基于多光谱光声断层成像和水平集分割的亚洲人皮肤黑色素型基底细胞癌精准测绘的概念验证研究

多光谱光声断层成像用于皮肤黑色素型基底细胞癌精准测绘的

研究助力皮肤癌诊断的新方法:基于光声成像与水平集分割算法的研究

近年来,随着全球人口老龄化和环境变化,皮肤癌的发病率逐年攀升。皮肤癌已成为重要的公共卫生问题,其中主要的非黑色素瘤类型包括鳞状细胞癌(Squamous Cell Carcinoma, SCC)和基底细胞癌(Basal Cell Carcinoma, BCC)。其中,基底细胞癌是最常见的一种。据统计,美国每年约有430万例新的基底细胞癌病例。尽管这种癌症死亡率较低,但对患者的生活质量和医疗资源造成了巨大挑战。

基底细胞癌的临床诊断和治疗仍存在诸多问题。传统的肿瘤边界评估方法主要依赖组织病理学(histopathology),这种方法虽然精准,但需通过活检等侵入性手术获取样本,并且需要耗费大量时间。此外,诸如光学相干断层成像(Optical Coherence Tomography, OCT)与反射共聚焦显微镜(Reflectance Confocal Microscopy, RCM)等先进的非侵入性成像技术虽然提供了较高分辨率,但其组织穿透能力有限(RCM的穿透深度约200–300 μm,OCT为1–2 mm),不足以全面解析肿瘤深层边界。这些限制阻碍了这些技术在不同类型基底细胞癌临床管理中的广泛应用。

在此背景下,由Xiuting Li、Valerie Xinhui Teo等研究者主导的一项创新研究提出了一种基于多光谱光声成像断层技术(Multispectral Optoacoustic Tomography, MSOT)结合水平集分割算法(Level Set Segmentation Algorithm)的新方法,用于精确非侵入式地映射亚洲皮肤中的色素性基底细胞癌。这篇研究发表在《European Journal of Nuclear Medicine and Molecular Imaging》期刊上,由新加坡科技研究局(Agency for Science, Technology and Research, A*STAR)皮肤研究实验室和新加坡国家皮肤中心合作完成。

研究背景与方法

本研究试图解决肿瘤边界动态监测能力不足以及现有光学影像方法的穿透深度和对比度缺乏的难题。通过在基于光声成像的MSOT中开发并集成自动化水平集图像分割方法,研究者以期提出一种可以精确测量肿瘤宽度、深度和体积的成像解决方案,为术前肿瘤绘图和手术规划奠定基础。

临床研究设计

研究获新加坡国家健康集团伦理委员会(Domain Specific Review Board, DSRB)和A*STAR伦理委员会批准(临床研究编号:2020/00115 和 2022/00347),共招募65名年龄在21至90岁的患者参与研究。这些患者均被诊断为非黑色素瘤皮肤癌,且已安排进行手术切除或Mohs显微外科术。经组织病理学确诊后,30名色素性基底细胞癌患者成为最终的研究样本。这些患者的皮肤类型均为III-IV型(Fitzpatrick分类)。

研究使用的MSOT成像设备为iThera Medical GmbH公司生产的MSOT Acuity系统,配有手持3D探针。该设备支持680–980 nm的波长范围,最大穿透深度可达10 mm,空间分辨率为80 μm。

成像与数据采集流程

  1. 患者成像准备:在获取患者书面知情同意后,采集临床照片和皮肤镜图像。
  2. MSOT imaging采集:将手持探针置于目标区域,利用波长680–920 nm进行光声信号采集和分光分离(氧合血红蛋白、去氧血红蛋白和黑色素)。
  3. 术后标记与样本处理:成像后,使用外科笔标记肿瘤位置以确保活检样本的准确对位。
  4. 数据处理与分析:采集后的光声数据被3D重构为100×100×100像素的影像,以供后续分析使用。

图像处理与算法开发

前处理

研究首先对MSOT采集到的影像进行预处理,包括使用最大强度投影方法将3D影像投影到(x-y, x-z, y-z)三维平面,并对图像应用中值滤波器(Median Filter)以降低随机噪声。

水平集分割算法(Level Set Segmentation)

水平集方法采用连续Potts模型的凸松弛(convex relaxation)法,并对基底细胞癌的边界进行精确细化和标注。此算法主要步骤包括: 1. 初始化水平集曲面,通过对光声影像的对比度梯度计算轮廓初始分区。 2. 迭代优化分割曲线,直至分割能量函数收敛为最优结果。 3. 分割后的影像数据作为计算肿瘤形态学参数(宽度、深度、体积)的输入。

后处理

研究通过Python的Regionprops函数进一步分析分割结果,计算肿瘤宽度(最大Feret直径)和深度(次短轴长度),并将二维切片矢量化以生成3D重建模型。

统计分析

研究通过Pearson相关系数评估MSOT测量数据与金标准组织病理学测量之间的关联性。误差范围(Margin of Error, MOE)被定义为两者测量结果间的差值,其均值和标准差为评估算法一致性和鲁棒性能提供依据。

研究结果

  1. 肿瘤宽度与深度测量的比较

    • MSOT衍生的宽度和深度测量值与组织病理学的相关性系数分别为0.84和0.81(p<0.0001),显示了较强的相关性。
    • 误差范围分析显示,96%的主题的深度数据与金标准的偏差均小于1.5 mm。
  2. 案例研究与3D重建

    • 在案例36中,基于分割的3D重建模型显著降低了噪声干扰,并得出了肿瘤总体积为12.14 mm³。
    • 结合灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)分析,研究提取了纹理指标如对比度(28.46)、不相似性(1.99)、均匀性(0.64)等,为后续科研究提供了潜在信息。
  3. 时间效益

    • 从成像到数据处理的全过程仅需20分钟,与传统活检和组织病理分析的耗时几天相比,显著提升了效率。

讨论与意义

  1. 本研究所提出的多光谱光声成像与自动分割方法突破了传统检测手段在穿透深度、实时监测能力等方面的限制。
  2. 通过非侵入性方式实现对色素性基底细胞癌的实时三维评估,有助于术前精确绘图和临床治疗规划。
  3. 研究强调了多维肿瘤测量(如宽度、深度与体积)的重要性,而非单一维度的分析,从而进一步提升病理学研究的全面性。
  4. 纹理分析和光声图谱的结合展示了探索肿瘤微环境(如炎症和血管生成)特性的潜力。

展望与结论

此项研究通过证实MSOT与水平集分割算法的有效性,不仅提供了用户友好且精确的肿瘤边界测量方法,还开启了皮肤影像诊断的新视角。未来,将进一步结合机器学习模型优化算法性能,扩展至非色素性肿瘤的分割和复杂临床场景的适用性。

这一突破性研究展现了光声成像在肿瘤动态监测中的无限潜力,并为个性化医疗和快速诊断奠定了坚实基础。这标志着皮肤癌检测科技的重要里程碑,也为未来精准医学的发展提供了宝贵方向。