乳腺癌是危害女性健康最常見的疾病,因其高發(fā)病率而引起廣泛關(guān)注。早期診斷和早期治療是降低乳腺癌死亡率的重要途徑,而大多數(shù)患者在確診為乳腺癌時已發(fā)展到中晚期,延誤了治療的最佳時期。在乳腺癌的各種影像診斷技術(shù)中,動態(tài)增強磁共振成像(Dynamic Contrast-enhanced magnetic resonance imaging,DCE-MRI)技術(shù)能夠獲得對比劑在毛細血管網(wǎng)和組織間隙內(nèi)分布狀況的動態(tài)信息,并且憑借其較高的軟組織分辨率在乳腺癌早期診斷中脫穎而出。乳腺癌從基因水平上分為四種不同的分子分型,不同分子分型的患者在預后和化療療效上具有顯著差異,其中增殖標志物Ki-67指數(shù)反映了腫瘤增值活性,是乳腺癌診療中重要的指標之一。在以往的研究中,大多數(shù)研究者只關(guān)注乳腺癌病灶區(qū)域,而對腫瘤基質(zhì)區(qū)域研究相對較少。腫瘤基質(zhì)區(qū)域作為腫瘤生長的微環(huán)境,為腫瘤的發(fā)展提供營養(yǎng)及代謝需求,從磁共振影像以及臨床中發(fā)現(xiàn),基質(zhì)區(qū)域富含更多的診斷信息。因此本文對乳腺腫瘤及腫瘤基質(zhì)區(qū)域的3D體積DCE-MRI特征在乳腺癌早期診斷中的應(yīng)用價值進行研究和探索,具有創(chuàng)新性。本文的研究工作主要圍繞乳腺腫瘤基質(zhì)區(qū)域的信號動態(tài)增強模式以及腫瘤基質(zhì)區(qū)域影像特征對乳腺癌分子分型中Ki-67的高低表達狀態(tài)進行分類預測兩方面來展開。具體內(nèi)容包括:(1)感興趣區(qū)域的獲取與特征提取:在醫(yī)生的標注下,利用計算機半自動方法對DCE-MRI圖像進行病灶區(qū)域的分割,并在得到的病灶區(qū)域內(nèi)按照動態(tài)增強率的不同和像素值達到峰值時刻的不同兩種劃分規(guī)則,將病灶分割成不同的子區(qū)域,并在子區(qū)域內(nèi)提取動態(tài)增強特征、紋理特征和統(tǒng)計特征。對乳房腺體區(qū)域進行三維基質(zhì)區(qū)域的分割,共得到八個基質(zhì)子區(qū)域,在基質(zhì)子區(qū)域內(nèi)分別提取相同的動態(tài)增強特征。(2)腫瘤基質(zhì)區(qū)域的信號動態(tài)增強模式分析:本文利用PE均值來表征基質(zhì)子區(qū)域的動態(tài)增強信號,從距離腫瘤邊界徑向距離的不同和同一基質(zhì)子區(qū)域的不同方向兩方面來研究基質(zhì)區(qū)域的信號動態(tài)增強模式。研究結(jié)果表明:隨著徑向距離的增大,動態(tài)增強逐漸衰減;同一層面上,動態(tài)增強信號無方向性差異。(3)基于腫瘤基質(zhì)區(qū)域影像特征的Ki-67分類預測表達研究:為研究腫瘤基質(zhì)區(qū)域的影像特征對Ki-67高低表達狀態(tài)的分類預測效果,本文從三個方面設(shè)計邏輯回歸分類模型:(1)在八個基質(zhì)子區(qū)域中分別構(gòu)建邏輯回歸分類器,尋找具有最好分類效果的基質(zhì)子區(qū)域;(2)將基質(zhì)子區(qū)域特征融合,構(gòu)建基質(zhì)整體區(qū)域的邏輯回歸分類器,并與病灶區(qū)域影像特征構(gòu)建的分類器進行對比;(3)將病灶與基質(zhì)區(qū)域的特征進行融合,構(gòu)建兩個區(qū)域的邏輯回歸分類器。最后繪制ROC(Receiver Operating Characteristic Curve)曲線,并利用AUC(Area Under the roc Curve)值和其他指標對模型進行評估。結(jié)果表明:在八個基質(zhì)子區(qū)域中腫瘤邊界SB區(qū)域,分類效果最好�；|(zhì)整體區(qū)域與病灶區(qū)域同樣具有良好的分類效果。最后將病灶區(qū)域與基質(zhì)區(qū)域特征融合后,分類效果顯著提升,AUC值提高到0.920。本文對乳腺腫瘤基質(zhì)區(qū)域的影像特征在乳腺癌早期診斷中的應(yīng)用價值進行了研究,結(jié)果表明腫瘤基質(zhì)區(qū)域的影像特征在對乳腺癌分子分型方面具有較高的分類效果,充分肯定了基質(zhì)區(qū)域的價值,可以通過融合病灶區(qū)域與基質(zhì)區(qū)域進行研究,在乳腺癌早期診斷中提供了一種新的研究方向。
【學位單位】：杭州電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：R737.9;R445.2
【部分圖文】：

圖 1.1 正常組織與腫瘤組織的生長環(huán)境乳腺癌分子分型概述近年來，乳腺癌的診療模式從經(jīng)驗醫(yī)學到循證醫(yī)學，再到今天的精準醫(yī)學[12]，取得:Fibroblast：成纖維細胞 ECM：細胞外基質(zhì) Myeloidcell：骨髓細胞MSC：間充質(zhì)干細胞 Epithelial cell：上皮細胞 Pericyte：周細胞CAF：癌癥相關(guān)成纖維細胞 T cell：T 細胞 Tumour cell：腫瘤細胞

MRI 對于乳腺癌的診斷具有較高的敏感性和特異性。分期以及術(shù)前手術(shù)方案和術(shù)后化療方案的選擇等方界的廣泛認可和重視[30]。I 影像數(shù)據(jù)據(jù)皆為浙江省腫瘤醫(yī)院放射科采集到的乳腺 DCE-M：用 SIEMENS Magnetom Verio A Tim System 3.0T 高括定位像、橫斷位 T1WI、橫斷位 T2WI+脂肪抑制，態(tài)增強掃描流程如下：如圖 2.1 所示，所有的操作都雙手向前平放，雙側(cè)乳房自然地垂入乳房相控陣線序列掃描 6 次，分別為一次平掃和五次動態(tài)增強掃描釓對比劑(速率 3.0ml/s)，進行動態(tài)增強掃描。FLASH.6ms，回波時間 TE=4.5ms，翻轉(zhuǎn)角 FA=12°，F(xiàn)OV=，層數(shù)=72。每次掃描時間是 30 秒，共 180 秒（中間

杭州電子科技大學碩士學位論文在患者進行一次完整的動態(tài)增強磁共振掃描后，會形成完整的 6 個序列影像，本文實驗選取了其中的三個序列作為研究對象。第一個序列為動態(tài)增強的蒙片平掃序列，記為 S0 序列；第二個序列為動態(tài)增強掃描的中間時刻（取 1 分 20 秒）序列，記為 S1 序列；第三個序列為動態(tài)增強掃描的最后時刻（取 2 分 40 秒）序列，記為 S2 序列。S0、S1 和 S2 序列都采用相同的掃描參數(shù)，每一次的掃描中都在等間距的 72 個軸位上采集 72 張斷層截面圖，因此每個序列的影像集都是相同的。進行完 6 次的動態(tài)增強掃描后，磁共振掃描儀會重新設(shè)置掃描參數(shù)：重復時間 TR=8ms，回波時間 TE=4ms，重構(gòu)層厚降低為 0.8mm，對乳腺進行高空間分辨率序列（記為 HO 序列）的掃描。高分辨率序列能夠獲得病變組織更加精細的圖像[31]。醫(yī)生在讀取影像時選擇的是包含信息更多的高分辨率序列，可以更好地分析病灶的形態(tài)學信息，方便診斷。圖 2.2 為三個增強序列和一個高分辨率序列的采集時間軸和序列示意圖。

【參考文獻】

相關(guān)期刊論文 前3條

1 張鈺梓;陳小松;沈坤煒;;乳腺癌的治療困境:腫瘤異質(zhì)性與個體化治療[J];上海醫(yī)學;2012年11期

2 成廣存;孫雪青;周曉明;王建華;;腫瘤微環(huán)境在乳腺癌發(fā)展和治療方面的作用[J];外科理論與實踐;2011年01期

3 高程程;惠曉威;;基于灰度共生矩陣的紋理特征提取[J];計算機系統(tǒng)應(yīng)用;2010年06期

相關(guān)碩士學位論文 前9條

1 樂明昊;面向軟件度量的復合式屬性選擇算法研究[D];武漢理工大學;2015年

2 任靜;織物表面紋理與主觀顏色的關(guān)系[D];浙江理工大學;2015年

3 張承杰;MRI乳腺病灶分割研究[D];杭州電子科技大學;2014年

4 沈春裕;自適應(yīng)閾值的運動目標檢測技術(shù)研究[D];浙江工業(yè)大學;2012年

5 朱曉恩;基于群體智能的醫(yī)學圖像特征優(yōu)化算法研究[D];浙江大學;2012年

6 賈明;細胞增殖標記物Ki-67在乳腺癌組織中的表達與預后分析[D];河北醫(yī)科大學;2011年

7 姜百寧;機器學習中的特征選擇算法研究[D];中國海洋大學;2009年

8 郭晨明;乳腺癌分子亞型的預后關(guān)系及意義[D];新疆醫(yī)科大學;2009年

9 張雪;肝臟超聲圖像的紋理分析[D];長春理工大學;2004年

本文編號：2813402