European Radiology：基于形态变化动态模式的胸部CT肺结节检测方法

现阶段，胸部计算机断层扫描（CT）已广泛用于肺部结节的筛查。为了协助CT扫描的图像阅读，人们提出了各种计算机辅助检测（CADe）方法。这些CADe方案实质上是机器学习方法，可分为两大类，即传统机器学习和深度学习。传统的机器学习方法是指基于手工绘制感兴趣区的放射学特征和传统分类器的CADe方案，而深度学习方法是指基于深度学习网络产生的深度特征的方案。这些CADe方案的敏感度大多在70-95%之间，每次扫描平均有2-9个假阳性（FP）结节（FPs/scan）。

虽然CADe为提高检测性能做出了巨大贡献，但这些方案的诊断性能并不可靠，这主要源于检测模型中涉及的纹理特征的不稳定性。许多研究表明，传统机器学习方法的纹理特征随CT系统的设置而变化。研究还表明，深度学习算法在肺腺癌病理亚型中的侵袭性预测性能可能受到CT卷积核和迭代重建强度的影响。此外，深度学习方法比同类方法更容易受到CT参数设置变化的影响 。虽然这个问题有可能通过使用所有可能的CT系统设置组合重建的更大的数据量来减少，但在现实中很难实现。

近日，发表在European Radiology杂志的一项研究提出了一套新的放射学特征，即形态学动态特征，通过根据不同参数设置的分割算法所定义的形态学变化动态模式来区分肺部结节和非结节，为CT肺癌筛查的快速准确保驾护航。

本研究涉及两个数据集，即大学医院（UH）和LIDC数据集，分别包括72次CT扫描（360个结节）和888次CT扫描（2230个结节）。每个结节都由多名放射科医生进行注释。本研究提出了一种基于形态学动态放射学特征的结节检测算法，称为CAD-MD算法，通过十套相同的特征，从十个不同的阈值结果中提取不同的值来描述病变。每个结节候选者由一个两级分类器进行分类，包括十个决策树和一个随机森林。使用UH数据集将CAD-MD算法与深度学习方法N-Net进行了比较。 

在UH数据集的AL1和AL2上，CAD-MD算法的AFROC曲线的AUC分别为0.777和0.851，N-Net为0.478和0.472。CAD-MD算法在2.98和3.69 FPs/scan的情况下达到了84.4%和91.4%的敏感度，N-Net在3.90和4.49 FPs/scan的情况下达到了74.4%和80.7%。在LIDC数据集上，CAD-MD算法对AL1-AL4的敏感度分别为87.6%、89.2%、92.2%和95.0%，扫描次数为4次。

图 基于形态动力学的拟议CAD-MD算法流程图

本研究表明，形态学动态放射学特征是一套有效的放射学特征，其固有特性是不需要寻找精确的病变边界即可进行准确分析。形态学动态放射学特征不仅可以用于机器学习方法，还可以通过与深度特征的整合用于深度学习方法。

原文出处：

Fan-Ya Lin,Yeun-Chung Chang,Hsuan-Yu Huang,et al.A radiomics approach for lung nodule detection in thoracic CT images based on the dynamic patterns of morphological variation.DOI:10.1007/s00330-021-08456-x