任洪潮 徐生芹

關鍵詞 肺結節(jié) 肺癌 分割

1研究現(xiàn)狀

由于環(huán)境污染日益嚴重、人們生活節(jié)奏日益加快、工作壓力日益加重，加上不健康的生活方式、不合理的飲食習慣等諸多因素的影響，肺癌的發(fā)病率和死亡率不斷攀升，其已成為全世界范圍內致死率最高的惡性腫瘤之一，嚴重威脅著人類的生命健康。臨床數(shù)據(jù)表明，I 期肺癌患者術后5 年生存率高達80%，而IV 期肺癌患者術后5 年生存率僅為13%。因此，爭取早發(fā)現(xiàn)、早診斷、早治療是降低肺癌死亡率和提高5年生存率的最有效措施。

CT 圖像有助于臨床醫(yī)生對肺部病灶情況進行全面檢查和分析， 從而提高診斷的準確性。肺結節(jié)（Pulmonary Nodules）是指肺內直徑小于或等于30 mm圓形或者類圓形的病灶，它是肺癌早期的主要表現(xiàn)形式。依據(jù)肺結節(jié)的直徑大小不同，可以將其分為三類：微小結節(jié)（直接小于或者等于5 mm）、小結節(jié)（直徑大于5 mm 且小于10 mm）和結節(jié)（直徑大于10 mm且小于30 mm）。依據(jù)在CT 下肺結節(jié)的實性程度不同，可以將其分為三類： 實性結節(jié)（ Solid Nodules，SN）、非實性結節(jié)（Nonsolid Nodules， NSN）、亞實性結節(jié)（Subsolid Nodules， SSN）[1] 。實性結節(jié)大部分表現(xiàn)為邊界清楚、形狀規(guī)則，密度較高，如圖1 （a）所示;非實性結節(jié)通常表現(xiàn)為邊界模糊、形態(tài)不規(guī)則，如圖1（b）所示;亞實性結節(jié)一般表現(xiàn)為邊界模糊程度較高、形態(tài)不規(guī)則程度較高等特性，如圖1 （c）所示。

計算機輔助診斷（ Computer?Aided Diagnosis，CAD）已成為必然趨勢。近年來，CAD 逐步成為醫(yī)學領域中的研究熱點之一，它涉及計算機科學、醫(yī)學影像學分析、圖像處理與分析以及人工智能與模式識別等諸多領域。它主要使用數(shù)字圖像處理技術、醫(yī)學影像技術等，結合計算機強大的計算和分析功能輔助醫(yī)生讀取成千上萬的影像圖像，被贊譽為醫(yī)生的“第二只眼睛”。

計算機輔助診斷在肺結節(jié)診斷方面的關鍵技術大致可以分為以下四個部分：肺實質分割、肺結節(jié)檢測、肺結節(jié)分割以及肺結節(jié)良惡性判斷等。目前，大量針對肺實質分割、肺結節(jié)檢測、肺結節(jié)分割、肺結節(jié)診斷等一系列圖像處理、分析和理解算法的研究和應用問世，從而推動肺結節(jié)CAD 系統(tǒng)發(fā)展及其臨床應用。其中，肺結節(jié)分割是CAD 系統(tǒng)的關鍵環(huán)節(jié)，對于一幅CT 圖像而言，高精度地分割出所有的肺結節(jié)是肺結節(jié)檢測和診斷的基礎，是影響CAD 系統(tǒng)診斷性能的關鍵因素。肺結節(jié)分割可以分為肺實質分割和肺結節(jié)分割兩個部分，前者是后者的基礎。分割出完整的肺實質不僅能夠排除肺組織區(qū)域以外的干擾，提高肺結節(jié)算法的分割效率，還能有效解決粘連胸膜型肺結節(jié)的分割難題。鑒于CT 圖像中肺組織構成完整的區(qū)域，且與周圍組織的灰度差異較為明顯，閾值法成為研究者進行肺實質分割的首選。然而，當肺部存在粘連胸膜型肺結節(jié)時，單純采用分割算法進行肺實質分割會導致肺部邊緣輪廓凹陷，難以分割出完整的肺部區(qū)域。為此，研究者提出了許多改進的肺實質分割算法，以確保提取到完整的肺部組織。

肺實質分割是分割肺結節(jié)不可或缺的基礎，但肺結節(jié)分割環(huán)節(jié)的關鍵在于肺結節(jié)分割算法的分割性能。目前，常用的肺結節(jié)分割算法有閾值法、區(qū)域生長法、邊緣檢測法、形態(tài)學方法、聚類法、人工神經網(wǎng)絡法等。事實上，許多算法都能實現(xiàn)對普通肺結節(jié)的高精度分割，真正的挑戰(zhàn)在于如何高精度的分割出微小型結節(jié)、磨玻璃結節(jié)、粘連胸膜型結節(jié)、粘連血管型結節(jié)[2]。

此外，深度學習也是近年來機器學習領域獲得的關鍵突破和研究熱點之一，具有強大的特征學習和特征表達能力，從而有利于解決特征分類問題，并成為當前圖像處理和分析領域的研究熱點。卷積神經網(wǎng)絡通過卷積層、池化層和全連接層等能夠自己學習和提取圖像相關特征，其被廣泛應用于計算機視覺領域[3] 。

2肺結節(jié)實質分割專利技術分析

本文基于肺結節(jié)計算機輔助診斷技術以及常規(guī)的肺部醫(yī)學圖像的處理流程進行相關的技術分解（見表1），主要分解為兩個一級分支：預處理、分割。針對預處理分支，其主要分解為濾波、校正、圖像增強、圖像融合等二級分支。針對濾波技術，其分解為空間域濾波（高斯濾波、平滑濾波）、小波濾波以及其他濾波手段。針對校正手段，其分解為運動校正（呼吸校正）、偽影校正和幾何校正（拉伸、平移、旋轉）以及其他校正方法。針對病灶分割分支，其分解為閾值分割、區(qū)域分支、邊緣分割、神經網(wǎng)絡分割等技術手段，其中將閾值分割按常規(guī)技術手段分解為全局閾值分割、自適應閾值分割（范圍閾值的比較）以及其他閾值分割（如最佳閾值分割）等手段。針對區(qū)域分割，其分解為區(qū)域生長、區(qū)域分裂合并（超像素分割）等技術手段。針對神經網(wǎng)絡的分割算法，基于網(wǎng)絡模型將其分解為采用多個神經網(wǎng)絡模型和采用單個神經網(wǎng)絡模型的技術分支。

在一級分支層面，預處理分支的占比要小于分割分支（見圖2），對上述預處理分支的限定主要體現(xiàn)在從屬權利要求中，獨立權利要求的限定較少，主要為預處理分支中的校正方法的相關申請。分割分支的申請量為468。

在預處理分支下，濾波和校正占有很大的比重。上述濾波或校正方法大部分被限定至從屬權利要求中，用于對后續(xù)待檢測或分割圖像的預處理，小部分的濾波和校正方法被限定至獨權中，主要用于針對血管、氣管、骨骼的過濾處理，以降低圖像檢測中假陽性的出現(xiàn)概率。

在病灶分割分支中，閾值分割占有非常大的比重，其主要是采用二值化灰度化圖像進行分割，或者使用形態(tài)學的膨脹腐蝕分割。此外小部分使用自適應閾值分割方法。對待分割圖像進行簡要分割以便于后續(xù)處理。區(qū)域分割和神經網(wǎng)絡分割法占有一定比例，其中區(qū)域分割方法主要使用基于種子生長的區(qū)域增長分割方法，部分使用超像素分割法;神經網(wǎng)絡分割則大部分使用單神經網(wǎng)絡進行分割。

如圖3 所示，圖像的預處理技術發(fā)展較早，其開始并不是單純地應用于醫(yī)學領域圖像。而醫(yī)學圖像的重建相較于常用的攝像圖像的成像原理有著很大的不同，其通常通過檢測輻射光子的能量、位置以及計數(shù)等因數(shù)進行相關圖像的重建，其普遍存在分辨率低和噪聲大的問題。因此，在預處理階段獲取圖像信號的濾波、增強、校正等對后續(xù)的圖像判斷相當重要，本文主要針對胸片影像的處理進行相關檢索，發(fā)現(xiàn)早在20 世紀末到21 世紀初就已經出現(xiàn)了通過高斯濾波、線性或非線性濾波等空間域濾波對胸片影像信號進行預處理的方案。2007 年，二進制離散小波的頻域濾波手段問世，而在2018 年則出現(xiàn)了通過多級濾波器進行預處理的手段。上述濾波技術相關的專利申請始終貫穿整個時間線，其是在對胸片影像的處理中不可或缺的手段。而對胸片圖像的校正和增強在權利要求中的限定是在2007 年左右出現(xiàn)的，其通常帶有圖像增強的手段，以便后續(xù)提高輸出圖像的準確度和分辨率的。gzslib202204022354

圖像分割技術在肺部病變診斷中至關重要，如果病灶分割的邊界界定不清晰很容易導致誤診。在早期的申請中，就有通過二值化圖像和灰度閾值進行肺部病灶（如肺實質或者肺結節(jié)）與胸片背景分離的技術，其通常擁有肺部病灶的特點，如病灶的形狀、透明度等。此后，還出現(xiàn)了基于上述特點的邊緣檢測、基于形狀進行肺結節(jié)過濾、基于形態(tài)學膨脹和聚類方法進行圖像分割的技術。2003 年前后，分割技術的相關申請則引入了統(tǒng)計學模型（如西門子的聚類算法和橢球體的函數(shù)擬合法）以及出現(xiàn)了機器學習進行分割的相關申請（如西門子的Unet 的神經網(wǎng)絡分割模型）。2007 年之后，則以機器學習進行分割的相關申請為主（見圖4）。

隨著人工智能技術的發(fā)展，在2010 年后的肺部病變圖像分割技術中，建立神經模型進行肺部病灶的分割技術成為主流。在該階段的專利申請中，出現(xiàn)了通過兩種神經網(wǎng)絡模型結合分割肺部血管或者氣管、骨骼等分割技術、基于肺部組織的特性進行傳統(tǒng)圖像分割技術（如全局閾值分割或區(qū)域生長分割與神經網(wǎng)絡模型相結合的圖像分割技術）、針對神經網(wǎng)絡模型進行改進的分割技術等（見圖5）。

從圖6 可以看出，在具體的肺部醫(yī)療圖像檢測應用中，肺結節(jié)的分割占據(jù)了非常大的比重。在分割技術中，神經網(wǎng)絡的分割算法的相關申請已經超過了傳統(tǒng)的閾值和區(qū)域分割算法。而在神經網(wǎng)絡的分割算法中，以深度卷積神經模型為主。此外，不乏采用深度置信網(wǎng)絡或者對抗網(wǎng)絡等學習模型。在肺部病灶分割方面，還是以區(qū)域分割的技術為主，如區(qū)域生長分割技術、超像素分割技術等;在肺實質、肺葉、肺裂的檢測方面，則通常使用傳統(tǒng)的二值化閾值分割或者形態(tài)學膨脹腐蝕的技術手段;在肺氣管或肺血管、骨骼的分割方面，通常以單模型的神經網(wǎng)絡學習模型為主要的分割過濾或者分類手段。

3重要申請人分析

諸如西門子、飛利浦一直是較為活躍的申請人，且這些申請人在申請數(shù)量以及質量方面從始至終占據(jù)較為重要的位置。此外，就總體來看，在申請總量的排名中還有兩類中國企業(yè)，其中一類即知名大公司（如上海聯(lián)影），另一類則是高校、研究院，這兩類企業(yè)在申請的專利數(shù)量以及質量方面也有較大的區(qū)別。下文就國外大公司（西門子）和國內醫(yī)療器械公司（上海聯(lián)影）進行相關申請人分析。

3.1西門子

西門子的國內相關專利申請的分布見表2

國內相關專利申請采用了肺結節(jié)的分割算法，包括二值化全局閾值判斷配合形態(tài)學分割、區(qū)域分割以及深度置信網(wǎng)絡分割模型、多級神經網(wǎng)絡訓練分割模型等手段。

相對于國內相關專利申請，國外相關專利申請在分割算法上有些許不同（如表3）。西門子在早期申請了距離轉換映射算法技術用于抑制胸片中血管或氣管對肺部病灶判斷的影響，在圖像去噪的中還通過分類器或形狀過濾器多圖像的其他組織進行分類和去除，以保留肺組織或者肺結節(jié)。除了上述相關專利申請外，還包括針對提取組織后的圖像的增強和校正以及封閉凹面的修復和偽影校正、結合校正等相關專利申請。

3.2上海聯(lián)影

上海聯(lián)影的相關專利申請分布見表4

國內的相關專利申請主要針對肺結節(jié)的分割。在肺結節(jié)的分割技術中，其主要通過閾值分割和和聚類方法執(zhí)行肺結節(jié)的分割。閾值分割主要基于于二值化全局分割和形態(tài)學腐蝕法。上述手段均具備已授權的相關專利。

4小結