脑癌和乳腺癌中的计算成像应用

# 脑癌和乳腺癌中的计算成像应用 ## 1. 引言 过去十年，用于各种疾病计算机辅助诊断的计算算法相关文献不断增加。机器学习领域先进计算算法发展迅速，尤其是深度学习（DL）算法表现出在临床环境中的应用潜力，具体如下： * 协助临床医生处理繁琐日常任务，使其将更多精力放在复杂或紧急的患者管理上。 * 为需要专业培训的任务提供二次解读或意见。 * 辅助新临床专家的培训和教育。 然而，开发这些应用算法的复杂性，以及对涵盖不同患者群体的大型多样数据集的验证有限，直接影响了其可重复性，导致临床研究人员较少采用，最终难以实现临床转化。接下来将介绍先进的计算技术，重点关注其在脑癌和乳腺癌领域的应用，探讨DL算法在解决临床问题方面的主要应用、面临的挑战以及提高其在生物医学图像分析中可重复性的潜在方法。 ## 2. 基于当前临床标准 ### 2.1 临床标准 癌症治疗面临挑战，因为恶性肿瘤具有异质性的分子、表型和放射表型特征。目前大多数诊断基于直接组织采样，通常仅采集肿瘤的一部分，无法反映癌症的异质性。当前评估治疗反应的临床标准，如实体瘤疗效评价标准和神经肿瘤反应评估标准（Macdonald标准），采用主观选择的切片上肿瘤主轴的二维测量，存在主观性，可重复性有限，且仅适用于边界生长一致的肿瘤，与实际肿瘤形状不符。 为改善肿瘤评估，诊断成像报告和数据系统（IRADS）在乳腺（BI - RADS）、前列腺（PI - RADS）和肺（LUNG - RADS）中纳入了描述表观纹理（放射组学特征）的成像特征。这些特征有助于宏观表征肿瘤微环境中的生物过程，与临床结果和肿瘤分子特征相关。 ### 2.2 组织分割 准确评估感兴趣区域（ROI），如肿瘤，分割任务至关重要。无论是专家放射科医生为评估临床图像和撰写报告而进行的概念性图像分割，还是扫描中各种结构的实际划分，手动处理都繁琐且耗时，还存在人为评估差异，影响后续分析的可重复性。因此，自动化分割方法变得尤为重要。 文献中大多数分割方法基于群体知识应用于新数据来区分图像中的ROI，属于“判别方法”，非DL方法包括支持向量机（SVMs）、提升算法和随机森林。这些方法依赖大型、多样且标注良好的数据集，且处理未在训练数据中出现过的ROI时存在局限性。 神经网络在20世纪40年代被引入，近年来以多层堆叠处理输入数据的形式重新出现，即深度学习。卷积神经网络（CNNs）通常将输入数据与多个局部核进行卷积，然后在每层进行非线性变换，输出可选择下采样后传递到下一层。这种处理方式提高了分析效率，使推理具有平移不变性，同时在训练过程中通过最小化成本函数（如Kullback - Leibler散度）来描述训练标签与预测标签的差异。 肿瘤分割问题通常被视为体素级分类问题，由于成像噪声区域的高频强度波动，分割结果可能存在空间不一致性。为提高对成像噪声的鲁棒性，提出了多种策略，如下表所示： |策略|说明| | ---- | ---- | |级联架构|通过级联的方式提高分割的准确性| |多尺度图像块|利用不同尺度的图像块进行分析| |构建具有全连接层的CNN|使用12或13个核的卷积构建全连接层| |CNN与MRF或CRF集成|可作为后处理步骤、神经网络的一种形式或循环神经网络（RNNs），通过反向传播算法进行端到端训练| ## 3. 深度学习在脑癌中的应用 磁共振成像（MRI）在脑肿瘤诊断中的应用增加，促使研究人员探索MRI指标与临床脑肿瘤诊断标志物之间的关联。DL在该领域的应用广泛，用于开发诊断、预后和预测生物标志物。 ### 3.1 肿瘤分级 脑肿瘤具有异质性，难以区分不同类型，如原发性胶质瘤和转移性肿瘤。准确区分肿瘤类型对制定治疗方案至关重要。以下是一些基于DL的肿瘤分级方法： |研究人员|方法|数据集|分类准确率| | ---- | ---- | ---- | ---- | |Ge等|提出多流深度CNN架构，对T1、T2和FLAIR图像进行传感器融合增强特征聚合|未提及|90.87%| |Khawaldeh等|使用改进的AlexNet CNN，对130名受试者的全脑MRI进行训练|130名受试者的全脑MRI|91.16%| |Sajjad等|采用数据增强与CNN融合的方法，使用预训练的VGG - 19 CNN架构进行迁移学习|121名受试者的分割脑肿瘤MRI|数据增强前87.38%，增强后90.67%| 还有一些方法用于区分肿瘤的良恶性和不同类型： * Fatih等将CNN与中智集 - 专家最大模糊确定熵（NS - CNN）结合，先使用中智集 - 专家最大模糊确定方法进行肿瘤分割，再将图像输入CNN提取特征，最后在SVM分类框架中使用这些特征。在160个肿瘤（80个良性和80个恶性）的五折交叉验证中，分类成功率达95.62%。 * Alqudah等使用CNN在三种不同配置下区分不同脑肿瘤类型（胶质瘤、脑膜瘤和垂体瘤），在裁剪病变、未裁剪病变（全图像）和分割病变上的准确率分别为98.93%、99.00%和97.62%。 ### 3.2 生存分析 胶质瘤预后通常较差，预测疾病