《Journal of Imaging》：Hybrid Fusion of Time–Intensity Curve, Deep Learning, and Fractional Zernike–Caputo Features for Accurate Liver Lesion Classification in DCE-MRI
编辑推荐：
摘要翻译：
早期准确地检测肝脏肿块对于有效的临床管理和改善患者预后至关重要，因为良性与恶性病变的治疗策略差异显著。动态对比增强磁共振成像（DCE-MRI）凭借其捕捉时间增强行为的能力，被广泛用于肝脏病变评估。然而，许多病变表现出相似的增强模式，导致诊断不确
摘要翻译：
早期准确地检测肝脏肿块对于有效的临床管理和改善患者预后至关重要，因为良性与恶性病变的治疗策略差异显著。动态对比增强磁共振成像（DCE-MRI）凭借其捕捉时间增强行为的能力，被广泛用于肝脏病变评估。然而，许多病变表现出相似的增强模式，导致诊断不确定性和潜在的误分类，使得可靠判读仍具挑战性。本研究提出一种混合诊断框架，整合多种互补的特征表示用于肝脏肿块自动化分类。具体而言，该模型提取时间-强度曲线（TIC）特征以捕捉对比剂动态变化，提取深度学习特征以表征复杂的空间模式，并采用分数阶Zernike-Caputo描述子编码高级数学形状与纹理信息。这些异质特征集随后被融合，形成每个病变的统一且具有判别力的表示。本研究旨在利用动力学、数据驱动和分数阶数学描述子的优势，增强良性与恶性肝脏肿块的鉴别能力。实验结果表明，该模型在包含645例动态MRI病例的数据集上达到了94.05%的准确率，展现出优越的诊断性能。总体而言，所提出的方法为肝脏病变表征提供了一种稳健且高效的工具，在临床决策支持和减少医学影像实践中的诊断模糊性方面具有潜力。
论文解读：
一、研究背景与问题
局灶性肝脏病变（FLLs）是肝脏内常见的异常组织区域，可通过超声（US）、计算机断层扫描（CT）或磁共振成像（MRI）等影像技术发现。FLLs可分为良性和恶性两大类，二者在医学影像上具有不同特征，需要精确干预和适当的治疗方案。良性病变包括局灶性结节增生、肝囊肿、肝腺瘤和血管瘤等；恶性病变则包括肝细胞癌（HCC）和源自其他器官的转移性肿瘤。由于良恶性病变的治疗方案差异极大，准确区分二者至关重要。误诊可能导致对良性病变实施不必要干预，或延误恶性病变的治疗。
US常作为疑似肝脏病变患者的首选影像检查，但其敏感性和特异性均低于CT和MRI。CT可提供肝脏肿块大小、形态和位置等信息，但对于小于1厘米的微小病变检测能力有限，且辐射暴露和碘对比剂相关风险限制了其应用。MRI凭借高对比度分辨率和精确的影像诊断能力，成为评估肝脏肿块尤其是肝硬化或慢性肝病患者疑似HCC的首选工具。DCE-MRI通过在注射钆对比剂前后连续采集T1加权图像，能够反映病变的血管分布和组成差异。时间-强度曲线（TIC）通过绘制注射对比剂后信号强度随时间的变化，表征病变的增强模式。TIC通常包含初始上升段和延迟相，延迟相可分为1型（进行性增强）、2型（平台型）和3型（廓清型）。然而，既往研究表明，动力学曲线在区分良恶性病变时敏感性高但特异性有限；恶性病变常表现为快速增强后廓清，而良性病变也可出现平台或偶尔廓清，导致二者存在显著重叠。此外，DCE-MRI图像判读具有主观性，易受观察者间差异影响。肝活检虽是确认恶性的标准方法，但存在穿刺点疼痛、术后出血甚至感染等风险。因此，开发无创、准确的自动化分类系统具有重要临床意义。
二、研究内容与主要方法
研究人员提出一种混合诊断框架，整合时间-强度曲线（TIC）、深度学习和分数阶Zernike-Caputo（FZC）三种互补特征，用于DCE-MRI肝脏病变良恶性分类。研究数据来自伊拉克Buratha诊断影像中心2023年1月至2025年9月收集的645例DCE-MRI肝脏扫描，其中恶性350例（54.26%），良性295例（45.73%）。MRI扫描采用1.5-T Philips Achieva设备，对比剂为Gadovist，剂量2 mL/kg，注射后进行四次连续动态采集，每次约17秒，总动态采集时间约68秒。
主要关键技术方法包括：（1）预处理：采用高斯滤波平滑图像、去除噪声，并通过直方图归一化将灰度范围拉伸至0-255，以消除不同扫描参数和协议带来的强度差异。ROI由经验丰富的放射科医师在临床环境中手动绘制，选择所有动态序列中增强最明显的区域，并用Radiant DICOM viewer 2025.2软件绘制TIC。（2）时间-强度特征提取：从TIC中提取信号强度斜率、最大信号强度、初始增强、峰值增强、早期信号增强比、二次增强和梯度等7个定量动力学特征。（3）深度学习特征提取：将DCE-MRI四个时相（t0, t1, t2, t3）的ROI图像裁剪至113×141像素，输入一个包含4个卷积层、3个池化层和2个全连接层的二维CNN，提取每个时相2个深度特征，共8个深度特征。CNN采用Adam优化器，初始学习率10
-4，最大50轮，并使用数据增强（随机水平翻转、旋转±20°、缩放0.8-1.2）。（4）分数阶Zernike-Caputo特征提取：提出一种原点正则化的广义分数阶Zernike径向函数，并应用标准Caputo分数阶导数，构造FZC径向特征，用于编码图像的形状和纹理信息。每个时相提取4个统计特征（均值、标准差、偏度、峰度），共16个FZC特征。（5）特征处理与融合：各特征集独立进行z-score归一化；随后进行特征选择以消除冗余和高度相关变量；最后采用早期特征级融合策略，将TIC特征、CNN深度特征和FZC特征拼接为统一混合表示，共31个特征。分类器方面，研究人员评估了支持向量机（SVM）、随机森林（RF）和极端梯度提升（XGBoost），其中SVM采用高斯径向基函数核，框约束为1，核尺度为2.4，取得最佳性能。
三、研究结果
实验采用五折交叉验证评估模型性能。结果表明，结合所有提取特征时分类性能最佳。单一特征中，TIC特征性能最弱，准确率为87.30%，AUC为90.58%；FZC后对比2（post-2）相特征表现突出，准确率92.82%，AUC 96.38%；当FZC与深度特征（DF）结合后，诊断性能进一步提升，尤其在后对比1（post-1）相达到总体最佳：准确率94.05%，敏感性94.17%，特异性93.95%，AUC 97.21%。此外，结合预对比相FZC与DF特征也获得了92.53%的准确率和96.53%的AUC，表明预对比信息本身已具有较强的判别能力。
在分类器对比实验中，SVM准确率最高（94.05%），随后为随机森林（93.02%）、端到端CNN（92.84%）和XGBoost（92.66%）。与既往研究对比，本研究采用的动力学、FZC与深度特征融合方法在645例较大队列上取得了94.05%的准确率和97.21%的AUC，优于多数仅使用单一特征或传统影像组学的方法。
四、消融研究与讨论
消融研究显示，后对比相尤其是post-1和post-2提供了最高的诊断性能。结合预对比特征也表现出显著性能，且大部分判别信息在预对比序列中已存在。研究人员还通过9组实验调整CNN卷积层数和卷积核数量，确定了最优网络结构。患者级交叉验证策略有效防止了信息泄漏，确保同一患者的所有图像仅出现在训练集或测试集中，从而提供了更严格的泛化性能估计。
讨论指出，CNN深度特征提供图像外观的分层表示，可捕捉复杂空间模式；纹理特征量化局部强度关系和异质性，二者互补。对比增强反映病变血管性和增强行为差异，符合临床合理性。SVM高斯核适合建模特征与标签之间可能的非线性关系，且在不同折之间性能一致，表明结果不依赖于特定患者子集。
五、结论
本研究提出了一种基于DCE-MRI的混合自动化框架，将TIC特征、深度学习和FZC描述子三类互补特征融合为统一表示，在645例动态MRI病例上达到94.05%的诊断准确率。结果表明，结合动力学、数据驱动和分数阶数学描述子可有效改善肝脏病变表征，有望辅助临床医生做出更可靠的无创诊断决策，减少对活检程序的依赖并支持模糊病例评估。
研究局限性包括：数据来自单一影像中心，使用1.5-T Philips Achieva MRI系统，可能限制模型对其他机构、MRI供应商、场强、采集协议和患者群体的泛化能力。五折交叉验证属于内部验证，不能替代独立外部验证。未来工作应在使用不同MRI系统和协议获取的独立多中心队列上评估锁定模型，并采用标准化预处理、中心特异性和合并评估（AUC、准确率、敏感性、特异性、置信区间、校准）以及特征稳定性和可重复性分析。还应探索协调策略（如标准化强度归一化和ComBat等统计协调方法）以减少站点和扫描仪相关变异。完成回顾性多中心外部验证后，应在多个机构进行前瞻性评估，以确定该框架的稳健性和临床实用性。
