三維紋理分析在虛擬結(jié)腸鏡計算機輔助檢測-診斷中的應用研究.pdf

1、最新的醫(yī)學統(tǒng)計結(jié)果顯示結(jié)腸癌癥是目前全球男女發(fā)病率均為第三名的癌癥,危害著人類的健康。在美國,由于衛(wèi)生機構(gòu)建議高危人群(50歲及以上)進行定期結(jié)直腸篩查,過去二十年以來,美國結(jié)直腸癌的發(fā)病率一直是下降趨勢。但是相對于整體人群的發(fā)病率下降,50歲以下人群的發(fā)病率卻從1998年以來以每年1.1％的速度在增長。美國癌癥協(xié)會的研究已經(jīng)證實了常規(guī)的結(jié)直腸篩查可以檢測到有可能發(fā)展為惡性病變的息肉,從而使得醫(yī)生可以在病變的早期采取措施而降低結(jié)直腸癌的

2、發(fā)病率。近些年來低年齡人群發(fā)病率增長的一個重要原因是這部分人群(50歲以下)雖然是結(jié)直腸癌高發(fā)病率人群,但是由于光學結(jié)腸檢查手段的復雜準備過程和病人耐受性問題等,這部分人群大多都沒有做定期結(jié)直腸體檢篩查習慣,從而使部分患者喪失了早期發(fā)現(xiàn)病變并進行治療的黃金時期。
　　我國衛(wèi)生部(國家衛(wèi)生和計劃生育委員會)統(tǒng)計的數(shù)字也表明2004-2005年我國的結(jié)直腸癌的死亡率位列所有癌癥的第5名,死亡率和1990-1992年相比增長36.8%,

3、同1973-1975年相比更是增長了57.6%,可見結(jié)直腸癌對人類健康危害巨大。對我國來說,其死亡率呈上升的趨勢,更值得密切關(guān)注。我國的結(jié)直腸癌死亡率上升可能有兩個方面的原因:一方面是隨著人們生活水平的提高,飲食習慣的改變使得結(jié)直腸疾病的患病率有所提升;另一方面相較經(jīng)濟的快速發(fā)展,社會醫(yī)療條件的改善和人們的健康意識的提升速度相對落后。
　　研究結(jié)果表明,結(jié)腸病變從良性到惡性的轉(zhuǎn)變需要5至15年的時間。而結(jié)腸病變的一個重要特點是在患

4、病的早期沒有明顯的癥狀。實踐證明每5年進行一次結(jié)腸例行篩查可以大大降低結(jié)直腸癌的發(fā)病率。但是傳統(tǒng)的光學結(jié)腸鏡為侵入性檢測,其檢查過程對檢查準備和患者耐受力要求都比較高,很難作為常規(guī)體檢項目進行。因此傳統(tǒng)的診斷方式導致的現(xiàn)狀是患者很容易失去早期診斷和治療的黃金時期。有臨床資料證明,若在癌變擴散發(fā)生前早期診斷并處理,其5年生存率可以達到90%。因此結(jié)腸疾病的早期發(fā)現(xiàn)和診斷對于治療意義非常重大。
　　虛擬結(jié)腸鏡提供了另外一種結(jié)直腸檢查手

5、段。其特點是最小的侵入性、檢查時間短且患者耐受性比光學結(jié)腸鏡要高。由于其和光學結(jié)腸鏡相比有眾多優(yōu)勢,因此很可能將發(fā)展成一種新的大規(guī)模人群結(jié)直腸篩查的工具。雖然虛擬結(jié)腸鏡技術(shù)的研究已經(jīng)取得了很大的進步,但是其仍存在一些問題。由于薄層掃描的CT數(shù)據(jù)量巨大,傳統(tǒng)的虛擬結(jié)腸鏡中依靠醫(yī)生來進行瀏覽并識別病灶,這樣往往由于長時間瀏覽使得醫(yī)生疲勞,檢查效率低下甚至出現(xiàn)漏檢。近些年由于計算機輔助檢測技術(shù)(CADe)的不斷發(fā)展,研究者們開始使用CADe技

6、術(shù)來輔助醫(yī)生進行病灶檢測。但是由于CT掃描沒有顏色信息,CADe系統(tǒng)依靠異常形態(tài)學改變來識別病灶,這樣會使得疑似病灶中混入大量的由于糞便、結(jié)腸褶皺等假陽性病灶。這些假陽性病灶依然會導致醫(yī)師閱片效率較低。同時由于CT獲得的數(shù)據(jù)只有CT值強度信息,因此醫(yī)生無法像光學結(jié)腸鏡那樣,根據(jù)病灶表面的顏色和紋理進行進一步判斷。這些問題影響了虛擬結(jié)腸鏡技術(shù)計算機輔助檢測的應用和診斷技術(shù)的發(fā)展。
　　為了解決結(jié)腸 CAD系統(tǒng)現(xiàn)在存在的問題,在本項目

7、中我們開展了結(jié)腸 CAD關(guān)鍵技術(shù)的研究?？紤]到和光學鏡相比CT設備的優(yōu)勢除了檢查過程無創(chuàng)、容易實施外,其獲得的數(shù)據(jù)是一個立體的三維數(shù)據(jù),包含了大量的病灶內(nèi)部信息,因此我們基于疑似病灶部位的體數(shù)據(jù)創(chuàng)建一種三維紋理模型,并將其應用到計算機輔助檢測中來探索利用這種三維紋理來實現(xiàn)降低假陽性率的可行性;同時由于三維紋理特征反映的是病灶內(nèi)部的CT值排列模式,其行為類似臨床的病理檢查(對病灶部位進行切片放大后人工識別其紋理而確定病灶性質(zhì)),因此本研究

8、也探索了該紋理模型在計算機輔助診斷方面的應用。
　　研究所用評估數(shù)據(jù)為威斯康辛大學Perry Pickhardt教授課題組采集的67個臨床結(jié)腸患者數(shù)據(jù),每個受試者都進行了俯臥位和仰臥位兩個掃描,因此共有134套掃描數(shù)據(jù)。在所有的患者中共發(fā)現(xiàn)95個經(jīng)過光學結(jié)腸鏡和虛擬結(jié)腸鏡共同確認的息肉,尺寸為4mm到30 mm。為了增加樣本量,在本研究中,我們把同一個息肉的兩次不同體位的掃描看成是兩個不同的樣本,這樣我們就有190個“掃描病灶”樣

9、本。為了改善虛擬結(jié)腸鏡的檢查體驗,檢驗虛擬結(jié)腸鏡中的電子清洗技術(shù),本套數(shù)據(jù)在CT掃描前未做灌腸處理,僅在檢查前一天隨流質(zhì)飲食服用對照劑?；诖藬?shù)據(jù),本研究主要完成的工作如下:
　　1建立三維紋理分析模型
　　三維紋理分析模型主要目的是對感興趣體區(qū)域的數(shù)據(jù)內(nèi)部排列模式進行建模而形成新的特征,然后用這些新的特征來分析所對應的體區(qū)域的性質(zhì)。不同于傳統(tǒng)的形態(tài)學特征,三維紋理分析模型的特點是充分利用體素信息,對病灶邊界的確定依賴較弱,

10、可以從一種全新的角度給傳統(tǒng)的虛擬結(jié)腸鏡計算機輔助檢測和診斷技術(shù)提供新的特征。
　　三維紋理特征模型的建立分為兩個步驟。首先是計算灰度共生矩陣和灰度梯度共生矩陣,然后依據(jù)所獲取的矩陣提取一些統(tǒng)計學信息?；叶裙采仃嚪从车氖侨S感興趣區(qū)域內(nèi)部體素之間的灰度共生關(guān)系;灰度梯度共生矩陣反映的感興趣體區(qū)域和其三維梯度圖像之間對應坐標位置的灰度和梯度共生關(guān)系。最后從這些矩陣提取統(tǒng)計學特征來區(qū)分不同類型的感興趣體區(qū)域。和均值方差等全局性統(tǒng)計學指

11、標相比,這些共生矩陣反映的是體數(shù)據(jù)CT值的相互排列關(guān)系模式。
　　具體的三維紋理模型為:從每一個體數(shù)據(jù)區(qū)域按照均勻分布在球面上的26個方向計算出26個灰度共生矩陣;從原圖像和梯度映射圖像計算出1個灰度梯度共生矩陣,然后從每個共生矩陣中提取13個 Haralick特征。為了獲取各向同性的屬性,對于來自灰度共生矩陣的同一種Haralick特征,我們在26個方向上取平均值和極差,13個平均值和13個極差構(gòu)成26個灰度共生矩陣特征。從灰度

12、梯度共生矩陣中直接提取13個Haralick特征值。合計39個三維紋理特征值。
　　2評估三維紋理模型在虛擬結(jié)腸鏡計算機輔助檢測中的應用
　　為了檢驗提出三維紋理分析模型是否能應用于結(jié)腸息肉計算機輔助檢測并評估其性能,我們嘗試用三維紋理模型來分析手工勾勒好三維息肉數(shù)據(jù)和三維正常腸壁數(shù)據(jù)并計算其敏感性和特異性;同時在已有的結(jié)腸CADe pipeline中進行應用,從而實現(xiàn)三維紋理模型在CADe中應用的可能性及性能的評估。

13、>　　手工勾勒的病灶部位和正常組織部位分別稱為VOI(Volume of interest)和VON(Volume of normal)。對190例息肉樣本進行勾勒形成190例VOI。為了便于研究和對照,我們又在有經(jīng)驗的放射科醫(yī)生指導下,在每個VOI的附近勾勒出一個正常組織的三維數(shù)據(jù),即 VON。然后利用建立的三維紋理模型從 VOI和 VON提取出26個灰度共生矩陣紋理特征(簡稱C26),13個灰度梯度共生矩陣紋理特征(簡稱G13);除

14、此之外,我們又提取了均值、方差、形狀指數(shù)的均值和方差、曲度的均值和方差共6個傳統(tǒng)的特征(簡稱T6)進行對比。
　　在自動檢測病灶的方案中,我們利用先前開發(fā)的結(jié)腸CAD pipeline自動提取疑似病灶3211個,其中檢測出真實息肉94個,只有一例4mm的息肉漏檢。另外有19個息肉受對照劑的部分容積效應影響,只在兩個體位掃描數(shù)據(jù)中的一個體位中被檢出,因此按掃描檢測出病灶個數(shù)為169個。自動檢測的按息肉敏感度為98.94%,按掃描敏感

15、度為88.95%。
　　我們用經(jīng)典的支持向量機(核函數(shù)選擇徑向基)對手工數(shù)據(jù)和自動檢測用相同的分類方案分別進行分類。對6種特征組合形成的特征向量的分類能力進行了測試。分別為:1)6個傳統(tǒng)的特征(T6);2)26個GLCM特征(CT6);3)13個GLGCM特征(G13);4)6個傳統(tǒng)特征加26個GLCM特征(T6+C26);5)6個傳統(tǒng)特征加13個GLGCM特征(T6+G3);6)6個傳統(tǒng)特征和所有的紋理特征(T6+C26+G13

16、)。對于含有GLCM特征的,我們又對參數(shù)d=1,2,3分別進行了對比。
　　由于SVM需要分成訓練組和測試組,我們的分組方案為:對于前面提到的任何一個特征向量,隨機取疑似病癥中的TP和FP各一半,混合在一起形成訓練組,剩下的一半TP和FP形成測試組。采用兩折交叉驗證策略(two-fold cross-validation strategy),每次分類形成一個接收者操作特征(receiver operating characteri

17、stic, ROC)曲線,用ROC曲線的線下面積(Area under curve,AUC)來衡量分類效果。兩折交叉驗證策略重復100次的平均做為最終的結(jié)果。結(jié)果顯示分別在手動提取方案下,單獨使用T6特征向量、G13特征向量和C26特征向量(參數(shù)d=1)時的AUC分別為(98.17±0.97)%,(95.53±1.12)%和(97.63±0.79)%。當使用G13和CT6作為T6的補充特征形成新的向量后,即 T6+G13和 T6+C25

18、兩個特征向量的AUC分別為(98.49±0.78)%和(98.89±0.59)%?？梢钥闯鰝鹘y(tǒng)特征和我們提出的三維紋理特征在手工勾勒數(shù)據(jù)上均有良好的鑒別能力,把紋理特征和傳統(tǒng)特征組合起來后分類能力稍有提升。在結(jié)腸CAD pipeline自動獲取的疑似病灶數(shù)據(jù)中,T6、G13、CT6(參數(shù)d=1)、T6+G13和 T6+C26(參數(shù) d=1)特征組合的AUC分別為:(83.69±5.93)%、(70.22±3.58)%、(73.84±3.

19、18)%、(89.46±2.45)%和(90.34±2.11)%。當G13和C16紋理特征分別作為傳統(tǒng)特征的補充后, AUC分別提高了5.77%和6.18%。當使用T6+G13+C26特征向量時,AUC沒有明顯提升,手工數(shù)據(jù)和自動病灶數(shù)據(jù)分類結(jié)果AUC分別為(98.74±0.66)%和(90.06±2.36)%。
　　3虛擬結(jié)腸鏡計算機輔助診斷技術(shù)的探索
　　針對手工勾勒感興趣體數(shù)據(jù)區(qū)域VOI,依據(jù)病理檢查的結(jié)果將其分為臨床

20、常見的5組樣本:正常組織190例,增生性息肉56例、管狀腺瘤94例、管狀絨毛腺瘤34例和腺癌6例。提取三維特征向量后用再用主分量分析法處理后選取前6個主要分量。用Hotelling T-square進行顯著性檢驗顯示,當設定顯著性概率為P<0.05時,除了增生性息肉組和管狀腺瘤組之間沒有顯著性差異,其它各組之間兩兩之間都有顯著性差異。
　　為了進一步驗證三維紋理模型在虛擬結(jié)腸鏡計算機輔助診斷方面的效果,我們用課題組早期開發(fā)的虛擬結(jié)