古新展 陳文天 戰(zhàn)躍福

CT圖像感興趣區(qū)域(region of interest，ROI)是醫(yī)學(xué)圖像處理和影像診斷的重要研究內(nèi)容，通過ROI特征提取及分割技術(shù)，顯示圖像中感興趣的器官或組織，對病變組織等相關(guān)特征進行定性和定量分析，以此提高臨床診斷和服務(wù)的水平[1-2]。目前，受到醫(yī)學(xué)圖像信息復(fù)雜性和多樣性等因素影響，ROI特征提取對算法的準(zhǔn)確度和實效性提出了更高的要求。模糊C均值(fuzzy C-means，F(xiàn)CM)聚類算法在相關(guān)文獻研究中證明了其算法的科學(xué)性和實用性，但對圖像中噪聲和偽影等比較敏感，因此在臨床上的應(yīng)用較少[3-4]。本研究基于FCM算法原理，回顧性分析醫(yī)院接診的臨床肺部CT影像資料，探討圖像局部ROI特征提取在臨床診斷中的應(yīng)用價值，為提高圖像處理能力和提升醫(yī)院放射科的診療水平提供依據(jù)。

1 資料與方法

1.1 一般資料

選取2016年1月至2018年5月瓊中縣人民醫(yī)院放射科接診的200例肺部疾病患者的200幅CT影像資料，其中鈣化病變37例，增殖性病變54例，結(jié)節(jié)與腫塊78例，空洞與空腔21例，其他表現(xiàn)10例。依據(jù)CT圖像處理前后的評價數(shù)據(jù)將其分為對照組和觀察組，原始圖像診斷及分析數(shù)據(jù)圖像為對照組，基于FCM算法進行ROI特征提取圖像為觀察組。觀察評價診斷準(zhǔn)確率和對比噪聲比(contrast-to-noise ratio，CNR)兩項指標(biāo)，并評估圖像處理效果。

1.2 納入與排除標(biāo)準(zhǔn)

(1)納入標(biāo)準(zhǔn)：①臨床資料完整，證實患者患有肺部相關(guān)疾??；②肺部結(jié)節(jié)性病灶直徑≤5 cm；③按照影像顯示規(guī)范、物理顯示規(guī)范、輻射劑量規(guī)范、成像技術(shù)規(guī)范以及影像密度規(guī)范，CT影像質(zhì)量符合診斷要求。

(2)排除標(biāo)準(zhǔn)：①為滲出性病變的患者；②為胸膜病變或縱膈改變的呼吸系統(tǒng)疾病患者。

1.3 儀器設(shè)備及檢查參數(shù)

采用Perspective型64排128層CT(德國西門子)。CT檢查固定管電壓130 kV，曝光模式為AEC，肺窗顯示：W=1200，L=-600。

1.4 FCM算法

FCM算法采用迭代算法進行目標(biāo)函數(shù)的優(yōu)化，獲得圖像ROI數(shù)據(jù)的模糊分類，用隸屬度函數(shù)定義的目標(biāo)函數(shù)計算為公式1：

式中C為設(shè)定的模糊分類數(shù)目，n為ROI數(shù)據(jù)樣本Xi的數(shù)量，μj(xi)為第i個樣本對第j個模糊類的隸屬度函數(shù)，且的常數(shù)，用以控制聚類結(jié)果的模糊程度，mj為第j模糊類的聚類中心。

FCM算法步驟為：①設(shè)定聚類數(shù)目C和常數(shù)p；②初始化各聚類中心mj；③計算隸屬度函數(shù)μj；④重新計算聚類中心；⑤重復(fù)以上兩步驟，獲得穩(wěn)定的聚類中心。目標(biāo)函數(shù)極小值的計算過程得到了不同類的聚類中心和隸屬度，完成ROI數(shù)據(jù)的模糊聚類劃分過程。

1.5 觀察及評價指標(biāo)

1.5.1 主觀評價指標(biāo)

對FCM算法處理后肺部CT圖像臨床應(yīng)用效果的主觀評價由5位具有兩年以上相關(guān)工作經(jīng)驗的影像醫(yī)師完成，采用盲法對ROI的病變類型進行鑒別診斷，對照組和觀察組的影像數(shù)據(jù)按照隨機編號進行呈現(xiàn)，統(tǒng)計診斷結(jié)果與臨床證實資料一致程度，計算方法為診斷結(jié)果符合臨床資料的患者數(shù)量占全部案例數(shù)量的百分比，即診斷準(zhǔn)確率?？紤]到不同主體評價結(jié)果的差異性，獨立性診斷準(zhǔn)確率的全部案例數(shù)量以5位醫(yī)師評價案例次數(shù)計算，每組分別為1000例(次)，而一致性診斷準(zhǔn)確率以5位醫(yī)師完全一致且準(zhǔn)確的例數(shù)進行計算，全部案例數(shù)為200例。

1.5.2 客觀評價指標(biāo)

由于FCM算法對圖像的噪聲敏感，因此在ROI特征提取效果的客觀評價方面，采用CNR指標(biāo)進行觀察，既分析圖像中噪聲的變化程度，也量化噪聲對病灶組織對比度以及信噪比(signal noise ratio，SNR)的影響程度[5-6]。其計算為公式2和公式3：

式中CNR為肺部CT圖像ROI，SNR為信噪比，x-為n個樣本xi的平均值，空白區(qū)選取為圖像中0.4～0.6 cm2的邊緣區(qū)域。

1.6 統(tǒng)計學(xué)方法

采用SPSS 19.0軟件對兩組的觀察及評價指標(biāo)進行統(tǒng)計，主觀評價中的計數(shù)資料以百分比(%)表示，采用x2檢驗，客觀評價中的計量資料以均數(shù)±標(biāo)準(zhǔn)差(x-±s)表示，采用t檢驗，以P＜0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 FCM算法處理結(jié)果

在200例肺部疾病患者中，肺結(jié)核患者51例(占25.5%)；肺腫瘤患者72例(占36.0%)；肺部炎癥患者68例(占34.0%)；其他肺部疾病患者9例(占4.5%)。經(jīng)初步篩查后選取200例肺部CT圖像的ROI區(qū)域，特征提取的典型圖像案例如圖1、圖2所示。

圖1 周圍型肺癌患者FCM算法處理后ROI特征提取圖像

圖2 肺錯構(gòu)瘤患者FCM算法處理后ROI特征提取圖像

2.2 應(yīng)用分析結(jié)果

2.2.1 主觀評價結(jié)果

由5位影像醫(yī)師分別對200例患者的200幅肺部CT圖像及FCM處理后圖像進行主觀評價，雙盲法評價后的結(jié)果顯示，不同醫(yī)師對CT原始圖像的診斷結(jié)果完全一致且準(zhǔn)確175例，占87.5%，而獨立性診斷結(jié)果準(zhǔn)確969例(次)，占96.9%；對FCM處理圖像的診斷結(jié)果完全一致且準(zhǔn)確189例，占94.5%，而獨立性診斷結(jié)果準(zhǔn)確985例(次)，占98.5%。觀察組的診斷準(zhǔn)確率明顯高于對照組，兩組一致性診斷正確率和獨立性診斷正確率差異均有統(tǒng)計學(xué)意義(x2=5.983，x2=5.696；P＜0.05)，見表1。

表1 主觀評價分析結(jié)果

2.2.2 客觀評價結(jié)果

應(yīng)用CNR指標(biāo)分別統(tǒng)計FCM算法處理前后的200例患者圖像ROI的客觀評價數(shù)據(jù)，觀察組的SNRROI為41.19±3.25，低于對照組的39.78±4.27，兩組相比差異有統(tǒng)計學(xué)意義(t=2.335，P＜0.05)，表明FCM算法處理后的圖像噪聲明顯提高，圖像ROI的SNR降低；而觀察組的CNR為6.48±3.91，高于對照組的8.36±5.63，兩組相比差異有統(tǒng)計學(xué)意義(t=2.612，P＜0.05)，表明FCM算法處理后的圖像對比度明顯提高，噪聲對圖像質(zhì)量的影響程度降低，見表2。

表2 客觀評價分析結(jié)果(±s)

表2 客觀評價分析結(jié)果(±s)

注：表中SNRROI為感興趣區(qū)域的信噪比；CNR為對比度噪聲比。

組別 SNRROI CNR對照組 41.19±3.25 6.48±3.91觀察組 39.78±4.27 8.36±5.63 t值 2.335 2.612 P值 0.022 0.010

3 結(jié)論

醫(yī)學(xué)圖像特征提取是突出ROI的特殊組織，為定量和定性分析及可視化操作提供必要的有效信息，臨床應(yīng)用范圍包括組織結(jié)構(gòu)分析、動態(tài)分析、三維重建、放射治療及治療評估等方面，對提高影像診斷準(zhǔn)確率起到了積極作用[7-9]。目前，國內(nèi)外關(guān)于特征提取技術(shù)的研究較多，但臨床應(yīng)用研究的內(nèi)容較少，圖像處理的技術(shù)操作性和存在的不足是主要的影響因素，制約了放射科圖像后處理工作水平的不斷提升。

本研究結(jié)合醫(yī)院放射科的實際接診案例，回顧性分析和處理CT影像資料，以FCM均值算法為理論依據(jù)，開展肺部CT圖像ROI特征提取的應(yīng)用研究。臨床應(yīng)用效果分析通過主觀評價和客觀評價兩方面開展，其中主觀評價的觀測指標(biāo)是影像診斷準(zhǔn)確率，客觀評價的觀測指標(biāo)是CNR。結(jié)果顯示，觀察組的圖像診斷準(zhǔn)確率高于對照組，且從一致性診斷和獨立性診斷的準(zhǔn)確率兩個方面，分析FCM算法的應(yīng)用價值，表明基于FCM算法的ROI特征提取有助于提高影像診斷準(zhǔn)確率。觀察組的圖像CNR明顯高于對照組，表明基于FCM算法的肺部CT圖像ROI特征提取在臨床中具有較高的應(yīng)用價值，圖像質(zhì)量明顯提高，有利于提高放射科的臨床診療效果。

FCM算法與傳統(tǒng)的聚類分割技術(shù)相比，引入了模糊概念，不需要人工干預(yù)，在圖像ROI特征提取中具有較高的應(yīng)用價值[10-12]。同時，由于FCM算法對圖像噪聲和偽影具有敏感性，本研究進行局部圖像的后處理，降低了圖像處理過程中的不良影響，但限于該研究對象和內(nèi)容的特殊性，后期將進一步開展其他部位及疾病的圖像ROI特征提取的研究工作，為提高影像診斷水平奠定工作基礎(chǔ)。