CT计算机辅助检测与诊断对肺癌早期诊断的应用与进展

曹恩涛　范　丽　肖湘生

CT计算机辅助检测与诊断对肺癌早期诊断的应用与进展

曹恩涛范丽*肖湘生

CT的技术发展使得早期肺癌的发现率显著提高，特别是近年来应用于CT的计算机辅助检测系统与诊断系统作为影像医师的“第二双眼睛”，既可以在胸部CT影像中自动标记可疑结节，又能自动测量结节的大小、密度等信息，并为确定病灶的良恶性提供参考意见。就计算机辅助检测与诊断系统的功能、应用现状及研究进展进行综述。

早期肺癌；计算机辅助检测与诊断；自动测量

肺癌是世界上对人类健康和生命威胁最大的恶性肿瘤之一，发病率和死亡率目前均占所有恶性肿瘤的首位［1］。降低肺癌死亡率、提高病人生存质量，最关键的是早期发现、早期诊断。CT使得早期肺癌的发现率大大提高。薄层CT技术有助于检测更小的肺癌。但薄层CT明显增加了CT成像数量和影像医师的阅片量，可能出现对肺结节的漏检和错误判断。而计算机辅助检测与诊断系统（computer aided detection and diagnosis，CAD）可以利用计算机高速计算、自动处理的优势帮助医师发现和诊断肺结节。

1　CAD的基本原理与工作流程

CAD系统根据功能不同可以分为计算机辅助检测系统（CADe）和计算机辅助诊断系统（CADx）两部分。CADe旨在从医学影像中发现病灶，而CADx则进一步测量病灶的特征数据，智能分析病灶的性质。两者通常统称为CAD，常结合起来使用。目前以CADe的应用与研究较多。

1.1CT影像数据采集的要求CT影像数据需要传输到CAD工作站进行后续的自动检测与自动分析诊断。理想的CAD系统可以与医院的影像归档和通 信 系 统（picture archiving and communication systems，PACS）整合，这样可以有效提高工作效率［2］，便于查找和传输数据，也可以把影像医师在CAD中记录的结果回传至PACS。为有效使用CADe，需是行单次屏气连续扫描以获得全肺CT影像；一般采用3 mm以下的薄层重建图像，以减少部分容积效应，提高结节检出的敏感性、降低假阳性率；重建算法推荐使用标准算法［3］；CT扫描的剂量对CADe的使用效果有一定影响，而Wielpütz等［4］和Hein等［5］

*审校者

1.2CAD的工作流程CAD的工作流程大致分为4步［6］，即肺区域分割、结节识别、结节分割和辅助诊断（图1［6］）。①肺区域分割：胸部CT包含多种组织信息，在胸部CT影像中预先将肺组织分割出来，可以大大减少CAD对肺结节的检测区域，节省运算时间，提高识别准确率。②结节识别：包括候选结节的识别和假阳性的去除，对特定区域的特征进行提取，以此来区分结节与血管、支气管等结构确定候选结节；进一步提取候选结节的各种特征，并采用各种方法识别排除假阳性结节。结节识别一直以来是肺结节自动检测技术的最重要的难题。③结节分割：对结节的大小、形态、密度、强化模式及生长模式（利用多图像匹配）等特征进行提取，为判断其良恶性提供依据。④辅助诊断：计算机自动分析结节的特征，得出良恶性判断，为放射医师诊断提供参考意见。但肺结节良恶性预判模型的建立基于大量已证实的肺结节数据，而海量确诊肺结节的CT数据收集难度很大，且诊断具有复杂性，使得CADx的研究进展较慢，相对于CADe而言，CADx仍处于初步研究阶段。

2　基于CT的肺结节CADe研究现状

肺结节CADe是指计算机自动分析图像信息，自动检测并标注出计算机认为的肺结节。影像医师可以参照CADe的结果进行进一步的分析。影像医师根据自动检测结果，对CT影像进行阅读，剔除假阳性结节，增加假阴性结节。目前，已经开发出的CADe软件已有很多，一部分已经是商用软件，但是绝大多数CADe软件都未能实际应用于临床，真正有效地为影像医师服务。现在CADe的开发与改进主要致力以下4个方面［7］：①提高肺结节检测敏感度，敏感度是指软件发现的阳性结果中为真实结节的个数与影像中所有真实结节个数的比值，敏感度越高说明发现病灶的概率越高，漏检的比率越少。②降低假阳性，假阳性指软件发现的阳性结果，实际上并非结节样病灶。假阳性会增加医师的工作量和阅片时间。③能够自动区分不同类型的结节，包括不同形状、不同密度（如实性、非实性结节、钙化结节等）。Jacobs等［8］的研究表明放射医师在CAD辅助下判断不同密度的结节可以提高诊断率及工作效率。④其他方面，如提高软件的运行速度；降低CADe的软硬件成本；提高CADe系统的安全性和自动化程度等。

2.1肺结节检测的敏感性近年来CT肺结节检测技术有着比较明显的提升，多项研究表明影像医师在CAD辅助下发现肺结节的能力明显提高。Jeon等［9］的研究中7位影像医师先独自对134份胸部CT影像进行阅片，后参考CAD自动检测结果进行修改，结果表明在CAD辅助下结节的平均发现率从最初的77%提升到了84%。蔡等［10］收集100例病人的胸部低剂量CT检查，由1位低年资和1位中年资的影像医师分别在独自和参考CAD结果两种模式下进行阅片，低年资医师发现肺结节的敏感度从40.9%提升至76.6%，高年资医师发现肺结节的敏感度从79.9%提升至95.2%，这表明CAD对低年资医师的辅助作用较显著，可以在一定程度上弥补低年资医师工作经验不足的局限性。

图1　CT肺结节CAD的基本步骤

一些研究发现CAD与医生肉眼识别结节的能力可以互为补充。Lee等［11］发现CAD对孤立性结节的诊断敏感度高于医生肉眼观察，而对与邻近结构关系密切的结节的敏感度低于医生肉眼观察。Marten等［12］研究显示CAD对5 mm以下结节的发现率要显著高于医生肉眼观察。Zhao等［13］的研究中医生独自1次阅片敏感度为50%，2次阅片为63%，而使用CAD辅助阅片为76%，表明使用CAD作为辅助阅片工具有助于提高肺结节的发现率。

总之，这些研究都有力证明了CAD有助于提高影像医师对胸部CT阅片的敏感度。但由于不同的研究使用不同的测试数据、不同的方案和评价标准、不同的算法、不同的观察者，因此不同的CAD系统之间仍难以比较优劣。另外，大多数试验的参考标准即真性结节的“金标准”存在主观性。

2.2肺结节检测的假阳性CADe敏感度的增高伴随着假阳性的增高。假阳性是影响影像医师使用CADe的一个重要因素，例如正常的肺结构如血管、支气管或是呼吸伪影常被计算机误认为是肺结节，这些假阳性结节需要医生花更多的时间去甄别，且容易造成错误的判断。一般5个以下的假阳性尚可以接受。在保持一定敏感度的前提下，有效降低假阳性率是CADe的主要难题和研究重点之一。围绕这个问题近年来开发了许多改进算法，如Kumar等［14］使用基于局部灰度特征的“模糊系统”，测试了包含538个不同类型结节的影像数据，敏感度达到86%，假阳性为平均每次扫描2.17个。Tan等［15］使用了一种新的混合结节特征的过滤方法，在574个结节中取得了87.5%敏感度，平均每次扫描4个假阳性的结果。

CADe检测结节的最终目的是帮助医生发现早期的恶性结节。近年研究发现5 mm以下结节为肺癌的概率较低，美国国家肺癌筛查试验（National Lung Screening Trial，NLST）的统计结果中4～6 mm结节为恶性的概率仅为0.5%，而7～10 mm结节为恶性的概率为 1.7%［16］。国际早期肺癌行动计划（International Early Lung Cancer Action Program，I-ELCAP）研究结果发现直径在5～9 mm、9～15 mm、15 mm以上的结节最终明确为恶性的概率分别为0.3%、4.7%、29.8%，将原先5 mm的随访阈值设为6 mm、7 mm和8 mm可以减少36%、56%、68%的后续随访工作量［17］。这些结果表明肺结节阳性随访的最小标准应提高，至少设为5 mm以上，这样可以有效提高医生的后续工作，提高效率。因此，合理调节CADe发现结节大小的阈值，可以在不显著降低检出恶性结节敏感度的情况下减少假阳性，提高工作效率。Brown等［18］设计了新型的CADe系统，将结节大小阈值设为4 mm和8 mm，对108例来源于肺部影像数据库联盟 （Lung Images Database Consortium，LIDC）的CT数据进行测试，两种方案的敏感度中位数两者均提高到100%，每例病人检出假阳性结节的个数的中位数为0，在低假阳性的条件下，实现了对目标结节检出的高敏感性，显示出较强的临床实用性。由此可见CAD技术与临床应用需求、临床研究成果数据相结合，是CAD发展的新方向。

2.3磨玻璃结节的自动检测磨玻璃结节（ground-glass nodule，GGN）是指在高分辨力CT下肺内类圆形稍高密度影，其中仍可以见到支气管结构或肺血管的结构，它与实性结节相比，CT值较低，通常低于血管的CT值，因此GGN容易漏检，而Henschke等［19］在肺癌筛查研究中发现GGN的恶性概率大于实性结节，63%的混杂性GGN和18%的纯GGN为恶性，只有7%的实性结节为恶性，因此发现GGN对发现早期肺癌至关重要。目前许多CADe系统的开发以及大多数的CADe验证试验均基于实性结节。GGN较实性结节密度明显减低，CADe对GGN的发现率明显低于实性结节，Yanagawa等［20］研究显示CADe对GGN的发现率仅为21%，远低于影像医生的发现率（60%～80%），所以CADe对医生发现GGN的帮助很小。由此可见提高CADe对GGN的发现率，对提高CAD临床应用价值极为重要。

有少数试验针对GGN的自动检测做了研究，Zhou等［21］开发了一个基于血管抑制、密度和纹理分析的算法，发现了所有GGN，但是试验中仅包含10 个GGN。Ye等［22］使用了一个基于体素方法和规则滤波的算法对50个包含52个GGO的CT检查进行了试验，其敏感度达92.3%，但假阳性较高，每次扫描平均有12.7个假阳性结节。2011年Jacobs等［23］针对一组来源于大规模肺癌筛查库中的140个CT检查数据开发并测试了新型的算法，对GGN的诊断敏感度达到73%，并且假阳性控制在平均每次扫描1.0个。2014年，Jacobs等［24］又对基于NELSON多中心肺癌筛查数据库中209例包含GGN的检查进行训练，另109例进行评估，提取分析了GGN的128种特征，包括形状、边界、气道、血管纹理特征等，最终诊断敏感度达到80%，每次扫描平均有1个假阳性结节，获得了较为理想的结果。当然，实际临床工作中条件更为复杂，GGN的自动检测仍需要进一步改进。

2.4不同CADe阅片模式的异同使用CADe发现肺结节的阅片模式主要有：①单独使用CADe；②医生先单独阅片，再参考CADe结果修改意见，即CADe作为第二阅片者；③医生阅片同时参考CADe结果，即CADe作为共同阅片者。

由于目前CADe技术不能发现所有的结节，因此，医生不亲自阅片而仅使用CADe的方式不宜采用。使用CADe作为共同阅片者而不是作为第二阅片者，可以减少阅片时间。Beyer等［25］的研究中，CADe作为共同阅片者所用平均时间（274 s）显著少于未使用CADe（294 s）以及作为第二阅片者（337 s），但发现结节的敏感度（68%）显著低于作为第二阅片者（75%）。但Matsumoto等［26］的研究结果表明CADe作为共同阅片者比较于作为第二阅片者，可以显著减少阅片时间，但对诊断敏感度没有影响（70%和72%，P=0.35），原因可能是不同实验数据、观察者和标准具有差异，两种模式各有利弊。因此，实际应用中使用CADe作为第二阅片者还是共同阅片者，还需考虑医生自身经验水平以及对工作效率的要求综合判断。

3　基于CT的肺结节CADx研究现状

3.1测量结节的生长变化直径1 cm以下的肺结节诊断较困难，常需要根据影像检查结果随访评估。I-ELCAP指南建议对直径≥6 mm的实性或部分实性结节，或至少有1个直径≥8.0 mm的非实性结节，在12个月后复查CT；对于直径＞10 mm的实性结节或实性成分＞10 mm的部分实性结节则推荐3个月后CT复查。结节的倍增时间（doubling time，DT）是鉴别结节良恶性的重要依据，恶性结节DT较良性小。Revel等［27］研究了22个肺结节，有9个恶性结节的DT为37～216 d，13个良性结节的DT为4～188年。随着薄层CT的普及，发现的肺结节越来越多，需要随访、测量大小的结节也越来越多，并且随访需要很长的周期，需要有计划地保存对照影像和测量数据，这无疑增加了影像医师的工作负担；另外，使用传统阅片系统常常只能在横断面测量结节最大径，对结节真实的大小变化评估也比较片面。而CAD技术的自动检测、自动测量及自动多次匹配为医师带来了很多方便，CAD三维容积测量可以更有效地利用了图像数据，对于传统二维长度测量更具有增长变化敏感性和可重复性的优势。Revel等［28］的另一项研究中使用CAD对63个实性肺结节进行测量、随访研究，以倍增时间500 d为分界，自动测量结果恶性结节的敏感度及特异度分别为91%和 90%，对医师鉴别良恶性具有帮助。另外，恶性结节的生长变化情况随访对肺部原发或继发恶性肿瘤的治疗评估至关重要。传统的二维测量只能定性判断治疗变化，而CAD三维结节分析可以更方便准确地得到结节变化，更精确地评价放化疗的效果［29］。

目前大多数肺结节容积分析的研究主要是基于实性结节，而GGN由于与周围肺组织的对比度较低，容积的测量误差要明显大于实性结节，有研究统计了同一天内两次扫描测量相同GGN的体积，其可变性达到19%［30］。另外，研究也发现评价GGN良恶性的随访指标中，实性成分的多少以及实性成分与非实性成分比例，比结节体积大小更具价值［31］。GGN的体积增长通常较缓慢［32］，因此许多研究将结节大小和密度变化加入随访评价指标，de Hoop等［33］的研究将质量作为评价指标，因为质量可以同时反映体积和密度的变化，发现GGN质量测量较直径和体积测量有更高的可重复性，且对于结节变化更为敏感，直径、体积、质量的临界时间（两次间隔CT扫描能够识别出结节增长的时间）分别为715 d、673 d和425 d。因此实性GGN成分分析、质量的测量将会成为CAD的一个新的发展方向。

3.2肺结节形态、密度分析影像医生进行肺结节的良恶性判断最常用的还是通过CT影像观察进行形态、密度的分析，提示恶性的征象有较大直径、分叶征、毛刺征、胸膜凹陷征、混杂GGN等。一些CADx系统的研究也试图从数据库中提取结节形态和病理数据，将这些形态学特征转化为计算机数字语言，对结节进行分析匹配判断，给予医生参考帮助。例如Awai等［34］的研究提取了结节的大小、密度、形状、钙化体积和空腔体积，开发了新的CAD结节分析系统，对结节的恶性概率打分，对31个直径小于3 cm的肺结节（18个恶性，15个良性）进行验证，结果显示它可以显著提高低年资影像医生的诊断准确度，而对高年资医生没有显著提升。

3.3人工神经网络对肺结节CADx的应用人工神经网络（artificial neural network，ANN）是由大量的处理单元连接构成的网络系统。基于ANN的CADx系统由多项评价指标（即多个神经元）构成，通过收集明确良恶性的结节影像库，对CADx系统进行测试训练，形成复杂的非线性关系，从而对结节的恶性概率评分。王等［35］建立了一种基于人工神经网络的肺结节判别模式，分析3项临床指标（年龄、性别及是否有痰中带血）和9项CT特征（部位、长径、短径、轮廓形态、毛刺、晕征、气腔密度影、结节与周围血管及胸膜的关系），对135例恶性和65例良性结节进行验证，诊断符合率达到98.0%。聂等［36］又结合了CT与PET特征，开发了一个ANN辅助诊断系统诊断良恶性肺结节，系统包含4个临床特征、16个CT特征和一个PET特征，对112个明确良恶性的结节进行验证，研究发现CT+PET ANN计算机辅助诊断程序输出结果优于单纯PET或CT计算机ANN结果，因此CT结合PET的ANN计算机辅助系统有助于鉴别诊断。

3.4CT影像纹理特征对肺结节CADx的应用纹理特征用于对影像中的空间信息进行一定程度的定量描述，CT影像纹理的研究可以充分利用计算机对数字影像的分析能力，对人眼无法观察的信息进行提取分析。提取纹理的常用方法之一是统计法，其典型代表为灰度共生矩阵法。研究中可计算的CT纹理特征众多，较常用的包括均值、标准差、偏度、峰度等，各自都反映了影像中每个像素的灰度分布特点，例如，能量是影像灰度分布均匀性或平滑性的度量。CT影像纹理指标的研究对肿瘤的定性诊断给予了新的思路。王等［37］对185例肺小结节CT影像基于灰度共生矩阵提取了10个纹理特征，拟合多水平统计模型分析良恶性CT影像中纹理特征的差异，显示能量、惯性矩等8个纹理特征，在良恶性肺小结节间的差异有统计学意义。CT平扫纹理分析还可以评价癌组织的不均一性，Ganeshan等［38］采用CT平扫纹理分析与PET分期对非小细胞肺癌病人生存期的预测能力进行对照研究，结果发现CT纹理分析的结果与病人生存期的相关性更高，因此其能够预测非小细胞肺癌病人的生存期。Ganeshan等［39］的另一项研究发现CT纹理特征与肿瘤组织的缺氧和血管生成具有相关性。CT影像纹理特征在肿瘤治疗方面可能也可起到重要辅助作用，Ravanelli等［40］的研究表明CT影像纹理特征参数可作为独立指标对肺小细胞癌的第一轮化疗效果进行预测。总之，结节影像纹理信息的提取分析对结节鉴别诊断的新方法的建立具有重要价值，且具有许多潜力值得挖掘。

4　CAD的局限性及发展趋势

近年来，CAD研究获得了大量研究成果，但是CAD从试验走向临床实用仍然没有突破性进展。肺结节CAD系统目前的应用不足主要有：①自动识别某些种类的结节敏感性不高，尤其是GGN，还有与血管、支气管或胸膜关系密切的结节等；②自动识别的假阳性仍需降低，例如肺血管、增厚的胸膜或运动伪影经常被误认为肺结节；③结节的自动分割精准不高，CAD的自动分割的边界与人眼识别尚存在差距，尤其是GGN的边界，需要医生花费时间调节；④对结节进行辅助诊断可以提供的数据分析较少。

开发分析医学影像的CAD系统是极其困难的，需要解决的问题是多方面的，将来的研究发展方向也是多方向的，研究主要从以下几方面进行：①需要工程师根据不同临床需求进行针对性的开发和优化影像处理系统，分割、选取目标区域，用数字语言将之描述及分类；②目前亟需用于开发和训练的、系统的大型数据库，但这是目前比较缺乏的，相信未来能够获得更多肺癌、结肠癌等筛查计划的数据支持；③CAD是一个跨学科的研究领域，单一学科的研究远远不够，需要工程学、内外科学、医学影像学的合作；④独立使用CAD系统存在很多不便，必须制定新的PACS协议使之与CAD系统连接，才能便于临床应用。

鉴于我国肺癌发病率较高，早期肺癌筛查工作意义重大。CAD系统对我国肺癌筛查工作必定会带来巨大帮助。随着CAD在算法以及临床应用方面的不断完善，相信将来会成为医师日常胸部CT读片的可靠工具。

［1］Torre LA，Bray F，Siegel RL，et al.Global cancer statistics，2012［J］. CA Cancer J Clin，2015，65：87-108.

［2］Bogoni L，Ko JP，Alpert J，et al.Impact of a computer-aided detection（CAD）system integrated into a picture archiving and communication system（PACS）on reader sensitivity and efficiency for the detection of lung nodules in thoracic CT exams［J］.J Digit Imaging，2012，25：771-781.

［3］Fabel M，Wulff A，Heckel F，et al.Clinical lymph node staging--influence of slice thickness and reconstruction kernel on volumetry and RECIST measurements［J］.Eur J Radiol，2012，81：3124-3130.

［4］Wielpütz MO，Wroblewski J，Lederlin M，et al.Computer-aided detection of artificial pulmonary nodules using an ex vivo lung phantom：influence of exposure parameters and iterative reconstruction ［J］.Eur J Radiol，2015，84：1005-1011.

［5］Hein PA，Rogalla P，Klessen C，et al.Computer-aided pulmonary nodule detection-performance of two CAD systems at different CT dose levels［J］.Rofo，2009，181：1056-1064.

［6］El-Baz A，Beache GM，Gimel'Farb G，et al.Computer-aided diagnosis systems for lung cancer：challenges and methodologies［J］.Int J Biomed Imaging，2013，2013：942353.

［7］Bram VG，Schaefer-Prokop CM，Mathias P.Computer-aided diagnosis：how to move from the laboratory to the clinic［J］.Radiology，2011，261：719-732.

［8］Jacobs C，van Rikxoort EM，Scholten ET，et al.Solid，part-solid，or non-solid：classification of pulmonary nodules in low-dose chest computed tomography by a computer-aided diagnosis system［J］.Invest Radiol，2015，50：168-173.

［9］Jeon KN，Goo JM，Lee CH，et al.Computer-aided nodule detection and volumetry to reduce variability between radiologists in the interpretation of lung nodules at low-dose screening CT［J］.Invest Radiol，2012，47：457-461.

［10］蔡强，吴宁，周丽娜，等.计算机辅助检测系统在低剂量CT筛查者非钙化肺结节中的应用研究［J］.中华放射学杂志，2014，48：63-66.

［11］Lee JW，Goo JM，Lee HJ，et al.The potential contribution of a computer-aided detection system for lung nodule detection in multidetector row computed tomography［J］.Invest Radiol，2004，39：649-655.

［12］Marten K，Engelke C，Seyfarth T，et al.Computer-aided detection of pulmonary nodules：influence of nodule characteristics on detection performance［J］.Clin Radiol，2005，60：196-206.

［13］Zhao Y，de Bock GH，Vliegenthart R，et al.Performance of computer-aided detection of pulmonary nodules in low-dose CT：comparison with double reading by nodule volume［J］.Eur Radiol，2012，22：2076-2084.

［14］Kumar SA，Ramesh J，Vanathi PT，et al.Robust and automated lung nodule diagnosis from ct images based on fuzzy systems［C］.Process Automation.IEEE，2011：1-6.

［15］Tan M，Deklerck R，Jansen B，et al.A novel computer-aided lung nodule detection system for CT images［J］.Med Phys，2011，38：5630-5645.

［16］National Lung Screening Trial Research Team.Results of initial low-dose computed tomographic screening for lung cancer［J］.N Engl J Med，2013，368：1980.

［17］Henschke CI，Yip R，Yankelevitz DF，et al.Definition of a positive test result in computed tomography screening for lung cancer：a cohort study［J］.Ann Intern Med，2013，158：246-252.

［18］Brown MS，Lo P，Goldin JG，et al.Toward clinically usable CAD for lung cancer screening with computed tomography［J］.Eur Radiol，2014，24：2719-2728.

［19］Henschke CI，Yankelevitz DF，Mirtcheva R，et al.CT screening for lung cancer：frequency and significance of part-solid and nonsolid nodules［J］.AJR，2002，178：1053-1057.

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

［21］Zhou J，Chang S，Metaxas DN，et al.An automatic method for ground glass opacity nodule detection and segmentation from CT studies［C］. Conf Proc IEEE Eng Med Biol Soc.IEEE，2006：3062-3065.

［22］Ye X，Lin X，Dehmeshki J，et al.Shape-based computer-aided detection of lung nodules in thoracic CT images［J］.IEEE Trans Biomed Eng，2009，56：1810-1820.

［23］Jacobs C，Sánchez CI，Saur SC，et al.Computer-aided detection of ground glass nodules in thoracic CT images using shape，intensity and context features［J］Med Image Comput Comput Assist Interv，2011，14（pt3）：207-214.

［24］Jacobs C，van Rikxoort EM，Twellmann T，et al.Automatic detection of subsolid pulmonary nodules in thoracic computed tomography images［J］.Med Image Anal，2014，18：374-384.

［25］Beyer F，Zierott L，Fallenberg EM，et al.Comparison of sensitivity and reading time for the use of computer-aided detection（CAD）of pulmonary nodules at MDCT as concurrent or second reader［J］.Eur Radiol，2007，17：2941-2947.

［26］Matsumoto S，Ohno Y，Aoki T，et al.Computer-aided detection of lung nodules on multidetector CT in concurrent-reader and secondreader modes：a comparative study［J］.Eur J Radiol，2013，82：1332-1337.

［27］Revel MP，Lefort C，Bissery A，et al.Pulmonary nodules：preliminary experience with three-dimensional evaluation［J］.Radiology，2004，231：459-466.

［28］Revel MP，Merlin A，Peyrard S，et al.Software volumetric evaluation of doubling times for differentiating benign versus malignant pulmonary nodules［J］.AJR，2006，187：135-142.

［29］Zhao B，Schwartz LH，Moskowitz CS，et al.Lung cancer：computerized quantification of tumor response—initial results［J］.Radiology，2006，241：892-898.

［30］Park CM，Goo JM，Lee HJ，et al.Persistent pure ground-glass nodules in the lung：interscan variability of semiautomated volume and attenuation measurements［J］.AJR，2010，195：W408-W414.

［31］Hwang E J，Park C M，Ryu Y，et al.Pulmonary adenocarcinomas appearing as part-solid ground-glass nodules：is measuring solid component size a better prognostic indicator［J］.Eur Radiol，2015，25：558-567.

［32］Kodama K，Higashiyama M，Yokouchi H，et al.Natural history of pure ground-glass opacity after long-term follow-up of more than 2 years［J］.Ann Thorac Surg，2002，73：386-392.

［33］de Hoop B，Gietema H，van de Vorst S，et al.Pulmonary groundglass nodules：increase in mass as an early indicator of growth［J］. Radiology，2010，255：199-206.

［34］Awai K，Murao K，Ozawa A，et al.Pulmonary nodules：estimation of malignancy at thin-section helical CT—effect of computer-aided diagnosis on performance of radiologists［J］.Radiology，2006，239：276-284.

［35］王晓华，陈卉，马大庆，等.人工神经网络在孤立性肺结节CT诊断研究中的应用［J］.中华放射学杂志，2006，40：377-382.

［36］聂永康，赵绍宏，王瑞民，等.应用计算机人工神经网络系统结合CT与PET鉴别良，恶性肺结节［J］.中国医学影像技术，2011，27：836-839.

［37］王瓛，郭秀花，李坤成，等.良恶性肺小结节CT图像基于灰度共生矩阵10种纹理特征研究［J］.北京生物医学工程，2008，27：561-564.

［38］Ganeshan B，Panayiotou E，Burnand K，et al.Tumour heterogeneity in non-small cell lung carcinoma assessed by CT texture analysis：a potential marker of survival［J］Eur Radiol，2012，22：796-802.

［39］Ganeshan B，Goh V，Mandeville HC，et al.Non-small cell lung cancer：histopathologic correlates for texture parameters at CT［J］.Radiology，2013，266：326-336.

［40］Ravanelli M，Farina D，Morassi M，et al.Texture analysis of advanced non-small cell lung cancer（NSCLC）on contrast-enhanced computed tomography：prediction of the response to the first-line chemotherapy［J］.Eur Radiol，2013，23：3450-3455.

（收稿 2015-07-03）

Application and progress of computer aided detection and diagnosis on CT in early stage lung cancer

CAOEntao，FAN Li，XIAO Xiangsheng.Department of Imaging，Changzheng Hospital of The Second Military Medical University，Shanghai 200003，China

With the development of CT scan technology，the detection rate of early stage lung cancer has significantly raised.In recent years computer aided detection（CADe）and computer aided diagnosis（CADx）system on CT has come to be “the second eyes”of radiologists.It can identify lung nodules on chest CT by itself，and can automatically measure nodule size，density and other information to provide a likelihood of malignancy or benignity.In this article we mainly reviewed the basic method and function of CAD，and its clinical application and research progress.

Early stage lung cancer；Computer aided detection and diagnosis；Auto measurement Int J Med Radiol，2016，39（1）：55-60

10.3874/j.issn.1674-1897.2016.01.Z3652

第二军医大学附属长征医院影像科，上海 200003

肖湘生，E-mail：cjr.xiaoxiangsheng@vip.163.com

国家自然科学基金重点项目（81230030）；国家自然科学基金面上项目 （81370035）；上海市生物医药处重大专项（13411950100）的研究结果表明在80～120 kV/30～50 mAs剂量下与在120 kV/75～120 mA下CADe的表现差异无统计学意义，因此合理降低辐射剂量对一般CADe结果没有显著影响，常规剂量和低剂量的检查均可使用。除此之外，CT影像还需要无呼吸运动伪影、无金属伪影、无片状实变或肺不张。