医学图像分析技术的发展与应用

马玉珍，陈 玮，武周炜 综述 穆学涛 审校

医学图像分析技术的发展与应用

马玉珍1，陈 玮2，武周炜3综述 穆学涛4审校

医学图像；图像分割；辅助诊断；影像引导治疗

人类和动物对周围环境的感知80%依赖于眼睛，充分说明图像具有信息量大、信息直观性强等优点。在医学领域，X射线、CT等成像技术不断进步，为医师的临床诊断提供了丰富的图像信息。近年来，计算机科学不断创新，图像分析成为信息处理技术中发展最快的领域之一。作为医学影像、图像处理、人工智能等学科的交叉部分，医学图像分析成为国内外的研究热点。

医学图像分析技术，是指运用各种方法对图像中的兴趣区域和目标进行定量或定性检测，最大限度地挖掘图像内涵，为临床医师或科研人员提供信息参考。与传统的人工解读方式相比，医学图像分析技术能够很大程度上避免医师学识、经验、情绪对病情诊断的影响；同时节省医师精力，大幅度提升临床筛查或诊断效率，具有重大的社会效益和广泛的应用前景，对于解决我国医疗卫生资源紧缺问题有着至关重要的作用。

1 技术发展

图像分析技术最初起源于20世纪50年代，主要用于将低质量图像转换为高质量图片，改善图片视觉效果。20世纪60年代，美国喷气推进实验室首次实际应用了图像处理技术，通过对航天探测器拍摄的月球照片进行几何校正、灰度变换等处理，成功绘制出月球表面形貌。自20世纪70年代，图像分析技术开始向更高层次发展，研究者们尝试模仿人类视觉系统理解外部世界。近年来，随着计算元件的发展和图像处理元件(graphics processing unit，GPU)的进步，图像分析技术得到广泛应用。比如在工业自动化领域，图像分析技术可以辅助机械手抓取[1]，引导集成电路焊接[2]，并对零件装配精度进行反馈；在工业检测方法，可以通过图像分析查探产品瑕疵和铸件内部裂缝[3]；在遥感方面，图像分析技术可用于矿物探测、自然灾害防控等；在安全防范方面，可以通过图像分析技术实现人脸识别[4]、虹膜身份识别[5]以及关键区域人流量分析[6]；在军事方面，图像分析技术可用于武器制导[7]、雷达目标探测[8]、伤员搜救[9]以及目标测距等。

2 应用现状

随着社会的发展，医院内配置的现代化医疗设备越来越多，其中医学影像技术在临床诊断和医学研究中的作用日益凸显。现代医疗设备，如电子计算机断层扫描(computed tomography，CT)、磁共振成像(magnetic resonance imaging，MRI)等，往往能够在短时间内产生大量的高分辨率图像。传统的人工解读图像方式受到临床人力资源的制约。因此，对海量图像信息理解必须借助计算机分析手段，通过对图像的加工处理、整合分析，发挥医学影像更大的作用。图像分析技术在医学领域内的应用主要有医学图像分割、临床辅助诊断及影像导引治疗等。

2.1 医学图像分割 医学图像分割是指在包含各种组织、器官的医学影像中分割出特定组织，方便医师清晰理解影像信息。医学图像分割是医学图像识别、医学三维重建、医学图像检索、医学图像匹配等研究的基础性工作，是决定计算机视觉技术临床应用效率和效果的重要因素。目前，医学图像分割主要有四种方法:首先是基于阈值的图像分割方法，典型算法包括自适应阈值法、最大熵法及最大类间方差法；第二类方法是基于边缘的分割方法，典型算法包括线性边缘检测、非线性边缘检测、边界曲线拟合及基于变形模板的边缘检测；第三类方法是基于区域的图像分割方法，典型算法包括区域生长法、分裂合并法等；第四类方法是基于聚类的图像分割方法，典型算法有基于平均误差的聚类、基于混合密度的聚类及基于有限混合模型的聚类。医学图像分割在临床上的具体应用包括MR脑图像分割[10]、CT肝脏图像分割[11]及颈动脉血管图像分割[12]等。

如今，深度学习发展迅速，在计算机视觉的各个领域都展现出强大的识别能力。Zhang等[13]将深度学习用于淋巴结检测。首先，通过训练好的随机森林分类器，检测出淋巴结的大概位置，然后根据矢状面、横切面、冠状面及三维角度创建出淋巴结的空间立体投影。最后，在空间投影图像中提取方向梯度直方图(histogram of oriented gradients，HOG)特征作进一步的检测与识别。

2.2 临床辅助诊断 临床辅助诊断建立在医学图像病理形态学基础上，即是否发生病变可通过细胞、组织或器官的形态结构变化进行判断。传统上，病理形态学的观察多是定性研究，缺乏精确且客观的定量标准。使用计算机图像分析技术则弥补了这个缺点，并且随着相关领域的发展，形态定量技术已从二维空间向三维空间发展。在肿瘤病理方面，图像分析技术主要用于测定核形态参数，可区分癌和癌前病变、区别良恶性肿瘤以及对肿瘤的组织病理进行分级。Dan Cirean等[14]使用max-pooling CNN方法，对胸部组织图像做有丝分裂的分析，从而实现了对胸部癌症细胞的检测。结果显示，精确度可达到90%。此外，图像分析技术还可用于糖尿病性视网膜病变的检测[15,16]、DNA倍体测定[17,18]及免疫组织化学中的显色反应测定[19]。

2.3 影像导引治疗 恶性肿瘤是危及人类健康的主要疾病，但目前能够通过外科手术根治的肿瘤不到三分之一。化学药物治疗和放射治疗成为治愈肿瘤的重要途径，但如使用不当，化疗和放疗会对正常组织造成损害。为了实现对肿瘤的精准治疗，在治疗前、治疗中，可使用图像分析技术对人体组织器官医学影像进行三维重建，实时监控肿瘤及正常器官，根据器官位置变化调整治疗条件使得射线照射紧紧追随靶区。这种影像导引治疗方法充分考虑了解剖组织在治疗过程中的运动和分次治疗间的位移误差，比如呼吸运动、小肠蠕动、膀胱充盈、胸腹水、日常摆位误差、肿瘤增大、缩小等引起放疗剂量分布的变化和对治疗计划的影响等，因而能够提升治疗效果，减少治疗不良反应。

3 发展趋势

3.1 医学图像分析标准化 图像分析系统的准确性、稳定性影响着其在临床上的应用效果。现阶段，各公司图像分析系统的评价与验证多采用私有数据集，对实验结果的评估方法、评价原则均不统一，使得算法的性能验证难以得到公认。医学图像分析技术应用于定性、定量检测方面也要求精确度更高。因此，建立标准医学图像数据集及评估准则具有十分重要的意义。

3.2 医学图像分析多样化 现阶段的医学图像分析多针对静态图像。而时序维度上的组织、器官变化也是临床诊断上非常重要的信息。比如利用MR心脏时序图像分析左心室运动和形变定量数据，从而评价心脏功能，发现有临床意义的全局或局部心肌功能的改变。还有计算机图像分析识别技术有利于医学领域的发展和进步[20,21]。因此如何从时序图像中发掘有用的临床信息，是未来医学图像分析系统需要解决的问题之一。

3.3 医学图像分析智能化 随着人工智能技术的发展，计算机越来越能够胜任人类的繁杂工作。未来的医学图像分析系统势必会采用更复杂、高端的智能算法，赋予计算机足够的语义理解和图像信息挖掘能力，从而进一步提高临床诊疗效率或医学研究效率。

[1] 卢泉奇,苗同升,汪 地,等. 基于HALCON的机械手视觉抓取应用研究[J]. 光学仪器, 2014, 36(6):492-498.

[2] 吴君强. 电路板芯片引脚焊接缺陷机器视觉检测系统[D]. 天津科技大学, 2013.

[3] 黄 茜,彭 啸,孙 涛. 基于定性视觉特征的铸件疏松型缺陷图像生成[J]. 现代电子技术, 2011, 34(2):79-81.

[4] 欧 凡.机器视觉人脸识别若干关键问题研究[D]. 大连理工大学, 2011.

[5] 董文博,孙哲南,谭铁牛. 基于双目视觉和旋转云台的远距离虹膜识别系统[J]. 科技导报, 2010, 28(5):34-39.

[6] 吴玉堂. 基于视觉的行人流量统计方法研究[D]. 杭州电子科技大学, 2013.

[7] 王 立. 视觉机制研究及其在红外成像制导中的应用[D]. 西北工业大学, 2004.

[8] 崔振华. 基于视觉和激光雷达的夜间前方车辆探测算法研究[D]. 吉林大学, 2008.

[9] 刘保真,苏卫华,陈 卓,等. 伤员搜寻任务中人体的视觉检测方法研究[J]. 医疗卫生装备, 2017, 38(2):118-121.

[10] Zhou Z, Ruan Z. Multicontext wavelet-based thresholding segmentation of brain tissues in magnetic resonance images[J]. Magnetic Resonance Imaging, 2007, 25(3):381.

[11] Jiang H Y, Gao X H. Semi-Automatic Liver Segmentation Using Improved GVF Snake Model[J]. Advanced Materials Research, 2010, 121:435-440.

[12] Kim D Y, Chung S M, Park J W. Automatic navigation path generation based on two-phase adaptive region-growing algorithm for virtual angioscopy[J]. Medical Engineering & Physics, 2006, 28(4):339.

[13] Zhang W, Li R, Deng H,etal. Deep Convolutional Neural Networks for Multi-Modality Isointense Infant Brain Image Segmentation[J]. Neuroimage, 2015, 108:214-224.

[15] 丁蓬莉, 李清勇, 张 振,等. 糖尿病性视网膜图像的深度神经网络分类方法[J]. 计算机应用, 2017, 37(3):699-704.

[16] 陈萌梦. 糖尿病视网膜图像自动筛查和分析的研究[D].重庆医科大学, 2014.

[17] 邵少慰, 罗巧明. 细胞DNA倍体图像分析在宫颈癌及癌前病变筛查中的应用[J]. 中国体视学与图像分析, 2013，8(4):413-420.

[18] 赵 品. 宫颈脱落细胞DNA倍体分析在宫颈内瘤样变筛查中的作用[D]. 暨南大学, 2010.

[19] 黄宏博. 基于图像处理的体外诊断试剂浓度定量检测[J]. 计算机工程与应用, 2011, 47(26):184-185.

[20] 贾小伟，张 蛟，李 屹,等. 支架影像增强显影技术对冠状动脉分叉病变介入治疗的作用[J]. 武警医学，2017, 28(7):672-674.

[21] 陆 敏, 李晓小,马 明,等. 武警部队远程医学建设与应用统计分析[J]. 武警医学，2016, 27(9):963-965.

马玉珍，本科学历，高级实验师。

1.102613 北京，武警综合保障基地药品仪器检验所；2.610041，武警四川总队成都医院；3.300162 天津，武警后勤学院附属医院；4.100039 北京，武警总医院核磁共振科

R445.6

(2017-05-15收稿 2017-09-23修回)

(责任编辑 尤伟杰)