乳腺癌是女性癌症中发病率和死亡率都稳居首位的恶性肿瘤。早期诊断和及时治疗有利于改善患者的预后。在常用的影像学筛查手段中，磁共振成像（MRI）具有无创无辐射、多病灶敏感、信息丰富及不受乳腺密度影响等优点。不同序列的MRI能从不同的角度提供多维度的丰富信息，进而让医生能更准确地诊断。通常在不同序列中，对应参数图的强度数值和病灶的发生、发展以及转移均息息相关。如动态增强序列（DCE-MRI）中，其参数图Ktrans的数值代表病灶从血管中吸收造影剂的速率，进而反应病灶内的血供信息。血供越丰富即反映出肿瘤细胞生长旺盛，其恶性程度也随之增加。
近期，苏州医工所杨晓冬课题组与苏州大学附属第二医院放射科合作，针对多序列MRI数据开发基于影像组学的乳腺病灶良恶性分类算法。该算法结合三个序列及其对应参数图（T2WI, DWI序列在扩散峰度模型下计算所得的DKI参数图 和 DCE-MRI药代动力学参数图）的特征构建分类模型，以期将不同序列的互补信息利用起来提升模型分类性能。病灶区域由多位影像医生勾画（如图1所示），并在此基础上对多序列的MRI图像及参数图提取高维特征，通过特征筛选和分类器训练，构建出具有较好分类性能的无创辅助诊断算法模型。其模型最优分类性能为AUC值为0.921、准确率为0.833、敏感性为0.750以及特异性为0.950（如表1所示）.与传统研究方法只利用各序列参数图的强度值信息不同，该课题组将不同序列MRI的参数图视作独立图像提取高维特征构建模型（如图2所示）。实验结果证实除一阶强度信息外，各序列参数图中的高维信息对模型构建也贡献巨大。特别是基于DCE-MRI的药代动力学参数图的高维特征对分类模型贡献较大（药代动力学参数图高维特征占最优模型总特征数的63%，17/27）。
该研究成果“Radiomics Based on Multimodal MRI for the Differential Diagnosis of Benign and Malignant Breast Lesions”为题发表于Journal of Magnetic Resonance Imaging杂志（2020），其中张茜和彭云松并列第一作者。本项目受苏州大学附属第二医院临床优势学科群项目（XKQ2015008）的经费支持。
论文链接：https://onlinelibrary.wiley.com/doi/10.1002/jmri.27098
图 1 病灶区域勾画。a.T1WI图像第八个增强后数据中的病灶勾画；b.Ktrans参数图上的病灶勾画；c.DWI图像上的病灶勾画；d.峰度图（DWI序列计算获得）上的病灶勾画。
图 2 良性病灶实例。a.Ktrans参数图；b.Kep参数图（DCE序列计算获得）c.Vp参数图（DCE序列计算获得）；d.DCE第8个增强后图像；e.扩散系数图（DWI序列计算获得）f.峰度图（DWI序列计算获得）；g.T2WI图像；h.病灶对应病理切片图像。
表 1 不同序列组合构建模型的性能对比
附件下载：
