看看最近的文章

摘要

目的:自动图像分析工具有可能提高诊断过程的客观性。因此，研究和改进这些工具背后的数值方法是至关重要的。因此，在不同肺部形态的计算机断层扫描(CT)成像中，探讨了体积学、密度学和分形分析的概念。

材料和方法:对5只羊进行了烟雾吸入性损伤前后的胸部CT扫描。开发软件从数字图像数据中分割肺部，并估计形态计量参数“体积”、“Hounsfield单位密度”(HU)和“分形维数”。这些参数对每次扫描进行估计，一次来自完整的数据集，覆盖整个-1000到399 HU的范围，一次来自28个连续的数据子集，每个子集的宽度为50 HU。吸入烟雾前和吸入烟雾后的组间差异采用t检验统计，显著性水平为0.05。

结果:对于完整的数据集，只有通过体积分析才能区分“吸入前”和“吸入后”。另一方面，对28个较小的HU子集的分析允许使用所有三个形态计量参数进行群体分化。

结论:对小的HU子集的分析可以帮助区分组，并且可能是许多图像分析项目的有用方法。

重点:

• 通过自动图像分析软件可以区分烟雾吸入模型中不同的肺部形态。
• 对于完整的肺数据集，体积分析可能优于密度测定法或分形维数表征。
• 当使用较小的hu范围并将显著性极限提高到0.001时，体积法或分形图像分析可能优于密度法评价。
• 分形维特征可以和体积描述一样有用。

关键字

体积分析，密度测定，分形几何，肺形态，烟雾吸入模型，计算机辅助诊断

介绍

数字图像数据的计算机辅助分析有望成为放射肺学的重要诊断工具。用于此类目的的数值工具具有可重复、客观和可靠的优点，因为它们依赖于不断执行的数学算法，因此不受观察者之间或内部可变性的影响。斯佩耳特小麦et al .,例如，研究表明，与标准的人工测量相比，计算机辅助的原发性肺肿瘤大小评估可以将观察者之间的差异减少约一半至三分之一[1]。此外,伍尔夫et al。研究表明，在研究肺、肝和淋巴结转移灶的“随时间变化”时，计算机辅助体积测量的精度和内部变异性优于人工估计[2]。

体积分析和基于Hounsfield单位(HU)的密度测量是放射肺学中最常用的图像分析工具[3]。尽管分形几何的概念很少被应用，但它非常适合用分形维数d来表征不规则的几何形状。2016年10月进行了三次PubMed搜索，以了解这些方法在(CT)图像数据上进行肺部调查时的应用频率。每个搜索查询都包含“肺”和“CT”。搜索附加词“体积学”或“体积分析”产生1574个搜索结果，搜索附加词“密度学”或“直方图分析”产生293个结果，搜索附加词“分形”只产生39个结果。因此，虽然研究人员似乎普遍意识到体积分析和密度测定法是一种方法，但分形几何的应用似乎并非如此。因此，本研究特别关注这一概念。

本研究中研究的图像分析工具应用于吸入烟雾之前和之后获得的羊肺CT数据集。这些数据是在一个呼吸窘迫综合征(ARDS)研究项目中获得的。呼吸窘迫综合征是一种危及生命的疾病，由急性低氧性呼吸衰竭和双侧非心源性肺浸润组成。在美国，每年大约有20万患者患有ARDS[4]。急性呼吸窘迫综合征与高死亡率有关，约三分之一的患者死亡。此外，在美国，每年发生125万例烧伤，其中5%至35%的患者伴有烟雾吸入性损伤[5,6]。吸入烟雾经常导致严重的急性呼吸窘迫综合征，并显著增加烧伤患者的死亡率。ARDS的病理生理机制及其进展尚不完全清楚。更广泛的研究目的是通过计算机断层成像来表征烟雾吸入性损伤后ARDS的形态学。毫无疑问，高质量的数据解释对于研究和日常临床诊断一样重要，因此有三个问题是本次方法学研究的重点: One, can different lung morphologies, caused by the injury, be characterized by image analysis software that evaluates the parameters “volume,” a HU-based radiological density that will for reasons of simplicity henceforth be called “density,” and the fractal dimension, D. Two, based on the assumption that these morphometric parameters can successfully distinguish lung phenotypes, is there an optimal parameter, “volumetric analysis,” “density,” or “D,” that can distinguish between the lung morphologies “before” and “after” injuiry more significantly or more reliably than the others. As it is an established practice for radiologists to choose specific “window width” and “window level” settings when they diagnose CT images, this approach was also applied in this investigation and adapted in the sense that the sheep lungs were not only segmented in a wide HU-range from -1000 to 399 HU, but also in many subsets, where each of the subsets covered only a small HU-range. Hence, the third question is are there differences in the results for the parameters “volume,” “density,” or “D” that depend on a specified HU-range of a set. Or, simply put, is it helpful to analyze small HU-ranges.

这项跨学科研究的主要目的是改进图像分析方法，然后用于简化放射科医生的诊断工作。

材料与方法

羊实验

本研究得到了德克萨斯大学医学分会动物护理和使用委员会的批准，并按照美国国立卫生研究院和美国生理学会关于实验动物护理和使用的指导方针进行。

本研究选取5只体重30-45 kg的健康成年母羊。在吸入性损伤发生前24小时将食物拿走，但所有动物都能自由饮水。氯胺酮诱导麻醉(肌注500 mg，静脉注300 mg)后，行气管插管。麻醉使用异氟烷(1.4 - 1.8体积%)-氧混合物维持。右股动脉插管使用聚氯乙烯导管(导管内，16-G, 24英寸，Becton Dickinson Vascular Access, Sandy, UT)连续测量全身动脉压并间歇采集动脉血。热稀释导管(型号93A-131-7F, Edwards重症监护室，Irvine, CA)通过引入器鞘(Edwards Lifescience, Irvine, CA)插入右颈外静脉，并进入肺动脉。植入Foley尿潴留导尿管。

然后，这些动物被转移到放射科的计算机断层扫描单元，接受高分辨率ct扫描以及肺部扫描(如下所述)。

成像程序完成后，动物被转回动物重症监护病房，并根据先前详细描述的既定方案接受烟雾吸入性损伤[7]。简而言之，仍处于深度麻醉状态的绵羊被吸入总共48次棉花烟(四组，每组12次)。烟雾是用一个改良的蜜蜂熏烟器，里面装满了40克燃烧的棉毛巾，通过一个改良的气管内管连接到气管造口管上，气管内管含有来自肺动脉导管的留置热敏电阻。在充气过程中，仔细监测烟雾的温度，不允许超过40°C。每组烟雾吸入后立即测定动脉碳氧血红蛋白浓度。

在烟雾吸入性损伤后，对动物进行机械通气，并按上述方法使用异氟烷-氧气混合物进行深度麻醉。用乳酸林格氏液对羊进行复苏，使其恢复24小时，然后进行另一组CT检查(如下所述)。

成像后，动物被转移到动物重症监护病房，并通过静脉注射60毫升饱和氯化钾实施安乐死。然后摘取肺，准备进行病理和组织学评估。

CT影像

成像研究在第二代DSCT系统(Somatom Definition FLASH, Siemens Healthcare, Forchheim, Germany)上进行。将动物置于CT台上俯卧位，模拟动物的生理扫描情况。

为了分析肺的解剖结构，在有对比剂和没有对比剂的情况下，进行了高分辨率CT扫描。注射80 ml造影剂(Isovue 370, Bracco Diagnostics Inc.， Princeton, NJ)，流速为4 ml/s，然后以相同流速注射40 ml生理盐水。扫描参数如下:基于衰减的管电流调制;旋转时间，0.5秒;准直，14 x 1.2 mm;球场上,0.7。CT图像在轴位、矢状位和冠状位上进行重建，采用针对高分辨率图像优化的中等软卷积核，切片厚度为1.5 mm，增量为1 mm。

数值肺分析:肺分割;容量分析;测密度术;分形维数估计

肺分割:肺分割的方法已经建立[8-10]。本研究中使用的肺分割方法在文献[11]中有详细描述。在通气肺组织低辐射衰减的指导下，应用了适应性阈值分割。这种方法分割呼吸系统的那些部分，包括气管和肺组织，这些部分对应于健康肺的解剖学定义，其中完整的下呼吸系统被分割。相反，在肺部严重受烟雾影响的情况下，分割方法排除放射学上较致密的肺组织。请参见图1中的分段示例。

图1所示。CT图像及其相应的分割结果为支持气体交换的充满气体的肺区域。每一列显示相似胸位吸入烟雾前后的断层图像。每排胸腔的位置从近端到远端，从上到下变化

肺亚群的定义，体积和密度分析:羊肺的分割数据集由体素组成，体素由它们的空间x、y、z坐标和它们的放射密度值(HU)定义。完整的肺被称为分节肺l。l本质上由HU值在-1000到399范围内的体素组成。它被写成l_{(-1000、399)}，其中方括号中的数字表示属于该集合的体素的指定hu范围。在这里,。HU值大于399的很少出现的体素被忽略。这些体素的比例低于0.3%，与血管钙化相对应。自l_{(-1000、399)}基本上和l，l_{(-1000、399)}在后面的文本中也被称为“成套”。

接下来，设置l_{(-1000、399)}分为28组，每组宽度为50 HU。这些子集从-1000 HU开始到399 HU结束。的第一个子集l_{(-1000、399)}，因此，只包含HU值在-1000到-951 HU之间的体素，并且在上面介绍的HU范围表示法中被写为l_{(-1000、-951)},在那里;第二个子集是，l_{(-950、-901)}等等，直到最后一个子集，l_[350399]。图2展示了四个不同的集合:最上面一行显示了属于完整的hu的图像——范围从-1000到399;底部的三行显示较小的hu范围子集的图像l(-600、-551),l(-600、-551),l(-600、-551)。

图2。同一只羊不同HU分割范围的体绘制图像。左图显示吸入烟雾前的肺结构;右图显示吸入烟雾后的高度裂肺亚群。每行下面给出了可视化子集的hu范围。

给出了参数“体积”、“密度”和“分形维数”的定义。在上述定义的每个HU范围内，对5只不同绵羊的每个肺节段，在吸入烟雾实验“之前”和“之后”，以相同的方式应用和估计参数，无论是对于较宽的HU设置范围[-1000,399]，还是对于28个较小的50 HU-宽的HU范围。

扫描羊肺体积v(i);l[HU-range])，定义为集合中所有体素的个数pl[HU-range]乘以与体素大小相关的体积比例因子s:

这里，“i”是羊的数量，从1到5，对于n = 5只羊的一组。“HU-range”是指一组所选HU-range的规定上下限;l[min HU, max HU]。

接下来，所有n只羊在不同HU-range设置规格下的平均体积，体积(L[HU -range])是感兴趣的:

，其中<。>表示5只羊的平均体积，每只羊在其指定的hu范围内估计。

被扫描羊的“密度”或质量，d(i);l[HU-range])，定义为集合中所有体素q的所有HU之和l[HU-range]:

其中，“i”仍为羊数，“HU-range”为集合指定的HU-range，“p”为集合的总体素数L[HU−range]。

接下来，所有n只羊在不同HU-range集合规格下的平均“密度”为感兴趣的密度(L[HU -range])，其定义如下:

，其中<。>表示5只羊的平均密度，每只羊在指定的hu范围内。

分形维数的测量：数值估计分形维数D的方法是经典的“质量-半径关系”，在本研究中被精确地应用于文献[12]。在被调查的集合中选择任意一个体素作为中心位置c，然后在半径r的球体内计算体素的个数M，因此M也可以记为M(r;c)。如果所研究的结构是分形的，则M(r;c)增长为：

（3）

图3给出了一个根据幂律(3)计算D的双对数图的例子。，其中<。>表示不同中心位置的100个计数结果的平均值，c。在这些图中计算线性回归以获得D的回归范围总是选择相同的回归范围，以便比较不同动物和实验组的D值。

图3。一个图的例子，显示了在质量半径分析中肺亚群的D估计的计数结果。x轴表示半径r，以毫米为单位。y轴包含半径r的球体集内的平均“质量”(即二值图像中的体素数)，对球体集的100个不同的、不重复的中心位置c进行评估。黑色标记和对应的黑色回归线表示线性回归估计D的标度范围，对应于吸入烟雾“之前”的数据集(D = 2.628±0.069;相关系数= 0.999;子集总体素数= 656023);红色标记和回归线属于吸入烟雾后的数据集(D = 1.956±0.106;相关系数= 0.998;子集的总体素数= 23965)。

一般来说，分形几何概念可以用非积分d来描述不规则的几何形状。这个概念是由B. Mandelbrot引入的，在文献[13]中有很好的描述。图4显示了此类分形的示例。本文不包括对这个有充分记录的概念的描述，可以在参考文献中找到。(14 - 16)。

图4。三种数值构造分形曲线的实例。每张图像下面给出了分形维数值。注意，D的值越高，结构的“空间填充”程度越高。所有的结构都具有分形的一个重要性质:自相似。这意味着当图像被放大到原始图像的大小时，图像的小细节将与原始图像无法区分。这与肺的形态结构相似，其中较大的气道不断分叉成较小的气道。

统计数据

采用Shapiro-Wilk检验检验正态分布。采用f检验检验方差的齐性，采用配对t检验估计吸入烟雾前后各组均值差异的显著性。最后，根据式(4)计算效应强度r。

(4)

其中“t”是t检验值，“df”是自由度。

IDL®，Version 8.4.0，一种来自Exelis Visual Information Solutions, Boulder, Colorado, USA的编程语言，用于肺分割，形态测量参数的估计和统计计算。使用的许可证包括IMSL统计库。

结果

表1总结了吸入烟雾前后形态计量参数“体积”、“密度”和“D”的平均值、标准差和p值，该集合包含完整的hu范围L[- 1000,399]。p值支持在0.05显著性水平上的假设，即体积分析可以区分吸入烟雾“前”和“后”组，而密度分析或分形分析不支持这一假设。

图5显示了形态计量学参数“体积”、“密度”和“D”的平均值和标准差，这些参数用于定义从[-1000，-949]到放射学上最密集的[350,399]HU的28个不同的连续HU范围的子集。结果显示了吸入烟雾“前”和“后”组的结果。“体积”和“密度”选择了对数尺度，这样小体积或密度的变化仍然是可见的。

图5。该组在吸入烟雾“之前”和“之后”检查肺亚群的平均值，其体积估计单位为[mm3]，密度测量单位为[HU]，分形d。结果与其标准偏差一起显示。这三个参数中的每一个都是从一个子集估计出来的，这个子集由特定的hu范围L [hu范围]定义，在x轴上给出。

图6显示了p值作为不同HU子集范围的函数，使用t检验计算，对于吸入烟雾“之前”和“之后”的组比较，参数“体积”，“密度”和“D”。Shapiro-Wilk检验表明，可以合理地假设数据正态分布;f检验表明，经p值≤0.05的t检验比较，各组的方差均为齐性。Shapiro-Wilk检验和f检验均以0.05显著性水平计算。除p值外，还计算了表1和图6所示各参数的效应量r。在p≤0.05的条件下，体积组比较的平均r为0.93，密度组和分形组比较的平均r为0.95。p值表明，在所有三个形态学参数下，许多不同的HU子集范围可能存在群体分化。

表1。完整HU-range的形态计量学分析[- 1000,399]。

版权所有OAT。版权所有

统计参数	量分析	微	分形维数
前均值	3.2±0.2升	7.94e +08±2.52e +08 hu	2.70±0.03
烟雾吸入
之后的平均值	2.2±0.7升	7.86e +08±1.40e +08 hu	2.61±0.05
烟雾吸入
P值(配对t检验)	0.05	0.945	0.196

图6。通过配对t检验计算的p值图，比较吸入烟雾“之前”和“之后”各组对每个参数的平均值:体积(红线)，密度(绿色)和分形D(蓝色);0.05显著性极限用虚线表示。各参数对应的均值和标准差如图5所示。

讨论

本研究结果的讨论

在本研究中，使用p值作为区分是否可以假设群体歧视的主要参数。根据Bland和Altman[17]在小样本量下检验组间差异的建议，使用配对t检验来计算p。由于本研究中发现的效应量在p≤0.05的所有组比较中至少为0.93，因此可以得出结论，尽管只有5只动物的小样本量，但对p的解释是明确的。

表1中的p值表明，当分析完整集合L[-1000,399]时，只有容量分析支持在0.05的显著性限内“吸入前”和“吸入后”组之间可能存在显著差异的假设。如果观察仅覆盖50 HU宽度的HU范围的集合的组比较中获得的p值，则这种行为非常不同。这里，许多不同的HU子集范围支持这样的假设，即通过所有三个形态学参数，“体积”，“密度”和“d”，可以实现群体分化。因此，在回答第一个问题在介绍，成功的群体分化可以假设所有三个调查参数。

第二个问题是，是否所有三种调查图像分析方法都同样好，就他们的能力而言，允许成功的群体区分。观察正确真阳性群体分化的统计数据，人们发现28个HU分支中有22个通过体积分析方法被正确识别(79%);28只中有18只采用密度分析法(64%);其中分形维数分析法得到15个(54%)。如果接受这种排序方法，似乎体积分析法优于密度分析法和分形分析法，这两种方法在区分类群的能力上基本相同。但是，如果将p显著性限制从0.05提高到0.001，假设可以区分群体，则只有体积分析法和分形分析法支持可以区分群体的假设(图6)。因此，这两种方法都优于密度分析法。如果要拒绝所有p≥0.0001的结果，则只有分形分析方法才能支持一个HU子集可以成功地与另一个HU子集区分开来的假设。

第三个问题是，分析有限的HU-range的许多小子集，而不是只分析一个非常大的HU-range是否合理。图6中的结果表明，研究许多较小的hu范围以探索群体差异确实是可取的。密度分析或D分析等方法在研究小的HU子范围时证明是成功的，否则可能被错误地认为是无用的。这种数据分析的子范围方法类似于放射科医生在具体选择窗口和水平设置以可视化CT数据集中的特性时所使用的方法。我们在这方面的发现也与放射学的经验知识一致，即错误选择的窗口水平可能会妨碍正确的放射诊断。这种新的见解可能也可以应用于其他研究，其中正在探索不同疾病或疾病严重程度与形态参数“体积”，“密度”或“D”之间的相关性。下一段给出的进一步论证支持了这一点。

结果的合理性

HU子集的行为范围为低辐射衰减，从l[-1000，-951]到大约l[-700，-651]是有道理的。在吸入烟雾之前，肺容量要大得多。肺密度表现出类似的行为，因为在吸入事件之前存在更多具有低衰减HU的体素，并且“密度”一词定义为所有现有体素在一组中所有HU的总和，见式2。烟雾吸入事件发生前的分形维数也大于事件发生后的分形维数。这和我们在分析整个肺组的D值时得到的结果是一样的l[-1000,399]见表1。因此，D可以再次被理解为填充空间的能力的度量，并且在一定程度上遵循体积行为。实际上，分形维数的解释比密度或体积参数更为复杂。这是因为分形维数包含几何性质以及与所研究结构的密度有关的性质。如果D只反映体积，则图5中的分形维谱与图中的体积谱相同。另一方面，如果D只反映密度，则图5中的分形维数谱与密度谱相同。相反，人们发现这些光谱是不同的。因此，分形谱包含了额外的相关信息，例如，区分不同的实验组。

本研究方法之讨论

吸入烟雾前后CT图像的分割过程是本次数值研究的基础，该分割过程以含空气的肺组织的低辐射衰减为指导。对于健康的肺，这种分割方法完全符合肺形状的解剖学定义，即下呼吸系统。相比之下，在烟雾影响的肺中，放射学上非常致密的区域没有完全分割(图1)。这些缺失区域的HU值可能与心脏组织一样致密。虽然我们对烟雾影响肺的分割部分不完整，但分割方法被认为是完全令人满意的，因为它允许两个实验组之间通过各种形态计量参数进行显著区分。在这种务实的做法中，这就是所希望的一切。此外，值得注意的是，尤其可以在更密集的HU值范围内实现组分化，大致从的子集开始l[-550，-501]密度更大。这表明足够的致密组织被分割，使群体分化成为可能。在这些密集的亚群中，吸入烟雾后的体积比吸入前的体积大。乍一看，这一发现令人惊讶，因为吸入烟雾后肺的平均完整体积急剧下降，见表1，但考虑到体积数据，就很容易理解密度较大的HU子集范围内的密度行为:由于吸入烟雾后可以找到更大的体素体积和更高的密度，因此吸入烟雾后的密度也必然比吸入烟雾前的密度增加(图5)。当考虑这些子集范围内的体积和密度特性时，可以理解图5中更密集的HU子集的分形维数谱:吸入烟雾后的体积和密度比吸入事件前的状态增加。由于分形维数在某种程度上是一个几何集合的空间填充能力的度量，如图4所示，因此在烟雾吸入事件发生后，分形维数也随之增大。

动物实验分析的优势

在临床应用之前，数值图像分析方法必须经过彻底的测试和充分的理解，以便放射科医生和患者可以评估和信任他们的结果。预测诊断越容易，评估导致该诊断的方法就越容易。数值图像分析工具可以在动物实验中进行评估，在动物实验中，故意诱导的效应会导致明确的形态变化，并在诱导效应“之前”和“之后”造成群体差异。例如，Obert就选择了这样一种方法et al。，在急性哮喘小鼠模型中研究了甲胆碱诱导小鼠哮喘发作[11]。使用实验性高分辨率平板计算机断层扫描系统监测发作前和发作后的肺形态，并进行组织学证实。由此产生的CT图像数据是为计算机辅助诊断(CAD)项目的研究而完美设计的，然后可以被视为“体内幻影”。在书房里，奥伯特et al。成功应用了分形几何的概念。分形维数用于描述几何集合的不规则性或复杂性，用于区分不同的肺形态。

其他分形肺研究的例子

古普塔et al。对65例哮喘患者进行调查，并与30名健康志愿者进行比较，估算肺体积的变化，确定分割气道树的分形维数[18]。他们发现哮喘患者的体积和分形维数显著减少，并得出结论，这是一种区分不同哮喘表型的新方法。

当科普利et al。通过对CT图像的分析，他们发现，与年轻人相比，居住在城市中不吸烟的老年受试者的分形维数和平均肺密度下降[19]。

Michallek和Dewey在一篇综述中报道，分形表征已成功应用于肺、心肌、肾脏、骨骼肌肿瘤的灌注成像，以及脑疾病的成像[20]。

在文献中，人们经常可以读到分形维数是对系统复杂性的度量[21]。在这种情况下，“复杂性”与分形维数直接相关，分形维数越高，说明系统的复杂性越高。许多其他研究也表明，一个健康的系统具有更高的复杂性，或更大的分形维值，比病态的状态。波沙et al。例如，对人体肺部的硅橡胶模型进行了评估，发现健康对照组(D = 1.83)与哮喘患者(D = 1.76)之间存在显著差异[22]。和Moledinaet al。对肺动脉高压不同疾病状态下从肺中分割出来的骨骼化动脉血管进行分形图像分析[23]。轻度型D值为1.66，中度型D值为1.48，重度型D值仅为1.27。对D的理论背景和意义的深入讨论超出了本文的范围，可以在文献中找到。

下一步是什么?

CAD方法肯定需要能够做更多的事情，而不仅仅是能够为烟雾吸入性损伤“之前”或“之后”的区分提供支持，就像本研究一样。这些信息本身对放射科医生来说是微不足道的。有用的CAD系统必须能够帮助区分许多不同的疾病和疾病严重程度的类别。因此，在未来的研究中，应该在这方面研究来自人类患者的数据。配对t检验可以被列联表分析、贝叶斯分类器(BC)、支持向量机(SVM)或神经网络等高级分类方法所取代[24]。Xu及其同事在2006年[25]证明了这在原则上是可以成功应用的。他们结合了20名不同肺部疾病患者的体积结果、HU直方图数据和感兴趣区域的分形维值，并使用BC和SVM算法进行分类，特异性和灵敏度有时超过90%。通过进一步详细的几何统计，本研究有望提高这些分类方法的特异性和敏感性。

结论

在这项研究中，评估了CT图像数据的几何集，比较了严重事件改变肺部形态之前和之后的体积、密度和分形特性。当对集合的整个hu范围进行分析时，只有用体积分析法才能进行显著的群体分化。当整个hu范围被划分为许多单独分析的小子集时，对于每个形态学参数，“体积”，“密度”和“d”，可以得到一个光谱，使其能够显著区分为吸入事件“之前”和“之后”的组。作为hu分离范围的函数，每个光谱都有自己不同的行为，因此包含了其他光谱不包含的个体信息。据我们所知，迄今为止，在文献中从未如此详细地显示过这一点。因此，研究许多小的HU分支而不是只研究一个大的HU范围是有用的。此外，单独研究所有三个形态测量参数是合理的，因为它们每个都提供特定的信息，可以有助于更完整的概述。详细了解这些形态测量参数的特性是它们在自动图像分析项目和CAD中成功应用的基础。

临床意义

• 尽管新的和现代的成像技术提供了身体所有部位的高分辨率图像，但对图像的解释仍然非常主观，并且高度依赖于放射科医生的技能和经验。
• 自动图像分析可以通过生成客观参数来简化放射科医生的诊断，从而给放射学带来重大变化。
• 在本研究中，一种类似于放射诊断中使用的方法，即仔细选择“窗宽”和“窗位”设置，应用于CT数据集的数值分析，并通过密度测定法和分形方法实现表型组之间的显著区分。这种区分只能通过体积分析来实现。

鸣谢

我们感谢Johannes Herrmann博士就统计数据进行了有益的讨论，并感谢Diana Neumann在准备手稿方面的帮助。

参考文献

1. Dinkel J, Khalilzadeh O, Hintze C, Fabel M, Puderbach M等。(2013)肺癌患者半自动肿瘤直径测量和体积分析的观察间再现性。肺癌82: 76 - 82。(Crossref)
2. Wulff AM, Bolte H, Fischer S, Freitag-Wolf S, Soza G，等。(2012)随访MSCT中肺、肝和淋巴结转移:病变大小变化的综合体积评估。Fortschr Rontgenstr184: 820 - 828。(Crossref)
3. 王锐，隋鑫，Schoepf UJ，宋伟，薛宏，等。(2015)超低辐射剂量胸部CT:肺密度测量和肺气肿检测的准确性。J·J·伦琴诺204: 743 - 749。(Crossref)
4. Rubenfeld GD1, Caldwell E, Peabody E, Weaver J, Martin DP等。(2005)急性肺损伤的发生率和预后。[英]医学353: 1685 - 1693。(Crossref)
5. Brigham PA, McLoughlin E(1996)美国烧伤发病率和医疗保健使用:估计、趋势和数据来源。J烧伤护理康复17: 95 - 107。(Crossref)
6. Lundy JB, Chung KK, Pamplin JC, Ainsworth CR, Jeng JC等。(2016)重症烧伤管理的最新进展。J重症监护医学31日:499 - 510。(Crossref)
7. Herndon DN, Traber DL, Niehaus GD, Linares HA, Traber LD(1984)烟雾吸入性损伤羊模型的病理生理。J创伤24: 1044 - 1051。(Crossref)
8. 周欣，林涛，原涛，Fujita H, Yokoyama R，等。(2006)基于高分辨率胸部CT图像的肺解剖结构自动分割与识别。计算机医学成像图30: 299 - 313。(Crossref)
9. Kakar M, Olsen DR(2009)胸部CT扫描肺和病变的自动分割和识别。计算机医学成像图33: 72 - 82。(Crossref)
10. Nakagomi K, Shimizu A, Kobatake H, Yakami M, Fujimoto K等。(2013)基于邻域先验约束的多形状图切割及其在胸部CT体积肺分割中的应用。医学影像肛门17: 62 - 77。(Crossref)
11. Obert M, Hagner S, Krombach GA, Inan S, Renz H(2015)分形几何可以在实验性哮喘模型中实现不同肺形态的分类。分形23.
12. Obert M, Seyfried M, Schumacher F, Krombach GA3, Verhoff MA等。(2014)应用分形几何概念对高分辨率计算机断层成像的成人颅骨穹窿老化。法医学242: 24-31。(Crossref)
13. Mandelbrot BB(1982)自然的分形几何。旧金山:弗里曼。
14. Pfeifer P, Obert M(1989)分形:基本概念和术语。[2]张志强，张志强，张志强，等。奇切斯特:约翰·威利父子公司，11-43。
15. Obert M(1993)用质量半径关系对分形维数D和间隙度L的数值估计。分形3: 711 - 721。
16. Ahammer H, DeVaney TTJ, Tritthart HA(2003)多少分辨率才足够?数字图像像素分辨率降尺度对广义维数的影响。自然史D181: 147 - 56。
17. Bland JM, Altman DG(2009)小样本连续数据分析。BMJ338: a3166。(Crossref)
18. 李建军，李建军，李建军，等。(2014)哮喘患者气道重构的定量ct衍生簇研究。[J]过敏症临床免疫133: 729 - 738。(Crossref)
19. Copley SJ, Giannarou S, Schmid VJ, Hansell DM, Wells AU等。(2012)衰老对体内肺结构的影响:高分辨率计算机断层扫描数据的密度和分形分析。J胸部影像学27日:366 - 371。(Crossref)
20. Michallek F, Dewey M(2014)放射学和核医学灌注成像的分形分析:系统综述。欧元Radiol24: 60 - 69。(Crossref)
21. Andersen MP, Parham AR, Waldrep JC, McKenzie WN, Dhand R(2012)弹性酶诱导肺气肿小鼠肺泡分形盒维数与平均线性截距的负相关。慢性阻塞性肺疾病7: 235 - 243。(Crossref)
22. 李建军，张建军，张建军，张建军，张建军(2005)哮喘患者气道重构的分形几何特征。我是急救医生吗172: 817 - 823。(Crossref)
23. Moledina S, de Bruyn A, Schievano S, Owens CM, Young C，等。(2011)分形分支量化肺动脉高压患者血管变化和预测生存率:一项原理验证研究。心97: 1245 - 1249。
24. 高翔，褚超，李勇，陆鹏，王伟，等。基于18f - fdgpet - ct图像纹理特征和多分辨率直方图的支持向量机分类器评估肺癌纵隔淋巴结的方法及效果欧洲放射性物质84: 312 - 317。
25. 徐勇，van Beek EJ, Hwanjo Y，郭军，McLennan G，等。(2006)基于MDCT的间质性肺疾病计算机辅助分类:三维自适应多特征方法(3D AMFM)。阿德莱德大学Radiol13: 969 - 978。(Crossref)