论文部分内容阅读
胰腺癌(pancreatic cancer, PC)是一种高度恶性的肿瘤，侵袭性强，转移早，其5年生存率低于5%[1]。回顾目前有关胰腺癌诊断的影像检查研究发现，电子计算机断层扫描(computed tomography，CT)在用于胰腺恶性肿瘤的诊断和分期方面是主要的、首选的检查。但在早期发现胰腺病变方面，超声内镜(endoscopicultrasonography，EUS)检查比CT检查更灵敏；而且，对于胰腺癌的早期诊断方面，EUS诊断准确率(85%)明显高于CT (50%)[2]。但EUS进行的早期胰腺癌诊断中，操作者识图的经验与主观因素对结果有着较大的影响，特别在慢性胰腺炎存在的病例中，对于胰腺癌的判断常常会受到炎症改变的干扰，即使是有经验的内镜医师也会产生误判[3]；且超声内镜引导下的细针穿刺(EUS guided fine needleaspiration，EUS-FNA)技术在基层医院开展受限，有无专家在现场指导，其穿刺阳性率不同[4]。因此，予以EUS客观、定量的诊断是克服胰腺癌诊断困难的关键所在。计算机辅助诊断(Computer-aided Diagnosis, CAD)数字图像处理技术(digitalimage processing, DIP)是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段，结合计算机的分析计算，辅助影像科医师发现病灶，提高诊断的准确率。早在20世纪60年代早期就有学者利用计算机进行骨肿瘤的诊断研究[5]，1998年，美国食品药物管理局(Food and DrugAdministration, FDA)批准了第一个CAD系统，即美国R2技术有限公司的Image Checker系统，运用于乳腺癌的早期诊断，目前部分研究成果已经通过美国FDA验证应用于临床实践，结果表明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[6]。基于以上成功经验，我们曾利用医学图像数字处理技术将胰腺癌超声内镜图像成功从非癌超声图像中区分出来，准确性高达98%[7]，该诊断结果给我们以鼓舞。本课题选择了自身免疫性胰腺炎、普通慢性胰腺炎及胰腺癌三组超声内镜图像，验证了CAD技术对胰腺癌的诊断价值。为明确EUS图像结合CAD技术在胰腺癌的诊断中的作用，把自身免疫性胰腺炎从慢性胰腺炎中区分出来，利用CAD技术把两者分别与胰腺癌进行鉴别诊断；同时统计EUS，EUS-FNA对胰腺癌的诊断功能，比较EUS，EUS-FNA及CAD技术对胰腺癌的诊断能力。本项研究共分为两大部分：1计算机辅助分析超声内镜图像诊断胰腺癌1.1计算机辅助分析超声内镜图像鉴别诊断胰腺癌与自身免疫性胰腺炎目的：探讨应用CAD医学图像处理技术提取超声内镜图像纹理特征，诊断和鉴别诊断胰腺癌与自身免疫性胰腺炎(autoimmune pancreatitis,AIP)的价值。方法：连续纳入我院接受EUS和EUS-FNA检查的胰腺实性占位患者。胰腺癌诊断的金标准是EUS-FNA的细胞学和/或组织学检查。自身免疫性胰腺炎患者的诊断依据是自身免疫性胰腺炎的亚洲标准[8]及临床症状评估。手工绘出EUS图像的典型的感兴趣区域(regions of interest, ROIs)，并从中取出矩形子图用于计算机分析软件进行的纹理特征分析。接着进一步运用类间距和顺序前进搜索算法进行最优特征筛选。之后，建立SVM预测模型，并对其进行训练和测试，评估该诊断方法的敏感性、特异性、准确率、阴性预测值和阳性预测值。结果：本部分共纳入接受EUS-FNA的262名胰腺癌患者和41名自身免疫性胰腺炎患者。利用计算机辅助技术，从子图中提取出105个纹理特征。在这些纹理特征中，共筛选出16个最优纹理特征组合，分类准确率可达95.90%。建立并训练预测模型，将现有303例病例，随机划分为训练集和测试集。200次随机实验后，最终诊断准确率平均为(91.16±0.15)%，敏感性为(76.38±0.81)%，特异性为(95.29±0.14)%，阳性预测值为(75.03±0.56)%,阴性预测值为(95.36±0.14)%。结论：利用数字分析技术分析EUS图像可以提高EUS图像的诊断功能，准确的诊断胰腺癌和自身免疫性胰腺炎。1.2计算机辅助分析超声内镜图像鉴别诊断胰腺癌与慢性胰腺炎目的：探讨应用数字图像处理技术提取超声内镜图像纹理特征，诊断和鉴别诊断胰腺癌与慢性胰腺炎(chronic pancreatitis, CP)的价值。方法：如1.1所述，连续纳入我院接受EUS和EUS-FNA检查的胰腺实性病变患者。胰腺癌诊断的金标准是EUS-FNA的细胞学和/或组织学检查。慢性胰腺炎患者的诊断依据是Rosemont标准[9]及临床症状评估，并随访至少两年。计算机辅助诊断相关方法如1.1所述。结果：本部分共纳入接受EUS-FNA的262名胰腺癌患者和126名慢性胰腺炎患者。利用计算机辅助技术，从子图中提取出105个纹理特征。在这些纹理特征中，共筛选出16个最优纹理特征组合。计算机随机选取一半数据作为输入向量建立并训练预测模型SVM分类器，余下的一半数据测试该分类器的分类功能。200次随机实验后，最终诊断准确率平均为(94.25±0.17)%，敏感性为(96.25±0.45)%，特异性为(93.38±0.20)%，阳性预测值为(92.21±0.42)%,阴性预测值为(96.68±0.14)%。结论：计算机辅助分析EUS图像技术为临床诊断胰腺癌提供了一个新的有价值的工具。2比较EUS、EUS-FNA与CAD对胰腺癌的诊断功能目的：分别比较EUS、EUS-FNA及计算机辅助诊断EUS图像鉴别诊断胰腺癌和自身免疫性胰腺炎、胰腺癌和慢性胰腺炎的价值。方法：病例入选标准如第一部分所述。结果：如第1.1及1.2部分，262例胰腺癌患者、41例自身免疫性胰腺炎患者和126例慢性胰腺炎患者入选。回顾EUS图像，262例胰腺癌患者中，209(79.77%)例诊断为恶性肿瘤，53(20.23%)例诊断为良性占位；41例AIP患者，7(17.07%)例误诊为恶性占位，34(82.93%)例诊断为良性；而对于126例CP患者，6(4.76%)例误诊为恶性占位，120(95.24%)例诊断为良性，由此计算EUS诊断PC和AIP的诊断准确率、灵敏度和特异度分别为79.87%,79.77%,82.93%；而PC和CP的诊断准确率、灵敏度和特异度分别为84.79%,79.77%,95.24%。同时，回顾EUS-FNA结果，对于胰腺癌病例，第一次穿刺结果为231(88.17%)例细胞学结果诊断为胰腺癌，31(11.83%)例细胞学结果阴性。而对于AIP及CP病例，其诊断结果均为未发现恶性细胞。由此计算EUS-FNA诊断PC和AIP的诊断准确率、灵敏度和特异度分别为89.77%,88.17%,100%；而PC和CP的诊断准确率、灵敏度和特异度分别为92.01%,88.17%,100%。由1.1及1.2部分可知，CAD鉴别诊断PC和AIP的准确率、灵敏度和特异度分别为91.16%,76.38%,95.29%；CAD鉴别诊断PC和CP的准确率、灵敏度和特异度分别为94.25%,96.25%,93.38%。结论：比较EUS、EUS-FNA及计算机辅助诊断EUS图像诊断胰腺癌，在胰腺癌与自身免疫性胰腺的鉴别诊断方面CAD与EUS-FNA形成了诊断互补；但在胰腺癌与慢性胰腺炎的鉴别诊断方面CAD优于EUS和EUS-FNA。通过上述研究，本课题得出以下结论：1、利用数字图像分析技术鉴别诊断胰腺癌和自身免疫性胰腺炎的结果振奋人心，该技术与EUS图像及细针穿刺技术形成互补；2、计算机辅助诊断EUS图像能够准确的鉴别诊断胰腺癌和慢性胰腺炎，该技术提高了EUS的肿瘤诊断准确率；3、计算机辅助诊断技术简单方便、成本低、无创。在胰腺癌的诊断方面，该方法将提供一个新的有价值的研究方向。