基于模型的特征提取进行病灶分类：一种软组织的微分仿射不变弹性模型

软组织弹性已被广泛视为区分健康与恶性组织的特征属性，因此催生了若干弹性成像模态，如超声弹性成像、磁共振弹性成像和光学相干弹性成像。本文提出一种替代方法，利用计算机断层扫描 (CT) 成像模态对弹性进行建模，用于基于模型的特征提取机器学习 (ML) 病灶区分。该模型在微分流形中描述动态非刚性（或弹性）形变，以模拟体内波动下软组织弹性。基于该模型，由 CT 图像的一阶和二阶导数定义的两个张量构造了三个局部形变不变量，并通过一种新颖的信号抑制方法归一化后用于生成弹性特征图。从特征图中提取基于模型的弹性图像特征，并输入机器学习以执行病灶分类。两个经病理证实的结肠息肉（44 恶性、43 良性）和肺结节（46 恶性、20 良性）图像数据集用于评估所提基于模型的病灶分类。该建模方法的受试者工作特征曲线下面积得分在息肉达 94.2%、在结节达 87.4%，较十种现有最先进病灶分类方法平均提升 5% 至 30%。通过建模组织弹性进行 ML 病灶区分的收益显著，表明探索该建模策略至其他组织属性以进行 ML 病灶区分的巨大潜力。