基于3D Ranklet变换的DCE-MRI纹理分析方法在乳腺肿瘤分类中的应用研究

为解决乳腺DCE-MRI中因对比剂衰减导致的纹理特征不稳定问题，研究人员提出了一种基于3D Ranklet变换的GLCM纹理分析方法。该方法通过非参数多分辨率分析增强纹理模式，在公开数据集BreastDM上验证，分类准确率达0.89，AUC为0.89，特异性提升16%-100%，显著优于10种深度学习方法。该研究为减少良性肿瘤不必要的活检提供了可靠技术支撑。

　　

乳腺癌是全球女性最常见的恶性肿瘤之一，早期准确诊断对提高生存率至关重要。动态对比增强磁共振成像(DCE-MRI)因其高敏感性成为高风险人群筛查的重要手段，但其特异性不足导致大量不必要的活检。传统纹理分析方法易受图像强度变化影响，而深度学习模型又面临小样本过拟合和3D空间信息丢失的挑战。

针对这一临床痛点，研究人员创新性地将原本用于2D图像的Ranklet变换扩展到3D空间，开发了一种全新的乳腺肿瘤分类方法。这项发表在《Biomedical Signal Processing and Control》的研究，通过非参数、多分辨率和方向选择性的3D Ranklet分析，结合灰度共生矩阵(GLCM)纹理特征，实现了对肿瘤纹理的稳定表征。

研究采用公开数据集BreastDM的232例患者数据（147例恶性，85例良性），关键技术包括：1）3D Ranklet变换的六方向扩展；2）13方向3D GLCM特征提取；3）mRMR特征选择；4）贝叶斯优化的多层感知器(MLP)分类器。通过对比实验验证了该方法在预对比、后对比及减影序列中的性能。

3.1 3-D ranklet变换
研究创新性地将2D Ranklet的方位选择性扩展至3D空间，设计6种立方体邻域掩模（x/y/z/xy/xz/yz方向）。通过Wilcoxon秩和检验计算秩系数，量化不同分辨率（r=2/4/8）下的纹理差异。实验证明r=4时能最佳平衡敏感性和特异性。

3.2 3-D gray-level co-occurrence matrix
在量化后的Ranklet图像上计算13方向3D GLCM，保留空间体素关系。研究发现不进行方向平均的特征更具判别力，最终提取能量、熵等6类特征，形成468维特征集。

4.1 DCE-MRI dataset
采用中国台州中心医院的BreastDM数据集，包含1.0mm³
分辨率的预/后对比序列。研究特别验证了减影序列的价值，证实其能增强肿瘤区域信号。

5.1 Proposed approach evaluation
在实验B（17序列）中，R4+MLP组合达到最佳平衡：准确率0.89、精确率0.93、敏感性0.90、特异性0.88、AUC 0.89。相比灰度图像，Ranklet变换使特异性提升19%-100%。

5.2 Comparison with DL-based methods
与10种DL模型对比，该方法在特异性(0.88 vs 0.29-0.76)和AUC(0.89 vs 0.80-0.85)上显著优于VGG16、ResNet等模型。DeLong检验证实差异具有统计学意义(p<0.05)。

该研究首次系统阐述了3D Ranklet变换的实现方法，证实其能有效克服DCE-MRI强度变化的干扰。相比深度学习，该方法具有三大优势：1）保持3D空间关系；2）降低过拟合风险；3）计算资源需求低。临床意义上，其高特异性可减少88%的良性肿瘤活检，为精准医疗提供新思路。未来可通过融合形态学特征和自动化肿瘤检测进一步提升实用性。