SCSN-Net：一种基于暹罗卷积脉冲神经网络（Siamese Convolutional Spiking Neural Network）的儿童髓母细胞瘤检测方法，该方法利用显微图像进行肿瘤识别

《Knowledge-Based Systems》：SCSN-Net: Siamese Convolutional Spiking Neural Network for Childhood Medulloblastoma Detection Using Microscopic Images

儿童脑膜瘤（CMB）传统诊断依赖复杂且耗时 histopathology，易误诊。本研究提出SCSN-Net模型，通过Wiener滤波去噪、EffiSegNet分割图像，结合LDN与Haar小波分析及直方图特征，实现CMB分类，准确率达92.28%，显著优于传统方法。

　　

Ramesh Kumar Ramaswamy、Aruna Rajendiran、Jude Moses Anto Devakanth Jude、Santhosh Kumar Balan

印度泰米尔纳德邦哥印拜陀斯里克里希纳工程与技术学院的计算机科学教授兼院长

摘要

这种高度危险的脑肿瘤被称为儿童髓母细胞瘤（CMB），主要影响儿童，并导致较高的死亡率。传统的诊断方法依赖于组织病理学。然而，组织病理学过程复杂、耗时较长且需要专业技能，这增加了误诊的风险。因此，研究人员开发了一种新的模型——连体卷积脉冲神经网络（SCSN-Net）来克服误诊问题。该模型使用来自IEEE数据集的显微图像作为输入，并通过Weiner滤波器进行去噪处理；随后利用EffiSegNet技术对去噪后的图像进行分割。系统通过结合位置方向数（LDN）和Haar小波分析以及基于直方图的描述符，从输入图像中提取关键特征。这些提取的特征被传递到分类阶段，由SCSN-Net框架进行处理。SCSN-Net结合了连体卷积神经网络（SCNN）和深度脉冲神经网络（DSNN）的优点，能够准确识别儿童髓母细胞瘤。在k-group 9的评估中，该模型表现出优异的性能：准确率为92.28%，真正例率为93.21%，真正例率为91.48%。

引言

影响儿童和青少年的第二大常见恶性肿瘤是肿瘤，尤其是那些影响中枢神经系统的肿瘤[1]。脑肿瘤是一种实体瘤，导致8至19岁儿童的死亡率显著增加[2]。儿童脑肿瘤根据其在小脑幕下的位置进行分类，可分为幕下型或幕上型。幕下型肿瘤在儿童中更为常见，但其发病率随年龄而变化[1]。尽管化疗和放疗技术有所进步，CMB仍会导致儿童死亡[3]。大约一半的脑肿瘤起源于后颅窝，其中小脑是最常见的发病部位。虽然这些肿瘤通常可以通过手术切除，但术后存在长期并发症的风险[2]。髓母细胞瘤是一种具有多种亚型的肿瘤，其特征是含有表达神经元抗原的原始胚胎细胞。这些肿瘤起源于一种称为“髓母细胞”的原始细胞类型，据信它们起源于第四脑室的室管膜[4]。显微镜检查显示，髓母细胞瘤由紧密排列的细胞组成，细胞核较大且颜色较深。髓母细胞瘤属于小脑的小蓝细胞恶性肿瘤，最终可能扩散到大脑的其他区域[1]。

髓母细胞瘤起源于小脑，具有多样的病理特征。其形成主要与基因突变和表观遗传改变有关，这些因素会干扰小脑组织的正常发育信号通路[5]。准确诊断髓母细胞瘤对于避免过度治疗或治疗不足至关重要，因为这两种情况都会显著影响死亡率[6,7]。正确分类髓母细胞瘤及其亚型对于选择合适的治疗方案、监测患者病情、防止肿瘤进一步扩散以及提高生存率具有重要意义。此外，针对不同亚型的靶向治疗也需要准确的分类[5]。根据世界卫生组织（WHO）的分类标准，中枢神经系统（CNS）肿瘤有多种类型[7]。从组织学角度来看，经典型、结节型、大细胞型和纤维型等不同类型的髓母细胞瘤具有不同的结构和诊断特征[8]。大细胞型髓母细胞瘤属于经典类型，以高度异形性和高发病率著称。髓母细胞瘤被分为四个亚组：WNT激活型、Sonic Hedgehog（SHH）激活型以及非WNT/非SHH型（第3组和第4组）[8]。针对不同亚型的治疗方案取决于其恶性程度的差异。由于组织病理学模式的复杂性以及细胞形状、关联性和大小的差异，区分这些亚型颇具挑战性[7]。

手动分析组织病理学图像存在诸多困难，尤其是对于髓母细胞瘤而言。这些肿瘤的复杂性及其亚型之间的相似性，加上细胞大小和形状的变异性，以及细胞相关性和方向的差异，都增加了手动分类的难度[9]。为了解决这些问题，计算方法尤其是机器学习（ML）和深度学习（DL）被广泛应用于癌症的分类和诊断[7]。深度学习是一种专门利用深度神经网络（DNN）的分析方法，通过多层相互连接的人工神经元处理数据[12]。与传统依赖人工特征提取的方法相比，深度学习在处理复杂、多因素和非线性问题方面具有显著优势[13]。尽管深度学习具有巨大潜力[14]，但由于缺乏大规模标准化数据集，其在髓母细胞瘤分类中的应用仍受到限制，这阻碍了强大模型的开发和训练[15]。尽管在成人脑肿瘤的检测、分类和分割方面取得了显著进展，但由于儿科数据集的有限性和开放性不足，儿科领域的类似进展受到限制[16]。不过，随着深度学习技术的不断进步和生物医学大数据的日益丰富，这些模型在预测多种疾病临床结果方面的有效性有望得到提升[13]。

SCSN-Net在髓母细胞瘤检测中的贡献如下：

?

本文讨论了使用新型SCSN-Net进行髓母细胞瘤检测的方法。

?

使用Weiner滤波器算法对显微输入图像进行去噪处理。

?

利用EffiSegNet技术对显微图像中的细胞进行分割。

?

提取特征，如基于Haar小波的位置方向数（LDN）和直方图数据。

?

通过新型SCSN-Net进行髓母细胞瘤的检测，输出结果分为“正常”或“髓母细胞瘤”两类。

?

将SCNN和DSNN结合形成新的SCSN-Net模型。

本研究的新颖之处在于：

•

开发了用于通过显微图像检测髓母细胞瘤的SCSN-Net：

SCSN-Net结合了SCNN和DSNN的优点，用于髓母细胞瘤的检测。

本研究的结构如下：第1节概述了研究背景，回顾了相关文献，并指出了现有方法的局限性；第3节详细介绍了所采用的方法论；第4节对比分析了实验结果和方法论；第5节总结了研究的主要发现和见解。

研究内容片段

动机

髓母细胞瘤是最严重的恶性肿瘤之一，常常导致13至16岁儿童的死亡。尽管有化疗和放疗等先进疗法，死亡率仍然持续上升。为了改进早期诊断和治疗效果，研究人员对现有技术进行了研究，并开发了SCSN-Net这一新技术以应对挑战并改善患者护理。

提出的SCSN-Net用于髓母细胞瘤检测

本研究的核心目标是利用SCSN-Net框架识别髓母细胞瘤。首先从参考数据集[24]中获取髓母细胞瘤的显微图像作为输入。这些图像经过Weiner滤波器[25]处理以减少噪声，随后使用EffiSegNet方法[26]进行细胞结构分割。从分割后的图像中提取描述性特征，包括基于直方图的属性[27]和位置方向数（LDN）模式等。

结果与讨论

第4节通过关键深度学习评估指标验证了SCSN-Net在识别髓母细胞瘤方面的有效性。此外，该节还进行了对比研究，展示了SCSN-Net相较于传统方法的优越性。

结论

本研究开发了一种名为SCSN-Net的新架构，用于辅助髓母细胞瘤的检测。首先从髓母细胞瘤数据集中获取显微图像作为输入，然后使用Weiner滤波器去除图像中的噪声。对去噪后的图像应用EffiSegNet方法进行细胞分割，从中提取包括位置方向数（LDN）模式和Haar小波特征在内的独特特征。

CRediT作者贡献声明

Ramesh Kumar Ramaswamy： 负责撰写初稿、概念构思和方法论设计。 Aruna Rajendiran： 负责数据整理和资源协调。 Jude Moses Anto Devakanth Jude： 负责实验研究。 Santhosh Kumar Balan： 负责数据分析。

利益冲突声明

作者声明不存在可能影响本文研究的已知财务利益或个人关系。