论文部分内容阅读
乳腺疾病是女性常见疾病,乳腺癌更是最常见的女性恶性肿瘤性病变。乳腺常见病变主要分为单纯肿块及复杂肿块;单纯肿块是指仅以肿块为主要征象,不伴钙化及其他伴随征象。乳腺X线摄影是乳腺钙化型病变诊断的最主要手段,对其良恶性的判别有较好的诊断效果。但因亚洲女性致密型乳腺腺体组织导致肿块型病变多被遮蔽,且因重叠因素所致,诊断医师无法对肿块边缘、形状及密度有良好的判断,所以单凭乳腺X线摄影常常无法准确的诊断单纯肿块型病变。针对此现象,本文收集137例乳腺单纯肿块型病变病例,结合其临床特征、超声检查、乳腺X线摄影(FFDM及DBT)的影像学特征构建简易评分模型,分析其对单纯肿块型病变的诊断价值,并对乳腺单纯肿块型病变的良恶性鉴别策略进行初步探讨。近年来,放射组学的兴起及深度学习的不断发展,其诊断模式已在肺癌的诊治、直肠癌的放化疗术后随访监测等都有较深入的研究,但在乳腺疾病中却鲜有研究。本研究尝试将放射组学的思维应用于乳腺单纯肿块病变DBT图像处理及识别当中,对乳腺单纯肿块病变DBT图像纹理特征进行提取及分析,利用其中有意义的特征建立数学模型,并结合稳定性较好的SVM分类器进行分类训练,利用深度学习的模式获取病变分类模型,辅助影像医师进行诊断。论文正文分为以下4个部分:第一部分为前言,主要阐述研究背景、意义,系统性的分析对乳腺单纯肿块病变的研究情况及检出、诊断的优势及局限。利用乳腺单纯肿块病变常用诊断模式(乳腺X线+超声+临床征象)提出简易评分模型。然后,将乳腺单纯肿块病变与图像纹理特征提取分析及深度学习分类模型相结合,提出基于纹理特征提取的分类模型。目的在于初步评价两种不同诊断模型的研究背景及应用前景,为后续研究提供理论依据。第二部分为基于Logistic回归分析建立乳腺单纯肿块病变良恶性鉴别评分模型。收集南方医院2016年1月-12月期间,符合纳入标准的乳腺单纯肿块型病变病例137例,由三名高年资影像诊断医师结合临床经验及诊断习惯归纳提取临床及影像学特征,并基于逐步Logistic回归分析对有相关性的特征进行分析,得出其危险度(OR值)。利用此危险度构建评分模型,对病变进行评分。将评分与金标准(病理结果)进行对照验证并对评分模型诊断效能进行初步评估。结果:137例病例中,良性90例,恶性47例。Kappa值为0.952,经分析汇总,共收集45个临床及影像特征,31个特征纳入Logistic分析,最后共6个特征纳入评分模型,其OR值分别为:边缘(OR=0.43)、实质改变(OR=6.99)、超声肿块内部回声(OR=1.35)、年龄(OR=3.72)、硬度(OR=0.05)及活动度(OR=0.87);模型节点为Score=0.5,当Score≥0.5时,判别为恶性;Score<0.5时,判别为良性,模型AUC值为0.80,评分模型敏感度为87%,特异度为70%,阳性预测值为60%,阴性预测值为91%。6个特征中,保护因素为:边缘、硬度及活动度,危险因素为:实质改变、超声肿块内部回声及年龄。ROC曲线下面积AUC值为0.8,说明评分模型有较好的诊断效能,对于乳腺肿块型病变的良恶性有较好的判别能力。第三部分为基于乳腺X线摄影DBT图像纹理特征提取的单纯肿块型病变分类模型的构建。收集南方医院2016年1月-12月期间,符合纳入标准的乳腺单纯肿块型病变137例的DBT图像,由两位高年资医师进行ROI靶区勾画,再由生物医学工程学院图像所对其纹理特征进行分析,共提取82个特征。经优化后,纳入15个特征并建立模型。以SVM分类模型为基础学习模型,进行交叉检验,再以此为基础建立基于卷积神经网络深度的学习模型。结果表明:在DBT-MLO图像上选取13个纹理特征进行建模时,可获取诊断效能最高的模型,AUC值为0.76,能较好的区分大部分肿块型病变的良恶性。第四部分对Logistics回归评分模型、纹理特征提取分类模型与临床经验诊断效能进行深入评估及对比分析。收集南方医院2017年1月-3月乳腺单纯肿块型病变共29例,适用评分模型、纹理特征提取分类模型及临床经验诊断三种方式对其进行良恶性判断,将所得结果与金标准(病理结果)进行比对并建立ROC曲线,获取其AUC值。旨在研究三种诊断方式之间的优劣性,寻求一种更为有效及量化标准的诊断模型。结果表明:评分模型AUC值为0.79,敏感度为0.79,特异度为0.8;纹理特征提取模型AUC值为0.82,敏感度为0.78,特异度为0.86;临床经验诊断AUC值为0.82,敏感度为0.86,特异度为0.87。三者中纹理特征提取分类模型诊断效能与临床经验诊断相仿,且其敏感度与特异度较为均衡,说明纹理特征提取分类模型适用辅助影像医师进行大样本的筛查研究及乳腺单纯肿块型病变的初步诊断。