目的:利用乳腺动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI）图像进行纹理分析,研究使用纹理特征鉴别乳腺癌患者人表皮生长因子受体2（human epidermal growth factor receptor type 2,HER2）2+时扩增状态的可行性。研究方法:回顾性纳入92例免疫组织化学（immunohistochemistry,IHC）法检测HER2评分为2+并进一步通过荧光原位杂交（fluorescence in situ hybridization,FISH）检查确定其HER2扩增状态的乳腺癌患者,其中包括HER2 2+阳性52例、HER2 2+阴性40例,均行术前乳腺DCE-MRI检查。从图像存储和传输系统（picture archiving and communication system,PACS）上导出患者DCE-MRI图像中病灶直径最大层面的增强前、增强后和减影图像,利用MATLAB 2018a在减影图像上半自动地勾画出感兴趣区（region of interest,ROI）,并映射到增强前和增强后图像的相应位置,分别从三种图像中各提取出488个纹理特征。进行独立样本t检验或Mann-Whitney U检验识别HER2 2+阳性和阴性两组之间有统计学差异的特征,利用最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）找出最优特征集。使用三种机器学习分类器,逻辑回归分析（logistic regression analysis,LRA）、二次判别分析（quadratic discriminant analysis,QDA）和支持向量机（support vector machine,SVM）建立分类模型。采用受试者操作特性（receiver operating characteristic,ROC）分析评估分类效能。结果:减影图像上提取的纹理特征建立的LRA模型、SVM模型和QDA模型的ROC曲线下面积（area under the ROC curve,AUC）分别为0.884、0.890和0.831;增强前图像上提取的纹理特征建立的LRA模型、SVM模型和QDA模型的AUC分别为0.623、0.672和0.568;增强后图像上提取的纹理特征建立的LRA模型、SVM模型和QDA模型的AUC分别为0.733、0.736和0.726。三种图像中减影图像纹理特征表现出最好的分类效能,并且LRA和SVM模型的分类效能显著优于QDA模型（P=0.0227、P=0.0088）。结论:从DCE-MRI图像上提取的纹理特征有鉴别乳腺癌HER2 2+扩增状态的潜力,特别是减影图像中提取的纹理特征对于判别HER2 2+的扩增状态很有帮助。