)患者進(jìn)行，穩(wěn)定至少兩年的實(shí)性肺結(jié)節(jié)一般不需要做進(jìn)一步隨訪。具有直徑大于等于8 mm的實(shí)質(zhì)肺結(jié)節(jié)、直徑小于8mm的非實(shí)質(zhì)或部分實(shí)質(zhì)肺結(jié)節(jié)的患者應(yīng)參照惡性的概率、影像學(xué)結(jié)果以及不同治療方案的風(fēng)險(xiǎn)和收益等原則進(jìn)行后續(xù)處理與評(píng)估[1] 。目前，對(duì)于偶然發(fā)現(xiàn)的對(duì)肺結(jié)節(jié)的處理，國(guó)際上有許多專(zhuān)業(yè)組織或研究機(jī)構(gòu)給出了一些推薦的處理方案，這些組織或機(jī)構(gòu)包括國(guó)際肺癌研究協(xié)會(huì)（international association for the study of lung cancer，IASLC）、弗萊舍學(xué)會(huì)（the fleischner society，TFS）和歐洲呼吸學(xué)會(huì)（european respiratory society，ERS）等，也有一些研究或報(bào)告可供參考[2 5] 。目前，胸部高分辨率CT在早期肺癌篩查中應(yīng)用廣泛，導(dǎo)致了大量肺結(jié)節(jié)的檢出，從而醫(yī)生的閱片工作量劇增，肺結(jié)節(jié)的準(zhǔn)確檢測(cè)對(duì)于臨床醫(yī)生具有較大的挑戰(zhàn)[6] ，因此，高效準(zhǔn)確的肺結(jié)節(jié)檢測(cè)系統(tǒng)非常必要[7] 。本文對(duì)一種基于三維聯(lián)通域的肺結(jié)節(jié)檢測(cè)系統(tǒng)[8] 與臨床醫(yī)師對(duì)肺結(jié)節(jié)檢測(cè)能力進(jìn)行對(duì)比分析，結(jié)果表明肺結(jié)節(jié)自動(dòng)檢測(cè)程序?qū)Ψ谓Y(jié)節(jié)的檢測(cè)效率高于人工檢測(cè)。該研究為探討其臨床應(yīng)用具有重要意義。

1 材料與方法

1.1 材料

隨機(jī)抽取青島市第八人民醫(yī)院2019年2月～10月602例患者的胸部CT平掃圖像作為研究對(duì)象，其中男性366例，女性236例，年齡為16～80歲，平均（41±0.8）歲。所有患者均采用GE16排螺旋CT（Lightspeed16）行胸部平掃，掃描條件為管電壓120 kV，管電流80 mA。掃描范圍從肺尖至肺底全部區(qū)域，兩側(cè)包括胸壁和腋窩，層厚5 mm，平掃后按肺部標(biāo)準(zhǔn)算法重建，層厚1 mm，觀察采用窗寬1 500 Hu，窗位-600 Hu。要求肺結(jié)節(jié)個(gè)數(shù)1～10個(gè)，直徑小于30 mm。

1.2 方法

1.2.1 人工檢測(cè)方法

由2名從事影像診斷專(zhuān)業(yè)20年以上的副主任醫(yī)師共同閱片，分析結(jié)節(jié)的數(shù)目及大小。當(dāng)判讀結(jié)果不一致時(shí)，由第3名副主任醫(yī)師參與協(xié)商，確定一致性意見(jiàn)，從而作為參考標(biāo)準(zhǔn)，以此計(jì)算肺結(jié)節(jié)的檢出率和假陽(yáng)性率。根據(jù)《胸部CT肺結(jié)節(jié)數(shù)據(jù)標(biāo)注與質(zhì)量控制專(zhuān)家共識(shí)（2018）》的分類(lèi)標(biāo)準(zhǔn)，結(jié)節(jié)分為小于3 mm為微結(jié)節(jié)，3～5 mm為微小結(jié)節(jié)，6～10 mm為小結(jié)節(jié)，11～30 mm為結(jié)節(jié)。因?yàn)樾∮? mm的微結(jié)節(jié)通常沒(méi)有臨床意義，所以本文按結(jié)節(jié)大小分為小于3 mm與大于等于3 mm 兩類(lèi)進(jìn)行分析。在確定參考標(biāo)準(zhǔn)后，由1名副主任醫(yī)師和1名主治醫(yī)師分別閱片，內(nèi)容是結(jié)節(jié)檢出的數(shù)目、大小，并與參照標(biāo)準(zhǔn)對(duì)照，分別計(jì)算肺結(jié)節(jié)的檢出率和假陽(yáng)性率，閱片時(shí)間指醫(yī)師在顯示屏逐層觀察圖像，得出每例患者結(jié)節(jié)數(shù)目和結(jié)節(jié)大小的時(shí)間。

1.2.2 自動(dòng)檢測(cè)方法

1） CT切片影像的像素值單位轉(zhuǎn)換。由于從不同品牌不同型號(hào)的CT設(shè)備上獲取的影像技術(shù)參數(shù)不同，所以CT影像的數(shù)據(jù)格式也不同。為統(tǒng)一計(jì)算，需根據(jù)不同的技術(shù)參數(shù)，將像素的灰度值轉(zhuǎn)換成統(tǒng)一單位，即亨氏單位。

像素灰度值的亨氏單位可由元數(shù)據(jù)參數(shù)計(jì)算得到，其文件為DICOM格式，計(jì)算公式為

HU=PV×RS+RI

式中，HU表示CT像素的灰度值;PV表示CT的像素值;RS表示CT的重縮放斜率;RI表示重縮放截距。式中的PV是CT影像對(duì)應(yīng)層面中相應(yīng)的一個(gè)點(diǎn)的像素灰度值，常規(guī)CT影像層面切片的分辨率為512×512（行×列），該參數(shù)分別存放在DICOM格式文件的標(biāo)簽行數(shù)（0028，0010）和列數(shù)（0028，0011）中，RS是DICOM文件標(biāo)簽（0028，1053）的數(shù)值，RI是標(biāo)簽（0028，1052）中的數(shù)值。當(dāng)RT（0028，1054）標(biāo)簽為空時(shí)，該影像像素值單位就是亨氏單位。

2） CT切片灰度影像轉(zhuǎn)換為黑白影像。當(dāng)影像的像素值轉(zhuǎn)換為亨氏單位（HU）后，設(shè)置一個(gè)像素閾值，對(duì)于大于或等于該閾值的像素值，將其設(shè)置為1（白色），小于該閾值，則設(shè)置為0（黑色）。采用此方法可以將如圖1a所示的灰度CT影像轉(zhuǎn)換成圖1b所示的黑白CT影像。算法實(shí)現(xiàn)流程圖如圖1所示。

3） CT切片影像中無(wú)用影像的去除。為了利用三維連通域的概念實(shí)現(xiàn)算法，最重要的步驟是除去每一個(gè)層面切片影像中人體以外的影像。

首先利用最大面積算法，選擇圖1b中最大白色身體輪廓區(qū)域，然后將其他區(qū)域均設(shè)置為黑色，從而得到圖1c的影像，而無(wú)用影像及有用影像均被刪除。為了使身體輪廓以?xún)?nèi)的有用影像得到顯示，對(duì)圖1c再次使用最大面積算法選擇身體輪廓區(qū)域，即白色區(qū)域，此次對(duì)圖1c進(jìn)行反向操作，將原來(lái)的白色區(qū)域變?yōu)楹谏?，原?lái)黑色的區(qū)域變?yōu)榘咨?，獲得的影像如圖1d所示。對(duì)圖1d使用最大面積算法，選擇身體輪廓以外的區(qū)域（白色），并將其他的所有區(qū)域均置為黑色，得到的影像如圖1e所示。最后，基于圖1e的黑色區(qū)域，將圖1b身體輪廓以外的區(qū)域設(shè)置為白色，得到所需要的影像如圖1f所示。

4） 疊加CT切片影像構(gòu)成三維矩陣影像。將所獲得的一系列黑白CT層面切片影像疊加，構(gòu)成三維矩陣影像（如圖1g），矩陣中每個(gè)點(diǎn)的像素值均為1（白色）或0（黑色），由1相連的區(qū)域即為三維連通域。

5） 過(guò)濾小于連通域閾值的三維連通域。設(shè)置一個(gè)閾值，該閾值即為三維連通域的大小，過(guò)濾掉小于閾值的三維連通域。這是由于在CT影像的處理過(guò)程中，可能會(huì)產(chǎn)生一些小的碎片或存在影像噪聲，導(dǎo)致一些非常小的連通域產(chǎn)生，再就是小于3 mm的肺結(jié)節(jié)臨床上通常沒(méi)有意義。

6） 計(jì)數(shù)三維連通域及計(jì)算其直徑。通過(guò)計(jì)算三維連通域的數(shù)量，即可得到肺結(jié)節(jié)的個(gè)數(shù)，計(jì)算三維連通域的大小，即是肺結(jié)節(jié)的直徑大小。肺部組織與身體輪廓構(gòu)成一個(gè)大的三維連通域，應(yīng)該排除在外。按照以上描述方法，該算法得到了較好的實(shí)現(xiàn)。

1.2.3 觀察指標(biāo)

人工與自動(dòng)兩組結(jié)節(jié)檢出的數(shù)目和大小與參考標(biāo)準(zhǔn)對(duì)比，分別計(jì)算每組肺結(jié)節(jié)的檢出率和假陽(yáng)性率，以及2組平均閱片時(shí)間。檢出率和假陽(yáng)性率分別為

DR=TPN/TN×100%，

FPR=FPN/TN×100%

式中，DR為檢出率;FPR為假陽(yáng)性率;TPN為真陽(yáng)性結(jié)節(jié);FPN為假陽(yáng)性結(jié)節(jié);TN為結(jié)節(jié)總數(shù)。

1.3 統(tǒng)計(jì)學(xué)方法

采用SPSS 20.0統(tǒng)計(jì)軟件進(jìn)行數(shù)據(jù)分析，計(jì)數(shù)資料以百分率表示，進(jìn)行χ2檢驗(yàn)，以P<0.05為差異，有統(tǒng)計(jì)學(xué)意義。

2 研究結(jié)果

2.1 參考標(biāo)準(zhǔn)

2名副主任醫(yī)師共檢出3250個(gè)結(jié)節(jié)，每例患者肺結(jié)節(jié)數(shù)為1～10個(gè)，平均（5±1.6）個(gè)，結(jié)節(jié)直徑為2～29 mm。

2.2 兩組結(jié)節(jié)檢出情況比較

比較結(jié)果發(fā)現(xiàn)，b組檢出率高于A組，差異有統(tǒng)計(jì)學(xué)意義（P<0.05），A組假陽(yáng)性率高于B組，差異有統(tǒng)計(jì)學(xué)意義（P<0.05）。在不同大小結(jié)節(jié)檢測(cè)方面，A和B組在小于3 mm的結(jié)節(jié)檢出率差異有統(tǒng)計(jì)學(xué)意義（P<0.05），大于等于3 mm結(jié)節(jié)檢出率差異無(wú)統(tǒng)計(jì)學(xué)意義（P>0.05）。

2.3 閱片時(shí)間

A和B組閱片時(shí)間分別為（5.0±1.1） min和（1.3±0.2） min，差異有統(tǒng)計(jì)學(xué)意義（P<0.05）。A和B組檢出率及閱片時(shí)間比較如表1所示。

3 討論與分析

研究結(jié)果表明，肺結(jié)節(jié)自動(dòng)檢測(cè)系統(tǒng)對(duì)肺結(jié)節(jié)的檢出率高于人工檢測(cè)，假陽(yáng)性率低于人工檢測(cè)，平均閱片時(shí)間遠(yuǎn)低于人工檢測(cè)。本研究所用的檢測(cè)方法與近年來(lái)逐步進(jìn)入臨床應(yīng)用的基于傳統(tǒng)計(jì)算機(jī)視覺(jué)算法計(jì)算機(jī)輔助診斷系統(tǒng)（computer-aided detection，CAD）和基于深度學(xué)習(xí)（deep learning，DL）的人工智能（artificial intelligence，AI）[9 10] 有所不同，CAD系統(tǒng)通常需要自動(dòng)預(yù)分割肺部影像算法[11] ，程序較復(fù)雜且誤差較大[12] ，AI是一種基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測(cè)模型，DL是通過(guò)構(gòu)建深層網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行多層特征學(xué)習(xí)的人工智能方法[13] 。近年來(lái)，隨著DL和AI技術(shù)的不斷發(fā)展，圖像識(shí)別技術(shù)有了更好的發(fā)展，并已開(kāi)始應(yīng)用于臨床領(lǐng)域，特別是胸部影像識(shí)別[14 15] ，與傳統(tǒng)CAD相比，AI識(shí)別技術(shù)在檢出率、假陽(yáng)性率等方面都更優(yōu)秀，其敏感度和特異度較傳統(tǒng)的CAD高。

本研究所采用的是基于三維連通域的一種算法，該算法采用灰度閾值法（基于亨氏單位HU），經(jīng)過(guò)對(duì)肺部CT影像黑白轉(zhuǎn)換預(yù)處理，以三維連通域的概念，在CT影像中將人體與肺器官（氣管和血管等）等看作一個(gè)整體的實(shí)體，而孤立的肺結(jié)節(jié)不與這個(gè)整體相連，從而實(shí)現(xiàn)了在CT影像中基于三維連通域檢測(cè)孤立性肺結(jié)節(jié)的算法。在AI與人工檢測(cè)肺結(jié)節(jié)的效能對(duì)比研究中，AI的檢出率可達(dá)96.6%[9] 。本研究自動(dòng)檢測(cè)技術(shù)的肺結(jié)節(jié)檢出率為96.3%，兩者的檢測(cè)能力近似，但在另一個(gè)AI與人工檢測(cè)肺結(jié)節(jié)的效能對(duì)比研究中[16] ，AI的假陽(yáng)性率高于人工檢測(cè)，本研究自動(dòng)檢測(cè)技術(shù)的假陽(yáng)性率為6%，AI高假陽(yáng)性率的原因表明，目前AI技術(shù)深度學(xué)習(xí)的重點(diǎn)集中在陽(yáng)性結(jié)節(jié)上，而非假陽(yáng)性結(jié)節(jié)。本研究自動(dòng)檢測(cè)技術(shù)假陽(yáng)性率低的原因和算法的原理有關(guān)，這是由于基于三維連通域的肺結(jié)節(jié)檢測(cè)算法目前無(wú)法識(shí)別胸膜下結(jié)節(jié)（與胸膜相連）。

4 結(jié)束語(yǔ)

本研究是基于三維連通域的一種算法，該算法采用灰度閾值法，以三維連通域的概念為基礎(chǔ)，在CT影像中將人體與肺器官（氣管和血管等）等看作一個(gè)整體的實(shí)體，孤立的肺結(jié)節(jié)不與這個(gè)整體相連，從而實(shí)現(xiàn)了在CT影像中基于三維連通域檢測(cè)孤立性肺結(jié)節(jié)的算法。與人工檢測(cè)相比，該研究在檢出率、假陽(yáng)性率和平均閱片時(shí)間上都有優(yōu)勢(shì)，具有一定的臨床應(yīng)用前景，但也存在不足之處，待后續(xù)進(jìn)一步研究完善。總之，目前自動(dòng)檢測(cè)方法并不能完全的替代人工檢測(cè)，但兩者相結(jié)合可以大幅度的提高檢測(cè)效率，減輕臨床醫(yī)師的工作強(qiáng)度，具有廣闊的應(yīng)用前景。

參考文獻(xiàn)：

[1] Kikano G E， Fabien A， Schilz R. Evaluation of the solitary pulmonary nodule[J]. Am Fam Physician， 2015， 92（12）： 1084 1091A.

[2] MacMahon H， Naidich D P， Goo J M， et al. Guidelines for management of incidental pulmonary nodules detected on CT images： from the Fleischner Society[J]. Radiology， 2017， 284（1）： 228 243.

[3] Elia S， Loprete S， De Stefano A， et al. Does aggressive management of solitary pulmonary nodules pay off？ European Respiratory Society[J]. Breathe， 2019， 15（1）： 15 23.

[4] Iaccarino J M， Wiener R S. Pulmonary nodule guidelines[J]. Chest， 2017， 152（2）： 232 234.

[5] Gould M K， Donington J， Lynch W R， et al. Evaluation of individuals with pulmonary nodules： when is it lung cancer？ Diagnosis and management of lung cancer， 3rd ed： american college of chest physicians evidence-based clinical practice guidelines[J]. Chest， 2013， 143（5）： e93S e120S.

[6] Sim Y T， Poon F W. Imaging of solitary pulmonary nodule-a clinical review[J]. Quant Imaging Med Surg， 2013， 3（6）： 316 326.

[7] Rubin G D. Lung nodule and cancer detection in CT screening[J]. J Thorac Imaging， 2015， 30（2）： 130 138.

[8] Zhang C C， Shen Y， Kong Q， et al. A novel algorithm for segmentation of solitary pulmonary nodules in chest computed tomography based on three-Dimensional connected voxels[J]. Journal of Medical Imaging and Health Informatics， 2019， 9（8）： 1622 1629.

[9] 金文忠， 陸耀， 汪陽(yáng). 基于人工智能的胸部CT智能輔助診斷系統(tǒng)在LDCT數(shù)據(jù)集上的應(yīng)用研究[J]. 中國(guó)醫(yī)學(xué)計(jì)算機(jī)成像雜志， 2018， 24（5）： 373 377.

[10] El-Baz A， Beache G M， Gimelfarb G， et al. Computer-aided diagnosis systems for lung cancer： challenges and methodologies[J]. Int J Biomed Imagin， 2013（1）： 1 406.

[11] Sluimer I， Schilham A， Prokop M， et al. Computer analysis of computed tomography scans of the lung： a survey[J]. IEEE Trans Med Imaging 2006， 25（4）： 385 405.

[12] Armato S G， Sensakovic W F. Automated lung segmentation for thoracic CT： impact on computer-aided diagnosis[J]. Acad Radiol， 2004， 11（9）： 1011 1021.

[13] Setio A A， Ciompi F， Litjens G， et al. Pulmonary nodule detection in CT images： false positive reduction using multi-view convolutional networks[J]. IEEE Trans Med Imaging， 2016， 35（5）： 1160 1169.

[14] Setio A A， Jacobs C， Gelderblom J， et al. Automatic detection of large pulmonary solid nodules in thoracic CT images[J]. Med Phys， 2015， 42（10）： 5642 5653.

[15] Nasrullah N， Sang J， Alam MS， et al. Automated lung nodule detection and classification using deep learning combined with multiple strategies[J]. Sensors， 2019， 19（17）： 274 276.

[16] 李欣菱， 郭芳芳， 周振， 等. 基于深度學(xué)習(xí)的人工智能胸部CT 肺結(jié)節(jié)檢測(cè)效能評(píng)估[J]. 中國(guó)肺癌雜志， 2019， 22（6）： 336 340.

Comparative Analysis of the Efficacy of Automatic Detection Program and Manual Detection for Pulmonary Nodules

HOU Qiuyu， ZHANG Chence， LI Huijian， LIU Fangbo， YUAN Na

（Qingdao 8th People′s Hospital， Qingdao 266000， China）

Abstract：? In view of the difference between automatic and manual detection of pulmonary nodules， this paper compared and analyzed the efficacy of automatic and manual detection for pulmonary nodules. A total of 600 cases of chest CT plain scan were collected from The 8th People′s Hospital of Qingdao from February 2019 to October 2019， and the number and size of pulmonary nodules detected by two deputy chief physicians who had been engaged in imaging diagnosis for more than 20 years were taken as the reference standard. The detection rate， average reading time and false positive rate of pulmonary nodules in group A （one associate chief physician andone attending physician） and group B （automatic pulmonary nodules detection program system） were compared. The results showed that the detecting rate of group B was higher than that of group A， with statistically significant difference （P<0.05）， and the false positive rate of group A was higher than that of group B， with statistically significant difference （P<0.05）. In terms of the detection of nodules of different sizes， the difference in the detecting rate of nodules <3 mm in both group A and group B was statistically significant （P<0.05）， while the difference in the detecting rate of nodules ≥3 mm was not statistically significant （P>0. 05）. The reading time of group A and Group B was （5.0±1.1） min and （1.3±0.2） min， respectively， with statistically significant difference （P<0.05）. This study has guiding significance for the screening of pulmonary nodules.

Key words： pulmonary nodules; automatic detection; program; chest computed tomography （CT）