会议MICCAI年份2025英文题目Patient-specific radiomic feature selection with reconstructed healthy persona of knee MR images中文可译为基于重建健康人格的膝关节 MRI 患者特异性放射组学特征选择一、摘要传统 Radiomics 会提取EntropyEnergyIntensityShapeTextureWavelet等人工定义的影像特征。优点是可解释医生可以理解为什么某个纹理、强度或形态特征支持疾病判断。但是它通常不如端到端 Deep Learning 性能高。相反CNN 等深度模型 MRI→CNN→Disease往往性能更好却存在Black-box problem黑盒作者因此提出一个折中方案不让深度网络直接负责最终分类而是让深度网络决定“这个患者应该看哪些 radiomic features”。也就是MRI→Feature Weighting Network→Patient−specific Feature Selection然后将筛选后的 Radiomics →Logistic Regression→Disease Classification同时为了进一步增强疾病表征作者使用只在健康 MRI 上训练的3D DDPM将患者病变区域重新生成成 Healthy Persona然后同时从原始病变 MRIHealthy Persona提取 radiomics。最终用于三个任务General AbnormalityACL TearMeniscus Tear实验表明这种方法可以达到与 MRNet、ELNet、SKID 等端到端深度模型相当甚至更好的性能同时能够告诉医生哪个视角重要哪个空间区域重要哪一种 radiomic feature 重要。二、创新点1 Patient-specific Radiomic Feature Selection传统 Radiomics 通常是所有患者→使用同一组特征例如都使用 Entropy, Energy, Compactness...然后统一训练 Logistic Regression作者认为这是不合理的。因为不同患者撕裂位置不同病变程度不同MRI 表现不同最有价值的特征也可能不同。因此作者提出 每一个患者单独决定哪些Radiomics重要用一个 3D ResNet18 gθ(x)预测每一个 radiomic feature 的概率 piP(fi∣x)于是某个患者可能Entropy:0.91Energy:0.20Compactness:0.86另一个患者可能完全不同。这就是 Patient−specificFeatureSelection2 生成“患者自己的健康对照”——Healthy Persona一般诊断是 Patient MRI→Disease但医生其实很难知道“这个患者如果没有 ACL tear他的 MRI 应该长什么样”作者用 3D DDPM只在 Healthy MRI上训练。然后对于有疾病患者把可能出现病变的中心区域 mask 掉输入 diffusion model让模型用健康人数据的分布把该区域补回来。于是 x→x persona得到同一个患者的“病理去除版本”这样就可以比较 Disease Image↔Healthy Persona而不是拿这个病人和一个完全不同的人比较。3 用生成模型辅助“可解释诊断”而不是直接生成数据很多 diffusion 医学影像论文用来数据增强图像合成重建去噪。这篇论文则把 diffusion 用来构造 Patient-specific healthy baseline再从这个 baseline 里提取 Radiomics。因此 diffusion 在这里不是最终诊断器而是 构造个体健康参照用来帮助发现当前病变到底改变了哪些可解释影像特征。三、方法提出了一种基于深度学习的放射组学特征选择框架用于肌肉骨骼疾病分类该框架引入了“健康个体”概念——即针对病理性区域构建的合成性、患者特异性的健康基线。术语“个体”persona源自心理学中的同名概念表示患者解剖结构在无相关病理影像表现下的预测性健康对应模型。我们的方法采用特征加权神经网络用于预测各特征被选中的概率并动态调整从病理性MRI图像及其健康个体中提取的放射组学特征的权重与选择。这些选定的特征作为逻辑回归模型的输入进而完成下游临床任务。特征加权神经网络和逻辑回归函数由下游任务标签共同监督实现同步训练。为了构建健康的个体化模型采用专门训练于健康MRI扫描的DDPM扩散概率图模型重建出无病理异常的感兴趣区域ROI版本从而能够直接比较原始病灶与从健康人群学习到的合成健康基线。通过整合这种患者特异性的模型以及放射组学特征选择该框架提供了更具解释性和临床价值的疾病进展评估。3.1 Feature Probabilities generate特征概率预测特征加权神经网络预测特征概率3.2 Healthy Persona 的生成作者训练3D Conditional DDPM训练数据只来自Healthy Subjects健康定义为 abnormal0共有 218 patients三个视角一共 654 scansMask 设置作者假设主要疾病位于图像中央区域。因此 mask 一个 central bounding boxDepth50%Height30%Width50%然后 Masked Healthy MRI→DDPM→Original Healthy MRI让模型学习根据外围正常组织把中间区域补成正常解剖结构。在患者身上生成 Healthy Persona推理时 Pathological MRI同样 mask 中央 ROI x masked然后 DDPM(x masked)→x persona由于 DDPM 只学习过健康数据因此生成结果倾向于 Pathology-free appearance也就是把 ACL tear、meniscus tear 等病理表现“修复”掉。3.3Pool of features首先对一个 MRI ROI patch使用e(x)提取首先 PyRadiomics 提取固定的 radiomic feature这些就是固定的 radiomic feature pool。作者使用 PyRadiomics主要包括① First-order Features描述灰度分布例如MeanMedianEntropyEnergyInterquartile RangePercentile。②3D Shape Features例如VolumeCompactnessSphericity一共 35 feature typesMRNet 数据同时包含AxialCoronalSagittal。作者在三个 View 中分别提取 radiomics。因此 Feature 不只是 Feature Type还带有 ViewLocation例如Sagittal posterior-medial Entropy然后分别从原始病变影像x以及Healthy Personaxpersona提取 radiomics。所以 Feature PoolDisease FeaturesHealthy Persona Features因此原来 3mP个 features扩展成 6mP个。论文实验中3 views8 subpatches原图 Persona35 radiomic types再加相关空间/辅助信息。最终 feature vector1824 dimensions3.4 Feature-weighting Neural Network接下来不是直接把 1824 个 features 全部送进 Logistic Regression。作者使用3D ResNet18输入患者 MRI x输出 p{p1,…,pF}其中 pi∈[0,1]表示feature fi 对这个患者的重要程度训练时即假设 Entropy1.5模型认为重要程度 p0.9则 fw1.35如果某个 feature p0.05则几乎被抑制。四、实验4.1 数据集使用经典MRNet数据集。总共 1370 3D Knee MRI studies包括AxialCoronalSagittal。每个病例有三个 labelAbnormalityACL TearMeniscus Tear论文使用Training1130Validation120所有 MRI resize 为 32×128×1284.2 结果五、结论论文不是直接让深度网络告诉医生“ACL 撕裂了”而是先给这个患者生成一张“如果 ACL 没有撕裂他的膝关节大概应该长什么样”的健康 MRI然后让 AI 找出真实 MRI 和这个健康版本中哪些可解释的纹理、强度和形态特征最能说明病变。作者最终提出一个Generative ModelPatient−specific RadiomicsLogistic Regression它的核心目的并不是简单追求 AUC SOTA而是试图解决 Deep Learning性能高但不可解释和 Radiomics可解释但性能有限之间的矛盾。最终方法病变MRI↓DDPM生成个体Healthy Persona↓原图Persona提取Radiomics↓3DResNet18进行患者特异性FeatureSelection↓LogisticRegression↓Abnormality/ACL/Meniscus实验表明性能可以达到与端到端 DL 相当甚至部分更优Healthy Persona 对 ACL classification 有明显帮助Patient-specific feature selection 有效Registration 很重要模型可以提供视角、位置、特征类型三级解释ACL 相关信息主要集中在 sagittal view 和 medial/posterior ROI根据解释结果只保留 sagittal 后ACL accuracy 提高到0.92。
