77、癌症诊断新技术：热成像与超声时间序列建模助力精准分类

kmeans3miner

于 2025-11-15 14:33:07 发布

阅读量19

点赞数

CC 4.0 BY-SA版权

分类专栏： MICCAI 2016精粹解读文章标签：癌症诊断热成像超声时间序列

本文链接：https://blog.youkuaiyun.com/kmeans3miner/article/details/154967260

MICCAI 2016精粹解读专栏收录该内容

80 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

癌症诊断新技术：热成像与超声时间序列建模助力精准分类

癌症一直是严重威胁人类健康的重大疾病，尤其是乳腺癌和前列腺癌。传统的诊断方法存在诸多不足，如前列腺癌的经直肠超声引导活检易出现假阴性和分级不准确的问题，乳腺癌的激素受体状态判断也缺乏高效自动的方法。本文将介绍两种创新的癌症诊断技术，即利用热成像自动确定乳腺癌激素受体状态，以及通过射频超声回波数据的时间序列建模来改善前列腺癌组织特征化。

乳腺癌激素受体状态自动分类

数据获取与处理

数据集 ：通过与马尼帕尔大学合作，获得了56名经活检确诊为乳腺癌患者的匿名数据集，患者年龄在27至76岁之间。使用FLIR E60相机（空间分辨率320×240像素）拍摄前20名患者，使用高分辨率的FLIR T650Sc相机（图像分辨率640×480像素）拍摄其余患者。为每位患者拍摄视频，采集过程要求患者从右侧卧位旋转到左侧卧位。数据包括乳腺钼靶、超声乳腺检查、活检报告、雌激素受体（ER）/孕激素受体（PR）状态值、手术报告以及人表皮生长因子受体2（HER2 Neu）状态值（如果可用）。其中，32名患者患有HR +恶性肿瘤，其余患者患有HR -肿瘤。
特征提取 ：从热图计算游程矩阵（RLM），将温度量化为l个区间后，计算RLM的灰度不均匀性和能量特征。HR -肿瘤的不均匀性特征值更高，因为其肿瘤有更多的局部温度。

分类过程

数据选择与裁剪 ：从获取的视频中手动选择五个对应正面、左右斜侧和侧面视图的帧，并手动裁剪感兴趣区域（ROI）。考虑多个视图有助于更好地检测肿瘤，因为在固定视图中可能无法看到肿瘤。选择异常区域面积相对于ROI面积最大的视图作为最佳视图，使用该最佳视图及其对侧视图计算异常区域和整个ROI的特征。
数据集划分 ：训练集和测试集分别随机选择26名和30名患者，其中训练集包含14个HR +和12个HR -肿瘤，测试集包含18个HR +和12个HR -肿瘤。
异常区域定位 ：使用ρ = 0.2，τ = 3°C的与决策规则定位异常区域，以优化分类准确性。在该数据集中，所有11个大小为0.9 cm及以上的深部肿瘤均被检测到。概率质量函数（PMFs）的区间宽度为0.5°C，RLM计算中温度区间的步长为0.25°C。
分类器训练 ：使用获得的特征训练两类随机森林集成分类器。随机森林（RF）随机选择训练子集和特征子集来训练决策树，并结合多个决策树的决策结果以提高分类准确性。选择所有树的众数作为最终分类决策。随着树的数量增加，RF在多次迭代中的准确率标准差降低。使用所有特征的RF在5、25和100棵树的20次迭代中，（HR -，HR +）准确率的标准差分别为（9.1%，11.1%）、（6.4%，4.8%）、（2.5%，2.0%），因此选择100棵树。

分类结果

特征集	HR - 准确率	HR + 准确率
区域间距离	74%	56%
异常区域相对热度	79%	73%
热分布比	63%	27%
上述三个特征的组合	84%	73%
整个ROI灰度不均匀性	68%	64%
异常和整个ROI区域特征的组合	79%	82%

从表中可以看出，异常区域特征在分类中比纹理特征更重要。其中，与相对温度相关的特征，即相对热度和区域间距离，在HR +和HR -肿瘤的分类中起着重要作用。

前列腺癌组织特征化

研究背景

前列腺癌是男性中最常见的癌症之一，目前的检测技术存在过度诊断和诊断不足的问题。准确预测和检测前列腺癌有助于改善疾病管理和治疗效果。传统的超声组织特征化研究主要集中在单帧超声图像的纹理和频谱特征分析，而射频（rf）时间序列数据的时间方面尚未得到充分利用。

射频时间序列数据

数据采集 ：采集9名接受根治性前列腺切除术的前列腺癌患者的体内rf帧。手术前，为每位患者采集4秒内的128个rf帧。
数据处理
- 划分ROI ：将每个rf帧用网格划分为小区域，每个网格窗口称为感兴趣区域（ROI），大小为1.7×1.7 mm²，对应44×2个rf值。将每个网格窗口内的88个rf值在时间t处进行平均，得到每个ROI在相应时间点t的单个值。
- 一阶差分与离散化 ：将每个ROI的时间序列映射到其一阶差分序列，并进一步将差分序列离散化为10个等间距的区间，值在最低区间的映射为1，最高区间的映射为10。
- 标注数据 ：使用全切片组织病理学信息创建恶性与良性区域的黄金标准。前列腺切除术后，将组织用福尔马林固定并进行磁共振成像（MRI），然后将组织切成约4 mm的切片，进一步处理以进行高分辨率显微镜检查。两名临床医生达成共识后，为每个切片内的恶性和良性区域分配标签。通过多步严格的配准过程，将标记的组织病理学图像叠加在体内超声帧上，为每个ROI分配病理标签。使用与Imani等人相同的570个标记ROI，其中286个为恶性，284个为良性。

患者	P1	P2	P3	P4	P5	P6	P7	P8	P9	总计
恶性ROI	42	29	18	64	35	28	23	30	17	286
良性ROI	42	29	18	61	35	29	23	30	17	284

基于隐马尔可夫模型的概率建模

模型原理 ：隐马尔可夫模型（HMM）常用于建模生成过程未知或易受变化和噪声影响的时间序列。该过程被视为一系列不可观测（隐藏）状态之间的随机转移，每个状态的某些方面被观察和记录，可从观察序列估计状态。本文假设组织响应值只依赖于前一帧的响应值，独立于任何更早的响应。一个HMM λ由五个组件组成：一组N个状态S = {s1, …, sN}；一组M个观察符号V = {v1, …, vM}；一个N×N的随机矩阵A，控制状态转移概率；一个N×M的随机发射矩阵B，表示在状态si观察到vk的概率；一个N维随机向量π，表示从状态si开始过程的概率。
模型训练
- 模型初始化 ：开发的HMM是由5个状态和10个观察组成的遍历模型。通过聚类将所有离散化训练时间序列中的值聚为5个簇，基于每个值分配到的簇，估计状态转移概率和观察矩阵B的初始值。
- 模型学习 ：使用监督学习方法学习两个HMM，一个用于代表恶性组织的序列（λM），另一个用于代表良性组织的序列（λB）。采用留一患者交叉验证策略，将每个ROI时间序列集（恶性用于λM，良性用于λB）划分为训练集和测试集。在每次交叉验证运行中，将一名患者的ROI留出作为测试集，其余8名患者的ROI用于训练HMM。
- 分类决策 ：对于测试序列ROItesti，每个模型为其分配一个对数概率log(Pr(ROItesti|λc))（c∈{M, B}），选择使对数概率最大的模型对应的类别标签作为ROItesti的分类结果。如果对数赔率log(P r(ROItesti|λB)/P r(ROItesti|λM))为正，则ROItesti被分类为恶性，否则为良性。

graph LR
    A[数据采集] --> B[数据处理]
    B --> C[模型初始化]
    C --> D[模型学习]
    D --> E[分类决策]

这两种创新技术为癌症的诊断和治疗提供了新的思路和方法。热成像技术在乳腺癌激素受体状态自动分类方面取得了约80%的准确率，而射频超声时间序列建模在前列腺癌组织特征化中实现了超过88%的癌症区域识别准确率。未来，这些技术有望进一步发展和完善，为癌症患者带来更精准的诊断和治疗方案。

癌症诊断新技术：热成像与超声时间序列建模助力精准分类

技术优势与临床意义

乳腺癌诊断新技术优势

热成像技术在乳腺癌激素受体状态自动分类方面具有显著优势。传统的诊断方法可能需要侵入性手术来确定激素受体状态，而热成像技术通过非侵入性的方式，利用热图提取特征，能够较为准确地对HR +和HR -肿瘤进行分类。这种方法不仅避免了手术带来的痛苦和风险，还可以在疾病早期进行检测和分类，为后续的治疗方案制定提供重要依据。

在临床应用中，热成像技术可以帮助医生更准确地判断患者的病情，对于HR +肿瘤患者，可以选择更有针对性的内分泌治疗方案；对于HR -肿瘤患者，可以及时采取其他有效的治疗措施。此外，该技术的分类准确率约为80%，为乳腺癌的诊断和治疗提供了可靠的支持。

前列腺癌诊断新技术优势

射频超声时间序列建模在前列腺癌组织特征化方面也展现出了独特的优势。传统的前列腺癌检测方法，如经直肠超声引导活检，存在较高的假阴性率和分级不准确的问题，容易导致过度诊断和治疗。而基于隐马尔可夫模型的概率建模方法，通过对射频时间序列数据的分析，能够更准确地识别癌症区域，实现了超过88%的癌症区域识别准确率。

这种方法直接利用了数据的时间方面信息，能够捕捉到组织在超声作用下的动态变化，从而更准确地判断组织的良恶性。在临床实践中，该技术可以帮助医生更精准地定位癌症区域，减少不必要的活检，提高诊断的准确性和效率，为患者提供更个性化的治疗方案。

技术挑战与未来展望

乳腺癌诊断技术挑战与展望

虽然热成像技术在乳腺癌激素受体状态自动分类方面取得了一定的成果，但仍面临一些挑战。例如，数据集的规模相对较小，可能会影响模型的泛化能力。未来需要收集更多不同类型的乳腺癌患者数据，扩大数据集的规模，以提高模型的准确性和稳定性。

此外，热成像技术的准确性还受到多种因素的影响，如患者的生理状态、环境温度等。需要进一步研究如何减少这些因素的干扰，提高技术的可靠性。同时，可以探索将热成像技术与其他影像学技术相结合，如乳腺钼靶、超声等，以获取更全面的信息，提高乳腺癌的诊断水平。

前列腺癌诊断技术挑战与展望

射频超声时间序列建模技术在前列腺癌组织特征化方面也存在一些挑战。目前的数据集中患者数量较少，可能无法涵盖所有类型的前列腺癌病例。未来需要收集更多患者的数据，尤其是不同病理类型和分级的前列腺癌患者数据，以提高模型的适应性和准确性。

另外，隐马尔可夫模型的参数估计和训练过程较为复杂，需要进一步优化算法，提高模型的训练效率和性能。同时，可以尝试将该技术应用于其他类型的癌症诊断，探索其在更广泛领域的应用潜力。

总结

本文介绍了两种创新的癌症诊断技术，即利用热成像自动确定乳腺癌激素受体状态和通过射频超声回波数据的时间序列建模来改善前列腺癌组织特征化。这两种技术分别在乳腺癌和前列腺癌的诊断中展现出了良好的性能，为癌症的早期诊断和精准治疗提供了新的途径。

热成像技术通过非侵入性的方式，能够较为准确地对乳腺癌激素受体状态进行分类，避免了手术的痛苦和风险；射频超声时间序列建模技术利用数据的时间方面信息，能够更精准地识别前列腺癌区域，减少不必要的活检。然而，这两种技术都面临着一些挑战，如数据集规模较小、模型训练复杂等。

未来，需要进一步扩大数据集规模，优化模型算法，提高技术的准确性和可靠性。同时，可以探索将这些技术与其他诊断方法相结合，以实现更精准的癌症诊断和治疗。相信随着技术的不断发展和完善，这些创新技术将为癌症患者带来更好的治疗效果和生活质量。

graph LR
    A[技术优势] --> B[乳腺癌诊断优势]
    A --> C[前列腺癌诊断优势]
    D[技术挑战] --> E[乳腺癌诊断挑战]
    D --> F[前列腺癌诊断挑战]
    B --> G[临床意义 - 乳腺癌]
    C --> H[临床意义 - 前列腺癌]
    E --> I[未来展望 - 乳腺癌]
    F --> J[未来展望 - 前列腺癌]
    G --> K[精准治疗 - 乳腺癌]
    H --> L[精准治疗 - 前列腺癌]
    I --> M[技术发展 - 乳腺癌]
    J --> N[技术发展 - 前列腺癌]

通过对这两种技术的研究和应用，我们可以看到癌症诊断技术正在不断创新和发展。未来，随着科技的进步和研究的深入，相信会有更多更先进的诊断技术出现，为癌症患者带来新的希望。