使用放射学特征检测PET/CT图像中的肺结节

　　肺癌是男性癌症相关死亡的主要原因。最近，PET/CT检查目前被用作癌症筛查工具在某些国家/地区。PET/CT可用于早期发现肺癌。然而，使用大量PET/CT图像的解释是繁重的，并且需要用于以不费力的方式获得高诊断精度的技术。
　　 出国看病服务机构目前正在开发一种从PET/CT图像自动检测肺结节的方法。在出国看病服务机构以前的研究中，独立于CT和PET图像检测到结节，并将其整合以获得初始候选区域。然后，从中提取出手工制作的特征，并使用支持向量机删除误报。当检测灵敏度为90％时，结节检测能力为9.8个假阳性/例，这是提高FP减少性能的挑战。
　　 作为对假阳性和结节进行分类的一种方法，出国看病服务机构重点研究了卷积神经网络，它是一种在图像识别任务中具有高性能的人工智能技术。出国看病服务机构将介绍使用CNN和放射学特征从PET/CT图像检测肺结节的新方案。
　　 方法概述
　　 肺结节的检测首先使用特定于每种图像类型的算法，分别从PET和CT图像中检测出初始结节候选。然后，将从两个图像获得的候选区域进行组合。使用多步分类器，通过形状/代谢分析和CNN获得的放射特征，通过多步分类器的集成方法消除了初始候选中包含的FP。
　　 初始结节检测
　　 关于CT图像的检测，首先使用主动轮廓滤波器增强了大块区域，这是一种具有可变形核形状的对比增强滤镜。活动轮廓包含多个相互连接的节点。出国看病服务机构将活动轮廓的评估函数定义为沿连接线的最大像素值。节点迭代移动以最小化评估功能。因此，有效轮廓包围结节，而没有接触正常器官，例如血管和肺壁。ACF的最终输出是活动轮廓上的最大像素值与滤波器内核中心的像素值之差。在图像增强之后，通过阈值化和标记来分割初始结节区域。
　　 随后使用预定的截止值对PET图像进行二值化，以检测摄取增加的区域。在此，使用通过CT图像获得的肺区域来消除除肺以外的候选区域。
　　 通过CT和PET检测到的初始候选区域表示为二进制图像。然后使用逻辑或功能将两个图像合并。在对两个图像上的区域进行逐像素确认之后，将至少一种模态检测到的区域视为初始候选区域。
　　 误报减少
　　 在最初的候选区域中，有很多FP。的FP包括在初始候选人由肺中的区域支气管和血管。另外，PET图像中最初候选对象的大多数FP是由于邻近肺脏器官的生理摄取所致。因此，CT图像的形状特征和PET图像的代谢特征的整合都可以用来消除FP。但是，FP和结节的特征重叠，仅使用这些手工放射特征就可以减少FP。为了消除FP，同时保持真正的正率，研究采用了CNN，它是一种深度学习架构。CNN受到生物过程的启发，并专门设计用于模拟视觉系统的行为。CNN具有自动从图像数据执行特征提取并学习输入数据表示的功能。在某些图像识别试验中，采用CNN可以显着改善结果。研究表明，CNN可以通过产生新颖的有效特征来减少FP，而传统的FP还原方法中所使用的形状和代谢特征并未产生这种特征。因此通过将CNN与出国看病服务机构以前的FP减少技术相结合，为该研究开发了整体FP减少方法，该技术使用了手工放射特征。
　　 使用卷积神经网络进行分类
　　 用于FP缩减的CNN的架构。它由三个卷积层，三个池化层和两个完全连接的层组成。将三个截面的CT和PET图像馈送到CNN的输入层。然后为CT图像引入轴向和矢状图像。由于PET图像提供的解剖信息有限且空间分辨率较低，因此识别高摄取区域的存在比三维结构更为重要。因此，出国看病服务机构沿PET图像的体轴使用了最大强度投影图像。
　　 卷积层1使用32个具有5×5×3内核的滤镜，从而得到32×32×32像素的特征图。池化层1进行子采样，每2个像素输出3×3内核中的最大值，从而将特征图的矩阵大小减小为16×16×32。在三个卷积层和三个池化层之后，有两个完全连接的层，每个层由一个多层感知器组成。完成所有层后，从输出中获得TP和FP的概率。通过训练卷积层和完全连接的层，两个独立的输出可以代表FP和TP判断的概率。
　　 手工放射特征
　　 对于每个候选区域，将形状和代谢特征计算为手工放射特征。从CT图像中总共获得18个特征，包括三个平面中的截面积，体积，表面积，三个平面中的轮廓像素，紧凑性，三个平面中的会聚度以及CT候选区域中的值。从PET图像中总共获得了8种代谢特征，包括标准化摄取值在候选区域的中心，在该候选区域中SUV的最大值和平均值，在三个平面中的截面积，在该候选区域中的体积和表面积。
　　 利用CNN输出和手工制作的放射学特征，可从初始候选区域中消除FP。首先，将手工制作的放射学特征馈送到基于规则的分类器中，以消除明显的FP。然后，通过为每个功能设置简单的下限和上限来识别FP。
　　 然后将剩余的候选区域馈送到两个SVM，在其中对TP和FP进行分类。仅通过CT图像检测到的初始候选区域指示PET图像中没有高摄取区域。因此，PET获得的许多特征都设置为零。相反，对于由PET图像检测到的初始候选对象，通常会在CT图像中观察到形态变化。由于在两种条件下获得的特征的属性和有效特征的数量不同，因此引入了两个SVM。总共22个特征被馈送到第一个SVM，并且通过提议的方法获得的所有特征都被供给基于上面的讨论，将第二个SVM称为SVM＃2。在这项研究中，引入了LIBSVM，它是SVM的库。出国看病服务机构使用C支持向量分类作为SVM算法，使用径向基函数作为核函数。
　　 图像数据集
　　 这项研究纳入了2009年至2012年在癌症筛查计划中进行了全身PET/CT的104名日本人。这些图像是在东名古屋影像诊断中心的癌症筛查程序中使用具有标准临床设置获得的。PET图像的空间分辨率为4.0×4.0×2.0mm3，而CT图像的空间分辨率为0.97×0.97×2.0mm3。在84位患者中共检测到183个结节。这些结节的直径平均值，CT值和SUVmax分别为18.9±15.6mm，25.3±384.4和4.01±4.70。结节的中心坐标由放射科医生提供。
　　 该研究得到机构审查委员会的批准，并在所有数据都匿名的条件下获得了患者协议。
　　 评估指标
　　 与候选区域有关的数据被随机分为五组，并使用交叉验证方法进行评估。如果由医生标记的结节的中心坐标存在于通过本方法获得的候选区域内，则认为该候选结节已正确检测。当没有注册的结节分配给该区域时，初始候选区域被认为是FP。关于检测参数，ACF的最大滤镜半径设置为25mm，节点数设置为8。对于PET检测，阈值设置为2.0。这些参数是在先前的研究中确定的，该研究基于初步实验和放射科医生的知识。
　　 使用内部CAD软件，使用具有16GBDDR4内存的IntelCorei7-6700K处理器，执行自动检测计算。对于整体FP缩减方法，使用捆绑在Caffe软件包中的专用培训程序来进行CNN的培训，由GPU加速。
　　 检测结果
　　 在初始检测中，通过CT图像和PET图像分别检测到181个结节中的163个和80个。在这两个检测到的结节中，通过两个图像均检测到67个结节。总敏感度为97.2％。另外，最初的候选中包含7575个FP，因此每个案例中的FP数量为72.8。
　　 通过改变FP减小方法的参数而形成的自由响应接收机工作特性曲线。为了进行比较评估，还显示了不使用CNN的先前方法的FROC曲线。出国看病服务机构提出的方法的灵敏度为4.9FPs/箱时为90.1％。通过出国看病服务机构提出的方法检测到或遗漏的结核的例子。出国看病服务机构先前和提出的方法都检测到的三个结节；表示通过该方法新检测到的三个结核，显示了出国看病服务机构提出的方法遗漏的三个结核。左侧和中央图像是在初始检测阶段遗漏的结节，而右侧图像是在FP缩小阶段遗漏的结节。
　　 系统中，通过内部软件自动执行了从CT和PET图像中结节的初始检测。没有涉及到人工干预的操作，需要操作员进行判断。初次结节检测的处理时间为每例约340s，合奏FP减少的时间为每例35s。CNN训练在GPU上花费了大约24分钟。
　　 文中出国看病服务机构将描述使用CNN和常规手工制作特征的PET/CT图像结节检测方法。就使用具有CNN和放射线特征的整体FP降低技术的整体性能而言，在4.9FP/箱的情况下，灵敏度超过90％。因此，提出的CAD方案对于放射科医生在筛选和后续检查期间的图像诊断似乎很有用。
　　 在检测灵敏度相同的情况下，以FPs/案例来比较本文提出的方法和传统方法，出国看病服务机构以前提出的方法PET图像通常显示出高吸收值，类似于恶性结节。此外，它们在结构上在解剖学上相似。因此，通常很难区分良性和恶性结节。在这种情况下，需进行支气管镜活检。然而，这是侵入性的，并且患者面临巨大的身体困难。
　　 在这些情况下，如果可以详细分析CT和PET图像以量化结节的恶性程度，则可以减少对过度活检及其伴随的身体困难的需求。因此，在这项研究中，出国看病服务机构集中于使用PET/CT图像自动分析肺结节的恶性潜能。
　　 许多研究报道了通过图像分析对肺结节的良性/恶性分化。提出使用线性判别分析对肺结节进行自动分析，并从CT图像中获得特征特征。他们评估了470次CT扫描，发现ROC曲线下的面积为0.79。专家引入了深度学习多作物卷积神经网络模型对肺结节进行分类。他们使用了来自肺图像数据库协会和图像数据库资源倡议数据集的880个良性结节和495个恶性结节，其准确率达到了87.14％。研究人员开发了一种通过整合PET和CT信息来区分良性和恶性肺结节的半自动化方案。该研究评估了三种基于人工神经网络的计算机辅助诊断方案，以利用临床信息和图像特征区分良性和肺结节。可以看出，使用PET和CT的诊断准确性均优于单独使用。
　　 然而，据出国看病服务机构所知，到目前为止，尚未开发出基于从PET和CT图像中获得的放射学特征对肺结节进行自动分析的方法。肺结节的自动分类可能具有很大的实用价值。因此，文中出国看病服务机构将介绍使用CT和PET图像对肺结节进行自动分类的方案。
　　 出国看病服务机构从怀疑患有肺癌的患者中收集了36张早期和延迟阶段的PET/CT图像。另外，还分析了最大吸气时的常规CT图像。选择的病例是仅凭诊断成像难以鉴别诊断的病例，最终诊断是通过支气管镜检查和活检标本分析进行的。
　　 PET/CT成像研究是在2012年至2014年期间使用CT在日本藤田保健大学医院进行的。两个图像均以200×200像素，并且自由呼吸。使用3D-OSEM重建算法执行图像重建。此外，还执行了点扩展功能和飞行时间校正以及通过CT图像进行的衰减校正。重建后将PET图像转换为CT图像的体素大小。给予3.7MBq/kgFDG后，分别进行60分钟和120分钟的早期和延迟PET成像。这些PET和CT图像由PET/CT扫描仪自动对齐。
　　 使用AquilionONE进行常规的CT成像，矩阵尺寸为512×512像素，并带有肺核。如果CT检查进行了不止一次，出国看病服务机构选择最接近PET/CT检查的时间拍摄的图像。
　　 在总共18例良性病例中，有13例最终通过活检被诊断出，并且5例经过3年或更长时间的随访检查被确认为良性。恶性肿瘤18例，其中腺癌13例，鳞状细胞癌4例，小细胞癌1例。恶性结节组的患者年龄为72.2±7.6岁，良性结节组的患者年龄为65.3±10.2岁。
　　 该研究得到机构审查委员会的批准，并在所有数据都匿名的条件下获得患者同意。
　　 方法概述
　　 在这种方法中，使用几个特征对由医生指定为可疑的PET和CT图像区域进行分析，并自动将其分类并识别为良性或恶性。
　　 兴趣量提取
　　 由医生指定要使用常规CT图像和PET/CT图像进行分析的结节的位置和直径。根据该信息，从CT和PET图像中对肺结节周围感兴趣的体积进行了分割，并将其用于分析。手动设置从常规CT和PET/CT图像中提取的VOI的中心坐标，同时检查每个CT图像的多平面重建图像。首先，搜索结节面积最大的跨轴图像，并手动指定其中心坐标。然后，出国看病服务机构将图像中的最长直径设置为Dxy在结节的xy方向上。随后，在改变体轴方向上的切片位置的同时，出国看病服务机构获得了存在结节的切片的范围，并将其设置为Dz。出国看病服务机构从原始图像中提取了每侧像素数分别为2Dxy，2Dxy和2Dz的VOI。
　　 特征提取
　　 恶性诊断中的检查要点
　　 区分良性和恶性结节的检查点。医生通过参考像素值来创建此方案。此外，还考虑了结节成分，形状，结节边界的清晰度，针尖等。研究中这些点被量化为特征。
　　 有关PET和CT图像像素强度的功能
　　 在PET和CT图像中，许多恶性结节的像素强度很高。在CT图像中，计算出结节中心的CT值和结节内部的最大CT值。
　　 结节边界对比的特征
　　 恶性结节的边界通常不清楚。因此，利用结节的外边界线和内边界线的CT值之间的差异评估边界的对比度。为了计算此，在属于所述内边缘R1和外围区域R2，并且两个值之间的差|CTR1-CTR2|定义为对比度Cb）。为了获得R1和R2，首先对图像进行二值化处理，然后由Sobel运算符提取轮廓。然后，轮廓上的像素集定义为R2。接着，对二值化区域进行半径为1个像素的构成要素的形态学运算，将其缩小，并以与上述相同的方式提取缩小区域的轮廓。这些像素的集合用作R1。
　　 使用获得的特征来鉴定为良性还是恶性。在这项研究中，出国看病服务机构使用随机森林算法进行分类。随机森林是一种用于分类和回归的整体学习方法，它通过构造多个决策树并输出作为各个树的类模式的类来进行操作。实际上，随机森林的输入为25个特征值，并从输出中获得判断结果。在这项研究中，树木的最大数量设置为20。
　　 此外，为了分析该方法的区别特征，出国看病服务机构评估了三种分类方法：仅使用CT图像进行分类，使用CT图像和早期PET图像进行分类，以及使用CT图像进行分类以及早期和延迟阶段的PET图像。
　　 关于SUV，良性和恶性结节的特征之间存在显着差异。通过PET检查获得的SUV最显着，并被证实可用于区分良性和恶性细胞。另外，一些纹理特征显示良性和恶性结节之间存在显着差异，表明它们的有效性。针头的特征差异不大。此外，良性结节的平均CTmax高于恶性结节。
　　 然后，使用ROC曲线评估结节分类方案。在曲线中，TP率定义为校正后的恶性结节数目与恶性结节总数的比率。FP率定义为良性结节分类错误与良性结节总数之比。此外，通过留一法交叉验证方法评估了性能。
　　 为了分析出国看病服务机构方法的区别特征，出国看病服务机构评估了三种方法：仅使用CT图像进行分类，使用CT图像和早期PET图像进行分类，以及使用CT图像以及早期和延迟PET进行分类图片。和的曲线下面积分别为0.730、0.860和0.895。考虑到恶性结节的准确率为0.944，和的良性结节的准确率分别为0.277、0.611和0.722。跨轴平面的CT和PET图像。关于这三个ROC曲线之间的显着差异，和，和以及和之间的p值分别为0.032、0.104和0.021。
　　 关于SUV，良性和恶性结节的特征之间存在显着差异。通过PET检查获得的SUV被证实对于区分良性和恶性是有用的。但是，炎症性疾病也会产生高SUV。因此，SUV应该与其他功能结合使用以进行正确分类。此外，某些纹理特征可有效区分良性和恶性结节。针头的特征差异不大。这是因为即使在炎性疾病中也观察到许多针状体。此外，平均CT最大良性结节高于恶性结节。这是由于良性结节内的钙化。所有特征的分布在两个类别之间重叠，这使得很难使用单个特征来区分两个类别。因此，使用分类器对多个特征进行集成将更为有效。
　　 根据ROC曲线，所建议的使用CT图像和两相PET图像的方法显示，良性结节的错误检测率为0.278，而准确率为恶性结节检出率为0.944。研究的目标结节是“难结节”，可通过使用CT和PET/CT进行图像诊断来区分。多数良性病例在随访检查中未得到证实，但在活检后被证实。出国看病服务机构的结果表明，活检对病人的身体造成的困难，特别是在良性情况下，可以减少72.2％。
　　 另外，与仅使用CT图像进行分类相比，将PET图像与CT一起使用的结果改善了ROC曲线的AUC。这证明了同时使用解剖信息和功能信息的有效性。根据ROC曲线p值的结果，出国看病服务机构发现单独使用CT分析与使用CT和PET图像进行分析之间存在显着差异。
　　 这些结果表明，所提出的方法可能有助于提高恶性肿瘤分析的准确性。