基于局部特征的稳健大规模俯卧-仰卧息肉匹配：一种度量学习方法

### 基于局部特征的稳健大规模俯卧 - 仰卧息肉匹配：一种度量学习方法 #### 1. 引言 结肠癌是西方国家癌症死亡的第二大原因，但它也是最可预防的癌症之一，因为医生可以识别并切除其被称为息肉的癌前病变。除了成熟的光纤结肠镜检查外，3D 计算机断层结肠成像（CTC），即虚拟结肠镜检查，已成为一种强大的息肉检测和诊断筛查工具。CTC 中结肠息肉的计算机辅助检测（CAD）研究领域得到了广泛探索。 为了增强在塌陷或有液体标记的结肠段中的息肉发现，并更好地区分息肉与伪息肉（如标记的粪便），当前 CTC 临床实践是分别对患者进行俯卧和仰卧位的两次扫描。然而，结肠在俯卧和仰卧扫描之间的移动和变形差异很大，这使得手动配准息肉发现或结肠段变得困难、不准确且耗时。 本文提出了一种新的计算机技术，通过在息肉分类特征空间中监督优化距离度量，实现高性能的息肉匹配，其中真正匹配的息肉对在统计上比错误匹配的息肉对距离更小。息肉实例可以用多种局部外观特征来表示，包括局部几何特征、形态、形状/强度和上下文特征。由于这些特征的总和可能导致冗余、更高的计算和空间复杂度，我们首先使用特征选择方法选择与息肉匹配最相关但冗余最少的特征。然后，提出了一种有效的度量学习方法，学习由协方差矩阵增强的马氏距离来衡量不同视图中实例的差异。 #### 2. 材料和方法 我们的方法包括以下两个步骤： 1. 使用最小冗余最大相关性（MRMR）算法从整个 CAD 分类特征池中选择对息肉匹配有信息价值的特征子集。 2. 以基于加法、提升的优化方式，在所选特征上学习有效的息肉匹配距离度量（即由正半定矩阵加权不同特征通道的马氏距离）。 以下是该过程的流程图： ```mermaid graph LR A[CAD分类特征池] --> B[MRMR特征选择] B --> C[选择的特征] C --> D[MatrixBoost度量学习] D --> E[学习的距离度量] ``` ##### 2.1 匹配敏感特征选择 - **数据与特征**：我们从美国、欧洲和亚洲的 8 家医院收集了 195 个 CTC 病例（390 个体积）用于训练，其中 106 个息肉在两个视图中都出现；223 个病例用于测试，包含 118 个有双视图表现的息肉。图像使用西门子、GE 和飞利浦扫描仪采集，并进行了粪便标记准备。只考虑直径≥6mm 的可处理息肉。我们的 CAD 系统使用 96 个（形态、强度、基于纹理或几何）特征在训练数据集中的 61257 个候选对象上构建了树状概率分类器。通过阈值处理排除低概率的假阳性候选对象，训练和测试的真阳性检测灵敏度分别为 94.2%和 92.9%，每个患者约有 8 个候选对象。 - **特征选择**：定义同一真实息肉在两个视图中的实例对为正实例对，其他为负实例对。对于每个原始特征 f，导出新的“特征差异”变量△f = (f₁ᵢ - f₂ⱼ)，正实例对的△f 期望为零或常数，负实例对为随机值。基于此，使用 MRMR 方法从 96 个特征中选择了 18 个特征，这些特征描述了实例级息肉的形状形态、分割大小、表面积、强度轮廓、分类分数（“息肉性”）及其联合统计信息。 ##### 2.2 基于度量距离学习的匹配 提出了一种名为“MatrixBoost”的新度量学习方法，使用 MRMR 选择的 18 个匹配敏感息肉特征来匹配俯卧 - 仰卧视图中的息肉。 **构建三元组**：在训练中，选择分类器分数大于 ρ ≥ βc 的所有实例来构建三元组。βc 是为了在检测灵敏度和假阳性率之间进行实际可行的权衡而选择的