乳腺良恶性肿块的初步筛查

乳腺良恶性肿块的初步筛查

一、乳腺良恶性肿块病例的初步筛查(论文文献综述)

陈智丽,高皓,潘以轩,邢风[1](2022)在《乳腺X线图像计算机辅助诊断技术综述》文中研究说明近年来,乳腺癌严重威胁全球女性的身体健康,乳腺X线摄影是乳腺癌筛查的有效影像检查手段。乳腺X线图像计算机辅助诊断(computer aided diagnosis,CAD)运用计算机视觉、图像处理、机器学习等人工智能先进技术,自动分析处理乳腺X线图像,可为医生在临床中提供重要的诊断参考。主要面向肿块和微钙化病变检测、分割和分类等问题,从传统方法和深度学习方法两个角度,综述乳腺X线图像计算机辅助诊断技术的发展现状。鉴于近年来深度学习方法取得的突破性成果,回顾了经典的深度学习网络模型,着重介绍了深度学习方法在乳腺X线图像分析中的最新应用,对比分析了传统方法的弊端和深度学习方法的优势。对现有技术存在的问题进行分析,并对未来发展方向进行展望。

李剑锋[2](2021)在《探讨建立乳腺良恶性结节US-BI-RADS量化评分分类标准模型的初步研究》文中认为目的:探讨建立乳腺良恶性结节超声影像报告及数据系统(US-BI-RADS)量化评分分类标准模型,评估模型在乳腺结节良恶性风险评估中的应用价值。方法:收集2018年1月至2019年1月来我院就诊的3589例女性乳腺肿瘤患者的4009个结节(2018年1至12月3623个、2019年1月386个)、术前常规行乳腺超声检查、有手术后或穿刺术后病理结果者作为研究对象。(1)以2018年1月至12月的乳腺肿瘤患者的3623个结节为模型病例,回顾性地详细分析了每个乳腺结节的内部超声特征,分析结节有无形态不规则、边缘模糊或毛刺征或成角或微小分叶、内部回声不均匀、肿物后方回声衰减、纵横比大于1、病灶内伴微钙化及病灶相邻导管扩张共7个超声恶性征象。(2)计算以上7个超声征象评估乳腺良恶性结节的敏感度、特异度、准确度、PPV及NPV,进而分析其诊断乳腺癌相对危险度(OR)值的权重,并根据各个征象的权重给予相应的赋值评分。结合病人年龄并给予相应的赋值量化评分,Age=年龄<35岁者赋值0分,35岁≤Age<50岁者赋值1分,Age≥50岁者赋值2分,建立乳腺良恶性结节US-BI-RADS量化评分分类标准模型。(3)以ACR BI-RADS为标准,提出US-BI-RADS分类为3类、4亚类(4a类、4b类、4c类)及5类的评分标准,绘制ROC曲线及箱图,然后以2019年1月的386个结节为测试病例,进而通过综合分析模型评估乳腺结节良恶性的临床诊断效能。结果:(1)依据以上7个超声恶性征象的OR值排序:X4=后方回声衰减(181.65)>X2=边缘模糊或成角等(37.55)>X3=内部回声不均匀(22.86)>X5=结节纵横比大于1(18.68)>X1=形态不规则(13.70)>X7=相邻导管扩张(12.61)>X6=内伴微钙化(11.13),并给予相应的赋值评分,各个乳腺良恶性结节的评分Total score=Age+X4*3+(X2+X3+X5)*2+(X1+X6+X7)*1。ROC曲线下的面积为0.985,95%置信区间范围为0.981~0.989。取5分作为超声评估和鉴别诊断乳腺良恶性肿物的主要分界点,其评估乳腺良恶性肿物的灵敏度、特异度、准确度、PPV、NPV依次分别为94.76%、99.18%、97.29%、98.85%及96.21%。(2)根据ACR BI-RADS标准,设Total score≤2分为US-BI-RADS 3类结节,3分为4a类结节,4分为4b类结节,5分为4c类结节,≥6分为5类结节;按量化评分分类标准模型分类后模型病例3类、4a类、4b类、4c类、5类结节的恶性构成比依次为2.01%、5.26%、21.09%、91.75%、99.35%,测试病例3类、4a类、4b类、4c类、5类结节的恶性构成比依次为1.69%、6.06%、23.53%、90.91%、97.96%。结论:US-BI-RADS量化评分分类标准可行性较大,对乳腺良恶性病灶的风险评估准确度较高,简便易操作,具有重要的临床推广应用价值。

徐平[3](2021)在《超声造影在乳腺病变诊断中的应用价值及影响因素探讨》文中研究说明研究背景及目的乳腺癌是世界范围内女性发病率最高的癌症,也是女性癌症相关死亡的主要原因。它是一种高度异质性疾病,与多种已知的可改变和不可改变的危险因素相关[1]。近年来,中国女性乳腺癌的发病率一直呈上升趋势[2],给患者带来了巨大的经济负担和心理创伤,因此乳腺癌的早期诊断和治疗就成为我们工作中的重中之重[3]。2019年版《中国女性乳腺癌筛查指南》[4]中推荐乳腺X线摄影(Mammography,MG)作为乳腺癌筛查项目的参考标准,同时强调了超声检查(Ultrasound,US)对MG的补充作用。US和MG检查作为乳腺筛查及诊断的一线“黄金搭档”,为乳腺癌的早期发现和治疗提供了最重要的影像依据[5]。虽然BI-RADS系统的引入为病变诊断提供了标准化的分类,但是MG和常规US的应用仍然存在一定的局限性。MG对致密乳房乳腺癌的的敏感度仅为30-48%[5],假阴性率相对较高[6],而在中国49.49%乳腺为致密型[7],这一定程度上限制了 MG在中国的应用。US更适合对具有小而致密乳房的亚洲女性进行乳腺筛查,但是其诊断假阳性较高[8]。MG和US的联合诊断结果灵敏度高但特异度低,导致许多不必要的活检,并且二者诊断经常出现不一致的情况,从而使临床医生困惑,导致不正确的临床建议。迫切需要一种有效的检查方法来进一步评价MG+US的诊断结果。近二十年来,超声造影(Contrast-enhanced Ultrasound,CEUS)应用于乳腺病变的鉴别诊断。它是一种纯血池显像技术,不仅能显示乳腺病变的形态,还能显示其微血管构筑,已有许多研究表明CEUS可优化BI-RADS分类,提高诊断效能并减少不必要的活检[9-11]。CEUS越来越多地被选为用于对US+MG结果进一步评价的成像方式[11]。但CEUS不仅需要额外的时间和费用,并且有可能产生并发症。作为US和MG的辅助工具,其临床应用仍然有很多问题亟待探讨。首先,迄今为止,CEUS作为US和MG的辅助手段,其应用指征并不明确。在US+MG不同类别的诊断中补充CEUS的应用价值存在争议,在US和MG诊断不一致的情况下CEUS是否是有效的补充工具也有待探讨[12]。再者既往文献多关注CEUS在乳腺病变鉴别诊断方面的贡献,而对CEUS诊断局限性的研究极少[19]。明确可能导致CEUS错误诊断的病变的相关因素,将有助于对其错误诊断结果的解释及CEUS的合理应用。最后乳腺高危病变在临床、形态学和生物学上具有较大的异质性[13],无论从家族遗传、基因测序、生化测定、临床表现[14-16]还是影像学检查[17],早期诊断均有一定难度。研究表明,乳腺高危病变整体血管化程度比非高危病变更明显,血管的数量和密度与病变的大小和病理严重程度成正比[18]。由此推测,对良性病变血管化的评估可能有利于高危病变的识别。在上述背景下,本研究拟从以下三个方面对CEUS在乳腺病变诊断中应用进行讨论。论文的第一部分拟探讨CEUS作为MG和US的辅助手段在不同情况的US和MG诊断结果中补充应用价值的区别。第二部分聚焦于CEUS在乳腺病变鉴别诊断中的局限性,探索与CEUS假阳性及假阴性诊断相关的病变特征。第三部分初步探讨乳腺良性高危病变CEUS特征及CEUS对高危病变的诊断价值。通过上述三个方面的研究,为CEUS的合理应用及进一步推广提供依据。第一部分:超声造影对乳腺病变常规诊断的补充应用价值评估目的:探讨超声造影(Contrast-enhanced ultrasound,CEUS)对乳腺病变X线摄影(Mammography,MG)和常规超声(Ultrasound,US)的补充应用价值,并对不同诊断情况下CEUS的补充价值进行比较,为CEUS的合理应用提供依据。方法:对2017年1月至2020年6月在我院行MG、US及CEUS检查并经病理证实的349个乳腺病变的各项诊断结果进行分析。首先通过ROC曲线评估US、MG、US+MG、US+CEUS及US+CEUS+MG对全体病变的诊断效能,并计算敏感度、特异度、准确度、阳性预测值(Positive Predictive Value,PPV)、阴性预测值(Negative predictive value,NPV)、假阳性(False Positive,FP)、假阴性(False Negative,FN)及曲线下面积(Area Under the Curve,AUC)。然后根据 US+MG联合诊断的BI-RADS分类结果将349个病变分成可能良性组(1、2、3类)及可能恶性组(4、5类),并分别比较两组补充CEUS检查前后诊断敏感度、特异度、准确度、PPV、NPV及AUC。最后根据US及MG的诊断是否一致将349个病变分成一致组和不一致组,分别分析两组患者的临床及病理特征,并比较两组补充CEUS检查前后诊断敏感度、特异度、准确度、PPV、NPV及AUC。采用SPSS 22.0软件(SPSS,芝加哥,IL,美国)进行统计分析,定性指标用频数(百分比)表示,采用χ2检验比较组间差异,定量指标用均数±标准差表示,采用t检验比较组间差异。采用McNemar检验,比较不同检查方法的敏感度和特异度,采用Z检验比较各种方法的AUC。用与Leisenring等人提出的卡方统计量相同分布的分数统计量比较不同方法之间的PPV和NPV。以P<0.05表示有统计学意义。结果:349个乳腺病变包含205个良性和144个恶性。在全部病变的诊断中,US+CEUS+MG诊断乳腺病变的敏感度、特异度、准确度、PPV、NPV、FP及FN分别为 97.92%、69.27%、81.95%、69.12%、98.12%、30.73%及 2.08%,AUC 为 0.836,相较于US+MG,特异度、准确度、AUC均提高,假阳性降低。349个乳腺病变中,US+MG诊断可能良性80个,可能恶性269个。在US+MG诊断可能良性组,US+CEUS+MG敏感度、特异度、准确度、PPV、NPV及AUC为71.42%、98.63%、92.50%、83.33%、97.30%、0.850。相较于 US+MG,敏感度提高(P<0.05),但特异度、准确度、NPV及AUC无统计学差异。在US+MG诊断可能恶性组,US+CEUS+MG 敏感度、特异度、准确度、PPV、NPV 及 AUC 为 98.54%、53.78%、76.58%、68.88%、97.26%、0.758。相较于US+MG,特异度、准确度、PPV及AUC提高(P<0.05),敏感度无统计学差异。349个乳腺病变中,US和MG诊断一致178个,诊断不一致171个。诊断不一致的原因在病理良性组主要是US检查的假阳性(75/108,69.44%),在恶性组主要是MG为假阴性(58/63,92.06%)。年轻女性、小病变、致密乳房和淋巴结阴性的乳腺癌在不一致组中更常见(P分别为0.008、0.013、0.023和0.000)。不同的病理分级在两组中没有统计学差异。在US和MG诊断一致组,US+CEUS+MG敏感度、特异度、准确度、PPV、NPV及 AUC 为 97.53%、58.76%、76.40%、66.39%、96.61%、0.781,各项相应指标高于US+MG,但无统计学差异。在US和MG诊断不一致组,US+CEUS+MG敏感度、特异度、准确度、PPV、NPV 及 AUC 为 92.06%、85.19%、87.72%、69.05%、94.85%、0.886,其中特异度、准确度、PPV及AUC高于US+MG(P<0.05),敏感度、NPV无统计学差异。结论:CEUS的补充应用对US+MG的诊断结果的进一步评价有重要价值,可提高诊断效能并减少不必要的活检。在不同US和MG诊断类别中,CEUS的应用价值有所区别。在US+MG诊断可能恶性以及US和MG诊断不一致的病变中,CEUS是有效的补充手段,可提高鉴别诊断效能并减少不必要的活检。在US+MG诊断可能良性组及US和MG诊断一致组,CEUS的补充应用对诊断效能无明显影响,但是可增强诊断信心,将良性病变排除在进一步诊断之外。这些发现可能为CEUS的合理应用提供参考。第二部分:超声造影在乳腺病变鉴别中的应用:与假阳性和假阴性结果相关的因素目的:通过比较乳腺病变超声造影(Contrast-enhanced Ultrasound,CEUS)诊断结果与病理结果,探讨与CEUS假阳性和假阴性诊断结果相关的病变特征,以及这些特征对CEUS诊断效能的影响。方法:纳入2017年1月至2020年6月经病理证实的349个乳腺病变。所有病灶在活检或手术切除前均行乳腺X线、常规超声及CEUS检查。将CEUS结果与病理结果比较,将全部病变分为诊断正确组和诊断错误组:CEUS诊断为可能良性病理证实为良性病变的为真阴性;CEUS诊断为可能恶性病理证实的良性病变为假阳性;CEUS诊断为可能恶性病理证实为恶性的病变为真阳性,CEUS诊断为可能良性病理证实的恶性的病变为假阴性。诊断正确组和诊断错误组的计量资料采用均数±标准差表述,两组间比较采用独立样本t检验,计数资料采用频数(百分比)表述,两组间的比较采用χ2检验。单因素分析中具有统计学差异的因素进行多变量Logistic回归分析,用比值比(Odds ratio,OR)和95%置信区间来评估与CEUS诊断错误(假阳性和假阴性)结果相关的因素。分析不同因素对CEUS诊断效能的比值比(OR)。结果:349个患者共有349个乳腺病灶,良性205个,恶性144个,平均年龄(45.2±11.1)岁。CEUS 诊断的敏感度 88.19%(127/144),特异度 73.17%(150/205),准确度 79.36%(277/349)。良性病变的假阳性率(55/205,26.83%)高于恶性病变的假阴性率(17/144,11.81%)。在良性病变中,高危病变(20/55,36.36%)和炎性病变(11/55,20.00%)是导致假阳性诊断的主要原因。在乳腺恶性病变中,原位病变假阴性率(7/47,14.89%)高于浸润病变(10/97,10.31%),但无统计学意义(χ2=0.497,P=0.481),乳腺特殊类型癌囊内乳头状癌及粘液癌假阴性率均为50.00%。假阳性与真阴性病变相比,患者年龄更小(P=0.031),病变距乳头距离(Distance to the papilla,DtP)更短(P=0.048),合并高危病变比例更高(P=0.000)。分层分析显示,年龄≤45岁假阳性率高于年龄>45岁(OR=3.748,P=0.001)。距离乳头≤20mm的假阳性率高于距离乳头>20mm(OR=2.747,P=0.010)。高危病变假阳性率高于非高危病变(OR=7.857,P=0.000)。多变量分析表明,年龄、DtP、病理分组与CEUS假阳性诊断结果显着相关(OR值分别为:2.284、1.285、1.895;P 值分别为:0.002、0.048、0.035)。假阴性与真阳性病变相比,患者年龄更小(P=0.046),病变最大径线(Lesion maximum diameter,LMD)更小(P=0.000)。分层分析显示,年龄≤45岁假阴性率高于年龄>45岁(OR=3.581,P=0.014)。病变最大直径≤10mm的假阴性率高于病变最大直径>10mm(OR=12.527,P=0.000)。多变量分析表明,年龄、LMD与CEUS假阴性诊断结果显着相关(OR值分别为:1.718、2.173;P值分别为0.047、0.031)。年龄、LMD及DtP对CEUS诊断效能有显着影响。CEUS对年龄>45岁、病灶LDM>10mm、DtP>20mm的病灶诊断效能分别高于年龄≤45岁、LDM≤10 mm以及DtP≤20 mm 的病灶(OR 分别为 2.620,2.391,2.309)。结论:CEUS在乳腺病变鉴别诊断中的应用存在局限性。病变的多种临床、病理及影像特征与错误诊断相关。年龄小与假阳性和假阴性诊断均相关,较短的DtP,高危病变与假阳性诊断相关,较小的病变最大径线与假阴性诊断相关。年龄,LMD及DtP均可影响CEUS的诊断效能。明确与CEUS假阳性和假阴性诊断的相关因素,可在乳腺病变的诊断中适当使用CEUS及选择可用的替代方案,提高诊断准确度。第三部分:乳腺良性高危病变的超声造影:特征分析及诊断价值评估目的:探讨乳腺良性高危病变的超声造影(Contrast-enhanced ultrasound,CEUS)定性分析及定量分析特征,评估CEUS对高危病变诊断的应用价值。方法:对2017年1月至2020年6月在我院经病理证实的205个乳腺良性病变(其中高危病变34个,非高危病变171个)的常规超声(Ultrasound,US)、乳腺X线摄影(Mammography,MG)及CEUS检查结果进行分析。对CEUS进行定性分析及定量分析,并且根据罗葆明等提出的五分制系统进行评分(1-3分为非高危病变,4-5分为高危病变)。常规US及MG诊断均按照BI-RADS分类。根据CEUS评分调整初始US分类,调整后分类结果作为US+CEUS的联合诊断结果。US+MG及US+CEUS+MG联合诊断以US、MG及US+CEUS分类高者作为联合诊断结果。0、1、2、3类为非高危病变,4、5类为高危病变。定性指标用频数(百分比)表示,采用χ2检验比较组间差异,定量指标用均数±标准差表示,采用t检验比较组间差异。通过 ROC 曲线评估 US、MG、US+MG、CEUS、US+CEUS 及 US+CEUS+MG 对高危病变的诊断效能,并用Z检验比较曲线下面积。结果:205个乳腺良性病变中,非高危171个,高危34个。高危病变与非高危病变的多项CEUS定性及定量指标存在差异。定性指标中,高危病变高增强比例(P=0.000)、快进比例(P=0.000)、向心性增强比例(P=0.000)、增强边缘不清晰比例(P=0.004)、增强形态不规则比例(P=0.000)、增强后范围增大比例(P=0.000)和放射状灌注出现比例(P=0.000)均高于非高危病变。二者的增强均匀性(P=0.269)、环状增强(P=0.317)和灌注缺损比例(P=0.436)没有统计学差异。定量指标中,高危病变峰值强度(Peak Intensity,PI)、相对峰值强度(△PI)高于非高危病变(P分别为0.026、0.018),相对开始增强时间(△AT)长于非高危病变(P=0.001)。US+CEUS+MG鉴别诊断的敏感度、特异度、准确度分别为94.11%,81.87%,83.90%,AUC 为 0.877,高于 US(AUC=0.411,P=000)、MG(AUC=0.665,P=0.030)、US+MG(AUC=0.437,P=0.000)及 CEUS(AUC=0.689,P=0.009),与 US+CEUS 无明显差异(AUC=0.871,P=0.780)。结论:CEUS可评价乳腺良性高危病变与非高危病变的血管化程度差异,二者多项CEUS定性及定量指标存在统计学差异。相较于非高危病变,高危病变开始增强时间更早,速度更快,强度更高,增强后边缘不清晰、形态不规则、出现异常灌注和范围增大的比例更大。在US和MG基础上补充CEUS检查,不仅可以提高高危病变的检出,避免因低估而引起的治疗延迟,还可减少良性非高危病变不必要的活检,为临床下一步治疗提供依据。

秦耿耿[4](2021)在《乳腺X射线图像智能辅助诊断方法及临床应用研究》文中研究指明国际癌症研究机构(international agency for research on cancer,IARC)2020 年发布的最新数据表明,乳腺癌首次正式取代肺癌成为全球第一大癌症。乳腺癌发病率持续上升,但值得庆幸的是,从1989年到2014年,乳腺癌的总体死亡率下降了 38%,这可能部分归因于乳腺癌筛查的持续开展。早期发现、早期诊断、早期治疗可以显着提高乳腺癌患者的生存率。乳腺影像学检查是乳腺癌筛查最重要的检查手段,并且高度依赖放射科医生的经验。以深度学习为基础的计算机辅助诊断(computer aided diagnosis,CAD)可以降低乳腺癌诊断过程中对放射科医生经验水平的依赖程度,提高其对恶性病灶的诊断率,减少漏诊,缩减诊断时间。目前基于人工智能的乳腺影像辅助诊断应用研究集中在乳腺病灶检出及病灶分类,总体来说,检出率及准确率在不断提高,但应用面仍不够广泛。本研究旨在紧贴临床实际需求,寻找乳腺影像筛查与人工智能的结合点,进一步拓展人工智能在乳腺影像辅助诊断中的应用范围。在乳腺癌影像筛查方面,目前有多种检查方法,如全视野数字化乳腺X射线摄影(full-field digital mammography,FFDM)、数字化乳腺断层摄影(digital breast tomosynthesis,DBT)、乳腺超声(ultrasound,US)、电子计算机断层扫描(computed tomography,CT)、磁共振(magnetic resonance,MR)及核医学检查。影像组学(radiomics)和深度学习(deep learning,DL)的兴起为CAD提供了新的思路和机会,让不同模态图像的CAD均获得性能的提升,但在临床应用层面,仍有一系列问题尚未解决。首先,乳腺X射线密度分类存在一定主观性且耗时耗力,由于诊断经验与水平的差异,不同放射科医生之间对乳腺X射线密度的判读存在一定的差异性,尤其是第5版BI-RADS分类中,b类散在纤维腺体类(乳腺内散在纤维腺体密度区域)与c类不均匀致密类(乳腺组织密度不均,可能使小的肿块被遮挡)的分类改为医生主观分类,不再是腺体百分比分类,导致分类的准确率及一致性较差,目前的算法大多针对百分比分类,难以满足临床需求。其次,在乳腺X射线摄影过程中,通常要获得一个乳腺的两个投照体位影像:头尾位(craniocaudal,CC)和内外侧斜位(mediolateral oblique,MLO)图像,因为它们能提供比单一投照图像更全面的诊断信息。在临床上,放射科医生通过观察对应的空间位置和特征相似性来匹配CC位和MLO位图像上的同一感兴趣区(region of interest,ROI),在腺体遮蔽和乳腺压缩变形的情况下,这一任务的难度通常不低,需要有经验的放射科医生才能准确判断。因此,若能帮助放射科医生识别CC位和MLO位图像上对应的ROI位置信息,对于辅助医生发现和诊断乳腺病灶而言是非常有价值的。此外,微钙化和囊性或实性肿块是诊断乳腺肿瘤的重要特征。在FFDM和DBT上更容易发现钙化,肿块的囊性或实性则通过超声检查来判断更佳。然而FFDM和DBT检查都会给患者带来一定的辐射风险。如果能从超声图像上生成FFDM和DBT图像,可以在一定程度上给放射科医生提供更多的附加诊断信息,从而辅助医生提高诊断的准确率。最后,放射科医生通过观察乳腺X射线图像上肿块的密度、边缘、大小、形态及其伴随征象(如皮肤改变、周围小梁结构改变、淋巴结形态与密度等)对所发现的乳腺肿块做出定性诊断。乳腺肿块的形状一直被认为是预测恶性病灶的最重要的指标之一。另外,肿瘤区域内的密度和质地及邻近肿瘤的正常组织(normal tissue adjacent to the tumor,NAT)也在恶性病变预测中起到重要作用。乳腺肿块的诊断准确率受放射科医生的经验、年限影响,有可能会因为医生的个人经验与诊断水平不足而导致误诊。而利用深度学习对肿瘤及NAT进行联合建模,可以融合有效信息,提高分类性能。本文针对以上问题,运用机器学习及深度学习的方法,开展散在纤维腺体类与不规则致密类乳腺X射线密度分类、乳腺X射线图像双体位ROI匹配、超声图像-DBT图像虚拟生成、联合病灶和边缘区域病灶分类四个方面的研究。一、基于深度学习的散在纤维腺体类与不规则致密类乳腺X射线密度自动分类研究。从第5版BI-RADS对乳腺X射线密度的定义中,我们将4个分类中最难分辨的散在纤维腺体类(b类)、不均匀致密类(c类)单独提出来,基于CNN的方法实现对乳腺密度分类难度较大的b类及c类进行自动分类,并采用迁移学习、集成学习及结果可视化等方法改进模型性能。基于CNN的集成模型敏感度为0.82,特异度为0.96,准确率为0.89,AUC为0.95;使用迁移学习的集成模型敏感度为0.88,特异度为0.98,准确率为0.93,AUC为0.99。CNN集成模型分类的性能和一致性均较高。二、基于BP神经网络(back propagation neural network,BPNN)和 Faster R-CNN的乳腺X射线CC位和MLO位图像ROI对应匹配方法。我们提出一种基于BPNN和Faster R-CNN对乳腺X射线双体位图像ROI进行匹配的方法。与传统的采用直线型或弧线型模型对不同体位图像进行区域刚性匹配的ROI匹配方法不同,本部分研究采用BPNN对弧线型和直线型匹配区域进行组合构建匹配模型,以减小配准面积,配准面积越小,匹配敏感度越高,假阳性(falsepositive,FP)率越低。此外,使用Faster R-CNN定位匹配区域图像上ROI的对应位置,结果显示Faster R-CNN+VGG16在50%和75%重叠时的平均距离误差为4.58 mm,准确率分别为0.87和0.85。与其他方法相比,基于Faster R-CNN+VGG-16的ROI对应定位方法准确率更高、耗时更短。三、基于Dual Attention CycleGAN的超声图像与DBT图像虚拟生成。该章节中,我们提出了一种基于Dual Attention CycleGAN的超声图像至DBT图像生成的办法。该方法构造了一个由全卷积网络作为判别器的体系结构,它预测patch标签而不是传统的数字标签来区分真伪图像。对于生成网络,我们验证了不同的类U-net结构,并在实验性能上采用了 Dual Attention U-net(DA-Unet),DA-Unet适合于CycleGAN的生成器结构,它可以获得较低的FID(Frechlet Inception Distance)得分:208.7。在放射科医生评价中,DA-Unet与真实DBT的效果相近,准确率为0.83,敏感度为0.71,特异度为0.90。通过客观指标和放射科医生的评价,证明我们提出的方法所合成的DBT图像与真实DBT图像具有一定的可比性。四、基于联合病灶和边缘区域的乳腺病灶分类研究。该章节中,以乳腺DBT病灶为例,采用深度学习和机器学习模型融合的方法,结合病灶和边缘区域信息模拟医生的决策过程。在信息融合后,分类性能获得提高。病灶及边缘区域融合后的AUC高达0.91。通过与医生对比,发现融合模型的性能与中年资放射科医生相当,优于低年资放射科医生,稍逊于高年资放射科医生。而在模型的辅助下,大多数放射科医生的对乳腺肿块的鉴别诊断能力得以提高。本研究对UNet、VGG-16、VGG-19、ResNet-50、DenseNet、SVM 等相关人工智能方法进行应用探索,并应用于解决散在纤维腺体类与不规则致密类乳腺密度分类、双体位乳腺X射线图像ROI匹配、乳腺超声图像-DBT图像虚拟生成及联合病灶和边缘区域乳腺X射线病灶分类等问题。研究结果表明人工智能的强大能力及无限潜力,将在乳腺影像辅助诊断领域继续发挥重要作用。

王祥芝[5](2021)在《FFDM+DBT与MRI在乳腺良恶性疾病诊断中的对比应用》文中认为目的:比较全数字化乳腺摄影(full-field digital mammography,FFDM)、数字乳腺断层摄影(digital breast tomosynthesis,DBT)、FFDM+DBT、MRI在乳腺良恶性疾病诊断中的价值,为临床大规模应用FFDM+DBT提供数据支持。方法:收集2019年11月~2021年2月就诊蚌埠医学院第一附属医院,临床触诊怀疑存在乳腺病灶且同时行FFDM、DBT和MRI三种检查的116例乳腺疾病患者的资料。对所有图像中病灶参照乳腺影像报告和数据系统(BI-RADS)标准进行分类,以病理结果为“金标准”,计算FFDM、DBT、FFDM+DBT与MRI的Kappa一致性检验值;计算四种影像学方法的敏感度、特异度与准确度;用受试者工作特征(receiver operator characteristic,ROC)曲线分析四种影像学方法在不同腺体类型中对乳腺良恶性疾病的的诊断效能;其次计算四种影像学方法对不同病理类型乳腺疾病诊断的准确率;最后分析单次FFDM与DBT的平均辐射剂量(average glandular dose,AGD)差异。结果:116例病灶中恶性86例,良性30例。116例病灶在患者年龄,腺体类型和位置方面均无统计学差异(均P>0.05)。FFDM、DBT、FFDM+DBT和MRI与病理结果的Kappa值分别为0.55、0.66、0.71、0.74,与病理结果的一致性中等,其中以MRI的一致性最好。FFDM、DBT、FFDM+DBT与MRI诊断乳腺良恶性疾病的灵敏度分别为82.56%、87.21%、88.37%、96.51%,特异度分别为76.67%、83.33%、86.67%、73.33%,准确度分别为81.03%、86.21%、87.93%、90.52%。经比较显示,应用MRI诊断可较FFDM提高13.95%的灵敏度,差异具有统计学意义(P<0.05)。FFDM、DBT、FFDM+DBT与MRI的ROC曲线下面积(area under curve,AUC)分别为0.80、0.88、0.91和0.95,两两比较显示,MRI和FFDM+DBT的AUC值均高于FFDM的AUC值,且存在统计学意义(均P<0.05),其余各组均无统计学差异(均P>0.05)。80例致密型乳腺中,FFDM、DBT、FFDM+DBT与MRI的AUC值分别为0.74、0.85、0.89和0.93,两两比较显示,MRI和FFDM+DBT的AUC值均高于FFDM的AUC值,且存在统计学意义(均P<0.05),其余各组均无统计学差异(均P>0.05)。36例非致密型乳腺中,FFDM、DBT、FFDM+DBT与MRI的AUC值分别为0.94、0.96、0.97、0.99,两两比较显示,各组均不存在统计学差异(均P>0.05)。DBT与FFDM+DBT对13例腺病诊断准确率最高,为84.62%;FFDM与FFDM+DBT对7例纤维腺瘤诊断准确率最高,为100%;DBT与FFDM+DBT对5例导管内乳头瘤诊断准确率最高,为100%;MRI对5例不典型增生诊断准确率最高,为100%。MRI对86例浸润性导管癌、5例浸润性小叶癌、2例髓样癌诊断准确率最高,分别为97.10%、100%、100%;FFDM+DBT对10例导管原位癌(ductal carcinoma in situ,DCIS)诊断准确率最高,为100%。四种方法对1例Paget,s病诊断准确率均为100%。FFDM与DBT对116例乳腺病灶的单次AGD分别为(1.57±0.42)m Gy、(2.53±0.52)m Gy。经比较显示,DBT的AGD高于FFDM的AGD,具有统计学差异(P<0.05)。36例非致密型乳腺患者在FFDM、DBT与FFDM+DBT的AGD分别为(1.31±0.28)m Gy、(2.26±0.38)m Gy、(3.58±0.63)m Gy;80例致密型乳腺患者在FFDM、DBT与FFDM+DBT的AGD分别为(1.69±0.42)m Gy、(2.65±0.53)m Gy、(4.37±0.89)m Gy。经比较显示,致密型腺体的AGD高于非致密型腺体,差异存在统计学意义(均P<0.05)。结论:FFDM、DBT、FFDM+DBT与MRI均与病理结果的一致性中等,以MRI的一致性最好;FFDM+DBT的诊断效能优于FFDM、DBT单独应用,与MRI具有相似的诊断效能,且诊断效能不受腺体类型的制约,推荐致密型乳腺患者常规应用。FFDM+DBT对乳腺良性病变诊断准确率高,MRI对乳腺恶性病变诊断准确率高。DBT的单次AGD高于FFDM,致密型乳腺的单次AGD高于非致密型乳腺。

张书还[6](2021)在《基于超声深度学习模型在乳腺BI-RADS 4类病变中预测乳腺癌的价值》文中研究表明[目 的]以乳腺癌术后病理结果为金标准,以超声图像主观特征和基于不同的深度学习模型及百度大脑开放平台图像处理后的数据为基础,探讨乳腺BI-RADS 4类肿块在不同的深度学习模型、百度大脑开放平台(EasyDL)以及运用列线图建立乳腺超声相关模型预测乳腺癌的价值。[方 法]1回顾性收集2019年01月—2019年12月于昆明医科大学第三附属医院接受乳腺癌切除术女性患者超声图像17231张(2578例),所有患者经严格筛选后,获得患者的年龄、初潮年龄、一级家族史、术前超声图像、描述性报告和术后病理资料。所有病例经过纳入标准、排除标准及图像预处理后,本研究纳入标准的研究对象为717张乳腺超声肿瘤图像,共计260例患者。2由两名从事乳腺超声诊断≥10年的超声医师独立通过乳腺超声图像的各项特征对良恶性进行分类评估,意见不统一时由1名主任医师最后决定。根据2019年版的《中国抗癌协会乳腺癌诊治指南与规范》对乳腺肿块的评估,本次研究纳入的评估内容包括:肿块的形状、纵横比、边界、边缘、回声模式、病灶后方回声、周围组织和钙化。由计算机随机抽取30名患者,由两位医师对其进行评估,利用Kappa检验对两位医师的一致性进行评价。3建立深度学习模型。选择ResNet18、ResNet34、ResNet50及ResNet101作为本次研究的预训练模型,按照步骤分为以下几步建模:数据准备、数据扩充和增强、数据加载、迁移学习、训练、验证、测试。百度大脑(EasyDL)模型则通过平台训练、验证、测试完成专属模型的构建。4将所有病例的形状、纵横比、边界、边缘、回声模式、病灶后方回声、周围组织和钙化纳入多元Logistic回归分析进行筛选,用R语言把比较有统计学差异的乳腺超声特征纳入并建立单一医师主观评估列线图预测模型。5将所有病例的年龄、初潮年龄、一级家族史纳入多元Logistic回归分析进行筛选,将筛选出来的有统计学意义的临床危险因素,结合上述具有统计学意义的乳腺超声特征建临床危险因素一医师主观评估列线图预测模型。6将深度学习模型对每一张超声图像的真实结果、预测结果及预测概率导出,由两名医师结合预测结果最好的深度学习模型对随机抽取的30张图像进行结局(良性/恶性)预测,联合筛选出的最优医师主观评估模型得出深度学习—医师主观评估联合模型。7为全部8个模型绘制ROC曲线,得出AUC、准确率、精确率、灵敏度、特异度、阴性预测值、阳性预测值、召回率、F1值及Kappa值,绘制校准曲线和DCA曲线分别评价预测模型的预测性能及临床实用性。最后将各模型进行比较。[结 果]1 一般资料:260例(717张乳腺超声图像)因乳腺肿块首诊、超声分类为BI-RADS 4类且有明确病理结果的患者,其中病理结果为良性的患者154例(154/260,59.2%),恶性的患者106例(106/260,40.8%),病理结果为良性的患者中BI-RADS 4A、4B及4C类的患者分别有113例、28例、13例,病理结果为恶性的患者中BI-RADS 4A、4B及4C类的患者分别有36例、41例、29例,其中医师判断正确的BI-RADS4A、4B及4C类病变的分别有119例、47例、29例,判断错误的分别有30例、5例、13例;良性患者的病理类型为纤维腺瘤83例、乳腺病(包括硬化性腺病)40例、导管内乳头状瘤18例、急慢性炎伴肉芽肿性小叶性乳腺炎10例、良性叶状肿瘤2例、纤维—肌纤维母细胞来源肿瘤1例,恶性患者的病理类型为浸润性导管癌79例、导管内原位癌24例、黏液癌3例;入组患者平均年龄(45.14±9.80)岁,其中病理结果为良性的患者平均年龄(41.96±8.66)岁,恶性患者平均年龄(49.76±9.56)岁;良性与恶性两组间年龄比较差异有统计学意义(P<0.05)。入组患者初潮平均年龄(13.64±1.72)岁,其中病理结果为良性的患者初潮平均年龄(13.68±1.50)岁,恶性患者初潮平均年龄(13.58±2.00)岁;良性与恶性两组间初潮年龄比较差异无统计学意义(P>0.05)。入组患者中无恶性肿瘤家族史患者共236例(90.8%),有1位一级恶性肿瘤家族史患者23例(8.8%),大于1位一级恶性肿瘤家族史患者1例(0.4%);其中病理结果为良性的患者中无恶性肿瘤家族史患者149例(96.8%),有1位一级恶性肿瘤家族史患者5例(3.2%),大于1位一级恶性肿瘤家族史患者0例(0%);恶性的患者中无恶性肿瘤家族史患者87例(82.1%),有1位一级恶性肿瘤家族史患者18例(17.0%),大于1位一级恶性肿瘤家族史患者1例(0.9%),该患者的母亲、一个姐姐及一个妹妹均患乳腺癌;良性与恶性两组间一级家族史比较差异有统计学意义(P<0.05)。入组患者的临床危险因素中良恶性两组间差异具有统计学意义的指标为患者年龄及一级家族史(P<0.05)。2乳腺超声图像特征差异性比较:入组患者的乳腺超声图像特征中良恶性两组间差异具有统计学意义的指标为形状、纵横比、边界、边缘、内部回声、病灶后方回声及钙化(P<0.05)。3两位医师主观评估一致性检验:两位医师对随机抽取的30位患者的乳腺肿块超声特征主观评估进行一致性检验,结果显示,只有在乳腺肿块“内部回声”是否均匀上不具有一致性,其他指标均具有一致性。其中一致性很好的超声特征为:病灶后方回声;一致性较好的超声特征为:形状,边界,边缘以及钙化;一致性中等的超声特征为周围组织侵犯,纵横比。4建立单一医师主观评估模型和临床危险因素—医师主观评估模型:对构建Logistic多因素回归模型的特征进行筛选,筛选出有统计学意义的超声特征指标为:纵横比、边界、病灶后方回声及钙化(P<0.05),筛选出有统计学意义的临床危险因素指标为:年龄、一级家族史。通过构建Logistic多因素回归模型,运用R语言建立单一医师主观评估模型和临床危险因素—医师主观评估模型。就两个模型的ROC曲线来看,单一医师主观评估模型的AUC为0.809,灵敏度为81.25%,特异度为92.93%,模型预测准确率82.31%;临床危险因素—医师主观评估模型的AUC为0.845,灵敏度为81.31%,特异度为87.58%,模型预测准确率85.00%,两个模型预测性能均较好,但临床危险因素—医师主观评估模型更具有说服力;就两个模型的校准曲线来看,两个模型均具有较好的预测能力,但单一医师主观评估模型的预测值与观察值有更好的重合性,该预测模型准确率更高。就两个模型的DCA曲线来看,模型的曲线(probility)均高于极值曲线(All与None),说明两个模型均具有临床应用价值,但临床危险因素—医师主观评估模型的曲线较单一医师主观评估模型更高,体现了更高的临床应用价值。5建立深度学习—医师主观评估联合模型:将ResNet50和临床危险因素—医师主观评估模型联合建立深度学习—医师主观评估联合模型。6比较各模型的预测性能:各深度学习模型ResNet18、ResNet34、ResNet50、ResNet101、单一医师主观评估模型、临床危险因素—医师主观评估模型、深度学习—医师主观评估联合模型的AUC值分别为:0.748、0.851、0.856及0.767、0.809、0.849、0.90;准确率(%)分别为:76.85、86.19、86.89、78.24、82.31、85.00、90.00;精确率(%)分别为:88.78、92.44、94.39、87.56、73.59、82.08、86.67;灵敏度(%)分别为:75.21、84.79、84.50、77.37、81.25、81.31、92.86;特异度(%)分别为:80.26、88.52、91.12、79.84、85.00、82.93、87.58、87.50;阳性预测值(%)分别为:88.78、92.44、94.39、87.56、73.59、82.08、86.67;阴性预测值(%)分别为:60.91、77.85、76.87、65.80、88.31、87.01、93.33;召回率(%)分别为:75.21、84.79、84.50、77.37、81.80、81.25、81.31、92.86;F1 值(%)分别为:81.43、88.45、89.17、82.15、81.60、77.23、81.69、89.66;Kappa 值分别为:0.512、0.714、0.727、0.546、0.628、0.690、0.800;EasyDL的准确率(%)为82.30,精确率(%)为81.50,灵敏度(%)为78.00,特异度(%)为 85.00,召回率(%)为 81.80,F1 值(%)为 81.60。7深度学习—医师主观评估联合模型的AUC最高(AUC=0.900),表明该模总体型预测能力最好,其次预测能力较好的是ResNet50(AUC=0.856);深度学习—医师主观评估联合模型的灵敏度最高(92.86%),特异度较好(87.50%),该模型漏诊率最低;ResNet50的特异度最高(91.12%),灵敏度中等(84.50%),该模型误诊率最低;深度学习—医师主观评估联合模型的在所有模型中准确率最高(90.00%);列线图模型中准确率最高的是临床危险因素—医师主观评估模型(85.00%);深度学习模型中准确率最高的是ResNet50(86.89%)。ResNet 50的阳性预测值最高(94.39%),该模型正确预测恶性病例的效能最高;深度学习—医师主观评估联合模型的阴性预测值最高(93.33%),该模型正确预测良性病例的效能最高。ResNet 50的精确率最高(94.39%),该模型在所有预测结果中正确预测良恶性病变效能最好。深度学习—医师主观评估联合模型的召回率最高(92.86%),该模型在实际预测结果中正确预测良恶性病变效能最好。深度学习一医师主观评估联合模型的F1值和Kappa值最高(89.66%,0.800),该模型预测分类的精度最好。百度大脑(EasyDL)的每组数据就总体而言没有最差的指标,基本达到了深度学习模型的要求。[结 论]1相较于医师主观评估模型及临床危险因素—医师主观评估模型,基于超声深度学习模型在乳腺BI-RADS 4类病变中对乳腺癌的预测有一定价值,可以提高乳腺癌预测的灵敏度,并作为常规乳腺超声筛查的有效补充,有一定的临床应用价值。2列线图相较于传统Logistic回归分析方程具有更强的可读性,在对结局进行预测时体现了较好的预测效能。3虽然本次研究针对深度学习的数据量在理论上应该更多,但是在数据量较少的情况下也获得了较高的准确率,若继续提高数据量,则模型的预测效能还将有更好地体现,证明ResNet深度学习模型适用于超声图像进行图像分类的应用。4百度大脑(EasyDL)平台针对图像分类目前具有非常完善的功能,在本次研究中数据量较少且平台免费的配置环境下,可以获得与ResNet相媲美的准确率,证明EasyDL可以为基层地区、初级学习者或零AI基础的需求者提供可靠的AI平台,可以满足不同需求的人个性化自主制定自己的AI模型。5虽然人工智能是目前医学研究中的热点和焦点,但是在AI的研究和应用中,人在其中的地位是不可替代的,应该辩证的看待人工智能与临床实践的关系,这样才能更好的将未来掌握在人类自己手中。

曲宁[7](2021)在《动态增强MRI及影像组学对乳腺良恶性病变和乳腺癌腋窝淋巴结状态的预测研究》文中研究表明第一部分动态增强MRI对肉芽肿性小叶性乳腺炎与导管原位癌的鉴别诊断研究目的:肉芽肿性小叶性乳腺炎(granulomatous lobular mastitis,GLM)是一种罕见的乳腺良性疾病,临床无炎症表现的GLM容易误诊为乳腺癌。乳腺导管原位癌(ductal carcinoma in situ,DCIS)是一种局限于乳腺导管?小叶的恶性肿瘤性病变,根据X线表现是否有钙化存在,被划分为钙化型和非钙化型。X线上,几乎所有的GLM都不伴有钙化,与非钙化型DCIS难以鉴别。此外,超声对二者的鉴别诊断并无帮助。动态增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)对传统影像学诊断不明确的乳腺病变具有明显的诊断价值。因此,本研究探讨DCE-MRI是否能够作为鉴别临床无炎症表现GLM和非钙化型DCIS的有效检查方法并确定对鉴别诊断有价值的DCE-MRI特征。研究方法:回顾性分析33个临床无炎症表现的GLM和36个非钙化型DCIS病变的DCE-MRI特征。非肿块强化(non-mass enhancement,NME)的内部强化形式分为有无成簇环形强化,根据最佳诊断界值将强化环分为大环和小环。内部强化分布分为沿导管走行分布(线状或叶段样分布)和不沿导管走行分布(非线状和非叶段样分布)两类。病变的其它特征评价完全采用第5版BI-RADS MRI手册的术语。单因素分析用于筛选具有统计学差异的变量。多因素分析用于识别对鉴别诊断有意义的独立预测因子。通过受试者操作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)判断每个独立预测因子及其联合的鉴别诊断能力。结果:尽管两种疾病均以NME为主要表现,但是无炎症表现的GLM的NME表现比非钙化型DCIS更常见(p=0.003)。表现为NME的两种病变的DCE-MRI特征单因素分析结果显示,大小、有无成簇环形强化、环的大小、早期强化程度和晚期强化曲线类型在二者间存在显着差异(p<0.05)。根据约登指数最大值,环的大小最佳界值被确定为7mm,AUC为0.878(95%可信区间,0.734-0.961)。内部强化形式和早期强化程度最终被确认为鉴别诊断的独立预测因子。内部强化形式、早期强化程度和二者联合的AUCs分别为0.825(95%可信区间,0.699-0.914),0.700(95%可信区间,0.561-0.816)和0.867(95%可信区间,0.748-0.943)。结论:DCE-MRI可以作为临床无炎症表现GLM和非钙化型DCIS有效的无创性鉴别诊断方法。DCE-MRI上伴有大环(>7mm)的非肿块强化病变高度提示临床无炎症表现的GLM,而无成簇环形强化或成簇小环形强化病变则高度提示非钙化型DCIS。第二部分动态增强MRI及影像组学对乳腺单纯型黏液癌与T2明显高信号纤维腺瘤的鉴别诊断研究目的:乳腺单纯型粘液癌(pure mucinous breast carcinoma,PMBC)因富含大量粘液在MRI的T2WI上表现为明显高信号,与T2明显高信号纤维腺瘤的鉴别诊断是影像医生面临的难题。然而,对二者做出正确的诊断对指导临床治疗具有重要的意义。既往研究显示动态增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)有助于黏液癌与纤维腺瘤的鉴别诊断,但是多因素分析结果均采用优势比表示。另外,影像组学在PMBC和T2明显高信号纤维腺瘤鉴别诊断中的价值尚未得到证实。因此,本研究的目的是:1)基于DCE-MRI表现构建PMBC和T2明显高信号纤维腺瘤鉴别诊断的多因素逻辑回归模型列线图;2)确定DCE-MRI影像组学特征在PMBC和T2明显高信号纤维腺瘤鉴别诊断中的应用价值。研究方法:回顾性分析64个PMBC和137个T2明显高信号纤维腺瘤病变的DCE-MRI表现。记录影像医生的原始BI-RADS诊断结果。将单因素分析有统计学差异的DCE-MRI特征纳入多因素Logistic回归分析,建立用于鉴别诊断的影像特征模型,绘制便于临床应用的影像特征模型列线图。使用开源软件ITK-SNAP(3.6.0版本)在增强扫描最后一期(第八期)的图像上分割病灶,应用美国GE Analysis Kit(AK)软件对已分割好的感兴趣区进行影像组学特征提取。按7:3的比例将样本随机分为训练集(n=141个)和验证集(n=60个)。首先对训练集病变的所有影像组学特征进行Mann-Whitney U检验,经单因素分析后剩余116个特征有统计学差异。然后分别采用最小绝对收缩与选择算子算法(least absolute shrinkage and selection operator,LASSO)筛选特征和主成分分析(principal component analysis,PCA)进行降维。基于LASSO筛选出的6个特征采用多因素Logistic回归的方法建立LASSO影像组学标签,基于PCA降维后的9个旋转的主成分采用多因素Logistic回归的方法建立PCA影像组学标签。在验证集中测试训练集建立的影像组学标签性能。绘制ROC曲线,用ROC曲线下面积(area under curve,AUC)、敏感度、特异度、准确度、阳性预测值(positive predictive value,PPV)和阴性预测值(negative predictive value,NPV)来评价影像特征模型和两种影像组学标签的分类性能。使用Delong检验比较影像特征模型和两种影像组学标签的鉴别诊断性能。绘制影像特征模型和两种影像组学标签的校正曲线,评价模型或影像组学标签对病变分类的预测结果与实际结果的一致性。临床决策分析曲线(decision curve analysis,DCA)通过计算不同阈概率下的净效益来评估和对比影像特征模型和影像组学标签的临床应用价值。对于所有分析,P<0.05被认为具有统计学意义,并且所有检验都是双侧的。统计分析全部使用R语言3.6.1版本。结果:影像医生原始诊断的敏感度、特异度、准确度、PPV和NPV分别为76.56%、73.00%、74.13%、56.98%和86.96%。多因素分析显示,患者的年龄、病变的边缘、晚期内部强化特征、内部有无强化分隔和分叶特征是鉴别PMBC和T2明显高信号纤维腺瘤的独立预测因子。影像特征模型的AUC、敏感度、特异度、准确度、PPV和NPV分别为96.24%、87.50%、94.89%、92.54%、88.89%和94.20%。LASSO影像组学标签在训练集和验证集的AUC分别为94.40%和98.63%,PCA影像组学标签在训练集和验证集的AUC分别为94.49%和97.95%。影像特征模型、训练集和验证集的LASSO和PCA影像组学标签鉴别诊断效能的两两对比均没有显着的统计学差异(p>0.05)。与影像组学标签对比,影像特征模型表现出更好的预测值与观测值的一致性和更大的临床净获益。结论:在PMBC和T2明显高信号纤维腺瘤的鉴别诊断中,影像特征模型是优于影像医生原始诊断和影像组学标签的选择。列线图使影像特征模型成为临床上便于使用、易于理解的有效工具,提高了两种病变鉴别诊断的准确度,从而能够在不增加额外的成本投入的前提下为实现个体化临床决策提供可靠的客观依据。第三部分动态增强MRI及影像组学对腋窝淋巴结临床阴性早期乳腺癌腋窝淋巴结状态的预测研究目的:对于腋窝淋巴结临床阴性的早期乳腺癌患者,前哨淋巴结活检(sentinel lymph node biopsy,SLNB)已经成为腋窝淋巴结分期及治疗的标准术式。而这些患者经病理证实实际发生淋巴结转移的比例大约在33.2%-39%之间,这就意味着大约60%-70%的患者从SLNB这个有创性操作中没有任何获益。研究发现,基于乳腺癌原发病灶的MRI影像组学特征对腋窝淋巴结转移(axillary lymph node metastasis,ALNM)的预测能力普遍优于临床病理特征预测模型。但据我们所知,目前尚未见到采用MRI影像组学特征预测腋窝淋巴结临床阴性早期乳腺癌患者淋巴结转移状态的研究报道。因此,本研究的目的是建立和验证基于乳腺癌原发病灶DCE-MRI影像组学特征预测腋窝淋巴结临床阴性早期乳腺癌的腋窝淋巴结转移状态的模型,使腋窝淋巴结转移低风险的患者免于SLNB。研究方法:回顾性分析260个腋窝淋巴结临床阴性的T1-2早期浸润性乳腺癌的临床病理及DCE-MRI资料。其中,71例发生了ALNM,189例未发生ALNM。采用开源软件Py Radiomics分别提取乳腺癌原发肿瘤在T1WI、T2WI和DCE序列第三期(CE3)的影像组学特征,每一序列提取的特征为4类共851个。按7:3的比例将样本随机分为训练集(n=182个)和验证集(n=78个)。使用训练集数据分别对T1WI、T2WI和CE3每个序列进行影像组学特征筛选,之后对三个序列联合后的所有影像组学特征进行特征筛选。采用多因素逻辑回归的方法分别建立T1WI、T2WI、CE3和多参数影像组学标签,在验证集中测试训练集建立的各个影像组学标签的性能。采用受试者操作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)、校正曲线和临床决策分析曲线评价影像组学标签。对于所有分析,P<0.05被认为具有统计学意义,并且所有检验都是双侧的。统计分析全部使用R语言3.6.1版本。结果:在ALNM阳性与阴性组间,临床病理及DCE-MRI特征无明显统计学差异(p>0.05)。在训练集中,多参数影像组学标签的AUC为0.78,高于T1WI、T2WI和CE3单序列影像组学标签,差异有统计学意义(p<0.05);在验证集,虽然多参数影像组学标签与T1WI、T2WI和CE3单序列影像组学标签的AUC没有显着的差异(p>0.05),但是多参数影像组学标签的AUC仍是最高的(0.75)。校正曲线显示,多参数影像组学标签的预测值和观测值一致性较好。临床决策分析曲线显示,当阈概率在0.08-0.92之间时,多参数影像组学标签具有临床净获益。结论:在腋窝淋巴结临床阴性早期乳腺癌患者的ALNM状态预测方面,MRI多参数影像组学标签优于单序列影像组学标签。多参数影像组学标签有望成为预测腋窝淋巴结临床阴性早期乳腺癌患者ALNM状态的有效工具,为临床决策提供帮助,避免对ALNM低风险患者进行过度治疗。

孔岩[8](2021)在《乳腺良恶性结节超声及剪切波弹性成像参数临床价值的分析》文中研究指明背景2021年CA发布的全球最新癌症数据显示乳腺癌新发病例(226万例)已超过肺癌(220万例)成为全球第一大癌。临床上早期乳腺癌的治愈率高达90%,但早期癌症多无症状,因此对我国女性乳腺癌的预防和筛查就显得尤为重要。剪切波弹性成像(Shear Wave Elastography,SWE)是基于对病灶组织和周围正常组织的硬度评价,可以定量判断病变硬度,近年来的研究表明SWE可以有效提高乳腺结节的超声诊断准确率、降低手术(或穿刺)活检率,是可选的优秀检查方法。目的对剪切波弹性成像各项指标(Emax、Emean、Eratio)的诊断效能进行优选排序。探究剪切波弹性成像参数和二维超声各项指标与乳腺结节部分病理特征及恶性结节分子分型关系。方法以2016年至2020年于新乡医学院第一附属医院就诊同时行超声检查和手术治疗的200例乳腺结节患者(良性、恶性各100例)为研究对象,对其二维超声、剪切波弹性成像和结节病理结果(包含免疫组化结果)进行整理和分析。结果1、恶性结节组患者的年龄、结节最大直径和SWE参数均显着高于良性结节组,差异有统计学意义(P<0.05)。同时恶性结节存在有更高比例的边缘模糊、形态不规则、存在点状钙化情况,差异有统计学意义(P<0.05)。2、根据Emax、Emean、Eratio三个SWE参数绘制ROC曲线,Emax AUC=0.989,灵敏度=98.0%,特异度=98.0%;Emean AUC=0.967,灵敏度=88.0%,特异度=96.0%;Eratio AUC=0.968,灵敏度=90.0%,特异度=99.0%。以Emax的曲线下面积最大,提示其预测效果最好。3、ER阴性患者的Eratio值大于ER阳性者,ER阴性患者有更高的比例的人存在点状钙化和淋巴转移,差异有统计学意义(P<0.05)。PR阳性患者有更高的比例的人结节形态不规则、存在点状钙化和淋巴转移,差异有统计学意义(P<0.05)。Her-2阳性患者的结节最大直径和Eratio值大于Her-2阴性患者,Her-2阳性患者有更高的比例的人存在点状钙化,差异有统计学意义(P<0.05)。Ki-67高表达患者的结节最大直径值大于Ki-67低表达者,Ki-67高表达患者有更高的比例的人存在点状钙化,差异有统计学意义(P<0.05)。Luminal A-like型、Luminal B-like型、Her-2阳性(HR阳性)型、Her-2阳性(HR阴性)型、Basal-like型,五型结节的直径、Emax、Eratio差异有统计学意义(P<0.05),Emean差异没有统计学意义(P=0.511)。结论剪切波弹性成像参数在鉴别乳腺良恶性结节方面有较好的准确性,以Emax值诊断效能较好,参数Emax同恶性结节分子分型相关。该研究为乳腺癌的超声诊断及预后提供一些初步的参考。

许仁豪[9](2021)在《基于弹性成像及多普勒超声的预测模型在乳腺病变中的应用》文中提出第一部分超声弹性成像技术的预测模型在乳腺病变的应用目的探讨由超声弹性成像结合卡方自动交互检测算法建立的预测模型在鉴别诊断乳腺病变良恶性中的应用价值。方法选取2015年3月至2018年12月就诊于安徽医科大学附属省立医院并且超声诊断BI-RADS分类4类的乳腺病变患者201例,当同一患者出现数个病变时,只有最大或者最可疑的病变被纳入研究,共201个乳腺病变。每一个病变均经过声触诊组织量化(VTQ)及声触诊组织成像(VTI)检查,并测量出病变剪切波速度(SWV病变)、腺体剪切波速度(SWV腺体)及VTI面积比(病变VTI图像面积/病变二维图像面积)。以病理结果(其中良性91例,恶性110例)为金标准,利用受试者操作特性曲线评价各项超声弹性成像参数的诊断性能,再使用卡方自动交互检测法进行分类分析,建立预测模型。结果在超声弹性成像参数中,恶性病变的SWV病变明显高于良性病变,ROC曲线下面积为0.856,特异性达90.1%,敏感性达80.9%;恶性病变的SWV病变/SWV腺体也高于良性病变,ROC曲线下面积为0.837,敏感性为82.7%,特异性为83.5%。对于VTI面积比,在良性病变中更接近于1,所以良性病变的VTI面积相比于二维病变VTI面积变化不大,其最佳截断值为1.201,敏感性为71.8%,特异性为62.6%。利用卡方交互检测算法进行分类分析,预测模型包括了 SWV病变及VTI面积比,SWV病变/SWV腺体没有使分类树继续产生分歧而提高算法精度,被自动舍去。分类树深度为两个分支:首先,当SWV病变≤3.958m/s时,则需继续考虑VTI面积比,当VTI面积比>1.493,得到终端节点5,恶性概率为73.3%;当VTI面积比>1.304且≤1.493时,得到终端节点4,恶性概率为38.1%;当VTI面积比≤1.304时,得到终端节点3,恶性概率为3.1%;当SWV病变>3.958m/s时,得到终端节点2,恶性概率88.1%。分类算法的ROC曲线下面积为0.901、敏感性为98.2%,特异性为68.1%。应用该分类算法,201例病变中62例良性病变(30.8%)可以避免穿刺活检。结论联合VTQ及VTI技术的分类算法有较高的诊断性能,减少30.8%的不必要穿刺活检和不必要的资源浪费。第二部分超声定量参数的预测模型在乳腺病变中的应用目的利用不同的超声定量参数结合分类算法建立预测模型,探讨其在诊断乳腺影像学报告及数据系统(BI-RADS)4类病变中的应用价值。方法选取2016年1月至2019年12月就诊于安徽医科大学附属省立医院并且超声诊断BI-RADS分类4类的乳腺病变患者241例,当同一患者出现数个病灶时,只有最大或者最可疑的病灶被纳入研究,共241个乳腺病灶。每一个病灶均经过声脉冲辐射力成像(ARFI)及彩色多普勒超声检查,测量出病变的血流阻力指数(RI)、肿块与腺体的剪切波速度(SWV病变、SWV腺体)及其比值(SWV病变/SWV腺体)。以病理结果(其中良性140例,恶性101例)为金标准,利用受试者操作特性曲线评价各项超声定量参数的诊断性能,再使用卡方自动交互检测法进行分类分析,建立预测模型。结果预测模型包括SWV病变及RI两个定量参数,深度为两个分支,当SWV病变≤3.795m/s时,则需考虑RI,当RI≤0.620,得到终端节点3,恶性概率为3.3%;当RI>0.79,得到终端节点4,恶性概率为43.3%。当SWV病变>3.795 m/s时,此时再考虑RI,当RI≤0.71,得到终端节点5,恶性概率为83.3%;当RI>0.71,得到节点6,均为恶性病变。在终端节点3中,恶性概率仅为3.3%,可以考虑对病变进行随访。对于此分类树,ROC曲线下面积为0.938,明显高于RI、SWV病变及SWV 病变/SWV 腺体的 0.781(Z=4.72,P<0.001)、0.858(Z=2.68,P=0.003)及0.856(Z=2.81,P=0.002),敏感性为98.6%,特异性为57.4%。应用该预测模型,101例良性病灶中有58例被正确分类为良性,从而避免58例不必要的穿刺活检或手术。结论利用SWV病变联合RI两个定量资料的分类算法建立的预测模型有较高的诊断性能,较大程度上避免超声主观上的偏差,客观帮助临床决定是否进行穿刺活检,减少不必要的有创检查。

翟泽川[10](2021)在《磁共振扩散峰度成像联合动态增强扫描对乳腺良恶性病变的诊断效能研究》文中进行了进一步梳理目的旨在研究磁共振扩散峰度成像(diffusion kurtosis imaging,DKI)扫描联合磁共振动态增强扫描(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)对乳腺良恶性病变的诊断效能。方法回顾性分析2019年9月至2020年6月在我院经手术及病理活检证实的54例乳腺病变患者的MRI影像和病理资料。54例共有54个病灶,其中恶性病灶23个:乳腺导管内原位癌4个、非特殊类型浸润性导管癌11个、浸润性小叶癌8个;良性病灶31个:乳腺炎性病变8个、乳腺纤维腺瘤18个、乳腺腺病5个;所有患者双侧乳腺进行MRI常规扫描、DCE-MRI以及DKI序列扫描,通过Functool后处理软件,测量良性病变组、恶性病变组平均扩散峰度(mean kurtosis,MK)、平均扩散率(mean diffusion,MD)、表观扩散系数(apparent diffusion coefficient,ADC),对所得结果进行正态分布检验,采用Mann-Whitney U秩和检验比较MK值、MD值及ADC值在两组病变中的统计学差异,使用受试者操作特性曲线(receiver operative characteristic curve,ROC)评价以上各参数值对乳腺良、恶性病变的诊断价值。处理同时获得乳腺良、恶性病变组织的时间-信号强度曲线(time signal intensity curve,TIC),按动态增强扫描时间-信号强度曲线(dynamic contrast-enhanced time signal intensity curve,DCE-TIC)、DKI联合TIC两种方法对54例乳腺病变进行分类,采用卡方检验比较时间-信号强度曲线(TIC)类型以及DKI联合TIC在乳腺良、恶性病变间的差异,比较两种方法的诊断效能。结果(1)MK值、MD值以及ADC值在乳腺良恶性病变之间的差异均有统计学意义(P<0.05),其中恶性病变组MD值在乳腺恶性病变组织中位数为1.660(10-3mm2/s),[(1.213,2.310)(10-3mm2/s)]低于良性病变组1.990(10-3mm2/s),[1.820,2.290(10-3mm2/s)],MK值在恶性病变组中位数0.698(0.399,0.786)高于良性病变组0.489(0.421,0.550),ADC值在乳腺恶性病变组织中位数为0.000984(10-3mm2/s),[0.000886,0.00154(10-3mm2/s)]低于良性病变组0.00154(10-3mm2/s),[0.00134,0.00168(10-3mm2/s)],以上各参数ROC曲线下面积(area under the curve,AUC)分别是0.88/0.95/0.74(MD/MK/ADC),良恶性诊断界值分别为1.670(10-3mm2/s)/0.551/1.08(10-3mm2/s);灵敏度分别为52.17%、65.22%、56.52%;特异度分别为90.32%、77.42%、90.77%;准确率、阳性预测值、阴性预测值、阳性似然比、阴性似然比分别为70.40%/74.1%/79.62%、76.92%/69.56%/92.85%、68.29/77.41/75、5.39/2.88/17.49、0.53/0.44/0.41。(2)依据DCE-TIC类型对乳腺所有病变进行分类,其诊断为乳腺恶性病变的灵敏度、特异度、准确率、阳性预测值、阴性预测值、阳性似然比、阴性似然比分别为56.52%、83.87%、72.22%、72.22%、72.22%、3.5、0.51;依据DKI联合DCE-TIC对乳腺所有病变分类,其诊断为乳腺恶性病变的灵敏度、特异度、准确率、阳性预测值、阴性预测值、阳性似然比、阴性似然比分别为91.30%、96.77%、94.44%、95.45%、96.75%、28.26、0.089。结论(1)DKI扫描序列相关参数MK值、MD值在乳腺良恶性病变的诊断中具有一定的价值,且MK值的诊断效能高于MD值。(2)DKI扫描联合DCE-TIC诊断乳腺良恶性病变的效能较其他各参数单独应用更高,具有更大的临床应用价值。

二、乳腺良恶性肿块病例的初步筛查(论文开题报告)

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

三、乳腺良恶性肿块病例的初步筛查(论文提纲范文)

(1)乳腺X线图像计算机辅助诊断技术综述(论文提纲范文)

1 乳腺X线图像数据集及评价标准
    1.1 乳腺X线图像数据集
    1.2 评价指标
2 应用传统方法的乳腺X线图像计算机辅助诊断
    2.1 乳腺X线图像预处理
    2.2 乳腺X线图像病变检测
        2.2.1 肿块病变检测
        2.2.2 微钙化病变检测
    2.3 乳腺病变区域分割
    2.4 乳腺病变的特征提取、选择与分类
        2.4.1 肿块的特征提取、选择与分类
        2.4.2 微钙化的特征提取、选择与分类
    2.5 总结
3 应用深度学习方法的乳腺X线图像病变检测与分类诊断
    3.1 深度学习
        3.1.1 自编码器
        3.1.2 受限玻尔兹曼机与深度置信网络
        3.1.3 卷积神经网络
    3.2 应用卷积神经网络的乳腺X线图像病变检测
        3.2.1 应用卷积神经网络的肿块检测
        3.2.2 应用卷积神经网络的微钙化检测
    3.3 应用深度神经网络的乳腺X线图像分割
    3.4 应用卷积神经网络的乳腺X线图像分类
    3.5 总结
4 总结与前景展望

(2)探讨建立乳腺良恶性结节US-BI-RADS量化评分分类标准模型的初步研究(论文提纲范文)

中文摘要
英文摘要
常用缩写词中英文对照表
前言
1 对象与方法
    1.1 研究对象
    1.2 仪器与方法
        1.2.1 仪器
        1.2.2 超声声像图采集
    1.3 超声声像图特征分析
    1.4 统计学处理
2 结果
    2.1 病理结果
    2.2 各超声征象鉴别乳腺结节良恶性的诊断效能
    2.3 建立乳腺良恶性结节US-BI-RADS量化评分分类标准模型
    2.4 模型病例及测试病例的恶性构成比
3 讨论
    3.1 量化评分指标分析
    3.2 不同病理结果的结节分析
        3.2.1 乳腺良性病变
        3.2.2 乳腺癌前病变
        3.2.3 乳腺叶状肿瘤
        3.2.4 乳腺恶性病变
    3.3 本研究的不足之处
    3.4 超声医学新技术的应用
4 结论
参考文献
综述 乳腺超声与病理研究进展
    参考文献
致谢
个人简介

(3)超声造影在乳腺病变诊断中的应用价值及影响因素探讨(论文提纲范文)

中文摘要
英文摘要
先进性与创新性
符号说明
第一部分 超声造影对乳腺病变常规诊断的补充应用价值评估
    前言
    材料与方法
    结果
    讨论
    结论
    附图
    附表
第二部分 超声造影在乳腺病变鉴别中的应用:与假阴性和假阳性结果相关的因素
    前言
    材料与方法
    结果
    讨论
    结论
    附图
    附表
第三部分 乳腺良性高危病变的超声造影:特征分析及诊断价值评估
    前言
    材料与方法
    结果
    讨论
    结论
    附图
    附表
综述 乳腺超声新技术的应用价值及局限性
参考文献
致谢
攻读学位期间发表的学术论文目录
学位论文评阅及答辩情况表
英文论文1
英文论文2

(4)乳腺X射线图像智能辅助诊断方法及临床应用研究(论文提纲范文)

摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景及意义
    1.2 中国乳腺癌筛查面临的挑战
        1.2.1 中国乳腺癌流行病学现状
        1.2.2 乳腺癌影像诊断与筛查现状
    1.3 影像组学与深度学习应用现状
        1.3.1 影像组学技术基础
        1.3.2 深度学习技术原理
    1.4 人工智能技术在乳腺影像辅助诊断中的应用
        1.4.1 乳腺X射线密度评估中的应用
        1.4.2 乳腺X射线双体位图像ROI匹配中的应用
        1.4.3 图像虚拟生成中的应用
        1.4.4 病灶分类中的应用
    1.5 课题的主要研究内容和组织结构
第二章 散在纤维腺体类与不规则致密类乳腺X射线图像自动分类研究
    2.1 引言
    2.2 方法和材料
        2.2.1 深度学习模型构建
        2.2.2 轮廓提取和分割
        2.2.3 训练策略
        2.2.4 CAM特征可视化
        2.2.5 实验指标
        2.2.6 放射科医生评估
        2.2.7 数据收集
    2.3 实验结果
        2.3.1 CNN模型结果
        2.3.2 使用迁移学习的CNN模型结果
        2.3.3 CAM结果
        2.3.4 CNN分类模型与临床评估对比分析
    2.4 讨论
    2.5 小结
第三章 基于BPNN和Faster R-CNN的双体位乳腺X射线图像ROI匹配方法
    3.1 引言
    3.2 方法和材料
        3.2.1 基于BPNN的弧型或直型条带匹配
        3.2.2 用Faster R-CNN进行ROI匹配
        3.2.3 临床资料采集
    3.3 实验结果
        3.3.1 基于BPNN的条带匹配结果
        3.3.2 Faster R-CNN的ROI匹配结果
    3.4 计论
    3.5 小结
第四章 基于Dual Attention CycleGAN的乳腺超声图像到DBT图像虚拟生成研究
    4.1 引言
    4.2 方法和材料
        4.2.1 基于CycleGAN框架的技术方案
        4.2.2 判别器网络体系结构
        4.2.3 超声图像和DBT图像的范围选择
        4.2.4 实施细节
    4.3 结果
        4.3.1 定量评价指标
        4.3.2 放射科医生评估
        4.3.3 定性评价结果
    4.4 讨论
    4.5 小结
第五章 联合病灶和边缘区域的DBT图像病灶分类研究
    5.1 引言
    5.2 方法和材料
        5.2.1 联合深度学习框架
        5.2.2 病灶及边缘区域定义
        5.2.3 VGG-16网络简介
        5.2.4 预测模型构建
        5.2.5 训练过程及评价指标
        5.2.6 数据收集
        5.2.7 病灶勾画
    5.3 实验结果
        5.3.1 模型评估结果
        5.3.2 模型与医生对比结果
    5.4 讨论
    5.5 小结
第六章 总结与展望
    6.1 研究成果与总结
    6.2 未来工作展望
附录 各模型分类评价指标
参考文献
攻读博士期间的研究成果
    发表期刊或会议论文
    申请及获得专利
    主持课题
致谢

(5)FFDM+DBT与MRI在乳腺良恶性疾病诊断中的对比应用(论文提纲范文)

中文摘要
Abstract
1.前言
2.资料与方法
3.结果
4.讨论
5.结论
参考文献
致谢
附录A.中英文术语和缩略语对照表
附录B.病例图片
附录C.个人简介
附录D.综述 乳腺疾病不同影像学方法的研究进展
    参考文献

(6)基于超声深度学习模型在乳腺BI-RADS 4类病变中预测乳腺癌的价值(论文提纲范文)

缩略词表
中文摘要
abstract
前言
材料与方法
结果
讨论
结论
参考文献
综述 人工智能联合超声在乳腺癌中的应用现状分析
    参考文献
攻读学位期间获得的学术成果
致谢

(7)动态增强MRI及影像组学对乳腺良恶性病变和乳腺癌腋窝淋巴结状态的预测研究(论文提纲范文)

摘要
Abstract
英文缩略语
第一部分:动态增强MRI对肉芽肿性小叶性乳腺炎与导管原位癌的鉴别诊断研究
    1 前言
    2 材料和方法
        2.1 一般资料
        2.2 影像检查方法
        2.2.1 乳腺DCE-MRI检查方法
        2.2.2 乳腺X线检查方法
        2.2.3 超声检查方法
        2.3 影像资料分析
        2.3.1 DCE-MRI影像分析
        2.3.2 乳腺X线影像分析
        2.3.3 乳腺超声影像分析
        2.4 统计学方法
    3 结果
    4 讨论
    5 结论
    参考文献
第二部分:动态增强MRI及影像组学对乳腺单纯型黏液癌与T2明显高信号纤维腺瘤的鉴别诊断研究
    1 前言
    2 材料和方法
        2.1 研究对象
        2.2 乳腺MRI扫描方案
        2.3 乳腺MRI图像分析
        2.4 图像分割
        2.5 影像组学特征提取、筛选及影像组学标签的建立与验证
        2.6 统计学方法
    3 结果
        3.1 影像医生的原始诊断
        3.2 影像特征模型
        3.3 LASSO和 PCA影像组学标签
        3.4 影像特征模型、LASSO和 PCA影像组学标签鉴别诊断效能的对比
    4 讨论
    5 结论
    参考文献
第三部分:动态增强MRI及影像组学对腋窝淋巴结临床阴性早期乳腺癌腋窝淋巴结状态的预测研究
    1 前言
    2 材料和方法
        2.1 研究对象
        2.2 临床病理特征
        2.3 乳腺DCE-MRI
        2.3.1 乳腺DCE-MRI检查
        2.3.2 乳腺DCE-MRI特征
        2.4 影像组学流程
        2.4.1 图像分割
        2.4.2 影像组学特征提取
        2.4.3 影像组学特征筛选
        2.4.4 建立并验证影像组学标签
        2.5 统计学方法
    3 结果
        3.1 临床病理特征
        3.2 DCE-MRI特征
        3.3 入选的影像组学特征与影像组学标签的建立
        3.4 影像组学标签的性能评价
    4 讨论
    5 结论
    参考文献
本研究创新性的自我评价
综述 影像组学在乳腺癌精准医疗中的应用研究进展
    参考文献
攻读学位期间取得的研究成果
致谢
个人简历

(8)乳腺良恶性结节超声及剪切波弹性成像参数临床价值的分析(论文提纲范文)

摘要
Abstract
前言
材料与方法
结果
讨论
结论
参考文献
综述 超声技术在乳腺肿块诊断中的研究进展
    参考文献
附录 中英文缩略词对照表
攻读学位期间发表文章情况
致谢
个人简历

(9)基于弹性成像及多普勒超声的预测模型在乳腺病变中的应用(论文提纲范文)

中英文缩略词表
摘要
Abstract
前言
第一部分 超声弹性成像技术的预测模型在乳腺病变中的应用
    1.资料与方法
    2 统计学分析
    3 结果
    4 讨论
第二部分 超声定量参数的预测模型在乳腺病变中的应用
    1.资料与方法
    2 统计学分析
    3 结果
    4 讨论
5 局限性与展望
6 结论
参考文献
附录 个人简历
致谢
综述及参考文献 超声弹性成像在乳腺癌的应用进展和现状
    参考文献

(10)磁共振扩散峰度成像联合动态增强扫描对乳腺良恶性病变的诊断效能研究(论文提纲范文)

摘要
ABSTRACT
英文缩写
前言
材料与方法
结果
附图
附表
讨论
结论
参考文献
综述 不同影像学方法在乳腺癌诊疗中的应用价值分析新进展
    参考文献
致谢
个人简历

四、乳腺良恶性肿块病例的初步筛查(论文参考文献)

  • [1]乳腺X线图像计算机辅助诊断技术综述[J]. 陈智丽,高皓,潘以轩,邢风. 计算机工程与应用, 2022
  • [2]探讨建立乳腺良恶性结节US-BI-RADS量化评分分类标准模型的初步研究[D]. 李剑锋. 山西医科大学, 2021(01)
  • [3]超声造影在乳腺病变诊断中的应用价值及影响因素探讨[D]. 徐平. 山东大学, 2021(12)
  • [4]乳腺X射线图像智能辅助诊断方法及临床应用研究[D]. 秦耿耿. 南方医科大学, 2021
  • [5]FFDM+DBT与MRI在乳腺良恶性疾病诊断中的对比应用[D]. 王祥芝. 蚌埠医学院, 2021(01)
  • [6]基于超声深度学习模型在乳腺BI-RADS 4类病变中预测乳腺癌的价值[D]. 张书还. 昆明医科大学, 2021(01)
  • [7]动态增强MRI及影像组学对乳腺良恶性病变和乳腺癌腋窝淋巴结状态的预测研究[D]. 曲宁. 中国医科大学, 2021(02)
  • [8]乳腺良恶性结节超声及剪切波弹性成像参数临床价值的分析[D]. 孔岩. 新乡医学院, 2021(01)
  • [9]基于弹性成像及多普勒超声的预测模型在乳腺病变中的应用[D]. 许仁豪. 安徽医科大学, 2021(01)
  • [10]磁共振扩散峰度成像联合动态增强扫描对乳腺良恶性病变的诊断效能研究[D]. 翟泽川. 河北北方学院, 2021(01)

标签:;  ;  ;  ;  ;  

乳腺良恶性肿块的初步筛查
下载Doc文档

猜你喜欢