基于PET/CT图像的计算机辅助诊断（CAD）系统发展综述

张瑞 程徐守祥 胡文 深圳信息职业技术学院 程超 上海长海医院

基于PET/CT图像的计算机辅助诊断（CAD）系统发展综述

张瑞 程徐守祥 胡文 深圳信息职业技术学院 程超 上海长海医院

本文对基于PET/CT图像的计算机辅助诊断（CAD）系统的发展进行综述。从基于PET/CT图像的算法研究、CAD系统研发、CAD系统研发难点三方面进行了阐述。最后提出了基于PET/CT图像的CAD系统研究发展趋势，传统的计算机辅助诊断系统在人工智能快速发展的背景下其智能化属性必然将被突出。

PET/CT 计算机辅助诊断 人工智能 深度学习

计算机辅助诊断（Computer-aided Diagnosis，CAD）系统的概念最早可以追溯到上个世纪50年代，美国的华人科学家钱家其将计算机应用于放射治疗、计算剂量分布和制定治疗计划。自上个世纪80年代起，芝加哥大学针对胸腔的医学图像展开了CAD系统的研发，并取得了阶段性成果。计算机辅助诊断的意义就在于提供了一个计算机输出作为“第二意见”来辅助医师进行分析病理和诊断病情。研究证明：CAD系统的广泛应用能够帮助医生提高病变的检测效率和诊断水平，相对于主观的、不稳定的人工诊断，CAD系统相对客观和一致的判断显现出很大的优势。因此，CAD技术又被称为医生的“第三只眼”。目前，CAD系统被广泛应用于乳腺病灶的诊断、骨密度测试等，特别在医学图像领域的应用也非常多。

1 CAD系统在PET/CT图像处理领域的发展

1.1 国内外基于PET/CT图像的算法研究

基于PET/CT图像的算法研究在近些年发展了起来，这其中以基于CT图像的算法研究占大多数，这与CT影像技术的发展相对成熟有很大关系。在CT图像的算法研究中，又以针对胸腔的肺结节及肺癌的分割及分类算法研究最为常见。国内外基于PET/CT混合成像的计算机算法研究多是针对大脑、头颈部及胸腔，腹腔部位的算法研究相对较少；算法的实现步骤主要包括：脏器分割、癌症候补区域分割和良恶性分类。在我国，中国科学技术大学蒋田仔教授和太原理工大学赵涓涓教授的科研团队分别针对脑瘤及肺结节进行了基于PET/CT图像的系统算法研究，取得了不俗的科研成果。

1.2 国内外基于PET/CT图像的CAD系统研究开发现状

同样，基于CT图像的CAD系统研究开发较为常见。第一个通过FDA验证的基于多探测器CT胸腔图像的ImageChecker CT CAD软件系统是由美国R2科技公司于2004年推出的,其主要功能是辅助检测有可能演变为肺癌的实质肺结节。2006年西门子医疗推出的Syngo Lung CAD装置能够辅助放射医师检测直径大于3mm的疑似结节。英国Medicsight 公司推出了两款CAD系统：ColonCAD系统和LungCAD系统, ColonCAD系统针对大肠癌进行检测，LungCAD对肺癌进行检测。除此之外比较著名的还有荷兰Philips公司的Pulmopackage系统、GE公司的Lung VCAR等。

在国内，癌症CAD系统研究起步较晚，与国外发达国家之间有很大的差距，但是一些研究机构和大学实验室比如中科院自动化所、东南大学和浙江大学医学影像实验室也取得了一定的研究成果，不断地推动着国内CAD系统的发展。

PET/CT是近年来才出现的高端医学影像技术，所以基于PET/CT成像的CAD系统还处于研究阶段，目前成型的CAD系统由世界上PET/CT医疗设备生产商Philips、GE和Siemens自主研发，但由于软件版权及其昂贵的费用在国内还未得到普及。日本横滨国立大学的有泽博教授从事基于PET/CT的CAD系统研发十多年，基于大脑、头颈部的CAD系统目前在日本横滨市立大学附属医院试用。除此之外，Nie等人通过多角度地提取肺结节的PET特征、CT特征和临床信息，设计了一个半自动的CAD系统来提高肺结节诊断的准确率，Teramoto等人通过结节检测和假阳性去除技术高效地实现了基于PET/CT的孤立性肺结节准确检测。

1.3 基于PET/CT图像的CAD系统研究开发难点

就CAD系统而言，目前国外已有一些公司在人工智能医学影像诊断上进行尝试，如美国硅谷的Enlitic，加拿大的Imagia。国内的DeepCare、图玛深维、推想科技等也在进行相关软件的研发，不过都属于起步发展阶段，并且其仍然针对传统CT影像。因此，尽管我国基于PET/CT图像的相关算法研究已经出现，但针对PET/CT医学图像的CAD系统研发基本上还处于起步阶段，与真正投入临床使用的CAD系统还有很大的差距，需要深入研究和解决的问题还有很多。例如如何去除由于PET/CT设备固有的特性而造成的图像噪声；如何实现器官、癌症病变的精确分割；如何全方面地量化和提取癌症候补区域的PET/CT图像特征，尤其是其三维特征；如何通过不同的技术构建合适的分类器或者优化分类器的性能等。

2 基于PET/CT图像的CAD系统的研究趋势

计算机辅助诊断系统目前已发展成为计算机智能辅助诊断系统。计算机智能辅助诊断系统是指结合医学影像技术以及其他可能的临床医学中的生理、生化手段，利用人工智能中的图像处理技术和机器学习、深度学习等技术的分析计算，辅助医生发现患者病灶，提高对病变检测和诊断的敏感性和特异性，或实现病灶精确定位，为精准医疗的实现提供辅助依据。

近些年，基于深度神经网络的深度学习算法成为目前人工智能领域的研究热点，其中卷积神经网络（Convolutional Neural Networks,CNN）相比较其他深度、前馈神经网络，需要估计参数更少，是一种颇具吸引力的深度学习结构，已经被应用于医学图像的识别领域，并取得了一定的成果。Krizhevsky等人训练了一个正则化方法“dropout”降低全连接层的过拟合。Farabet等人提出利用场景图像中的原始像素训练多尺度CNN,对大小不一的区域进行密集特征提取，通过分层特征学习实现场景标注。Jiu M等人采用多尺度卷积神经网络对深度图进行深度学习，实现人体部位识别。Zhang W等人将卷积深度网络模型应用到多模态的核磁影像中，对大脑图像中的脑灰质、脑白质和脑间质进行了识别。因此基于深度学习的癌症诊断算法研究将是基于PET/CT计算机辅助诊断系统研发的趋势所在。传统的计算机辅助诊断系统在人工智能快速发展的背景下其智能化属性必然将被突出。

[1]Nie Y, LiQ, Li F, et al.Integrating PET and CT information to improve diagnostic accuracy for lung nodules:a semiautomatic computer-aided method[J]. Journal of NuclearMedicine, 2006, 47(7):1075-1080.

[2]Teramoto A, Fujita H, Tomita Y, et al. Pulmonary nodule detection in PET/CT images: improved approach using combined nodule detection and hybrid FP reduction[C].SPIE Medical Imaging.International Society for Optics and Photonics,2012: 83152V-83152V-6.

[3]Krizhevsky A, Sutskever I, Hinton G E. Image Net classification with deep convolutional neural networks[C].Advances in neural information processing systems.2012:1097-1105.

[4]Farabet C, Couprie C, Najman L, et al. learning hierarchical features for scene labeling[J].Pattern Analysis and Machine Intelligence, IEEE Transactions on,2013,35(8):1915-1929

[5]Jiu M, Wolf C, Taylor G, et al. Human body part estimation from depth images viaspatially-constrained deep learning[J].Pattern Recognition Letters,2014,50:122-129.

[6]Zhang W, Li R, Deng H, et al. Deep convolutional neural networks for multi-modality isointense infant brain image segmentation[J]. NeuroImage, 2015,108:214-224