張瑞 程徐守祥 胡文 深圳信息職業(yè)技術(shù)學(xué)院 程超 上海長海醫(yī)院

基于PET/CT圖像的計算機(jī)輔助診斷（CAD）系統(tǒng)發(fā)展綜述

張瑞 程徐守祥 胡文 深圳信息職業(yè)技術(shù)學(xué)院 程超 上海長海醫(yī)院

本文對基于PET/CT圖像的計算機(jī)輔助診斷（CAD）系統(tǒng)的發(fā)展進(jìn)行綜述。從基于PET/CT圖像的算法研究、CAD系統(tǒng)研發(fā)、CAD系統(tǒng)研發(fā)難點(diǎn)三方面進(jìn)行了闡述。最后提出了基于PET/CT圖像的CAD系統(tǒng)研究發(fā)展趨勢，傳統(tǒng)的計算機(jī)輔助診斷系統(tǒng)在人工智能快速發(fā)展的背景下其智能化屬性必然將被突出。

PET/CT 計算機(jī)輔助診斷 人工智能 深度學(xué)習(xí)

計算機(jī)輔助診斷（Computer-aided Diagnosis，CAD）系統(tǒng)的概念最早可以追溯到上個世紀(jì)50年代，美國的華人科學(xué)家錢家其將計算機(jī)應(yīng)用于放射治療、計算劑量分布和制定治療計劃。自上個世紀(jì)80年代起，芝加哥大學(xué)針對胸腔的醫(yī)學(xué)圖像展開了CAD系統(tǒng)的研發(fā)，并取得了階段性成果。計算機(jī)輔助診斷的意義就在于提供了一個計算機(jī)輸出作為“第二意見”來輔助醫(yī)師進(jìn)行分析病理和診斷病情。研究證明：CAD系統(tǒng)的廣泛應(yīng)用能夠幫助醫(yī)生提高病變的檢測效率和診斷水平，相對于主觀的、不穩(wěn)定的人工診斷，CAD系統(tǒng)相對客觀和一致的判斷顯現(xiàn)出很大的優(yōu)勢。因此，CAD技術(shù)又被稱為醫(yī)生的“第三只眼”。目前，CAD系統(tǒng)被廣泛應(yīng)用于乳腺病灶的診斷、骨密度測試等，特別在醫(yī)學(xué)圖像領(lǐng)域的應(yīng)用也非常多。

1 CAD系統(tǒng)在PET/CT圖像處理領(lǐng)域的發(fā)展

1.1 國內(nèi)外基于PET/CT圖像的算法研究

基于PET/CT圖像的算法研究在近些年發(fā)展了起來，這其中以基于CT圖像的算法研究占大多數(shù)，這與CT影像技術(shù)的發(fā)展相對成熟有很大關(guān)系。在CT圖像的算法研究中，又以針對胸腔的肺結(jié)節(jié)及肺癌的分割及分類算法研究最為常見。國內(nèi)外基于PET/CT混合成像的計算機(jī)算法研究多是針對大腦、頭頸部及胸腔，腹腔部位的算法研究相對較少；算法的實(shí)現(xiàn)步驟主要包括：臟器分割、癌癥候補(bǔ)區(qū)域分割和良惡性分類。在我國，中國科學(xué)技術(shù)大學(xué)蔣田仔教授和太原理工大學(xué)趙涓涓教授的科研團(tuán)隊(duì)分別針對腦瘤及肺結(jié)節(jié)進(jìn)行了基于PET/CT圖像的系統(tǒng)算法研究，取得了不俗的科研成果。

1.2 國內(nèi)外基于PET/CT圖像的CAD系統(tǒng)研究開發(fā)現(xiàn)狀

同樣，基于CT圖像的CAD系統(tǒng)研究開發(fā)較為常見。第一個通過FDA驗(yàn)證的基于多探測器CT胸腔圖像的ImageChecker CT CAD軟件系統(tǒng)是由美國R2科技公司于2004年推出的,其主要功能是輔助檢測有可能演變?yōu)榉伟┑膶?shí)質(zhì)肺結(jié)節(jié)。2006年西門子醫(yī)療推出的Syngo Lung CAD裝置能夠輔助放射醫(yī)師檢測直徑大于3mm的疑似結(jié)節(jié)。英國Medicsight 公司推出了兩款CAD系統(tǒng)：ColonCAD系統(tǒng)和LungCAD系統(tǒng), ColonCAD系統(tǒng)針對大腸癌進(jìn)行檢測，LungCAD對肺癌進(jìn)行檢測。除此之外比較著名的還有荷蘭Philips公司的Pulmopackage系統(tǒng)、GE公司的Lung VCAR等。

在國內(nèi)，癌癥CAD系統(tǒng)研究起步較晚，與國外發(fā)達(dá)國家之間有很大的差距，但是一些研究機(jī)構(gòu)和大學(xué)實(shí)驗(yàn)室比如中科院自動化所、東南大學(xué)和浙江大學(xué)醫(yī)學(xué)影像實(shí)驗(yàn)室也取得了一定的研究成果，不斷地推動著國內(nèi)CAD系統(tǒng)的發(fā)展。

PET/CT是近年來才出現(xiàn)的高端醫(yī)學(xué)影像技術(shù)，所以基于PET/CT成像的CAD系統(tǒng)還處于研究階段，目前成型的CAD系統(tǒng)由世界上PET/CT醫(yī)療設(shè)備生產(chǎn)商Philips、GE和Siemens自主研發(fā)，但由于軟件版權(quán)及其昂貴的費(fèi)用在國內(nèi)還未得到普及。日本橫濱國立大學(xué)的有澤博教授從事基于PET/CT的CAD系統(tǒng)研發(fā)十多年，基于大腦、頭頸部的CAD系統(tǒng)目前在日本橫濱市立大學(xué)附屬醫(yī)院試用。除此之外，Nie等人通過多角度地提取肺結(jié)節(jié)的PET特征、CT特征和臨床信息，設(shè)計了一個半自動的CAD系統(tǒng)來提高肺結(jié)節(jié)診斷的準(zhǔn)確率，Teramoto等人通過結(jié)節(jié)檢測和假陽性去除技術(shù)高效地實(shí)現(xiàn)了基于PET/CT的孤立性肺結(jié)節(jié)準(zhǔn)確檢測。

1.3 基于PET/CT圖像的CAD系統(tǒng)研究開發(fā)難點(diǎn)

就CAD系統(tǒng)而言，目前國外已有一些公司在人工智能醫(yī)學(xué)影像診斷上進(jìn)行嘗試，如美國硅谷的Enlitic，加拿大的Imagia。國內(nèi)的DeepCare、圖瑪深維、推想科技等也在進(jìn)行相關(guān)軟件的研發(fā)，不過都屬于起步發(fā)展階段，并且其仍然針對傳統(tǒng)CT影像。因此，盡管我國基于PET/CT圖像的相關(guān)算法研究已經(jīng)出現(xiàn)，但針對PET/CT醫(yī)學(xué)圖像的CAD系統(tǒng)研發(fā)基本上還處于起步階段，與真正投入臨床使用的CAD系統(tǒng)還有很大的差距，需要深入研究和解決的問題還有很多。例如如何去除由于PET/CT設(shè)備固有的特性而造成的圖像噪聲；如何實(shí)現(xiàn)器官、癌癥病變的精確分割；如何全方面地量化和提取癌癥候補(bǔ)區(qū)域的PET/CT圖像特征，尤其是其三維特征；如何通過不同的技術(shù)構(gòu)建合適的分類器或者優(yōu)化分類器的性能等。

2 基于PET/CT圖像的CAD系統(tǒng)的研究趨勢

計算機(jī)輔助診斷系統(tǒng)目前已發(fā)展成為計算機(jī)智能輔助診斷系統(tǒng)。計算機(jī)智能輔助診斷系統(tǒng)是指結(jié)合醫(yī)學(xué)影像技術(shù)以及其他可能的臨床醫(yī)學(xué)中的生理、生化手段，利用人工智能中的圖像處理技術(shù)和機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)的分析計算，輔助醫(yī)生發(fā)現(xiàn)患者病灶，提高對病變檢測和診斷的敏感性和特異性，或?qū)崿F(xiàn)病灶精確定位，為精準(zhǔn)醫(yī)療的實(shí)現(xiàn)提供輔助依據(jù)。

近些年，基于深度神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法成為目前人工智能領(lǐng)域的研究熱點(diǎn)，其中卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）相比較其他深度、前饋神經(jīng)網(wǎng)絡(luò)，需要估計參數(shù)更少，是一種頗具吸引力的深度學(xué)習(xí)結(jié)構(gòu)，已經(jīng)被應(yīng)用于醫(yī)學(xué)圖像的識別領(lǐng)域，并取得了一定的成果。Krizhevsky等人訓(xùn)練了一個正則化方法“dropout”降低全連接層的過擬合。Farabet等人提出利用場景圖像中的原始像素訓(xùn)練多尺度CNN,對大小不一的區(qū)域進(jìn)行密集特征提取，通過分層特征學(xué)習(xí)實(shí)現(xiàn)場景標(biāo)注。Jiu M等人采用多尺度卷積神經(jīng)網(wǎng)絡(luò)對深度圖進(jìn)行深度學(xué)習(xí)，實(shí)現(xiàn)人體部位識別。Zhang W等人將卷積深度網(wǎng)絡(luò)模型應(yīng)用到多模態(tài)的核磁影像中，對大腦圖像中的腦灰質(zhì)、腦白質(zhì)和腦間質(zhì)進(jìn)行了識別。因此基于深度學(xué)習(xí)的癌癥診斷算法研究將是基于PET/CT計算機(jī)輔助診斷系統(tǒng)研發(fā)的趨勢所在。傳統(tǒng)的計算機(jī)輔助診斷系統(tǒng)在人工智能快速發(fā)展的背景下其智能化屬性必然將被突出。

[1]Nie Y, LiQ, Li F, et al.Integrating PET and CT information to improve diagnostic accuracy for lung nodules:a semiautomatic computer-aided method[J]. Journal of NuclearMedicine, 2006, 47(7):1075-1080.

[2]Teramoto A, Fujita H, Tomita Y, et al. Pulmonary nodule detection in PET/CT images: improved approach using combined nodule detection and hybrid FP reduction[C].SPIE Medical Imaging.International Society for Optics and Photonics,2012: 83152V-83152V-6.

[3]Krizhevsky A, Sutskever I, Hinton G E. Image Net classification with deep convolutional neural networks[C].Advances in neural information processing systems.2012:1097-1105.

[4]Farabet C, Couprie C, Najman L, et al. learning hierarchical features for scene labeling[J].Pattern Analysis and Machine Intelligence, IEEE Transactions on,2013,35(8):1915-1929

[5]Jiu M, Wolf C, Taylor G, et al. Human body part estimation from depth images viaspatially-constrained deep learning[J].Pattern Recognition Letters,2014,50:122-129.

[6]Zhang W, Li R, Deng H, et al. Deep convolutional neural networks for multi-modality isointense infant brain image segmentation[J]. NeuroImage, 2015,108:214-224