论文阅读：Molecular subtypes classification of breast cancer in DCE-MRI using deep features

论文标题：
Molecular subtypes classification of breast cancer in DCE-MRI using
deep features
翻译：
基于深部特征的DCE-MRI对乳腺癌分子亚型的分类

摘要

利用乳腺DCE-MRI识别分子亚型
本研究使用了1359张DCE-MRI图像的人工注释数据集，其中70%用于训练，其余用于测试。
从该数据集中提取了12个深度特征。
数据集首先由具有乳腺MRI解释经验的放射科医生通过放置roi进行预处理，然后使用所提出的卷积神经网络(CNN)提取深度特征。
最后，利用支持向量机(SVM)对提取的深层特征进行乳腺癌分子亚型分类。
使用准确度和曲线下面积(AUC)测量来评估预测模型的有效性。
该测试是在未见的滞留数据上执行的。最大准确度和AUC分别为99.78%和100%，具有较低的复杂度。

介绍

三种乳房成像方式目前用于评估乳房病变。
检查乳房的第一种标准成像方式是乳房x光检查。它被认为是金标准成像方式，并且通常用于乳腺病理的表征。然而，对于某些类型的乳房，乳房x光检查可能具有挑战性，因为致密的乳房难以仔细检查，病变可能被掩盖。
第二种成像方式是超声检查(US)。虽然超声检查需要在没有电离辐射的情况下诊断乳房异常，但它有许多局限性，包括：许多乳腺癌在超声检查中不可见，大多数超声检测到的可疑发现需要活检。
第三种成像方式是MRI，这是一种公认的成像研究，用于筛查乳腺癌高危患者，确定不确定的乳腺病变特征，以及活检证实的癌症，用于术前评估和手术计划。

1. 在DCE-MRI专家对病变进行准确注释后，用动态阈值对图像的感兴趣区域(ROI)进行分割。
2. 然后，从DCE-MRI中获得不同类型的特征，包括纹理、形态学、动力学和统计学特征，以验证分子亚型与图像表型之间的联系。
3. 随后，采用递归特征消去法寻找鲁棒和最优特征，提高了模型的性能。

采用多类逻辑回归分类器对包含60个DCE-MRI乳房扫描的数据集进行分类。
评估包括使用三种MRI模式进行比较，即T1加权对比成像，表观扩散系数(ADC)和T2加权成像。
其中，T1加权对比成像在评估乳腺癌分子亚型方面表现更好，其他使用方式的auc为0.762至0.92。

以往的研究大多在乳腺的多次dce MRI中使用单次造影后MRI。DCE-MRI的第一次后对比是诊断乳腺癌最有效和最理想的动态。因此，结合对比前和对比后MRI动态可能有助于提高乳腺癌分子亚型的分类，这也是开展本研究的主要动机。

方法

该模型研究了CNN从乳腺DCE-MRI动态中提取深层特征的效果，这是识别病理乳房最常用的MRI序列。利用Radiant Software识别ROI的坐标。将4个深度特征向量组合在一起训练SVM分类器。

DCE-MRI dataset

该系统共纳入149例乳腺癌MRI研究，包括74例(49.6%)激素受体(ER和/或PR)阳性病例，29例(19.5%)HER2受体阳性病例和47例(31.5%)三阴性癌症病例。此外，乳房病变周围的感兴趣区域(ROI)由放射科顾问手动勾画，以确认下载数据集提供的注释。

DCE-MRI乳房图像预处理

使用不同像素间距和空间分辨率的各种成像设备获得下载的数据集，使用双线性插值将所有乳腺DCE-MRI扫描缩放到相同的空间分辨率。此外，与其他医学成像方式相比，MRI的一个主要缺点是其强度不标准化，并且由于MRI扫描仪的缘故，其强度在相同和连续的MRI切片之间会发生变化。
此外，尽管不同扫描仪的MRI数据采集方案是相同的，但MRI切片的动态强度范围是不同的
因此，为了减少扫描间和扫描内DCE-MRI强度变化的影响，使用直方图归一化对所有MRI切片进行归一化

ROI的切除：ROI通过测量每个乳腺病变的最长通常在20 - 30像素之间，并在病变周围增加5像素以包括实质。
尽量避免肿瘤边缘、出血、坏死、囊变、血管等非增强区域。通过变换和旋转roi来扩展数据集直径来定义图像，以增加训练大小。增强后共获得ROI图像1359张，其中激素受体阳性ROI图像402张，HER2受体阳性ROI图像499张，三阴性肿瘤ROI图像458张。最后，所有roi都通过填充零来调整大小，因为深度学习模型不允许MRI切片输入大小的变化。

传统CNN特征提取

1. CNN模型有两个关键组成部分：特征学习（卷积层和池化层）和分类组成部分（全连接层）
2. 卷积层由几个卷积滤波器组成。这些过滤器通过以步长stride移动来围绕输入图像进行卷积。
3. 在每一层卷积后，由于跨步处理，输入图像的维数减少。因此，为了检索输入体积的原始空间尺寸，使用零填充方法将输入体积填充为零。
4. 通过整流线性单元(ReLU)层对获得的特征映射应用逐元非线性激活函数
5. 将校正后的特征图通过池化层进行维数处理
6. 利用max-pooling函数确定特征映射的每个子区域的最大数目
7. 批量归一化层用于通过对生成的特征图进行归一化来调节和加速CNN的训练过程
8. 最终的全连接层用于从最后一个卷积层获取特征图，并应用权重来预测正确的标签
9. Adam优化器用于减少CNN的误差函数，并在学习率设置为0.001时产生了极大的改进权重

该CNN架构：

CNN架构设计关键在于卷积层连接和权重设置。
提出的CNN包含4个卷积层和3个池化层。
对比前后动态ROI图像分别通过CNN提取深度特征子集。
多个子集合并成一个向量输入分类。