37、基于DCE - MRI的非肿块型乳腺病变分类的新型形态特征

基于DCE - MRI的非肿块型乳腺病变分类的新型形态特征

1. 引言

动态对比增强磁共振成像（DCE - MRI）凭借其高灵敏度，在高风险患者的乳腺癌筛查、术前分期以及术后随访等方面得到广泛应用。依据BI - RADS词典，根据病变的形态特征，可将其分为肿块型、非肿块型和病灶型。对乳腺导管原位癌（DCIS）等非肿块型病变的准确描绘和诊断，即便对于经验丰富的医生而言，也是极具挑战性的任务。

临床研究表明，基于DCE - MRI的动力学参数在区分肿块型病变的良恶性方面有一定成效，但在鉴别非肿块型病变时效果不佳。这导致高度依赖动力学特征的计算机辅助诊断（CAD）工具在对非肿块型病变进行分类时常常失败。此前的研究在非肿块型病变的敏感性和特异性方面，尚未达到对实性肿块的CAD诊断水平。因此，急需能够准确描绘病变形状和分布的显著形态特征。

近期，已有一些专注于区分MRI中非肿块型病变的CAD系统被报道。例如，Chen等人结合了特征动力学曲线（CKCs）衍生的动力学特征、形态特征和纹理特征，对肿块和非肿块型病变进行测试，得到的曲线下面积（AUC）为0.85；Hoffmann等人分别评估了一组形态学、动力学和时空矩描述符以及Zernike速度矩的判别能力；Goto等人首次直接比较了DCE - MRI（早期增强）和高空间分辨率MRI（形态特征）的诊断性能，发现多数情况下仅依据某些形态特征就能正确诊断乳腺病变，且形态特征在区分乳腺良恶性病变方面比早期增强更为重要，其对肿块和非肿块型病变的诊断准确率分别达到95%和87%。

在本研究中，我们提出了三种基于现有球体填充算法的新型形态特征，并结合Zernike描述符。这些特征有助于更精确地描绘良恶性病变的形状，从而提高判别准确率。我们将特征提取、选择和分类模块集成到基于MeVisLab平台实现的CAD框架中。为了测试这些特征的性能，我们使用了包含86名患者的106个非肿块型病变的数据集进行实验，其中68个为病理确诊的恶性病变，38个为良性病变。通过随机森林（RF）分类器和10折交叉验证方案，我们取得了90.56%的准确率、90.3%的精度以及0.94的AUC值。

2. 材料与方法

2.1 成像技术与数据集

DCE - MRI图像是在荷兰奈梅亨的一台1.5T西门子Magnetom Vision扫描仪上采集的。患者采用俯卧位，使用专用的CP乳腺阵列线圈。不同扫描体积的像素间距在0.625mm至0.722mm之间，切片厚度为1.3mm，体积大小为512×256×120体素。重复时间（TR）为6.80s，回波时间（TE）为4.00s，翻转角为20°。

所有患者均通过针吸/切除活检或手术切除进行组织学确诊。其中，恶性病变有68个，大部分被诊断为DCIS，其余为浸润性导管癌（IDC）、浸润性小叶癌（ILC）、小叶原位癌（LCIS）和转移癌；良性组织学发现有38个，包括纤维囊性改变（FCC）、腺病和增生。一位经验丰富的放射科医生回顾了组织学报告，并使用计算机辅助工具通过区域生长和手动校正的方法对所有病变进行了手动分割。

2.2 特征提取

我们总共提出了四种形态特征，其中包括三种基于球体填充算法生成的数据结构的新型形状描述符，以及Zernike描述符。这些特征能够有效地描述病变的形状和分布特性。
- 基于球体填充的特征
- 体积 - 半径直方图 ：该直方图的x轴表示内部球体的半径范围，可划分为任意数量的区间；y轴表示半径落入相应区间的球体体积之和。在良性病变（形状更规则或呈圆形）中，大部分病变空间被少数较大的球体占据，其余空间由较小的球体填充；而在恶性病变中，大部分体积被中等大小的球体占据。
- 包围球的填充分数 ：对于每个病变，将球体填充算法生成的所有内部球体用一个更大的球体包围起来，并计算其占据的分数作为一个特征。该特征无量纲，且值始终在单位范围内。可以采用多种策略来确定包围球的中心点位置，如坐标的平均中心、放置在两个最远球体之间、最大内部球体的中心以及最小包围球的中心等。良性病变（通常形状规则且呈圆形）的包围球填充更充分，空隙更少，该分数更接近1；而恶性病变的该分数接近0。
- 图拓扑特征 ：图分析可用于表征复杂结构，有助于更好地理解其组成部分之间的关系。在本研究中，我们将嵌入球体的中心点视为节点，它们之间的空间关系视为边，并根据距离赋予权重。我们研究了包括Prim和Kruskal最小生成树、相对邻域图、Gabriel图和β - 骨架图等多种图结构，最终发现Gabriel图的准确率最高。此外，我们还采用了最大邻居数（K - Max）等空间约束来形成子图，并使用了多种聚类有效性指标，如图形紧凑性指标、边密度、结构线性度、Dunn指数、Davies Bouldin指数、MinMaxCut、图的内聚性、模块化质量、全局轮廓指数、Jaccard系数、Folkes、Mallows、Hubert和Arabie指数等，提取全局和局部基于图的几何特征，这些指标的值构成特征向量。
- 3D Zernike描述符 ：基于矩的描述符广泛应用于目标识别和形状匹配，用于提供空间特征的紧凑数值表达。我们使用Novotni和Klein提出的基于球谐函数描述符的扩展方法提取3D Zernike描述符，该方法能够捕捉物体在径向方向上的连贯性。

以下是特征提取模块的参数信息：
| 特征提取模块 | 参数 | 最佳值 | 输出特征数量 |
| — | — | — | — |
| 体积 - 半径直方图 | 区间数量 | 50 | 50 |
| 包围球的填充分数 | 中心点位置 | 平均中心 | 1 |
| 图形态特征 | K - Max，图类型 | 节点数，Gabriel | 19 |
| Zernike描述符 | 最大阶数 | 15 | 72 |

3. 结果与评估

为了检验所提出特征的性能，我们首先在不进行任何特征选择的情况下进行了评估。我们采用了包含68个恶性和38个良性病变的106个样本。每个病变用4000个球体进行填充，并通过在多维参数空间中进行参数扫描，对每个参数组合的特征向量进行分类，以获得准确率最高的最佳参数值。

为了验证提取的特征，我们使用了包括随机森林、朴素贝叶斯、AdaBoost和支持向量机（SVM）在内的二元分类器，对通过上述方法获得的总共142个特征进行训练。对于每个分类器，我们在数据集的病变上应用了分层10折交叉验证方案。不同分类器的分类能力（以AUC表示）如下表所示，其中随机森林分类器取得了最佳结果。
| 分类器类型 | 真阳性率（TP Rate） | | 假阳性率（FP Rate） | | 精度（Precision） | | AUC | |
| — | — | — | — | — | — | — | — | — |
| | 良性 | 恶性 | 良性 | 恶性 | 良性 | 恶性 | 良性 | 恶性 |
| 随机森林 | 0.78 | 0.91 | 0.08 | 0.21 | 0.83 | 0.88 | 0.90 | 0.90 |
| 朴素贝叶斯 | 0.86 | 0.44 | 0.55 | 0.13 | 0.46 | 0.85 | 0.66 | 0.81 |
| AdaBoost | 0.65 | 0.89 | 0.10 | 0.34 | 0.78 | 0.82 | 0.83 | 0.83 |
| 支持向量机 | 0.68 | 0.29 | 0.70 | 0.31 | 0.35 | 0.62 | 0.48 | 0.48 |

以下是整个流程的mermaid流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A(数据采集):::process --> B(手动分割病变):::process
    B --> C(特征提取):::process
    C --> D(参数调优):::process
    D --> E(特征选择):::process
    E --> F(分类器训练):::process
    F --> G(10折交叉验证):::process
    G --> H(结果评估):::process

在机器学习算法中，使用特征选择机制减少训练数据的过拟合非常重要。我们利用平均准确率下降（MDA）和平均基尼不纯度下降（MDG）作为变量重要性标准，从142个特征集中选择了前30个最有效的特征进行评估。使用RF分类器时，MDA排名显示出比MDG更高的准确率。在MDA排名靠前的特征中，体积 - 半径直方图、包围球的填充分数、图特征和Zernike描述符特征分别获得了最高的排名。需要注意的是，在这些特征中，只有线性结构、新紧凑性指数Cp∗和Dunn指数这三个图特征出现在前30个MDA特征中。

此外，我们还研究了应用主成分分析（PCA）特征选择来进一步降低维度并寻找特征之间的最佳相关性，但评估结果并未显示出明显的改进。下表展示了RF分类器在应用MDA、MDG、PCA over MDA和PCA over MDG前后的分类结果。
| 特征选择方法 | 特征数量 | 真阳性率（TP Rate） | | 假阳性率（FP Rate） | | 精度（Precision） | | 准确率（Accuracy） | | AUC | |
| — | — | — | — | — | — | — | — | — | — | — | — |
| | | 良性 | 恶性 | 良性 | 恶性 | 良性 | 恶性 | 良性 | 恶性 | 良性 | 恶性 |
| 无选择 | 142 | 0.789 | 0.912 | 0.088 | 0.211 | 0.833 | 0.886 | 13.2% | 86.79% | 0.907 | 0.907 |
| MDG | 30 | 0.816 | 0.956 | 0.044 | 0.184 | 0.912 | 0.903 | 9.43% | 90.56% | 0.935 | 0.935 |
| MDA | 30 | 0.816 | 0.956 | 0.044 | 0.184 | 0.912 | 0.903 | 9.43% | 90.56% | 0.94 | 0.94 |
| PCA on MDG | 5 | 0.763 | 0.941 | 0.059 | 0.237 | 0.879 | 0.877 | 12.26% | 87.73% | 0.935 | 0.935 |
| PCA on MDA | 5 | 0.816 | 0.926 | 0.074 | 0.184 | 0.861 | 0.900 | 11.32% | 88.67% | 0.936 | 0.936 |

综上所述，本研究提出的基于球体填充的新型形态特征在非肿块型乳腺病变分类中表现出了良好的性能。通过特征选择和分类器的优化，我们取得了较高的准确率和AUC值。未来，我们将致力于进一步提高这些特征的计算效率，并探索更多基于球体填充的特征。同时，我们也认识到本研究存在一定的局限性，例如缺乏公开可用的非肿块型病变验证数据集，以及10折交叉验证方法可能存在的过拟合问题，但通过MDA选择特征将特征数量减少到30个，最终获得了低过拟合和无偏的结果。

4. 结论与讨论

本研究聚焦于利用球体填充（非重叠且半径不均匀）方法开发一套新型形态特征，用于对非肿块型乳腺病变进行分类。基于恶性病变相较于良性病变（形状更规则、呈圆形）往往具有不规则形状和边缘的假设，基于球体填充的特征能够有效捕捉这些形状差异，进而提高判别准确率。所有提出的特征均具有平移、旋转和缩放不变性，这是因为它们要么是无坐标特征，要么我们首先对数据进行了归一化处理。

据我们所知，这是首次将这种对象表示方法用于MRI中非肿块型病变的分类研究。球体填充的一个优点是，与体素表示或网格表面相比，它能够更简洁地描述体积形状。此外，它还允许导出额外的元表示（例如邻近图和骨架），我们在本研究中也对其进行了探索。在众多发现中，我们发现体积 - 半径直方图是一种特别有效的形状描述符，可将非肿块型乳腺病变分为良性和恶性。

为了减少提取特征的冗余，我们研究了两种特征选择技术的应用：平均准确率下降（MDA）和主成分分析（PCA），以减少数据的过拟合。我们使用从86名患者收集的106个非肿块型病变的数据集来测试这些特征的分类性能。进行了两项实验，比较了有无特征选择的性能，并评估了使用不同分类器的分类准确率。当使用MDA选择的特征结合随机森林（RF）分类器和10折交叉验证（10 - FCV）方案时，取得了最佳的曲线下面积（AUC）值0.94。该实验证明了我们提出的特征的判别能力，以及它们在提高计算机辅助诊断（CAD）系统诊断准确性方面的潜力。

未来展望

在未来的研究中，我们将着重于以下几个方面的工作：
1. 提高特征计算效率 ：目前，部分特征的计算可能较为耗时，我们计划通过优化算法、采用更高效的计算架构等方式，进一步提高这些特征的计算效率，以满足临床快速诊断的需求。
2. 探索更多基于球体填充的特征 ：球体填充方法具有很大的潜力，我们将继续深入研究，探索更多能够反映病变特征的形态特征，以进一步提高分类的准确性和鲁棒性。
3. 多模态数据融合 ：考虑结合其他影像学模态（如超声、钼靶等）的数据，以及临床信息（如患者年龄、家族病史等），进行多模态数据融合分析，以获取更全面的病变信息，提高诊断的准确性。
4. 外部验证和临床应用 ：由于目前缺乏公开可用的非肿块型病变验证数据集，我们计划收集更多的临床数据进行外部验证，以确保我们的方法在不同数据集上的有效性和稳定性。同时，积极推动该方法在临床实践中的应用，为医生提供更准确的诊断辅助。

局限性分析

尽管本研究取得了一定的成果，但也存在一些局限性：
1. 缺乏公开验证数据集 ：目前没有公开可用的经过验证的非肿块型病变数据集，这使得我们难以与其他研究进行直接的基准比较。我们使用的数据集是由放射科医生精心标注的，虽然适合本研究，但缺乏广泛的外部验证。
2. 10 - FCV方法可能存在过拟合 ：尽管10 - FCV方法通常比其他当前方法（如留一法交叉验证和自助法）更可靠，因为它具有较低的方差，但我们也意识到该方法可能会导致一定程度的过拟合。不过，通过使用MDA将特征数量减少到30个，最终获得了低过拟合和无偏的结果。

以下是未来研究计划的列表：
- 优化特征计算算法，提高计算效率
- 深入探索球体填充方法，挖掘更多特征
- 开展多模态数据融合研究
- 收集更多临床数据进行外部验证
- 推动方法在临床实践中的应用

总结

本研究提出的基于球体填充的新型形态特征为非肿块型乳腺病变的分类提供了一种有效的方法。通过特征提取、选择和分类器的优化，我们在实验中取得了较高的准确率和AUC值。尽管存在一定的局限性，但未来的研究方向明确，有望进一步提高该方法的性能和实用性，为临床诊断提供更有力的支持。

以下是整个研究过程的总结mermaid流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A(提出研究问题):::process --> B(开发新型形态特征):::process
    B --> C(特征提取与选择):::process
    C --> D(分类器训练与验证):::process
    D --> E(结果评估):::process
    E --> F(发现特征优势与局限性):::process
    F --> G(确定未来研究方向):::process

通过本研究，我们不仅为非肿块型乳腺病变的分类提供了新的思路和方法，也为后续的研究奠定了基础。相信随着技术的不断发展和研究的深入，我们能够更好地解决非肿块型乳腺病变诊断中的难题，为乳腺癌的早期发现和治疗做出更大的贡献。