CT结肠成像中应用计算机辅助检测对结肠息肉诊断价值探讨

目的探讨计算机辅助检测(computer-aided detection)在多层CT结肠成像(CT colonography)中对结肠息肉诊断的应用价值。方法采用GE64层螺旋CT对23例高度怀疑结肠息肉患者进行仰卧位和俯卧位快速容积薄层扫描后行CT结肠成像。经纤维结肠镜活检证实共60个息肉,不分病理类型,对息肉大小进行分组,直径≤5mm10个,直径6-9mm21个,直径≥10mm29个。3位对纤维结肠镜结果不知情的读片者在无/有计算机辅助检测帮助下对23例患者CT结肠成像结果进行诊断(至少两个诊断者诊断相同的结果视为最终结果),对不同组息肉检出的敏感度进行比较分析。结果在计算机辅助检测帮助下对10个直径≤5mm的结肠息肉检出敏感度由40%提高到60%,P<0.05;21个直径在6-9mm的结肠息肉检出敏感度由67%提高到86%,P<0.05;29个直径≥10mm的结肠息肉患者的检出敏感度在无/有计算机辅助检测帮助下分别为90%和93%,P>0.05。结论在多层CT结肠成像中应用计算机辅助检测(computer-aideddetection)可明显提高对直径小于10mm的结肠息肉检出的敏感度,对6-9mm范围内的息肉敏感度提高了19%,直径≤5mm结肠息肉检出敏感度由40%提高到60%,提高了20%。

结肠息肉的计算机辅助诊断

结直肠癌在欧美国家是第二大类恶性肿瘤,在我国的发病率近年来也呈上升趋势.有超过90%的结直肠癌起源于结肠息肉,因此结肠息肉的早期发现是减少结直肠癌发病率的重要途径之一.纤维结肠镜是筛选结肠息肉的主要手段,但是相当一部分患者无法耐受.影像学诊断虽然简便易行,但该方法在息肉的检出率上还存在争论.基于医学影像的计算机辅助诊断可以根据目标的形状,大小等特征自动识别息肉、标记位置,并配合虚拟内窥镜的可视化方式显示息肉的完整形态,因而具有广阔的应用前景,现将有关文献综述如下.

虚拟结肠镜的计算机辅助检测研究

虚拟结肠镜计算机辅助检测是利用息肉与正常组织形态以及其他特征的差异、由计算机实现结肠息肉自动检测的技术手段,与直接使用VC检查相比,基于CAD的VC系统能够提供更客观一致的检测结果,提高检测速度,从而促进VC在普查与检测方面的临床应用。经过数年的发展,CAD技术已形成基本的设计流程,其敏感度和特异度不断提高,以满足临床检测的需要。对CAD系统的关键技术及临床性能进行分析综述,并对存在的问题及发展进行了讨论。

空间分辨力与管电流对CT结肠成像计算机辅助息肉检出影响的模型研究

目的前瞻性评价Z轴分辨力与管电流对普通CT结肠成像计算机辅助诊断（CAD）系统在猪结肠模型的息肉检出中的影响。方法在14个猪结肠模型上制造了96个息肉。在16层CT上扫描获得CT结肠影像，扫描准直器宽0．75mm，采用10、50、100与160mAs；螺矩为1．5。每扫描1mAs，CT影像重建厚度（ST）均为1．5mm，重建间隔（RI）为1．3mm。为评价Z轴空间分辨力的影响，还对100mAs的CT扫描用不同的ST（原文为SI，可能有误）与RI组合进行重建（分别为1．0与0．7mm，3．0与2．0mm，3．0与3．0mm．5．0与5．0mm）。随后用CAD程序分析模型数据。

计算机辅助诊断在结肠镜检查中的应用

人工智能在医学领域的应用受到广泛关注。其中计算机辅助诊断(CAD)在消化内镜领域,特别是结肠镜检查中的研究开展较多,但尚未广泛应用于临床。结肠镜检查容易受操作者经验的限制,影响其诊断的准确性。结肠镜检查中应用CAD有助于克服经验不足和视觉疲劳等因素,提高结肠息肉检出率,减少漏诊;并有助于准确判断息肉的病理学类型,识别肿瘤性病变。本文对CAD在结肠镜检查中的研究进展进行综述,并对该技术的应用作出展望。

计算机辅助检测对CT结肠成像的成本效益的影响

目的 分析增加了计算机辅助检测（CAD）的CT结肠成像筛查的成本效益，并与结肠癌的其他预防手段相比较。方法 采用Markov计算机模型比较使用与不使用CAD的CT结肠成像、柔软的乙状结肠镜检查（flexible sigmoidoscopy，FS）、光学结肠镜检查进行筛查的成本效益。该模型假设对10万例50岁病人进行每10年一次的结肠筛查。

通过分布式人工智能实现CT结肠成像的计算机辅助慢性息肉辨识

目的通过计算机辅助诊断技术（CAD），利用分布式人工智能进行CT结肠成像的病理诊断。材料与方法本研究经人体实验保护局（OfficeofHumanSubjectsResearch）批准。研究内容中涉及健康保险流通与责任法案（HIPAA）的患者知情同意要求并未报批。CT数据采集于24名患有至少一块6mm息肉的病人，相关图样的分析通过计算机辅助诊断（CAD）软件完成，共鉴别268处疑似病灶。每处疑似病灶均由20名来自同一众包平台的知识工作者（KnowledgeWorkers，KWs）判断是否是息肉。为了检验本方法的可重复性，共228名知识工作者参与了两轮病灶鉴别工作。本文中，通过比较知识工作者和CAD软件分析结果的受试者工作特征曲线覆盖面积（AUC）来评价本方法的效果。结果知识工作者的检测水平AUC结果为：第1轮0．845±0．045（标准差），第2轮0．855±0．044。计算机辅助诊断软件（CAD）分析结果的AUC为0．859±0．043，两种方法之间并没有显著区别。根据病灶判断难度分析，容易的诊断中知识工作者表现更佳：第1轮AUC为0．951±0．032，第2轮0．966±0．027（P=0．039），CAD的AUC为0．877±0．048。对于两轮检验都参加的知识工作者而言，第2轮的诊断结果有显著的提升：第1轮AUC为0．759±0．052，第2轮为0．839±0．046（P=0．041）。结论在慢性息肉的诊断方面，分布式人工智能和计算机辅助诊断（CAD）技术的结果之间并无显著差异。

Medicsight结肠癌计算机辅助检测软件

Medicsight Colon CAD（结肠癌计算机辅助检测软件）是一款创新的软件产品．专用于支持放射专业人员检查结肠瘤的形成（息肉），并通过高灵敏度检查及高度准确和可重复的测量系统，为他们的后续分析、诊断和临床决策提供帮助。该软件具有以下特点：

计算机辅助检测(CAD)为CT虚拟结肠镜检查(CTC)锦上添花 Medicsight MedicRead Colon SFDA获批

2008年5月31日在第一届CTC亚洲会议启动新闻发布会上，MEDICSIGHT公司宣布公司所研发的Medicsight MedicRead Colon诊断系统（世界首台专注于结肠诊断的计算机辅助检测系统）取得了国家食品药品监督管理局（SFDA）的认证，这也是国内应用于CTC结肠CAD软仲在SFDA取得的首个注册证。

计算机辅助诊断在医学影像学领域的应用和发展

近年来,计算机辅助诊断(computer aided diagnosis,CAD)逐渐成为医学影像学中的研究热点之一,很多CAD技术不断出现并获得快速发展,对于提高放射科医生诊断的准确率、减少漏诊起到了积极的作用.……

计算机断层成像(CT)结肠镜:结肠息肉直径和体积的自动测量与手工测量技术的比较——体外研究

[目标]:研究不同和相同读片人对息肉直径进行体外自动测量时所得结果的一致性。[方法]:用16排CT扫描两个模型(QRM和Whiting模型),两个模型都包含有直径和体积已知的模拟息肉。两位读片人用三种方法来估计息肉的直径:软件测量(手工)、手工边界识别(半自动)及自动软件分割(全自动)。[结果]:对同一读片人,当使用全自动方法时,95%一致性极限范围最小(QRM范围:0.39mm～0.48mm;Whiting范围:0.24mm～0mm)。手工估计测量的极限范围大约比全自动方法要大10倍(QRM范围:3.57mm～3.21mm,Whiting范围:3.2mm～2.02mm)。全自动方法对体积的估计范围最小(范围:24.2mm3～24.1mm3;而半自动测量的范围为97.9mm3～102.9mm3)。对不同读片人,当使用全自动方法时,测得直径的一致性范围最小(QRM范围:0.12mm;Whiting范围:0.16mm),而使用手工方法的一致性范围大约是全自动方法的18倍(QRM范围:2.87mm;Whiting范围:2.18mm)。[结论]:通过全自动方法来测量息肉直径和体积在技术上是可行的,可使不同和相同读片人的测量结果实现更高的一致性。

人工智能辅助结肠镜检查对息肉检出率影响的Meta分析

目的 定量分析人工智能(AI)辅助结肠镜检查对息肉检出率的影响。方法 检索自建库至2021年5月Cochrane Library、PubMed、Embase、Web of Science、中国知网(CNKI)、万方数据(Wanfang Data)和维普网(VIP)中关于AI辅助结肠镜检查的研究,并对文章进行质量评价,采用RevMan 5.4软件进行Meta分析。结果 纳入8篇文献,共6 217例患者(3 095/3 122)。与没有AI辅助的结肠镜检查相比,AI辅助结肠镜检查增加了腺瘤检出率(ADR)(R^R=1.43,95%CI:1.33~1.55,P=0.000),提高了息肉检出率(PDR)(R^R=1.40,95%CI:1.30~1.51,P=0.000)。左半结肠、右半结肠、<10 mm和无蒂的ADR和PDR明显增加(P <0.01);AI辅助结肠镜与常规结肠镜检查退镜观察时间无明显差异。结论 AI辅助肠镜检查可以增加腺瘤和息肉的检出率,与腺瘤及息肉的位置、大小及形态学相关,与退镜时间无关。

计算机辅助检测系统提高腺瘤检出率的回顾性研究

目的探讨基于双流算法开发的新型息肉检测系统在结肠镜检查中的作用。方法研究回顾性纳入2023年3月至6月解放军总医院第一医学中心在计算机辅助检测(computer-aided detection,CADe)系统辅助下行结肠镜检查的833例受试者为试验组,2022年3月至6月在同一操作间接受常规结肠镜检查的770例受试者为对照组。主要观察指标是腺瘤检出率,次要观察指标包括息肉检出率、腺瘤检出数和息肉检出数。结果试验组腺瘤检出率[29.3%(244/833)比21.7%(167/770),χ^(2)=12.133,P<0.001]和息肉检出率[47.9%(399/833)比37.9%(292/770),χ^(2)=16.241,P<0.001]显著高于对照组。对于≤5 mm的腺瘤[23.5%(196/833)比16.1%(124/770),χ^(2)=13.808,P<0.001]和平坦型腺瘤[15.1%(126/833)比7.3%(56/770),χ^(2)=24.519,P<0.001],试验组检出率显著高于对照组。试验组每例腺瘤检出数[0(0,1)枚比0(0,1)枚,Z=-3.698,P<0.001]和每例息肉检出数[0(0,1)枚比0(0,1)枚,Z=-4.424,P<0.001]与对照组相比差异有统计学意义。与无CADe系统辅助相比,CADe系统显著提高低年资医师腺瘤检出率[29.5%(167/566)比18.9%(89/472),χ^(2)=15.709,P<0.001]和息肉检出率[47.3%(268/566)比33.3%(157/472),χ^(2)=21.123,P<0.001];在高年资医师中,有无CADe系统辅助的腺瘤检出率[28.8%(77/267)比26.2%(78/298),χ^(2)=0.502,P=0.479]和息肉检出率[49.1%(131/267)比45.3%(135/298),χ^(2)=0.800,P=0.371]差异无统计学意义。结论CADe系统可显著提高腺瘤和息肉的检出率,尤其对于微小和平坦型病变检出具有明显优势。低年资医师相较于高年资医师使用CADe系统的获益更大。

人工智能在结肠息肉检测与分类中的应用

结直肠癌是全球最常见的癌症之一,结肠镜检查已被证明是结直肠癌较好的筛查和监测方法。本文对人工智能和计算机辅助诊断技术在结肠镜结直肠息肉的自动检测和分类的临床实践应用进行综述,旨在了解基于人工智能的计算机辅助诊断系统,特别是机器学习、最新的深度学习和卷积神经网络技术在结直肠癌筛查和监测实践应用的新知识。

计算机辅助诊断

Automated classification of bone structure and extraction of thoracic cage in 3-D torso CT images.Automated recognition method of concave area by using complex PARCOR coefficient and its application to detection of colonic polyps in abdominal X-ray CT images.Automatic distribution and shape analysis of blood vessels on retinal images.Computer-Aided Prostate Cancer Detection in Ultrasonographic Images.

深度卷积神经网络模型辅助下结直肠息肉检测系统对初级医师结直肠小息肉检出率的影响

目的·探究基于人工智能(artificial intelligence,AI)技术中深度卷积神经网络(deep convolutional neural network,DCNN)模型构建的计算机辅助检测(computer-aided detection,CADe)系统对缺乏电子结肠镜操作经验的初级医师结直肠息肉检出率的影响。方法·选取上海交通大学医学院附属同仁医院内镜中心数据库2019年1月—2020年12月的结肠镜图像及2021年1月—3月的结肠镜视频。将筛选出的图像和视频分为数据集1(5908张图像)和数据集6(360条短视频),数据集1分为数据集1a(4906张图像)、数据集1b(300张图像)和数据集1c(702张图像);其中,数据集1c为从视频数据集6中截取的图像。数据集2~5分别为公共数据集CVC-ClinicDB、CVC-ColonDB、ETIS-Larib Polyp DB和KVASIR,共包含2188张图片。数据集1a和数据集2~5为模型训练集,数据集1b和数据集1c为模型测试集。将10名经过培训且无结肠镜操作经验的初级医师随机分为AI辅助组(A组,n=5)及无AI辅助组(B组,n=5)。2组医师分别对360条结肠镜视频进行判读。前180条视频两组均无AI辅助。后180条视频中,AI辅助组辅以息肉检测系统,将视频数据集经检测系统处理后标记息肉,供研究者判读;无AI辅助组则观看原始视频,判读是否存在息肉。所有视频先由2位高年资内镜医师确认是否存在息肉;若存在争议,则剔除该视频,并以这2位医师共同确认的诊断结果为金标准。视频中存在息肉,受试者未能检出,视为漏诊;视频中无息肉,受试者判断存在息肉,视为误诊。结果·前180条视频均无AI辅助时,A组与B组结直肠息肉漏诊例数比较,差异无统计学意义;后180条视频中,A组息肉检出漏诊例数明显小于B组(P=0.031);在A组内比较,后180条视频中的息肉漏诊例数小于前180条视频,差异具有统计学意义(P=0.007)。2组间及各自组内的息肉误诊例数比较,差异均无统计学意义。结论·该研究所构建的DCNN模型辅助下的结直肠息肉检测模型可以明显改善缺乏结肠镜操作经验医师的结直肠息肉检出率,同时不会增加结直肠息肉的误诊。

结肠镜下计算机辅助息肉检测系统的构建

目的构建结肠镜下计算机辅助息肉检测系统，并初步验证其有效性。方法采用基于Faster R-CNN算法，基于开源框架TensorFlow和Faster R-CNN的开源实现，构建结肠镜下计算机辅助息肉检测系统。按训练集大小和难度设置5个试验组：试验1、2、3、4分别含1 000、2 000、4 000、6 000个训练样本，试验5在6 000个训练样本的基础上增加选取难样本的概率。在不同训练集下，计算该系统检测息肉的灵敏度、特异度等分类评价指标及召回率、精确率等目标检测评价指标。结果分类评价指标显示，试验1、2、3、4、5的灵敏度分别为90.1%、93.3%、93.3%、93.3%、93.5%，差异有统计学意义（χ^2＝25.324，P〈0.01），试验2、3、4、5的灵敏度均高于试验1，差异均有统计学意义（χ^2＝13.964、13.508、13.508、13.386，P均〈0.006 25）。各试验组特异度和阳性预测值的差异均无统计学意义（P均〉0.05）。试验1、2、3、4、5阴性预测值分别为90.4%、93.3%、93.3%、93.3%、93.5%，差异有统计学意义（χ^2＝21.862，P〈0.01），试验2、3、4、5的阴性预测值均高于试验1，差异均有统计学意义（χ^2＝11.447、11.564、11.755、13.760，P均〈0.006 25）。训练样本量从1 000增加至2 000时，AUC值提升了2%，进一步增加样本至6 000，AUC值提升幅度〈1%，此时保持样本量不变而增加难样本的比例，AUC值又提升了0.4%。目标检测评价指标显示，各试验组召回率分别为73.6%、79.8%、79.5%、79.8%、83.3%，差异有统计学意义（χ^2＝71.936，P〈0.01），其中试验2、3、4的召回率均高于试验1，差异均有统计学意义（χ^2＝25.960、23.492、25.960，P均〈0.006 25），试验5的召回率高于试验1、2、3、4，差异均有统计学意义（χ^2＝67.361、9.899、11.527、9.899，P均〈0.006 25）。试验1、2、3、4、5的精确率分别为87.9%、85.3%、90.2%、91.4%、89.2%，差异有统计学意义（χ^2＝48.194，P〈0.01），其中试验3、5的精确率均高于试验2，差异均有统计学意义（χ^2＝24.508、15.223，P均〈0.006 25），试验4的精确率高于试验1、2，差异均有统计学意义（χ^2＝13.524、39.120，P均〈0.006 25）。随着样本数量增多和训练难度加大，对应的F1分数和平均精度均值均稳步上升。结论本研究初步构建了结肠镜下计算机辅助息肉检测系统，目前灵敏度最高可达93.5%，召回率最高可达83.3%。增大训练集可一定程度上提升息肉检测成绩，但会到达一个瓶颈，此时适当增加训练难度，可进一步提升检测成绩，尤其是召回率。

结肠息肉的CT结肠成像与结肠镜的对照研究

目的探讨16层CT结肠成像(CTC)在结肠息肉诊断中的临床价值。方法收集行CTC和结肠镜检查的结肠息肉患者56例(共214个息肉),对结肠息肉病例的三维成像方法(SSD、CTVC、PE)分别进行图像质量、病变检出时间、病变检出率等的评价,并与结肠镜比较。结果CT的SSD、CTVC、PE的图像质量均显示满意;病变检出时间CTVC>SSD>PE,PE用时最短,3～5min,明显快于CTVC和SSD像;病变检出率PE>CTVC>SSD,2.0～5.0mm息肉的检出率分别为89.1%、70.3%、37.5%;5.0～10.0mm息肉分别为100%、100%、50.8%;10.0mm以上息肉均为100%。结论16层CT三维成像提高了结肠息肉性病变的检出能力,并将在小息肉的随访复查中发挥巨大潜能。

CT结肠造影中息肉的自动识别

目的：通过计算机自动识别CT结肠造影中结肠息肉的方法，提高结肠息肉筛查的灵敏度及效率。方法：利用计算CT图像的偏导数得到等值面的几何形态，找到符合息肉特征的体素，通过区域生长及模糊分类完成对息肉的识别与分割，并将识别到的息肉用特殊颜色标记，在其引导下进行虚拟内窥镜重建。结果：自动识别方法对息肉的总体敏感度为58．8％，假阳性率为4．7个，病例，平均检查时间为15．3min。同人工方法相比，检查时间平均缩短40．5％，且对5-10mm息肉的敏感度有明显提高（P=0．046）。结论：本方法具有较高的识别灵敏度，能加快息肉筛查的速度，可作为结肠息肉筛查的辅助手段。

改进的M2det内窥镜息肉检测方法

结直肠癌是一种致命的疾病,作为息肉的肠腺瘤被认为是结直肠癌的主要病因,因此在临床诊断中发现肠息肉是一项至关重要的任务。息肉检测通常由医生操作内窥镜来实现,由于肠道环境复杂,息肉影像数据量大,小尺度息肉不易辨识,息肉检查过程除了极其依赖医生经验之外,工作压力和强度也给医生带来了极大的负担,因此需要借助计算机辅助诊断技术来检测息肉,该技术可以有效地处理大量的息肉影像数据、发现早期息肉、提高息肉检测的准确率。目前的一些方法对小型息肉存在漏检,因此提出了一种改进的M2det方法用于息肉检测,通过FFMs模块融合主干网络特征,使图像特征得到了充分利用,在SFAM模块中增加scSENet注意力机制,保留了有效特征,抑制无用特征,采用Focal loss计算分类损失,解决了正负样本不平衡问题。大量实验表明,该方法可以有效地检测出息肉且优于前沿的息肉检测方法,在CVC15数据集上mAP、F1-score、F2-score分别提升到了98.25%、97.30%、97.98%。