磁共振纹理动态特征鉴别乳腺良恶性肿块

2017-10-24林帆胡若凡梁超余娟刘侠静雷益

放射学实践 2017年10期

关键词：特征

林帆，胡若凡，梁超，余娟，刘侠静，雷益

·乳腺影像学·

磁共振纹理动态特征鉴别乳腺良恶性肿块

林帆，胡若凡，梁超，余娟，刘侠静，雷益

目的提取乳腺病灶的时空变化特征作为新的DCE-MRI标记(称为纹理动态特征)并证明其鉴别良恶性肿块的能力。方法回顾性分析52个乳腺肿块，其中恶性肿瘤30个，良性肿块22个，提取并对动态特征信号强度特征、纹理特征、形态特征、边缘特征进行分组。为了更好评估这些特征，采用不同的特征类建立分组模型，计算正确率，敏感度，特异性及曲线下面积(AUC)。结果结合纹理动态特征所建立的良恶性肿瘤分类器具有最大的AUC=0.94，准确率90%，敏感度92%，特异性85%，优于其他各组分类器，与信号强度特征所建立的模型差异有统计学意义(AUC=0.80,P<0.05)。结论磁共振纹理动态特征有助于鉴别良恶性肿块，甚至优于临床上最流行的DCE-MRI标记信号强度动态特征。

磁共振成像；纹理；乳腺肿瘤；人工智能

乳腺动态磁共振增强扫描(dynamic contrast-enhanced magnetic resonance imaging，DCE)已成为临床常规检查手段，通过测量信号强度的动态变化(如时间-信号强度曲线)来分析病灶的血流动力学[1-3]。然而根据乳腺BI-BADS分级的要求和实际工作经验，除了信号强度以外，病灶内部纹理特征、边缘特征等随时间的变化同样重要[4]。动态增强图像去分析这些特征，耗费时间和精力[5-10]，并容易出错。

因此，本文拟采取计算机辅助的方法解决问题，通过图像处理算法提取乳腺病灶内部及边缘等的动态变化特征，然后基于机器学习的方法进行良恶性样本训练，筛选出诊断良恶性病变最有价值的特征，从而成为DCE-MRI新的标记。