36、医学图像分析：有丝分裂检测与乳腺肿瘤分类的多分辨率方法

医学图像分析：有丝分裂检测与乳腺肿瘤分类的多分辨率方法

有丝分裂检测

霍夫森林投票优化的效果

优化霍夫森林中的投票一致性，相较于仅在分类森林加霍夫投票中使用未优化的训练样本投票，能带来进一步的性能提升。具体数据如下：
| 指标 | 优化投票（AUC） | 未优化投票（AUC） |
| ---- | ---- | ---- |
| 母细胞 | 84.6% | 82.1% |
| 子细胞 | 53.9% | 38.4% |

有丝分裂检测的评估

有丝分裂检测器的性能通过精确 - 召回曲线进行评估。评估原则如下：
1. 只有当检测到的母细胞和子细胞对的位置都在其对应的真实分割轮廓内时，才将该有丝分裂事件计为真阳性（TP）。
2. 对于每个有丝分裂事件的多次检测，其中一个计为 TP，其余计为假阳性（FP）。
3. 其他检测情况计为 FP，未匹配的轮廓计为假阴性（FN）。

联合检测考虑了三个组件：
1. 母细胞检测。
2. 子细胞对检测。
3. 这些位置之间的欧几里得距离，并通过假设高斯分布将其转换为概率。

通过 32 折交叉验证（留一视频法）绘制精确 - 召回曲线，结果表明包含所有三个组件的完整模型实现了最佳准确率（AUC：72.4%）。而仅考虑两个组件的简化模型性能较低，具体如下：
| 模型组件 | AUC |
| ---- | ---- |
| 母细胞 + 子细胞 | 66.5% |
| 子细胞 + 距离 | 61.3% |
| 母细胞 + 距离 | 30.8% |

有丝分裂检测的应用与改进方向

目前提出的双阶段检测框架实现了 72.4%（AUC）的有丝分裂检测准确率。通过提供更多注释，特别是关于外观变化较大的子细胞的注释，有望进一步提高检测准确率。当前的自动有丝分裂检测算法可作为预处理步骤，手动纠正误检测。例如，在 80% 召回率（检测到 80% 的真实有丝分裂事件）的情况下，以 70% 的精度可检测到 230 个事件，大约 460 帧（每个事件 2 帧）需要手动检查，这不到原始工作量的 5%。

然而，当前的检测算法仅提供子细胞对的中心，霍夫森林的相应分割不够准确，子细胞未分离，不足以自动提取子细胞的特征。因此，下一步是开发新的处理算法以实现更准确的子细胞分割。

mermaid 流程图如下：

graph LR
    A[有丝分裂检测开始] --> B[检测母细胞和子细胞对位置]
    B --> C{位置是否在真实分割轮廓内}
    C -- 是 --> D[计为真阳性（TP）]
    C -- 否 --> E[计为假阳性（FP）]
    B --> F{是否多次检测}
    F -- 是 --> G[一个计为 TP，其余计为 FP]
    F -- 否 --> H[正常判断 TP 或 FP]
    I[未匹配轮廓] --> J[计为假阴性（FN）]
    D --> K[计算精确 - 召回曲线]
    E --> K
    J --> K
    K --> L[评估模型性能]

基于 DCE - MRI 的乳腺肿瘤纹理分类的多分辨率分析

研究背景与目的

乳腺癌是女性发病和死亡的主要原因之一，早期诊断对于提高生存率和选择更合适的治疗方案至关重要。动态对比增强磁共振成像（DCE - MRI）是一种有前景的乳腺癌检测方法。

此前，离散小波变换（DWT）、平稳小波变换（SWT）已用于医学图像纹理分类，快速离散曲波变换（FDCT）已用于颈动脉粥样硬化斑块的特征描述，但 FDCT 在乳腺癌检测中的判别性能尚未得到研究。

本研究的目的是比较 DWT、SWT 和 FDCT 三种多分辨率变换在区分 DCE - MRI 中恶性和良性乳腺肿瘤方面的能力。

多分辨率图像分析步骤

1. 肿瘤分割 ：由专业放射科医生手动进行。
2. 跨对象归一化 ：使用主成分分析（PCA）对手动分割的乳腺肿瘤进行空间归一化，以消除尺度变化。
3. 特征提取 ：
   • 应用傅里叶变换捕捉时间增强特性。
   • 应用 3D 小波变换捕捉肿瘤的时空特征。
   • 从得到的图像中提取纹理特征，包括细节子图像的均值和熵。
4. 肿瘤分类 ：将提取的纹理特征输入到多个分类器中，对肿瘤进行分类。

三种变换方法介绍

1. 离散小波变换（DWT） ：通过对原始图像进行迭代线性滤波和临界下采样实现，在每个尺度级别产生三个高频方向子带和一个低频子带（图像近似）。
2. 平稳小波变换（SWT） ：是 DWT 的平移不变性修改版本，不进行下采样，而是对低通和高通滤波器进行上采样。
3. 快速离散曲波变换（FDCT） ：首先对图像应用 2D FFT，然后在每个尺度和角度的有限支持平行四边形中进行加窗，最后应用 2D 逆 FFT 得到最终结果。FDCT 比离散曲波变换（DCT）更快、更准确且冗余更少。

材料与方法

DCE - MRI 数据

使用来自宾夕法尼亚大学的 44 个受试者的图像，包括 23 个恶性和 21 个良性病例，所有样本均经过组织学验证。由专业放射科医生在图像上勾勒出可疑肿瘤的边界。

纹理特征提取

1. DWT 和 SWT ：使用不同小波族的基本函数，3 级分解方案在每个时间实例产生 9 个细节子图像，总共 27 个细节子图像，得到 54 个纹理特征。不使用近似子图像进行纹理分析。
2. FDCT ：使用 4 个分解尺度，第二级的角度数设置为 16，第一级使用复值曲波系数。每个级别只考虑总系数的前半部分，共得到 150 个曲波系数，产生 300 个纹理特征。

分类方法

使用 6 种分类算法结合 3 种特征选择方法（由 WEKA 3 数据挖掘软件提供），并与线性判别分析（LDA）进行比较。所有分类器均使用留一法进行评估。

特征选择方法包括：
1. 包装器方法 ：使用最佳优先（BF）和简单遗传算法（SGA）两种特征选择策略。
2. 过滤器方法 ：使用信息增益（IG）作为特征评估标准，选择 44 次留一迭代中信息增益平均值最高的 10 个特征进行分类。

使用的分类器包括：
1. Bagging ：基于装袋方法的元分类器。
2. K - means 聚类 ：将 n 个观测值划分为 k 个聚类，每个观测值属于均值最近的聚类。
3. 决策表多数分类器 ：根据特征匹配情况返回多数类。
4. 逻辑模型树 ：通过生长标准分类树、为所有节点构建逻辑回归模型、修剪子树并将逻辑模型组合成单个模型。
5. 多层感知器 ：具有一个或多个隐藏层的神经网络，使用反向传播估计网络权重。
6. 朴素贝叶斯 ：基于两个简化假设的概率分类器。
7. 线性判别分析（LDA） ：基于类间方差大、类内方差小的分布更容易分离的原理。

实验结果

多分辨率方案	算法	准确率（%）	灵敏度（%）	特异性（%）
DWT (db4, L = 3)	BF - 朴素贝叶斯	84.09	73.91	95.24
DWT (db4, L = 3)	BF - 多层感知器	77.27	69.57	85.71
DWT (db4, L = 3)	IG - Bagging	79.54	78.26	80.95
DWT (db4, L = 3)	BF - K - means	77.27	56.52	100.00
DWT (db4, L = 3)	BF - 决策表	72.73	69.57	76.19
DWT (db4, L = 3)	BF - 逻辑模型树	79.55	73.91	85.71
DWT (db4, L = 3)	LDA	86.36	91.30	80.95
SWT (sym9, L = 3)	BF - 朴素贝叶斯	81.82	69.57	95.24
SWT (sym9, L = 3)	BF - 多层感知器	79.55	78.26	80.95
SWT (sym9, L = 3)	SGA - Bagging	79.55	73.91	85.71
SWT (sym9, L = 3)	BF - K - means	70.45	47.83	95.24
SWT (sym9, L = 3)	BF - 决策表	86.36	78.26	95.24
SWT (sym9, L = 3)	BF - 逻辑模型树	77.27	73.91	80.95
SWT (sym9, L = 3)	LDA	91.00	100.00	85.71
FDCT (4 尺度)	BF - 朴素贝叶斯	86.36	82.61	90.48
FDCT (4 尺度)	BF - 多层感知器	86.36	82.61	90.48
FDCT (4 尺度)	Bagging	77.27	73.91	80.95
FDCT (4 尺度)	IG - K - means	84.09	69.57	100
FDCT (4 尺度)	BF - 决策表	81.82	78.26	85.71
FDCT (4 尺度)	IG - 逻辑模型树	81.82	78.26	85.71
FDCT (4 尺度)	LDA	93.18	100.00	85.71

结果表明，所有方法中 LDA 获得了最高的准确率和灵敏度。特别是对于 FDCT，LDA 实现了 93.18% 的准确率和 100% 的灵敏度。此外，基于 K - means 的元分类器在 DWT 和 FDCT 数据集上产生了 100% 的最高特异性。

结论

本研究表明，使用多分辨率小波方案可以有效表征 DCE - MRI 中乳腺肿瘤的纹理。FDCT 特征与 LDA 分类器结合在乳腺肿瘤分类中实现了高准确率，说明曲波变换可能是乳腺癌检测的关键。

然而，该方法的主要局限性在于依赖手动肿瘤边界分割。通过引入自动分割技术可以克服这一限制，使方法更具鲁棒性和可重复性。此外，在特征提取之前细化手动分割可能会提高病变分类的准确率。未来需要进行更多研究，系统地应用新的多分辨率方案和更多分类器到更大的人群中，以验证研究结果。

mermaid 流程图如下：

graph LR
    A[乳腺肿瘤分类开始] --> B[肿瘤分割]
    B --> C[跨对象归一化]
    C --> D[特征提取]
    D --> E[选择分类器和特征选择方法]
    E --> F[肿瘤分类]
    F --> G[评估分类性能]
    G --> H[得出结论]

多分辨率方法在医学图像分析中的优势与挑战

优势总结

多分辨率方法在有丝分裂检测和乳腺肿瘤分类中展现出了显著的优势。在有丝分裂检测方面，霍夫森林投票优化提升了检测的准确性，双阶段检测框架结合多组件的联合检测提高了整体性能，并且当前的自动检测算法作为预处理步骤能大幅减少手动检查的工作量。在乳腺肿瘤分类中，多分辨率小波变换（DWT、SWT、FDCT）能够有效捕捉肿瘤的纹理特征，不同的变换方法从不同角度对图像进行分析，为肿瘤分类提供了丰富的信息。特别是 FDCT 与 LDA 分类器的结合，取得了较高的分类准确率，显示出曲波变换在乳腺癌检测中的潜力。

挑战分析

尽管多分辨率方法取得了一定的成果，但也面临着一些挑战。在有丝分裂检测中，当前算法对子细胞的分割不够准确，无法自动提取子细胞的特征，需要开发新的处理算法来解决这一问题。在乳腺肿瘤分类中，方法依赖手动肿瘤边界分割，这不仅增加了工作量，还可能引入人为误差。手动分割的准确性直接影响后续特征提取和分类的结果，因此需要引入自动分割技术来提高方法的鲁棒性和可重复性。

应对策略

为了应对这些挑战，可以采取以下策略：
1. 有丝分裂检测 ：投入更多精力研究子细胞分割算法，结合机器学习和图像处理技术，提高子细胞分割的准确性。例如，可以利用深度学习模型对细胞图像进行训练，学习子细胞的特征和边界信息，从而实现更精确的分割。
2. 乳腺肿瘤分类 ：引入自动分割技术，如基于深度学习的分割网络（如 U - Net 等），自动识别肿瘤的边界。同时，在特征提取之前对手动分割结果进行细化处理，进一步提高病变分类的准确率。

未来研究方向

技术创新

未来的研究可以探索更多的多分辨率变换方法和分类算法。例如，尝试将新型的变换方法应用于医学图像分析中，挖掘更多的图像特征。同时，不断优化现有的分类算法，提高其性能和适应性。还可以结合多种分类算法，构建集成分类器，充分发挥不同算法的优势。

数据扩展

扩大数据集的规模和多样性是提高模型泛化能力的关键。收集更多不同类型、不同阶段的医学图像数据，包括有丝分裂图像和乳腺肿瘤图像，进行更全面的训练和验证。这样可以使模型更好地适应各种复杂的情况，提高检测和分类的准确性。

临床应用

将研究成果应用于临床实践是最终目标。与医疗机构合作，开展临床试验，验证方法在实际临床环境中的有效性和可靠性。同时，开发易于使用的临床辅助诊断系统，为医生提供准确、快速的诊断建议，提高医疗效率和质量。

跨领域合作

医学图像分析是一个跨学科的领域，需要计算机科学、医学、生物学等多个领域的专业知识。加强跨领域合作，整合不同领域的资源和技术，能够推动医学图像分析的发展。例如，与生物学家合作，深入了解细胞的生物学特性，为有丝分裂检测提供更深入的理论支持。

总结

多分辨率方法在有丝分裂检测和乳腺肿瘤分类中具有重要的应用价值。通过优化投票一致性、联合多组件检测等方法，提高了有丝分裂检测的准确性；利用多分辨率小波变换和多种分类算法，实现了乳腺肿瘤的有效分类。然而，方法也面临着子细胞分割不准确、依赖手动分割等挑战。未来的研究需要在技术创新、数据扩展、临床应用和跨领域合作等方面不断努力，以推动医学图像分析技术的发展，为医学诊断提供更有力的支持。

关键要点回顾

• 有丝分裂检测：霍夫森林投票优化提升准确性，双阶段检测框架结合多组件联合检测提高性能，当前算法可作为预处理步骤减少手动工作量，但子细胞分割需改进。
• 乳腺肿瘤分类：多分辨率小波变换（DWT、SWT、FDCT）捕捉纹理特征，FDCT 与 LDA 结合取得高准确率，方法依赖手动分割需引入自动技术。
• 应对策略：有丝分裂检测研究新的子细胞分割算法，乳腺肿瘤分类引入自动分割技术并细化手动分割结果。
• 未来方向：技术创新、数据扩展、临床应用和跨领域合作。

表格：关键指标总结

研究领域	关键指标	表现
有丝分裂检测	检测准确率（AUC）	72.4%
乳腺肿瘤分类（FDCT + LDA）	准确率	93.18%
乳腺肿瘤分类（FDCT + LDA）	灵敏度	100.00%

mermaid 流程图：未来研究方向

graph LR
    A[未来研究方向] --> B[技术创新]
    A --> C[数据扩展]
    A --> D[临床应用]
    A --> E[跨领域合作]
    B --> F[探索新变换方法]
    B --> G[优化分类算法]
    B --> H[构建集成分类器]
    C --> I[收集更多数据]
    C --> J[增加数据多样性]
    D --> K[开展临床试验]
    D --> L[开发临床辅助诊断系统]
    E --> M[与多领域合作]
    E --> N[整合资源和技术]

通过以上的研究和探索，多分辨率方法有望在医学图像分析领域取得更大的突破，为医学诊断和治疗提供更有效的支持。