三阴性乳腺癌是乳腺癌分子分型中恶性程度最高的一种,相比乳腺癌其他的分子分型,三阴性乳腺癌极易出现转移与复发。临床上采用免疫组化方法确定乳腺癌分子分型,但实际上影像扫描采用无创技术在术前就获取了患者的影像图像,利用影像组学的研究方法可预测患者对治疗的疗效反应,因此越来越多的研究开始关注影像组学对乳腺癌分子分型的预测。本文分别提出基于二维与三维影像组学的影像学特征,构建结合肿瘤内部与肿瘤周边区域组学特征的分类模型用于预测三阴性乳腺癌。本文的研究采用120例包含四种分子分型的二维影像数据以及101例包含三种分子分型的三维影像数据,分别提取二维与三维的影像组学特征,二维影像组学特征包括灰度统计特征、Gabor特征、Laws特征、Haralick特征与Co LIAGe特征,三维影像特征包括形态纹理特征与三维Co LIAGe特征。首先分别在肿瘤内部与肿瘤周边区域提取特征,用最小冗余最大相关m RMR的特征选择方法选取有效特征来构建分类模型,接下来组合肿瘤内部与肿瘤周边区域的有效特征用于构建分类模型,分类器采用线性判别分类器LDA。实验结果显示肿瘤内部与周边区域的组合特征在区分TNBC与Luminal A型的分子分型实验中达到最高的AUC值为0.75±0.04,区分HER2型、Luminal B型与Non-TNBC型实验中AUC值分别达到0.69±0.04、0.64±0.05与0.72±0.04。同时在二维影像组学的研究中评估了基于条件对抗生成网络的自动分割模型的性能,实验结果显示自动分割的Dice系数的值达到0.932,同时自动分割区域提取的影像组学特征与医生手动勾画的肿瘤区域提取的影像组学特征在区分TNBC任务中结果差别很小,表明本文提出的自动分割模型分割得到的肿瘤区域可用于影像组学的分析。三维影像组学的实验结果显示区分TNBC与HER2型的性能为AUC值0.71±0.07、准确度0.81±0.04、敏感度与特异度分别为0.77±0.10和0.84±0.08,区分TNBC与Luminal B型实验的AUC值为0.67±0.07、准确度为0.77±0.05、敏感度与特异度分别为0.85±0.10与0.72±0.10。本文的研究结果表明肿瘤内部与肿瘤周边区域影像组学特征可以用于预测乳腺癌的分子分型,同时该影像组学特征可以表征肿瘤生长的微环境,在预测乳腺癌的分子分型任务中具有一定的价值。