虛擬結(jié)腸鏡及計(jì)算機(jī)輔助檢測(cè)

1、虛擬結(jié)腸鏡(CTC)及計(jì)算機(jī)輔助診斷(CAD)綜述1.前言在發(fā)達(dá)的國(guó)家，結(jié)腸癌是癌癥相關(guān)死亡的首要原因。結(jié)腸癌統(tǒng)計(jì)表明，在美國(guó)，2000年有130,200新病例被確診，其中56,300人因此而死亡。在英國(guó)，1999年新發(fā)現(xiàn)35,600個(gè)病例，到2001年16,170人死亡于結(jié)腸癌。在愛(ài)爾蘭，1998-2000年期間有2,720例死于結(jié)腸癌，愛(ài)爾蘭的醫(yī)學(xué)統(tǒng)計(jì)表明，結(jié)腸癌是婦女癌癥相關(guān)致死的第二大原因，是男子癌癥相關(guān)致死的第三大原因。通常情況下，結(jié)腸癌是由息肉發(fā)展而來(lái)，息肉是有結(jié)腸軟組織異常增長(zhǎng)形成的，隨著時(shí)間的推移息肉有可能發(fā)生癌變。息肉的生長(zhǎng)過(guò)程是緩慢的（發(fā)生息肉癌變可能需要數(shù)年），通過(guò)內(nèi)窺鏡

2、早期檢測(cè)和清除息肉已被證明能夠有效的減少結(jié)腸癌死亡率1。傳統(tǒng)結(jié)腸鏡(conventional colonoscopy, CC)是目前公認(rèn)的篩選和確診結(jié)腸腫瘤的金標(biāo)準(zhǔn)，但因其是一種侵入性檢查，病人常不易接受2。1994年Vining等3首先提出了仿真結(jié)腸鏡檢查技術(shù)，此后結(jié)腸成像(CT colonography, CTC)技術(shù)得到很快的發(fā)展。2. CTC的應(yīng)用價(jià)值CTC可顯示腸腔內(nèi)壁和黏膜皺襞，可觀(guān)察起源于結(jié)腸袋內(nèi)、結(jié)腸半月襞近側(cè)面和盲腸內(nèi)側(cè)壁上的病變（如息肉、腫瘤）等，能較全面地觀(guān)察結(jié)腸腫瘤、息肉等病變的形狀、大小及密度等形態(tài)特征，可顯示結(jié)腸壁的厚度，鑒別起源于結(jié)腸壁內(nèi)、外的占位抑或外來(lái)壓迫性腫

3、塊2，其應(yīng)用價(jià)值可以從以下四個(gè)方面說(shuō)明：(1)CTC 用于結(jié)腸息肉性病變的診斷以目前公認(rèn)的CC為金標(biāo)準(zhǔn)，大多數(shù)關(guān)于結(jié)腸癌高危人群的研究顯示對(duì)于檢測(cè)直徑10mm 的結(jié)腸息肉病變CTC具有較高的敏感性和特異性，與CC法相近似， 而對(duì)直徑5mm的病變， 其敏感性較低。(2) CTC用于結(jié)腸癌的術(shù)前分期結(jié)腸癌的術(shù)前分期對(duì)治療手段的合理選擇、手術(shù)方案的制訂都具有重要意義。常規(guī)CT術(shù)前分期的準(zhǔn)確度不高，較小的但已轉(zhuǎn)移的淋巴結(jié)常難以檢出，且不易與血管影區(qū)分。研究發(fā)現(xiàn)增強(qiáng)CTC能準(zhǔn)確地測(cè)量淋巴結(jié)大小，結(jié)合MR技術(shù)可更容易地把淋巴結(jié)和血管影區(qū)分開(kāi)，使N分期的準(zhǔn)確度從單純橫斷面CT時(shí)的59%提高到80%；此外，全

4、腹部的CTC檢查也能發(fā)現(xiàn)遠(yuǎn)處轉(zhuǎn)移病灶。(3)CTC檢查易被病人接受CTC屬無(wú)創(chuàng)性檢查，毋需使用鎮(zhèn)靜劑。而CC具有一定的創(chuàng)傷性，不宜被大多數(shù)人接受，且伴有0.1%的腸穿孔和0.02%的死亡率。而CTC則不存在這些問(wèn)題，副作用比CC小，因而較受病人歡迎。(4)對(duì)結(jié)腸檢查成功率高CC可因不能通過(guò)腸道閉塞部或彎曲部而造成檢查不完全或失敗，且有90%以上結(jié)腸鏡檢查不完全者，CTC檢查可成功地顯示以前未觀(guān)察到的結(jié)腸部位。CTC 可從直腸到盲腸及從盲腸到直腸2個(gè)相反方向觀(guān)察，對(duì)可疑病變進(jìn)行遠(yuǎn)側(cè)面、近側(cè)面、正面及斜面多方向觀(guān)察。對(duì)梗阻性腸癌病人在內(nèi)窺鏡檢查無(wú)法越過(guò)病變段時(shí)，可顯示狹窄上方腸腔情況，全結(jié)腸的腔內(nèi)

5、檢查成功率高。此外，CTC 還可同時(shí)觀(guān)察到腸管外的情況，以鑒別是否系腔外腫物向腔內(nèi)突出以及局部侵犯、遠(yuǎn)處轉(zhuǎn)移的情況，這對(duì)結(jié)腸癌的分期有重要意義。發(fā)現(xiàn)結(jié)腸外病變亦是CTC獨(dú)具的優(yōu)勢(shì)，在一組息肉高危人群中，近半數(shù)的病例有結(jié)腸外異常發(fā)現(xiàn)，其中11%具有臨床重要意義，包括肺結(jié)節(jié)、腹部主動(dòng)脈瘤、腎癌和腸疝。3.CTC的關(guān)鍵技術(shù)虛擬內(nèi)窺鏡(CTC)它把虛擬的視點(diǎn)置人腸腔內(nèi)部，利用圖像三維重建技術(shù)對(duì)視點(diǎn)前方的組織進(jìn)行動(dòng)態(tài)的顯示。主要包括以下關(guān)鍵技術(shù)：(1)結(jié)腸漫游路徑的提取。在CT 結(jié)腸虛擬內(nèi)窺中，需要生成一條路徑，作為漫游路徑，實(shí)現(xiàn)自動(dòng)導(dǎo)航。在自動(dòng)導(dǎo)航的過(guò)程中，觀(guān)察結(jié)腸內(nèi)表面上是否存在病灶（如息肉等），醫(yī)

6、生可以標(biāo)記出有可能是息肉或異常的區(qū)域，并對(duì)這些區(qū)域做進(jìn)一步的檢查和分析。常見(jiàn)的結(jié)腸漫游路徑提取算法有手工標(biāo)定法、拓?fù)浼?xì)化法、最短路徑法和距離變換法等。(2)虛擬切開(kāi)。結(jié)腸虛擬切開(kāi)包括“立方體虛擬切開(kāi)的方式來(lái)顯示360 度的三維全景和切開(kāi)在一個(gè)平面上顯示的整個(gè)結(jié)腸二維全景。通過(guò)切開(kāi)的二維平面，醫(yī)生在屏幕上一次或多次瀏覽就可以了解整個(gè)結(jié)腸內(nèi)表面的情況，從而可以快速了解結(jié)腸內(nèi)表面息肉的數(shù)量以及在切開(kāi)前結(jié)腸中的大概位置。在臨床虛擬內(nèi)窺鏡觀(guān)察過(guò)程中，這種切開(kāi)的效果不能代替虛擬內(nèi)窺鏡的觀(guān)察，其臨床意義為醫(yī)生可以快速瀏覽。目前虛擬切開(kāi)的常用算法有:基于“電場(chǎng)”投影，表面正形投影，光線(xiàn)投影，非線(xiàn)性投影等。 (

7、3)繪制方法4。主要分為面繪制與體繪制，前者多基于Marching Cube方法，具有處理數(shù)據(jù)量小，容易達(dá)到實(shí)時(shí)顯示和交互操作的優(yōu)點(diǎn)。通過(guò)對(duì)數(shù)據(jù)的預(yù)處理，能有效抑制噪聲導(dǎo)致的器官表面的粗糙與不規(guī)則，在評(píng)價(jià)管腔狹窄與突人管腔內(nèi)部的腫塊方面，面繪制得到的結(jié)果與纖維內(nèi)窺鏡對(duì)比差別不大。然而該方法要構(gòu)造等值面，導(dǎo)致三維數(shù)據(jù)場(chǎng)中許多數(shù)據(jù)被丟失，其中包括一些形狀特征不明顯，亮度有變化的軟組織數(shù)據(jù)，所以在對(duì)細(xì)節(jié)的觀(guān)察方面效果不佳。后者多基于光線(xiàn)投射法的透視體繪制技術(shù)，該方法利用了數(shù)據(jù)場(chǎng)中的所有數(shù)據(jù)，能真實(shí)再現(xiàn)那些細(xì)微又對(duì)診斷疾病很有價(jià)值的信息，同時(shí)可以利用透明度的不同和光照效果把各組織器官之間的層次和深度表

8、現(xiàn)出來(lái)，良好的顯示特征形狀模糊不清的器官和組織。缺點(diǎn)在于每幅圖像都要進(jìn)行光線(xiàn)跟蹤的運(yùn)算，圖像顯示速度較慢。 目前關(guān)于虛擬結(jié)腸鏡可視化方面的研究還包括， Zhuoshi Wei5-6通過(guò)檢測(cè)褶皺來(lái)提取結(jié)腸帶，結(jié)腸帶是虛擬導(dǎo)航和配準(zhǔn)的重要解剖學(xué)標(biāo)記 ；Krishna Chaitanya Gurijala7 提取結(jié)腸標(biāo)記來(lái)指導(dǎo)虛擬切開(kāi)和結(jié)腸表面分割；Wei Zeng8采用投影幾何的方法進(jìn)行俯臥位和仰臥位配準(zhǔn)，來(lái)加快息肉的檢測(cè)速度，降低假陽(yáng)率；Joseph Marino9 提出一種保持形狀的虛擬切開(kāi)；Masahiro Oda10提出俯臥位和仰臥位同步顯示，Dongqing Chen11提出一種新的在結(jié)

9、腸內(nèi)快速飛行的方法， 將結(jié)腸分成兩半，兩半各指定一個(gè)照相機(jī)，結(jié)腸可視表面積達(dá)97%。4.CAD的診斷價(jià)值作為CTC的輔助手段，計(jì)算機(jī)輔助檢測(cè)(computeraided detection，CAD)從原始軸位圖像中自動(dòng)檢測(cè)并標(biāo)記病變的位置供讀片醫(yī)生進(jìn)一步診斷。CAD對(duì)結(jié)腸疾病診斷的優(yōu)勢(shì)主要體現(xiàn)在12：作為輔助讀片手段，可提高放射科醫(yī)生對(duì)腫塊的檢出能力；降低不同讀片者間診斷能力的差異。CAD能夠降低讀片者在檢出小息肉方面的感性錯(cuò)誤，而造成這些感性錯(cuò)誤的原因可能是：閱片時(shí)遺漏了被正常組織掩蓋的小息肉或形態(tài)變化較大的息肉；CTC檢查時(shí)由于視覺(jué)效果的缺失不能對(duì)黏膜顏色變化進(jìn)行判斷；大量圖像使讀片者感到

10、單調(diào)，容易漏診。讀片者的診斷能力不僅受其掌握的技能和經(jīng)驗(yàn)影響，還與精神狀態(tài)和讀片時(shí)間的長(zhǎng)短有關(guān)，即使一位讀片者可在多數(shù)病例中檢出同一類(lèi)型息肉，但同一讀片者在不同的環(huán)境中可能會(huì)漏檢該類(lèi)息肉。CAD的應(yīng)用克服了這種讀片者間和讀片者自身的不一致性，提供了客觀(guān)一致的結(jié)果。研究證明CAD可明顯提高讀片者診斷的準(zhǔn)確度，尤其對(duì)于經(jīng)驗(yàn)不足的醫(yī)師，可顯著提高其診斷能力。芝加哥大學(xué)在72例接受CAD檢查的患者中，檢出14例有直徑5 mm的息肉21個(gè)，敏感度95，每位患者敏感度為100%。國(guó)際健康中心報(bào)道CAD檢出息肉的敏感度為90，40例患者中檢出20例有直徑3 mm息肉39個(gè)。Gasthuisberg醫(yī)科大學(xué)采

11、用CAD在18例患者中檢出9例5 mm以上息肉15個(gè)，敏感度80，其中多數(shù)病例使用了殘便標(biāo)記方法，說(shuō)明CAD在檢出息肉方面具有較高的敏感度。通常CAD對(duì)于直徑6 mm息肉檢出的敏感度在70100，而CTC數(shù)據(jù)統(tǒng)計(jì)分析顯示對(duì)于直徑10 mm及直徑69 mm息肉的敏感度分別是88和84，在檢出敏感度方面CAD可與讀片者相媲美。5.CAD的系統(tǒng)組成一般CAD檢查方案由三部分組成：分割提取結(jié)腸組織；檢測(cè)可疑病變；病變分類(lèi)。如下圖所示： 圖1 CAD系統(tǒng)(1) 結(jié)腸組織分割結(jié)腸組織分割的目的是將結(jié)腸壁從CT序列圖像中準(zhǔn)確提取出來(lái)，用于后續(xù)的處理及檢測(cè)，其結(jié)果的好壞直接影響CAD系統(tǒng)的性能。由于腸腔內(nèi)主要

12、是空氣，其CT密度分布與軟組織有很大區(qū)別，較易分開(kāi)。但由于腸壁皺褶及糞便、液體等殘留物的存在，給結(jié)腸的有效分割帶來(lái)很大的困難。結(jié)腸組織分割面臨的問(wèn)題13-16：a.由于結(jié)腸塌陷，分割的結(jié)腸區(qū)域不連續(xù)，產(chǎn)生的原因有結(jié)腸痙攣，結(jié)腸膨脹不充分等；b. 殘便標(biāo)記帶來(lái)的一系列困難；c.復(fù)雜的結(jié)腸結(jié)構(gòu)和拓?fù)湫螒B(tài)影響分割的準(zhǔn)確性和速度。之所以要進(jìn)行殘便標(biāo)記是因?yàn)?，和光學(xué)結(jié)腸鏡一樣，為了得到可信的結(jié)腸病變檢測(cè)，合適的腸道準(zhǔn)備也是必須的。殘便會(huì)覆蓋病變部位(阻礙檢測(cè))，或者與息肉類(lèi)似(引起假陽(yáng))。殘便可以通過(guò)瀉藥來(lái)清理，但是服用瀉藥清腸也是給病人帶來(lái)不適感的原因之一，對(duì)殘便標(biāo)記可以最大程度的減小使用瀉藥清理腸道

13、。但是對(duì)殘便標(biāo)記給CAD的應(yīng)用帶來(lái)幾個(gè)技術(shù)難題17。a.偽增強(qiáng)的影響(PEH)。在非標(biāo)記殘便的CTC中，息肉的CT值500HU。PEH的影響隨著量的不同，厚度的不同，對(duì)比劑的發(fā)散密度的不同呈現(xiàn)極大的不同，即使在同一個(gè)結(jié)腸兩個(gè)不同的區(qū)域。b.標(biāo)記物會(huì)影響形狀和紋理特征的計(jì)算。理想的情況下，標(biāo)記物區(qū)域的體素應(yīng)該是空氣的。但是空氣的CT值比軟組織的還低，對(duì)比劑的CT值比軟組織高，相對(duì)于被空氣覆蓋的軟組織，被標(biāo)記物覆蓋的軟組織是負(fù)圖像區(qū)域,CT值的這種變化會(huì)改變梯度和局部表面主曲率的方向。c.標(biāo)記物和PEH給結(jié)腸提取帶來(lái)困難。因?yàn)樗輩^(qū)域?qū)⒔Y(jié)腸腔分成幾個(gè)不連續(xù)的部分，有些甚至被分割很遠(yuǎn)。盡管可視區(qū)域和

14、塌陷區(qū)域可以再連接在一起，但是一部分小腸會(huì)被包括進(jìn)來(lái)。標(biāo)記物的存在會(huì)使結(jié)腸的提取進(jìn)一步復(fù)雜化，因?yàn)橛捎赑EH使得結(jié)腸和小腸的薄壁變得不可見(jiàn)，這會(huì)導(dǎo)致結(jié)腸和小腸相互連接在一起。在殘便標(biāo)記的CTC中，結(jié)腸通常和小腸通過(guò)開(kāi)通的回盲瓣連接在一起，通過(guò)在回盲瓣的標(biāo)記物用來(lái)追蹤結(jié)腸腔，會(huì)直達(dá)小腸。d.骨結(jié)構(gòu)和對(duì)比劑有相似的CT值，由于PEH骨結(jié)構(gòu)和對(duì)比劑相連，區(qū)分對(duì)比劑和骨結(jié)構(gòu)成為一個(gè)難題。為了清除殘便，最簡(jiǎn)單的辦法就是采用閾值分割的方法清除殘便。但是由于部分容積效應(yīng)的影響(PVE)，采用這種簡(jiǎn)單的方法會(huì)在空氣和標(biāo)記物之間形成一個(gè)薄層(ATB)，如圖2所示。為了減輕這個(gè)影響，Lakare18根據(jù)圖像的剖面

15、模式不同，來(lái)檢測(cè)到這個(gè)薄層；Zail19利用形態(tài)學(xué)和線(xiàn)性濾波器來(lái)減輕這個(gè)影響；Chen20利用梯度信息；而以L(fǎng)iang21-24為首的研究團(tuán)隊(duì)則是利用統(tǒng)計(jì)學(xué)信息為PVE建模，假設(shè)每個(gè)體素都是由空氣、標(biāo)記物、肌肉、軟組織組成，采用最大期望法(EM)估計(jì)出每種物質(zhì)的含量；Serlie25-26則是用三種物質(zhì)過(guò)渡模型區(qū)分空氣、軟組織和標(biāo)記物；Ronbald27則是采用改進(jìn)的區(qū)域生長(zhǎng)和模糊連接來(lái)越過(guò)ATB。為了校正標(biāo)記物對(duì)周?chē)M織的偽增強(qiáng)(PEH)，Janne Nappi17提出一種校正標(biāo)記物偽增強(qiáng)的方法；Ronbald 28采用一種尺度不變的發(fā)散校正方法來(lái)分割標(biāo)記物區(qū)域。 圖2 空氣-標(biāo)記物邊界(A

16、TB) 圖3 結(jié)腸和小腸的位置關(guān)系 由于包括空氣的器官除了結(jié)腸，還有肺和胃；包含標(biāo)記物的組織除了結(jié)腸，還有小腸。為了提取完整的結(jié)腸，必須去除肺和小腸,其位置關(guān)系如圖3所示。去肺采用的準(zhǔn)則29：a.肺上有很多的血管，在橫斷面上表現(xiàn)為很多的小圓洞；b.肺在解剖結(jié)構(gòu)上是連續(xù)的，因而在相鄰的層上有交疊，其交疊的程度可以用閾值Tr衡量。去小腸的準(zhǔn)則有：a.小腸比結(jié)腸的長(zhǎng)，比結(jié)腸細(xì);b.在冠狀面，結(jié)腸圍繞在小腸的外面;為了提取完整的結(jié)腸，還可以通過(guò)計(jì)算結(jié)腸的路徑來(lái)去肺和小腸，與提取結(jié)腸的中心線(xiàn)很類(lèi)似，只是不要求所有的點(diǎn)都在結(jié)腸的中心上。(2)疑似區(qū)域檢測(cè)息肉通常為球形或帽狀貼于腸壁，而皺襞呈延長(zhǎng)的脊?fàn)罱Y(jié)構(gòu)

17、，結(jié)腸壁為大的幾乎扁平的杯狀結(jié)構(gòu)，可根據(jù)不同的形狀特點(diǎn)區(qū)分息肉、皺襞和結(jié)腸壁，如圖4。CTC-CAD問(wèn)題的早期研究工作是Vining30開(kāi)展的，他把息肉定義為結(jié)腸壁的異常增厚。隨后的研究者利用曲率來(lái)檢測(cè)息肉，Summers31在黏膜表面計(jì)算每一點(diǎn)的平均曲率，Yoshida and Nappi 32利用形狀指數(shù)和曲率來(lái)找到最初的候選息肉。Kim 33采用的是海森矩陣的特征值。不是在體數(shù)據(jù)上計(jì)算曲率，Sundaram 34在代表結(jié)腸的網(wǎng)格上直接進(jìn)行幾何處理。Van Ravesteijn 35在等式中計(jì)算第二主曲率，在網(wǎng)格上顯式的或者在圖像上隱式的識(shí)別息肉。Jerebko 36則是對(duì)結(jié)腸腔內(nèi)突起對(duì)象

18、分析曲率模式的對(duì)稱(chēng)性。其他的研究者演繹出解析形狀模型來(lái)近似結(jié)腸的局部幾何特性37，或者評(píng)估反投影表面法向量交疊的程度38-39。這些方法的幾何假設(shè)前提是：息肉呈球狀或者橢球狀，褶皺呈細(xì)長(zhǎng)或者圓柱狀。但是實(shí)際的息肉和褶皺在形狀上的不同是很微妙的，而且實(shí)際的息肉和褶皺與假設(shè)模型在尺寸和形狀也有一定的不同。所以除了形狀參數(shù)，研究者還對(duì)息肉的其他特征進(jìn)行分析，比如有研究者對(duì)展開(kāi)結(jié)腸的電子活檢圖像的紋理模式進(jìn)行分析40，Greg 29除了分析形狀特征，還分析了灰度特征、紋理特征、體特征等。圖4 息肉和褶皺的形狀指數(shù)(3)息肉分類(lèi)結(jié)腸CAD初始的應(yīng)用時(shí)相當(dāng)簡(jiǎn)單的機(jī)器學(xué)習(xí)算法分辨出病變模式和非病變模式。采用

19、的分類(lèi)器有線(xiàn)性判別分析（LDA）41，二次判別分析41，多層感知器（特別流行的人工神經(jīng)網(wǎng)絡(luò)(ANN)42以及支持向量機(jī)(SVM)43-44等。最近Dundar45 設(shè)計(jì)optimized cascade classifiers，采用與-或框架最小化目標(biāo)函數(shù)。Suzuki 46擴(kuò)展了Yoshida 的方法 47 采用大規(guī)模的人工神經(jīng)網(wǎng)絡(luò)來(lái)降低假陽(yáng)率。Liu 48采用多種學(xué)習(xí)技術(shù)，包括擴(kuò)散映射和局部線(xiàn)性嵌入進(jìn)行降維，同時(shí)結(jié)合支持向量機(jī)。Tu 49 設(shè)計(jì) probabilistic boosting tree組成Adaboost分類(lèi)器進(jìn)行息肉自動(dòng)檢測(cè)，而不需要結(jié)腸分割。 CAD檢測(cè)息肉面臨的挑戰(zhàn)之一

20、就在不降低敏感度的前提下，去假陽(yáng)。研究表明12約45的假陽(yáng)性結(jié)果是由于皺襞和結(jié)腸彎曲部形成的假腫瘤改變所致。形成假腫瘤改變的情況包括乙狀結(jié)腸邊緣銳利的皺襞、自結(jié)腸壁向腔內(nèi)突出的皺襞、兩個(gè)聚集的皺襞、結(jié)腸彎曲部的皺襞邊緣以及結(jié)腸內(nèi)未被展開(kāi)的皺襞。另外，約20假陽(yáng)性結(jié)果由殘便造成，這也是讀片者誤診的主要原因；約15假陽(yáng)性結(jié)果是由殘留在小腸和胃內(nèi)的物質(zhì)造成；約10由回盲瓣造成，可根據(jù)回盲瓣特征性的位置和特有的外觀(guān)加以區(qū)分；其他假陽(yáng)性發(fā)現(xiàn)還包括直腸內(nèi)的插管、運(yùn)動(dòng)偽影等。大量的假陽(yáng)會(huì)混淆放射科醫(yī)生解釋圖片，降低工作效率，是使其對(duì)CAD作為一個(gè)有用工具失去信心。因此在保持高敏感度的同時(shí)，去假陽(yáng)很重要。目前

21、已有很多去除假陽(yáng)性的方法，總體可以分為三類(lèi)50：一類(lèi)基于特征分類(lèi)器的方法；一類(lèi)基于像素/體素機(jī)器學(xué)習(xí)的方法，另一類(lèi)是基于非機(jī)器學(xué)習(xí)的方法?；谔卣鞣诸?lèi)器的方法，是指在設(shè)計(jì)分類(lèi)器的時(shí)候就考慮特征如何選，分類(lèi)器如何設(shè)計(jì)來(lái)降低假陽(yáng)。計(jì)算形狀特征，如何形狀指數(shù)、曲度都與曲率相關(guān)，傳統(tǒng)的方法采用核方法，會(huì)產(chǎn)生一些不期望的高曲率，V.F. van Ravesteijn51采用水平集的方法對(duì)其重計(jì)算；Hongbin Zhu52采用Knutsson mapping的方法進(jìn)行估計(jì)。在分類(lèi)器的設(shè)計(jì)上，設(shè)計(jì)的分類(lèi)器有最優(yōu)cascade分類(lèi)器29,貝葉斯人工神經(jīng)網(wǎng)絡(luò)Bayesian neural network (B

22、NN)17等。最近隨著計(jì)算能力的顯著提高，基于像素/體素的機(jī)器學(xué)習(xí)（PML）出現(xiàn)在醫(yī)學(xué)圖像分析中，它是直接利用像素/體素，而不是分割區(qū)域的特征，作為輸入信息的。因此特征計(jì)算或者分割就不是必須的了。由于PML避免了不準(zhǔn)確的特征計(jì)算和分割，在性能上潛在的要比基于特征的分類(lèi)器高。其代表方法有大規(guī)模人工神經(jīng)網(wǎng)絡(luò)A massive-training artificial neural network (MTANN)53 ，將支持向量退化support vector regression (SVR)引入到大規(guī)模人工神經(jīng)網(wǎng)絡(luò)(MTANN)，又提出了大規(guī)模訓(xùn)練支持向量退化a massive-training

23、SVR (MTSVR)54?；诜菣C(jī)器學(xué)習(xí)的方法有，55將俯臥位和仰臥位相對(duì)應(yīng)降低假陽(yáng)；56在結(jié)腸分割和候選息肉特征分析中采用以特征為指導(dǎo)的分析。還有一類(lèi)研究者降低假陽(yáng)某一特殊的類(lèi)型。57采用3DMTANN區(qū)分息肉和直腸插管。直腸插管是引起假陽(yáng)的一個(gè)主要原因。盡管直腸插管是顯而易見(jiàn)的假陽(yáng)，如果CAD不能識(shí)別如此明顯的假陽(yáng)，放射科醫(yī)生會(huì)失去對(duì)CAD作為一個(gè)有用幫手的信心。58采用基于圖像分割的方法去除由直腸插管引起的假陽(yáng)，他們的方法是找到直腸插管內(nèi)的洞，外推這個(gè)軸，然后采用帶條件的形態(tài)學(xué)膨脹方法分割出直腸插管。該方法能夠標(biāo)記出72%的直腸管，降低9.2%的假陽(yáng)。59采用一種方法降低由于回盲瓣引起

24、的假陽(yáng)，它們的方法能夠減少61%的由于會(huì)盲管引起的假陽(yáng)。60則是利用全局形狀模型來(lái)檢測(cè)直腸插管。6.面臨的挑戰(zhàn)12,61(1) CT掃描參數(shù) 目前CAD程序中所應(yīng)用的CT掃描參數(shù)適合讀片者讀取CTC數(shù)據(jù)檢出息肉，但這種參數(shù)的設(shè)置對(duì)CAD可能并非最佳。對(duì)CAD而言，CT掃描參數(shù)可被調(diào)至最小放射劑量并采用最少的層數(shù)進(jìn)行快速掃描。然而，低劑量曝光和低長(zhǎng)軸分辨力可能會(huì)增加圖像噪聲，影響CAD檢出水平。目前只有少量關(guān)于CT檢查參數(shù)的設(shè)定對(duì)CAD檢出能力影響的研究。Shi62等采用與臨床病例相似的層厚，通過(guò)對(duì)體模的研究發(fā)現(xiàn)層厚影響息肉檢出能力：當(dāng)使用薄層時(shí)，檢出小于lO mm息肉敏感度明顯提高；而對(duì)于息肉

25、直徑大于10mm的敏感度則無(wú)變化。 (2)體位 對(duì)比同一患者仰臥位和俯臥位掃描圖像非常重要，可區(qū)分息肉和殘便，提高診斷的準(zhǔn)確度。息肉無(wú)論仰臥還是俯臥位都停留在結(jié)腸的同一位置，而殘便是可移動(dòng)的。為使CAD能夠發(fā)現(xiàn)這種移動(dòng)，在仰臥位和俯臥位之間建立位置對(duì)應(yīng)關(guān)系非常必要.結(jié)腸可大幅度變形，并且當(dāng)體位變化時(shí)一部分結(jié)腸會(huì)發(fā)生移動(dòng)，所以以結(jié)腸中心線(xiàn)為基準(zhǔn)，可對(duì)仰臥位和俯臥位圖像進(jìn)行對(duì)比研究。(3)糞便標(biāo)記和數(shù)字清潔腸道 通過(guò)口服鋇劑或水溶性碘標(biāo)記糞便和殘液后對(duì)其進(jìn)行減影，可去除大部分被標(biāo)記的殘便和液體，但是因?yàn)闇p少腸道清潔準(zhǔn)備將會(huì)殘留大量糞便，部分可被很好地標(biāo)記，部分可能不會(huì)完全被標(biāo)記，因此電子清腸仍然是

26、CAD研究的一個(gè)重要課題?？紤]到服用瀉藥給病人帶來(lái)的不適感及潛在的危害，已經(jīng)有研究者開(kāi)始研究不服用瀉藥進(jìn)行電子清腸15,63。(4)減少假陽(yáng) 目前CAD系統(tǒng)的高敏感度是以高假陽(yáng)率為代價(jià)的，因此在保持高敏感度的同時(shí)，提高特異度是提高CAD性能一個(gè)及其重要的方面。另外提高檢測(cè)小息肉的敏感度，也將引起越來(lái)越多研究者的注意。參考文獻(xiàn)：1 Tarik A. Chowdhury, Paul F. Whelan, Senior Member, et al. A Fully Automatic CAD-CTC System Based on Curvature Analysis for Standard an

27、d Low-Dose CT Data. IEEE Transactions on Biomedical Engineering, 2008, 55(3):888-9022 黃智勤. CT 結(jié)腸成像在結(jié)腸息肉性病變中的應(yīng)用. 國(guó)外醫(yī)學(xué)臨床放射學(xué)分冊(cè),2005,28(4):246-2503Verstraete KL, Deene YD, Roels H, et al. Benign and malignant mesuculoskletal lesion: dynamic contrast-enhanced MR imaging-parametric “first-pass”imaging dep

28、ict tissue vascularization and perfusion.Radiology,1997,200(3):835-843.4張翼,宋志堅(jiān). 結(jié)腸息肉的計(jì)算機(jī)輔助診斷. 解剖學(xué)雜志,2006,29(4):511-516.5 Zhuoshi Wei, Jianhua Yao, Shijun Wang, et al. Teniae Coli Extraction in Human Colon for Computed Tomographic Colonography Images. Proceedings, MICCAI,(2010). 6 Julien Lamy, Ronald

29、 M. Summers. Teniae coli detection from colon surface: extraction of anatomical markers for virtual colonoscopy7 Krishna Chaitanya Gurijala, Arie Kaufman, et al. Extraction of Landmarks and Features from Virtual Colon Models. Proceedings, MICCAI,(2010). 8 Wei Zeng, Joseph Marino, Xianfeng Gu, et al.

30、 Conformal Geometry Based Supine and Prone Colon Registration. Proceedings, MICCAI,(2010).9 Joseph Marino , Arie Kaufman. Colon Visualization Using Shape Preserving Flattening. Proceedings, MICCAI,(2010).10 Masahiro Oda, Eiichiro Fukano, Takayuki Kitasaka, et al. Synchronized Display of Virtual Colo

31、noscopic Views in Supine and Prone CT Images. Proceedings, MICCAI,(2010).11 Dongqing Chen1, Aly A. Farag, Charles B. Sites, et al. A Pilot Study for Verification of a Novel Visualization Approach for Virtual Colonoscopy. Proceeding, MICCAI,(2010).12張惠茅，喬峰利. 計(jì)算機(jī)輔助檢測(cè)在CT結(jié)腸成像中的應(yīng)用. 中國(guó)醫(yī)學(xué)影像技術(shù),2010,26(1):17

32、1-17813 Dongqing Chen1, Rachid Fahmi1, Aly A. Farag, et al. ACCURATE AND FAST 3D COLON SEGMENTATION IN CT COLONOGRAPHY14 Sh. F. Hamidpour, A. Ahmadian1, R.A Zoroofi, et al. HYBRID SEGMENTATION OF COLON BOUNDARIES IN CT IMAGES BASED ON GEOMETRIC DEFORMABLE MODEL15 Wenli Cai, June-Goo Lee, Michael E.

33、Zalis, et al. Mosaic Decomposition: An Electronic Cleansing Method for Inhomogeneously Tagged Regions in Non-cathartic CT Colonography. IEEE-TMI,2010,0369. 16 Wenli Cai, Michael E. Zalis, Janne Nppi,et al. Structure-analysis method for electronic cleansing in cathartic and noncathartic CT colonograp

34、hy. Med. Phys. ,2008,35(7):3259-327817 Janne Nppi, Hiroyuki Yoshida. Fully Automated Three-Dimensional Detection of Polyps in Fecal-Tagging CT Colonography. NIH Public Access, 2007 ,14(3): 287300.18 S. Lakare, D. Chen, L. Li, A. Kaufman, and Z. Liang, Electronic colon cleansing using segmentation ra

35、ys for virtual colonoscopy. Proceeding, SPIE,2002, 4683: 41241819 M. Zalis, J. Perumpillichira, and P. Hahn, Digital subtraction bowel cleansing for CT colonography using morphological and linear filtration methods, IEEE Trans. Med. Image., vol. 23, no. 11, pp. 13351343,1004, Nov. 2004.20 D. Chen, Z

36、. Liang, M. Wax, L. Li, B. Li, and A. Kaufman, “A novel approach to extract colon lumen from CT images for virtual colonoscopy,” IEEE Trans. Med. Image., vol. 19, no. 12, pp. 12201226,Dec. 2000.21 Zigang Wang, Zhengrong Liang, Senior Member. An Improved Electronic Colon Cleansing Method for Detectio

37、n of Colonic Polyps by Virtual Colonoscopy. IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING,2006,53(8):1635-164722 Zhengrong Liang, Xiang Li, Daria Eremina. An EM Framework for Segmentation of Tissue Mixtures from Medical Images23 Zigang Wang, Zhengrong Liang, Xiang Li. An Improved Electronic Colon Clea

38、nsing Method for Detection of Colonic Polyps by Virtual Colonoscopy. NIH Public Access, IEEE Trans Biomed Eng. 2006, 53(8): 16351646.24 Su Wang, Lihong Li, Harris Cohen. An EM approach to MAP solution of segmenting tissuewith application to CT-based virtual colonoscopy. Med. Phys., 2008, 35( 12);578

39、7:5799.25 Iwo Serlie, Roel Truyen, Jasper Florie, Computed Cleansing for Virtual Colonoscopy Using a Three-Material Transition Model26Iwo W. O. Serlie, Frans M. Vos, Roel Truyen, Electronic Cleansing for Computed Tomography(CT) Colonography Using a Scale-Invariant Three-Material Model. IEEE TRANSACT

40、IONS ON BIOMEDICAL ENGINEERING, 2010,57(6):1306-131827 M. Franaszek, R. M. Summers, P. J. Pickhardt and J. R. Choi, Hybrid segmentation of colon filled with air and opacified fluid for CT colonography, IEEE Transactions on Medical Imaging, 2006,25: 358-68. 28 Jiamin Liu, Jianhua Yao, and Ronald M. S

41、ummers. Scale-based scatter correction for computer-aided polyp detection in CT colonography. Med. Phys., 2008,35(12):5664-5672.29 Greg Slabaugh, Xiaoyun Yang, Xujiong Ye, A Robust and Fast System for CTC Computer-Aided Detection of Colorectal Lesions. Algorithms 2010, 3:21 - 43;30 Vining, D.J., Ge,

42、 Y., Ahn, D.K. Virtual Colonscopy with Computer-Assisted Polyp Detection. In Computer-Aided Diagnosis in Medical Imaging; Doi, K., MacMahon, H., Giger, M.,Hoffman, K.R., Eds. Elsevier Science: Maryland Heights, MO, USA, 1999 : 445452.31 Summers, R., Yao, J.; Pickhardt, P. Computed Tomographic Virtua

43、l Colonoscopy Computer-Aided Polyp Detection in a Screening Population. Gastroenterology 2005, 129, 18321844.32 Yoshida, H., Nappi, J. Three-Dimensional Computer-Aided Diagnosis Scheme for Detection of Colonic Polyps. IEEE Trans. Med. Imaging 2001, 20, 12611274.33Kim, S.H., Lee, J.M, Lee, J.G. Compu

44、ter-Aided Detection of Colonic Polyps at CT Colonography Using a Hessian Matrix-Based Algorithm: Preliminary Study. Gastrointestinal Imaging 2007, 189, 4151.34 Sundaram, P., Zomorodian, A., Beaulieu, C. Colon Polyp Detection using SmoothedShape Operators: Preliminary Results. Med. Image Anal. 2008,

45、12, 99119.35 van Ravesteijn, V.F., van Wijk, C. Computer Aided Detection of Polyps in CT Colonography using Logistic Regression. IEEE Trans.Med. Imaging 2010, in press.36 Jerebko, A., Lakare, S., Cathier, P. Symmetric Curvature Patterns for Colonic Polyp Detection. In Proceedings of the 9th MICCAI C

46、onferences, Copenhagen, Denmark,October 16, 2006.37 Bhotika, R., Mendonca, P., Sirohey, S. Part-based Local Shape Models for Colon Polyp Detection. In Proceedings of the 9th MICCAI Conferences, Copenhagen, Denmark, October 16, 2006.38 Paik, D., Beaulieu, C., Rubin, G. SurfaceNormal Overlap: A Comput

47、er-Aided Detection Algorithm with Application to Colonic Polyps and Lung Nodules in Helical CT. IEEE Trans. Med. Imaging 2004, 23, 661675.39 Chowdhury, T.A., Whelan, P.F. A Fully Automatic CAD-CTC System Based onCurvature Analysis for Standard and Low Dose CT Data. IEEE Trans. Biomed. Eng. 2007,55,

48、888901.40 Qiu, F., Marino, J., Kaufman, A. Computer Aided Polyp Detection with Texture Analysis. InProceedings of MICCAI Workshop on Computational and Visualization Challenges in the New Eraof Virtual Colonoscopy, Kimmel Center, New York, NY, USA, September 6, 2008.41 Adam Huang, Ronald M. Summers,

49、and Amy K. Hara. Surface curvature estimation for automatic colonic polyp detection. Medical Imaging 2005: Physiology, Function, and Structure from Medical Images,Proceedings of SPIE ,2005,5746:393-40342 Anna K. Jerebko, James D. Malley, Marek Franaszek, MULTI NETWORK CLASSIFICATION SCHEME FOR DETEC

50、TION OF COLONIC POLYPS IN CT COLONOGRAPHY DATA SETS. Radiology. NIH , MD,2002:197-18143 Mariette Awad , Yuichi Motai , Janne Nppi, A Clinical Decision Support Framework for Incremental Polyps Classification in Virtual Colonoscopy. Algorithms,2010,3:1-2044 Meghan T. Miller1, Anna K. Jerebko1, James D

51、. Malley. Feature Selection for Computer-Aided Polyp Detection using Genetic Algorithms. Medical Imaging 2003: Physiology and Function: Methods, Systems, and Applications, Proceedings, SPIE, 2003, 503145 Dundar, M., Bi, J. Joint Optimization of Cascaded Classifiers for Computer Aided Detection. InPr

52、oceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition,Minneapolis, MN, USA, June 1823, 2007.46 Suzuki, K., Yoshida, H.; Nappi, J.,Armato, S.G. Mixture of Expert 3D Massive-Training ANNs for Reduction of Multiple Types of False Positives in CAD for Detection of Poly

53、ps in CT Colonography. Med. Phys. 2008, 35, 694703.47 Yoshida, H.; Nappi, J. Three-Dimensional Computer-Aided Diagnosis Scheme for Detection of Colonic Polyps. IEEE Trans. Med. Imaging 2001, 20, 1261-1274.48 Liu, J., Wang, S., Kabadi, S. High Performance Computer Aided Detection System for Polyp Det

54、ection in CT Colonography with Fluid and Fecal Tagging. In Proc. SPIE, 2009, 7260, 72601B:172601B:7.49 Tu, Z., Zhou, X.S., Barbu, A. Probabilistic 3D Polyp Detection in CT Images: The Role of Sample Alignment. In Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognit

55、ion, 2006, 1722,.50 Kenji Suzuki. Recent Advances in False-Positive Reduction Methods in CAD for CTC. Proceedings, MICCAI,(2010). 51 V.F. van Ravesteijn, C. van Wijk, J. Stoker. Recent advances in automated lesion detection for CT colonography by second order curvature flow. Proceedings, MICCAI,(2010) 52 Hongbin Zhu, Yi Fan, Zhengrong Liang. Improved Curvature Estimation for Shape Analysis in Computer- Aided Detection of Colonic Polyps. Proceedings, MICCAI,(2010) 53 Kenji Suzuki. CT colonography: Advanced computer-aided detection scheme utilizing MTANN