论文部分内容阅读
目的
探讨基于数字乳腺断层摄影（DBT）图像内纹理特征建立深度学习分类模型，对肿块型病变良恶性进行鉴别的可行性。
方法回顾性分析2016年1月至12月南方医科大学南方医院，经病理确诊、行DBT检查的乳腺单纯肿块型病变患者132例，其中良性病变89例，恶性病变43例。活检与手术前均常规行DBT检查，拍摄头尾位（CC）及内外斜位（MLO）图像。采用图像分割软件ITK-SNAP，对肿块病变区域进行勾画，获取靶区。勾画完成的图像代入建模软件MATLAB R2015b中，建立特征模型提取纹理特征，使用费舍尔得分法及单样本t检验选取相关性高的特征。在所提取的纹理特征的基础上建立初步支持向量机（SVM）分类模型，再对分类模型加入神经网络模型（CNN）建立深度学习分类模型。将所得病例简单抽样随机分组，建立训练组及验证组，获取患者良、恶性结果，对其进行分析。采用ROC评价分类模型鉴别诊断乳腺良恶性病变的效能。
结果132例病变图像中，CC位132幅，MLO位及补充体位132幅。建立乳腺肿块型病变深度学习分类模型，共提取82个纹理特征，有统计学意义特征共15个。将15个特征随机抽取，进行组合代入模型内，利用SVM分类器进行良恶性判别，在此结果基础上对每种特征组合进行50次迭代，获取其平均诊断效能并进行对比，选取效能高者，CC位选出9个特征，MLO位选出8个特征。CC位模型鉴别乳腺单纯肿块型病变良恶性的敏感度、特异度、准确度和ROC下面积分别为0.68、0.77、0.74和0.74，MLO位分别为0.71、0.71、0.71和0.76。
结论MLO位的深度学习模型较CC位诊断效能更高，基于MLO位DBT图像纹理特征建立的乳腺肿块型病变深度学习模型能在一定程度上对病变的良恶性做出判断。