编辑推荐：
为解决乳腺 MRI 图像配准问题，研究人员开展基于混沌部分质心反向学习的大猩猩部队优化器（COGTO）用于乳腺肿瘤进展研究。结果显示 COGTO 的归一化互信息（NMI）和皮尔逊相关系数（PCC）均值更高，对乳腺 MRI 配准更具优势。
在医学领域，乳腺癌如同隐匿在女性健康之路上的 “幽灵”，严重威胁着女性的生命健康。据世界卫生组织（WHO）数据，乳腺恶性肿瘤已成为全球范围内最为常见的癌症之一，预计到 2024 年，至少 32% 的女性会受到乳腺癌的影响，每年新增病例高达 310,720 例 ，仅美国在 2024 年就预计有 42,250 人因乳腺癌相关疾病死亡。早期发现乳腺癌对于降低死亡率、提高患者生存率至关重要，然而现有的检测手段却存在诸多挑战。
乳腺钼靶检查（Mammography）是目前常用的乳腺癌筛查方法，它利用低剂量 X 射线来检测乳房中的肿块和钙化，但在致密乳腺组织中，其敏感性会大打折扣，部分癌症容易被漏诊，同时也可能出现假阳性结果，导致不必要的活检。超声检查（Ultrasound）常作为钼靶的补充手段，虽能区分囊性和实性肿块，且无辐射风险，但对操作者依赖性强，假阳性率较高，在检测微小钙化方面也表现欠佳。而磁共振成像（MRI），尽管对乳腺癌的检测敏感性极高，能发现微小肿瘤，但价格昂贵、设备稀缺，且使用的对比剂可能引发过敏反应，过高的敏感性还可能导致假阳性，使患者接受不必要的侵入性治疗。
面对这些困境，为了更精准地监测乳腺癌的发展，助力早期诊断和治疗，来自国内的研究人员展开了一项关键研究。他们聚焦于乳腺动态对比增强磁共振成像（DCE-MRI）的图像配准问题，通过分析不同时间点的 MRI 图像，来观察乳腺恶性肿瘤的生长变化。该项研究成果发表在《Biomedical Signal Processing and Control》杂志上，为乳腺癌的研究开辟了新的方向。
研究人员在这项研究中运用了多种关键技术方法。首先，在图像预处理阶段，利用自适应动态滤波器（Adaptive Dynamic Filters，ADF）去除 MRI 扫描中的噪声，采用基于最大滤波器的方法校正强度不均匀性（Intensity Inhomogeneity，IIH） 。核心算法方面，提出了一种改进的大猩猩部队优化器（Gorilla Troops Optimizer，GTO），即 COGTO。它通过混沌初始化（Chaotic-Based Initialization）和部分质心反向学习（Partial Centroid Opposition-Based Learning，PCOBL）对传统 GTO 算法进行增强，用于优化乳腺 MR 扫描的配准过程，寻找最佳的变换参数。
实验设置与结果
研究人员选用了癌症基因组图谱（Cancer Genome Atlas）中的乳腺浸润癌（TCGA-BRCA）数据集，以及癌症图像存档（TCIA）中公开的 2D T2 加权 DCE-MR 图像切片，共 20 对不同预处理和后处理的图像，图像分辨率调整为超过 256×256 像素。这些图像的真实值由经验丰富的放射科医生手动分割确定。实验中，将 COGTO 的性能与基本 GTO、基于生物地理学优化算法与精英学习（Biogeography-Based Optimization algorithm with Elite Learning，BBO-EL）、改进的大猩猩部队优化器（Modified Gorilla Troops Optimizer，MGTO）以及当前常用的基于粒子群优化算法（Particle Swarm Optimizer，PSO）的技术进行对比。为确保对比的公正性，所有优化器均采用相同的初始种群。
经过 10 次独立运行实验，研究结果令人瞩目。在计算 20 对 MR 扫描的归一化互信息（Normalized Mutual Information，NMI）和皮尔逊相关系数（Pearson Correlation Coefficient，PCC）的均值时，COGTO 表现卓越，其 NMI 和 PCC 均值分别为 1.142295947 和 0.752399811，而 MGTO 的均值为 1.105980412 和 0.712352662，GTO 为 1.10633674 和 0.716629，BBO-EL 为 1.119443 和 0.681665979，PSO 为 1.106007205 和 0.708310629 。这表明 COGTO 在乳腺 MRI 配准中，相较于其他对比方法，能获得更高的相似性度量值，图像配准效果更佳。
统计分析与结论
研究人员采用非参数检验 Wilcoxon 符号秩检验（WSRT），对 20 对乳腺 MR 扫描的结果进行统计分析，以确定 COGTO 与其他方法相比是否具有显著优势。结果显示，COGTO 在乳腺 MRI 配准性能上具有更高的统计显著性。这一结果意味着，COGTO 算法在实际应用中，能够更稳定、更准确地实现乳腺 MRI 图像的配准，为医生提供更可靠的图像信息，有助于更精准地评估乳腺肿瘤的进展情况。
从整体研究来看，COGTO 算法为乳腺 DCE-MRI 图像配准带来了新的解决方案。它不仅在技术层面提高了图像配准的准确性，而且为乳腺癌的早期检测和病情监测提供了有力的工具。通过更精准的图像配准，医生能够更清晰地观察乳腺肿瘤的变化，从而制定更具针对性的治疗方案，有望改善乳腺癌患者的预后。然而，这项研究也并非十全十美。例如，虽然 COGTO 在实验中表现出色，但在实际临床应用中，还需要进一步验证其稳定性和可靠性，同时也需要考虑算法在不同设备和患者群体中的适用性。未来的研究可以在此基础上，进一步优化算法，探索其与其他先进技术的结合，以推动乳腺癌诊断和治疗技术的不断进步。
