LIDC中肺结节注释信息的提取及数据库的建立

【摘要】  目的： 对LIDC数据库的注释文件中有关肺结节的相关数据进行提取、整合、汇总，并导入到Access数据库表中。方法： 通过对LIDC数据库XML格式的注释文件的分析、解读，利用Visual Basic语言编程提取数据，并导入到Access数据库表中。结果： 数据提取和显示程序将LIDC中的68个病例的相关数据（如病例号、专家号、结节号、结节的各种CT征象、结节的X坐标和Y坐标等）加以提取和显示，并保存到数据库中。结论： 将LIDC数据库中包含的每个病例CT图像的XML格式注释文件导入到Access数据库中，较之纯文本格式的数据组织更加结构化，进而可以借助数据库强有力的数据管理和查询功能对CT图像上肺结节形态、位置、CT征象等进行查询和比较。

【关键词】  LIDC； XML文件； Access数据库； CT图像

1  引言

    随着技术的不断、更新，现如今医生进行医学诊断的方法与模式已经发生了巨大的转变。与过去仅凭经验、惯例等不同的是，现今的医学诊断更多的倾向于科学的、数字化的精细诊断模式，其中最为突出的示例就是机辅助诊断及计算机辅助检测的飞速发展。

    CT的计算机辅助肺癌诊断的研究证实，CAD技术可以为病变部位的探测提供有效的帮助，甚至可以在连续的CT检查中辅助确定病变部位是否稳定或是否发生了大小的改变。为了为各种图像处理或CAD技术的相互比较和测评提供一个数据库，美国国家癌症研究会（NCI）于2001年4月起陆续颁布了肺部图像数据库联盟（Lung Image Database Consortium，LIDC）。该影像数据库可以通过互联网访问和下载［1］。目前LIDC包括68个病例的约10000张全肺CT扫描图像（扫描层厚1.25mm～3mm，512×512像素），总容量超过6GB。每个病例对应一个文件夹，包括完整的肺部CT扫描图像（DICOM格式）100～300张，以及一个注释文件（XML格式）。在注释文件中给出了4名放射学专家对每张CT片中出现的结节的定义，包括结节的主要CT征象，如毛刺征（Spiculation）、分叶征（Lobulation）、钙化（Calcification）等以及结节的恶性度（Malignancy）。

    由于LIDC数据库中病例的注释文件是采用XML格式编写的纯文本文件，所有注释内容均以标识符加以区分，不具备数据的查找、统计等功能。本研究将LIDC数据库所提供的原始XML注释文件信息加以提取，建立相应的Access数据库进行存储，方便其他研究人员的使用。

    2  方法与实验

    2.1  XML注释文件

    2.1.1  XML文件  XML文档是由元素组成的，每个元素都包含一个“起始标记”（如 ）、一个“结束标记”（如），以及两个标记之间的信息即元素的内容。元素可以使用属性进行注解，属性包含了关于元素及其内容的元数据。XML信息集主要用作各种XML技术使用的定义集，以正式描述需要技术处理的XML文档部分。XML信息集是XML文档的树状层次表示。一个XML文档的信息集包含许多信息项，这些信息项是XML文档组件的抽象表示，其中包括表示文档、文档的元素、属性、处理指令、注释、字符、表示法、命名空间、未分析的实体、未扩展的实体引用和文档类型声明的信息项。

    2.1.2  LIDC提供的XML格式数据示例  在每个病例的所有CT图像后面都有一个注释文件，其中给出了4名放射学专家对每张CT片中出现的结节的定义，包括结节的主要CT征象，如毛刺征（Spiculation）、分叶征（Lobulation）、钙化（Calcification）等以及结节的恶性度（Malignancy）。对于大结节（直径≥3mm的结节），给出了轮廓点的坐标，小结节（直径＜3mm的结节）给出了中心点的坐标。所有信息的含义定义在一对标签中。一个典型的XML文件片段如图1所示。

    2.2  存储LIDC中肺结节数据的数据库

    从每个病例的原始注释文件中提取如表1所示的基本信息，并写入相应数据库表的字段中。表1  存储LIDC中肺结节数据的数据库表的结构注：如CT图像上某一结构为小结节（直径小于3mm）或非结节，则上述字段4～12的取值均为0。

    2.3  提取LIDC中肺结节数据

    Step 1  提取患者号，以作为患者号的标识符。

    Step 2  提取专家号。注释中未给出放射学专家编号，但是通过对文件的大体框架的分析可以看出，每一对中包含一位专家对这个病例做出的诊断。所以通过筛选，可以将专家号分别定义为A、B、C和D。

    Step 3  判别是否为结节、非结节或是另一名专家的诊断。同时搜索3个标识符、、：

    Step 3.1  如果搜索到，则继续搜索是否有、或标识符；

    Step 3.1.1  如果指针搜寻的结果为，则表示此结节分类为大结节，继而提取大结节的结节号、CT号，并依据要求继续提取大结节的相关征象值和所有坐标。因为所提供的原始注释文件中小结节和非结节都只有一对坐标，指针在查找到起始坐标的标识符后直接提取即可。但是对于大结节来说，由于每个大结节都含有多个坐标，所以在这里只提取第一对坐标作为起始坐标，其余的坐标统一提取后存在txt格式的文件中，在最后整合的数据表中指保存文件的文件名，以做提示。

    Step 3.1.2  如果指针搜寻的结果为，则表示此结节的分类为小结节，只需提取结节号、CT号及X、Y坐标即可，其余的结节征象参量标识符对应的值为0。

    Step 3.1.3  如果指针搜索结果为，即说明该结节数据读取完毕，须将所有已读信息保存至实现定义的数组中，等所有数据读取完以后一起输出显示。

    Step 3.2  如果筛选结果为，则指针所指的结构为非结节，根据非结节所需信息要求，筛选出数据即可。

    Step 3.3  如果筛选结果为，表明已读取完一个专家的所有数据，可以开始继续读下一个专家，直至整篇文档读取完毕。

    3  结果

    3.1  提取注释文件的程序

    在如图2所示的程序窗口，“文件”菜单用于打开病例数据，在显示的对话框中选择病例文件。程序将自动提取文件中肺结节的信息，并将它们显示在一个文本框控件中。

    “显示”菜单用于以报表形式显示保存到数据库中的数据，如图3所示。

    3.2  建立的数据库

    在LIDC数据库的68个病例中，4名放射学专家共标注大结节331个（累及CT层数1589张）、小结节920个（累及CT层数920张）、非结节病变2370个（累及CT层数2370张）。对每张CT上的大小结节及非结节病变，用一条记录保存其相应信息，所以整个数据库共68张表、4879条记录。此外还有保存大结节轮廓点坐标的文本文件1589个。

    4  结论

    LIDC数据库是在整合了多位放射学专家对多份病例的CT扫描图像的意见的基础上建立起来的，为肺部图像数据的收集制定了一个指导方针，为今后的研究打下坚实的基础。LIDC数据库的建立为早期肺癌诊断提供了强有力的辅助手段，灵活的应用LIDC数据库，可以更快更好地评价机辅助诊断和检测算法的性能。

    本研究将LIDC数据库中包含的每个病例CT图像的XML格式注释文件导入到Access数据库中，较之纯文本格式的数据组织更加结构化，进而可以借助数据库强有力的数据管理和查询功能对CT图像上肺结节形态、位置、CT征象等进行查询和比较。