基于对比增强超声的频谱-栖息地分析及灌注特征识别，用于评估乳腺病变中的肿瘤灌注情况

《Cancer Imaging》：Spectral-habitat analysis and perfusion fingerprinting on contrast-enhanced ultrasound for characterizing tumor perfusion in breast lesions

　　

摘要

目的

本研究旨在开发一种基于短时傅里叶变换（STFT）的灌注指纹识别方法，并结合光谱栖息地分析，用于分析增强型超声（CEUS）图像中各像素的灌注异质性，同时评估该方法区分良性和恶性乳腺病变的能力。

方法

首先利用STFT将CEUS图像的逐像素时间序列数据转换为时频域数据。接着通过主成分分析降低STFT输出特征的维度，从而生成能够保留空间和时间灌注信息的灌注指纹图。随后运用K均值聚类算法生成光谱栖息地图，以识别与灌注相关的肿瘤亚区域。此外，还构建了一个三分支多层融合模型，整合全区域特征和栖息地特征用于病变分类。为提供常规CEUS的定量参考，还提取了TIC相关的灌注特征，并通过机器学习分类器对其进行分析。模型性能则通过接收者操作特征曲线分析、决策曲线分析以及混淆矩阵来进行评估。

结果

所提出的基于STFT的灌注指纹识别方法能够保留CEUS信号的全像素时空动态特征，从而更全面地反映肿瘤的灌注异质性。由CEUS数据生成的光谱栖息地图为肿瘤内的灌注异质性提供了可视化展示，同时也提升了模型输出结果的可解释性。在本研究组中，三分支多层融合模型的AUC值为0.953，准确率为0.909，精确率为0.907，召回率为0.925，F1分数为0.912。而基于TIC的常规CEUS模型的AUC值则在0.7677到0.8186之间。决策曲线分析表明该模型在不同的阈值概率下都具有潜在的临床应用价值，混淆矩阵分析也显示出了良好的分类性能。

结论

基于STFT的灌注指纹识别方法结合光谱栖息地分析，为利用CEUS技术表征乳腺病变的灌注异质性提供了一种极具前景的框架。由于该方法能够保留逐像素的时空信息，因此有望为良性和恶性病变的区分提供更具参考价值的定量信息，进而提升诊断的准确性。