文章简介
本文来源：《中华放射学杂志》，年，第8期，第54卷，第-页.
本文作者：张庆庄治国耿小川所世腾华佳许建荣
乳腺癌是女性最常见的恶性肿瘤和癌症死亡原因[1]。MRI是乳腺病变的重要检查手段，联合运用动态增强MRI(dynamiccontrast-enhancedmagneticresonanceimaging,DCE-MRI)和扩散加权成像(duffusionweightedimaging,DWI)诊断乳腺癌灵敏度和特异度高[2,3]。临床上早期诊断T1期小乳腺癌(最大径≤20mm)具有重要意义，不仅会影响治疗方案的制定，还能显著提高预后[4]。
T1N0M0期乳腺癌5年相对生存率高达97%-%，而T4M0期仅为55%-71%[5]。随着影像组学的兴起，有研究发现基于乳腺MRI的影像组学模型可用于乳腺良恶性病灶的鉴别诊断，但是较小体积的病灶可能导致某些影像组学特征提取困难，影响分析结果[6,7,8,9,10,11,12]。
因此，本研究旨在探究基于DCE-MRI和DWI图像建立影像组学模型对小乳腺癌的诊断效能，并与放射科医师评估结果进行对比分析。
资料与方法
?一般资料
回顾性分析年6月至年1月上海交通大医院符合以下标准的女性患者。纳入标准：①经手术病理证实的乳腺小病灶(最大径≤20mm)；②术前行乳腺MRI检查；③手术和MRI检查间隔不超过4周。排除标准：①图像质量不佳，不能用于分析；②DWI图像上病灶显示不明显；③MRI检查前进行过穿刺活检、化学治疗、放射治疗或乳腺肿块切除术等治疗。
共入组例患者，例为单乳单发病灶，7例双侧乳房各1个病灶，6例为单侧乳房2个病灶，共个病灶。个病灶中恶性病灶86个，包括导管原位癌21个、浸润性导管癌47个、浸润性小叶癌12个、黏液癌5个、神经内分泌癌1个；良性病灶个，包括纤维腺瘤46个、纤维囊性变24个、局灶性纤维化16个、腺病10个、乳头状瘤13个、非典型导管增生5个、其他(假血管瘤样间质增生、肌纤维母细胞瘤、脂肪坏死等)5个。
为更好地验证模型的泛化性能，本研究以入组时间为标准，将所有患者按照6∶4的比例分为训练集和测试集。训练集：入组时间年6月至年5月，共例患者，个病灶，年龄26~81岁，中位年龄56岁；测试集：入组时间年6月至年1月，共85例患者，89个病灶，年龄24-80岁，中位年龄55岁。
医院伦理委员会批准，所有患者均签署知情同意书(RA--)。
?MRI检查方法
采用荷兰PhilipsAchieva3.0TMRI扫描仪，4通道专用乳腺相控阵线圈。患者取俯卧位，双乳自然悬垂于线圈内。扫描序列和参数:①横轴面T1WI：重复时间(repetitiontime,TR)ms，回波时间(echotime,TE)8ms，矩阵×，层厚3mm；②横轴面T2WI：TRms，TEms，矩阵×，层厚3mm；③矢状面T2WI脂肪抑制：采用精准频率反转恢复序列，TRms，TE60ms，矩阵×，层厚4mm；④DWI：采用单次激发自旋回波平面回波成像序列，TRms，TE85ms，矩阵×，层厚3mm，激励次数3，b=0、s/mm2；⑤横轴面DCE-MRI：采用T1高分辨率各向同性容积激发序列，TR4.7ms，TE2.3ms，矩阵×，层厚2mm。对比剂使用钆喷替酸葡甲胺，剂量0.1mmol/kg，注射流率2.0ml/s，并以相同流率注入20ml生理盐水冲管。对比剂注射前先扫描1个时相，对比剂注入结束后即刻开始连续扫描5个时相，每一时相间隔61s。
?影像组学分析
将所有患者的DCE-MRI和DWI图像传输至个人计算机，编写Matlab和Python3.6代码分别进行图像预处理和影像组学分析。图像预处理包括：插值和配准。
影像组学分析包括：①病灶分割：运用半自动病灶分割法，由1名具有5年乳腺MRI诊断经验的放射科医师在DCE-MRI图像上利用长方体边界框包含所有层面上的病灶部分，与此同时，相对应的DWI图像上的病灶也被长方体边界框包含。迭代图割和k-均值聚类算法分别用于DCE-MRI和DWI图像上的病灶分割；②特征提取：分割后的病灶共提取个影像学特征，包括58个形态学特征、个纹理特征、7个血流动力学特征以及8个表观扩散系数(apparentdiffusioncoefficient,ADC)特征；③建立预测模型：基于scikit-learn0.19.2.程序包(