乳腺组织动态增强影像分解分析及其在分子亚型预测中的应用

发布时间：2020-05-15 21:32

【摘要】：近年来乳腺癌的发病率逐年增长,影响患者健康乃至危害患者生命。临床中经活检穿刺,用免疫组织化学法将乳腺癌鉴定为4种分子亚型,以指导个体化治疗及预后分析。在探索无创伤、高效率的新型鉴定方法过程中,有研究表明影像特征是潜存的分子亚型标记物。然而恶性肿瘤具有高度的异质性,异质性不仅仅体现于不同肿瘤之间,更多地隐含于同一肿瘤内部,并且随时间演化,它可能阻碍乳腺癌分子亚型的准确鉴定。为解析瘤内血流异质性与分子亚型的关联关系,本研究基于动力学房室模型对乳腺动态增强磁共振影像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)进行分解分析。动力学房室模型中有多种组织类型,各组织的血流活动混合构成DCE-MRI信号。由于组织异质性的影响和图像分辨率的限制,在DCE-MRI中呈现的血流活动区既包含各组织独立区域,也包含组织间共享区域,每一组织的独立区与共享区共同构成该组织血流活动完整区域。本研究将乳腺组织DCE-MRI混合信号分解为3个组织的血流活动子分量,各组织血流活动完整区域称之为子分量主区,独立区域称为子分量纯净区,共享区域称为子分量混叠区。与其它乳腺DCE-MRI聚类分区法对比,结果表明从子分量主区DCE-MRI序列中提取的影像特征与分子亚型关联性最强,以其为属性构建的随机森林预测模型效果最佳。本论文的具体研究内容包括:(1)乳腺癌患者临床信息与分子亚型的关联性分析统计患者的临床信息,包括患者年龄、癌症种类、肿瘤最大径及经期状态。根据分子亚型的不同将病例分成4组,利用χ2、Fisher、ANOVA等检验方法分析临床信息的组间差异。该分析并未发现与分子亚型显著相关的临床先验信息。(2)乳腺感兴趣区DCE-MRI凸分析方法分解及其它方法聚类分区根据DCE-MRI成像特点,结合乳房断层解剖结构,通过人-机结合的方式精细分割肿瘤及基质区域后,用两种方式对其进行分区:1)依据动力学房室模型用凸分析方法对感兴趣区域DCE-MRI进行分解,确定各组织DCE-MRI的子分量主区、纯净区及混叠区。2)依据时间-强度曲线(time-intensity curve,TIC)用其它方法对感兴趣区域DCE-MRI进行聚类分区,确定其子区域以供对比分析。(3)乳腺组织子分量区域影像特征与分子亚型的关联性分析提取肿瘤及基质子分量区域影像特征,包括DCE-MRI序列的统计特征及纹理特征。利用Logistic回归分析单个影像特征与分子亚型的关联性;根据子分量区域的高关联影像特征数,定量评价该区与分子亚型的关联度,并与其它聚类分区进行对比。该分析结果表明乳腺肿瘤子分量主区与分子亚型的关联性最强。(4)乳腺组织DCE-MRI子分量区域影像特征预测分子亚型基于随机森林算法以乳腺组织不同子分量区的影像特征为属性,构建多种分子亚型预测模型,对模型预测效果进行评价与对比。结果表明肿瘤子分量主区对分子亚型预测效果最好,显著高于未分解肿瘤整体区域及其它聚类分区法确定的子区域;肿瘤与基质子分量主区的预测模型相融合,对分子亚型的预测性能显著提高。通过对比实验证明,异质性乳腺组织DCE-MRI子分量主区影像特征与分子亚型的关联性最强,以其为属性构建的随机森林预测模型效果最佳。乳腺组织DCE-MRI分解分析方法能为临床中鉴定分子亚型提供更有效的影像信息,是潜在的分子亚型影像标记。
【图文】：

影像,工分,亚型,内容

探索新型分子亚型标记物成为国内外研究热点。随着医学成像技术的不断革新和影逡逑像分析方法的相继进步，影像特征与分子亚型的关联性研究受到国内外学者的关注［３１＿３７］。逡逑Ｍａｃｉｅｊ等［３６］基于ＤＣＥ－ＭＲＩ研究了肿瘤及背景实质组织的增强特征，揭示出ＤＣＥ－ＭＲＩ影像逡逑特征与Ｌｕｍｉｎａｌ邋Ｂ型乳腺癌存在关联性。Ｓｈａｎｎｏｎ等［３５］利用ＤＣＥ－ＭＲＩ影像特征设计／邋Ｂａｓａｌ－逡逑ｌｉｋｅ乳腺癌识别模型，其方法对良性病变和Ｂａｓａｌ－ｌｉｋｅ的识别能力最强，但从多种亚型乳腺癌逡逑中识别Ｂａｓａｌ－ｌｉｋｅ的能力较低。ＭｉｎｇＦａｎ等［３２］提取了乳腺肿瘤ＤＣＥ－ＭＲＩ的纹理特征，研究了逡逑影像纹理特征与分子亚型标记物Ｋｉ－６７的关联性，指出肿瘤内异质性纹理分析是潜在的乳腺逡逑癌临床标记物。逡逑乳腺影像特征与分子亚型的关联性研究虽已有一定进展，但由于乳腺癌的异质性和复杂逡逑性，目前研究设计的乳腺癌分子亚型预测模型仍不能达到实际临床要求。逡逑１．４主要内容及创新点逡逑为提高用影像特征分析方法预测乳腺癌分子亚型的能力，给乳腺癌的个体化诊治提供科逡逑学依据，本研究对乳腺组织动态增强影像进行分解及分析，并将其应用于乳腺癌分子亚型的逡逑预测。课题获得了国家自然基金重点项目及国家自然基金面上项目的经费资助。逡逑逦

示意图,感兴趣区域,模式,示意图

兴趣区域包含的体素数量，，Ｓ等增强序列数（本数据中Ｓ＝５）。依据式（２．１）算出感兴趣区域ＤＣＥ－逡逑ＭＲＩ每一体素的ＴＩＣ（ｉ），感兴趣区域中每个ＴＩＣ（ｉ）求和取平均即可得到感兴趣区域的ＴＩＣ。逡逑临床诊断中常见的ＴＩＣ模式有三种类型［２８］，见图２．１（ｂ）。Ｉ型：在整个造影动态检测过程逡逑中磁共振信号缓慢持续增强；ＩＩ型：造影早期磁共振信号明显增强，达到峰值后信号强度在逡逑一段时间内保持不变，动态检测过程中呈现平台曲线趋势；ＩＩＩ：造影早期磁共振信号快速增逡逑强，而达到峰值后信号强度相对降低，在动态检测过程中呈现快速流入流出曲线趋势。图２．１（ａ）逡逑和２．１（ｂ）为乳腺ＤＣＥ－ＭＲＩ序列中３个感兴趣区域及其ＴＩＣ模式示意图：逡逑ｔ逦（ａ）逦（ｂ）逡逑三种邋ＴＩＣ模式逡逑强度逦／、、逦—区域邋１逡逑極：福逦／逦＼逦－－区域２逡逑＼邋＇逦入逦一八邋—逦？？逦＼逦■邋■？区域３逡逑ｆ邋邋逦逦—一时—间（！逡逑３０0＼时间（ｓ）逦0邋６０逦１２０逦１８０逦２４０逦３００逡逑图２．１感兴趣区域及其ＴＩＣ模式示意图逡逑２．３病例分子临床信息统计分析逡逑２．３．１病例临床信息统计逡逑本课题所用实验数据来源于某省级三甲医院，乳腺癌患者的敏感隐私信息己被移除。原逡逑始共采集了邋６０５例诊治时间在２０１２年９月－２０１６年５月的乳腺癌患者。去除其中无免疫组化逡逑信息２７８例，ＤＣＥ－ＭＲＩ序列不全７１例，肿瘤治疗后进行ＤＣＥ－ＭＲＩ检查２０例，影像无明显逡逑异常或病灶不可见２６例，课题对剩下的２１０例乳腺癌患者进行了回顾性研宄。逡逑通过患者的病理报告发现
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R737.9;R445.2

【参考文献】