乳腺癌是一種高發(fā)性的惡性腫瘤,美國癌癥協(xié)會(ACS)數(shù)據(jù)顯示,乳腺癌新增患者數(shù)量總體呈上升趨勢,且一直高居女性惡性腫瘤發(fā)病率首位。通過對基因表達(dá)譜的研究發(fā)現(xiàn),乳腺癌具有不同的分子亞型,不同分子亞型的患者在預(yù)后反應(yīng)和生存結(jié)果上均有顯著差異。乳腺癌除了個(gè)體之間的差異外,其腫瘤內(nèi)部也是高度異質(zhì)的。目前醫(yī)院主要通過活檢穿刺獲取患者的病理信息,由于對腫瘤不同區(qū)域進(jìn)行取樣的結(jié)果可能不盡相同,給疾病診斷和治療帶來誤判的隱患,并且活檢穿刺對人體具有侵入式傷害,無法通過多次活檢對腫瘤內(nèi)部的異質(zhì)性進(jìn)行描述。動態(tài)增強(qiáng)磁共振成像(Dynamic Contrast-Enhanced Magnetic Resonance Imaging,DCEMRI)技術(shù)因其軟組織高分辨率和動力學(xué)信息被廣泛應(yīng)用。本論文利用DCE-MRI的動力學(xué)信息,對乳腺腫瘤異質(zhì)性區(qū)域分割方法進(jìn)行研究,對腫瘤內(nèi)部的異質(zhì)性進(jìn)行描述。Ki-67是乳腺癌診斷治療和預(yù)后評價(jià)的重要指標(biāo)之一,所以本文通過乳腺腫瘤的異質(zhì)性研究對Ki-67表達(dá)進(jìn)行預(yù)測。目前,乳腺DCE-MRI影像特征與Ki-67表達(dá)的關(guān)聯(lián)研究主要都針對整個(gè)腫瘤進(jìn)行分析,異質(zhì)性區(qū)域特征與基因表達(dá)的關(guān)聯(lián)研究甚少。本論文通過乳腺DCE-MRI動力學(xué)參數(shù)的不同,對腫瘤進(jìn)行異質(zhì)性區(qū)域分割和異質(zhì)性描述,同時(shí)對異質(zhì)性區(qū)域與整體腫瘤區(qū)域進(jìn)行對比分析,探討定量的異質(zhì)性區(qū)域研究是否能夠?qū)崿F(xiàn)對ER陽性患者Ki-67表達(dá)更加準(zhǔn)確的預(yù)測,具體研究內(nèi)容如下:(1)數(shù)據(jù)篩選:結(jié)合本論文的研究目的對數(shù)據(jù)進(jìn)行篩選,統(tǒng)計(jì)實(shí)驗(yàn)樣本的基本信息,包括年齡、絕經(jīng)情況、病灶大小等,通過卡方檢驗(yàn)和方差分析研究患者基本信息對Ki-67表達(dá)的影響。(2)影像處理與特征提取:利用計(jì)算機(jī)半自動方法對DCE-MRI提取病灶區(qū)域,通過DCEMRI的動力學(xué)信息對腫瘤進(jìn)行異質(zhì)性區(qū)域分割,分割依據(jù)有:1)達(dá)到峰值時(shí)間(Time to Peak,TTP);2)峰值增強(qiáng)率(Peak Enhancement Rate,PER);3)動力學(xué)模式聚類(Kinetic Pattern Clustering,KPC)。對分割后的異質(zhì)性區(qū)域和整體腫瘤分別提取紋理特征、形態(tài)特征、統(tǒng)計(jì)特征和增強(qiáng)特征。其中對紋理特征進(jìn)行提取時(shí),分別提取二維紋理特征和三維紋理特征進(jìn)行對比分析。(3)基于異質(zhì)性區(qū)域特征的Ki-67預(yù)測表達(dá)研究:從單變量和多變量兩個(gè)角度設(shè)計(jì)邏輯回歸分類模型,繪制受試者工作特征曲線(Receiver Operating Characteristic Curve,ROC曲線)并計(jì)算對應(yīng)曲線下的面積(Area Under ROC Curve,AUC)。考慮到異質(zhì)性區(qū)域之間的相互聯(lián)系,對異質(zhì)性區(qū)域構(gòu)建的分類器進(jìn)行模型融合。最后利用Bootstrap計(jì)算顯著性P值,分析融合后模型是否顯著優(yōu)于整體病灶所構(gòu)建的模型,并計(jì)算精確率(Precision)、召回率(Recall)、F1-Measure和正確率(Accuracy)等指標(biāo)對模型進(jìn)行綜合評估。本文基于DCE-MRI對乳腺腫瘤異質(zhì)性分割方法進(jìn)行研究,對異質(zhì)性區(qū)域特征與Ki-67表達(dá)的預(yù)測模型進(jìn)行了構(gòu)建。實(shí)驗(yàn)表明,異質(zhì)性區(qū)域的紋理特征顯著優(yōu)于整體病灶。通過分類器融合后,異質(zhì)性區(qū)域的分類模型在各個(gè)指標(biāo)上均優(yōu)于整體腫瘤所對應(yīng)的模型。其中,利用TTP分割后的異質(zhì)性區(qū)域模型,通過融合后AUC為0.922±0.030,遠(yuǎn)大于整體腫瘤的預(yù)測性能(AUC=0.802±0.053),利用Bootstrap進(jìn)行顯著性檢驗(yàn),結(jié)果顯示P-value=0.04,所以實(shí)驗(yàn)證明:乳腺腫瘤異質(zhì)性的定量分析能夠顯著提高Ki-67表達(dá)預(yù)測的準(zhǔn)確率,可能是一個(gè)有價(jià)值的臨床標(biāo)志。
【學(xué)位單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：R737.9;R445.2
【部分圖文】：

照峰值時(shí)間分割(TTP)E-MRI 通過不同時(shí)間點(diǎn)斷層掃描，采集過程中要求患者保持位置不動，3.0一個(gè)蒙片序列，即注射造影劑之前拍攝一個(gè)序列，隨后采集五個(gè)時(shí)間點(diǎn)的增體素對應(yīng)六個(gè)時(shí)間點(diǎn)的值，通過對分割后的病灶進(jìn)行矩陣轉(zhuǎn)換，將三維病時(shí)間點(diǎn)代表一列數(shù)據(jù)，最終所有的病灶像素點(diǎn)轉(zhuǎn)換成一個(gè) N×6 的二維矩陣具體處理過程如圖 3.2 所示。早期<2min時(shí)間(t)快速中等緩慢延遲期平臺型(II)廓清型(III)時(shí)間(t)TTP(a) TIC 曲線類型 (b) TIC 曲線參數(shù)圖 3.1 TIC 曲線

14方法后期將會進(jìn)行詳細(xì)介紹)，計(jì)算單特征的 AUC(AreaunderROCCurve)值，統(tǒng)計(jì)單特征 AUC值大于 0.65 的個(gè)數(shù)，以此作為評價(jià)閾值好壞的標(biāo)準(zhǔn)，圖 3.4 列出了不同閾值對應(yīng)單特征 AUC大于 0.65 個(gè)數(shù)的熱圖。從實(shí)驗(yàn)結(jié)果可以看出，當(dāng) Vlow=0.72 和 Vhigh=1.23 時(shí)，單特征超過 0.65的個(gè)數(shù)最多，所以就將這兩個(gè)值作為圖像分割的閾值。圖 3.4 閾值分割效果評價(jià)圖通過迭代的方法確定了最優(yōu)的閾值，按照圖 3.5(a)的分割標(biāo)準(zhǔn)進(jìn)行病灶分割，圖 3.5(b)列出了患者一張切片的分割結(jié)果。早期<2min強(qiáng)化率(SI,%)HighModerateLowHighModerateLow(a) 分割標(biāo)準(zhǔn) (b)分割效果圖圖 3.5 PER 異質(zhì)性區(qū)域分割3.4 按照動力學(xué)模式聚類(KPC)時(shí)間強(qiáng)度曲線的曲線形態(tài)即動力學(xué)模式(kineticpattern)也能夠反應(yīng)出病灶良惡性程度。一般時(shí)間強(qiáng)度曲線呈現(xiàn)出快速增強(qiáng)快速降低的變化規(guī)律，惡性程度高；如果時(shí)間強(qiáng)度曲線持續(xù)

杭州電子科技大學(xué)碩士學(xué)位論文3.4.2 K-means 聚類K-means 是一種典型的基于距離的無監(jiān)督聚類方法。對于 K-means 有幾個(gè)影響實(shí)驗(yàn)結(jié)果的重要指標(biāo)： 1）初始聚類中心的選��；2）距離度量；3）異常數(shù)據(jù)；4）聚類中心 K 值確定，下面介紹本項(xiàng)目針對指標(biāo)進(jìn)行的優(yōu)化。3.4.2.1 初始聚類中心不同于 AP 算法，K-means 的聚類效果與初始聚類中心有很大關(guān)聯(lián)。為了使聚類效果更佳，避免因初始聚類中心的影響，對傳統(tǒng) K-means 隨機(jī)選取 K 個(gè)聚類中心的方法進(jìn)行改進(jìn)，主要流程如下：1）先在所有體素中隨機(jī)選取一點(diǎn)作為一個(gè)聚類中心；2）計(jì)算剩余體素點(diǎn)與已知聚類中心距離之和，將距離最遠(yuǎn)的體素點(diǎn)作為另一聚類中心；3）依次按步驟 2）迭代直至找到 K 個(gè)聚類中心點(diǎn)為止。本研究通過隨機(jī)產(chǎn)生五個(gè)二元正太高斯分布數(shù)據(jù)進(jìn)行驗(yàn)證，其中不同顏色代表不同類別，圖 3.6(a)為隨機(jī)產(chǎn)生五個(gè)初始聚類中心的實(shí)驗(yàn)效果圖，圖 3.6(b)為優(yōu)化后依次迭代選取聚類中心的方法，從實(shí)驗(yàn)效果看，優(yōu)化后的方法具有更突出的聚類效果。
【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 王巧英;曾曉霞;祝青;魏清榮;;磁共振造影劑的研究進(jìn)展[J];現(xiàn)代生物醫(yī)學(xué)進(jìn)展;2013年16期

2 楊壹羚;褚嘉祐;王明榮;;腫瘤遺傳異質(zhì)性[J];遺傳;2013年01期

3 楊傳慧;吉根林;章志剛;;AP算法在圖像聚類中的應(yīng)用研究[J];計(jì)算機(jī)與數(shù)字工程;2012年10期

4 李雪迎;;診斷能力評價(jià)的統(tǒng)計(jì)學(xué)方法——準(zhǔn)確度與約登指數(shù)[J];中國介入心臟病學(xué)雜志;2011年04期

5 計(jì)智偉;胡珉;尹建新;;特征選擇算法綜述[J];電子設(shè)計(jì)工程;2011年09期

6 王儉臣;單甘霖;張岐龍;段修生;;基于改進(jìn)SVM-RFE的特征選擇方法研究[J];微計(jì)算機(jī)應(yīng)用;2011年02期

相關(guān)碩士學(xué)位論文 前1條

1 詹林強(qiáng);模式識別中的特征選擇與評價(jià)方法研究[D];天津科技大學(xué);2012年

本文編號：2843640