醫學圖像分析技術的發展與應用

馬玉珍，陳 瑋，武周煒 綜述 穆學濤 審校

醫學圖像分析技術的發展與應用

馬玉珍1，陳 瑋2，武周煒3綜述 穆學濤4審校

醫學圖像；圖像分割；輔助診斷；影像引導治療

人類和動物對周圍環境的感知80%依賴于眼睛，充分說明圖像具有信息量大、信息直觀性強等優點。在醫學領域，X射線、CT等成像技術不斷進步，為醫師的臨床診斷提供了豐富的圖像信息。近年來，計算機科學不斷創新，圖像分析成為信息處理技術中發展最快的領域之一。作為醫學影像、圖像處理、人工智能等學科的交叉部分，醫學圖像分析成為國內外的研究熱點。

醫學圖像分析技術，是指運用各種方法對圖像中的興趣區域和目標進行定量或定性檢測，最大限度地挖掘圖像內涵，為臨床醫師或科研人員提供信息參考。與傳統的人工解讀方式相比，醫學圖像分析技術能夠很大程度上避免醫師學識、經驗、情緒對病情診斷的影響；同時節省醫師精力，大幅度提升臨床篩查或診斷效率，具有重大的社會效益和廣泛的應用前景，對于解決我國醫療衛生資源緊缺問題有著至關重要的作用。

1 技術發展

圖像分析技術最初起源于20世紀50年代，主要用于將低質量圖像轉換為高質量圖片，改善圖片視覺效果。20世紀60年代，美國噴氣推進實驗室首次實際應用了圖像處理技術，通過對航天探測器拍攝的月球照片進行幾何校正、灰度變換等處理，成功繪制出月球表面形貌。自20世紀70年代，圖像分析技術開始向更高層次發展，研究者們嘗試模仿人類視覺系統理解外部世界。近年來，隨著計算元件的發展和圖像處理元件(graphics processing unit，GPU)的進步，圖像分析技術得到廣泛應用。比如在工業自動化領域，圖像分析技術可以輔助機械手抓取[1]，引導集成電路焊接[2]，并對零件裝配精度進行反饋；在工業檢測方法，可以通過圖像分析查探產品瑕疵和鑄件內部裂縫[3]；在遙感方面，圖像分析技術可用于礦物探測、自然災害防控等；在安全防范方面，可以通過圖像分析技術實現人臉識別[4]、虹膜身份識別[5]以及關鍵區域人流量分析[6]；在軍事方面，圖像分析技術可用于武器制導[7]、雷達目標探測[8]、傷員搜救[9]以及目標測距等。

2 應用現狀

隨著社會的發展，醫院內配置的現代化醫療設備越來越多，其中醫學影像技術在臨床診斷和醫學研究中的作用日益凸顯。現代醫療設備，如電子計算機斷層掃描(computed tomography，CT)、磁共振成像(magnetic resonance imaging，MRI)等，往往能夠在短時間內產生大量的高分辨率圖像。傳統的人工解讀圖像方式受到臨床人力資源的制約。因此，對海量圖像信息理解必須借助計算機分析手段，通過對圖像的加工處理、整合分析，發揮醫學影像更大的作用。圖像分析技術在醫學領域內的應用主要有醫學圖像分割、臨床輔助診斷及影像導引治療等。

2.1 醫學圖像分割 醫學圖像分割是指在包含各種組織、器官的醫學影像中分割出特定組織，方便醫師清晰理解影像信息。醫學圖像分割是醫學圖像識別、醫學三維重建、醫學圖像檢索、醫學圖像匹配等研究的基礎性工作，是決定計算機視覺技術臨床應用效率和效果的重要因素。目前，醫學圖像分割主要有四種方法:首先是基于閾值的圖像分割方法，典型算法包括自適應閾值法、最大熵法及最大類間方差法；第二類方法是基于邊緣的分割方法，典型算法包括線性邊緣檢測、非線性邊緣檢測、邊界曲線擬合及基于變形模板的邊緣檢測；第三類方法是基于區域的圖像分割方法，典型算法包括區域生長法、分裂合并法等；第四類方法是基于聚類的圖像分割方法，典型算法有基于平均誤差的聚類、基于混合密度的聚類及基于有限混合模型的聚類。醫學圖像分割在臨床上的具體應用包括MR腦圖像分割[10]、CT肝臟圖像分割[11]及頸動脈血管圖像分割[12]等。

如今，深度學習發展迅速，在計算機視覺的各個領域都展現出強大的識別能力。Zhang等[13]將深度學習用于淋巴結檢測。首先，通過訓練好的隨機森林分類器，檢測出淋巴結的大概位置，然后根據矢狀面、橫切面、冠狀面及三維角度創建出淋巴結的空間立體投影。最后，在空間投影圖像中提取方向梯度直方圖(histogram of oriented gradients，HOG)特征作進一步的檢測與識別。

2.2 臨床輔助診斷 臨床輔助診斷建立在醫學圖像病理形態學基礎上，即是否發生病變可通過細胞、組織或器官的形態結構變化進行判斷。傳統上，病理形態學的觀察多是定性研究，缺乏精確且客觀的定量標準。使用計算機圖像分析技術則彌補了這個缺點，并且隨著相關領域的發展，形態定量技術已從二維空間向三維空間發展。在腫瘤病理方面，圖像分析技術主要用于測定核形態參數，可區分癌和癌前病變、區別良惡性腫瘤以及對腫瘤的組織病理進行分級。Dan Cirean等[14]使用max-pooling CNN方法，對胸部組織圖像做有絲分裂的分析，從而實現了對胸部癌癥細胞的檢測。結果顯示，精確度可達到90%。此外，圖像分析技術還可用于糖尿病性視網膜病變的檢測[15,16]、DNA倍體測定[17,18]及免疫組織化學中的顯色反應測定[19]。

2.3 影像導引治療 惡性腫瘤是危及人類健康的主要疾病，但目前能夠通過外科手術根治的腫瘤不到三分之一?；瘜W藥物治療和放射治療成為治愈腫瘤的重要途徑，但如使用不當，化療和放療會對正常組織造成損害。為了實現對腫瘤的精準治療，在治療前、治療中，可使用圖像分析技術對人體組織器官醫學影像進行三維重建，實時監控腫瘤及正常器官，根據器官位置變化調整治療條件使得射線照射緊緊追隨靶區。這種影像導引治療方法充分考慮了解剖組織在治療過程中的運動和分次治療間的位移誤差，比如呼吸運動、小腸蠕動、膀胱充盈、胸腹水、日常擺位誤差、腫瘤增大、縮小等引起放療劑量分布的變化和對治療計劃的影響等，因而能夠提升治療效果，減少治療不良反應。

3 發展趨勢

3.1 醫學圖像分析標準化 圖像分析系統的準確性、穩定性影響著其在臨床上的應用效果?，F階段，各公司圖像分析系統的評價與驗證多采用私有數據集，對實驗結果的評估方法、評價原則均不統一，使得算法的性能驗證難以得到公認。醫學圖像分析技術應用于定性、定量檢測方面也要求精確度更高。因此，建立標準醫學圖像數據集及評估準則具有十分重要的意義。

3.2 醫學圖像分析多樣化 現階段的醫學圖像分析多針對靜態圖像。而時序維度上的組織、器官變化也是臨床診斷上非常重要的信息。比如利用MR心臟時序圖像分析左心室運動和形變定量數據，從而評價心臟功能，發現有臨床意義的全局或局部心肌功能的改變。還有計算機圖像分析識別技術有利于醫學領域的發展和進步[20,21]。因此如何從時序圖像中發掘有用的臨床信息，是未來醫學圖像分析系統需要解決的問題之一。

3.3 醫學圖像分析智能化 隨著人工智能技術的發展，計算機越來越能夠勝任人類的繁雜工作。未來的醫學圖像分析系統勢必會采用更復雜、高端的智能算法，賦予計算機足夠的語義理解和圖像信息挖掘能力，從而進一步提高臨床診療效率或醫學研究效率。

[1] 盧泉奇,苗同升,汪 地,等. 基于HALCON的機械手視覺抓取應用研究[J]. 光學儀器, 2014, 36(6):492-498.

[2] 吳君強. 電路板芯片引腳焊接缺陷機器視覺檢測系統[D]. 天津科技大學, 2013.

[3] 黃 茜,彭 嘯,孫 濤. 基于定性視覺特征的鑄件疏松型缺陷圖像生成[J]. 現代電子技術, 2011, 34(2):79-81.

[4] 歐 凡.機器視覺人臉識別若干關鍵問題研究[D]. 大連理工大學, 2011.

[5] 董文博,孫哲南,譚鐵牛. 基于雙目視覺和旋轉云臺的遠距離虹膜識別系統[J]. 科技導報, 2010, 28(5):34-39.

[6] 吳玉堂. 基于視覺的行人流量統計方法研究[D]. 杭州電子科技大學, 2013.

[7] 王 立. 視覺機制研究及其在紅外成像制導中的應用[D]. 西北工業大學, 2004.

[8] 崔振華. 基于視覺和激光雷達的夜間前方車輛探測算法研究[D]. 吉林大學, 2008.

[9] 劉保真,蘇衛華,陳 卓,等. 傷員搜尋任務中人體的視覺檢測方法研究[J]. 醫療衛生裝備, 2017, 38(2):118-121.

[10] Zhou Z, Ruan Z. Multicontext wavelet-based thresholding segmentation of brain tissues in magnetic resonance images[J]. Magnetic Resonance Imaging, 2007, 25(3):381.

[11] Jiang H Y, Gao X H. Semi-Automatic Liver Segmentation Using Improved GVF Snake Model[J]. Advanced Materials Research, 2010, 121:435-440.

[12] Kim D Y, Chung S M, Park J W. Automatic navigation path generation based on two-phase adaptive region-growing algorithm for virtual angioscopy[J]. Medical Engineering & Physics, 2006, 28(4):339.

[13] Zhang W, Li R, Deng H,etal. Deep Convolutional Neural Networks for Multi-Modality Isointense Infant Brain Image Segmentation[J]. Neuroimage, 2015, 108:214-224.

[15] 丁蓬莉, 李清勇, 張 振,等. 糖尿病性視網膜圖像的深度神經網絡分類方法[J]. 計算機應用, 2017, 37(3):699-704.

[16] 陳萌夢. 糖尿病視網膜圖像自動篩查和分析的研究[D].重慶醫科大學, 2014.

[17] 邵少慰, 羅巧明. 細胞DNA倍體圖像分析在宮頸癌及癌前病變篩查中的應用[J]. 中國體視學與圖像分析, 2013，8(4):413-420.

[18] 趙 品. 宮頸脫落細胞DNA倍體分析在宮頸內瘤樣變篩查中的作用[D]. 暨南大學, 2010.

[19] 黃宏博. 基于圖像處理的體外診斷試劑濃度定量檢測[J]. 計算機工程與應用, 2011, 47(26):184-185.

[20] 賈小偉，張 蛟，李 屹,等. 支架影像增強顯影技術對冠狀動脈分叉病變介入治療的作用[J]. 武警醫學，2017, 28(7):672-674.

[21] 陸 敏, 李曉小,馬 明,等. 武警部隊遠程醫學建設與應用統計分析[J]. 武警醫學，2016, 27(9):963-965.

馬玉珍，本科學歷，高級實驗師。

1.102613 北京，武警綜合保障基地藥品儀器檢驗所；2.610041，武警四川總隊成都醫院；3.300162 天津，武警后勤學院附屬醫院；4.100039 北京，武警總醫院核磁共振科

R445.6

(2017-05-15收稿 2017-09-23修回)

(責任編輯 尤偉杰)