计算机辅助诊断在医学影像诊断中基本原理和应用进展.docVIP

计算机辅助诊断在医学影像诊断中基本原理和应用进展 　　摘要：在医学影像诊断治疗过程中，应用计算机辅助诊断技术可以自动提取病症图像中的特征，并运用高效的机器学习算法针对病变部位进行诊断。目前时期，该项技术主要被应用于多种临床疾病的多模态影像诊断分析过程中，对于医学影像诊断检查质量的提升具有重要的促进作用。鉴于此，文中对计算机辅助诊断在医学影像诊断中的基本原理和应用进展进行了一系列的分析，首先对该项技术的基本原理进行了阐述，包括数据处理原理、图像分割原理、样本采集原理等，随后对其应用进展进行了研究，包括在肺结节诊断、乳腺癌诊断、CT结肠癌等临床病症诊断中的应用，旨在提升计算机辅助诊断在医学影像诊断中的应用价值。 　　关键词：计算机辅助诊断技术；医学影像诊断；人工智能 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）15-0170-01 　　伴随着我国影像技术的不断发展进步，在医疗领域中，越来越多的利用到了X线、超声等影像技术医学病症诊断。1966年，计算机辅助诊断技术概念首次被提及，但是由于受到当时计算机技术发展水平的影响，之后对于该方面的研究越发受到限制。直至20世纪末，相关计算机应用技术、数学算法等发展的完善，才使得计算机辅助诊断技术在医学影像诊断领域中得以快速发展进步。另一方面，根据输出结果的不同，该项技术的被划分为两种类别，其一是计算机辅助检出。其二是计算机辅助诊断，将会针对后者深入探讨，对于医学影像诊断质量提升具有一定现实意义。 　　1计算机辅助诊断在医学影像诊断中的基本原理 　　1.1数据处理原理 　　在医学影像诊断中应用计算机辅助诊断技术进行诊断时，首先需要在系统中输入相应的诊断参数完成预处理，降低图像的噪声、矫正图像灰度不均匀性[1]。此类操作的执行，目的在于将诊断数据中不同的类型或者来源不同造成的差异弥补掉。虽然该项操作并不是辅助技术的必要构成部分，但是如果未提前进行将会引起最终的诊断误差。 　　1.2 图像分割原理 　　在计算机辅助诊断技术中，图像分割的原理在于将诊断图像分割为不同的解剖区域，然后对图像中的特定目标进行病灶特征的识别和提取，提升诊断精确性[2]。具体而言，图像分割方法主要包括两种，一种是自动分割，另一种是人工分割，与前者相比，后者存在主观性大、重复性低、三维分割效率低的缺陷，所以自动分割的应用频率比较高。自动分割主要包括四种类型的分割方法，其分割条件分别为区域条件、边缘检测条件、阈值选取条件、特定理论条件。 　　1.3 样本采集原理 　　在进行计算机辅助诊断技术的样本采集原理分析时，应该专门针对该项技术的研究区域进行有效的识别和采样，该研究区域主要包括肿瘤疾病的可疑癌灶、结肠息肉等[3]。另一方面，样本采集对计算机辅助诊断技术应用的要求点为必须具备较高的敏感性，但是对于特异性的要求则比较低，需要后续进行相应的改进研究。 　　1.4 图像特征提取原理 　　通常情况下，计算机辅助诊断系统需要对采集样本开展进一步的研究与分析，换言之，就是对前一步骤中所采集到的样本数据进行分析。通常情况下，比较常用的图像特征主要有以下几点，其一是信号强弱程度的相关统计量，其二是边缘特征，其三是纹理特征。该部分特征都可以用于反馈图像的信号强度等内容。此间需要注意一点是，图像特征的提取工作是计算机辅助诊断技术应用中的重点内容，并不是越多检出效能越高，而是应该选择性的缩短技术运用时间，提升病灶检出率。 　　2计算机辅助诊断在医学影像诊断中的应用进展 　　2.1计算机辅助诊断技术在肺结节诊断中的应用 　　胸片影像是计算机辅助诊断技术进行最早的一个领域，但是，由于受到人体胸片上支气管血管束以及人体肋骨的解剖结构重叠的影响，致使该该项技术在进行早期的小结节灶以及早期肺癌病变的诊断中经常出现漏诊的问题[4]。同期证实，早期肺癌的检出工作多数依赖医生的经验开展，所以针对胸部进行低剂量肺癌检查的肺结节计算机辅助诊断就成为其在医学影像诊断中的热门内容。另一方面，由于癌症部分实性结节难度依旧较高，所以我国现阶段的计算机辅助诊断技术在肺结节的医学影像诊断中的应用范围主要集中在实性肺结节的筛查工作中，为后续的诊断预测奠定坚实的基础。 　　2.2 计算机辅助诊断技术在乳腺癌诊断中的应用 　　现阶段，计算机辅助诊断技术在基于钼靶的乳腺癌医学影像诊断中的应用频率最高，其研究的重点主要集中在肿块、钙化灶的检出数据精准性提升方面，此时乳腺腺体类型与肿瘤的组织学类型成为对检出效能质量影响的关键因素。在进行具体的乳腺癌诊断过程中，计算机辅助诊断技术对于微钙化灶的检出效能最佳，敏感度的参数范畴有效控制在86-99%之间，由于受到乳腺腺体密度的影响，肿块的检出率比较低，一般控制在84-91