基于DCE-MRI与深度学习的乳腺癌分子分型异质性评估方法.pdfVIP

摘要

乳腺癌是一种能够严重威胁世界范围内女性生命健康的疾病，为了提高乳腺癌

患者的生存概率，在临床上根据乳腺癌的异质性将其划分为不同的分子分型以制定

不同的治疗方案。由于动态增强磁共振成像（DynamicContrast-EnhancedMagnetic

ResonanceImaging,DCE-MRI）中包含的像素-时间信息能够反映与乳腺癌分子分型

相关的动力学异质性特征，因此被广泛应用于乳腺癌分子分型的诊断研究中。同时，

深度学习方法能够直接提取图像中的深层次特征，将深度学习方法与DCE-MRI相结

合能够实现乳腺癌分子分型的无创诊断。但是，如何从DCE-MRI图像中提取到有效

的动力学异质性特征以及如何使用深度学习方法有效评估这些特征的问题仍待解决。

除了动力学异质性之外，乳腺肿瘤与瘤周中存在的空间异质性也有待研究。针对上

述问题，本文开展了如下研究：

（1）为了评估乳腺癌的动力学异质性，本文首先采用了一种无监督的成分分离

算法CAM-CM（ConvexAnalysisofMixtures-CompartmentModeling），基于乳腺

DCE-MRI数据，将乳腺肿瘤和瘤周分别分离成了三种具有不同动力学异质性的子区

域：输入等离子体图像、慢流动力学图像和快流动力学图像。随后，搭建了具有自

动搜索功能的ViT（VisionTransformer）网络，评估不同子区域的动力学异质性。实

验结果表明，瘤周的输入等离子体图像中包含的与乳腺癌分子分型相关的动力学异

质性最强；结合瘤周的输入等离子图像和瘤内的快流动力学图像是提供动力学异质

性信息最多的组合方式；部分异质子区域中存在着噪声和无用信息，会对乳腺癌分

子分型的诊断起到负面作用；瘤周区域包含的动力学异质性强于肿瘤区域。此外，

将所有异质子区域全部融合的方式在乳腺癌分子分型的预测任务上达到的AUC

（AreaUnderCurve）值为0.56，低于仅使用瘤周的输入等离子图像和瘤内的快流动

力学图像融合的结果（AUC值为0.66），说明对于乳腺癌动力学异质性的评估有助

于去除肿瘤或瘤周中存在的干扰成分，提高乳腺癌分子分型的诊断性能。

（2）为了评估乳腺肿瘤和瘤周存在的空间异质性，本文首先通过有重叠区域的

分割方式将瘤周的输入等离子图像和瘤内的快流动力学图像划分成了图像块（小区

域）。随后，设计了总差异性指标，初步评估了每个图像块上的空间异质性，选取

出六个空间异质性较强的图像块。最后，搭建了自动搜索ViT网络来对选取出的六

I

个图像块中的空间异质性进行进一步评估。研究表明，肿瘤与瘤周上的不同空间位

置区域存在着异质性，与空间位置相对应的不同图像块所提供的与乳腺癌分子分型

预测相关的特征有所差异；乳腺肿瘤或瘤周上的某些空间小区域中存在着冗余和干

扰信息。实验在乳腺癌分子分型预测任务上取得了AUC为0.77的最佳结果，高于仅

评估动力学异质性得到的AUC值为0.68的结果。这说明对肿瘤和瘤周的空间异质性

进行评估对乳腺癌分子分型的精确诊断具有重大意义。

综上，本文的研究工作将乳腺癌分子分型的预测作为目标任务，基于乳腺DCE-

MRI图像与深度学习方法，评估了乳腺癌的动力学异质性与空间异质性，为后续乳

腺癌分子分型的无创诊断提供了研究思路。

关键词：乳腺癌，分子分型，异质性，动态增强磁共振成像，深度学习

II

ABSTRACT

Breastcancerisaseriousthreattowomenshealthworldwide,andisclinicallyclassified

intodifferentmolecularsubtypes