第一部分多区域声触弹性成像技术在乳腺良恶性肿块鉴别诊断中的价值目的:评估并比较基于声触弹性成像（sound touch elastography,STE）技术在鉴别诊断乳腺良恶性肿块中的表现并确定最佳的STE超声指标;评估最佳STE超声指标与2013版的乳腺超声影像报告和数据系统（breast imaging repo rting and data system,BI-RADS）分类联合诊断乳腺良恶性肿块的表现。方法:1.本研究回顾性分析2019年6月至2022年4月于南昌大学第一附属医院住院的187例乳腺肿块患者,具有清晰且完整的临床资料和病理结果。2.常规超声（ultrasonography,US）和STE弹性超声图像采集由两位乳腺超声经验大于5年的超声医师完成,然后由另外两位乳腺超声经验大于10年的超声医师共同审阅图像。US图像分析并记录肿块位置、大小（最大直径）、肿块与乳头之间距离和BI-RADS分类。STE超声图像分析并测量肿块及其1 mm、2 mm、3 mm周围环形区域的杨氏模量值（平均杨氏模量值、最大的杨氏模量值、最小的杨氏模量值和杨氏模量值的标准差）,分别使用Emean-A/1shell/2s hell/3shell、Emax-A/1shell/2shell/3shell、Emin-A/1shell/2shell/3shell和Esd-A/1s hell/2shell/3shell表示。3.比较乳腺肿块及其周围环形区域的杨氏模量值在良性乳腺肿块组和恶性乳腺肿块组之间的差异。4.以最终病理诊断结果为金标准绘制受试者工作特征（receiver operator ch aracteristic,ROC）曲线,根据最大约登指数得到的最佳阈值,并计算敏感度、特异度、阳性预测值、阴性预测值、准确度和曲线下面积（area under the cur ve,AUC）。通过比较得到乳腺肿块及其周围组织的杨氏模量值中表现最佳的指标。5.最佳STE指标联合BI-RADS分类建立一个STE-BI-RADS分类:当最佳STE指标判断肿块为阴性时（≤阈值）,BI-RADS 4a至5类将下降一类;若最佳STE指标判断肿块为阳性时（＞阈值）,BI-RADS 3至4c类将上升一类。比较STE-BI-RADS分类和BI-RADS分类的鉴别乳腺肿块良恶性表现。结果:1.本研究纳入187例患者（女性187例;中位年龄48岁,范围18～75岁）的187个肿块。良性乳腺肿块组有89个（47.1%）,恶性乳腺肿块组有98个（51.9%）。小乳腺肿块组有112个（59.3%）,大肿块组有75个（39.7%）。恶性乳腺肿块组较良性肿块组有显著更高的患病年龄[54（47-59）岁vs.44（31-49）岁,p＜0.001]。2.US评估中,恶性乳腺肿块的肿块显著大于良性肿块组[25（17-31）mm vs.15（11-18）mm,p＜0.001]。两组肿块位置和肿块与乳头之间距离无显著差异（p值为0.088和0.560）。恶性肿块的BI-RADS分类显著高于良性肿块（p＜0.001）。良性乳腺肿块组BI-RADS 3类病变42个,BI-RADS 4a类病变35个,BI-RADS4b类病变9个,BI-RADS 4c类病变2个,BI-RADS 5类为1个;恶性乳腺肿块组中BI-RADS 3类病变为6个,BI-RADS 4a类病变17个,BI-RADS 4b类病变28个,BI-RADS 4c类病变为13个,BI-RADS 5类病变为34个。3.恶性乳腺肿块组的Emean-A、Emax-A和Esd-A显著高于良性乳腺肿块组,Emin-A显著低于良性乳腺肿块组（p均＜0.001）。恶性乳腺肿块组的1 mm、2 mm和3 mm环形区域的杨氏模量值（Emean-1shell/2shell/3shell、Emax-1shell/2shell/3shell、Emin-1shell/2shell/3shell和Esd-1shell/2shell/3shell）均高于良性乳腺肿块组（p均＜0.001）。大乳腺肿块组的良性肿块和恶性肿块的Emean-A和Emax-A显著高于小乳腺肿块组的良性肿块和恶性肿块（p均＜0.05）。大乳腺肿块组的良性肿块的Emax-1shell、Emax-2shell和Emax-3shell显著高于小乳腺肿块组的良性肿块,大乳腺肿块组的恶性肿块的Emean-1shell、Emean-2shell、Emean-3shell、Emax-1shell、Emax-2shell和Emax-3shell显著高于小乳腺肿块组的恶性肿块（p均＜0.05）。4.本研究中Emean-A、Emax-A、Emin-A和Esd-A的AUC分别为0.810（0.745-0.875）、0.837（0.779-0.895）、0.728（0.655-0.801）和0.739（0.668-0.810）;Emean-1shell、Emax-1shell、Emin-1shell和Esd-1shell的AUC分别为0.832（0.771-0.893）、0.862（0.809-0.915）、0.736（0.663-0.809）和0.739（0.669-0.810）;Emean-2shell、Emax-2shell、Emin-2shell和Esd-2shell的AUC分别为0.853（0.797-0.910）、0.873（0.823-0.923）、0.752（0.680-0.823）和0.767（0.700-0.834）;Emean-3shell、Emax-3shell、Emin-3shell和Esd-3shell的AUC分别为0.867（0.812-0.923）、0.887（0.838-0.936）、0.769（0.700-0.839）和0.784（0.720-0.849）。比较所有STE超声指标发现,Emax-3shell的诊断效能显著高于乳腺肿块杨氏模量值、1 mm环形区域Emean、1 mm、2 mm和3 mm环形区域的Emin和Esd（p均＜0.05）。因此Emax-3shell为本研究的最佳STE指标,阈值为107 k Pa,AUC、敏感度、特异度、准确度、阳性预测值和阴性预测值分别为0.887（0.838-0.936）、91.8%、74.2%、83.4%、79.6%和89.2%。5.STE-BI-RADS分类的AUC显著高于BI-RADS分类[0.915（0.875-0.955）vs.0.867（0.817-0.916）;p=0.002],保持了BI-RADS分类的敏感度（93.9%vs.93.9%）、阴性预测值（90.8%vs.87.5）和漏诊率（12.5%vs.12.5%）,提高了特异度（76.3%vs.47.2%）、阳性预测值（80.4%vs.66.2%）、准确度（82.3%vs.71.7%）,并降低了非必要穿刺率（24.5%vs.33.8%）。结论:基于STE技术的乳腺肿块和其周围环形区域的杨氏模量值对良恶性乳腺肿块的鉴别诊断有出色的表现。肿块3 mm周围环形区域的最大杨氏模量值或是最佳的诊断乳腺癌指标。结合STE和BI-RADS分类可以在敏感度和阴性预测值均不降低的情况下,提高BI-RADS分类诊断乳腺恶性肿块的特异度、阴性预测值、准确度,并减少不必要的穿刺活检。第二部分基于超声图像的多区域影像组学模型在乳腺良恶性肿块鉴别诊断中的价值目的:本研究旨在评估基于超声图像的肿块内、肿块周围及同侧正常实质区域影像组学特征在乳腺良恶性肿块鉴别诊断中的价值,并训练和验证了结合肿块内、肿块周围及实质区域影像组学特征的多区域模型的乳腺癌诊断表现。方法:1.本研究回顾性纳入两个医院共526例患者的591个乳腺肿块（训练组339个、内部测试组146个、外部测试组106个）。2.采集乳腺肿块的US图像,记录乳腺肿块位置、大小（最大直径）和肿块与乳头之间距离、2013版超声乳腺影像报告和数据系统（breast imaging reporting and data system,BI-RADS）分类。3.通过病灶分割得到每个肿块的肿块内、肿块周围3 mm区域、肿块旁10-20mm正常乳腺实质区域ROI,并提取464个肿块内、455个肿块周围和455个实质区域影像组学特征。经过以随机森林为基础分类器的递归特征消除（recursive feature elimination,RFE）算法和Boruta方法为主的特征筛选,被选中的影像组学特征基于训练组数据使用随机森林分类器训练出肿块内、肿块周围及实质影像组学模型、肿块内和肿块周围组学特征结合（intratumoral＆peritumoral,In＆Peri）模型、肿块内和实质区域组学特征结合（intratumoral＆parenchymal,In＆P）模型、和三个区域组学特征结合的多区域（intratumoral＆peritumoral＆parenchymal,In＆Peri＆P）模型。4.使用内部测试组和外部测试组数据验证影像组学模型的鉴别及校准能力。鉴别能力评估根据受试者工作特征（receiver operator characteristic,ROC）曲线下面积（area under the curve,AUC）、敏感度、特异度和准确度。校准能力评估根据校准曲线和Hosmer-Lemeshow检验。5.综合判别改善指数（integrated discrimination improvement,IDI）检验评估增加肿块周围和实质区域影像组学特征后的模型较单独的肿块内影像组学模型鉴别诊断良恶性乳腺肿块的能力改进程度。6.影像组学模型中表现最佳者的恶性乳腺肿块预测值为本研究的影像组学分数（radiomic signature score,Rad-score）。与BI-RADS分类结合得到一个Rad-BI-RADS分类:根据最大约登指数,得到Rad-score的阈值,当Rad-score判断肿块为阴性时（≤阈值）,BI-RADS 4a至5类将下降一类;若Rad-score判断肿块为阳性时（＞阈值）,BI-RADS 3至4c类将上升一类。结果:1.恶性乳腺肿块分别占训练组、内部测试组和外部测试组的54.9%（186/339）、54.1%（79/146）和65.1%（69/106）,三组的恶性乳腺肿块比例无统计学差异（p=0.143）。2.恶性乳腺肿块的年龄、肿块直径、位于外侧象限或乳头下方的频率和BI-RADS分类显著大于良性乳腺肿块（p＜0.05）。两组肿块与乳头之间距离无显著差异（p=0.706）。3.10个肿块内、9个肿块周围和5个实质区域的影像组学特征被选中训练分别成为肿块内影像组学模型、肿块周围影像组学模型和实质影像组学模型。19个肿块内和肿块周围组学特征、14个肿块内和实质区域组学特征、23个肿块内、肿块周围和实质区域组学特征经过选择后训练成为In＆Peri模型、In＆P模型和In＆Peri＆P模型。4.基于内部测试组和外部测试组数据,肿块内、肿块周围、实质影像组学模型、In＆Peri模型、In＆P模型和In＆Peri＆P模型中,In＆Peri＆P模型有最高的AUC（0.929和0.911）和准确度（82%和80%）,In＆P模型有最高的敏感度（89%和86%）,In＆Peri模型有最高的特异度（88%和78%）。肿块内、In＆Peri模型和In＆Peri＆P模型具有良好的校准表现。5.肿块内影像组学模型的诊断表现显著优于实质影像组学模型（p＜0.05）,但与肿块周围影像组学模型表现无差异（p值分别为0.529和0.435）。In＆Peri模型和In＆P模型显著提升了肿块内影像组学模型的鉴别诊断表现（p＜0.05）。In＆Peri＆P模型显著提升肿块内影像组学模型、In＆Peri模型和In＆P模型的鉴别诊断表现（p＜0.05）。6.多区域影像组学（In＆Peri＆P）模型所得出的恶性肿块预测值是本研究的Rad-score。基于内部测试组和外部测试组数据,Rad-BI-RADS分类可以显著提高BI-RADS分类的特异度（71%/75%vs.39%/46%）和准确度（83%/86%vs.73%/76%）,并保持敏感度（93%/90%vs.96%/97%）结论:基于超声图像的肿块周围及实质区域影像组学特征可以提高单独的肿块内影像组学特征的良恶性乳腺肿块鉴别诊断表现,多区域模型可能会最大化利用乳腺超声图像影像组学的诊断性信息,达到更高的诊断效能。