计算机辅助诊断在医学影像学中的应用[J].docVIP

计算机辅助诊断在医学影像学中的应用 ［ 作者：姜兴岳 耿道颖 转贴自：中华现代影像学杂志 点击数：36 更新时间：2005-12-16 文章录入：admin ］ 计算机辅助诊断（computer-aided diagnosis,CAD）近年来逐渐成为医学影像学中的研究热点之一。目前医学影像学中很多CAD技术不断出现，并且获得快速发展；研究表明CAD对于提高诊断准确率、减少漏诊起到积极的作用。本文就CAD的概念、原理及其在医学影像学中的应用情况简要综述。 　　1 计算机辅助诊断发展简史及其含义 　　计算机辅助诊断（computer-aided diagnosis，CAD）技术近年来获得快速发展，尤其发达国家投入大量人力和物力进行研究，每天有大量相关报道出现。目前肺结节和乳腺癌诊断方面的部分研究成果已经通过美国FDA验证应用于临床实践，结果表明对于提高放射科医生诊断的准确率、减少漏诊起到了积极的作用［1］。其实计算机辅助诊断（CAD）中的D至少包括两方面的含义：Detection和Diagnosis，即帮助发现病变和诊断病变。比如在乳腺癌和肺结节的诊断系统中，系统一方面帮助医生发现结节及可疑病变，另一方面帮助医生判断病变的性质，即良性或恶性。 　　计算机辅助诊断在医学中的应用可追溯到20世纪50年代。1959年，美国学者Ledley等首次将数学模型引入临床医学，提出了计算机辅助诊断的数学模型，并诊断了一组肺癌病例，开创了计算机辅助诊断的先河；1966年，Ledley首次提出“计算机辅助诊断”(computer-aided diagnosis,CAD)的概念。20世纪80年代初，计算机辅助诊断系统获得进一步发展，其中应用在中医领域的专家系统最为引人注目。计算机辅助诊断的过程包括病人一般资料和检查资料的搜集、医学信息的量化处理、统计学分析，直至最后得出诊断。当时较为流行的模型有Bayes定理、最大似然法模型、序贯模型等。20世纪90年代以来，人工神经元网络快速发展，它是模仿人大脑神经元工作原理的一种数学处理方法。由于它具有自学习能力、记忆能力、预测事件发展等能力，可以起到辅助诊断的作用，在分类、诊断方面，人工神经网络方法比传统的方法（概率统计法、数学模型等）有更优越的性能［1］。可以说，人工神经元网络是代表当前最先进的人工智能技术之一。 　　自20世纪60年代就有用计算机分析医学影像资料的报道，此后十几年里由于计算机技术等各种原因，CAD的研究一度陷入低谷；一方面，由于人们对于CAD期望过高，希望能够借助计算机实现自动诊断（automated diagnosis），另一方面CAD研究结果并不理想。直到八九十年代由于计算机技术及各种数学、统计学的快速发展，计算机辅助诊断在一些发达国家的医学影像学领域才获得较快发展，并取得了可喜的成就［2］。目前，国外学者对于计算机辅助诊断在医学影像学中的含义基本达成共识：应用计算机辅助诊断系统时最终诊断结果仍是由医生决定的，只是医生在判断时参考计算机的输出结果，这样使得诊断结果更客观更准确。目前国外学者强调计算机的输出结果只是作为一种参考（second opinion），这与最初六七十年代的计算机自动诊断的观念以及现在某些人对于CAD的理解是不同的［3，4］。医学影像学中，计算机的输出结果是定量分析相关影像资料特点而获得的，其作用是帮助放射科医师提高诊断准确性和对于图像、疾病解释的一致性（consistency）。CAD之所以能够提高医生的诊断准确性，原因在于：放射科医生的诊断是主观判断过程，因而会受到医生经验及知识水平的限制和影响；其次，医生诊断时易于遗漏某些细微改变，如肺结节，乳腺内的细微钙化等；再次，不同医师间及同一医师间的阅片差异的影响。而计算机对于纠正这些错误和不足具有巨大的优势［4］。 　　2 计算机辅助诊断的基本原理 　　通常医学影像学中计算机辅助诊断分为三步［4］：第一步是图像的处理过程，目的是把病变由正常结构中提取出来。在这里图像处理的目的是让计算机易于识别可能存在的病变，让计算机能够从复杂的解剖背景中将病变及可疑结构识别出来。通常此过程先将图像数字化:一般用扫描仪将图像扫描；如果是数字化图像如DR、CT、MRI图像则可省去此步。各种病变运用不同的图像处理和计算方法，基本原则是图像增强和图像滤过的应用等，通过处理计算机将可疑病变从正常解剖背景中分离、显示出来。 　　第二步是图像征象的提取，或图像特征的量化过程。目的是将第一步计算机提取的病变特征进一步量化，即病变的征象分析量化过程。所分析征象是影像诊断医生对病变诊断具有价值的影像学表现，如病变的大小、密度、形态特征等。 　　第三步是数据处理过程。将第二步获得的图像征象的数据资料输入人工神经元网络等各种