直肠癌分期研究背景与意义
直肠癌，作为全球范围内第三大常见恶性肿瘤以及癌症相关死亡的第二大主因，一直是医学研究的重点关注对象。通过医学影像筛查对直肠癌进行准确分期，在治疗方案的制定和新辅助治疗中起着举足轻重的作用。基于卷积神经网络（CNN）模型对直肠癌患者的磁共振成像（MRI）进行分类，能将图像分为四类，为后续治疗提供重要参考。
然而，当前的研究方法存在诸多挑战。一方面，不同分期的 MRI 图像差异细微，难以察觉，这使得深度学习模型在进行图像分类时难以有效提取区分特征。另一方面，数据增强在将 MRI 转换为 2D 可见图像后，引入了尺度不变性和旋转一致性问题，同时还会导致致癌组织纹理边界模糊，进一步增加了分类难度。此外，由于 T 分期需要病理检查来确认，正确标记的图像数量不足，这对于构建有效的分类模型来说是一个关键制约因素。因此，开发一种更准确、更有效的直肠癌分期方法迫在眉睫。
河南中医药大学信息技术学院、医学院以及郑州大学计算机科学与人工智能学院的研究人员，为了解决上述问题，开展了一项极具创新性的研究。他们提出了一种名为 LoG-staging 的直肠癌分期方法，并将研究成果发表在《BMC Medical Imaging》上。这一研究成果有望为直肠癌的治疗带来新的突破，具有重要的临床应用价值。
研究技术方法
本研究主要运用了以下关键技术方法：
LoG 滤波与数据增强 ：针对 MRI 数据标记不足和数据增强带来的问题，研究人员采用 LoG 算子对转换后的 MRI 图像进行滤波，以增强纹理细节。同时，通过构建四级多尺度图像金字塔和 Shi-Tomasi 值阈值化处理，减少尺度和视角变化的影响。最大化互信息（MMI）机制 ：利用 MMI 机制对神经网络输出进行聚类，将聚类结果作为标签优化目标函数，以此充分利用大量未标记数据，提升模型的分类能力。draw-and-merge 策略 ：在聚类过程中实施 draw-and-merge 策略，优化 MMI，使模型能够更好地保留区分直肠癌四个阶段的纹理特征，进而提高分类准确性。
研究结果
分类模型性能比较 ：研究人员将 LoG-staging 与 Simple CNN、AlexNet 和 Inception 等先进分类模型进行对比。结果显示，LoG-staging 在区分 T 分期时，尤其是 T2 和 T3 阶段，具有更高的准确率和更低的特异性。在 T2 和 T3 阶段，LoG-staging 的准确率分别达到 0.82 和 0.85，高于其他对比模型。同时，该模型的平均准确率为 0.82，灵敏度为 0.91，特异性接近 1。这表明 LoG-staging 能够更好地识别肿瘤边界，基于 MRI 图像的特征提取提升了分期性能。消融研究 ：为探究 LoG 滤波和 MMI 机制的有效性，研究人员进行了消融研究。去除 LoG 滤波后，分类的准确率显著下降，这凸显了边缘特征在分类中的重要性。当用 k - 均值聚类替代 MMI 机制中的 draw-and-merge 策略聚类时，准确率略低于 AlexNet 和 Inception，但灵敏度仍可接受。此外，研究还发现，LoG-staging 在使用 VGGNet 和 ResNet 等更深层次网络时，分类准确率保持在同一水平，表明该方法具有较强的架构鲁棒性。与放射科医生的性能评估 ：研究人员将 LoG-staging 与专业放射科医生基于 MRI 的分期结果进行比较。结果显示，LoG-staging 在 T2 和 T3 阶段的准确率比人类高出近 20%，比 3D 模型高出 2%。在 T2 阶段的召回率远优于 3D 模型，T3 阶段的召回率略低于 3D 模型，但整体表现仍显示出 LoG-staging 在图像分类中的优势。
研究结论与讨论
本研究提出的 LoG-staging 方法，结合了 LoG 滤波和基于 MMI 机制的自监督训练，能够有效地对直肠癌的 MRI 图像进行术前分期。该方法在区分 T2 和 T3 阶段方面表现出色，与仅使用有限手动标记的 MRI 数据作为训练数据相比，具有更高的召回率、灵敏度和特异性。然而，LoG-staging 也存在一定的局限性，例如在将 3D 图像转换为 2D 进行滤波操作时，未充分利用 MRI 的深度信息。未来的研究可以朝着直接对 3D 图像进行分类的方向展开，同时探索计算机断层扫描（CT）在直肠癌分期中的应用可能性。总体而言，LoG-staging 为直肠癌的临床分期提供了一种新的有效方法，有望推动直肠癌治疗的精准化发展，对提高直肠癌患者的治疗效果具有重要意义。
打赏
