计算机辅助成像技术可降低第二次乳腺癌手术的风险

根据最近的一项研究，四分之一的乳腺癌女性在选择乳房肿瘤切除术后将需要第二次手术，这既增加了成本，也增加了并发症的风险。

为什么第二次手术如此常见?目前外科医生能在手术中确认肿瘤边缘没有癌细胞的唯一方法是组织在切除的肿瘤周围进行冷冻切片，使用液氮将切除的组织冷冻，然后将组织切片并染色，供病理学家在实验室中检查。这一程序经常在手术中进行，以评估肿瘤边缘。如果确定了阳性边缘，外科医生会切除更多的组织。然后将切除的组织送去进行彻底的组织病理学评估。然而，冷冻切片可能会错过组织表面的肿瘤边缘——而且经常如此——而且实验室的组织病理学结果要几天后才能得到。

如果外科医生有一种更准确的方法来发现——在手术室里，实时地——边缘是否免费呢癌症细胞吗?

里海大学电子工程助理教授周潮和他的合作者、计算机科学与工程副教授黄晓蕾正在努力使这一愿景成为现实。他们创造了一种计算机辅助诊断技术，将尖端成像技术与人工智能的最新进展结合起来，实时检测出癌变细胞和良性细胞的区别。

该项目的高级合作者包括麻省理工学院的James G. Fujimoto教授;哈佛医学院的James L. Connolly博士;Drs。来自中国河南郑州大学第三附属医院的曾宪旭和张展。

“我们的想法是，如果有一天这项技术可以应用在手术中，它可以补充组织病理学，潜在地减少对第二次手术的需要。乳腺癌手术,”周说。

可行性研究-发表于一篇文章在医学图像分析-已经产生了很好的结果:他们的技术达到了90%以上的分类准确率。这意味着系统能够在90%以上的时间里正确识别良性和癌变细胞。

强大的成像与强大的分析

周和黄的方法是引人注目的，因为它相对较新的应用成像技术称为光学相干显微镜(OCM)作为乳腺癌诊断。它还以其训练计算机系统识别纹理模式的创新方法而闻名。

从OCM图像中提取的特征被用来训练计算机系统自动识别不同的组织类型。

“这个过程需要拍摄大量的图像，并对样本中的组织类型进行标记，”黄说。“对于图像中的每一个像素，我们都知道它是脂肪、癌还是其他类型的细胞。此外，我们从图像中提取了数千种不同的特征，比如纹理、颜色或局部对比度，然后我们使用机器学习算法来选择最有分辨力的特征。”

在研究了多种类型的纹理特征后，Huang和Zhou确定了局部二值模式(LBP)特征——比较中心像素与其相邻像素的强度的视觉描述符——最适合用OCM对组织进行分类。

该团队还集成了其他两个特征——一个是平均局部二值模式(ALBP)，它将每个邻居像素的强度值与所有邻居的平均强度值进行比较:另一种称为基于块的局部二值模式(BLBP)，它比较中心像素周围一个邻域内特定形状的块中像素的平均强度值。在他们的作品中使用了两种不同形状的像素块，即Spoke和Ring。

最后，由于人体乳腺组织OCM图像中出现了不同尺度的纹理模式，将不同半径参数获得的LBP、ALBP和BLBP特征结合起来，构建了多尺度特征。所有这些结合起来，显著提高了分类准确率。

文章中写道:“我们的实验表明，通过在多个尺度上整合选定的LBP和两种新变体(ALBP和BLBP)特征，使用神经网络分类器，分类准确率从81.7%(单独使用LBP特征)提高到93.8%。”

“此外，我们利用这些多尺度和集成的图像特征，实现了使用OCM图像检测癌症的高灵敏度(100%)和特异性(85.2%)，”黄补充道。

他的工作重点是改善生物医学成像技术，是OCM的新应用的先驱，OCM是一种可以提供3D、高分辨率的非侵入性成像方法

细胞水平生物组织成像。OCM图像非常接近可以通过组织病理学检测。

作为训练计算机识别视觉图像的专家，黄的角色是找出分析这些图像以区分良性和癌变组织的最佳方法。

他们的技术将强大的成像和强大的图像分析结合起来，这可能是在手术室实现乳腺癌组织实时诊断的重要一步。研究人员希望有一天它能将第二次手术的需要降至最低，降低成本和患者并发症的风险。

---

---