1.2.4　结直肠医学图像CAD系统

1.基于光学结肠镜图像的CAD系统

结直肠癌（CRC）是世界范围内第三位常见癌，致死率位列第四，每年导致700 000人死亡［150，151］。结直肠癌与结直肠息肉有着重要的关系（如图1.4所示［152］）。早期检查出并移除息肉，对可能发展为结直肠癌患者的寿命延长是至关重要的。光学结肠镜（OC）是息肉检出最普遍的工具，然而，由于结直肠的结构错综复杂，息肉的漏诊率保持在25%左右，所以针对结直肠息肉的CAD系统对降低漏诊率是必要的。

Kominami等［39］对他们开发的实时检测结直肠息肉的CADx系统进行了应用评估。该系统从窄带图像上以5和7像素尺度得到不同128维的SIFT特征描述子，用级联的k-means聚类形成描述不同类型图像的特征袋，最后用线性核SVM分类。对41个患者、118个直肠切除后的患者进行检查，把系统的诊断结果与内窥镜、细胞组织学诊断结果进行了对比，取得了很高的一致性、灵敏度和特异度。

Devi等［153］提出了一个减少结肠息肉CADx计算时间的方法。在CAD系统中首先用大津法分割结肠组织，然后用k-Means聚类抽取特征，最后用SVM和ANN利用特征对病变区域分类。该系统的学习效率很高，能为临床诊断决策提供额外的信息。与已有的系统相比，该系统还有更小的均方误差，而且计算用时也更少。

2.基于CTC图像的CAD系统

临床医学光学结肠镜是目前息肉检测和去除的主要工具。不过由于它有侵入性，对于50岁以上的人群筛查，是被禁止使用的。作为替代筛查方法，不具侵入性的CT结肠镜（CTC）逐渐发展起来，对息肉的检测展现出较好的性能［154，155］。CTC也称作虚拟结肠镜，是一种用CT成像在经过清洗和空气扩张过的结肠上检测结肠息肉的技术。大多数CTC CAD系统由下面3步组成：从CTC图像中分割出结肠；从抽取的结肠中检测息肉ROI；从息肉候选区域中去除假阳性或分类为良性/恶性病变。

1）结肠分割

对CT图像所做的准确和自动的分割是CT结肠造影中许多临床应用的关键步骤，在结肠息肉计算机辅助诊断检测（CAD）中也是如此。结肠分割实际上是指结肠壁的分割，是CAD方案的基本步骤。结肠壁的理想分割对于整个CAD方案的性能表现至关重要。如果结肠部分错过或小肠和一些其他结肠结构被错误地包括在内，那么后面的息肉检测和分类的质量将受到明显的影响［156］。

Yang等［157］引入了图推理方法以移除结肠之外的部分，应对结肠分割中的两个挑战：结肠折叠和附着的非结肠结构去除；达到高质量的分割。首先把每一个3D空气填充的对象分解成一组3D区域，用区域层特征训练一个分类器以区分结肠区域和非结肠区域，去除明显分离的非结肠部分，然后用一个先验拓扑约束进行全局建模，去除剩下的未附着非结肠部分。对于附着的非结肠部分，在每一个3D对象内部的区域用一个级联的条件随机场建模，用生成的图形进行剪除。尽管在小区域分类时性能稍有欠佳，试验结果证实从各个区域之间依赖的角度建模，其性能超出了单纯从对象识别层次的差别学习方法。同时，这种方法也能提高依赖结肠分割的其他应用程序的性能，如fly-through、CAD和俯卧/仰卧配准等。Lu等［158］也为这两个问题提供了可行的解决方案。第一个问题可通过最短路径选择算法解决，在整个过程中，正确连接结肠的断开段不再需要额外的操作。对于第二个问题，即如何处理环和结肠附着物（如骨骼和小肠），作者引入了基于互补的测地线距离图（CGDM）算法剔除。算法的试验结果与医生的手动分割结果达到了90.56%的正确重合率。

2）息肉检测

息肉是从大肠（结肠或直肠）的黏膜突出并伸到肠道（管腔）中的组织的异常生长，扁平的，或有蒂。大部分结肠癌是从息肉发展而来的，不过这需要5～15年的恶性转变。结肠息肉的大小是一个与恶性发生风险相关的生物标志物，也对临床处理措施起指导作用。虚拟结肠镜工作组的专家的一致共识是：6～10mm的阈值是尤其值得关注的［33］。

Chen等［159］发现，结肠息肉的实际大小比在CTC下观察到的平均小1.2mm左右。为了更准确地检测结肠壁上的小息肉（5～8mm），Wang等［160］展开了一个结肠结构分解的息肉检测CAD方案研究。为了获得更好的检测结果，研究中使用了相对的全局和局部方法。复杂的结肠被分离成多个均匀的一致分段，通过对立体图像的二阶导数分析，将Haustral折叠和Haustral壁分成两种独立形态的形状。这样，息肉检测看起来像是在相对简单的表面上发现某些异常突起，因此立体图像中的小息肉形态学的突出特征将被增强。此试验中作者选取了60个患者，灵敏度均值为0.99。

Song等［160］展示了一个基于Haralick纹理分析模型的息肉虚拟病理学模型。探索利用从图像密度分布的高阶微分或振幅得到纹理特征（如梯度和曲率），模仿病理学振幅。一阶特征从图像密度分布梯度中抽取，二阶特征从图像密度分布曲率导出。通过在一个3×3×3的块中增加9个方向，将2D Haralick特征模型扩展成3D，同时使用3D密度图和密度的相关信息及高阶关系构建了一个新的共生矩阵。最终的试验结果表明，用模型计算出的高阶纹理特征包含更多病理诊断所需的判别信息。

张国鹏等［161］在虚拟结肠镜系统中利用3D纹理特征实现病灶的计算机辅助诊断，并对几种常见的临床病理类型病灶和正常样本进行比较分析。分析显示，除了增生型息肉和管状腺瘤两组间区别不明显，其余组两两之间的差异均有统计学意义。此探索说明在虚拟结肠镜中用3D纹理特征对病灶进行分类，具有实现计算机辅助诊断的可行性。

在另一项研究［162］中，作者对以往用于检测结肠镜检查视频中的息肉CAD算法做了改进。作者在以往的工作中应用了一个特征图像模型，从各种视角和成像条件的结肠镜视频中提取表示息肉、正常组织、憩室等的特征。使用条件随机场（CRF）模型进行分类，该模型考虑了结肠镜检查视频中存在的空间和时间邻接关系。在该研究中使用从CNN经过训练以识别结肠镜检查视频中相同图像类型的框架，提取的特征作为图像特征描述符，用作CRF分类器的输入。与以前的传统特征图像模型相比，CNN导出的特征显示出对视角和图像品质因素变化的更大不变性。最后使用人和小鼠结肠镜检查数据报告新算法的测试结果，达到了85%的灵敏度和86%的特异度。尽管如此，作者指出该研究中仅将CRF单独用于息肉检测，也没有把视频中相邻帧的关系结合到CNN中。

3）去假阳性/分类

CAD方案中一般在候选区域检测之后是有监督的分类［14］，候选检测的任务是通过包括尽可能多的疑似病变区域来实现高检测灵敏度。CAD中通常的分类方法是以领域知识人工提取许多基于灰度、纹理、几何和其他性质的特征为基础，进而设计和训练分类器进行分类。

并不是所有提取到的特征都可能有助于判别病变与非病变。因此，在有效分类器的设计中，选择最具差异性的特征来区分病变与非病变是至关重要的。Xu等［163］提出了一种基于顺序前向浮动选择（SFFS）和特征选择方法，以提高CT结肠镜（CTC）中息肉计算机检测分类器的性能。作者将SFFS与SVM分类器相结合，选择能最大化AUC的相关特征。在SFFS程序中提出了两种使用不同停止标准的方法。第一种方法搜索SFFS过程中允许的所有特征组合，并选择最大化AUC值的子集。第二种方法在SFFS执行期间对每个步骤进行统计检验，如果AUC值的增加没有统计学差异则将其终止。通过比较发现：第二种方法有较低的计算成本。最后，作者用这些选择特征训练的两个SVM分类器分别在息肉的假阳性率为4.1%和6.5%时产生96%的检测灵敏度。

对于诊断结肠息肉病变的恶性/良性的CAD，Hu等［154］发现对于支持向量机（SVM）、随机森林（RF）和线性判别分析（LDA），每个分类器各有优缺点，在不同的情况下性能变化较大。受此启发，作者探索新的分类器克服单个分类器的局限性，通过对3种分类器的不同组合并试验测试，最终发现3种分类器的结合分类性能是最好的。在通过计算机辅助诊断疑似病变时，特征分类扮演着重要的角色。在CAD系统中，RF是广泛集成的分类学习算法，由kNN和wkNN分类器得到的位置指数（LI）有很高的判别准确度。Hu等［164］设计了一个算法，把LI集成到RF中，对于一个新的待检测样例，先用位置指数尺度检测其LI得分，如得分在边缘阈值外，则明显属于某一类；如得分在边缘阈值内，则进一步用建立的RF模型判断其类别。这样既提高了运算速度，也得到了更高的系统分类性能。

3.其他结直肠医学图像CAD系统

自体荧光是指生物组织被一定波长的激发光激发后，处于激发态的分子在下降到基态过程中，以光量子的形式释放出所吸收的能量，即荧光。荧光的产生与生物体特定的分子结构有关，不同的生物组织由于其分子结构的不同，所对应的荧光光谱也不同。这种特异性的自体荧光可作为内镜下确定活检部位的参照指标，有助于提高早期癌症的检出率。

Aihara等［165］开发了一个在自体荧光内镜（AFE）检查时通过实时颜色区分结肠肿瘤病变和非肿瘤病变的CAD系统。在AFE检查中对病变区域色调采样，绿/红比小于1.01则被判断为肿瘤，小于1.01则被判断为非肿瘤。研究表明该系统可以明显减少对非肿瘤病变的误诊。