74、医学影像分析：前列腺癌与肝癌的诊断与治疗评估

医学影像分析：前列腺癌与肝癌的诊断与治疗评估

前列腺癌早期诊断的 DW - MRI CAD 系统

在前列腺癌的早期诊断方面，DW - MRI CAD 系统展现出了巨大的潜力。该系统利用分割前列腺的积分统计信息（表观扩散系数的累积分布函数）来训练 SNCAE 分类器。

不同 b 值下 SNCAE 分类器的表现

为了测试该系统的性能，研究人员在不同 b 值（100 到 700 s/mm²）下对 53 名受试者的 DW - MRI 数据集进行了实验。下面的表格展示了不同 b 值下 SNCAE 分类器的分类准确率：
| 分类器 | 正确实例 | 准确率 |
| — | — | — |
| SNCAE 1（b 值 = 100） | 50 个/53 个 | 94.34 % |
| SNCAE 2（b 值 = 200） | 48 个/53 个 | 90.57 % |
| SNCAE 3（b 值 = 300） | 49 个/53 个 | 92.45 % |
| SNCAE 4（b 值 = 400） | 47 个/53 个 | 88.68 % |
| SNCAE 5（b 值 = 500） | 48 个/53 个 | 90.57 % |
| SNCAE 6（b 值 = 600） | 49 个/53 个 | 92.45 % |
| SNCAE 7（b 值 = 700） | 51 个/53 个 | 96.23 % |

从表格中可以看出，不同 b 值下的分类准确率有所波动。通过留一受试者法实验，使用所有 b 值时，系统的整体诊断准确率达到了 98.11 %。

与其他分类器的比较

研究人员还将 SNCAE 分类器与四个现成的 Weka 分类器进行了比较，比较的指标包括分类准确率、灵敏度、特异性和曲线下面积（AUC），结果如下表所示：
| 分类器 | 准确率 | 灵敏度 | 特异性 | AUC |
| — | — | — | — | — |
| SNCAE（提议的） | 98.11 % | 96.15 % | 100 % | 0.987 |
| K*（K - Star） | 94.32 % | 94.33 % | 94.42 % | 0.926 |
| KNN - 分类器（IBK） | 88.67 % | 88.63 % | 88.71 % | 0.887 |
| 随机森林 | 88.64 % | 88.72 % | 88.60 % | 0.952 |
| 随机树 | 84.91 % | 85.13 % | 84.93 % | 0.851 |

从这些数据可以明显看出，SNCAE 分类器在各个指标上都表现出色，尤其是其 AUC 接近 0.987，远高于其他分类器，这表明它在前列腺癌的早期诊断中具有很强的优势。

系统工作流程

下面是该 DW - MRI CAD 系统的工作流程 mermaid 流程图：

graph TD;
    A[获取 DW - MRI 数据集] --> B[分割前列腺];
    B --> C[提取积分统计信息];
    C --> D[训练 SNCAE 分类器];
    D --> E[进行分类诊断];

肝癌化疗响应的多维纹理分析

对于肝癌化疗响应的评估，传统的视觉观察方法面临着很大的挑战，因为肿瘤组织的超声散斑模式复杂且具有异质性。为了解决这个问题，研究人员提出了一种新的肿瘤纹理异质性模型。

研究背景与动机

肝脏肿瘤的超声扫描在预测化疗响应方面越来越受到重视。然而，由于肿瘤散斑模式的复杂性，仅通过视觉观察很难准确评估肿瘤对化疗的响应。因此，研究人员决定从射频（RF）回波信号入手，因为它没有经过对数压缩和专有滤波算法的处理，能够更好地保留原始数据，从而进行更准确的统计建模。

材料与方法

超声 RF 数据分析

肿瘤组织的后向散射信号具有随机性，其局部浓度和空间排列可能因肿瘤的进展或消退而有所不同。研究人员使用 Nakagami 分布来描述这种随机性，其密度函数定义为：
[P_n (x|m, \Omega) = \frac{2m^m}{\Gamma (m) \Omega^m} x^{2m - 1}e^{-\frac{mx^2}{\Omega}}]
其中，(x \geq 0)，(\Gamma) 是欧拉伽马函数，(m > 0) 是与散射体局部浓度相关的形状参数，(\Omega > 0) 是与局部后向散射能量相关的缩放参数。通过调整 (m) 的值，可以近似模拟其他统计分布，如 Rician 分布（(m > 1)）、Rayleigh 分布（(m = 1)）和 K - 分布（(m < 1)）。

圆谐小波分析

为了分析回波信号 (f(x, y)) 在不同空间尺度上的统计特性，研究人员使用了圆谐小波（CHW）。圆谐小波的构造基于 Simoncelli 的各向同性小波变换，其径向轮廓在傅里叶域的极坐标中定义为：
[
\hat{h}(\rho) =
\begin{cases}
\cos \left(\frac{\pi}{2} \log_2 \left(\frac{2\rho}{\pi}\right)\right), & \frac{\pi}{4} < \rho \leq \pi \
0, & \text{otherwise}
\end{cases}
]
阶数为 (n) 的圆谐小波在傅里叶域中构造为：
[\hat{\varphi}^{(n)}(\rho, \phi) = \hat{h}(\rho)e^{jn\phi}]
通过计算 |⟨f, φ(n)⟩| 的复数幅度，可以表征 (f(x, y)) 中的局部圆频率，并且该表示具有旋转不变性。

异质性量化

在将 (f) 投影到 CHW 框架后，通过估计每个体素与其周围邻域的自相似性来确定其局部分形维数（FD），从而得到分形纹理图。分形布朗运动（fBm）被用于描述这种自相似性，其特征可以表示为：
[E (\Delta v) = K\Delta r^H]
其中，(E (\Delta v) = |q - p|) 是体素对的平均绝对差，(\Delta r = \sqrt{\sum_{i = 1}^{s} (q - p)^2})（(s = 3) 用于 3 - D 空间中的 fBm 纹理表面）是体素对的距离，(H) 是 Hurst 指数，(K > 0) 是常数。

为了进一步区分具有相似 FD 值的纹理，研究人员引入了间隙度（Lacunarity，L）的概念，其定义为：
[L = \frac{\frac{1}{mn} \sum_{x} \sum_{y} F^2 - \left(\frac{1}{mn} \sum_{x} \sum_{y} F\right)^2}{\left(\frac{1}{mn} \sum_{x} \sum_{y} F\right)^2} = \frac{E[F^2] - E [F]^2}{E [F]^2} = \frac{Var [F]}{E [F]^2}]
间隙度可以衡量分形纹理的稀疏性，间隙度越低，肿瘤区域的异质性越高。

结果与讨论

临床数据集

研究人员使用诊断超声系统（Zonare Medical Systems）采集了 33 个肝脏肿瘤的 RF 超声数据，共获得 287 个横截面图像。其中，117 个图像对应的肿瘤对化疗有响应，170 个图像对应的肿瘤没有响应。响应情况根据实体肿瘤响应评价标准（RECIST）通过常规计算机断层扫描随访成像确定。

统计分析

研究人员将 2 (N + 1) × J 个特征（包括每个 N 和 J 下的平均 F 和 L）输入到支持向量机分类器中，以比较对响应和非响应病例的分类性能。通过留一肿瘤法进行交叉验证，并在独立测试集（107 个横截面图像，其中 69 个有响应，38 个无响应）上进行验证。结果表明，当使用优化的 N、J 和 I 值时，分类准确率达到了 97.91 %（未见过的数据为 97.2 %），明显优于之前的研究结果（92.1 %）。

研究流程总结

下面是该肝癌化疗响应评估方法的研究流程 mermaid 流程图：

graph TD;
    A[获取超声 RF 数据] --> B[进行 Nakagami 分布拟合];
    B --> C[使用 CHW 进行分解];
    C --> D[计算分形纹理图和间隙度];
    D --> E[输入支持向量机分类器进行分类];
    E --> F[评估化疗响应];

综上所述，无论是前列腺癌的早期诊断还是肝癌化疗响应的评估，新的方法都展现出了良好的性能和应用前景。未来，研究人员计划进一步扩展数据采集范围，以提高系统的准确性和鲁棒性。

前列腺癌诊断系统优势总结

数据处理优势

在前列腺癌早期诊断中，DW - MRI CAD 系统利用分割前列腺的积分统计信息来训练 SNCAE 分类器。与直接使用原始影像数据相比，这种方式能够更精准地捕捉到与癌症相关的特征。例如，在不同 b 值下对 53 名受试者的 DW - MRI 数据集进行实验，系统能够从这些复杂的数据中提取出关键信息，为后续的分类诊断提供有力支持。

分类器性能优势

从与其他分类器的比较中可以看出，SNCAE 分类器在各个指标上都表现出色。具体优势如下表所示：
| 优势指标 | SNCAE 分类器表现 | 其他分类器表现 |
| — | — | — |
| 准确率 | 98.11 % | 普遍低于 95% |
| 灵敏度 | 96.15 % | 相对较低 |
| 特异性 | 100 % | 低于 SNCAE 分类器 |
| AUC | 接近 0.987 | 远低于 SNCAE 分类器 |

这些优势使得 SNCAE 分类器在前列腺癌的早期诊断中具有很强的竞争力，能够更准确地识别出癌症患者，为患者的治疗争取宝贵的时间。

系统流程优势

DW - MRI CAD 系统的工作流程清晰合理，从获取 DW - MRI 数据集到最终进行分类诊断，每个步骤都紧密相连，能够高效地完成诊断任务。其流程如下：
1. 获取 DW - MRI 数据集：这是整个系统的基础，为后续的处理提供了原始数据。
2. 分割前列腺：将前列腺从影像数据中分离出来，便于后续的特征提取。
3. 提取积分统计信息：从分割后的前列腺数据中提取关键信息，为分类器的训练提供依据。
4. 训练 SNCAE 分类器：使用提取的信息对分类器进行训练，使其能够准确地进行分类诊断。
5. 进行分类诊断：对新的影像数据进行分类诊断，判断患者是否患有前列腺癌。

肝癌化疗响应评估方法优势分析

数据处理优势

在肝癌化疗响应评估中，研究人员从射频（RF）回波信号入手，避免了传统视觉观察方法的局限性。RF 回波信号没有经过对数压缩和专有滤波算法的处理，能够更好地保留原始数据，从而进行更准确的统计建模。例如，使用 Nakagami 分布来描述肿瘤组织的后向散射信号，能够更精准地捕捉到信号的特征。

特征提取优势

通过圆谐小波（CHW）分析和分形纹理图、间隙度的计算，研究人员能够从多个角度对肿瘤组织的纹理异质性进行量化。CHW 分析能够在不同空间尺度上描述回波信号的统计特性，分形纹理图和间隙度则能够进一步区分具有相似特征的纹理。这些特征的提取为后续的分类诊断提供了丰富的信息。

分类性能优势

将提取的特征输入到支持向量机分类器中进行分类，结果表明该方法具有很高的分类准确率。当使用优化的 N、J 和 I 值时，分类准确率达到了 97.91 %（未见过的数据为 97.2 %），明显优于之前的研究结果。这说明该方法在肝癌化疗响应评估中具有很强的实用性和可靠性。

研究流程优势

该肝癌化疗响应评估方法的研究流程合理高效，从获取超声 RF 数据到最终评估化疗响应，每个步骤都有明确的目标和方法。其流程如下：
1. 获取超声 RF 数据：这是整个研究的基础，为后续的处理提供了原始数据。
2. 进行 Nakagami 分布拟合：使用 Nakagami 分布来描述肿瘤组织的后向散射信号，为后续的分析提供模型支持。
3. 使用 CHW 进行分解：在不同空间尺度上对回波信号进行分解，提取信号的特征。
4. 计算分形纹理图和间隙度：进一步量化肿瘤组织的纹理异质性，为分类诊断提供更多的信息。
5. 输入支持向量机分类器进行分类：将提取的特征输入到支持向量机分类器中，进行分类诊断。
6. 评估化疗响应：根据分类结果评估肿瘤对化疗的响应情况。

未来研究展望

前列腺癌诊断系统

未来，研究人员计划进一步扩展 DW - MRI CAD 系统的数据采集范围，获取更高 b 值（大于 700 s/mm²）的数据，并增加训练和测试数据集的数量。这样可以进一步提高系统的准确性和鲁棒性，使其在前列腺癌的早期诊断中发挥更大的作用。

肝癌化疗响应评估方法

对于肝癌化疗响应评估方法，未来的研究可以考虑将该方法应用于更多的临床病例中，进一步验证其有效性和可靠性。同时，可以探索与其他技术的结合，如人工智能、机器学习等，以提高评估的准确性和效率。此外，研究人员还可以考虑对不同深度的肿瘤进行研究，以解决肿瘤深度对 RF 数据幅度的影响问题。

总结

本文介绍了两种医学影像分析方法，分别用于前列腺癌的早期诊断和肝癌化疗响应的评估。DW - MRI CAD 系统在前列腺癌早期诊断中表现出色，SNCAE 分类器在各个指标上都具有明显优势。肝癌化疗响应的多维纹理分析方法通过引入新的肿瘤纹理异质性模型，能够更准确地评估肿瘤对化疗的响应。这两种方法都展现出了良好的性能和应用前景，未来的研究有望进一步提高它们的准确性和可靠性，为医学诊断和治疗提供更有力的支持。

两种方法对比总结

方法	应用场景	主要技术	优势	未来展望
DW - MRI CAD 系统	前列腺癌早期诊断	积分统计信息提取、SNCAE 分类器	高准确率、高灵敏度、高特异性、高 AUC	扩展数据采集范围，提高准确性和鲁棒性
肝癌化疗响应多维纹理分析方法	肝癌化疗响应评估	Nakagami 分布拟合、CHW 分解、分形纹理图和间隙度计算、支持向量机分类器	高分类准确率	应用于更多临床病例，探索与其他技术结合，解决肿瘤深度影响问题