论文部分内容阅读
目前,乳腺癌已成为威胁全世界女性身体健康最严重的癌症之一,特别是恶性肿瘤可能会出现淋巴结转移扩散的情况,这将大大降低患者的生存率。因此,确定区域淋巴结(Region Lymph Node,RLN)是否发生转移是对患恶性肿瘤的乳腺癌病人进行手术规划的重要因素。目前临床上通常是通过活检手术确定RLN状态的,但这种侵入式的手段会给患者带来很大的伤害。动态增强磁共振成像(Dynamic Contrast-Enhanced Magnetic Resonance Imaging,DCE-MRI)作为乳腺癌术前检查中最先进和最常用的方法,已在临床检查和诊断中得到了广泛应用。同时,影像组学(Radiomics)也因为能以非侵入性的方式从原始医学图像中提取特征信息用于分析,为术前、无创、精准地诊断乳腺癌区域淋巴结转移情况提供了可能。为了解决术前预测乳腺癌DCE-MRI图像中RLN是否发生转移的问题,本文通过研究乳腺癌DCE-MRI图像的固有特性,结合深度学习在影像组学中的应用,设计并实现了卷积组学分析模型、卷积组学集成模型以及多尺寸CNN-LSTM集成模型。具体来说,本文的工作主要包括以下几点:(1)设计并实现了一种卷积组学分析(Convolutional Radiomics Analysis,CRA)模型来预测乳腺癌单期DCE-MRI图像的区域淋巴结转移情况。此外,还研究了不同感兴趣区域(Region Of Interest,ROI)对预测性能的影响。模型在测试集中取得的AUC值为0.888,结果证明了CRA模型在区分有RLN转移的乳腺癌患者和无RLN转移的乳腺癌患者中具有可行性和有效性,并且这也是我们尝试将深度学习的方法应用到乳腺癌DCE-MRI图像的区域淋巴结诊断中。(2)为了利用DCE-MRI的多期图像信息预测乳腺癌RLN转移情况,提出并实现了一种卷积组学集成(Convolutional Radiomics Ensemble,CRE)模型。该模型应用了绝对多数投票思想,将多期图像数据通过多个卷积学习模型的结果进行聚合,从而达到了利用乳腺癌多期DCE-MRI进行RLN转移预测的目的。模型在测试集中取得的AUC值为0.909,结果证明了该方法可有效地对乳腺癌RLN是否发生转移进行分类,且模型性能优于只使用了单期图像的CRA。(3)基于DCE-MRI多期图像间的时序信息,设计并实现了一种多尺寸CNN-LSTM集成模型来预测乳腺癌RLN转移情况。该模型是一个端到端的深度集成网络,在网络中使用卷积神经网络(Convolutional Neural Networks,CNN)提取图像特征,并结合长短期记忆(Long-Short Time Memory,LSTM)模型来融合多期时序图像间的特征信息,同时采用多尺寸ROI聚合的策略以提升模型预测的准确度。最终模型在测试集中取得了0.927的AUC值,结果表明该方法可很好地利用DCE-MRI多期图像间的时序信息对乳腺癌RLN是否发生转移进行分类,达到了目前最好的分类预测效果。综上,本文所有的工作都围绕预测乳腺癌DCE-MRI区域淋巴结的转移情况展开,为后续影像组学在乳腺癌术前分析中的应用提供了方法参考,为乳腺癌的临床研究起到了推动作用。