虛擬結(jié)腸鏡教(學(xué))案計算機輔助檢測2

1、.虛擬結(jié)腸鏡 (CTC)及計算機輔助診斷 (CAD)綜述1.前言在發(fā)達的國家，結(jié)腸癌是癌癥相關(guān)死亡的首要原因。結(jié)腸癌統(tǒng)計表明，在美國 ， 2000年有 130,200 新病例被確診，其中 56,300 人因此而死亡 。 在英國 ， 1999 年新發(fā)現(xiàn)35,600個病例 ，到 2001 年 16,170 人死亡于結(jié)腸癌。在愛爾蘭 ， 1998-2000年期間有2,720 例死于結(jié)腸癌 ，愛爾蘭的醫(yī)學(xué)統(tǒng)計表明，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，息肉是有結(jié)腸軟組織異常增長形成的，隨著時間的推移息肉有可能發(fā)生癌變。息肉的生長過程

2、是緩慢的（發(fā)生息肉癌變可能需要數(shù)年）， 通過內(nèi)窺鏡早期檢測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)是目前公認的篩選和確診結(jié)腸腫瘤的金標準，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)用價值CTC可顯示腸腔內(nèi)壁和黏膜皺襞，可觀察起源于結(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，能較全面地觀察結(jié)腸腫瘤、息肉等病變的形狀、大小及密度等形

3、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)、外的占位抑或外來壓迫性腫塊 2 ，其應(yīng)用價值可以從以下四個方面說明：(1)CTC 用于結(jié)腸息肉性病變的診斷以目前公認的CC為金標準 ，大多數(shù)關(guān)于結(jié)腸癌高危人群的研究顯示對于檢測直徑>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 ， 而對直徑<5mm 的病變 ， 其敏感性較低。.專業(yè)學(xué)習(xí)資料.(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 CTC能準確地測量淋

4、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，使 N 分期的準確度從單純橫斷面CT時的 59% 提高到 80% ；此外 ，全腹部的 CTC檢查也能發(fā)現(xiàn)遠處轉(zhuǎn)移病灶。(3)CTC檢查易被病人接受CTC屬無創(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則不存在這些問題，副作用比 CC小，因而較受病人歡迎。(4)對結(jié)腸檢查成功率高CC可因不能通過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察到的結(jié)腸部位。CTC 可從直腸到盲腸及從

5、盲腸到直腸 2 個相反方向觀察 ，對可疑病變進行遠側(cè)面、近側(cè)面 、正面及斜面多方向觀察。對梗阻性腸癌病人在內(nèi)窺鏡檢查無法越過病變段時，可顯示狹窄上方腸腔情況 ，全結(jié)腸的腔內(nèi)檢查成功率高 。 此外 ，CTC 還可同時觀察到腸管外的情況，以鑒別是否系腔外腫物向腔內(nèi)突出以及局部侵犯、遠處轉(zhuǎn)移的情況 ，這對結(jié)腸癌的分期有重要意義。發(fā)現(xiàn)結(jié)腸外病變亦是 CTC獨具的優(yōu)勢 ，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)它把虛擬的視點置人腸腔內(nèi)部，利用圖像三維重建技術(shù)對視點前方的組

6、織進行動態(tài)的顯示。主要包括以下關(guān)鍵技術(shù)：.專業(yè)學(xué)習(xí)資料.(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，實現(xiàn)自動導(dǎo)航。在自動導(dǎo)航的過程中，觀察結(jié)腸內(nèi)表面上是否存在病灶（如息肉等）， 醫(yī)生可以標記出有可能是息肉或異常的區(qū)域，并對這些區(qū)域做進一步的檢查和分析。常見的結(jié)腸漫游路徑提取算法有手工標定法、拓撲細化法 、最短路徑法和距離變換法等。(2)虛擬切開 。 結(jié)腸虛擬切開包括 “立方體虛擬切開的方式來顯示360 度的三維全景和切開在一個平面上顯示的整個結(jié)腸二維全景。通過切開的二維平面，醫(yī)生在屏幕上一次或多次瀏覽就可以了解整個結(jié)腸內(nèi)表面的情況，從而可以快速了解結(jié)腸內(nèi)

7、表面息肉的數(shù)量以及在切開前結(jié)腸中的大概位置 。在臨床虛擬內(nèi)窺鏡觀察過程中，這種切開的效果不能代替虛擬內(nèi)窺鏡的觀察 ，其臨床意義為醫(yī)生可以快速瀏覽。目前虛擬切開的常用算法有:基于“電場 ”投影 ，表面正形投影 ，光線投影 ，非線性投影等 。(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 ，容易達到實時顯示和交互操作的優(yōu)點。通過對數(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，在評價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)場中許多數(shù)據(jù)被丟失 ，其中包括

8、一些形狀特征不明顯，亮度有變化的軟組織數(shù)據(jù) ，所以在對細節(jié)的觀察方面效果不佳 。 后者多基于光線投射法的透視體繪制技術(shù)，該方法利用了數(shù)據(jù)場中的所有數(shù)據(jù) ，能真實再現(xiàn)那些細微又對診斷疾病很有價值的信息，同時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現(xiàn)出來，良好的顯示特征形狀模糊不清的器官和組織 。 缺點在于每幅圖像都要進行光線跟蹤的運算，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 通過檢測褶皺來提取結(jié)腸帶 ，結(jié)腸帶是虛擬導(dǎo)航和配準的重要解剖學(xué)標記； Krishna Chaitanya Gurijala7.專業(yè)學(xué)習(xí)資料.提取結(jié)腸標

9、記來指導(dǎo)虛擬切開和結(jié)腸表面分割； Wei Zeng8采用投影幾何的方法進行俯臥位和仰臥位配準，來加快息肉的檢測速度，降低假陽率 ； Joseph Marino9提出一種保持形狀的虛擬切開； 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)腸內(nèi)快速飛行的方法， 將結(jié)腸分成兩半，兩半各指定一個照相機，結(jié)腸可視表面積達 97% 。4.CAD的診斷價值作為 CTC的輔助手段 ，計算機輔助檢測 (computer aided detection， CAD) 從原始軸位圖像中自動檢測并標記病變的位置供讀片醫(yī)生進一步診斷。 CAD 對結(jié)腸疾病診斷的優(yōu)勢

10、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誤，而造成這些感性錯誤的原因可能是： 閱片時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檢查時由于視覺效果的缺失不能對黏膜顏色變化進行判斷； 大量圖像使讀片者感到單調(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)驗影響，還與精神狀態(tài)和讀片時間的長短有關(guān)，即使一位讀片者可在多數(shù)病例中檢出同一類型息肉，但同一讀片者在不同的環(huán)境中可能會漏檢該類息肉。 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

11、一致的結(jié)果。研究證明 CAD 可明顯提高讀片者診斷的準確度，尤其對于經(jīng)驗不足的醫(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，敏感度 95， 每位患者敏感度為 100% 。 國際健康中心報道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。 Gasthuisberg 醫(yī)科大學(xué)采用CAD 在 18例患者中檢出 9例 5 mm 以上息肉 15個，敏感度 80 ， 其中多數(shù)病例使用了殘便標記方法，說明CAD 在檢出息肉方面具有較高的敏感度。通常 CAD 對于直徑 6 mm 息肉

12、檢出的敏感度在.專業(yè)學(xué)習(xí)資料.70 100 ， 而 CTC數(shù)據(jù)統(tǒng)計分析顯示對于直徑10 mm 及直徑 6 9 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； 檢測可疑病變 ； 病變分類。如下圖所示 ：輸入CT 圖像結(jié)腸組織分割檢測疑似病變病變分類檢測結(jié)果顯示與標記圖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序列圖像中準確提取出來，用于后續(xù)的處理及檢測，其結(jié)果的好壞直接影響CAD系統(tǒng)的性能 。 由于腸腔內(nèi)主要是空氣，其 CT密度分布與軟組織有很大區(qū)別，較易分

13、開 。 但由于腸壁皺褶及糞便、液體等殘留物的存在，給結(jié)腸的有效分割帶來很大的困難。結(jié)腸組織分割面臨的問題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. 殘便標記帶來的一系列困難；c.復(fù)雜的結(jié)腸結(jié)構(gòu)和拓撲形態(tài)影響分割的準確性和速度。之所以要進行殘便標記是因為，和光學(xué)結(jié)腸鏡一樣，為了得到可信的結(jié)腸病變檢測，合適的腸道準備也是必須的。 殘便會覆蓋病變部位(阻礙檢測 )，或者與息肉類似(引起假陽)。 殘便可以通過瀉藥來清理，但是服用瀉藥清腸也是給病人帶來不適感的原因之一，對殘便標記可以最大程度的減小使用瀉藥清理腸道。但是對殘便標記給CAD 的應(yīng)用帶

14、來幾個技術(shù)難題17 。 a.偽增強的影響(PEH)。 在非標.專業(yè)學(xué)習(xí)資料.記殘便的 CTC中，息肉的 CT值 <100HU ；而高密度的標記物人為的增強其附近物質(zhì)的觀測密度 ，偽增強的息肉的 CT值可 >500HU 。PEH的影響隨著量的不同，厚度的不同 ，對比劑的發(fā)散密度的不同呈現(xiàn)極大的不同，即使在同一個結(jié)腸兩個不同的區(qū)域。 b.標記物會影響形狀和紋理特征的計算 。 理想的情況下 ，標記物區(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 ，對比劑的 CT值比軟組織高 ，相對于被空氣覆蓋的軟組織，被標記物覆蓋的軟組織是負圖像區(qū)域,CT值的這種變化會改變梯度和局部表面主曲

15、率的方向。 c.標記物和PEH給結(jié)腸提取帶來困難。因為塌陷區(qū)域?qū)⒔Y(jié)腸腔分成幾個不連續(xù)的部分，有些甚至被分割很遠 。盡管可視區(qū)域和塌陷區(qū)域可以再連接在一起，但是一部分小腸會被包括進來。標記物的存在會使結(jié)腸的提取進一步復(fù)雜化，因為由于 PEH使得結(jié)腸和小腸的薄壁變得不可見 ，這會導(dǎo)致結(jié)腸和小腸相互連接在一起。 在殘便標記的 CTC中，結(jié)腸通常和小腸通過開通的回盲瓣連接在一起，通過在回盲瓣的標記物用來追蹤結(jié)腸腔，會直達小腸 。 d.骨結(jié)構(gòu)和對比劑有相似的 CT值，由于 PEH骨結(jié)構(gòu)和對比劑相連 ，區(qū)分對比劑和骨結(jié)構(gòu)成為一個難題 。為了清除殘便 ，最簡單的辦法就是采用閾值分割的方法清除殘便。但是由于部

16、分容積效應(yīng)的影響 (PVE)，采用這種簡單的方法會在空氣和標記物之間形成一個薄層(ATB)，如圖 2所示 。 為了減輕這個影響， Lakare18根據(jù)圖像的剖面模式不同，來檢測到這個薄層；Zail19 利 用 形 態(tài) 學(xué) 和 線 性 濾 波 器 來 減 輕 這 個 影 響 ； Chen20利用梯度信息；而以Liang21-24 為首的研究團隊則是利用統(tǒng)計學(xué)信息為PVE 建模 ，假設(shè)每個體素都是由空氣、標記物、肌肉、軟組織組成，采用最大期望法(EM)估計出每種物質(zhì)的含量；Serlie25-26 則是用三種物質(zhì)過渡模型區(qū)分空氣、軟組織和標記物； Ronbald27 則是采用改進的區(qū)域生長和模糊連接

17、來越過ATB。 為了校正標記物對周圍組織的偽增強(PEH)，Janne Nappi17 提出一種校正標記物偽增強的方法； Ronbald28 采用一種尺度不變的發(fā).專業(yè)學(xué)習(xí)資料.散校正方法來分割標記物區(qū)域。圖 2 空氣 -標記物邊界 (ATB)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 。 去小腸的準則有：

18、a.小腸比結(jié)腸的長 ，比結(jié)腸細 ;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，還可以通過計算結(jié)腸的路徑來去肺和小腸，與提取結(jié)腸的中心線很類似，只是不要求所有的點都在結(jié)腸的中心上。(2)疑似區(qū)域檢測息肉通常為球形或帽狀貼于腸壁，而皺襞呈延長的脊狀結(jié)構(gòu)，結(jié)腸壁為大的幾乎扁平的杯狀結(jié)構(gòu) ，可根據(jù)不同的形狀特點區(qū)分息肉、皺襞和結(jié)腸壁 ，如圖 4。 CTC-CAD 問題的早期研究工作是Vining30 開展的 ，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檢測息肉，Summers31 在黏膜表面計算每一點的平均曲率， Yoshida and Nappi32 利用形狀指數(shù)和曲率來找

19、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)上計算曲率， Sundaram 34在代表結(jié)腸的網(wǎng)格上直接進行幾何處理。 VanRavesteijn 35在等式中計算第二主曲率，在網(wǎng)格上顯式的或者在圖像上隱式的識別息肉。.專業(yè)學(xué)習(xí)資料.Jerebko 36則是對結(jié)腸腔內(nèi)突起對象分析曲率模式的對稱性。其他的研究者演繹出解析形狀模型來近似結(jié)腸的局部幾何特性37 ，或者評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，褶皺呈細長或者圓柱狀。但是實際的息肉和褶皺在形狀上的不同是很微妙的，而且實際的息肉和褶皺與假設(shè)模型在尺寸和形狀也有一定

20、的不同。所以除了形狀參數(shù)，研究者還對息肉的其他特征進行分析，比如有研究者對展開結(jié)腸的電子活檢圖像的紋理模式進行分析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)息肉分類結(jié)腸 CAD初始的應(yīng)用時相當簡單的機器學(xué)習(xí)算法分辨出病變模式和非病變模式。采用的分類器有線性判別分析（ 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(SVM)43-44 等 。 最近 Dundar45設(shè)計 optimizedcascade classifiers，采用與 - 或框架最小化目標函

21、數(shù)。 Suzuki 46 擴展了 Yoshida的方法47采用大規(guī)模的人工神經(jīng)網(wǎng)絡(luò)來降低假陽率。 Liu 48 采用多種學(xué)習(xí)技術(shù)，包括擴散映射和局部線性嵌入進行降維，同時結(jié)合支持向量機。 Tu 49設(shè)計probabilistic boostingtree 組成 Adaboost 分類器進行息肉自動檢測，而不需要結(jié)腸分割。CAD 檢測息肉面臨的挑戰(zhàn)之一就在不降低敏感度的前提下，去假陽 。 研究表明 12 約45 的假陽性結(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.專業(yè)學(xué)習(xí)資料.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、兩個聚集的皺襞、結(jié)腸彎曲部的皺襞邊緣以及

22、結(jié)腸內(nèi)未被展開的皺襞。 另外 ，約 20假陽性結(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加以區(qū)分；其他假陽性發(fā)現(xiàn)還包括直腸內(nèi)的插管 、運動偽影等 。大量的假陽會混淆放射科醫(yī)生解釋圖片，降低工作效率 ，是使其對 CAD作為一個有用工具失去信心。因此在保持高敏感度的同時，去假陽很重要 。目前已有很多去除假陽性的方法，總體可以分為三類 50：一類基于特征分類器的方法；一類基于像素 / 體素機器學(xué)習(xí)的方法，另一類是基于非機器學(xué)習(xí)的方法。基于特征分類器的方法 ，是指在設(shè)計分類器的時候就考慮特征

23、如何選，分類器如何設(shè)計來降低假陽。計算形狀特征 ，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其重計算；Hongbin Zhu52 采用Knutsson mapping的方法進行估計。在分類器的設(shè)計上，設(shè)計的分類器有最優(yōu)cascade分類器 29, 貝葉斯人工神經(jīng)網(wǎng)絡(luò)Bayesian neural network (BNN)17等。 最近隨著計算能力的顯著提高 ，基于像素 / 體素的機器學(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

24、特征計算或者分割就不是必須的了。由于 PML 避免了不準確的特征計算和分割，在性能上潛在的要比基于特征的分類器高。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 SVR (MTSVR)54?；诜菣C器學(xué)習(xí)的方法有， 55 將俯臥位和仰臥位相對應(yīng)降低假陽； 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

25、研究者降低假陽某一特殊的類型。 57 采用 3DMTANN 區(qū)分息肉和直腸插.專業(yè)學(xué)習(xí)資料.管。直腸插管是引起假陽的一個主要原因。盡管直腸插管是顯而易見的假陽，如果 CAD不能識別如此明顯的假陽 ，放射科醫(yī)生會失去對CAD 作為一個有用幫手的信心。 58 采用基于圖像分割的方法去除由直腸插管引起的假陽，他們的方法是找到直腸插管內(nèi)的洞，外推這個軸 ，然后采用帶條件的形態(tài)學(xué)膨脹方法分割出直腸插管。該方法能夠標記出72% 的直腸管 ，降低 9.2%的假陽 。59 采用一種方法降低由于回盲瓣引起的假陽，它們的方法能夠減少 61% 的由于會盲管引起的假陽 。 60 則是利用全局形狀模型來檢測直腸插管。6

26、.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 CAD 可能并非最佳 。 對 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)進行快速掃描。然而，低劑量曝光和低長軸分辨力可能會增加圖像噪聲 ，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 CAD 檢出能力影響的研究。 Shi62 等采用與臨床病例相似的層厚 ，通過對體模的研究發(fā)現(xiàn)層厚影響息肉檢出能力：當使用薄層時 ，檢出小于 lO mm 息肉敏感度明顯提高 ；而對于息肉直徑大于10mm 的敏感度則無變化 。(2)

27、體位 對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 ，提高診斷的準確度 。 息肉無論仰臥還是俯臥位都停留在結(jié)腸的同一位置，而殘便是可移動的 。為使 CAD 能夠發(fā)現(xiàn)這種移動 ，在仰臥位和俯臥位之間建立位置對應(yīng)關(guān)系非常必要.結(jié)腸可大幅度變形 ，并且當體位變化時一部分結(jié)腸會發(fā)生移動，所以以結(jié)腸中心線為基準，可對仰臥位和俯臥位圖像進行對比研究。(3)糞便標記和數(shù)字清潔腸道通過口服鋇劑或水溶性碘標記糞便和殘液后對其進行減影，可去除大部分被標記的殘便和液體，但是因為減少腸道清潔準備將會殘留大量糞便，部分可被很好地標記 ，部分可能不會完全被標記，因此電子清腸仍然是 CAD 研究的一個重.專

28、業(yè)學(xué)習(xí)資料.要課題 。 考慮到服用瀉藥給病人帶來的不適感及潛在的危害，已經(jīng)有研究者開始研究不服用瀉藥進行電子清腸15,63 。(4)減少假陽目前 CAD 系統(tǒng)的高敏感度是以高假陽率為代價的，因此在保持高敏感度的同時 ，提高特異度是提高CAD 性能一個及其重要的方面。另外提高檢測小息肉的敏感度，也將引起越來越多研究者的注意。參考文獻 ：1 Tarik A. Chowdhury, Paul F. Whelan , Senior Member, et al. A Fully Automatic CAD-CTC System Based on Curvature Analysis for Standa

29、rd and Low-Dose CT Data. IEEE Transactions on BiomedicalEngineering, 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 . 國外醫(yī)學(xué)臨床放射學(xué)分冊 ,2005,28(4):246-250 3Verstraete KL, Deene YD, Roels H, et al. Benign and malignant mesuculoskletal lesion: dynamiccontrast-enhanced MR imaging-parametric“-passfirt ” imag

30、ing depict tissue vascularization andperfusion.Radiology,1997,200(3):835-843.4 張翼 ,宋志堅 . 結(jié)腸息肉的計算機輔助診斷. 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 ComputedTomographic Colonography Images. Proceedings, MICCAI,(2010).6 Julien Lamy,

31、 Ronald 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,

32、et al. 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 VirtualCol

33、onoscopic 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 NovelVisualization Approach for Virtual Colonoscopy. Proceeding, MICCAI,(2010).12 張惠茅 ，喬峰利 . 計算機輔助檢測在 CT結(jié)腸成像中的應(yīng)用 . 中國醫(yī)學(xué)影像技術(shù) ,2010,26(

34、1):171-17813 Dongqing Chen1, Rachid Fahmi1, Aly A. Farag, et al.ACCURATE AND FAST 3D COLONSEGMENTATION IN CT COLONOGRAPHY14 Sh. F. Hamidpour, A. Ahmadian1, R.A Zoroofi, et al.HYBRID SEGMENTATION OF COLONBOUNDARIES IN CT IMAGES BASED ON GEOMETRIC DEFORMABLE MODEL15 Wenli Cai, June-Goo Lee, Michael E.

35、 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 N?ppi,et al.Structure-analysis method for electronic cleansing incathartic and noncathartic CT colonography

36、. Med. Phys. ,2008,35(7):3259-3278.專業(yè)學(xué)習(xí)資料.17 Janne N?ppi,Hiroyuki Yoshida. Fully Automated Three-Dimensional Detection of Polyps inFecal-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 segmentati

37、onrays 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.1335 1343,1004, Nov. 2004.20D. Chen

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

39、 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 Cleansin

40、g Method forDetection of Colonic Polyps by Virtual Colonoscopy. NIH Public Access,IEEE Trans Biomed Eng. 2006,53(8): 1635 1646.24 Su Wang, Lihong Li, Harris Cohen. An EM approach to MAP solution of segmenting tissue with application to CT-based virtual colonoscopy. Med. Phys., 2008, 35( 12);5787:579

41、9.25 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 TRANSACTIONS

42、 ON BIOMEDICAL ENGINEERING, 2010,57(6):1306-131827 M. Franaszek, R. M. Summers, P. J. Pickhardt and J. R. Choi, "Hybrid segmentation of colon filledwith air and opacified fluid for CT colonography," IEEE Transactions on Medical Imaging,2006,25:358-68.28 Jiamin Liu, Jianhua Yao, and Ronald

43、M. Summers.Scale-based scatter correction forcomputer-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., G

44、e, 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 Virtu

45、al Colonoscopy Computer-AidedPolyp Detection in a Screening Population. Gastroenterology 2005, 129, 18321844.32 Yoshida, H., Nappi, J. Three-Dimensional Computer-Aided Diagnosis Scheme for Detection ofColonic Polyps. IEEE Trans. Med. Imaging 2001, 20, 12611274.33Kim, S.H., Lee, J.M, Lee, J.G. Comput

46、er-Aided Detection of Colonic Polyps at CT Colonography Usinga Hessian Matrix-Based Algorithm: Preliminary Study. Gastrointestinal Imaging 2007, 189, 4151.34 Sundaram, P., Zomorodian, A., Beaulieu, C. Colon Polyp Detection using SmoothedShapeOperators: Preliminary Results. Med. Image Anal. 2008, 12,

47、 99119.35 van Ravesteijn, V.F., van Wijk, C. Computer Aided Detection of Polyps in CT Colonography using.專業(yè)學(xué)習(xí)資料.Logistic Regression. IEEE Trans.Med. Imaging 2010, in press.36 Jerebko, A., Lakare, S., Cathier, P. Symmetric Curvature Patterns for Colonic Polyp Detection. InProceedings of the 9th MICCA

48、I Conferences, 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 Comp

49、uter-Aided Detection Algorithm with Application to Colonic Polyps and Lung Nodules in Helical CT. IEEE Trans. Med. Imaging 2004, 23, 661 675.39 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. 2007,5

50、5, 888901.40 Qiu, F., Marino, J., Kaufman, A. Computer Aided Polyp Detection with Texture Analysis. In Proceedings of MICCAI Workshop on Computational and Visualization Challenges in the New Era of Virtual Colonoscopy, Kimmel Center, New York, NY, USA, September 6, 2008.41 Adam Huang, Ronald M. Summers, 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