目的 探讨基于数字乳腺断层摄影(DBT)图像内纹理特征建立深度学习分类模型,对肿块型病变良恶性进行鉴别的可行性.方法 回顾性分析2016年1月至12月南方医科大学南方医院,经病理确诊、行DBT检查的乳腺单纯肿块型病变患者132例,其中良性病变89例,恶性病变43例.活检与手术前均常规行DBT检查,拍摄头尾位(CC)及内外斜位(MLO)图像.采用图像分割软件ITK-SNAP,对肿块病变区域进行勾画,获取靶区.勾画完成的图像代入建模软件MATLAB R2015b中,建立特征模型提取纹理特征,使用费舍尔得分法及单样本t检验选取相关性高的特征.在所提取的纹理特征的基础上建立初步支持向量机(SVM)分类模型,再对分类模型加入神经网络模型(CNN)建立深度学习分类模型.将所得病例简单抽样随机分组,建立训练组及验证组,获取患者良、恶性结果,对其进行分析.采用ROC评价分类模型鉴别诊断乳腺良恶性病变的效能.结果 132例病变图像中,CC位132幅,MLO位及补充体位132幅.建立乳腺肿块型病变深度学习分类模型,共提取82个纹理特征,有统计学意义特征共15个.将15个特征随机抽取,进行组合代入模型内,利用SVM分类器进行良恶性判别,在此结果基础上对每种特征组合进行50次迭代,获取其平均诊断效能并进行对比,选取效能高者,CC位选出9个特征,MLO位选出8个特征.CC
作者：何子龙；吕闻冰；秦耿耿；廖昕；徐维敏；文婵娟；曾辉；陈卫国
来源：中华放射学杂志 2018 年 52卷 9期
