1.2.5 前列腺医学图像CAD系统
前列腺癌（PCa，如图1.5所示［166］）是世界范围内最常见的男性癌症之一，约占男性癌症总量的21%。致死率在所有癌症中列第三位，占8%左右。美国癌症学会预测，2016年美国新增的前列腺癌患者约为180 890，而因此病死亡的人数不少于26 000人［35］。
图1.5 前列腺癌
基于MRI图像的CAD系统
减少前列腺癌致死率的主要方法是早期发现并加强治疗。数字直肠检查（DRE）只能鉴别到后周围区域的肿瘤，因此不能检测到发病于前部周边、中心区域和过渡区域的许多肿瘤［167］，或小的肿瘤也不能被触诊检出。基于血液检查的前列腺特异性抗原（PSA）测试用于良性/恶性判断有过度诊断和过度治疗的高风险［168］。尽管经直肠超声（TRUS）引导下的随机系统的活检易于发现小而危险度低的癌症，TRUS比MP-MRI更方便，成本更低，但其低灵敏度不适合大量患者群体的全筛选［169］。
磁共振（MR）能够提供功能性的组织信息以及解剖信息。多参数核磁技术的T1加权（T1-weighted，T1-w）、T2加权（T2-weighted，T2-w）、弥散加权（Diffusion-weighted，DW）、动态对比增强（Dynamic Contrast-enhanced）是目前前列腺诊断中常用的图像方法［170］。
基于MRI的CAD系统流程中，预处理环节的主要目的是减少噪声，去除伪影和标准化信号密度；由于后面的操作都是集中在前列腺上，所以需要把前列腺从每一个MRI模式中分割出来；配准是把所有的分割出来的MRI图像匹配重叠到同一个参考帧上，以消除由于患者移动或不同获取参数引起的不对齐问题；经过上面的步骤数据正则化以后，就可以抽取特征并分类这些数据，得到可能病变的位置（CADe）或这些病变的恶性程度（CADx）［171］。
1）预处理和配准
因为多参数MRI（MP-MRI）不但能通过T2-w提供图像的形态学信息，而且能利用DW-MR图像和DCE-MR图像估计组织的生理学特性，所以逐渐成为潜在的前列腺癌替代筛选方法。Giannini等［168］展示的一个基于MP-MRI分析的前列腺癌CAD系统，在图像配准阶段使用了两个步骤：①DWI-T2-w配准。首先应用刚性配准来校正主要由运动或涡流引起的可能的平移和缩放伪像。对膀胱通过应用于ADC图上的分水岭算法在DWI上被自动分割，并且通过k均值聚类在T2-w图像上自动分割，发现仿射变换耦合在T2-w和DW图像上的膀胱分割掩模的边界点。然后执行具有变形场（T）的非刚性配准步骤，从由该算法自动分段的卷的上边界开始。假设由磁场不均匀性引起的像素偏移特别是在相位编码方向上发生，并沿与卷的距离线性减小，T沿着垂直方向被建模为线性衰减场。②DCE-T2-w配准。选择基于相互信息（MI）的相似性作为度量，使用0阶（boxcar）B样条内核计算图像概率密度函数（PDF）；同时，为确保平滑度，用三阶B样条核计算运动图像强度PDF，通过试错逐渐改进迭代计算，直到满足终止条件。配准之后的数据集中的每一个像素都可以表示成由图像密度、量化的生理信息值和表观扩散系数（ADC）值等特征组成的向量。接着，这些所有的参数被送到分类器中，这个分类器最大化对真阳性的检测，同时使假阳性良性区域最小化。
Liu等［172］探索了在CADx中使用一个基于T2-w、弥散加权和动态增强MRI图像的有监督的统计学习方法。系统首先对待处理图像作预处理，对T2-w图像按比例归一化，对DWI图像逐体素计算出表观扩散系数（ADC）的映射图，对于DCE图像，用Tofts双室药代动力学模型生成Ktrans图。然后使用存储在DICOM图像头部中的坐标信息来配准T2-w、ADC和Ktrans图。每个图像切片被认为是在标题信息中给出的原点和方向的平面。为了找到对应的体素，最高分辨率序列中的体素被投射到其他成像模式中最接近的切片。最后提取每种模式图像的局部统计学特征，包括密度、形状和活检靶的纹理信息，用监督方法训练SVM。试验证明，使用三模MRI特征的算法的CADx性能比仅用T2-w特征的传统算法表现出明显的提升。
2）分割
前列腺医学图像分割是临床和图像处理工作流程中的重要一步。在临床设置中前列腺分割可用于放射治疗、PSA密度计算等，也是前列腺体积和计算机辅助诊断上的指标。在图像处理中器官的分割通常是强制性的第一步，使得后续的算法可以集中在感兴趣的区域上。这也会降低算法复杂性和计算时间。Litjens［173］等对他们的多图集分割技术进行了评估。多图集算法的过程由两个不同的步骤组成：第一，使用局部互信息作为度量将图集配准到未知的案例，将获得的变换应用于图集的分割。第二，使用选择性和迭代方法进行性能等级估计（SIMPLE）算法来合并图集标签，将变换的分割融合，以获得感兴趣的器官的最终二进制分割。通过在前列腺MR图像分割挑战（PROMISE12）的数据上的数据测试，得到了中值Dice系数为0.83。
活动外观模型（AAM）使用一组解剖标志来定义每个对象的形状。然而，解剖标志可能难以识别，而且传统的AAM只允许对单个感兴趣的对象进行分割。MLA可以同时分割多个对象，并利用多个级别而不是解剖标记定义形状。Toth等［174］提出了流行的AAM算法的改进方案，构建一个分层分割框架，称之为多级集AAM（MLA）。作为解剖标志独立的AAM，MLA允许确定多个对象的级别，并允许它们与图像强度耦合。这使得MLA具有在新图像中同时分割多个感兴趣对象的灵活性。这个构架通过给定的前列腺分割取得领域的特定属性，来帮助驱动嵌入在前列腺内的其他组织的分割。作者应用MLA从一组40个直肠内T2-w MRI图像中分割前列腺囊、前列腺周围区（PZ）和前列腺中央腺（CG），产生的平均Dice相似系数（DSC）分别为0.89、0.84和0.76。
高效准确地提取前列腺，特别是其临床3D MR图像上的子区域，对图像引导的前列腺干预和前列腺癌的诊断非常有意义。Qiu等［175］提出了一种新的多区域分割方案，可以同时定位前列腺及其两个主要子区域的边界：中央腺体和周边区域。该方案利用空间区域一致性的先验知识，并采用定制的前列腺外观模型来同时分割多个有临床意义的区域。通过凸松弛来解决所产生的具有挑战性的组合优化问题，方案引入了一种新的空间连续流最大化模型，并展示了其区域一致性约束条件下凸松弛优化问题的二元性。此外，研究中提出的连续最大流模型自然产生了一种新型高效的连续最大流量算法，在数值方面具有很大的优势，并可以很容易地在GPU上实现。最后，作者通过15个T2-w 3D前列腺MR图像的试验，证明此方案的表现是非常有前景的。相近地，Yuan等［176］提出了耦合水平集/轮廓演化方法，可以同时定位前列腺区域及其两个子区域，引入了前面开发的凸松弛技术，以全局优化方式共同演化两个耦合水平集。与传统的水平集方法相反，作者证明了两个耦合水平集可以在每个离散的时间帧同时移动到它们的全局最优位置，同时保持空间的一致性；作者通过凸松弛解决了在每个离散时间演化过程中产生的复杂的组合优化问题，并展示了其全局和精确的最优性，同时引入了新的耦合连续最大流模型，展示了其对所研究的凸松弛优化问题的二元性区域约束。10个T2-w 3D前列腺MRI的试验结果表现出其良好的分割性能。
3）特征选取和分类
A.Rampun等［177］描述了一个结合T2-w磁共振引导、对周围区域进行前列腺活检的CAD系统。作者把周边区域分成4个子区域，通过对比子区域灰度直方图与恶性灰度直方图模板乘积和与子区域与正常灰度直方图模板乘积和的总概率矩阵，估计异常程度。E.Niaf等［178］对一个基于多参数核磁共振图像确定前列腺癌在外围区域发生可能性测量的CAD系统进行了评估。从灰度、纹理和梯度三方面共140个特征中通过学习自动选取特征。实验使用t-test特征选择算法结合SVM分类。模仿专家区分恶性病变和疑似组织，CADx的性能AUC显示出其在周边区域辅助检测癌症方面是有潜力的。
对于MRI图像的计算机辅助诊断，Zhou等［179］尝试了基于集成SVM的多特征前列腺CAD系统研究。方案如下：①提取MRI图像中前列腺ROI的统计学、纹理和不变矩三类特征。②在每类特征空间中选取不同的特征子集结合SVM形成子函数，并通过投票算法对每类特征中的子函数整合。③对②的结果通过投票再次整合。④以前列腺患者的MRI图像作为原始数据，将此集成的SVM用于辅助诊断。此试验结果显示该算法能有效提高前列腺癌的识别准确性。
在计算机辅助诊断领域，深度学习已经显示了巨大潜力。但在许多应用中，大型数据集不可用。这使得复杂的深度学习神经网络（DNN）的训练困难。Chen等［180］展示了通过迁移学习，用一个前列腺X挑战赛提供的有限数据快速重新训练最新的DNN模型。训练数据由330例病灶组成，仅78例临床表现显著。作者引入了ImageNet预先训练的inceptionV3和Vgg-16模型。针对样本量不足的问题，使用随机旋转和平移进行数据放大；针对数据不平衡的问题，作者对阳性样例实施过采样以增加数据量，对阴性样例实施降采样以减少数据增加。作者还对预训练的模型在最终的全连接分类层进行修改，以满足此分类任务的需求。对前列腺X检验数据，两模型分别获得了0.81和0.83的AUC。作者还发现，针对不同前列腺区域训练的模型具有不同的灵敏度，如在合并结果之前应用比例因子会提高最终结果的AUC。