基于PET/CT圖像的計算機輔助診斷（CAD）系統發展綜述

張瑞 程徐守祥 胡文 深圳信息職業技術學院 程超 上海長海醫院

基于PET/CT圖像的計算機輔助診斷（CAD）系統發展綜述

張瑞 程徐守祥 胡文 深圳信息職業技術學院 程超 上海長海醫院

本文對基于PET/CT圖像的計算機輔助診斷（CAD）系統的發展進行綜述。從基于PET/CT圖像的算法研究、CAD系統研發、CAD系統研發難點三方面進行了闡述。最后提出了基于PET/CT圖像的CAD系統研究發展趨勢，傳統的計算機輔助診斷系統在人工智能快速發展的背景下其智能化屬性必然將被突出。

PET/CT 計算機輔助診斷 人工智能 深度學習

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

1 CAD系統在PET/CT圖像處理領域的發展

1.1 國內外基于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展了起來，這其中以基于CT圖像的算法研究占大多數，這與CT影像技術的發展相對成熟有很大關系。在CT圖像的算法研究中，又以針對胸腔的肺結節及肺癌的分割及分類算法研究最為常見。國內外基于PET/CT混合成像的計算機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；算法的實現步驟主要包括：臟器分割、癌癥候補區域分割和良惡性分類。在我國，中國科學技術大學蔣田仔教授和太原理工大學趙涓涓教授的科研團隊分別針對腦瘤及肺結節進行了基于PET/CT圖像的系統算法研究，取得了不俗的科研成果。

1.2 國內外基于PET/CT圖像的CAD系統研究開發現狀

同樣，基于CT圖像的CAD系統研究開發較為常見。第一個通過FDA驗證的基于多探測器CT胸腔圖像的ImageChecker CT CAD軟件系統是由美國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為肺癌的實質肺結節。2006年西門子醫療推出的Syngo Lung CAD裝置能夠輔助放射醫師檢測直徑大于3mm的疑似結節。英國Medicsight 公司推出了兩款CAD系統：ColonCAD系統和LungCAD系統, ColonCAD系統針對大腸癌進行檢測，LungCAD對肺癌進行檢測。除此之外比較著名的還有荷蘭Philips公司的Pulmopackage系統、GE公司的Lung VCAR等。

在國內，癌癥CAD系統研究起步較晚，與國外發達國家之間有很大的差距，但是一些研究機構和大學實驗室比如中科院自動化所、東南大學和浙江大學醫學影像實驗室也取得了一定的研究成果，不斷地推動著國內CAD系統的發展。

PET/CT是近年來才出現的高端醫學影像技術，所以基于PET/CT成像的CAD系統還處于研究階段，目前成型的CAD系統由世界上PET/CT醫療設備生產商Philips、GE和Siemens自主研發，但由于軟件版權及其昂貴的費用在國內還未得到普及。日本橫濱國立大學的有澤博教授從事基于PET/CT的CAD系統研發十多年，基于大腦、頭頸部的CAD系統目前在日本橫濱市立大學附屬醫院試用。除此之外，Nie等人通過多角度地提取肺結節的PET特征、CT特征和臨床信息，設計了一個半自動的CAD系統來提高肺結節診斷的準確率，Teramoto等人通過結節檢測和假陽性去除技術高效地實現了基于PET/CT的孤立性肺結節準確檢測。

1.3 基于PET/CT圖像的CAD系統研究開發難點

就CAD系統而言，目前國外已有一些公司在人工智能醫學影像診斷上進行嘗試，如美國硅谷的Enlitic，加拿大的Imagia。國內的DeepCare、圖瑪深維、推想科技等也在進行相關軟件的研發，不過都屬于起步發展階段，并且其仍然針對傳統CT影像。因此，盡管我國基于PET/CT圖像的相關算法研究已經出現，但針對PET/CT醫學圖像的CAD系統研發基本上還處于起步階段，與真正投入臨床使用的CAD系統還有很大的差距，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設備固有的特性而造成的圖像噪聲；如何實現器官、癌癥病變的精確分割；如何全方面地量化和提取癌癥候補區域的PET/CT圖像特征，尤其是其三維特征；如何通過不同的技術構建合適的分類器或者優化分類器的性能等。

2 基于PET/CT圖像的CAD系統的研究趨勢

計算機輔助診斷系統目前已發展成為計算機智能輔助診斷系統。計算機智能輔助診斷系統是指結合醫學影像技術以及其他可能的臨床醫學中的生理、生化手段，利用人工智能中的圖像處理技術和機器學習、深度學習等技術的分析計算，輔助醫生發現患者病灶，提高對病變檢測和診斷的敏感性和特異性，或實現病灶精確定位，為精準醫療的實現提供輔助依據。

近些年，基于深度神經網絡的深度學習算法成為目前人工智能領域的研究熱點，其中卷積神經網絡（Convolutional Neural Networks,CNN）相比較其他深度、前饋神經網絡，需要估計參數更少，是一種頗具吸引力的深度學習結構，已經被應用于醫學圖像的識別領域，并取得了一定的成果。Krizhevsky等人訓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練多尺度CNN,對大小不一的區域進行密集特征提取，通過分層特征學習實現場景標注。Jiu M等人采用多尺度卷積神經網絡對深度圖進行深度學習，實現人體部位識別。Zhang W等人將卷積深度網絡模型應用到多模態的核磁影像中，對大腦圖像中的腦灰質、腦白質和腦間質進行了識別。因此基于深度學習的癌癥診斷算法研究將是基于PET/CT計算機輔助診斷系統研發的趨勢所在。傳統的計算機輔助診斷系統在人工智能快速發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