利用基于ViT的分布嵌入技术和极值理论，在深度矩阵近似的基础上检测早期乳腺癌的血管扩张情况

《Biomedical Signal Processing and Control》：Detecting vasodilation for early breast cancer using ViT-based distribution embedding via extreme value theory on deep matrix approximation

早期检测乳腺癌或相关异常需要结合红外热成像与临床检查，本研究提出基于Vision Transformer的自动分割模型（UNETR++）及James-Stein估计器（JSE）优化特征提取，并引入Weibull和FTG分布嵌入方法，在4800+动态序列数据集验证下，Weibull模型达81.7%准确率，FTG达80.3%，BCTC外部验证70%-72%，显著优于传统矩阵分解方法。

　　

Bardia Rodd

美国纽约州立大学上州医学院，锡拉丘兹，NY 13210

摘要

早期检测乳腺癌或癌症相关异常（CLA）对于改进预防策略和临床结果至关重要。红外热成像为乳腺癌筛查提供了一种补充方法，特别是当与临床乳腺检查（CBE）结合使用时，可以通过异质热模式捕捉与血管扩张和代谢活动相关的功能信息。为了确保解剖学上一致且客观的分析，我们采用了基于Vision Transformer的分割模型（UNETR++）在热成像序列中自动勾画出感兴趣的乳腺区域，然后再进行热特征提取。

矩阵分解（MF）技术可以模拟时空热动态，但识别能够稳健捕捉临床相关时间变化的主导基向量仍然具有挑战性。我们引入了James–Stein估计器（JSE）来稳定特征向量选择并提高特征鲁棒性。此外，我们提出了两种基于极值理论的统一低维热成像嵌入框架，整合了Fisher–Tippett–Gnedenko（FTG）和Weibull嵌入方法，以提取用于早期乳腺癌检测的区分性热特征。

该框架在两个独立队列上进行了评估，包括来自乳腺研究数据库（DMR）的212例患者的4800多个动态热成像序列，以及来自Columbia乳腺癌热成像（BCTC）数据集的119个外部验证案例。在DMR队列中，分类准确率分别为81.7% ± 5.2%（Weibull方法）和80.3% ± 1.9%（FTG方法）。在异构的BCTC队列中，使用随机森林分类器获得的交叉验证准确率为70%–72%。各种分解方法（包括稀疏NMF、稀疏PCT和深度半NMF）的性能保持稳定。

引言

热成像是一种有价值的早期检测乳腺癌相关异常（CLA）的方法，而CLA仍然是女性癌症相关死亡的第二大原因[1]。本研究介绍了三种先进的方法：James–Stein估计器（JSE）用于特征向量提取，极值嵌入和Weibull嵌入——旨在提高热成像分析的有效性。这些技术旨在支持临床乳腺检查（CBE），并作为乳腺X光检查前的初步筛查工具，从而促进潜在乳腺异常的早期识别[2]、[3]、[4]、[5]。

热成像技术利用检测由病变引起的血管变化，这些变化导致血管生成和血管扩张，可以通过红外相机观察到。这些由内分泌机制驱动的血管改变通过增强受影响区域的营养和氧气输送来重塑热模式[3]、[6]。对这些变化的动态跟踪使得基于热变化的异常识别成为可能。许多研究强调了热成像在检测与不可触及的乳腺癌相关的过度血管生成方面的有效性[6]，表明其作为早期检测生物标志物的潜力，以及作为乳腺X光检查前的初步筛查步骤。然而，从原始红外数据中准确识别和解释微妙的热不规则性仍然是一个主要挑战。通常使用低秩矩阵近似方法来提取能够有效表示整个热数据集的主导基向量。

许多计算技术已被用于解决热数据分析的复杂性，包括主成分分析（PCA）[7]、[8]、非负矩阵分解（NMF）[9]、在不变条件下提取特征向量[10]以及逐步更新的PCA[11]。此外，还探索了其他方法，如稀疏矩阵分解[12]、t分布随机邻居嵌入（t-SNE）[13]和无协方差增量主成分热成像（CCIPCT）[14]。稀疏PCA[15]、[16]、半NMF[17]、[18]、[19]、稀疏NMF[20]、凸NMF[21]以及与凸NMF结合的深度学习模型[23]进一步扩展了热成像应用中的数据降维和特征提取范围。

确定用于有效捕获热模式中最重要变异的低秩矩阵近似的最优基向量是一个重大挑战。为了解决这个问题，我们引入了两种创新的热成像方法，提供了以下关键贡献：

• -
  James–Stein估计器（JSE） [24]、[25]、[26]用于估计高维（HD）热序列，并将它们投影到低维（LD）空间。JSE显著降低了方差，从而提高了热成像分析中主导特征向量校正的准确性。这种改进的估计有助于更精确地识别关键热模式。
• -
  极值和Weibull嵌入使用Weibull分布和Fisher–Tippett–Gnedenko（FTG）分布定义。之前的方法如Gaussian-Alpha [22]和Bell [27]嵌入在突出多样化的热模式方面已经很有效。在这项研究中，我们将FTG和Weibull嵌入引入到热成像的分解分析中，将关键基元素与嵌入策略结合起来，以提取重要的热特征，最终增强乳腺癌病变异常（CLA）的早期检测分类器的训练。
• -
  我们对现有的用于HD数据降维的计算热成像技术进行了全面的比较分析和独立验证，利用它们的潜在空间表示来提高早期乳腺癌检测的准确性。目标是评估这些方法的优点和局限性，同时完善我们提出的方法。在所有评估中，我们的嵌入技术始终优于基线模型，证明了它们在捕获早期检测关键模式方面的优越能力。

本研究介绍的方法与多种矩阵分解（MF）技术进行了严格比较，显示出在提高早期乳腺癌检测和诊断精度方面的显著潜力。表1概述了本文中使用的数学符号。以下部分详细介绍了所提出的方法，第3节和第4节提供了实验结果的全面分析和相应讨论。最后，第5节总结了关键发现及其对未来研究的意义。

相关工作和动机

异质热模式表明了实质组织热动态中的不规则性[3]、[6]、[13]、[20]、[21]、[22]、[23]。这些模式可以通过特征分解和矩阵分解（MF）技术系统地量化和强调，这些技术擅长捕捉跨热维度的主基。这样的方法有助于建模红外成像中的时间波动[7]、[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]、[17]

乳腺热成像的热建模

红外成像系统可以量化预定义感兴趣区域（ROI）表面温度的时间演变，捕捉由潜在热传输过程引起的微妙热变化。这些温度动态可以是被动观察到的，反映了内源性热辐射，也可以是在受控热刺激后主动观察到的。在这两种情况下，记录的热瞬变都编码了关于皮下组织特性和生理活动的信息。

方法

我们引入了JSE和分布嵌入技术的应用，通过先进的分解分析有效捕捉这些热变化。此外，我们还提出了两种专为基于红外的诊断系统定制的新嵌入方法，如图1、图2所示。这些方法在检测微妙的热异常方面提供了更高的准确性，显著提高了诊断结果。

结果

通过对从乳腺癌筛查数据集中提取的各种热模式进行分析，评估了血管扩张和血管生成——乳腺癌的关键标志物[43]。为了深入理解，我们采用了凸矩阵分解嵌入，并将这种方法获得的结果与各种低秩矩阵近似方法获得的结果进行了比较分析。这项比较研究旨在阐明这些方法的区别和优势

讨论

红外热成像提供了一种非侵入性的方法，用于早期识别CLA，并通过检测与肿瘤诱导的血管重塑相关的血管扩张和血管生成来区分良性和恶性乳腺状况。因此，热成像非常适合在临床乳腺检查的初始阶段使用，以及作为乳腺X光检查或MRI之前的补充筛查工具，特别是在需要早期分诊或风险分层的场景中

结论

本研究解决了低维热流建模的一个关键限制，即稳健地识别保持临床意义异质性的主导热基。通过引入James–Stein估计器（JSE）进行特征向量稳定化和基于Weibull及Fisher–Tippett–Gnedenko（FTG）极值理论的概率嵌入，我们实现了改进和更稳定的热特征表示。

写作过程中生成AI和AI辅助技术的声明

在准备这项工作时，作者使用生成AI来校对文章中的一些句子。作者根据需要审查和编辑了内容。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Bardia Rodd由自己提供报告，他目前隶属于纽约州立大学上州医学院。他独立进行了这项研究。如果没有其他作者，他们声明没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本手稿包含一份声明，说明所有程序均符合相关法律法规和机构指南，并已获得适当机构委员会的批准。声明应包含获得的伦理批准的日期和参考编号。提交的手稿还包括一份声明，说明尊重了人类受试者的隐私权，并且已经获得了人类受试者的知情同意。