73、医学影像诊断技术：新生儿髋关节发育不良与前列腺癌的智能诊断方案

医学影像诊断技术：新生儿髋关节发育不良与前列腺癌的智能诊断方案

1. 新生儿髋关节发育不良诊断新技术

1.1 α3D 指标的提出

在新生儿髋关节发育不良的诊断中，传统的 2D 测量指标 α2D 存在一定的局限性。研究人员提出了一种自动 3D 发育不良指标 α3D，用于在新生儿髋关节的 3D 超声图像中表征髋关节发育不良。通过对 30 次髋关节检查的分析，发现 α3D 的标准差明显低于最近描述的 3D ACA 指标的变异性（2.19° 对比 4.1°），这表明 α3D 具有更高的稳定性和可靠性。

1.2 计算考量

从超声体积中提取 α3D 的完整过程在配备 Xeon(R) 3.40 GHz CPU 和 12 GB RAM 的计算机上运行，使用 MATLAB 2015b 执行，大约需要 270 秒。由于目前超声检查后由超声医师处理图像，这个计算时间对实际应用影响不大。不过，研究人员计划优化代码以进一步减少计算时间。

1.3 结论与展望

与目前标准的 2D 测量指标 α2D 相比，使用 α3D 显著降低了变异性。这表明基于 3D 形态学的发育不良指标（DM）可能有助于提高发育性髋关节发育不良（DDH）诊断的可靠性，从而实现更标准化的 DDH 评估和更高的诊断准确性。值得注意的是，3D 扫描可靠性的提高是由骨科医生实现的，他们在超声检查方面的培训有限，而 2D 扫描和指标则由接受过超声采集和分析明确培训的放射科医生获得。这强烈表明，未来我们可能能够培训非放射科人员使用 3D 超声机器获得可靠且可重复的发育不良指标，从而降低 DDH 筛查的成本。

1.4 相关数据对比

指标	变异性
α3D	2.19°
3D ACA 指标	4.1°

1.5 计算流程

graph LR
    A[获取超声体积] --> B[提取 α3D]
    B --> C[计算完成]

2. 前列腺癌早期诊断的计算机辅助诊断系统

2.1 研究背景

前列腺癌是美国男性中仅次于皮肤癌的最常见恶性肿瘤，也是仅次于肺癌的癌症死亡的第二大主要原因。早期检测前列腺癌可以降低死亡率。目前，诊断前列腺癌的标准技术是在血液中前列腺特异性抗原（PSA）水平升高（大于 4 ng/mL）后进行经直肠超声（TRUS）引导的穿刺活检。当 PSA 水平与 TRUS 引导活检结果存在矛盾时，磁共振成像（MRI）在检测前列腺癌方面具有重要意义。

2.2 不同 MRI 技术的比较

不同的 MRI 技术，如 T2 加权 MRI、动态对比增强 MRI（DCE-MRI）和扩散加权 MRI（DW-MRI），已被用于前列腺癌的计算机辅助诊断（CAD）系统。T2 加权 MRI 提供了软组织的优越病理细节，但缺乏功能信息，单独使用时特异性较低。DCE-MRI 使用对比材料（如钆）来改善不同组织类型之间的对比度，但需要较长的采集时间，且对比材料对肾脏有问题的患者有害。DW-MRI 通过研究水分子的扩散间接识别组织细胞性，虽然图像质量低于 DCE-MRI，但具有快速采集、无需对比材料的优点，诊断准确性高于 DCE-MRI 和 T2 加权 MRI。

2.3 现有 CAD 系统的不足

目前，少数前列腺癌 CAD 系统评估了单独使用 DW-MR 图像或与其他 MRI 技术结合使用的情况。大多数现有 CAD 系统使用多参数 MRI，成本较高。本文提出的 CAD 系统专注于使用 DW-MRI 对整个前列腺体积进行恶性或良性分类，而不是寻找癌症的位置。

2.4 系统方法

2.4.1 前列腺分割

该 CAD 系统的第一步是使用混合框架对前列腺进行分割，该框架集成了几何可变形模型（水平集）和非负矩阵分解（NMF）。该模型由随机速度函数引导，该函数通过 NMF 从 MRI 强度、概率形状模型和前列腺体素之间的空间相互作用信息中推导得出。该方法达到了 86.89% 的整体 Dice 相似系数和 5.72 mm 的平均 Hausdorff 距离，表明具有较高的分割准确性。

2.4.2 特征提取

分割前列腺组织后，从分割的 DW-MRI 数据中估计区分特征，以区分良性和恶性病例。本文使用表观扩散系数（ADC）作为区分特征，因为恶性组织在不同 b 值下的 ADC 低于良性和正常组织。体素级 ADC 根据以下公式计算：
[ADC(x, y, z) = \frac{\ln \frac{S_0(x,y,z)}{S_1(x,y,z)}}{b_1 - b_0}]
其中 (S_0) 和 (S_1) 分别是在 (b_0) 和 (b_1) b 值下获取的信号强度。然后，将所有受试者在特定 b 值下的 ADC 图相对于所有这些图的最大值进行归一化，使其范围在 0 到 1 之间。使用广义高斯 - 马尔可夫随机场（GGMRF）图像模型对计算得到的 ADC 值进行细化，以去除数据不一致性并保持连续性。最后，构建每个受试者归一化 ADC 的累积分布函数（CDF），这些 CDF 被用作区分良性和恶性病例的全局特征。

2.4.3 两阶段分类

为了对前列腺肿瘤进行分类，CAD 系统采用了具有两阶段结构的堆叠自动编码器（AE）的深度神经网络。在第一阶段，针对七个不同的 b 值（100 到 700 s/mm²）分别使用七个基于自动编码器的分类器来估计初始分类概率。这些概率在第二阶段被连接起来，并输入到另一个堆叠非负约束自动编码器（SNCAE）中以估计最终分类。

每个 AE 通过贪婪无监督预训练单独构建，以压缩其输入数据（在某个 b 值下的 100 分量 CDF），捕获最显著的变化。在 AE 层之后堆叠一个 softmax 输出层，通过最小化给定训练标记数据的总损失（负对数似然），便于后续基于监督反向传播的整个分类器的微调。使用具有非负约束的 AE（NCAE）在无监督预训练期间产生更合理的数据代码（特征），并在监督细化后提高分类性能。

2.5 实验结果

实验在 53 个临床 DW-MRI 数据集（27 个良性和 26 个恶性）上进行。使用具有以下参数的 GE Signa Horizon 身体线圈扫描仪在轴向平面获取数据：磁场强度为 1.5 T，TE 为 84.6 ms，TR 为 8000 ms，带宽为 142.86 kHz，FOV 为 34 cm，切片厚度为 3 mm，切片间隙为 0 mm，采集序列为常规 EPI，扩散加权方向为单方向，b 值范围为 0 到 700 s/mm²。平均每个患者在 120 秒内获得 26 个切片，体素大小为 1.25×1.25×3.00 mm³。所有标注均由专家验证，恶性病例的 Gleason 评分范围为 6 到 8。

通过留一法交叉验证对系统进行评估。在分类的最后阶段，将 7 个 AE 的输出概率连接起来，输入到预测阶段的 SNCAE 中。该分类器在所有测试数据集上的整体准确率达到 98.11%，高于其他报告的准确率。

2.6 与其他分类器的比较

为了突出所提出系统的优点，将其与 Weka 工具箱中实现的四个现成分类器（K*、K 近邻、随机森林和随机树分类器）进行了比较。输入特征均为 100 分量 CDF。结果表明，所提出的框架具有更高的准确性。

分类器	准确率
本文提出的系统	98.11%
K* 分类器	-
K 近邻分类器	-
随机森林分类器	-
随机树分类器	-

2.7 系统流程

graph LR
    A[获取 DW-MRI 数据] --> B[前列腺分割]
    B --> C[特征提取]
    C --> D[第一阶段分类]
    D --> E[概率连接]
    E --> F[第二阶段分类]
    F --> G[输出最终分类结果]

综上所述，所提出的新生儿髋关节发育不良诊断新技术和前列腺癌早期诊断的计算机辅助诊断系统在医学影像诊断领域具有重要的应用价值，有望提高诊断的准确性和效率，为患者提供更好的医疗服务。

3. 技术优势与临床意义

3.1 新生儿髋关节发育不良诊断技术优势

• 稳定性提升 ：α3D 指标相较于传统 2D 指标 α2D 以及 3D ACA 指标，在变异性上有显著降低。这意味着在多次测量中，α3D 能更稳定地反映髋关节的发育情况，减少了测量误差，为临床诊断提供了更可靠的数据支持。
• 人员培训潜力 ：由骨科医生使用 3D 扫描技术实现了可靠性的提高，这暗示了未来可以对非放射科人员进行培训，使其能够使用 3D 超声机器获取可靠且可重复的发育不良指标。这不仅可以扩大诊断人员的范围，还能降低 DDH 筛查的成本，提高筛查的普及性。

3.2 前列腺癌 CAD 系统优势

• 单一模态高效性 ：与大多数使用多参数 MRI 的 CAD 系统不同，本系统仅使用 DW-MRI 进行诊断，避免了多参数 MRI 带来的高成本问题。同时，DW-MRI 具有快速采集、无需对比材料的优点，减少了患者的检查时间和潜在风险。
• 特征提取与分类优化 ：通过提取 ADC 的 CDF 作为全局特征，避免了传统分类方法中因输入数据大小不一致而导致的问题。两阶段的分类结构，结合堆叠非负约束自动编码器（SNCAE），进一步提高了分类的准确性。

3.3 临床意义

这两项技术在临床诊断中都具有重要意义。新生儿髋关节发育不良的早期准确诊断可以及时采取治疗措施，避免髋关节发育异常导致的长期残疾。而前列腺癌的早期诊断对于提高患者的生存率至关重要，本 CAD 系统的高准确性可以为临床医生提供更可靠的诊断依据，帮助制定更合适的治疗方案。

4. 未来发展方向

4.1 新生儿髋关节发育不良诊断

• 代码优化 ：虽然目前提取 α3D 的计算时间对临床应用影响不大，但仍有优化的空间。未来可以通过优化代码，进一步减少计算时间，提高诊断效率。
• 多中心验证 ：目前的研究可能仅基于有限的样本和特定的设备。未来需要进行多中心的研究，验证 α3D 指标在不同设备和不同人群中的可靠性和有效性。

4.2 前列腺癌 CAD 系统

• 模型改进 ：可以进一步改进 SNCAE 模型的结构和参数，提高分类的准确性和鲁棒性。同时，可以探索结合更多的特征和信息，如纹理特征、形态特征等，以提高诊断的性能。
• 临床应用推广 ：将该 CAD 系统应用于更多的临床实践中，验证其在实际临床环境中的有效性和实用性。同时，与临床医生进行更深入的合作，将系统的诊断结果更好地融入临床决策过程中。

5. 总结

5.1 技术总结

本文介绍了新生儿髋关节发育不良诊断的 α3D 技术和前列腺癌早期诊断的计算机辅助诊断系统。α3D 技术通过 3D 超声图像提供了更稳定、可靠的髋关节发育评估指标，有望降低 DDH 筛查的成本。前列腺癌 CAD 系统利用 DW-MRI 数据，通过独特的特征提取和两阶段分类方法，实现了高准确性的前列腺肿瘤分类。

5.2 应用前景

这两项技术在医学影像诊断领域具有广阔的应用前景。它们不仅可以提高诊断的准确性和效率，还可以为临床医生提供更全面的诊断信息，帮助制定更个性化的治疗方案。未来，随着技术的不断发展和完善，这些技术有望在临床实践中得到更广泛的应用，为患者带来更好的医疗服务。

5.3 技术对比总结

技术领域	传统方法	新技术	优势
新生儿髋关节发育不良诊断	2D 指标 α2D、3D ACA 指标	α3D 指标	稳定性高、可培训非放射科人员
前列腺癌诊断	多参数 MRI CAD 系统	基于 DW-MRI 的 CAD 系统	成本低、特征提取与分类优化

5.4 未来发展总结

graph LR
    A[新生儿髋关节发育不良诊断] --> B[代码优化]
    A --> C[多中心验证]
    D[前列腺癌 CAD 系统] --> E[模型改进]
    D --> F[临床应用推广]

通过对上述技术的研究和应用，医学影像诊断领域有望取得更大的突破，为患者的健康提供更有力的保障。