乳腺癌严重危害着妇女的生命健康,因其高发病率和死亡率,受到人们广泛关注。乳腺癌根据乳腺癌基因表达情况的差异被分为四种分子分型,不同分型在预后效果、复发风险等都存在明显差异,分子分型在乳腺癌精准诊疗中正发挥着越来越重要的作用。乳腺肿瘤中存在复杂的异质性,这会影响分子分型的准确标定。影像基因组学将影像特征与基因表现形式的相关特征建立联系,其中动态增强磁共振影像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)因具有对病灶敏感、能反映肿瘤血管的生成情况等优点而被应用于分子分型预测研究中。DCE-MRI受成像分辨率和异质性影响,其像素强度是多组织的血流活动信号模式的混合,只能潜在反映肿瘤血管的异质性,若将这些信号模式分解出来,能为肿瘤的诊断、治疗及预后提供重要的帮助。目前,对DCE-MRI信号分解的方法主要还是基于传统矩阵分解的方法,受噪声和初始化影响较大,没有利用好样本信息。本研究依据动力学房室模型,将DCE-MRI信号抽象为动力学信号模式的混合加权,使用深度学习的方法,通过样本训练从DCE-MRI影像中分解出各组织的增强信号模式,并依据肿瘤中不同信号模式的表达情况不同,尝试在信号模式与分子分型的之间建立关联。本论文的具体研究内容包括:(1)乳腺DCE-MRI影像分解的预处理:为实现肿瘤提取并缓解深度学习分割面临的假阳性和类不平衡问题,使用基于3D U-net的级联分割模型。先实现乳房分割,再基于乳房区域引导的策略和Dice损失函数完成肿瘤分割任务。较直接使用3D U-net进行全局分割,实现了更高的分割精度、更低的过分割率和欠分割率。经分割校准后,通过计算增强率、去噪、归一化等预处理,构建待分解的肿瘤影像矩阵。(2)基于深度学习的乳腺肿瘤影像分解模型:引入深度矩阵分解模型应用于乳腺肿瘤影像,通过样本训练和最小化均方误差损失函数,使信号模式矩阵与概率矩阵的乘积逼近输入影像矩阵。由实验获得如下结果:1)深度矩阵分解模型可以得到训练样本统一的信号模式。2)根据均方根误差评价指标,深度矩阵分解模型能取得与传统分解方法相近的效果。3)从信号模式曲线上看,分解得到了符合实际意义的信号模式,在不同的源信号数量假设下,分解出不同的信号模式。4)采用对影像序列插值的方法,增加影像时间分辨率,深度矩阵分解模型取得比传统分解方法更低的均方根误差,分解出的信号模式曲线更加平滑而不失特点。5)根据训练样本属性的不同,可以得到对应属性的信号模式。对数据按分子分型分组训练,分解出对应分型的信号模式,观察到Luminal A具有与其他分型的信号模式存在差异,为分子分型预测提供可能性。(3)基于影像分解的分子分型预测研究:模型分解得到的概率矩阵是肿瘤中不同信号模式表达情况的定量体现,隐含肿瘤组织信息。因此在概率矩阵中,根据信号模式表达情况提取统计特征。基于逻辑回归的单变量和多变量分析,研究信号模式与分子分型的关联性。结果表明信号模式的熵特征对Luminal A分型的预测具有显著性。在多变量模型中,深度矩阵分解在Luminal A分型预测任务上取得高于对比实验的预测结果。本文基于深度学习对乳腺肿瘤动态增强影像分解,得到信号模式矩阵和概率矩阵。在信号模式矩阵中观察肿瘤的增强信号模式,在概率矩阵中提取统计特征,描述肿瘤组织信息。结果证明信号模式特征与分子分型存在一定的关联性,实现了初步的分子分型预测研究。