基于影像组学和深度学习在乳腺肿瘤分类中的应用价值分析.pdfVIP

影像技术影像研究与医学应用2025年5月第9卷第10期

基于影像组学和深度学习在乳腺肿瘤分类中的应用价值分析

12

卢菊明，曾科学（通信作者）

（1中国人民大学广东深圳518000）

（2广东省第二中医院康复科广东广州510095）

【【摘要摘要】】目的：目的：探讨基于乳腺肿瘤超声图像，提取影像组学特征结合深度学习，鉴别乳腺癌的可行性。探讨基于乳腺肿瘤超声图像，提取影像组学特征结合深度学习，鉴别乳腺癌的可行性。方法：方法：收集739张超声图像，其中收集739张超声图像，其中

良性图像462张，恶性图像277张，按6︰2︰2比例分为测试集、训练集和验证集，采用五折交叉验证。构建3种模型：（1）用影像组良性图像462张，恶性图像277张，按6︰2︰2比例分为测试集、训练集和验证集，采用五折交叉验证。构建3种模型：（1）用影像组

学特征的机器学习模型；（2）卷积神经网络模型；（3）融合影像组学与深度学习的学特征的机器学习模型；（2）卷积神经网络模型；（3）融合影像组学与深度学习的RC-NetRC-Net。比较3种模型的诊断效果。。比较3种模型的诊断效果。结果：结果：多层感知多层感知

MLPMLPAUCAUCEfficientNet-VEfficientNet-V-Large-LargeAUCAUC

机（机（）（3层）模型准确率为91.61%，曲线下面积（）（3层）模型准确率为91.61%，曲线下面积（）为0.951；）为0.951；22准确率为82.68%，准确率为82.68%，为0.913；融合模为0.913；融合模

型型RC-NetRC-Net准确率为96.62%，准确率为96.62%，AUCAUC达0.995。达0.995。结论：结论：RC-NetRC-Net结合影像组学特征和深度学习，优于单一机器学习或卷积神经网络模型，可为结合影像组学特征和深度学习，优于单一机器学习或卷积神经网络模型，可为

乳腺肿瘤超声鉴别提供参考。乳腺肿瘤超声鉴别提供参考。

深度学习；乳腺癌；超声图；神经网络；机器学习深度学习；乳腺癌；超声图；神经网络；机器学习

【关键词】【关键词】

R445.1R445.1AADOIDOI:10.20267/j.issn.2096-3807.2025.10.021:10.20267/j.issn.2096-3807.2025.10.021

【中图分类号】【中图分类号】【文献标识码】【文献标识码】

乳腺癌是女性最常见的癌症之一，占癌症发病率的别不平衡（462︰277），采用五折交叉验证，将数据集

[1]

11.6%，病死率达到了6.9%。乳腺癌早期发现时生存率按6︰2︰2分为训练、验证和测试集，每折中轮流使

非常高，治疗效果也有显著提升[2]。乳腺超声是一种安全、用不同子集，全面评估模型的可靠性（见图2）。

非侵入的乳房成像方式，广泛用于乳腺肿瘤检查中[3]。1.3特征选择

深度学习在医疗领域前景广阔[4]。本研究基于乳腺肿瘤将107个影像组学特征计算互信息得分，并据此进

超声图像，结合影像组学特征训练深度卷积神经网络，行特征选择，最终筛选出85个具有显著区分能力的特征。

以评估其在乳腺良恶性肿瘤鉴别中的表现，现报道如下。