基于新型三角几何的自动胸肌去除方法用于乳腺癌检测与分类

《Engineering Science and Technology, an International Journal》：A novel triangular geometry -based automatic pectoral muscle removal approach for breast cancer detection and classification

　　

根据近期研究，乳腺癌是女性癌症相关死亡的第二大原因。然而，早期检测可显著提高患者的生存率。因此，本文提出了一种高效且鲁棒的基于三角几何的自动胸肌去除方法。该方法的动机在于从两个方面提升检测与分类精度：（i）与感兴趣区域（ROI）分割和定位相关的预处理方法，以及（ii）提取用于分类为正常、良性和恶性类别的特征精度。基于方差加权平均滤波的图像去噪和像素级图像自融合方法，针对不同乳腺密度实现了鲁棒预处理，并保留了精细细节。此外，提出了一种基于角度的三角几何胸肌去除方法，结合自动最优步长自适应多Otsu阈值分割，用于改进分割效果。还引入了特征提取及基于自适应加权目标函数的混合最优特征选择。进一步，使用基于多数投票规则和贝叶斯优化（Bayesian optimisation）的混合集成分类器进行分类。实验表明，在MIAS和DDSM数据集上，多分类的准确率分别为91.61%和94.1%，灵敏度分别为90.77%和94.87%，特异度分别为81.58%和94.25%。此外，ROC曲线下面积（AUC）为0.99，展示了在区分乳腺癌良性、恶性和正常病例方面的卓越性能和良好诊断准确性。

**论文解读：基于新型三角几何的自动胸肌去除方法在乳腺癌检测与分类中的应用**

**研究背景与问题**
乳腺癌是全球女性健康的主要威胁，在20至60岁女性中居致死原因首位。美国癌症学会2024年报告显示，每年约2,001,140名美国女性确诊乳腺癌，611,720例死亡。乳腺X线摄影（mammography）是临床最常用的筛查手段，因其能在症状出现前识别异常。然而，传统双读片模式虽能提高检测精度，但耗时、成本高且资源密集。计算机辅助诊断（CAD）系统受多种因素影响，包括乳腺密度变化、噪声、伪影及背景物体，尤其胸肌（pectoral muscle）区域的高像素强度与异常区域相似，易导致误判。现有方法中，深度学习需大量标注数据且存在过拟合风险，而手工特征方法在ROI分割和胸肌去除方面精度不足。因此，研究者提出了一种结合预处理、胸肌去除、自适应分割与优化分类的自动算法，旨在提升多分类（正常、良性、恶性）检测精度并降低假阳性与假阴性率。该论文发表在《Engineering Science and Technology, an International Journal》。

**关键技术方法**
研究者采用的主要方法包括：1）基于方差加权平均滤波（variance-weighted average filter）的图像去噪与锐化，结合像素级图像自融合（pixel-level image self-fusion）进行乳腺区域提取；2）利用角度顶点坐标三角几何（angle-based vertex coordinate triangle geometry）与形态学操作（morphological operations）自动识别并去除胸肌；3）自适应多Otsu阈值分割（adaptive multi-Otsu thresholding）通过最优步长动态调整阈值实现ROI定位；4）基于ReliefF与邻域成分分析（NCA）的混合特征选择（RF-NCA），采用自适应加权目标函数优化特征权重；5）集成AdaBoost、RUSBoost与Bagging的优化集成分类器（optimised ensemble classifier），通过贝叶斯优化（Bayesian optimisation）调整超参数，并采用多数投票规则进行融合。样本来源于MIAS数据集（322张图像，207正常、63良性、52恶性）和DDSM数据集（350张MLO视图图像，78恶性、92良性、180正常）。

**研究结果**
**1. Dataset evaluation**
采用10折交叉验证评估泛化能力。MIAS和DDSM数据集的混淆矩阵显示，该方法相比其他现有方法获得了更低的假阴性率。评估指标包括准确率、精确率、召回率、F1分数和特异度。

**2. Evaluation of proposed cancer detection approach**
研究者提取了包含一阶统计量、二阶灰度共生矩阵（GLCM）特征、分形维数、边缘特征和形状特征在内的42维特征，通过RF-NCA算法选择出11个最优特征。优化集成分类器（AdaBoost、RUSBoost、Bagging组合）与基分类器（KNN、朴素贝叶斯、SVM）及单一集成分类器比较，结果表明该方法在准确率、精确率、F1分数、召回率、特异度和灵敏度上均表现更优。RUSBoost在召回率上略高，但整体集成模型平衡了各类性能。最小分类误差曲线显示，MIAS数据集经30次迭代后误差降至0.047，DDSM数据集经1000次迭代后稳定在0.34。ROC曲线下面积（AUC）达0.99，表明卓越的区分能力。消融实验（Ablation study）证实RF-NCA相比单独使用ReliefF或NCA在平均性能上更优，且跨折方差更小。统计显著性检验（Wilcoxon秩和检验）的p值均小于0.05，拒绝零假设，证明优化集成分类器具有显著鲁棒性。

**3. Cross-dataset validation**
为验证泛化能力，进行了跨数据集验证：以MIAS为训练集、DDSM为测试集时，准确率89.94%±0.88%，灵敏度90.02%±0.82%；反之准确率90.81%±0.91%，灵敏度91.56%±0.85%。箱线图显示各指标在10折间方差较小，表明方法稳定。

**4. Computational efficiency and scalability**
预处理阶段复杂度为O(N·P)，特征提取为O(N·d)，集成分类器推断为O(N·k·M)。总运行时间从MIAS的221秒增至DDSM的246秒，内存占用约2GB。相比Bagging、随机森林、RUSBoost和AdaBoost，该方法总时间更短，内存更低。

**5. Comparison with recent methods**
与近期文献对比，该方法在多分类（MIAS和DDSM）上获得91.61%和94.1%的准确率，灵敏度90.77%和94.87%，特异度81.58%和94.25%，AUC达0.99，优于多数已有方法，尤其在处理类别不平衡、过拟合及假阳性/假阴性问题上表现突出。

**讨论与结论**
讨论部分指出，该方法通过预处理保留精细细节、结合RF-NCA特征选择避免权重归零问题，并利用RUSBoost处理类别不平衡，有效降低了分类误差和假阳性/假阴性率。现有挑战包括标注数据有限、仅使用MLO视图、未与U-Net等深度学习分割模型基准对比，以及恶性病例样本量中等导致的ROC不确定性。未来工作将聚焦于深度学习模型、多模态数据融合、可解释性AI及联邦学习等方向。
**研究结论翻译**：本文提出的方法展示了基于加权平均方差滤波与锐化的乳腺区域提取预处理方法，以限制搜索范围。研究强调了利用三角几何与形态学操作的自动胸肌去除新方法的重要性。此外，成功探索了自动检测最优ROI的分割技术，采用多Otsu阈值分割通过调整最优阈值实现。为避免错误特征提取和不精确定位，考虑了所有与异常形状和大小相关的参数。最后，采用基于贝叶斯优化的优化集成分类器进行超参数调整。在MIAS和DDSM数据集上的实验表明，该方法在准确率、精确率、召回率、F1分数和特异度等指标上优于近年基于手工特征的方法，显著降低了假阳性和假阴性率。结果揭示该方法在辅助放射科医师检测乳腺癌方面具有显著效用。未来工作将采用深度学习方法进行分割与分类，并在真实患者数据上验证。