论文部分内容阅读
第一部分:应变弹性成像、自动乳腺全容积扫描成像及其联合应用对于乳腺BI-RADS 4类病变的鉴别诊断价值目的比较应变弹性成像（SUE）、自动乳腺全容积扫描成像（ABVS）及其联合应用对BI-RADS 4类结节的诊断价值,旨在对其进行正确评估分类以降低术前穿刺活检率。方法选取2017年1月至2020年8月在华东疗养院因乳腺肿块进行穿刺活检及手术治疗的78例BI-RADS 4类结节为研究对象,对所有入选研究病例先行常规超声（US）检查,筛选出BI-RADS 4类结节,再分别进行SUE、ABVS检查,及SUE+ABVS联合应用,评估乳腺结节良恶性,并与术后病理结果相对比,采用ROC曲线评估US、SUE、ABVS及SUE+ABVS联合应用对于BI-RADS 4类结节的诊断价值。结果1.共有78例BI-RADS 4类结节经过病理确诊,良性结节34例,恶性结节44例。BI-RADS 4A类、4B类和4C类结节良、恶性率分别是61.8%、26.5%、11.8%和 13.6%、27.3%和 59.1%。2.US、SUE、ABVS、SUE+ABVS联合应用诊断BI-RADS 4类结节良、恶性的准确率分别是 71.8%、74.3%、78.2%、84.6%,Kappa 系数分别是 0.438、0.489、0.567、0.765。敏感性和特异性分别是 68.2%和 76.5%、70.4%和 79.4%、72.7%和 85.3%、88.6%和 79.4%。3.ROC曲线分析,US、SUE、ABVS及SUE+ABVS联合应用的AUC面积分别为0.720、0.784、0.803、0.895,SUE+ABVS联合应用的AUC面积为最高。经Z检验比较,SUE+ABVS联合应用的AUC面积高于ABVS、SUE和US（P＜0.05）,ABVS和SUE的AUC面积比较差异不明显（P＞0.05）,但均高于US（P＜0.05）。结论1.SUE、ABVS及SUE+ABVS联合应用对于BI-RADS 4类结节良恶性均有较好诊断价值,且以SUE、ABVS联合应用诊断价值更优,SUE+ABV联合应用可提高诊断准确率并减少不必要的穿刺。因其无创及可靠性,有着很好的应用前景。第二部分:基于乳腺ABVS冠状位图像的影像组学研究对乳腺BI-RADS 4类病变的鉴别诊断价值目的探讨基于ABVS的影像组学对乳腺BI-RADS 4类结节良恶性的鉴别诊断效能。方法研究对象、纳入和排除标准、一般资料、ABVS检查方法同第一部分。从PACS中将所有纳入研究的患者的AVBS冠状面图像导出（DICOM格式）,导入至ITK-SNAP软件中,由2名超声科医师（在ABVS诊断方面拥有8年以上的经验）使用手动分割法来描绘冠状面病灶最大层面的感兴趣区（ROI）,保存其源图像及标记图像的NIFTI格式。特征计算（Calculation）:基于ROI,采用PyRadiomics开源工具箱提取影像组学特征,每个病灶共计算1404个特征,添加对应的标签（0或1）。特征选择（Feature Selection）:预处理分为三个步骤:第一步是将预处理后的数据以CSV格式导入,第二步是将数据分为训练数据和测试数据两部分,分别有51例训练数据和27例训练数据。第三步是对分割后的训练数据和测试数据进行标准化的预处理。变量筛选和预测建模采用二元logistic回归法。通过对提取1404个特征的分析,采用独立样本t检验进行分析,P＜0.05为差异有统计学意义,筛选出良恶性两个类别间具有显著差异的8个影像组学特征。机器学习（Machine Learning）:首先,加载训练数据和测试数据,然后执行后续测试和模型构建。这里我们用逻辑回归（Logistic Regression）、决策树+AdaBoost、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、RBF神经网络等不同的分类器进行了试验,以寻找能获得最好性能的分类器。结果五种分类器效果最好的是组合是:二阶决策树+AdaBoostM1。结论 基于ABVS的影像组学分析对乳腺BI-RADS 4类结节的鉴别诊断具有一定的效能,小波多尺度统计特征和纹理特征能够较好地体现BI-RADS 4类病变良恶性之间的差异,决策树+AdaBoost分类器测试结果较其他分类器更好。不足:本研究样本较少,使得统计机器学习方法难以挖掘出最有鉴别价值的影像特征,建立的预测模型的精度有待进一步提升。在后续的研究中将继续搜集更多的样本,基于影像组学技术建立更为精准的预测模型,为乳腺BI-RADS 4类结节提供更好的辅助诊断价值。