研究目的
通过基于对比增强磁共振成像（DCE-MRI）分解的肿瘤内和瘤周影像组学分析及亚区分割来预测乳腺癌分子亚型。
研究成果
基于DCE-MRI信号CAM分解的影像组学分析能有效识别肿瘤内和瘤周亚区，提高乳腺癌分子亚型的预测准确性。肿瘤与实质亚区预测模型的融合达到了最高准确率（AUC=0.897），表明该无创亚型评估方法具有无需活检的临床应用潜力。未来研究需通过更多数据集和成像方式进行验证。
研究不足
图像分解方法需要较高的时间分辨率，在时间序列数据有限（少于三个增强后序列）的情况下难以实施。该研究未纳入弥散加权磁共振成像（DW-MRI）或T2加权成像等其他影像学模式进行验证。所研究的肿瘤尺寸均大于1厘米，未对较小肿瘤进行研究。该模型的稳健性需通过不同扫描方案进行验证。
1：实验设计与方法选择：
本研究采用回顾性诊断方法学，运用凸混合物分析（CAM）技术对DCE-MRI时间序列信号进行无监督分解，以识别肿瘤及周围实质内的亚区域。从这些亚区域提取影像组学特征，并采用随机森林模型结合留一法交叉验证（LOOCV）进行分类。
2：样本选择与数据来源：
数据集包含2013年1月至2014年7月期间经组织病理学确诊的211例浸润性乳腺癌女性患者。排除标准包括MR数据不完整、无免疫组化数据、既往接受治疗或无明显肿瘤病灶的患者。
3：实验设备与材料清单：
使用配备八通道乳腺阵列线圈的3.0-T磁共振成像系统（西门子医疗系统）。静脉注射钆布醇造影剂。数据分析采用MATLAB软件（2015a版，MathWorks公司）。
4：0-T磁共振成像系统（西门子医疗系统）。静脉注射钆布醇造影剂。数据分析采用MATLAB软件（2015a版，MathWorks公司）。 实验流程与操作步骤：
4. 实验流程与操作步骤：DCE-MRI检查包括1次平扫和5次增强扫描。图像预处理包含肿瘤标注、基于空间模糊C均值算法的分割及配准。应用CAM分解识别亚区域（血浆输入、快速流动力学、慢速流动力学）。提取影像组学特征（统计特征、纹理特征、形态特征），通过留一法嵌套交叉验证训练测试随机森林模型进行亚型预测。
5：数据分析方法：
统计分析包括χ2检验、Fisher精确检验、方差分析、Kruskal-Wallis检验（Bonferroni校正）。采用嵌套留一法交叉验证的随机森林分类，通过ROC曲线下面积（AUC）评估性能。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
MRI system
3.0-T
Siemens Medical Systems
Used for acquiring dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) of the breast.
-
Breast array coil
eight-channel
Siemens Medical Systems
Dedicated coil for breast MRI to improve image quality and signal reception.
-
Power injector
MR imaging-compatible
Used for intravenous injection of contrast agent during MRI.
-
Contrast agent
gadobutrol
Injected to enhance contrast in DCE-MRI for better visualization of vascular structures.
-
Software
MATLAB 2015a
MathWorks Inc.
Used for data analysis, including image processing, feature extraction, and statistical analysis.
-
登录查看剩余3件设备及参数对照表
查看全部
