[论文解读] Cancer Detection via Determination of Fractal Cell Dimension

W. Bauer, Charles D. Mackenzie|ArXiv.org|Jul 6, 1995

Fractal and DNA sequence analysisBiochemistry, Genetics and Molecular Biology参考文献 3被引用 16

一句话总结

本文提出了一种新方法，通过电子显微镜和自动化图像分析量化细胞表面周长的分形维数，以检测癌症。通过对数字化细胞图像应用盒计数法，作者表明毛细胞白血病淋巴细胞的分形维数显著高于健康淋巴细胞（平均约1.34），而健康淋巴细胞的分形维数均低于1.28，从而能够以高精度清晰区分癌变与非癌变细胞。

ABSTRACT

We utilize the fractal dimension of the perimeter surface of cell sections as a new observable to characterize cells of different types. We propose that it is possible to distinguish cancerous from healthy cells with the aid of this new approach. As a first application we show that it is possible to perform this distinction between patients with hairy-cell lymphocytic leukemia and those with normal blood lymphocytes.

研究动机与目标

• 开发一种基于分形几何的定量、客观方法，用于区分癌变与健康细胞。
• 探究细胞表面轮廓的分形维数是否可作为癌症检测的可靠生物标志物。
• 应用自动化图像处理技术，从人血细胞的电子显微照片中提取并分析分形维数。
• 评估分形维数作为临床病理学诊断工具的潜力，特别是在血液系统恶性肿瘤中的应用。
• 探索该方法在其他癌症（包括乳腺癌）中的广泛适用性及其在早期检测中的潜力。

提出的方法

• 以高分辨率（750×675像素）和256级灰度对细胞切片的电子显微照片进行数字化处理。
• 利用灰度级直方图分析自动设定细胞膜和细胞核的阈值，选择80作为膜检测的阈值。
• 应用聚类识别算法去除小于300像素的微小斑点（为伪影），同时保留真实的细胞表面。
• 在x和y方向上计算偏导数，将表面提取为白色背景上的黑色线条，以表示细胞边界。
• 通过在盒尺寸范围（ξ从1/8到1/64）内应用盒计数法计算分形维数，将N(ξ)与ξ的对数图拟合为幂律关系。
• 在l区间3到6（ξ从1/8到1/64）内使用线性回归估计分形维数d，相关系数r > 0.999。

实验结果

研究问题

• RQ1 细胞表面周长的分形维数能否可靠地区分健康与癌变的淋巴细胞？
• RQ2 盒计数法在生物细胞图像上进行分形维数估计是否能产生一致且可重复的结果？
• RQ3 健康淋巴细胞与毛细胞白血病患者淋巴细胞之间是否存在可测量的分形维数差异？
• RQ4 自动化图像处理技术能否在不扭曲其自然复杂性的情况下有效隔离并分析细胞表面轮廓？
• RQ5 该方法是否可推广用于基于形态学表面复杂性的其他类型癌症检测？

主要发现

• 健康淋巴细胞的分形维数始终低于1.28，无一例超过该值。
• 相比之下，毛细胞白血病患者中相当一部分淋巴细胞的分形维数高于1.28，所研究样本的平均值为1.34。
• 代表性毛细胞白血病细胞的盒计数法测得分形维数为d = 1.34，幂律拟合的相关系数为r = 0.99975。
• 该方法对阈值变化（±5范围内）和聚类大小变化（100至500像素）具有鲁棒性，对最终结果影响极小。
• 该技术成功基于表面复杂性区分了癌变与非癌变细胞，且健康组中无任何细胞的分形维数超过1.28。
• 作者通过测试已知分形（科赫雪花、谢尔宾斯基地毯）验证了该方法的准确性，结果与理论值的偏差在±0.03以内。