基于CT图像的肺结节计算机辅助检测研究进展

基于CT图像的肺结节计算机辅助检测研究进展

詹烨

河北大学附属医院，河北  保定  071000

摘要：目前，受到在空气与环境地污染，再加上生活压力的不断上升，导致肺部疾病发病率直线上升。特别是肺结节，其属于临床较为常见的一种疾病，肺结节是指肺内直径小于，或是等于3cm的类圆形，或是出现不规则的病灶，影像学检查时出现密度增高阴影。肺结节可单发也可多发，边界较为清楚，或是不清楚。其的出现会对患者的身体健康造成极大的威胁，故尽早诊治非常有必要。目前，临床在肺结节诊断中主要采用CT检查诊断，通过CT检查可以观察肺结节的病灶表现，对其进行早期诊治。但由于肺结节的形态不同，其内部结构与动态变化也不同，导致肺结节的诊断发生了巨大的变化。本文基于以上陈述，特对基于CT图像的肺结节计算机辅助检测研究开展综述，为临床肺结节的诊治提供一定的参考。

关键词：CT图像；肺结节；计算机辅助检测；探究

据不完全统计，我国的肺癌发病率正在逐年上升，发病率仅次于乳腺癌，且肺癌的5年患病率仍在逐年上升。我国肺癌5年存活率较低，如肺癌早期可以做到及时的诊治，可以提高5年生存率[1]。因此，对于肺癌来讲，做到早筛查、早发现、早诊断、早治疗非常有意义，可以更好地预防与治疗肺癌。随着CT技术的发展与进步，以胸片计算机X线摄影技术的敏感性为基础，成为了肺癌早期诊断地首选诊断方案[2]。其在低剂量CT筛查中，肺癌的主要表现即为肺结节。根据学会定义，肺结节的直径不会超过3cm，并为球型，且为不透明，病灶具有较好的边界。但由于CT所收集的数据量较大，医生易受其他因素的影响而导致肺结节被漏检。因此，针对这一情况的出现，计算机辅助检测系统的出现与发展，在肺结节的诊断中，有效提高了检查与诊断敏感度、准确率。本文针对CT图像的肺结节计算机辅助检测研究进行探究，现做如下阐述。

1. 计算机辅助检测意义

肺癌会对患者的身体健康与生命安全造成极大的威胁，故其属于恶性肿瘤之一。近年来，肺癌发病率、死亡率居高不下。肺癌没有明确的发病原因，但有大量的资料表明，大气污染、吸烟等对肺癌的发生与发展起着促进作用。目前，随着吸烟人群的不断增加，吸烟人群的年龄越来越小，导致肺癌发病率也在不断上升，且越来越年轻化。研究表明，早发病、早诊治对于肺癌来讲，有助于提高5年生存率，对改善肺癌患者的生存质量具有重要作用。目前，在肺癌的诊断中，主要采用病理检查与影像学检查诊断，病理检查诊断具有一定的准确性，但其属于有创检查诊断方式，会增加患者的痛苦。影像学检查在肺癌的诊断中，应用较为广泛，特别是计算机断层扫描成像技术，受到了广大患者与医生的认可[3]。CT技术是在X射线的基础上形成的一种影像成像方案，其有高分辨率的特点。CT扫描时，可以对病变组织的良恶性有效区分。而肺癌的早期表现即为肺结节，在CT检查时，可以通过图像观察到肺结节，并根据其形态、特征、临床信息等对良恶性病灶进行诊断，从而来明确后续的治疗方案。而计算机辅助检测技术用在肺结节的诊断中，可以在计算机辅助检查下判定病灶的真假性与良恶性，为医生提供参考依据，降低主观因素引发的误诊率，能尽早发现病变组织，提高肺癌的早期诊治效果，从而改善其生活质量。

2. CAD技术

CT图像数字化信息的收集与保存属于肺结节CAD技术的基础，不同的机构通过各自的合作，取得相应的图像数据，并有自己特有的数据库。虽其可以满足研究实验的数据要求，但因样本的大小与图像质量的差异性而导致参数不齐，使得相关标准不能统计，不利于CAD技术的性能对比。为了进一步统计、规范数据的相关标准，需要建立规范的公共数据，为科研人员提供数据支撑[4]。在肺结节患者CAD技术的检查与诊断中，不仅有各类相关CT数据，还有医生的注释，便于为医生提供更多的参考。

一般情况下，收集到的CT图像多数会包括噪声，为了能准确检测与分割肺结节，需要先将图像中的噪声成分去除，提高图像中的结节区，即开展预处理。常用去噪声方法较多，临床可根据实际情况，采取针对性去噪声方法。在胸部CT检查中，肺结节一般会出现较高的数值，但对比起来并不明显。部分的研究人员可通过图像增强法，对肺结节与血管进行增强扫描。根据肺结节的特点，分析采用不同的局部对比进行增强滤波，取得新的结节特征。

3. 肺结节辅助检测

CAD检测技术用于肺结节检查中，总体流程较多，如图像的预处理、肺实质分割、肺结节的提取、假阳性结节的去除、结节检测性能的分析等。其属于CAD技术的核心技能。以上流程中的每一个阶段的算法，均会对后续的工作流程产生一定的影响，且还会影响整体的检测性能，现做如下分析：

3.1图像预处理

可选流程图像预处理，即有部分患者在检查时，直接开展肺实质的分割，不会开展图像预处理操作。但也有文献针对CT图像的平滑度进行了预处理操作，其可以去除CT图像收集中的噪声，克服相关缺点，更好的保持内部的边界，便于为自身后续算法的开展奠定良好的基础

[5]。

3.2肺实质分割

在计算机辅助检查肺结节时，可以准确、快速地将肺实质分割，其为核心步骤之一，可以为后续计算机的辅助检查提供一定的诊治基础。肺实质的分割方法较多，如阈值法、区域增长法、模式识别法等，或是采用综合方法进行。但由于CT检查时，胸腔内的组织成分不同，故肺实质与脂肪、肌肉、血管、骨骼密度也会出现明显的差异性，其与支气管的密度、气管的密度接近。因此，综合其他方法，最终可以明确肺实质[6]。

3.3提取候选肺结节

由于肺结节表现出球型，并为不透明状，具有较好的边界。根据肺结节的特征，发现了较多的候选肺结节算法。以CT序列中的图像为对象，发现采用二维提取法，取得的结节候选点较多，且能区分横断面平行的结节、血管，但对横断面的垂直结节与血管不能准确区分。因肺结节、血管在横断面上时影像学均会表现出近圆形。在CT序列检查时，对研究对象提取候选结节，可以对血管的形态、结节的形态进行区分，因此方法取得的候选点较少，但此算法相对较为复杂。目前，临床在此类结节的提取中常用以下算法，如阈值下的候选结节方法、聚类下的候选结节提取方法、基于模板匹配下的提取方法，基于形状增强滤波器下的提取方法，以上方法均具有相应的提取特征，在候选肺结节提取时，可根据实际情况，采用针对性的提取方法，以此来提高候选肺结节提取率[7]。

3.4假阳性结节去除方法

提取候选结节后，需要分析、归类提取的候选点，再将真结节做好保留，将假阳性的肺结节去除。目前，去除假阳性结节的方法较多，基于规则分类法，可以将明显的假阳性结节去除，此方法是在肺结节出现明显特点基础上开展的，其具有某种规则，能计算出一个或是多个特征，设定相对较宽松的阈值将明显的假阳结节去除。同时可以在机器分类法下去除假阳性，此方法是收集候选肺结节的相关特征，用人工神经网络、定量机、线性分析法等分类器，对候选的肺结节实施训练，之后将训练好的分类器进行针对性分类，进一步去除假阳结节。

规则分类法去除假阳性结节：在规则分类器下，将假阳性结节去除，此方法容易理解，也较容易实现。其中有一部分研究工作，是根据肺结节的特征、特性，设计相应的规则，在规则分类器下，将明显的假阳性肺结节去除。应用相应的方法，对候选结节的圆度、扁平度、凹面度、灰度值、方差等特征进行分析，根据各特征的不同范围进行相应的组合，设计相应的规则，将明显的假阳结节去除，之后应用定量机，对候选的结节做进一步分类[8]。经研究表明，此方法的灵敏度可达90%左右，而特异度可达96%。此方法可以对实性结节、磨玻璃肺结节进行准确检测，且计算的速度较快，如在此方法中应用3D特征，可以进一步提高计算速度与其性能。由此可以看出，规则分类器可以将假阳结节去除，但需要对相应的排除规则进行设计。

机器分类法去除假阳结节：经研究表明，采取规则的分类法，同时结合机械学习方法在肺结节的检测中，可以提高检测效果。肺结节CAD检测中，机械学习法有线性判别分析法、人工神经网络、随机森林、支持向量机等。以上机器学习分类法可以实现提高肺结节检测灵敏度的目的，其是在遗传处理的神经进化方法结构下开展的检测，优于固定的结构方法。

4. 肺结节计算机辅助检测的总结、展望

4.1肺结节计算机辅助检测总结

综上所述，从以上陈述中可以看到，部分肺结节患者在检测诊断时，采用图像数据收集开展的工作，可以减少数据图像序列，减少结节的个数，且种类较为单一，其多针对性实性肺结节的检查与诊断。为了预防以上问题的出现，在研究中，需要基于ANODE09、LIDC、ELCAP数据库下开展，其在非实性的肺结节中具有较高的处理效果。经研究发现，多数的处理方法灵敏度大约在85%左右，其中假阳性率也在每套5-15个之间。虽具有较高的灵敏度，但阳性率也较高，需要在肺结节检测算法中做进一步提升。

4.2肺结节计算机辅助检测展望

在肺结节计算机辅助检测中，需要临床做进一步的研究，但从实际角度出发可以看出，仍会面临较大的挑战，如：需要不断地开展新的肺结节检测算法的研究，提高运算方法的运行效率，提高肺结节检测灵敏度，并保持较低的假阳性率。需要不断的提高肺结节的检测能力，使其能对不同类型的结节进行监测，如非实性、亚实性、实性结节，同时检测不同位置下的结节，如孤立、粘连肺壁、粘连血管等。同时还需要不断提高微小结节的检测能力。以往，在肺结节的检测诊断中往往将直径小于3mm的结节忽略掉，使得早期的肺结节无法被有效发现，故而造成漏诊。此时需要不断提高计算机的辅助检查方法，提高算法敏感性，在减少假阳率的同时提高运行效率，进一步提高不易检测肺结节、微小肺结节的检测水平。肺结节在开展CAD时，可以减少医生诊断中的漏检率，能更好地辅助医生诊断肺结节，提高肺癌患者的5年生存率，具有较高的临床应用价值与广阔的前景。

参考文献：

[1]邹雨楠,徐秀芳,陈艾清,等. 基于CT图像的肺结节计算机辅助检测研究进展[J]. 计算机时代,2021,(03):10-13.

[2]张驰. CT图像中肺结节分割技术研究及实现[D].山东理工大学,2020.

[3]蔡久媺. 基于CT影像组学的计算机辅助鉴别周围型肺癌与肿又又又又块/结节型肺结核的研究[D].大连医科大学,2020.

[4]王双双. 基于CT影像的肺结节计算机辅助检测技术进展[J]. 健康之友, 2019, 000(015):294.

[5]王洪洋,张颖,朱海波,等. 基于肺部CT图像的计算机辅助诊断系统构建[J]. 中国医学装备,2018,15(10):98-102.

[6]吴光耀,伍建林. 基于CT的计算机辅助检测与诊断肺结节技术研究进展[J]. 中国医学影像技术,2018,34(07):1114-1117.

[7]李灵. 基于CT图像的肺结节计算机辅助诊断研究[D].大连理工大学,2017.

[8]谷宇,吕晓琪,杨立东,等. 基于CT影像的肺结节计算机辅助检测技术进展[J]. 重庆医学,2017,46(06):839-842.