基于DCE-MRI的乳腺肿瘤异质性区域分割方法及其在Ki-67表达预测中应用

发布时间：2020-10-16 18:55

　　 乳腺癌是一种高发性的恶性肿瘤,美国癌症协会(ACS)数据显示,乳腺癌新增患者数量总体呈上升趋势,且一直高居女性恶性肿瘤发病率首位。通过对基因表达谱的研究发现,乳腺癌具有不同的分子亚型,不同分子亚型的患者在预后反应和生存结果上均有显著差异。乳腺癌除了个体之间的差异外,其肿瘤内部也是高度异质的。目前医院主要通过活检穿刺获取患者的病理信息,由于对肿瘤不同区域进行取样的结果可能不尽相同,给疾病诊断和治疗带来误判的隐患,并且活检穿刺对人体具有侵入式伤害,无法通过多次活检对肿瘤内部的异质性进行描述。动态增强磁共振成像(Dynamic Contrast-Enhanced Magnetic Resonance Imaging,DCEMRI)技术因其软组织高分辨率和动力学信息被广泛应用。本论文利用DCE-MRI的动力学信息,对乳腺肿瘤异质性区域分割方法进行研究,对肿瘤内部的异质性进行描述。Ki-67是乳腺癌诊断治疗和预后评价的重要指标之一,所以本文通过乳腺肿瘤的异质性研究对Ki-67表达进行预测。目前,乳腺DCE-MRI影像特征与Ki-67表达的关联研究主要都针对整个肿瘤进行分析,异质性区域特征与基因表达的关联研究甚少。本论文通过乳腺DCE-MRI动力学参数的不同,对肿瘤进行异质性区域分割和异质性描述,同时对异质性区域与整体肿瘤区域进行对比分析,探讨定量的异质性区域研究是否能够实现对ER阳性患者Ki-67表达更加准确的预测,具体研究内容如下:(1)数据筛选:结合本论文的研究目的对数据进行筛选,统计实验样本的基本信息,包括年龄、绝经情况、病灶大小等,通过卡方检验和方差分析研究患者基本信息对Ki-67表达的影响。(2)影像处理与特征提取:利用计算机半自动方法对DCE-MRI提取病灶区域,通过DCEMRI的动力学信息对肿瘤进行异质性区域分割,分割依据有:1)达到峰值时间(Time to Peak,TTP);2)峰值增强率(Peak Enhancement Rate,PER);3)动力学模式聚类(Kinetic Pattern Clustering,KPC)。对分割后的异质性区域和整体肿瘤分别提取纹理特征、形态特征、统计特征和增强特征。其中对纹理特征进行提取时,分别提取二维纹理特征和三维纹理特征进行对比分析。(3)基于异质性区域特征的Ki-67预测表达研究:从单变量和多变量两个角度设计逻辑回归分类模型,绘制受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC曲线)并计算对应曲线下的面积(Area Under ROC Curve,AUC)。考虑到异质性区域之间的相互联系,对异质性区域构建的分类器进行模型融合。最后利用Bootstrap计算显著性P值,分析融合后模型是否显著优于整体病灶所构建的模型,并计算精确率(Precision)、召回率(Recall)、F1-Measure和正确率(Accuracy)等指标对模型进行综合评估。本文基于DCE-MRI对乳腺肿瘤异质性分割方法进行研究,对异质性区域特征与Ki-67表达的预测模型进行了构建。实验表明,异质性区域的纹理特征显著优于整体病灶。通过分类器融合后,异质性区域的分类模型在各个指标上均优于整体肿瘤所对应的模型。其中,利用TTP分割后的异质性区域模型,通过融合后AUC为0.922±0.030,远大于整体肿瘤的预测性能(AUC=0.802±0.053),利用Bootstrap进行显著性检验,结果显示P-value=0.04,所以实验证明:乳腺肿瘤异质性的定量分析能够显著提高Ki-67表达预测的准确率,可能是一个有价值的临床标志。
【学位单位】：杭州电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R737.9;R445.2
【部分图文】：

照峰值时间分割(TTP)E-MRI 通过不同时间点断层扫描，采集过程中要求患者保持位置不动，3.0一个蒙片序列，即注射造影剂之前拍摄一个序列，随后采集五个时间点的增体素对应六个时间点的值，通过对分割后的病灶进行矩阵转换，将三维病时间点代表一列数据，最终所有的病灶像素点转换成一个 N×6 的二维矩阵具体处理过程如图 3.2 所示。早期<2min时间(t)快速中等缓慢延迟期平台型(II)廓清型(III)时间(t)TTP(a) TIC 曲线类型 (b) TIC 曲线参数图 3.1 TIC 曲线

14方法后期将会进行详细介绍)，计算单特征的 AUC(AreaunderROCCurve)值，统计单特征 AUC值大于 0.65 的个数，以此作为评价阈值好坏的标准，图 3.4 列出了不同阈值对应单特征 AUC大于 0.65 个数的热图。从实验结果可以看出，当 Vlow=0.72 和 Vhigh=1.23 时，单特征超过 0.65的个数最多，所以就将这两个值作为图像分割的阈值。图 3.4 阈值分割效果评价图通过迭代的方法确定了最优的阈值，按照图 3.5(a)的分割标准进行病灶分割，图 3.5(b)列出了患者一张切片的分割结果。早期<2min强化率(SI,%)HighModerateLowHighModerateLow(a) 分割标准 (b)分割效果图图 3.5 PER 异质性区域分割3.4 按照动力学模式聚类(KPC)时间强度曲线的曲线形态即动力学模式(kineticpattern)也能够反应出病灶良恶性程度。一般时间强度曲线呈现出快速增强快速降低的变化规律，恶性程度高；如果时间强度曲线持续

杭州电子科技大学硕士学位论文3.4.2 K-means 聚类K-means 是一种典型的基于距离的无监督聚类方法。对于 K-means 有几个影响实验结果的重要指标： 1）初始聚类中心的选取；2）距离度量；3）异常数据；4）聚类中心 K 值确定，下面介绍本项目针对指标进行的优化。3.4.2.1 初始聚类中心不同于 AP 算法，K-means 的聚类效果与初始聚类中心有很大关联。为了使聚类效果更佳，避免因初始聚类中心的影响，对传统 K-means 随机选取 K 个聚类中心的方法进行改进，主要流程如下：1）先在所有体素中随机选取一点作为一个聚类中心；2）计算剩余体素点与已知聚类中心距离之和，将距离最远的体素点作为另一聚类中心；3）依次按步骤 2）迭代直至找到 K 个聚类中心点为止。本研究通过随机产生五个二元正太高斯分布数据进行验证，其中不同颜色代表不同类别，图 3.6(a)为随机产生五个初始聚类中心的实验效果图，图 3.6(b)为优化后依次迭代选取聚类中心的方法，从实验效果看，优化后的方法具有更突出的聚类效果。
【参考文献】

相关期刊论文 前6条

1 王巧英;曾晓霞;祝青;魏清荣;;磁共振造影剂的研究进展[J];现代生物医学进展;2013年16期

2 杨壹羚;褚嘉祐;王明荣;;肿瘤遗传异质性[J];遗传;2013年01期

3 杨传慧;吉根林;章志刚;;AP算法在图像聚类中的应用研究[J];计算机与数字工程;2012年10期

4 李雪迎;;诊断能力评价的统计学方法——准确度与约登指数[J];中国介入心脏病学杂志;2011年04期

5 计智伟;胡珉;尹建新;;特征选择算法综述[J];电子设计工程;2011年09期

6 王俭臣;单甘霖;张岐龙;段修生;;基于改进SVM-RFE的特征选择方法研究[J];微计算机应用;2011年02期

相关硕士学位论文 前1条

1 詹林强;模式识别中的特征选择与评价方法研究[D];天津科技大学;2012年

本文编号：2843640