计算机辅助多模态融合超声诊断乳腺良恶性肿瘤

目的 观察利用深度学习（DL）融合常规超声和超声弹性成像诊断乳腺良、恶性肿瘤的效能。方法 利用DL卷积神经网络（CNN）提取乳腺肿瘤超声灰阶与超声弹性特征,并进行多模态融合,评价融合弹性图像或弹性比值等不同信息方式对乳腺良、恶性肿瘤的诊断效能;绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评估多模态融合模型的诊断效能。结果 多模态融合模型鉴别乳腺良、恶性肿物的效能优于单模态常规超声或弹性模型,其中融合灰阶与弹性图像模型鉴别诊断效能优于融合灰阶与弹性比值模型,分类准确率达93.51%,敏感度为94.88%,特异度为92.25%,AUC达0.975。结论 计算机辅助多模态融合有助于提高超声对乳腺良、恶性肿瘤的诊断效能。     

基于迁移学习的乳腺肿瘤超声图像智能分类诊断

目的 探讨迁移学习方法对乳腺良恶性肿瘤超声图像分类的价值。方法 回顾性分析经病理证实的447例乳腺肿瘤的超声声像图,采用主成分分析法对原始图像进行分析提取;在Matlab 7.0软件中编程实现迁移学习,将量化的图像特征作为输入数据,利用迁移学习对乳腺良恶性肿瘤进行智能分类。结果 乳腺恶性肿瘤的边缘粗糙度、坚固度、邻域灰度差矩阵粗糙度、肿瘤后方与周围区域回声差异及水平方向高频分量和垂直方向低频分量的直方图能量均明显高于良性肿瘤（P均<0.05）。超声和迁移学习方法诊断乳腺恶性肿瘤的敏感度分别为96.21%（127/132）和96.04%（97/101）,特异度为66.35%（209/315）和98.49%（196/199）,准确率为75.17%（336/447）和97.67%（293/300）。结论 超声图像特征定量化可为识别良恶性乳腺肿瘤提供客观的量化参数;迁移学习可有效对乳腺良恶性肿瘤的声像图进行分类。     

超声弹性成像评价乳腺肿块图像质量的影响因素

目的 探讨超声弹性成像评价可疑乳腺病变中影响其成像质量的因素。方法 对134例患者的155个乳腺肿块行超声实时弹性成像,将图像质量评分为0级(不足)、1级(低质量)、2级(高质量),分析年龄、体质量指数、乳腺密度、病灶大小、病变深度和乳腺厚度与图像质量的关系,以及弹性成像鉴别良恶性肿块的敏感度和特异度。结果 病灶图像质量评估为不足10个,低质量67个,高质量78个。较小的病灶、较浅的病变、病变处乳腺厚度较薄、病理为良性与更高的图像质量明显相关;而年龄、体质量指数、乳腺密度、病变与乳头距离与图像质量无关。病变处乳腺厚度是影响弹性图像质量最重要的因素。高质量、低质量图像鉴别良恶性肿块的敏感度差异有统计学意义。结论 病变处乳腺厚度是影响弹性成像图像质量最重要的因素。较高质量评分的超声弹性成像可提高鉴别乳腺良恶性肿块的敏感度。     

实时组织弹性成像对乳腺良、恶性肿块诊断价值的Meta分析

目的 采用Meta分析评价实时组织弹性成像(RTE)对乳腺良、恶性肿块的诊断价值。方法 检索1994—2010年国内外公开发表的有关RTE诊断乳腺肿瘤的中文、英文文献,按照诊断试验的纳入和排除标准筛选文献,提取纳入研究的特征信息,进行Meta分析。结果 共纳入12篇文献,RTE对乳腺良、恶性肿块诊断的敏感度为0.78~0.89,特异度为0.84~1.00。合并敏感度和特异度分别为0.82(95%CI 0.79~0.85)、0.95(95%CI 0.93~0.96);合并阳性和阴性似然比分别为14.16(95%CI 8.38~23.93)、0.20(95%CI 0.17~0.23);SROC曲线下面积为0.91±0.01。结论 RTE对乳腺良恶性肿块的鉴别诊断具有较高的临床诊断价值。     

MR动态增强图像纹理分析判断乳腺结节良恶性的价值

目的 探讨MR动态增强图像纹理分析鉴别诊断乳腺结节良恶性的价值。方法 回顾性分析经手术病理证实的78例患者共80个乳腺结节的MR动态增强图像,每个结节获得63个纹理特征参数。绘制纹理参数鉴别诊断良恶性乳腺结节的ROC曲线,并与MR乳腺影像报告和数据系统（BI-RADS）的诊断效能比较。结果 78例患者的80个乳腺结节中,纹理参数中灰度游程长不均匀度判断乳腺结节良恶性的AUC值（0.836）最大且诊断准确率高,其诊断恶性乳腺结节的敏感度为82.93%（34/41）、特异度为94.87%（37/39）、准确率为88.75%（71/80）、阳性预测值为94.44%（34/36）、阴性预测值为84.09%（37/44）。MR BI-RADS分类诊断恶性乳腺结节的敏感度为95.12%（39/41）、特异度为87.18%（34/39）、准确率为91.25%（73/80）、阳性预测值为88.63%（39/44）、阴性预测值为94.44%（34/36）。MR BI-RADS分类和纹理分析判断恶性乳腺结节准确率差异无统计学意义（P=0.11）。与单独应用BI-RADS分类比较,两者联合应用可明显提高诊断恶性乳腺结节的特异度（P<0.001）。结论 MR纹理分析可作为传统诊断乳腺良恶性结节的补充。     

比较弹性成像与常规超声对乳腺小肿瘤的诊断价值

目的 比较超声弹性成像（UE）中评分法及应变率比值法（SR）与常规超声（CUS）判断直径≤2.0 cm的乳腺良恶性肿瘤的价值,评价SR判断直径≤2.0 cm的乳腺肿瘤良恶性的最佳阈值及其诊断价值。方法 分别应用CUS、UE检查乳腺肿瘤;以病理为金标准,绘制 ROC曲线,求取SR最佳诊断阈值,比较CUS、UE评分及SR的鉴别诊断价值。结果 CUS、UE评分法、SR法的曲线下面积分别为0.803±0.046、0.862±0.040和0.943±0.026;SR 判断乳腺肿瘤良恶性的最佳阈值为3.23。结论 UE较CUS对鉴别直径≤2.0 cm的良恶性乳腺肿瘤更具价值,且SR法较评分法更佳;以SR=3.23为最佳诊断阈值,判断乳腺肿瘤良恶性具有较高价值。     

经支气管超声诊断肺结节性病变

目的 探讨经支气管超声(EBUS)诊断肺部结节性病变的价值。方法 对CT扫描提示肺部占位的52例肺部结节性病变患者行EBUS检查, 观察病灶内部回声、边界、后壁回声及后方回声等超声表现。结果 52例肺部结节性病变患者中, 良性病变18例, 恶性病变34例。边界清晰和后壁呈线状均匀增强是肺部恶性病变的重要声像图特征, 边界不清和后壁带状不均匀增厚是肺部良性病变的声像图特征;在肺部结节性病变中, "彗星尾征"提示肺鳞癌病变。声像图表现中内部回声、后方回声变对肺部结节性病变的诊断价值不大。EBUS检查未发生并发症。结论 EBUS是肺部结节性病变超声诊断的新方法, 且安全有效。     

声触诊组织成像技术鉴别甲状腺良恶性钙化结节

目的 探讨声触诊组织成像(VTI)技术鉴别甲状腺良恶性钙化结节的价值。 方法 分析53例共58个甲状腺钙化结节的二维图像和弹性成像图,根据弹性图像灰度,将VTI图像分为6级,粗大钙化、分级≤3级判断为甲状腺良性钙化结节,微钙化、分级>3级判断为恶性钙化结节,并与术后病理结果对比。 结果 甲状腺良恶性结节之间的钙化类型差异有统计学意义(χ²=13.04,P<0.005);以微钙化诊断恶性结节的敏感度、特异度、准确率分别为74.29%(26/35)、73.91%(17/23)、74.14%(43/58)。甲状腺良恶性钙化结节之间VTI分级的差异有统计学意义(χ²=33.29,P<0.005);以VTI分级>3级诊断恶性结节的敏感度、特异度、准确率分别为85.71%(30/35)、91.30%(21/23)、87.93%(51/58)。 结论 VTI技术对鉴别甲状腺良恶性钙化结节有所帮助。     

高频超声诊断乳腺导管内癌

目的 探讨乳腺导管内癌的高频超声声像图特征,旨在提高诊断及鉴别诊断导管内良、恶性肿瘤的准确性。方法 回顾性分析经手术病理证实的25例乳腺导管内癌高频超声声像图表现。结果 乳腺导管内癌分为三型:导管增宽型(9例)、实质团块型(12例)、囊实混合型(4例)。结论 乳腺高频彩超是诊断乳腺导管内癌有效的检查手段,但当肿块为实质团块型及混合性肿块型时误诊率较高。     

超声造影鉴别诊断乳腺良恶性肿瘤

目的 探讨超声造影(CEUS)鉴别诊断乳腺良恶性肿瘤的应用价值。方法 纳入277例乳腺肿瘤患者,均行常规超声(BUS)及CEUS检查,并与病理结果进行对照,对BUS及CEUS各观察指标进行Logistic回归分析,比较BUS与CEUS鉴别诊断乳腺良恶性肿瘤的效能。结果 277例患者中,良性病变184例(良性组),恶性病变93例(恶性组)。Logistic回归分析显示,BUS诊断恶性肿瘤的危险指标为中等血供、非平行生长、血供丰富及边界模糊,相对危险度分别为5.17、4.84、3.39、3.04;CEUS为离心性增强、向心性增强、肿瘤形状不规则、造影剂分布不均、增强后范围增大,相对危险度分别为13.36、4.58、4.07、3.28、2.36。BUS诊断乳腺肿瘤的准确率为81.59%(226/277),CEUS为88.09%(244/277),二者差异有统计学意义(χ²=1.012, P<0.001)。结论 采用CEUS鉴别诊断乳腺良恶性肿瘤的准确率较高,其在乳腺局灶性病变的定性诊断中具有一定的应用价值。     

基于跨模态注意力机制特征B型超声与弹性超声融合模块联合诊断乳腺良、恶性肿瘤

目的 设计跨模态注意力机制特征融合模块,观察其用于B型超声与弹性超声联合诊断乳腺良、恶性肿瘤的价值。方法 收集371例接受常规超声检查及超声弹性成像的女性乳腺肿瘤患者、共466处病灶;按3∶1∶1将466组病灶图像分为训练集(n=280)、验证集(n=93)及测试集(n=93)。采用卷积神经网络分支模型分别提取B型超声图像和弹性超声图像特征,之后以基于跨模态注意力机制的多模态特征融合网络进行特征融合,观察其诊断乳腺良、恶性肿瘤的价值。结果 改进后的DenseNet用于B型超声诊断乳腺良、恶性肿瘤的准确率为88.43%,敏感度为88.96%,特异度为87.31%,其效能略优于改进前。基于跨模态注意机制特征融合的B型超声与弹性超声联合诊断乳腺良、恶性肿瘤的准确率为94.23%,敏感度为95.11%,特异度为93.28%,效能优于决策加权融合模型、直接串联融合模型及单模态模型。结论 跨模态注意力机制特征融合模块可在一定程度上提高B型超声与弹性超声联合诊断乳腺良、恶性肿瘤的效能。     

Computer-aided diagnosis for the classification of breast masses in automated whole breast ultrasound images

New automated whole breast ultrasound (ABUS) machines have recently been developed and the ultrasound (US) volume dataset of the whole breast can be acquired in a standard manner. The purpose of this study was to develop a novel computer-aided diagnosis system for classification of breast masses in ABUS images. One hundred forty-seven cases (76 benign and 71 malignant breast masses) were obtained by a commercially available ABUS system. Because the distance of neighboring slices in ABUS images is fixed and small, these continuous slices were used for reconstruction as three-dimensional (3-D) US images. The 3-D tumor contour was segmented using the level-set segmentation method. Then, the 3-D features, including the texture, shape and ellipsoid fitting were extracted based on the segmented 3-D tumor contour to classify benign and malignant tumors based on the logistic regression model. The Student’s t test, Mann-Whitney U test and receiver operating characteristic (ROC) curve analysis were used for statistical analysis. From the Az values of ROC curves, the shape features (0.9138) are better than the texture features (0.8603) and the ellipsoid fitting features (0.8496) for classification. The difference was significant between shape and ellipsoid fitting features (p = 0.0382). However, combination of ellipsoid fitting features and shape features can achieve a best performance with accuracy of 85.0% (125/147), sensitivity of 84.5% (60/71), specificity of 85.5% (65/76) and the area under the ROC curve Az of 0.9466. The results showed that ABUS images could be used for computer-aided feature extraction and classification of breast tumors. (E-mail: rfchang@csie.ntu.edu.tw)     

声触诊组织量化和弹性成像技术评价乳腺良、恶性肿瘤

目的探讨声触诊组织量化(VTQ)和弹性成像技术诊断乳腺良、恶性肿瘤的价值。方法对86例乳腺病变患者术前分别进行常规超声、弹性超声及VTQ检查,对各病灶进行弹性成像评分和VTQ速度分组,并与病理结果对照。结果乳腺良、恶性肿瘤弹性超声评分差异有统计学意义(P<0.05),良性肿瘤中弹性超声评分为1～3分者占为68.09%(32/47),恶性肿瘤中弹性超声4～5分者占82.05%(32/39)。乳腺良、恶性肿瘤的VTQ速度值差异亦有统计学意义(P<0.05)。常规超声、弹性超声、VTQ技术联合应用的诊断准确率达91.86%。结论联合应用常规超声、弹性成像、VTQ技术,可显著提高诊断乳腺良、恶性肿瘤的准确率。     

灰阶超声鉴别诊断良、恶性乳腺肿瘤

目的探讨灰阶超声鉴别良、恶性乳腺肿瘤的价值。方法利用改进的Level Set变分模型对126例乳腺肿瘤的超声图像进行分割,提取肿瘤边界,分别计算16个形态特征参数,结合特征参数间的相关性及部分特征参数性质确定特征向量组合,最后用模糊C-均值方法鉴别乳腺肿瘤的良、恶性。结果 126例中,恶性肿瘤50例,良性肿瘤76例。通过Level Set模型得到了较好的分割良、恶性的准确率达80.95%(102/126),其敏感度、特异度、阳性预测值和阴性预测值分别为80.00%(40/50)、81.58%(62/76)、74.07%(40/54)和86.11%(62/72)。结论良、恶性乳腺肿瘤在形态上有较大差异,灰阶超声可有效鉴别乳腺肿瘤的性质。     

超声乳腺影像报告和数据系统联合患者年龄鉴别良性与交界性/恶性乳腺叶状肿瘤

目的 观察超声乳腺影像报告和数据系统(BI-RADS)联合患者年龄鉴别良性与交界性/恶性乳腺叶状肿瘤(PTB)的价值。方法 回顾性分析74例经乳腺超声检查及术后病理证实的PTB女性患者共76个病灶,包括良性57个、交界性14个及恶性5个,比较3种病变患者年龄及其超声BI-RADS分类,观察以单一年龄、超声BI-RADS及其联合鉴别诊断价值。结果 良性、交界性及恶性PTB之间,患者年龄及超声BI-RADS分类差异均有统计学意义(P=0.026、0.015)。以44.5岁、超声BI-RADS 4B类及其联合鉴别良性与交界性/恶性PTB的敏感度分别为94.74%、36.84%及73.68%,特异度分别为56.36%、87.27%及72.73%,曲线下面积分别为0.769、0.649及0.780。结论 超声BI-RADS分类联合患者年龄有助于鉴别良性与交界性/恶性PTB。     

乳腺肿瘤常规超声联合超声造影影像组学特征与乳腺癌分子分型相关性的研究进展

影像组学（radiomics）是一种从医学影像中高通量地提取影像特征来深入挖掘内部数据信息的技术方法,通过肿瘤分割、特征提取与模型建立来辅助临床对肿瘤的诊断与治疗。在精准医疗时代,乳腺癌（breast cancer,BC）的个体化早期诊治尤为重要。常规超声是诊断乳腺肿瘤的重要影像学方法,超声造影（contrast enhanced ultrasound,CEUS）可以实时显示乳腺肿瘤微血管灌注的形态学及功能学变化,在此基础上产生的超声及超声造影影像组学在乳腺肿瘤良恶性诊断及判断乳腺癌分子分型中具有潜在临床应用价值。本文就乳腺肿瘤常规超声联合超声造影影像组学特征与乳腺癌分子分型相关性方面进行综述。     

Breast Cancer Classification in Automated Breast Ultrasound Using Multiview Convolutional Neural Network with Transfer Learning

To assist radiologists in breast cancer classification in automated breast ultrasound (ABUS) imaging, we propose a computer-aided diagnosis based on a convolutional neural network (CNN) that classifies breast lesions as benign and malignant. The proposed CNN adopts a modified Inception-v3 architecture to provide efficient feature extraction in ABUS imaging. Because the ABUS images can be visualized in transverse and coronal views, the proposed CNN provides an efficient way to extract multiview features from both views. The proposed CNN was trained and evaluated on 316 breast lesions (135 malignant and 181 benign). An observer performance test was conducted to compare five human reviewers' diagnostic performance before and after referring to the predicting outcomes of the proposed CNN. Our method achieved an area under the curve (AUC) value of 0.9468 with five-folder cross-validation, for which the sensitivity and specificity were 0.886 and 0.876, respectively. Compared with conventional machine learning-based feature extraction schemes, particularly principal component analysis (PCA) and histogram of oriented gradients (HOG), our method achieved a significant improvement in classification performance. The proposed CNN achieved a >10% increased AUC value compared with PCA and HOG. During the observer performance test, the diagnostic results of all human reviewers had increased AUC values and sensitivities after referring to the classification results of the proposed CNN, and four of the five human reviewers’ AUCs were significantly improved. The proposed CNN employing a multiview strategy showed promise for the diagnosis of breast cancer, and could be used as a second reviewer for increasing diagnostic reliability.     

乳腺叶状肿瘤的影像分析

目的 分析乳腺叶状肿瘤的X线钼靶摄片和超声表现.方法 收集经手术病理证实的19例乳腺叶状肿瘤,术前均行超声检查,其中15例行X线钼靶摄片,回顾分析其临床特点和影像学表现.结果 19例乳腺叶状肿瘤中,良性8例,交界性6例,恶性5例.15例患者X线钼靶摄片中病灶均为高密度孤立肿块影,呈圆形(8例)或浅分叶状(7例),边界清晰(10例)或部分不清(5例),部分肿块周边见"晕"征(4例).超声检查6例发现囊性变,6例表现为后方回声增强.病灶为圆形(8例)、浅分叶状(8例)或有角状突起(3例).所有病例均未发现腋下转移淋巴结及周围组织浸润等恶性征象.结论 认识乳腺叶状肿瘤的病理类型和临床特点,结合影像表现综合分析,可提高术前诊断率.