Computerunterstützte Diagnostik in der Thoraxradiologie - aktuelle Schwerpunkte und Techniken

Zusammenfassung

Die zunehmende Verbreitung digitaler Bilddatensätze sowie eine wachsende Anzahl von Bildern, z. B. durch die Verwendung von Mehrschicht Spiral CT oder durch mehrfache Verlaufskontrollen im Rahmen neuer Therapien, sind ideale Voraussetzungen für Computeranwendungen in der Thoraxdiagnostik. Zahlreiche Studien haben viele Anwendungen und Vorteile beschrieben. Leistungsfähigere Computer werden die zukünftige Implementierung der Systeme in den klinischen Alltag ermöglichen und teilweise einen erheblichen Informationsgewinn z. B. über morphologische und funktionelle Eigenschaften bringen. Die kommerzielle Einführung von Werkzeugen zur Detektion und Visualisierung von Lungenrundherden hat bereits begonnen. In Anbetracht der laufenden Studien über Vorsorgeuntersuchungen beim Bronchialkarzinom ist dies eine der Anwendungen, über die am häufigsten berichtet wird. Die nächsten produktreifen Werkzeuge werden z. B. die Diagnostik des Emphysems durch Detektion, Quantifizierung und Klassifizierung verbessern. Viele weitere Anwendungsmöglichkeiten befinden sich in der Entwicklung, so z. B. die Detektion und Klassifizierung von Infiltraten, Volumetrierungen oder funktionelle Untersuchungen (dynamische Ventilations-CT oder ³Helium-MRT). Grob vereinfacht bestehen die meisten Systeme aus einem dreischichtigen Aufbau: Segmentierung/Merkmalsextraktion, Klassifikation der extrahierten Merkmale und einer Ausgabeeinheit. Ergebnisse können einfache Visualisierungen mittels Farbkodierung, Volumenmessungen oder errechnete Wahrscheinlichkeiten sein. Es unterstützt den Radiologen beim Befunden und Erstellen von Differenzialdiagnosen bzw. der endgültigen Diagnose. Zur Verbesserung von Verlaufsuntersuchungen werden quantitative Daten erstellt. Die Segmentierung als Grundlage für eine Vielzahl von Anwendungen wird mit unterschiedlichen Methoden durchgeführt. Häufig verwendete Techniken sind hier und bei anderen Aufgaben Dichtemasken und Schwellenwertverfahren. Die Klassifikation der Daten wird überwiegend mit Bayes-Verfahren oder neuronalen Netzen durchgeführt. Dieser Literaturüberblick beschreibt den derzeitigen Stand der Forschung und gibt einen Einblick in die üblichen Funktionsweisen und Leistungsfähigkeiten der Systeme. Häufige Themen wie Segmentierung, Volumenbestimmung, Rundherde, Emphysemdetektion und -quantifizierung und Infiltrate werden schwerpunktmäßig beleuchtet.

Abstract

The proliferation of digital data sets and the increasing amount of images, e. g. through the use of multislice spiral CT or multiple follow-up examinations in the context of new therapies, are ideal prerequisites for computer-aided diagnosis (CAD) in chest radi-ology. Multiple studies have described the applications and advantages of computer assistance in performing different diagnostic tasks. More powerful computers will enable the introduction of these systems into the clinical routine and could provide an enormous increase in morphological and functional information. The commercial introduction of tools for detection and visualization of pulmonary nodules has already begun. This is one of the most widely-reported applications in view of the ongoing studies on lung cancer screening. The next generation of tools will improve the diagnosis of emphysema through detection, quantification and classification. Many more uses are being developed, for instance the detection and classification of infiltrates, volume measurements or functional pulmonary imaging (e. g. dynamic ventilation CT or ³Helium-MRI). Grossly simplified, most systems use a three level structure consisting of segmentation/feature extraction, classification of extracted features and an output unit. The output can be mere visualization through color-coding, volume measurements or calculated probabilities. The output supports the radiologist in establishing his findings and preparing differential and final diagnoses as well as providing quantitative data for follow-up studies. Different techniques are used for segmentation of lung areas as the basis for a variety of applications. Some commonly-used techniques for this and other tasks are density masks and threshold-based algorithms. Data processing is predominantly carried out with Bayesian classifiers or neural networks. This article describes the current status of research and provides insight into the common schemes and capabilities of the systems. It focuses particularly on common topics such as segmentation, volume measurement, detection of pulmonary nodules, quantification of emphysema and analysis of ground glass opacities.

Key words

Computers, diagnostic aid - computed tomography (CT), image processing - thorax - computers, neural networks

Literatur

• 1 Toriwaki J. Chest x-ray images: information analysis of chest x-ray pictures by the computer.  Nippon Ishikai Zasshi. 1971;  66 620-631
• 2 Cummings S R, Lillington G A, Richard R J. Estimating the probability of malignancy in solitary pulmonary nodules. A Bayesian approach.  Am Rev Respir Dis. 1986;  134 449-452
• 3 Bödeker R-H. Bayes-Theorem. Einführung in die medizinische Statistik. Gießen; Verlag der Ferber'schen Universitätsbuchhandlung 1993: 59-60
• 4 Gurney J W. Determining the likelihood of malignancy in solitary pulmonary nodules with Bayesian analysis. Part I. Theory.  Radiology. 1993;  186 405-413
• 5 Gurney J W, Lyddon D M, McKay J A. Determining the likelihood of malignancy in solitary pulmonary nodules with Bayesian analysis. Part II. Application.  Radiology. 1993;  186 415-422
• 6 Swensen S J, Silverstein M D, Ilstrup D M, Schleck C D, Edell E S. The probability of malignancy in solitary pulmonary nodules. Application to small radiologically indeterminate nodules.  Arch Intern Med. 1997;  157 849-855
• 7 Nakamura K, Yoshida H, Engelmann R, MacMahon H, Katsuragawa S, Ishida T, Ashizawa K. Computerized analysis of the likelihood of malignancy in solitary pulmonary nodules with use of artificial neural networks.  Radiology. 2000;  214 823-830
• 8 Kauczor H U, Heussel C P, Fischer B, Klamm R, Mildenberger P, Thelen M. Assessment of lung volumes using helical CT at inspiration and exspiration: comparison with pulmonary function tests.  Amer J Roentgenol. 1998;  171 1091-1095
• 9 Armato S G, Giger M L, Ashizawa K, MacMahon H. Automated lung segmentation in digital lateral chest radiographs.  Med Phys. 1998;  25 1507-1520
• 10 Carrascal F M, Carreira J M, Souto M, Tahoces P G, Gomez L, Vidal J J. Automatic calculation of total lung capacity from automatically traced lung boundaries in postero-anterior and lateral digital chest radiographs.  Med Phys. 1998;  25 1118-1131
• 11 Carreira M J, Cabello D, Penedo M G, Mosquera A. Computer-aided diagnoses: automatic detection of lung nodules.  Med Phys. 1998;  25 1998-2006
• 12 Armato S G, Giger M L, MacMahon H. Automated detection of lung nodules in CT scans: preliminary results.  Med Phys. 2001;  28 1552-1561
• 13 Tsujii O, Freedman M T, Mun S K. Automated segmentation of anatomic regions in chest radiographs using an adaptive-sized hybrid neural network.  Med Phys. 1998;  25 998-1007
• 14 Vittitoe N F, Vargas-Voracek R, Floyd C F. Identification of lung regions in chest radiographs using Markov random field modeling.  Med Phys. 1998;  25 976-985
• 15 Brown M S, Goldin J G, McNitt-Gray M F, Greaser L E, Sapra A, Li K T, Sayre J W, Martin K, Aberle R. Knowledge-based segmentation of thoracic computed tomography images for assessment of split lung function.  Med Phys. 2000;  27 592-598
• 16 Ginneken B V, Romeny B M, Viergever M A. Computer-aided diagnosis in chest radiography: A survey.   IEEE Transactions on Medical Imaging. 2001;  20 (12) 1228-1241
• 17 Zagers R, Vrooman H A, Aarts N J, Stolk J, Schultze Kool L J, van Voorthuisen E, Reiber J. Quantitative analysis of computed tomography scans of the lungs for the diagnosis of pulmonary emphysema. A validation study of a semiautomated contour detection technique.  Invest Radiol. 1995;  30 552-562
• 18 Lelieveldt B P, Geest R J van der, Rezaee M R, Bosch J G, Reiber J H. Anatomical model matching with fuzzy implicit surfaces for segmentation of thoracic volume scans.  IEEE Trans med Imaging. 1999;  18 218-230
• 19 Gamsu G, Shames D M, McMahon J, Greenspan R H. Radiographically determined lung volumes at full inspiration and during dynamic forced expiration in normal subjects.  Invest Radiol. 1975;  10 100-108
• 20 Schlesinger A E, White D K, Mallory G B, Hildeboldt C F, Huddleston C B. Estimation of total lung capacity from chest radiography and chest CT in children: comparison with body plethysmography.  Amer J Roentgenol. 1995;  165 151-154
• 21 Kauczor H U, Markstaller K, Puderbach M, Lill J, Eberle B, Hanisch G, Grossmann T, Heussel C P, Schreiber W, Thelen M. Volumetry of ventilated airspaces by 3He MRI: preliminary results.  Invest Radiol. 2001;  36 110-114
• 22 Gierda D S, Yusen R D, Villanueva I A, Pilgram T L, Slone R M, Lefrak S S, Cooper J D. Patient selection for lung volume reduction surgery: An objective model based on prior clinical decisions and quantitative CT analysis.  Chest. 2000;  117 991-998
• 23 Brown M S, McNitt-Gray M F, Mankovich N J, Goldin J G, Hiller J, Wilson L S, Aberle D R. Method for segmenting chest CT image data using an anatomical model: preliminary results.  IEEE Trans Med Imaging. 1997;  16 828-839
• 24 Lawrence J. Neuronale Netze - Computersimulation biologischer Intelligenz. München; Systhema Verlag 1992
• 25 Henschke I, Yankelevitz D F, Mateescu I, Brettle D W, Rainey T G, Weingard F S. Neural networks for the analysis of small pulmonary nodules.  Clinical Imaging. 1997;  21 (6) 390-399
• 26 Matsuki Y, Nakamura K, Watanabe H, Aoki T, Nakata H, Katsuragawa S, Doi K. Usefulness of an artificial neural network for differentiating benign from malignant pulmonary nodules on high-resolution CT: evaluation with receiver operating characteristic analysis.  Amer J Roentgenol. 2002;  178 657-663
• 27 Croisille P, Souto M, Cova M, Wood S, Afework Y, Kuhlman J E, Zerhouni E A. Pulmonary nodules: improved detection with vascular segmentation and extraction with spiral CT. Work in progress.  Radiology. 1995;  197 (2) 397-401
• 28 Brown S M, McNitt-Gray M F, Goldin J G, Suh R D, Sayre J W, Aberle D R. Patient-Specific Models for Lung Nodule Detection and Surveillance in CT Images.  IEEE Transactions on Medical Imaging. 2001;  20 (12) 1242-1259
• 29 Wormanns D, Fiebich M, Saidi M, Diederich S, Heindel W. Automatic detection of pulmonary nodules at spiral CT: clinical application of a computer-aided diagnosis system.  Eur Radiol. 2002;  12 1052-1057
• 30 Diederich S, Wormanns D, Heindel W. Radiologisches Screening des Bronchialkarzinoms: Aktueller Stand und zukünftige Perspektiven.  Fortschr Röntgenstr. 2001;  173 873-882
• 31 Armato G, Giger M L, Moran C J, Blackburn J T, Doi K, MacMahon H. Computerized detection of pulmonary nodules on CT scans.  Radio Graphics. 1999;  19 1303-1311
• 32 Falchini M, Stecco A, Bindi A, Carmignani L, Coppini G, Valli G, Villari N. Neural network based detection of pulmonary nodules on chest radiographs.  Radiol Med (Torino). 1999;  98 259-263
• 33 Beier J, Bittner R C, Hosten N, Troger J, Felix R. Computerassistierte Diagnostik: Morphologische Bildverarbeitungsoperationen - Reduktion von Partialvolumenartefakten für eine verbesserte dreidimensionale Visualisierung von CT-Untersuchungen.  Radiologe. 1998;  38 860-866
• 34 Reeves A P, Kostis W J. Computer-aided diagnosis for lung cancer.  Radiol Clin N Amer. 2000;  38 (3) 497-509
• 35 Uppaluri R, Mitsa T, Sonka M, Hoffman E A, McLennan G. Quantification of pulmonary emphysema from lung computed tomography images.  Am J Respir Crit Care. 1997;  156 248-254
• 36 Riga B, Andres A L, Stramare R. Density-mask spiral computed tomography in patients who are candidates for a lung-volume-reduction intervention: a preliminary study.  Radiol Med. 2000;  99 150-155
• 37 Uppaluri R, Hoffman E A, Sonka M, Hunninghake G W, McLennan G. Interstitial Lung Disease.  Am Jour Respir Crit Care Med. 1999;  159 519-525
• 38 Blechschmidt R A, Werthschutzky R, Lorcher U. Automated CT image evaluation of the lung: a morphology-based concept.  IEEE Trans Med Imaging. 2001;  20 434-442
• 39 Ishida T, Katsuragawa S, Kobayashi T, MacMahon H, Doi K. Computerized analysis of interstitial disease in chest radiographs: improvement of geometric-pattern feature analysis.  Med Phys. 1997;  24 915-924
• 40 Monnier-Cholley L, MacMahon H, Katsuragawa S, Morishita J, Ishida T, Doi K. Computer-aided diagnosis for detection of interstitial opacities on chest radiographs.  Amer J Roentgenol. 1998;  171 1651-1656
• 41 Delorme S, Keller-Reichenbecher M A, Zuna I, Schlegel W, Kaick G van. Usual interstitial pneumonia. Quantitative assessment of highn-resolution computed tomography findings by computer-assisted texture-based image analysis.  Invest Radiol. 1997;  32 566-574
• 42 Heitmann K R, Kauczor H, Mildenberger P, Uthmann T, Perl J, Thelen M. Automatic detection of ground glass opacities on lung HRCT using multiple neural networks.  Eur Radiol. 1997;  7 1463-1472
• 43 Kauczor H U, Heitmann K, Heussel C P, Marwede D, Uthmann T, Thelen M. Automatic detection and quantification of ground-glass opacities on high-resolution CT using multiple neural networks: comparison with a density mask.  Amer J Roentgenol. 2000;  175 1329-1334
• 44 Markstaller K, Arnold M, Döbrich M, Heitmann K, Karmrodt J, Weiler N, Uthmann T, Eberle B, Thelen M, Kauczor H U. Software zur automatischen Quantifizierung von Belüftungszuständen bei akutem Lungenversagen in dynamischen CT-Aufnahmen der Lunge.  Fortschr Röntgenstr. 2001;  173 830-835
• 45 Ginneken B van, Haar Romeny B M ter. Automatic segmentation of lung fields in chest radiographs.  Medical Physics. 2000;  27 2445-2455