計算機輔助檢測系統在低劑量CT肺癌篩查中非鈣化肺結節檢出方法的研究*

羅紅兵， 周 鵬， 青浩渺， 王曉東， 溫子鵬， 陳曉麗， 任 靜， 許國輝

(四川省腫瘤醫院.腫瘤研究所， 成都 610041)

計算機輔助檢測系統在低劑量CT肺癌篩查中非鈣化肺結節檢出方法的研究*

羅紅兵， 周 鵬△， 青浩渺， 王曉東， 溫子鵬， 陳曉麗， 任 靜， 許國輝

(四川省腫瘤醫院.腫瘤研究所， 成都 610041)

目的： 探討計算機輔助檢測系統(computer-aided detection，CAD)提高低劑量CT篩查者非鈣化肺結節檢出率方法的優化和臨床應用價值。方法： 抽取100例接受低劑量CT篩查的高危人群進行研究，分別使用3種方法閱讀圖像。方法A： 僅依靠CAD輔助閱片；方法B： 根據CAD輔助自動檢出結節結果，由影像診斷醫師通過分析CAD自動檢出的目標結構(結節或非結節結構)，以判定CAD自動檢出的目標結果是否為真性非鈣化肺結節；方法C： 在方法B基礎上，影像診斷醫師通過薄層橫斷面圖像閱片，分析并記錄CAD結合影像醫生薄層閱片共同檢測結果。記錄每種方法檢出的每個患者結節總數、結節大小、結節位置和結節密度情況。最終以2名高年資影像診斷主任醫師共同擬定的結節作為真結節參照標準。計算三種方法對非鈣化肺結節的檢出率、假陰性率和檢出假結節總數，用χ2檢驗比較三種方法對非鈣化肺結節檢出率差異。結果： 根據參照標準共檢出287個真結節。方法A共檢出結節總數336個，其中真結節238個，方法B共檢出結節總數249個，真結節238個，方法C共檢出結節總數285個，真結節數274個。方法C非鈣化肺結節檢出率95.50%明顯高于方法A(χ2=23.434，P<0.001)和方法B(χ2=23.434，P<0.001)對非鈣化結節檢出率82.90%；方法C及方法B檢出假陽性的非鈣化肺結節數(11個)明顯少于方法A(98個)。結論： 影像醫生薄層閱片聯合修正CAD結果的篩查方式明顯提高LDCT篩查者非鈣化肺結節檢出率并降低假陽結節檢出，可以作為高危人群LDCT篩查肺結節的首選方法。

肺結節； 體層攝影術； X線計算機； 計算機輔助檢測

肺癌發病率居所有惡性腫瘤中首位[1]。我國肺癌發病年增長率約26.9%，預計2025年患病人數將高達100萬[2]。肺癌病灶早期發現、早期診斷和早期治療是提高肺癌患者治療效果和延長生存期的關鍵，因此，肺結節的早期檢測和診斷對肺癌早期診治十分重要[3-6]。近年來，隨著胸部低劑量CT(low-dose CT，LDCT)的臨床推廣和應用，使肺小結節與早期肺癌的檢出率明顯提高。通常LDCT 肺癌篩查研究需要在薄層CT圖像上進行觀察，以最大限度提高肺結節的檢出率和顯示肺結節的細節特征。但由于薄層CT數倍于常規層厚CT的圖像數量，顯著增加了影像醫師的工作負擔，還容易產生視覺疲勞，降低了工作效率和診斷準確性[7]。目前計算機輔助檢測(computer-aided detection，CAD)系統則通過自動識別并標注肺結節方式，可以明顯降低影像醫生工作量，提高工作效率和肺結節檢出的敏感度。筆者通過比較CAD系統結合影像醫生評估、閱片不同組合方式對LDCT篩查者非鈣化肺結節的檢出能力研究，以找到提高LDCT篩查者非鈣化肺結節檢出的CAD系統結合影像醫生評估和閱片的最佳方法。

1 資料與方法

1.1 臨床資料

從2014年4月至2016年6月，在我院自愿接受LDCT早期肺癌篩查及隨訪項目的無癥狀高危人群1 000例受檢者中，任意選取100例納入本研究，每位受檢者均簽署知情同意書，其中男86例，女14例，年齡51～74歲，中位年齡63歲。納入篩查高危人群標準：(1)年齡：50～74歲；(2)有長期吸煙史，且吸煙≥20包/年；(3)其他危險因素：有其他重要的肺癌危險因素也可作為篩選高危人群的條件。研究人群排除標準：(1)存在片狀實變或肺不張患者；(2)存在明確肺結核或肺部炎癥患者；(3)近5年有癌癥病史(非黑色素性皮膚癌、宮頸原位癌、局限性前列腺癌除外)患者；(4)有嚴重影響生命的疾病患者。

1.2 CT掃描技術

采用MSCT掃描儀(PHILIPS Brilliance iCT)，掃描范圍從胸廓入口至后肋膈角尖端水平，吸氣末單次屏氣完成掃描。掃描參數：管電壓100kV，管電流20mA，螺距0．915，機架轉速0．4s/周，采用iDose6迭代重建技術，重建矩陣1024×1024，圖像重建層厚0．625 mm，間隔0．625mm，窗寬1 600HU，窗位-600 HU。

1.3 CAD系統肺結節檢出方法

將100例胸部LDCT原始數據傳輸到GE AW 4．4工作站，應用CAD肺結節分析軟件進行自動肺結節識別和標記，設置自動檢測結節直徑域值為3mm，記錄CAD檢出結果，定為方法A(單純CAD篩查方式)。用戶界面如(圖1a)，左側為薄層橫斷面(0．625 mm)和MIP橫斷面(1．25 mm)；右側為冠狀面肺結節標記圖、局部VR圖和胸部CT定位圖。自動檢出的目標結構(結節或非結節結構)在肺結節標記圖上以紅色顯示， 拖動鼠標可在MIP橫斷面圖上顯示相應的紅色標記，同時在薄層橫斷面圖上顯示目標結構。VR圖可多方位旋轉顯示目標結構的解剖位置及其與周圍結構的關系。

1.4 CAD系統結合影像醫師閱片肺結節檢出方法

在方法A基礎上，由影像診斷醫師(具有7年影像診斷經驗)通過分析CAD自動檢出的目標結構(結節或非結節結構) 以紅色顯示部分，結合冠狀面肺結節標記圖、局部VR圖和MIP橫斷面圖，以判定CAD自動檢出的目標結果是否為真性非鈣化肺結節，剔除假陽性結節后，對判定為真性結節進行順序標記并利用CAD對選定結節進行自動提取和分析，結果界面如(圖1b)，上側為CAD自動提取出的局部結節VR圖(左)和結節與周圍關系VR圖(右)，并自動計算出目標結節密度特征、結節體積數據，下側為CAD自動提取出的局部結節橫斷面圖像，影像醫生在提取出的橫斷面上對結節大小進行人工測量，修正方法A結果，記錄檢出和測量結果，定為方法B(影像醫生輔助并修正CAD結果的篩查方式)。在方法B同時，影像診斷醫師通過薄層橫斷面圖像閱片，結合冠狀面肺結節標記圖、局部VR圖和MIP橫斷面圖，分析并記錄CAD結合影像醫生薄層閱片共同檢測結果，定為方法C(影像醫生薄層閱片聯合修正CAD結果的篩查方式)。

圖1 CAD系統及CAD系統結合影像醫師閱片肺結節檢出結果

1.5 參照標準

將100例胸部LDCT原始數據傳輸到GDPACS工作站，由2名具有15年以上影像診斷經驗的主任醫師分別閱讀圖像，以2人的一致性意見作為真結節參照標準，記錄真結節數量和每個真性非鈣化結節(≤30 mm)的大小、位置和密度。 根據結節大小分為3組：<4 mm、4～8 mm和>8 mm。根據結節所在位置分成4組：胸膜下結節(與胸膜相連)、周圍性結節(距胸膜2 cm以內，但不與胸膜相連)、肺門區結節(距肺門2 cm以內)和中心性結節(其位置介于周圍性和肺門區結節之間)。根據結節密度分為3組：實性結節、部分實性結節和非實性結節。

1.6 統計方法

采用SPSS 19.0軟件處理數據。分別計算三種方法對非鈣化肺結節的檢出率、漏診率以及每種方法檢出的假陽性結節總數，用χ2檢驗比較三種方法對非鈣化肺結節檢出率差異，P<0.05為差異有統計學意義。

2 結 果

2.1 CAD不同篩查方法對非鈣化肺結節檢出率、漏診率比較

經兩名高年資影像診斷主任醫師對本組100例高危人群進行閱片分析，最終檢出真結節287個，直徑2.4mm～23mm，平均結節直徑6.53mm，以此為參照標準。分別計算三種方法對真性非鈣化結節檢出率、漏診率，同時比較每種方法檢出假陽性結節總數(表1)。方法A共檢出結節總數336個，其中真結節238個，方法B共檢出結節總數249個，真結節238個，方法C共檢出結節總數285個，真結節274個。方法C真性非鈣化肺結節檢出率95.50%明顯高于方法A(χ2=23.434，P<0.001)和方法B(χ2=23.434，P<0.001)對真性非鈣化結節檢出率82.90%；方法C及方法B檢出假陽性的非鈣化肺結節數(11個)明顯少于方法A(98個)。

表1 CAD不同篩查方法對非鈣化肺結節檢出率及漏診率、假陽性結節結果

2.2 CAD不同篩查方法對非鈣化結節檢出結果比較

CAD不同篩查方法對不同大小、不同部位及不同密度的非鈣化肺結節檢出結果(表2)。

表2 CAD不同篩查方法對不同大小非鈣化肺結節檢出結果(個)

表3 CAD不同篩查方法對不同位置非鈣化肺結節檢出結果(個)

表4 CAD不同篩查方法對不同密度非鈣化肺結節檢出結果(個)

CAD不同篩查方法對不同大小非鈣化肺結節檢出結果提示(表2)：方法A檢出的假結節主要為小于8mm的亞厘米結節(62/98個)，而對部分大于8mm結節漏診(13個)。

不同篩查方法對不同位置非鈣化肺結節檢出結果提示(表3)：方法C和B對肺門區的假結節檢出數量明顯較方法A(52個)減少(圖2)。

CAD不同篩查方法對不同密度非鈣化肺結節檢出結果提示(表4)：方法C(21例)檢出的非實性結節數量多于方法A(6個)和方法B(4個)。

圖2 一例高危人群篩查者(男，56歲)影像醫生輔助并修正CAD結果的篩查結果

a：CAD自動檢出該篩查者結節數為6枚(右上角冠狀面肺結節標記圖及左下角MIP橫斷面圖，紅色標記部分)。

b：經過影像醫生對CAD自動檢出的結節進行甄別后發現，所有結節均為假性結節，利用CAD對結節進行自動提取并分析后發現，結節均為肺門區血管斷面。

2.3 不同篩查方法漏診的真性非鈣化肺結節分析

方法A、B、C三種方法分別漏檢的真性非鈣化肺結節49、49、13個。方法A和B漏檢的49個結節中，有11個位于血管分叉處，8個緊貼胸膜，13個密度較低(磨玻璃結節)(圖3)，9個為部分實性結節,8個漏診原因不明確。方法C漏檢的13個結節中，有6個與周圍血管相連， 4個位于血管分叉處，2個與鄰近血管走行一致，1個原因不明確。

圖3 一例高危人群篩查者(男，66歲)影像醫生薄層閱片聯合修正CAD結果的篩查結果

3 討 論

肺結節篩查是肺癌早診早治最重要方法，近年來隨著LDCT技術的推廣，使LDCT肺結節篩查方法不斷完善并進入臨床應用[8 -9]。但LDCT檢查尤其是薄層CT巨大圖像數據量增加了影像醫生工作量，降低了工作效率，限制了該方法的進一步應用。計算機輔助診斷(CAD)系統因計算速度快，可重復性好，能很大程度上減輕影像診斷醫師的工作強度，在協助醫生檢測及診斷結節方面起著越來越重要的作用。但CAD系統在提高肺結節篩查工作效率，降低影像醫生工作量及提高肺結節檢測敏感性的同時，也增加了假陽性率(false positive，FP)和假陰性率(false negative，FN)，成為影響CAD 檢測結果準確性的重要原因[10]。因此在實際臨床實踐中，如何利用CAD以提高肺結節篩查效率、提高真結節檢出率，減少假陽性率發生是影響肺結節篩查準確性的首要問題。

本研究通過比較不同CAD篩查方法對非鈣化肺結節檢出率和檢出的假結節總數，結果顯示方法C(影像醫生薄層閱片聯合修正CAD結果的篩查方式)在方法A和B基礎上明顯提高臨床對非鈣化肺結節檢出率；同時方法C檢出假陽性的非鈣化肺結節數(11個)與方法B相同，但都明顯少于方法A(98個)，即方法C(影像醫生薄層閱片聯合修正CAD結果的篩查方式)在明顯提高LDCT對非鈣化肺結節檢出率的同時，大幅降低了單純采用CAD篩查時假陽性結節的檢出率，是三種方法中最優化的一種方法。在本研究中，方法A(單純CAD篩查方式)對真性非鈣化肺結節檢出率為82.90%，高于近期部分文獻報道(67.3%～75.1%)[11-12]，原因考慮為本研究為了能讓CAD系統盡量檢出更多肺結節，將自動檢測結節直徑域值設定為3mm，而且本研究使用的原始圖像采用了更薄的重建層厚(0.625cm)所致。也正是這個原因，本研究中該方法在相對提高了CAD系統對非鈣化肺結節檢出率同時，也大大增加了假陽性結節檢出率，本組數據方法A檢出的假陽性結節數較多(98個)，這就提示在實際非鈣化肺結節篩查工作中，CAD尚不能作為一種獨立技術常規應用于臨床，如何利用CAD系統提高非鈣化結節檢出率的同時，避免因為CAD系統引入而導致假陽性率發生，是影響肺癌低劑量CT篩查準確性的第一步和關鍵一步。本研究通過方法B(影像醫生輔助并修正CAD結果的篩查方式)在方法A的基礎上明顯降低了假陽性結節的檢出數量，但對非鈣化肺結節檢出率提高卻并不明顯，而方法C則在降低方法A假陽性結節檢出數量的基礎上，同時提高了方法A和B對非鈣化肺結節的檢出率。

既往Yanagawa等[13]評價了CAD系統檢出非實性結節的敏感度僅為21%，明顯低于影像醫師(60%～80%)。Song等[14]也報道在一組臨床患者中，影像醫師檢出的8個非實性結節CAD系統全部漏檢。這些研究結論均顯示CAD對非實性結節檢出率非常低，如何提高肺結節篩查過程中對非實性結節檢出率仍是低劑量肺結節篩查過程中需要解決的關鍵問題。本研究通過影像醫生薄層閱片聯合修正CAD結果的篩查方式，使本組病例非實性結節檢出率(21/21)較方法A(6/21)和B(4/21)明顯提高,與Godoy等研究結論類似[15]，可以作為低劑量肺結節篩查時較為優化方法進行臨床應用。

本組病例，采用方法A、B、C三種方法分別漏檢的真性非鈣化肺結節49、49、13個，真結節漏診率在4.50%～17.1%間，方法C和方法A及方法B相比，漏診結節明顯減少，主要原因是方法C能檢出更多方法A及B漏診的密度較低的非實性結節。既往研究[16 -17]顯示，CAD對檢出肺結節的漏診率從5%～62%不等。國外部分學者[18]認為，影響CAD漏檢結節的因素有結節較小、密度較低(磨玻璃密度)和軟件的分割算法(CAD系統僅能識別肺實質內完全獨立且不與任何正常結構相連的結節)，以上三者共同作用，相互影響，是導致假陰性的主要原因。

總之,影像醫生薄層閱片聯合修正CAD結果的篩查方式,能在降低假陽性結節檢出的基礎上，提高真性非鈣化肺結節檢出率，尤其是非實性結節的檢出率，可作為高危人群LDCT肺癌篩查首選方法。

作者聲明：本文第一作者對于研究和撰寫的論文出現的不端行為承擔相應責任。

利益沖突：本文全部作者均認同文章無相關利益沖突；

學術不端：本文在初審、返修及出版前均通過中國知網(CNKI)科技期刊學術不端文獻檢測系統學術不端檢測；

同行評議：經同行專家雙盲外審，達到刊發要求。

[1] Ferlay J, Parkin DM, Steliarova-Foucher E. Estimates of cancer incidence and mortality in Europe in 2008[J]. Eur J Cancer, 2010, 46(4): 765-781.

[2] Zou XN, Wan X, Dai Z, et al. Epidemiological characteristics of cancer in elderly Chinese[J]. ISRN Oncol, 2012, 2012(8): 1-5.

[3] 項楊威，孫益峰，高 文，等.實性孤立性肺結節良惡性預測模型的建立[J].中華醫學雜志，2016，96(17)：1354-1358.

[4] 昝 寧，范 娟.CT灌注成像在惡性腫瘤臨床應用中的進展[J].腫瘤預防與治療，2016， 29(1):59-63.

[5] 周 克，駱建華，吳 平，等.肺結節性病灶的PET/CT顯像[J].腫瘤預防與治療，2010, 23(6):480-482.

[6] 周 鵬，羅紅兵，青浩渺，等.CT 灌注參數及VEGF 表達對非小細胞肺癌放療后近期療效評價及預測價值分析[J].腫瘤預防與治療，2015，28(1):27-32.

[7] Rubin GD,Lyo JK,Paik DS,et al. Pulmonary nodules on multi-detector row CT scans：performance comparison of radiologists and computer-aided detection[J]. Radiology,2005,234(1):274-283．

[8] Henschke CI, McCauley DI, Yankelevitz DF, et al. Early Lung Cancer Action Project: overall design and findings from baseline screening[J]. Lancet, 1999, 354(9173): 99-105.

[9] Horeweg N, van Rosmalen J, Heuvelmans MA, et al. Lung cancer probability in patients with CT-detected pulmonary nodules: a prespecified analysis of data from the NELSON trial of low-dose CT screening[J]. Lancet Oncol, 2014, 15(12): 1332-1341.

[10]崔 云，馬大慶.肺結節的CT計算機輔助檢測和診斷的基本方法和應用[J].中國醫學影像技術，2007，23(3)：469-472.

[11]蔡 強，吳 寧，周麗娜，等. 計算機輔助檢測系統在低劑量CT篩查者非鈣化肺結節中的應用研究[J].中華放射學雜志，2014，48(1)：63-66.

[12]滕雅琴，賈文霄，王云玲，等.計算機輔助檢測系統在CT篩查肺結節中的應用研究[J]. 中國CT和MRI雜志，2016,14(5):33-35.

[13]Yanagawa M,Honda O,Yoshida S,et al. Commercially available computer-aided detection system for Pulmonary nodules on thin-section images using 64 detectors row CT:preliminary study of 48 cases [J]. Acad Radiol,2009,16(8):924-933.

[14]Song KD,Chung MJ,Kim HC,et al. Usefulness of the CAD system for detecting pulmonary nodule in real clinical practice[J].Korean J Radiol,201l,12(2):163-168.

[15]Godoy MC,Kim TJ,White CS,et al. Benefit of computer-aided detection analysis for the detection of subsolid and solid lung nodules on thin and thick section CT[J]. AJR Am J Roentgenol,2013,200(1):74-83.

[16]Wormanns D,Fiebich M,Saidi M,et al. Automatic detection of pulmonary nodules at spiral CT:clinical application of a computer-aided diagnosis system[J]. Eur Radiol,2002,12(5):1052-1057.

[17]Bae KT,Kim JS,Na YH,et al. Pulmonary nodules：automated detection on CT images with morphologic matching algorithm preliminary results[J].Radiology,2005,236(1):286-293.

[18]Yuan R,Vos PM,Cooperherg PI,et al. Computer-aided detection in screening CT for pulmonary nodules[J]. AJR Am Roentgenol,2006,186(5):1280-1287.

Study of Improve the Detection of Pulmonary Nodule in Lung Cancer Screening People with Low-dose Computed Tomography(LDCT) by Computer Aided Detection(CAD)*

Luo Hongbing, Zhou Peng△,Qing Haomiao，et al

(DepartmentofRadiology,SichuanCancerHospital&Institute,Chengdu610041,Sichuan,China)

Objective: To study a more wise and effective way of improve the detection of pulmonary nodule in lung cancer screening people with low-dose computed tomography(LDCT) by computer aided detection(CAD). Methods： 100 subjects diagnosed with lung nodules undergoing the routine low-dose CT screening were selected randomly．Three way was applied to find and analyze these datasets and marked all detected nodules and recorded the results simultaneously．The first way，only CAD was used to find and mark the possible lung nodules；The second way， a radiologist with 7 years working experience was refered to adjust the result of the first way．The last way，the radiologist will read the thin axial image in the CAD workstation concurrently，to find more real pulmonary nodule on the base of the second way. The ground truth of nodules in the datasets was determined by two radiologists with more than 15 years working experience．χ2test was performed to test whether there was significant difference between the sensitivities of three reading modes，and statistical significances were defined asP<0.05．Results： According to the ground truth，these two radiologists found out 287 true pulmonary nodules. The first way totally found 336 nodules, while the true pulmonary nodules were only 238.The second way found 249 nodules, the true pulmonary nodules were 238.The last way found 285 nodules, the true pulmonary nodules were 274.The sensitivities of pulmonary nodule detection by the last way (95.50%，P<0.001) was significantly higher than the sensitivity of pulmonary nodule detection by the first and second way (82.90%)．The last and second way found more less false positive pulmonary nodules(11) than that (98)of the first way． Conclusion： The radiologist read the thin axial image with concurrently adjusted CAD result can significantly increase the sensitivities of pulmonary nodule screening in low-dose computed tomography(LDCT)．It can be used as the first option to detect pulmonary nodules by CAD in high risk people with low-dose computed tomography(LDCT)．

Pulmonary Nodule； X-ray Computed； Computer-aided Detection

2016- 09- 14

2016- 12- 25

*2014年四川省科技計劃項目(編號：2014JY0240)；成都市科技惠民項目(編號：2014-HM01- 00189-SF)

羅紅兵(1981-)，男，四川成都人，主要從事腫瘤影像診斷及介入治療相關研究。

△周 鵬, 主任醫師，E-mail：penghyzhou@126.com

R734.2;R730.44

A

10.3969/j.issn.1674- 0904.2017.01.007