李柏桥，彭 显

（昆明理工大学 信息工程与自动化学院，云南 昆明 650050）

0 引 言

直到今天，癌症依然是威胁人类健康的主要疾病之一。据统计，2018年全球有1 807万余例新增癌症病例，发病率为每10万人236.9例。尽可能早的癌症诊断对患者的康复至关重要，医疗影像学方法尤其是正电子发射型计算机断层显像/计算机断层扫描显像（Positron Emission Computed Tomography/Computed Tomography，PET/CT）是癌症诊断（特别是早期诊断）的一种重要手段，但其现阶段主要依据常规代谢显像，在癌症早期诊断上的诊断力不高［1-3］。患病部位的血流灌注参数是临床检测和诊断癌症的重要参考指标［4］。因此，目前常用的肝癌诊断方式是依据机器学习计算出灌注参数，并通过灌注参数在肿瘤组织与正常组织之间的差异来进行诊断［5］。血流灌注参数是通过基于机器学习技术建立的血流动力学模型计算得到的。现阶段用于癌症诊断的血流动力学模型主要有两类：一类是Mullani等［6］提出的最大斜率法模型，主要关注示踪剂首次通过组织时的血流情况，通过模型计算出的动脉灌注量（Hepatic Artery Perfusion，HAP）、静脉灌注量（Hepatic Portal Vein Perfusion，HVP）、总灌注量（Total Liver Perfusion，TLP）、动脉灌注指数（Hepatic Artery Perfusion Index，HPI）和静脉灌注 指 数（Hepatic Portal Vein Perfusion Index，PPI）5个参数来区分肿瘤组织与正常组织［7］；另一类是房室模型，使用电信号模拟病变器官的生理过程，主要关注腔室之间的血流转换和血液中葡萄糖的代谢情况［8］。房室模型主要分为单房室模型［1］、双房室模型［9］以及三房室模型［10-12］。以上的方法存在一个共同缺点，即先需要人工提取出存在于PET/CT图像中的特征，再将特征输入模型进行癌症的早期诊断，将消耗大量的人工成本。……