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(lái)越高的CT在獲得更清晰圖像的同時(shí)，其數(shù)據(jù)量也在急劇增加，加重了醫(yī)生閱片的負(fù)擔(dān)。檢測(cè)速度快、檢測(cè)精度高的CT圖像肺結(jié)節(jié)計(jì)算機(jī)輔助檢測(cè)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(jì)算機(jī)輔助檢測(cè)方法的研究意義、檢測(cè)過(guò)程、各類(lèi)算法、研究難點(diǎn)，并對(duì)CT圖像肺結(jié)節(jié)計(jì)算機(jī)輔助檢測(cè)的現(xiàn)狀進(jìn)行了總結(jié)和展望。

關(guān)鍵詞： CT圖像; 肺結(jié)節(jié); 計(jì)算機(jī)輔助檢測(cè); 深度學(xué)習(xí)

中圖分類(lèi)號(hào)：TP391.7? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：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(zhǎng)最快，對(duì)人類(lèi)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(zhǔn)確檢測(cè)定位肺結(jié)節(jié)并對(duì)其進(jìn)行分析是關(guān)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(fù)雜性導(dǎo)致了人工診斷效率低，易出現(xiàn)漏檢或誤診等情況。計(jì)算機(jī)輔助檢測(cè)系統(tǒng)（Computer-Aided Detection， CAD）主要利用各類(lèi)機(jī)器學(xué)習(xí)算法篩選出結(jié)節(jié)疑似區(qū)域并進(jìn)行定位定量分析，輔助醫(yī)生來(lái)診斷，近年來(lái)已成為肺結(jié)節(jié)自動(dòng)檢測(cè)的主力。本綜述從圖像預(yù)處理、肺實(shí)質(zhì)分割、肺結(jié)節(jié)檢測(cè)、肺結(jié)節(jié)分割、肺結(jié)節(jié)分類(lèi)等五部分介紹肺結(jié)節(jié)計(jì)算機(jī)輔助檢測(cè)。

1 圖像預(yù)處理

由于低劑量肺部CT圖像會(huì)因輻射劑量的變化產(chǎn)生不同程度的噪聲，因此需通過(guò)圖像預(yù)處理降低噪聲程度，改善圖像對(duì)比度。國(guó)內(nèi)外研究人員提出了多種濾波方法降低噪聲。Ashwin等[2]運(yùn)用中值濾波器校正采集圖像中因光照條件不同引起的對(duì)比度差異，并使用自適應(yīng)直方圖均衡技術(shù)提高圖像對(duì)比度。王貝等[3]通過(guò)Hessian矩陣對(duì)應(yīng)特征在不同組織結(jié)構(gòu)上的表現(xiàn)，設(shè)計(jì)球形濾波器并采用二值圖像，在消除灰度對(duì)濾波影響的同時(shí)，實(shí)現(xiàn)對(duì)肺部不同組織結(jié)構(gòu)選擇性的增強(qiáng)。

2 肺實(shí)質(zhì)分割

肺實(shí)質(zhì)的準(zhǔn)確分割是后期結(jié)節(jié)檢測(cè)的保證。人體的肺組織主要包含肺實(shí)質(zhì)、血管及氣管等，一般分兩個(gè)步驟進(jìn)行分割：實(shí)質(zhì)粗分割和肺實(shí)質(zhì)細(xì)分割。

2.1 肺實(shí)質(zhì)粗分割

最常見(jiàn)的肺實(shí)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(yīng)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(dāng)閾值進(jìn)行分離，從而達(dá)到有效分割。而自適應(yīng)動(dòng)態(tài)閾值法通過(guò)分析亮度特征的直方圖，自動(dòng)選取最優(yōu)閾值。

2.2 肺實(shí)質(zhì)細(xì)分割

在進(jìn)行肺實(shí)質(zhì)分割時(shí)，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(guò)分割的情況，可能導(dǎo)致結(jié)節(jié)病變的細(xì)節(jié)信息丟失。因此，需要更加細(xì)化地分割—對(duì)邊界進(jìn)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(dòng)，對(duì)封閉部分進(jìn)行修補(bǔ)，但其半徑需隨結(jié)節(jié)改變，自適應(yīng)較差。李軍等[6]利用大津閾值法，獲得肺部初始輪廓，依次對(duì)圖像進(jìn)行二值法和氣管去除，再針對(duì)結(jié)節(jié)凹陷處修補(bǔ)不足的問(wèn)題，通過(guò)傳統(tǒng)向量法的改進(jìn)，取得較好的細(xì)分割效果。

3 肺結(jié)節(jié)檢測(cè)

肺結(jié)節(jié)檢測(cè)主要包括疑似肺結(jié)節(jié)提取及假陽(yáng)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(lèi)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(jī)（Support Vector Machine， SVM）結(jié)合隨機(jī)欠采樣（Random Under-sampling， RU）和少數(shù)類(lèi)過(guò)采樣（Synthetic Minority Oversampling Technique， SMOTE）進(jìn)行肺結(jié)節(jié)檢測(cè)，使得樣本均衡且去除了訓(xùn)練樣本中的噪聲和重復(fù)信息。李云鵬等[8]運(yùn)用深度學(xué)習(xí)法改進(jìn)了基于區(qū)域的快速卷積神經(jīng)網(wǎng)絡(luò)（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(lèi)算法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）相結(jié)合，同時(shí)利用3D卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建檢測(cè)模型，準(zhǔn)確率較高，假陽(yáng)性低。在各種結(jié)節(jié)中，稀薄模糊狀影的磨玻璃類(lèi)結(jié)節(jié)灰度常在實(shí)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(jìn)行實(shí)質(zhì)分割，再用帶通濾波器檢測(cè)該類(lèi)結(jié)節(jié)。Anum等[10]在四個(gè)公共數(shù)據(jù)庫(kù)中驗(yàn)證了整合云計(jì)算與三維深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Network，DCNN）系統(tǒng)的檢測(cè)能力，當(dāng)掃描速度為1.97 fps時(shí)，靈敏度可達(dá)到98.7%，但系統(tǒng)對(duì)直徑不足三毫米的微小結(jié)節(jié)的檢測(cè)仍不靈敏。

3.2 假陽(yáng)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?？蓹z測(cè)出上千個(gè)候選結(jié)節(jié)，但大部分為假陽(yáng)性結(jié)節(jié)。去除假陽(yáng)性結(jié)節(jié)可以提高檢測(cè)率且降低假陽(yáng)性率。較常見(jiàn)的去假陽(yáng)性方法是提取疑似結(jié)節(jié)的特征訓(xùn)練分類(lèi)器，以判別真假結(jié)節(jié)。劉曉娜[11]采用支持向量機(jī)分類(lèi)器訓(xùn)練樣本，并通過(guò)對(duì)比試驗(yàn)得出高斯徑向基核函數(shù)的分類(lèi)效果更佳，有利于臨床醫(yī)生更好地識(shí)別肺結(jié)節(jié)。李軍等[6]基于交叉驗(yàn)證法獲取Adaboost算法的最優(yōu)迭代參數(shù)，去除假陽(yáng)性候選結(jié)節(jié)，減少運(yùn)算量，也提高了準(zhǔn)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(xué)習(xí)RVM法，實(shí)驗(yàn)證明其優(yōu)于傳統(tǒng)方法，系統(tǒng)的AUC（Area Under Curve）高達(dá)0.9117。

4 肺結(jié)節(jié)分割

對(duì)肺結(jié)節(jié)邊緣的精準(zhǔn)分割是確定結(jié)節(jié)大小以及判斷結(jié)節(jié)類(lèi)型和生長(zhǎng)趨勢(shì)的關(guān)鍵。然而，因?yàn)榉谓Y(jié)節(jié)大小、密度和生長(zhǎng)位置具有多樣性的特點(diǎn)，提高肺結(jié)節(jié)分割精準(zhǔn)度成為挑戰(zhàn)。一些經(jīng)典的肺結(jié)節(jié)分割技術(shù)可以在某個(gè)或某幾個(gè)方面取得不錯(cuò)的分割效果，例如大多數(shù)區(qū)域生長(zhǎng)法和閾值技術(shù)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(duì)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(luò)的模型及新模型也在肺結(jié)節(jié)分割中給出了成績(jī)。閆歡蘭等[15]提出結(jié)合Sobel算子和Mask R-CNN來(lái)檢測(cè)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(jìn)小波能量的輪廓模型可以精確分割亞實(shí)性結(jié)節(jié)。

5 肺結(jié)節(jié)分類(lèi)

在肺結(jié)節(jié)分類(lèi)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(xiàng)分類(lèi)的研究。近年來(lái)深度學(xué)習(xí)在分類(lèi)性能提升上做出了重大貢獻(xiàn)。

5.1 深度學(xué)習(xí)的應(yīng)用

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的分支。王風(fēng)等[18]提出4種三維卷積神經(jīng)網(wǎng)絡(luò)（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(shí)高靈敏度達(dá)到93.6%。李飛等[19]引入交并比（Intersection over Union，IOU）自標(biāo)準(zhǔn)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(luò)（Multi-output DenseNet，MoDenseNet）在LIDC-IDRI數(shù)據(jù)集達(dá)到了90.40%的精準(zhǔn)率、90.47%的靈敏度和95.48%的AUC。在分類(lèi)微小結(jié)節(jié)上，Patrice等[21]提出了融合另一神經(jīng)網(wǎng)絡(luò)極限學(xué)習(xí)（Extreme Learning Machine， ELM）的三維CNN模型，在 LIDC/IDRI 數(shù)據(jù)庫(kù)實(shí)現(xiàn)最優(yōu)了97.35%的準(zhǔn)確度、96.57%的靈敏度、96.42%的F值評(píng)分和98%的AUC。深度學(xué)習(xí)對(duì)數(shù)據(jù)的量和標(biāo)注質(zhì)量有要求。深度學(xué)習(xí)對(duì)數(shù)據(jù)量的需求長(zhǎng)期存在，而在標(biāo)注質(zhì)量上，LIDC/IDRI數(shù)據(jù)庫(kù)仍依賴(lài)人工解讀。即使是由專(zhuān)家標(biāo)注，對(duì)影像數(shù)據(jù)的理解也存在一定的差異，從而影響計(jì)算機(jī)輔助檢測(cè)系統(tǒng)的性能[22]。通過(guò)仿射變換擴(kuò)充數(shù)據(jù)、遷移學(xué)習(xí)或最大似然法改善注釋質(zhì)量具有發(fā)展?jié)摿23]。但是，標(biāo)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(jī)器學(xué)習(xí)法的分類(lèi)

在深度學(xué)習(xí)發(fā)展前，機(jī)器學(xué)習(xí)中的支持向量機(jī)算法以小樣本且較高精度成為穩(wěn)健的二分類(lèi)器[25]，但它有抗噪弱和無(wú)法適應(yīng)多樣本訓(xùn)練的不足。模糊支持向量機(jī)等優(yōu)化算法，優(yōu)化了分類(lèi)精度和抗噪能力[26]。最近，張玲等[27]提出了基于SVM的雷達(dá)目標(biāo)分類(lèi)法在多目標(biāo)分類(lèi)上實(shí)現(xiàn)了高精度，可以用于肺結(jié)節(jié)的檢測(cè)分類(lèi)。此外，深度遷移學(xué)習(xí)法使深度學(xué)習(xí)有另一發(fā)展可能，例如采用漸進(jìn)式微調(diào)策略（Progressive Fine-tuning，PFT）的深度遷移學(xué)習(xí)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(yǔ)

基于CT圖像的肺結(jié)節(jié)計(jì)算機(jī)輔助檢測(cè)能夠提高肺結(jié)節(jié)檢測(cè)效率，在磨玻璃結(jié)節(jié)檢測(cè)、去假陽(yáng)性結(jié)節(jié)、分割結(jié)節(jié)和良惡性分類(lèi)中有良好的應(yīng)用，但其綜合性能不高。未來(lái)，可以選擇各層性能最優(yōu)的算法，進(jìn)行疊加或互補(bǔ)，包括一般機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的結(jié)合，進(jìn)而提高整個(gè)系統(tǒng)的性能。

參考文獻(xiàn)（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(cè)與分割[D].電子科技大學(xué)，2018.

[4] 郎春博，賈鶴鳴，邢致愷等.基于改進(jìn)正余弦優(yōu)化算法的多閾值圖像分割[J].計(jì)算機(jī)應(yīng)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(dòng)檢測(cè)方法研究[D].湖南大學(xué)，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(cè)方法研究[D].河北地質(zhì)大學(xué)，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(cè)[J].沈陽(yáng)大學(xué)報(bào)，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(jī)的肺結(jié)節(jié)識(shí)別研究[D]. 浙江大學(xué)，2016.

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

[13] 李鏘，白柯鑫，趙柳等.MRI腦腫瘤圖像分割研究進(jìn)展及挑戰(zhàn)[J].中國(guó)圖象圖形學(xué)報(bào)，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(jì)算機(jī)系統(tǒng)，2020.41（1）：161-165

[16] 董林佳，強(qiáng)彥，趙涓涓等.基于三維形狀指數(shù)的肺結(jié)節(jié)自動(dòng)檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用，2017.37（11）：3182-3187

[17] 馮寶，陳相猛，李浦生等.小波能量引導(dǎo)下基于活動(dòng)輪廓模型的部分實(shí)性肺結(jié)節(jié)分割[J].華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2019.47（2）：41-49，58

[18] 王風(fēng)，王磊，李囡等.基于三維卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的肺結(jié)節(jié)良惡性的鑒別診斷[J].中國(guó)醫(yī)學(xué)影像學(xué)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(lái)，林建林等.基于視覺(jué)顯著性的肺結(jié)節(jié)檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)時(shí)代，2018（1）： 46-48

[26] 強(qiáng)彥，裴博，趙涓涓等.模糊支持向量機(jī)在肺結(jié)節(jié)良惡性分類(lèi)中的應(yīng)用[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2014.54（3）：354-359

[27] 張玲，陳路路，梁進(jìn)科等.一種基于支持向量機(jī)的雷達(dá)多目標(biāo)分類(lèi)方法[J].無(wú)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(xué)習(xí)的肺結(jié)節(jié)輔助診斷方法[J].計(jì)算機(jī)工程，2020.1：271-278