论文部分内容阅读
乳腺癌是全世界女性发病率最高的恶性肿瘤之一,严重危害女性的身心健康。规范性筛查及早期诊断、早期治疗是降低乳腺癌死亡率、提高生活质量的关键。乳腺X线检查是40岁以上女性乳腺癌筛查的首选手段。由于乳腺X线图像为三维乳房的二维投影,且我国女性多为致密类乳腺导致病变多被遮蔽,影响放射科医师对乳腺可疑病灶的发现及准确定位。针对这一现象,国内外众多学者提出了多种多视图乳腺X线图像病灶位置匹配方法,旨在为放射医师提供多视图图像上同一病灶的位置信息,但目前的研究缺乏感兴趣区的精确匹配,临床实际应用价值不大。本研究尝试提出新的多视图病灶匹配方法,旨在为临床提供精确的位置参考。本研究主要分为两部分:第一部分构建乳房几何模型,对其匹配性能及模型影响因素进行分析;第二部分引入BP神经网络,收集一定样本量的同侧乳房不同视角乳腺X线图像数据进行模型训练及测试,评估模型性能,并将其与第一部分提出的乳房几何模型和文献提出的环形法和直条法进行对比分析,探讨临床应用的可行性。一、材料和方法1、病例资料收集我院2018年1月至2018年7月以乳腺钙化为主要表现的乳腺X线图像398例,包括CC及MLO视图;共纳入钙化点482对,其中左侧乳腺234对,右侧乳腺248对。纳入的钙化对均具有明显的一一对应关系。分组:按第5版BI-RADS分类将乳腺密度分为脂肪类、散在纤维腺体类、不均匀致密类和极度致密类;按平行于胸壁方向将乳房平均分为前带、中带、后带;CC视图分为外侧、中央区和内侧;MLO视图分为乳房上部、中央区和乳房下部。2、评价方法测量钙化点几何中心至预测曲线/直线之间的最小距离,即误差作为评价指标,同时计算最小点到线距离的第95百分位数。3、统计学方法使用SPSS19.0,计量资料用均值±标准差表示;两样本之间的比较采用独立样本t检验。多重比较采用单因素方差分析,首先经Levene方差齐性检验,方差齐性时两两比较采用LSD法;方差不齐时采用Welch近似方差分析,两两比较采用Games-Howell法。分析两变量之间是否存在相关关系时,采用双变量相关分析中的Pearson相关系数。以上结果均以P<0.05为差异具有统计学意义。二、第一部分结果1、乳房几何模型匹配结果及模型可逆性验证已知CC视图病灶位置预测MLO视图病灶位置及已知MLO上病灶位置预测CC视图病灶位置的平均匹配误差分别为(3.741±3.204)mm、(3.567±2.864)mm,差异无统计学意义(P=0.083)。最小点到线距离的第95百分位数分别为10.051mm、9.452mm。2、不同影响因素对乳房几何模型的影响①对不同年龄阶段乳房进行分析,结果表明:年龄<40岁、40~49岁、50~59岁及≥60岁之间,几何模型的匹配误差差异无统计学意义(P=0.341)。②乳腺密度:不同密度等级的模型匹配误差差异有统计学意义(P=0.003)。两两比较后发现,脂肪类与散在纤维腺体类、脂肪类与不均匀致密类、不均匀致密类与极度致密类之间的匹配误差有统计学差异(P均<0.05)。③病灶深度:乳房前带、中带及后带之间的匹配误差差异有统计学意义(P=0.005),前带的匹配误差较小。将乳房进一步划分为乳晕下区及乳房其他部分,乳晕下区病灶的平均误差为(2.769±2.307)mm,乳房其他部分的平均误差为(3.863±3.282)mm,差异具有统计学意义(P=0.018)。④病灶位置:对CC图像进行分析发现,乳房外侧、中央区及内侧之间的误差差异无统计学意义(P=0.077)。对MLO图像分析后发现,乳房上部、中央区及下部之间的误差差异有统计学意义(P=0.005);两两比较后发现,乳房上部与中央区、上部与下部之间的差异均有统计学意义(P均<0.05)。⑤压缩厚度差异:本研究将CC和MLO位压缩厚度差异分为0mm、1~5mm及≥6mm三组,不同厚度差异组间的模型匹配误差无统计学差异(P=0.495)。三、第二部分结果1、BP神经网络模型匹配结果及模型可逆性验证已知CC视图病灶位置预测MLO视图病灶位置的平均匹配误差为(3.425±3.143)mm,已知MLO上病灶位置预测CC视图病灶位置的平均匹配误差为(3.494±3.379)mm,两者之间的差异无统计学意义(P=0.986)。最小点到线距离的第95百分位数分别为10.059mm、10.490mm。2、特征参数对BP神经网络模型匹配性能的影响不同的腺体密度、病灶深度、CC位病灶位置、CC和MLO位乳房压缩厚度及其厚度差异分组的匹配误差之间的差异均无统计学意义(P均>0.05)。不同MLO位置之间的差异有统计学意义(P<0.05),两两比较后发现,乳房中央区与上部、中央区与下部之间的差异有统计学意义(P均<0.05),乳房上部与下部之间的差异无统计学意义(P=0.981)。3、不同方法匹配结果比较环形法的平均匹配误差为(6.594±5.617)mm;直条法的平均匹配误差为(5.275±4.736)mm。进行两两对比后发现,除乳房几何模型与BP神经网络模型之间匹配误差无统计学意义之外(P=0.412),其他各组之间的匹配误差均有统计学差异(P均<0.01)。四、结论1、通过模拟乳房压缩过程构建几何模型,实现平面图像、压缩乳房与未压缩乳房之间病灶的对应关系,该模型的平均匹配误差约3.7mm。年龄、CC和MLO压缩厚度差异不同时模型匹配效果无明显差异。而当乳腺密度及病灶所处位置不同时模型匹配效果有差异,脂肪类乳房及乳房上部在压迫过程中发生的形变较大,模型的匹配误差较大;乳房前带尤其是乳晕下区发生的形变小,模型匹配误差较小,提示该几何模型可能不完全适用于易高度变形的乳房。2、运用BP神经网络对CC和MLO视图中已知匹配关系的“钙化对”样本进行训练和测试,得到两视图间的病灶位置映射关系,该模型的平均匹配误差约3.5mm。研究表明,纳入的特征参数如年龄、腺体密度、病灶位置、CC径向距离、CC投影距离等与模型匹配精度无明显相关,提示BP神经网络模型适用于各种类型的乳房,受乳房自身特点影响不大。但由于该模型输入、输出参数均与乳头位置有关,手动摆位成像过程是否规范对模型匹配精度有一定影响,当乳头未成切线位、乳头回缩时模型匹配精度下降,故应规范乳房摄影过程,尽量减少主观因素的影响。3、目前少有研究在相同数据集上进行不同匹配方法的比较。本研究在同一数据集上对乳房几何模型、BP神经网络模型、环形法及直条法的匹配性能进行了对比分析。结果表明,乳房几何模型和BP神经网络模型均能取得较好的多视图病灶匹配结果,平均匹配误差为3.5~3.7mm,两者匹配性能相似,95%的目标病灶均可在预测曲线/直线周围半径小于10mm的范围内找到其对应病灶。直条法匹配性能优于环形法,而本研究中两种模型的匹配效果均明显优于环形法和直条法,可为临床医师提供更为准确的位置参考,临床应用前景可观。