基于计算机视觉的二维最大强度投影CT图像个人识别
本研究回顾性分析8177例个体的12465次胸部平扫CT,将冠状位图像生成二维最大强度投影(MIP)并提取计算机视觉特征建立数据库,对300例进行匹配识别。rank 1识别率为98.67%(296/300),rank 10为99.67%(299/300);同一人匹配点7.43±5.83%,不同人0.16±0.14%。作者认为基于胸部CT MIP图像的自动识别高度可靠,可用于急诊未知身份个体的辅助识别。
要点
- 胸部MIP图像经CLAHE增强后提取计算机视觉特征,同一人匹配点(7.43±5.83%)远高于不同人(0.16±0.14%),P<0.001。
- 300例识别中rank 1达98.67%(296/300),rank 10达99.67%(299/300),潜在身份库为8177人。
- 可靠匹配点主要来自胸廓骨骼、胸骨和脊柱;患者体表弯曲或图像含医疗设备时匹配点减少。
核心结论
- 基于胸部CT最大强度投影图像的计算机视觉识别在8177个潜在身份中rank 1识别率达98.67%,作者认为高度可靠。
- 该方法适用于多种二维重建图像,前提是解剖结构呈现具有可比性。
- 作者指出该方法并非法律安全的身份认定方法,其作用是定位参考材料或获取身份线索。
研究设计与样本
- 回顾性研究,分析2015年11月至2024年2月间耶拿大学医院急诊与临床常规的12465次连续胸部平扫CT,来自8177例个体(年龄8–102岁,平均65.13±14.03岁)。
- 使用两台GE Revolution扫描仪(电压70–140 kVp,电流232.00±109.29 mA),冠状位软组织图像层厚4.83±0.56 mm,无排除标准。
- 对每例CT生成二维MIP图像,经CLAHE增强后以AKAZE算法提取计算机视觉特征,存入加密数据库(不含原始图像数据)。
- 从2310例有至少两次MIP图像的个体中随机选取300例(30–89岁,每十年25男25女),用最近一次MIP图像在数据库中匹配。
- 以rank 1、rank 5、rank 10识别率及匹配点百分比为指标,采用Mann–Whitney U检验(α=0.05)比较同一人与不同人得分。
关键影像表现/征象
- 同一人图像匹配点得分为7.43±5.83%,不同人图像为0.16±0.14%,两组比较P<0.001。
- 同一人不同年龄组间部分比较有显著差异:30–39岁与60–69岁(P=0.001)、30–39岁与70–79岁(P<0.001)、30–39岁与80–89岁(P<0.001)、40–49岁与80–89岁(P<0.001)、50–59岁与80–89岁(P<0.001),其余组间无显著差异。
- 胸廓骨骼尤其是胸骨和脊柱具有大量可产生匹配点的独特特征,即使层厚或电压等CT参数不同也可识别。
- 医疗设备遮挡、患者体表弯曲或图像对比度降低(如CT床等患者体外物体)可导致匹配点显著减少,这些情况随年龄增长更常见。
- 使用仅包含体内层面的MIP图像作为查询图像时,即使对比度降低仍可达到rank 1识别。
诊断标准与关键数值
- 识别率:rank 1为98.67%(296/300),rank 5为99.33%,rank 10为99.67%(299/300),潜在身份库为8177人。
- 同一人609幅参考图像中592幅(97.21%)达到rank 1;529幅(86.86%)得分高于不同人比较中的最高分1.85%(该最高分来自超过370万次不同人比较)。
- 300例识别中272例(90.67%)同一人最高分大于1.85%,理论上无需全库搜索即可明确识别。
- 系统参数优化显示CLAHE可显著改善识别率,最佳clipLimit为100。
临床应用与阅片要点
- 作者认为基于胸部CT MIP图像的计算机视觉识别可用于急诊未知身份个体的辅助识别,为后续法律安全的身份认定提供线索。
- 阅片时需注意医疗设备遮挡、患者体表弯曲和体外物体导致的对比度降低可减少匹配点,影响识别效果。
- 作者提出可将计算机视觉特征存入不含个人数据的中央数据库,高匹配时向原始机构查询患者ID,以降低数据风险。
- 原文未据此给出放射科日常报告流程的具体推荐。
局限性
- 原文此处写作「The study has some limitations, particula」,全文节选至此中断,原文未完整报告局限性内容。
全文中译6 节 · 点击展开
引言
自然灾害、恐怖袭击、战争、严重事故、移民或无家可归等情况可能导致身份不明者被送入急诊室[1–6],此时身份识别面临重大挑战。在此类情况下,计算机断层扫描(CT)发挥着关键作用,提供重要的诊断支持,并作为一种非侵入性工具用于详细的解剖学检查。进一步利用CT数据进行身份不明者的自动化识别可能是一种新颖的方法,在时间紧迫的情况下尤其有价值。
一种基于计算机视觉(CV)的新型个人识别方法已成功利用单层CT切片,通过将未知人员的颅脑CT图像与大型CV数据库进行匹配来实现个体识别[7]。CV通过自动识别图像中的独特特征来模拟人类视觉。这些CV特征随后可在未知个体的查询图像与参考图像之间被识别,从而产生所谓的匹配点。匹配点越多,表明正确识别该个体的可能性越大。然而,该方法的一个关键局限性在于其依赖于选定的轴位切片,这些切片易受头部方向变化和金属伪影的影响,从而增加了测量的不确定性。
本研究旨在探讨使用最大密度投影(MIP)图像的胸部单层CT切片能否简化并扩展基于CV的个人识别方法的识别流程。现有文献表明,胸廓骨骼、胸骨和脊柱显示出可用于法医专家识别的独特特征,如两份病例报告所示[8, 9]。
材料与方法
本研究经耶拿大学医院当地机构审查委员会(IRB)批准(注册号2019-1505-MV)。由于研究的回顾性性质,IRB豁免了书面知情同意的要求。
本回顾性研究分析了2015年11月至2024年2月期间在急诊科和临床常规中使用两台GE Revolution扫描仪(电压70–140 kVp,电流232.00 ± 109.29 mA)对8177名个体(年龄8–102岁,平均年龄65.13 ± 14.03岁;见图1和表1)进行的12,465次连续平扫胸部CT检查。每次检查均包括软组织窗的冠状位胸部图像,层厚为4.83 ± 0.56 mm。未应用排除标准。
信号处理、CV特征提取与匹配过程
冠状图像通过将CT序列的所有层面重建为三维体积进行处理。对该体积中的每个像素选择最大值,生成二维最大强度投影(MIP)图像(见图2a)。随后应用对比度受限自适应直方图均衡化(CLAHE)以增强图像对比度,尤其是在过暗或过亮的区域。CLAHE通过将图像划分为较小区块并在每个区块内局部应用直方图均衡化来发挥作用。CLAHE的有效性受两个参数影响:clipLimit:通过限制直方图调整来控制局部应用的最大对比度增强量。
tileGridSize:定义用于局部直方图均衡化的区块大小。较小的区块允许更精细的对比度调整。
将MIP图像归一化为8位色深后,使用OpenCV 4.5.3实现的AKAZE算法[10, 11]检测稳健的CV特征。AKAZE是一种基于非线性微分方程的图像特征提取算法。它首先通过创建八度将图像变换为尺度空间表示,每个八度包含不同分辨率的图像。在每个八度内,形成表示不同尺度下各种图像细节水平的层。这使AKAZE能够在不同图像分辨率水平上检测稳定特征。该算法使用非线性扩散滤波降低噪声,在平滑无关部分的同时保留边缘等重要细节。为寻找关键点,AKAZE使用Hessian矩阵(图像强度的二阶导数)识别极值点——即图像强度发生显著变化的点,如边缘或角点。对于每个关键点,AKAZE计算描述子,即捕获关键点周围局部结构的“指纹”。该描述子具有旋转和尺度不变性,使其对旋转或缩放等图像变换具有鲁棒性。它是抽象的,不允许图像重建,但捕获了关键点局部结构的基本特征,使其能够在不同图像中被识别。总之,CV特征由关键点及其关联描述子组成。关键点是图像中的独特点,而描述子则概括其周围局部区域。五个参数控制CV特征提取:Octaves:确定图像缩小以检测不同尺寸特征的次数。
Layers:指示在每个八度内检查的细节层次数。
Diffusivity:确定算法在特征检测过程中处理边缘和纹理的方式(PM_G1:中等对比度,PM_G2:较强对比度,WEICKERT:柔和对比度,保留细节,CHARBONNIER:非线性,更好的边缘保留)。
Descriptor Type:定义所用描述子的类型(KAZE:适用于多角度特征,MLDB:高效的二值模式表示,Upright:非旋转不变描述子)。
Threshold:确定一个点被视为有效关键点所需的Hessian矩阵行列式最小值。该阈值过滤掉不稳定点,仅保留具有强而独特特征的点。
检测到的CV特征集,连同来自医学数字成像和通信(DICOM)头文件中的元数据(检查日期、出生日期、性别和患者ID),被存储在一个加密的CV数据库中。在匹配过程中(见图2b),将未知个体的CV特征集与CV数据库中的特征集进行比较。对于查询CV特征集中的每个描述符,使用平方欧氏距离在参考集(数据库条目)中识别出两个最相似的描述符。随后,应用Lowe检验以确保仅保留可靠匹配,从而确保到最近邻(最相似描述符)的距离显著小于到次近邻的距离。每个CV特征最多有一个对应匹配,以确保唯一匹配点。然后使用随机抽样一致性(RANSAC)算法通过消除异常匹配点来进一步提高准确性。RANSAC测试各种场景以确定最佳模型拟合,确保排除误导性匹配点。匹配过程涉及两个影响最终匹配点数量的关键参数:Lowe比率:设置Lowe检验的阈值比率。例如,比率为0.5时,最佳匹配的距离必须至少是次佳匹配距离的一半。
RANSAC:通过使用迭代方法估计模型参数来定义区分内点与外点的阈值,通过排除外点来提高准确性。
最终相似度评分范围为0%(无匹配)至100%(相同图像),通过将匹配点数量相对于查询图像中CV特征总数进行归一化来计算:
例如,如果查询集有1000个CV特征并产生50个匹配点,则评分为5%。匹配过程执行两次:首先将查询集(A)与数据库条目(B)进行比较,然后反向进行(B到A)。最终评分计算为两个方向匹配点数量的平均值,通过考虑两个方向确保更稳健的比较。
参数优化与评估
为确定最佳参数,对70个随机选择的身份(35名女性,35名男性)的MIP图像进行了系统性的设置变化,涵盖七个年龄类别(20–89岁,每个十年5名男性和5名女性)。从表2中列出的初始参数设置开始,将clipLimit从0调整到150。随后,基于最佳clipLimit将tileGridSize从2变化到32。然后使用tileGridSize和clipLimit的最佳值将octaves参数从3调整到10。AKAZE的初始设置来源于文献[7],尽管该研究未包括使用改进Sobel梯度的额外边缘增强。
使用全部12,465张MIP图像提取CV特征,然后将其存储在CV数据库中,不包括原始图像数据(年龄和性别详情见表1)。在8177名个体中,2310人至少有两张MIP图像。从该组中随机选择的300名个体中,使用涵盖六个年龄类别(30–89岁,每个十年25名男性和25名女性)的最新MIP图像与CV数据库进行匹配。查询与CV数据库之间的相同MIP图像已从结果中排除。
识别率评估的是识别个体的准确性。“Rank 1”表示同一身份图像的得分超过所有其他身份的得分。在“rank 5”和“rank 10”中,所寻找个体的得分分别位列前5或前10。使用Mann–Whitney U检验评估统计显著性(α = 0.05),以比较组间(同一身份 vs. 不同身份)的得分分布,使用Python的SciPy库实现。还对同一身份图像在不同年龄类别之间进行了两两比较,并使用Bonferroni校正调整p值以考虑多重比较。
结果
本研究分析了来自8177名个体的12,465次CT检查,均为急诊科和临床常规中的在世患者,以在300次识别流程中评估使用胸部MIP图像进行唯一识别的可行性。总体而言,300个身份中有296个(98.67%)在rank 1被正确识别。其余4个身份分别在rank 2、4、7和919被识别, resulting in identification rates of 99.33% at rank 5 and 99.67% at rank 10。同一人的图像获得了更高的匹配点,得分为7.43 ± 5.83%,而不同人的图像得分为0.16 ± 0.14%(见图3和表3)。同一身份与不同身份之间得分的比较显示p值< 0.001,表明这些组之间存在高度显著差异。对于同一身份,使用Mann–Whitney U检验并经Bonferroni校正对年龄类别进行两两比较,显示30–39岁与60–69岁(p = 0.001)、30–39岁与70–79岁(p < 0.001)、30–39岁与80–89岁(p < 0.001)、40–49岁与80–89岁(p < 0.001)以及50–59岁与80–89岁(p < 0.001)年龄组之间得分存在显著差异,而其余配对之间未观察到显著差异。
在CV数据库中被搜索身份的所有参考图像中,609张图像中有592张(97.21%)与不同身份图像相比达到rank 1(见表3“query rank1”列)。仅来自10个身份的17张图像未达到rank 1。此外,609张图像中有529张(86.86%)的得分高于在不同个体之间超过370万次比较中发现的最高得分1.85%(见表3“global rank1”列)。在300次识别流程中的272次(90.67%),同一身份图像之间比较的最高得分大于1.85%,使得识别足够明确,理论上无需进行完整的CV数据库搜索。图3展示了同一人得分与CT采集时间间隔之间的关系,显示即使相隔数年的CT检查也能成功识别。在300个身份中,161个在CV数据库中仅有1条参考记录,63个有2条记录,40个有3条记录,15个有4条记录,7个有5条记录,14个有超过5条记录。
图4展示了成功识别的示例。对于每个年龄类别(a-f),展示了一个用于匹配同一身份的例子(不一定是最高分)。对于不同身份之间的比较(图像右侧),显示的是得分最高的结果。胸部骨骼,尤其是胸骨和脊柱,具有许多显著特征,即使使用不同的CT参数(如层厚或电压),也能为同一身份产生大量匹配点。显然,只要图像的一部分与查询图像具有可比性,即使图像切面不同,成功识别也可以实现(见图4e)。
图5展示了排名第1位识别不成功的示例。诸如搜索图像和/或参考图像中被医疗设备覆盖(a、d、e)、患者在检查床上呈弯曲体位(d、f),或查询图像中因患者体外物体(如CT床)导致对比度降低(b、c)等问题,导致匹配点显著减少。这些问题随着年龄增长而更加频繁,这就是为什么得分随年龄略有下降(见图3和表3)。然而,通过仅使用体内切面的MIP图像作为查询图像进行分析,即使在对比度降低的情况下,仍能实现排名第1位的识别。
系统性参数变化(见图6)表明,使用CLAHE时识别率显著更好。最佳结果是在CLAHE和clipLimit为100时获得的。CV特征提取和匹配过程的初始参数选择在很大程度上得到了证实(见表2)。
讨论
本研究证明了使用计算机视觉(CV)基于活体胸部CT检查的MIP图像进行个人识别的可行性,在300次检查和8177个潜在身份中实现了接近100%的识别率。在CV中,边缘和角点等独特特征至关重要,而胸廓骨骼、胸骨和脊柱提供了充足的独特标记。虽然标准MIP图像通常缺乏对比度,但应用对比度受限自适应直方图均衡(CLAHE)可显著改善对比度,从而获得更多匹配点和更高的识别率。CV特征对旋转、尺度和光照变化具有鲁棒性,即使视野不同也能实现可靠识别。该方法可应用于各种2D重建图像,前提是解剖结构具有可比性表现,即无严重扭曲、相同区域无缺失重叠以及具有足够的对比度。
除颅脑CT研究[7]外,尚无其他研究将CV方法应用于CT图像进行个人识别。关于胸部CT用于唯一性识别的文献有限。Ueda等[12]比较了一年内两次常规躯干CT检查的定位像,使用几何校正、局部特征提取、模板匹配和RANSAC来确定是否来自同一患者。Ueda方法的局限性在于需要匹配的定位像、相同的设备、一致的图像质量以及较短的时间跨度以避免与年龄相关的变化。相比之下,近期研究将CV应用于MIP图像,识别胸廓骨骼、胸骨和脊柱中的独特特征,即使相隔数年也能进行区分。AKAZE[10, 11]是一种传统CV算法,使用预定义的数学方法基于图像强度和梯度提取特征,不涉及训练或数据驱动学习。参数控制这些操作的应用方式,但不受数据影响。与基于人工智能(AI)的模型不同,该算法不会从数据中适应或“学习”,这意味着使用同一数据集优化参数不会使结果产生偏差。参数与不同数据集研究[7]中所用参数的相似性凸显了AKAZE在不同应用中的鲁棒性,仅因预处理差异需要对胸部MIP CT图像做微小调整。此外,图像比较的顺序可能影响匹配得分,因为Lowe方法和RANSAC可能因方向不同而产生不同结果,关键点的相对位置和距离会变化,从而影响所选匹配和结果的一致性。为解决此问题,匹配在两个方向(AB和BA)上进行,最终得分取平均值以确保更可靠的结果。
基于心血管(CV)的个人识别从根本上并非一种法律上安全的识别方法[13]。其任务更多是定位合适的参考材料和/或获取寻找目标的线索。通过从数千个潜在身份中缩小可能身份范围,随后由高度合格的专业人员借助适当的参考材料促进法律上安全且法医可靠的识别。该方法依赖于CV特征,这些特征无法用于重建原始图像。这些特征与图像本身解耦,因此不包含个人数据。CV数据库中不存储任何图像数据。在匹配过程中,只能确定未知身份的CV特征与CV数据库中某一身份的CV特征相对应。与CV特征集关联的假名化患者ID可用于识别该人员。如果该ID的解密只能由进行CT扫描的机构执行,则可确保数据控制权仍归属于原始机构。为解决主要的伦理和法律问题,一种解决方案可能是仅在中央数据库中存储CV特征而不含个人数据,仅包括其来源。如果出现高度匹配,可查询原始机构包含患者ID的CV数据库以进行识别。该方法降低了患者数据风险并减少了敏感信息的非法使用。然而,与头部CT扫描[7, 14]一样,共享胸部CT扫描也带有再识别风险,尽管需要获取其他患者的扫描资料。
该研究存在一些局限性,特别是关于用于MIP生成的CT切片选择。使用所有切片可能降低对比度或引入无关元素;因此,仅选择最相关的切片可改善结果。此外,纳入基于性别、年龄和体重的过滤器可进一步提高识别准确性[13]。未来研究可探索严重损伤或种族因素是否影响识别准确性,以及比较MIP CT图像与胸部X线片。此外,还可研究使用死后MIP CT图像与CV数据库中生前数据进行比较以识别未确认身份死者的可行性。
总之,使用胸部CT检查的MIP图像进行基于CV的个人识别显示出高准确性,能够在急诊环境中实现快速识别。该方法在8177个潜在身份中实现了近100%的正确识别,即使没有额外的过滤器。该方法可能适用于其他2D切片和重建图像,进一步增强放射学在为基于CV的个人识别提供参考图像方面的作用,这可能通过快速获取病史显著改善患者护理。该研究为进一步研究利用放射学中的大型数据库通过CV识别未确认身份个体铺平了道路。
引用
- Heinrich A, Hubig M, Mall G, et al. Computer vision-based personal identification using 2D maximum intensity projection CT images. Eur Radiol. 2025. PMID: 40287870. doi:10.1007/s00330-025-11630-0
- 全文:PMC12417270(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12417270/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。