國立成功大學
邁向頂尖大學計畫出國案報告書
報告名稱：出席美國醫學物理年會之心得報告書
出國期間：104 年 7 月 11 日至 104 年 7 月 16 日
經費來源：邁向頂尖大學計畫經費
單位：成功大學生物醫學工程系
職稱：助理教授
姓名：方佑華
中華民國 104 年 7 月 23 日
中文及英文摘要(各 200-300 字)
摘要
2015 年 7 月 11-16 日成功大學醫工系方佑華助理教授於 2015 美國醫藥物理年會中，以 Quantification of perfusion heterogeneity based on texture analysis for fully automatic detection of ischemic deficits from myocardial perfusion imaging 為題，發表專題演講。 我們的研究發現，使用自動化影像分割結合紋理分析，具有良好的診斷效果(74%正確率, 73%敏 感度，77%特異度)。由本次會議發現，國際間對於醫學影像紋理分析所產生之特徵，仍具有相當 濃厚之興趣與期望，並仍大量持續進行相關研究，雖然國內進行醫學影像紋理分析團隊尚有限， 但國際上對於此研究主題的重視，也讓我們對於紋理分析與 CGITA 之重要性與未來性，更具信心。 因此，我們在本期科技部計畫執行完成後，仍將繼續紋理分析與 CGITA 之研究發展，除了一直進 行之癌症影像研究，並拓展至心臟乃至腦科學之應用，以更了解紋理分析的特性、限制、使用方 法，乃至於程式與分析流程的最佳化，有朝一日能真正應用於臨床影像之例行檢查與定量分析。 此行亦利用機會，觀察美國醫學物理，特別是影像方面，近期研究方向與進展。
Abstract
In the 2015 Annual Meeting of American Association of Physicists in Medicine (AAPM), we reported our recent research progress under the topic ‘Quantification of perfusion heterogeneity based on texture analysis for fully automatic detection of ischemic deficits from myocardial perfusion imaging’. With the fully automatic procedure to quantify heterogeneity from Tl-201 scans, we were able to achieve a good discrimination with good accuracy (74%), sensitivity (73%), specificity (77%) and AUC of 0.82. Such performance is similar to those obtained from the semi-automatic QPS software that gives a sensitivity of 71% and specificity of 77%. Based on fully automatic procedures of data processing, our preliminary data indicate that the image heterogeneity of myocardial perfusion imaging can provide useful information for automatic determination of the myocardial ischemia. In this meeting, we have found that the medical physics community still has a strong interest in research related to texture analysis. Although related research is still limited in Taiwan, we have learned a lot and gained much experience and confidence from this meeting. We will continue to develop texture analysis methods and software for medical image applications. Also, we had the opportunity to observe the current research progress on medical imaging and advanced image analysis through this meeting.
目次
頁次
中文摘要... 2
英文摘要……….. 3
內文
一、 目的... 5
二、 過程... 5
三、 心得... 10
四、 建議... 11
內文
一、 目的
本次至美國參加 AAPM 會議，主要目標為 (一) 報告利用計畫所發展 CGITA 軟體，應用於醫 學影像分析之結果， (二) 了解美國目前在醫學影像，使用 texture analysis 與 radiomics 研 究之近期趨勢， (三) 觀察美國醫學物理，特別是影像方面，近期研究方向與進展 。以下針對 此三點，分別報告本次會議心得。
二、 過程
於本次大會報告中利用計畫所發展 CGITA 軟體，應用於醫學影像分析之結果: 於本科技部計 畫所發展之 CGITA 軟體，可支援 DICOM 影像、以及多種 VOI 格式。在歷經兩年開發與研究，本軟 體功能漸趨成熟，因此，我們近期的發展主要著重於影像分析之應用。本次我們投稿 AAPM 內容 為"Quantification of perfusion heterogeneity based on texture analysis for fully automatic detection of ischemic deficits from myocardial perfusion imaging"，之所以 用心臟影像之 texture analysis 投稿，主要是因為目前我們已完成數種癌症的紋理分析，並已 陸續發表或論文正在審查中，因此，我們以心臟影像之紋理分析為主題，投稿本次 AAPM，另外， 由於目前紋理分析用於心臟核醫檢查，幾乎沒有任何相關文獻，因此我們認為使用本題目進行投 稿，應較易獲 reviewer 青睞。本次會議論文被選為 oral presentation。
在本次會議中，我們主要報告內容如下：在本研究中，我們使用 Tl-201 SPECT MPI 影像， 共有１８６名病人資料。我們使用 SPM-base spatial normalization，自動將病人影像正規化至 模板空間，並自動化產生分割後的左心室影像，對此左心室影像進行紋理分析。所產生的紋理分 析參數，我們用來預測此病人是否具有心肌缺血(myocardial ischemia)，所使用的標準為心導
管檢查所量測的血管阻塞百分比，若阻塞超過 70%即視為心肌缺血。我們同時也使用商用軟體 QPS 計算之 summed scores 進行比較。結果顯示，我們的全自動影像分割方法可正確將左心室影像分 割出來，而計算出的紋理特徵值，具有良好的診斷效果，並與半自動商用軟體 QPS 具有相當之診 斷表現（參下圖說明）。此外我們亦評估了年齡、性別與 BMI 值，是否對診斷結果有明顯影響， 而結果顯示雖有少量影響但不明顯，表示我們所發展方法應具有極佳再現性。最後我們也討論 了，本方法仍有相當改進空間，包括可使用更精準之影像分割方法、更多的特徵分析以及未來可 應用於解析度更好的心臟正子造影上。
圖(一) Texture feature 與 QPS scores 進行 ROC 分析之曲線比較
Texture analysis Summed scores
AUC 0.82 0.80
Sensitivity 73% 71%
Accuracy 74% 74%
表(一) Texture feature 與 QPS scores 進行 ROC 分析之結果比較
報告順利完成後，主席詢問，我們是否應考慮使用原始影像的 voxel intensity 進行紋理分 析，由於此部分在報告中因時間不足未解釋清楚，本人在主席詢問後特別解釋，我們確實是使用 原始影像 intensity 進行分析，主席亦表示滿意。在報告結束後，本人的博士班恩師，Case Western Reserve University 的 Dr. Raymond Muzic 對我們應用紋理分析在心臟影像，並表示願與本團隊 合作，使用 cardiac PET 影像進行紋理分析。由於 PET 影像相較 SPECT 來說，具有更好的空間解 析度、訊雜比，且經過衰減校正，因此對於紋理分析來說，應該是更好的選擇，本人對此合作立 刻表示強烈意願，預計在回國後，將繼續推動此項研究合作，以期更加推廣紋理分析，使心臟影 像自動化分析更為完整，得到更多對於臨床診斷有用之資訊。
了解美國目前在醫學影像，使用 texture analysis 與 radiomics 研究之近期趨勢: 由於本 次會議，特別安排兩小時的一個完整 section，探討 radiomics 研究進展，因此本人得以有機會， 觀察美國幾個主要研究醫學影像 texture analysis 支團隊，目前主要的研究方向可歸納為以下 幾點:
1. 使用 texture analysis 產生之 texture feature，與 genomics 資料做相關性研究: Fehr et al (TU-AB-BRA-01), Staub et al (TU-AB-BRA-02), Kirby et al (TU-AB-BRA-03)，主要利用 texture analysis 分析出的影像特徵，對應至腫瘤樣本進行基因定序資料的研究。目前主要研究 方向，在於探討影像特徵是否可高度對應基因特徵或表現。雖然本次報告皆顯示，使用多個影像 特徵確實有預測基因資料的潛力，但由於樣本空間有限，資料可信度仍有一定限制，未來仍需更 多大量資料進行更完整評估與驗證。
2. 利用機器學習(machine learning)方法，透過影像產生之大量資料，進行病人相關參數之 預測: Fehr et al. (TU-AB-BRA-01), Li et al (TU-AB-BRA-08)，主要作法是使用 support vector machine 進行 supervised machine learning，以供未來自動化診斷與分析。在目前樣本空間有 限之狀況下，此方面研究確實仍飽受質疑，但本人認為，此方向應該是極具潛力之研究方向，未 來在樣本空間增加、資料量成長的發展下，在分析方法與學習效率上應該可以與日俱進，因此本 人未來亦將考慮加入相關分析功能，至我們所發展之 CGITA 軟體中。
圖(二) Vallieres et al. 使用 machine learning 進行 MRI texture analysis 3 . 結合自動化影像分割方法，進行 texture analysis: Antropova et al. (TU-AB-BRA-07), Yip et al (TU-AB-BRA-11): 由於 texture analysis 需要有已決定之 tumor contour 始得進行所需 分析，因此，如何進行影像分割，是影響結果之重要過程。自動化分割具有許多優點，除了可節 省操作人員時間，也能減少操作者間的人為誤差與肉眼判讀差異性，可讓紋理分析更為客觀、準 確。因此，本次亦有許多報告，著重於評估使用自動化分割對紋理分析的影響。但目前另外的挑 戰是，由於自動化分析具有許多不同演算法與軟體可使用，何種分割方法最為正確，仍有待更完 整的評估與大量資料的驗證來回答。
4. 研究紋理分析之再現性(reproducibility)與可靠性(reliability): NYflot et al (TU-AB-BRA-04), Lin et al (TU-AB-BRA-05), Galavis et al (TU-AB-BRA-06)均報告紋理分析 再現姓研究。目前一般認為，雖然一部分紋理特徵確實較受影像造影參數或病人特異性影響，但 多數仍保持甚佳之可靠性，並且可在臨床資料中驗證再現性。然而相關研究主要挑戰，在於不同 器官、不同 imaging task，結果仍具相當大的差異性，以至於仍無法建立紋理分析之再現性最具 公信力的標準，相關研究仍需繼續進行，以徹底了解紋理分析之特性與限制。 圖(三) Galavis et a. 報告紋理分析之特徵值之變異性分析
圖(四) Apte et al. 為開發開源 radiation therapy 軟體 CERR 支團隊。日期 Dr. Apte 聯絡本團隊，
希望加入 CGITA 之功能與函式，成為 CERR 之內建功能
觀察美國醫學物理，特別是影像方面，近期研究方向與進展: 本部分主要是在學習與觀察， 目前美國醫學影像研究進展。茲節選幾項較有特色之報告如下:
1. SU-C-201-03 “Coded aperture gamma-ray imaging using pixelated semiconductor detectors” by Joshi et al.
本篇報告著重使用 coded aperature，改善 gamma ray imaging 影像，本研究較特別處，是使用 semiconductor detector 偵測高能量 gamma ray，未來具有極佳潛力，可應用於 proton therapy prompt gamma detection。由於國內近期多家質子治療中心正陸續興建，未來相關技術可用於 proton therapy 之 range verification，應為值得開發之研究主題。
2. MO-AB-BRA-04 “Correct identification of low-attenuation intracranial hemorrhage and calcification using dual energy computer tomography in a phantom study” by Nute et al.
本研究使用假體探討顱內出血與鈣化，如何利用 dual-energy CT (DECT)進行鑑別。DECT 在本次 研討會，亦為重要之研究方向，多篇報告皆使用 DECT 進行 material decomposition。這篇報告
的特色，是使用接近腦部組織特性之假體材料，模擬腦部出血與鈣化組織，並利用 DECT 證明， 使用 DECT 可改善鑑別率 98%正確率。這是 DECT 在顱內出血目前相當有趣的研究，日後可使用臨 床影像更進一步進行驗證。
3. WE-AB-204-03 “A novel 3D printed phantom for 4D PET/CT imaging and SIB radiotherapy verification” by Soultan et al.
在醫學物理領域，假體一直為 QA, QC, treatment planning 之重要工具。在大會參展廠商中， 有相當大比例為開發各種假體之廠商。然而，由於用途廣、多樣性大，假體之客製化生產一直是 醫學物理界極有興趣之領域。由於近年 3D 列印日漸普及且價錢合理，本次大會有數篇報告皆為 嘗試使用 3D 列印製造醫學物理所需假體，本篇報告則著重使用 3D printing 製作，用來評估放 射治療之 PET/CT 假體。可預見相關研發將持續進行，或許將對目前製作假體廠商逐步造成影響。
4. WE-AB-204-06 “Pseudo-CT generation using undersampled, single-acquisition UTE-MDixon and direct mapping artificial neural networks for MR-based attenuation correction and radiation
therapy planning” by Su et al.
近年來 PET/MR 成為醫學影像中，極受重視的一個發展方向。儘管 PET/MR 價格仍高居不下，以致 臨床價值與必要性仍有相當爭議，但在技術發展仍是一研究之主流方向。在 PET/MR 影像技術研 究中，MR-based attenuation correction (AC)是一個仍未完全解決之問題。本次大會中，Su et al.提出之方法頗有新意，首先他們僅使用一個 UTE-MDixon 進行 MR acquisition，可大幅減短造 影時間至約三分鐘內。由於 MDixon 無法完全獨立將所有組織分割，作者使用 neural network， 並配合空間資訊進行 machine learning，讓各部分組織，藉由機器學習的方法能判斷出來。由於 樣本空間較小(n=9)，作者使用 leave-one-out 的方式進行 training and testing ，並驗證 MR-based AC 之正確性。經驗證結果，作者指出使用本方法可產生正確之 pseudo-CT，除可進行 AC，尚可利用於放射治療之 treatment planning；但本研究目前弱點仍在於，作者僅使用頭部影 像進行測試與驗證，身體其他部位的效果尚待驗證。
圖(五) Su et al. 利用機器學習，進行 MR 影像對 pseudo-CT 之轉換
5. WE-EF-207-01 "Task-driven imaging for cone-beam CT in interventional guidance" by Gang et al.
在放射治療中，利用 C-arm 設計之 cone-beam CT (CBCT)是主要用以定位與評估之造影方法。但 在儀器設計上，CBCT 在硬體的設計上，有許多參數需要設定與取捨。Johns Hopkins 的 Siewerdsen 團隊即著重於，利用 task-based，先以模擬方式，探討不同造影參數組合下，對於特定臨床需求， 診斷之效果與優缺點，並加上 machine learning 之自動化診斷評估，定量分析各種參數組合中， 何者具有最佳之診斷表現。這種以 task 為主、利用客觀化的分析來決定硬體設計之方法，值得 未來進行影像儀器開發的研究人員參考。 三、 心得 由本次會議，本人對於紋理分析、以及本團隊開發之開源軟體 CGITA 具以下新想法與心得: 1. 由於自動化影像分割具有客觀、快速等優點，且目前資料顯示，自動化分割具有甚佳準確 性，結合紋理分析具臨床可行性。因此，我們應考慮加強 CGITA 影像分割功能，或是增加 CGITA
對於自動分割軟體的支援(如讀取自動分割軟體產生之 mask 或 VOI 檔)，以供使用者更方便進行 紋理分析研究。
2. 應考慮在 CGITA 內，加入 SVM 之功能模組，供使用者進行 machine learning 研究。 3. 應繼續在 CGITA 中，加入新 textural feature，如本次會議中有提到 gray-level local power matrix(GLLPM)，以及 wavelet features。
4. 本次會議中，本人亦有機會與 Harvard Medical School 的博士後研究員 Dr. Stephen Yip 討論 CGITA 發展。由於 Dr. Yip 使用 CGITA 進行紋理分析研究已有一段時間，Dr. Yip 提及，他 目前已取得另一團隊開發之 texture analysis 軟體，但經比較發現，與本團隊開發之軟體在紋 理分析上，程式碼所取用之參數以及實作細節上仍有許多不一致處。因此，未來我們將繼續推動 CGITA 之軟體確效、程式驗證等等，並嘗試取得其他團隊之軟體原始碼，以期與 CGITA 之程式碼 進行交叉比對，驗證程式正確性，並建立紋理分析之標準化與參數設定。 四、 建議事項 由本次會議發現，國際間對於紋理分析所產生之特徵，仍具有相當濃厚之興趣與期望，並 仍大量持續進行相關研究。這點對於本團隊乃是一大鼓勵，雖然國內進行醫學影像紋理分析團 隊尚有限，但國際上對於此研究主題的重視，也讓我們對於紋理分析與 CGITA 之重要性與未來 性，更具信心。因此，我們在本期科技部計畫執行完成後，仍將繼續紋理分析與 CGITA 之研究 發展，除了一直進行之癌症影像研究，並拓展至心臟乃至腦科學之應用，以更了解紋理分析的 特性、限制、使用方法，乃至於程式與分析流程的最佳化，有朝一日能真正應用於臨床影像之 例行檢查與定量分析。
