论文部分内容阅读
乳腺癌是当今世界女性最多发的恶性肿瘤,其发病率和死亡率呈逐年上升趋势。如何利用肿瘤的分子病理信息改进乳腺癌的早期检测和治疗方案是当务之急。乳腺癌的组织学分级与Ki-67表达均对乳腺癌的预后治疗提供了重要指导信息。磁共振成像(Magnetic resonance imaging,MRI)是一种多参数成像,其中动态增强磁共振成像(Dynamic contrast enhancement MRI,DCE-MRI)和弥散加权成像(Diffusion weighted imaging,DWI)的联合应用可以提高乳腺癌诊断的准确性。DCE-MRI不仅可以显示出病变组织的形态学特征,也可以反映病变组织的微观信息,其影像分辨率较高,但需提前注射造影剂。DWI能反映肿瘤的血管结构和含水量等生物学特性,但是其影像分辨率较低。对于DWI而言,由于技术的限制,获得理想分辨率的影像并不容易。低分辨率的影像往往会对专业医师的准确诊断造成阻碍。超分辨率(super-resolution,SR)重建技术通过从低分辨率(low-resolution,LR)图像生成高分辨率(high-resolution,HR)图像来解决低分辨率影像存在的问题。本研究的目的是通过超分辨率重建技术得到DWI的超分辨率影像,然后基于DWI病灶区域的超分辨率影像特征对乳腺癌组织学分级与Ki-67表达进行预测。本论文的研究重点包括以下两部分:(1)超分辨率影像重建:系统整理了322例浸润性乳腺癌恶性患者的病例信息,并将其随机分成训练集和测试集,其中训练集222人,测试集100人。由于生成对抗网络(Generative Adversarial Network,GAN)是一种功能强大的生成网络,所以本研究采用了两种基于GAN的超分辨率重建方法:SRGAN及其变体EDSR。利用训练集DCE-MRI的LR和HR影像训练SRGAN和EDSR两种超分辨重建模型。根据验证集DCE-MRI的HR、SR和双三次插值(bicubic interpolation,BI)影像计算客观评价指标峰值信噪比(Peak Signal Ratio,PSNR)和结构相似性(Structural Similarity,SSIM)来验证超分辨模型的重建效果。SRGAN方法得到的PSNR比双三次插值方法得到的PSNR高出1.23 d B,SSIM高出0.008,而EDSR方法得到的PSNR比双三次插值方法得到的PSNR高出3.243 d B,SSIM高出0.018。可知,两种超分辨率重建方法得到的SR影像质量都比双三次插值方法重建的影像质量高,EDSR重建的SR影像质量最好。根据DWI影像的b值计算得到ADC影像,利用SRGAN和EDSR两种模型对测试集ADC的原始LR影像进行重建得到对应的SR影像。(2)组织学分级及Ki-67表达的预测研究:利用计算机半自动分割方法获取DCE-MRI影像的三维病灶后通过图像配准得到ADC的原始LR影像、BI影像和SR影像的病灶区域。对ADC不同影像的病灶区域提取统计、形态、纹理特征。分别对组织学分级及Ki-67表达这两个预后指标的预测任务进行了单变量分析和多变量分析。其中单变量分析使用逻辑回归方法;多变量分析先用遗传算法得到最优特征子集然后使用逻辑回归方法进行预测,之后计算了AUC、ACC、灵敏性、特异性等指标评估预测模型。本文基于ADC的原始LR影像、BI影像和SR影像病灶区域的影像特征对乳腺癌组织学分级与Ki-67表达进行了预测研究。实验显示,和ADC的原始LR影像或BI影像相比,无论是通过SRGAN还是EDSR得到的SR影像,其所提取的特征集都能取得更优的预测结果。进行多变量分析时,组织学分级预测研究的最优AUC是由SRGAN影像特征子集得到的,AUC为0.831;Ki-67预测研究的最优AUC是由EDSR影像特征子集得到的,AUC为0.864。结果证明,利用超分辨率重建技术能够很好的提升ADC的影像质量,而且基于ADC的SR影像的三维病灶特征能够更好的提升预测模型对乳腺癌组织学分级及Ki-67表达的预测性能,为乳腺癌的诊疗提供更精准的指导。