一、良、恶性乳腺肿瘤的X线分析（论文文献综述）
郭慧[1]（2022）在《数字化乳腺X线检查与MR扩散加权成像诊断乳腺良恶性病变的作用》文中进行了进一步梳理目的:分析数字化乳腺X线检查与MR扩散加权成像诊断乳腺良恶性病变的诊断价值。方法:纳入2016年10月至2021年9月临汾市中心医院就诊的165例乳腺病变患者,将手术引导穿刺活检病理检查作为金标准,以随机数字表法分为对照组（83例）、观察组（82例）,分别予以数字化乳腺X线、MR扩散加权成像检查,比较X线、MR扩散加权成像诊断效能,以及MR扩散加权成像检查中不同弥散敏感系数（b）值下良性、恶性病变组织ADC值。结果:MR扩散加权成像诊断准确率（97.56%）、灵敏度（98.72%）、特异度（75.00%）均高于X线（84.34%、87.34%、25.00%）,两种诊断方法的准确度和灵敏度差异明显（P<0.05）,特异性两种诊断方式无统计学差异,X线与手术引导穿刺活检病理检查的一致性一般,MR扩散加权成像与手术引导穿刺活检病理检查的一致性较好。b值为600、1000时良性病变组织ADC值均高于恶性病变组织ADC值（P <0.05）;手术引导穿刺活检病理检查结果中观察组患者良性结节91个,恶性结节14个。MR扩散加权成像检查纤维腺瘤、纤维囊性乳腺病、导管内乳头状瘤的结果与手术引导穿刺活检病理检查结果差异不显着,两组数据比较无明显的统计学意义（P>0.05）;MR扩散加权成像检查浸润性小叶癌、浸润性导管癌、导管原位癌、导管内癌的结果与手术引导穿刺活检病理检查结果差异不显着,两组数据比较无明显的统计学意义（P>0.05）。结论:MR扩散加权成像可对乳腺良、恶性病变做出准确的鉴别及诊断,MR扩散加权成像诊断中,ADC值越低,病灶的恶性程度越高,且检查速度快,为后期的治疗工作提供了很好的参考资料,对治疗质量的提升具有重要意义,值得临床上的推广与应用。
张英惠[2]（2022）在《钼靶X线与超声弹性成像联合检查在乳腺良恶性肿瘤鉴别诊断中的临床价值》文中研究指明目的探究钼靶X线与超声弹性成像联合检查在乳腺良恶性肿瘤鉴别诊断中的临床价值。方法选取102例乳腺肿瘤患者作为研究对象,均接受钼靶X线检查和超声弹性成像检查。以手术病理结果为金标准,比较钼靶X线检查、超声弹性成像检查及联合检查的病灶诊出率、良恶性鉴别准确率,对不同直径病灶的诊出率,灵敏性、特异性、阳性预测值、阴性预测值。结果经手术病理诊断,纳入患者共计病灶112个,其中良性病灶84个、恶性病灶28个。联合检查的病灶诊出率100.00%高于钼靶X线检查的81.25%和超声弹性成像检查的89.29%,差异具有统计学意义（P<0.05）。联合检查的病灶良恶性鉴别准确率高于钼靶X线检查和超声弹性成像检查,差异具有统计学意义（P<0.05）。经手术病理诊断,直径>1.0 cm的病灶70个、直径≤1.0 cm的病灶42个。联合检查对不同直径病灶的诊出率均高于钼靶X线检查和超声弹性成像检查,差异具有统计学意义（P<0.05）。联合检查的灵敏性、特异性、阳性预测值、阴性预测值均高于钼靶X线检查和超声弹性成像检查。结论在乳腺良恶性肿瘤鉴别诊断中,应用钼靶X线与超声弹性成像联合检查方案的临床价值高,病灶诊出率、良恶性鉴别准确率高,值得推广。
魏静[3]（2021）在《基于激光图像处理技术的微小乳腺肿瘤精准诊断》文中进行了进一步梳理乳腺X线图像是乳腺肿瘤早期筛查诊断的主要方式,以提升微小乳腺肿瘤诊断精度为目的,为此研究了基于激光图像处理技术的微小乳腺肿瘤精准诊断方法。对初始乳腺X线图像进行图像预处理,提取乳腺组织;利用脉冲耦合神经网络对乳腺组织图像进行图像增强处理,提升图像亮度、突出纹理细节;对增强处理后的图像进行区域分割,通过多阈值方法为各微小乳腺肿瘤区域确定一个最优阈值,以此划分出乳腺肿瘤区域;利用归一化自相关系数计算乳腺肿瘤区域像素间相关性,确定乳腺肿瘤区域的纹理特征,根据微小乳腺肿瘤生长区域面积和边界周长确定乳腺肿瘤区域几何特征,根据纹理特征与几何特征诊断微小乳腺肿瘤性质。实验结果显示该方法对乳腺X线图像处理效果较好,诊断精度达到93.14%。
林继平,童陶然,赵茜平,胡献金[4]（2021）在《全数字化钼靶X线摄影、超声和磁共振成像对高龄乳腺肿瘤患者的诊断效能》文中提出目的探讨全数字化钼靶X线摄影、超声和磁共振成像对高龄乳腺肿瘤患者诊断效能。方法选择2016年1月至2020年9月安徽省铜陵市人民医院收治的101例高龄乳腺肿瘤患者作为研究对象,所有患者均接受全数字化钼靶X线摄影、超声和磁共振成像检查。回顾性分析纳入患者的影像学资料。以病理学结果为"金标准",比较三种诊断方式在恶性乳腺肿瘤上的诊断效能。结果 101例高龄乳腺肿瘤患者经病理学检查明确诊断恶性肿瘤34例,全数字化钼靶X线摄影、超声、磁共振成像和联合诊断检出的恶性肿瘤分别有28例、19例、26例和33例。不同诊断方式诊断恶性乳腺肿瘤的曲线下面积（AUC）大小依次为联合诊断（0.960）、全数字化钼靶X线摄影（0.795）、超声（0.669）、磁共振成像（0.640）。联合诊断的AUC与全数字化钼靶X线摄影、超声、磁共振成像比较,差异有统计学意义（P <0.05）。三者联合诊断的灵敏度、特异度和准确度分别为97.06%、89.55%和92.08%,均高于各种单项检查。结论临床上可将全数字化钼靶X线摄影、超声作为早期筛查高龄乳腺癌的首选方案。对于筛查结果可疑的患者,可结合磁共振成像检查结果进行进一步明确,从而提高其诊断准确率。
吕冰垚[5]（2021）在《乳腺肿瘤自动分类关键技术研究》文中研究说明世界卫生组织的报告指出,乳腺癌是导致女性死亡的主要原因之一。在过去的几十年里,全球女性的乳腺癌发病率在不停地上升,只有及时地进行乳腺癌筛查,在早期有效地检测和诊断乳腺癌才能够降低乳腺癌的死亡率。乳腺癌是一种复杂的异质性疾病,其临床表现多种多样,乳腺超声、磁共振成像、CT和X线摄影检查是目前常用的乳腺检查方式。乳腺X线摄影检查是女性乳腺癌早期诊断的首选方法,具有操作简单和成本低等优点,在全世界各地得到了广泛地应用。随之而来的就是需要进行筛查的乳腺X射线图像的数量非常庞大,给医生带来了繁重的工作量。基于乳腺X线图像的计算机辅助诊断（Computer-Aided Diagnosis,CAD）系统借助各种图像处理方法对乳腺X线图像进行分析,不仅能够为医生临床判诊提供意见,减轻医生工作量,还能够提高乳腺癌早期诊断的准确率。肿块和钙化点是乳腺X线图像中最常见的异常,是乳腺CAD系统的主要识别对象,在乳腺癌患者中有近八成以上是以乳腺肿块为首诊,因此本文的研究对象为乳腺X线肿块图像。肿块分割、肿块区域特征提取、肿块良恶性分类是乳腺肿块CAD系统的主要组成部分,本文主要针对这三个主要部分中的重点和难点问题展开研究,以提高计算机辅助诊断的准确性和效率为目标,建立完整的乳腺肿块计算机辅助诊断框架。本文的主要研究成果和结论如下:（1）设计了基于PSO和GA混合优化的FCM算法。在经典的FCM算法中,具有随机性的初始聚类中心设定会影响图像的分割效果。针对此问题,本文提出了PSO和GA混合优化FCM的分割算法。PSO算法的“记忆”功能可以保留上一代中的最优解,GA中交叉变异等操作可以产生高质量的优化解,将二者相结合不仅解决了GA-FCM和PSO-FCM中的早熟的问题,还提高了算法稳定性。对DDSM数据库中的乳腺X线肿块图像的分割结果表明,本文分割算法的(1和(1两个有效性评价指标优于GA-FCM、PSO-FCM、FCM、PCNN和K-means等五种分割方法,可以更好地分割出乳腺肿块区域。（2）提取了乳腺肿块区域的多尺度融合特征。乳腺肿块区域的特征提取是乳腺肿块CAD系统中的关键环节,本文提取了乳腺肿块区域的几何特征、灰度特征和纹理特征共16个特征值,对CBIS-DDSM数据库中的乳腺X线肿块图像提取特征值的分析表明:本文所提取特征值具有明显的区分性。针对单一尺度下的图像特征仍然具有局限性的问题,基于高斯金字塔提取了乳腺肿块区域的16×4维度的多尺度特征,并使用PCA算法降低特征维度,得到的多尺度融合特征能提取肿块区域更深层次结构上的特征信息,可以提高分类效果和CAD系统的性能。（3）在经典SVM的基础上,设计了基于PSO参数优化的SVM分类器。针对在乳腺肿块良恶性分类任务中的非线性可分情况,选取RBF函数为核函数,将原始空间中的特征向量映射到高维空间中,在减少运算量的同时又找到了实现线性可分的最优分类超平面。使用PSO算法优化经典SVM中的惩罚参数C和RBF核函数中的参数。使用CBIS-DDSM数据库中的乳腺肿块图像进行了良恶性分类实验,本文设计的分类器的准确率为92.85%,ROC曲线下面积值Az达到了0.9269。分类准确率高于经典SVM分类器和其他分类方法,证明了本文提取的多尺度融合特征的有效性以及本文设计的分类器性能的优越性,二者能够在乳腺肿块CAD系统中发挥巨大的作用。
边桂风[6]（2021）在《DCE-MRI联合不同b值DWI对肿块型乳腺癌的诊断价值分析》文中研究指明目的:1.分析不同b值扩散加权成像（diffusion weighted imaging,DWI）定性诊断肿块型乳腺肿物的效能。2.研究动态增强MRI（dynamic contrast enhanced,DCE-MRI）联合DWI对肿块型乳腺良恶性病变的鉴别诊断价值。3.探讨ADC值及DCE-MRI半定量参数在肿块型乳腺癌不同分子分型间的差异。方法:1.选择2019年1月—2020年12月因乳腺肿物于我院就诊的患者106例,所有患者均行DCE-MRI及不同b值DWI扫描。最后将108个肿块型病灶纳入研究。依据病理结果进行分组,共包括45个良性病灶,63个恶性病灶。进一步对恶性病灶进行分子分型,分型依据为雌激素受体（estrogen receptor,ER）、孕激素受体（progesterone receptor,PR）、人表皮因子受体-2（human epidermal growth factor recepor-2,HER-2）的表达状态。分型结果为:类Luminal A型20个、类Luminal B型13个、类HER-2型20个、三阴性型10个。2.结合信号强度-时间曲线（time-intensity curves,TIC）及乳腺影像报告与数据系统（breast imaging reporting and date system,BI-RADS）MRI词汇对病灶进行影像学定性诊断,进一步与病理学结果对照,分析DCE-MRI对肿块型乳腺癌的诊断效能。3.分别测得不同b值条件下各病灶内的表观扩散系数（apparent diffusion coefficient,ADC）,利用受试者工作特征曲线（receiver operating characteristic curve,ROC）判定不同b值的诊断效能、计算诊断阈值。4.将DCE-MRI与诊断效能最高b值条件下DWI联合,共同对乳腺肿物进行诊断,比较联合法及单一法的诊断效能。5.测得恶性病灶内的早期强化率（early-phase enhancement rate,Ee）、峰值期相（time to peak,TTP）、排泄速率（wash-out rate,Vwash）及ADC值,分析以上各参数与各预后因子不同表达状态间的差异性及相关性,并比较其在各分子分型组间的差异。结果:1.DCE-MRI诊断肿块型乳腺癌的效能:敏感度（50/63）79.4%、特异度（30/45）66.7%,准确度为（80/108）74.1%。2.b值相同时,恶性病灶内ADC值明显低于良性病灶（p<0.01）。当b=1500s/mm2时,DWI对肿块型乳腺癌的具有最高的诊断效能:敏感度（55/63）87.3%、特异度（36/45）80.0%、准确度（91/108）84.3%。3.b=1500 s/mm2条件下DWI联合DCE-MRI对肿块型乳腺癌的诊断效能:敏感度（58/63）92.1%、特异度（40/45）88.9%、准确度（98/108）90.7%。4.ER/PR阳性组Ee、ADC值小于阴性组,TTP大于阴性组,ER阳性组Vwash小于阴性组（p<0.05）;PR阳性组Vwash小于阴性组（p>0.05）。HER-2阳性组TTP小于阴性组（p<0.05）;HER-2阳性组Ee、Vwash、ADC值均大于阴性组（p>0.05）。5.ER/PR的阳性表达程度与Ee、ADC值呈负相关,与TTP呈正相关,ER表达程度与Vwash呈负相关,相关性均有统计学意义（p<0.05）;PR与Vwash呈负相关（p>0.05）。HER-2的阳性表达程度与ADC值呈负相关（p<0.05）,与TTP呈负相关（p>0.05）,与Ee、Vwash呈正相关（p>0.05）。6.ADC值、DCE-MRI半定量参数在不同分子分型间有差异（p<0.01）,三阴性型的Ee、Vwash、ADC值明显高于其他三型,而TTP值最低,类Luminal A型组的Ee、Vwash明显低于其他三型,而TTP值较其他三型均高,类HER-2型及类Luminal B型的各参数居中。结论:1.b=1500 s/mm2时,DWI对肿块型乳腺癌的诊断效能最高。2.DCE-MRI联合DWI可显着提高MRI对肿块型乳腺癌的定性诊断效能。3.DCE-MRI半定量参数及ADC值在乳腺癌不同分子分型间具有统计学差异。4.利用MRI成像,不仅可以进行良恶性的鉴别诊断,还可进一步行活体组织的分子分型预判,有望成为临床治疗的重要依据。
戴海霞,林国太,韩思敏,刘丽娟,徐晓红,蔡晓冰,黄星,刘尔球[7]（2021）在《超声加钼靶检查对早期乳腺良恶性肿瘤的诊断性》文中认为目的:分析超声加钼靶检查对早期乳腺良恶性肿瘤的临床诊断价值。方法:选取2019年7月—2020年9月在我院进行检查的乳腺肿瘤患者64例作为观察样本,"金标准"为病理检查结果,给予X线钼靶与B超诊断,进行良恶性肿瘤检查结果的比较。结果:B超+X线钼靶对乳腺良性肿瘤、恶性肿瘤的检出率均显着高于单一的B超、X线钼靶检查,数据差异具统计学意义（P<0.05）;B超+X线钼靶诊断的特异度、敏感度、准确度、阳性预测值、阴性预测值均显着高于B超、X线钼靶,存在统计学差异（P<0.05）。结论:B超+钼靶检查可准确诊断和鉴别乳腺良恶性肿瘤,具有在临床中进一步推广普及的价值。
徐平[8]（2021）在《超声造影在乳腺病变诊断中的应用价值及影响因素探讨》文中研究指明研究背景及目的乳腺癌是世界范围内女性发病率最高的癌症,也是女性癌症相关死亡的主要原因。它是一种高度异质性疾病,与多种已知的可改变和不可改变的危险因素相关[1]。近年来,中国女性乳腺癌的发病率一直呈上升趋势[2],给患者带来了巨大的经济负担和心理创伤,因此乳腺癌的早期诊断和治疗就成为我们工作中的重中之重[3]。2019年版《中国女性乳腺癌筛查指南》[4]中推荐乳腺X线摄影（Mammography,MG）作为乳腺癌筛查项目的参考标准,同时强调了超声检查（Ultrasound,US）对MG的补充作用。US和MG检查作为乳腺筛查及诊断的一线“黄金搭档”,为乳腺癌的早期发现和治疗提供了最重要的影像依据[5]。虽然BI-RADS系统的引入为病变诊断提供了标准化的分类,但是MG和常规US的应用仍然存在一定的局限性。MG对致密乳房乳腺癌的的敏感度仅为30-48%[5],假阴性率相对较高[6],而在中国49.49%乳腺为致密型[7],这一定程度上限制了 MG在中国的应用。US更适合对具有小而致密乳房的亚洲女性进行乳腺筛查,但是其诊断假阳性较高[8]。MG和US的联合诊断结果灵敏度高但特异度低,导致许多不必要的活检,并且二者诊断经常出现不一致的情况,从而使临床医生困惑,导致不正确的临床建议。迫切需要一种有效的检查方法来进一步评价MG+US的诊断结果。近二十年来,超声造影（Contrast-enhanced Ultrasound,CEUS）应用于乳腺病变的鉴别诊断。它是一种纯血池显像技术,不仅能显示乳腺病变的形态,还能显示其微血管构筑,已有许多研究表明CEUS可优化BI-RADS分类,提高诊断效能并减少不必要的活检[9-11]。CEUS越来越多地被选为用于对US+MG结果进一步评价的成像方式[11]。但CEUS不仅需要额外的时间和费用,并且有可能产生并发症。作为US和MG的辅助工具,其临床应用仍然有很多问题亟待探讨。首先,迄今为止,CEUS作为US和MG的辅助手段,其应用指征并不明确。在US+MG不同类别的诊断中补充CEUS的应用价值存在争议,在US和MG诊断不一致的情况下CEUS是否是有效的补充工具也有待探讨[12]。再者既往文献多关注CEUS在乳腺病变鉴别诊断方面的贡献,而对CEUS诊断局限性的研究极少[19]。明确可能导致CEUS错误诊断的病变的相关因素,将有助于对其错误诊断结果的解释及CEUS的合理应用。最后乳腺高危病变在临床、形态学和生物学上具有较大的异质性[13],无论从家族遗传、基因测序、生化测定、临床表现[14-16]还是影像学检查[17],早期诊断均有一定难度。研究表明,乳腺高危病变整体血管化程度比非高危病变更明显,血管的数量和密度与病变的大小和病理严重程度成正比[18]。由此推测,对良性病变血管化的评估可能有利于高危病变的识别。在上述背景下,本研究拟从以下三个方面对CEUS在乳腺病变诊断中应用进行讨论。论文的第一部分拟探讨CEUS作为MG和US的辅助手段在不同情况的US和MG诊断结果中补充应用价值的区别。第二部分聚焦于CEUS在乳腺病变鉴别诊断中的局限性,探索与CEUS假阳性及假阴性诊断相关的病变特征。第三部分初步探讨乳腺良性高危病变CEUS特征及CEUS对高危病变的诊断价值。通过上述三个方面的研究,为CEUS的合理应用及进一步推广提供依据。第一部分:超声造影对乳腺病变常规诊断的补充应用价值评估目的:探讨超声造影（Contrast-enhanced ultrasound,CEUS）对乳腺病变X线摄影（Mammography,MG）和常规超声（Ultrasound,US）的补充应用价值,并对不同诊断情况下CEUS的补充价值进行比较,为CEUS的合理应用提供依据。方法:对2017年1月至2020年6月在我院行MG、US及CEUS检查并经病理证实的349个乳腺病变的各项诊断结果进行分析。首先通过ROC曲线评估US、MG、US+MG、US+CEUS及US+CEUS+MG对全体病变的诊断效能,并计算敏感度、特异度、准确度、阳性预测值（Positive Predictive Value,PPV）、阴性预测值（Negative predictive value,NPV）、假阳性（False Positive,FP）、假阴性（False Negative,FN）及曲线下面积（Area Under the Curve,AUC）。然后根据 US+MG联合诊断的BI-RADS分类结果将349个病变分成可能良性组（1、2、3类）及可能恶性组（4、5类）,并分别比较两组补充CEUS检查前后诊断敏感度、特异度、准确度、PPV、NPV及AUC。最后根据US及MG的诊断是否一致将349个病变分成一致组和不一致组,分别分析两组患者的临床及病理特征,并比较两组补充CEUS检查前后诊断敏感度、特异度、准确度、PPV、NPV及AUC。采用SPSS 22.0软件（SPSS,芝加哥,IL,美国）进行统计分析,定性指标用频数（百分比）表示,采用χ2检验比较组间差异,定量指标用均数±标准差表示,采用t检验比较组间差异。采用McNemar检验,比较不同检查方法的敏感度和特异度,采用Z检验比较各种方法的AUC。用与Leisenring等人提出的卡方统计量相同分布的分数统计量比较不同方法之间的PPV和NPV。以P<0.05表示有统计学意义。结果:349个乳腺病变包含205个良性和144个恶性。在全部病变的诊断中,US+CEUS+MG诊断乳腺病变的敏感度、特异度、准确度、PPV、NPV、FP及FN分别为 97.92%、69.27%、81.95%、69.12%、98.12%、30.73%及 2.08%,AUC 为 0.836,相较于US+MG,特异度、准确度、AUC均提高,假阳性降低。349个乳腺病变中,US+MG诊断可能良性80个,可能恶性269个。在US+MG诊断可能良性组,US+CEUS+MG敏感度、特异度、准确度、PPV、NPV及AUC为71.42%、98.63%、92.50%、83.33%、97.30%、0.850。相较于 US+MG,敏感度提高（P<0.05）,但特异度、准确度、NPV及AUC无统计学差异。在US+MG诊断可能恶性组,US+CEUS+MG 敏感度、特异度、准确度、PPV、NPV 及 AUC 为 98.54%、53.78%、76.58%、68.88%、97.26%、0.758。相较于US+MG,特异度、准确度、PPV及AUC提高（P<0.05）,敏感度无统计学差异。349个乳腺病变中,US和MG诊断一致178个,诊断不一致171个。诊断不一致的原因在病理良性组主要是US检查的假阳性（75/108,69.44%）,在恶性组主要是MG为假阴性（58/63,92.06%）。年轻女性、小病变、致密乳房和淋巴结阴性的乳腺癌在不一致组中更常见（P分别为0.008、0.013、0.023和0.000）。不同的病理分级在两组中没有统计学差异。在US和MG诊断一致组,US+CEUS+MG敏感度、特异度、准确度、PPV、NPV及 AUC 为 97.53%、58.76%、76.40%、66.39%、96.61%、0.781,各项相应指标高于US+MG,但无统计学差异。在US和MG诊断不一致组,US+CEUS+MG敏感度、特异度、准确度、PPV、NPV 及 AUC 为 92.06%、85.19%、87.72%、69.05%、94.85%、0.886,其中特异度、准确度、PPV及AUC高于US+MG（P<0.05）,敏感度、NPV无统计学差异。结论:CEUS的补充应用对US+MG的诊断结果的进一步评价有重要价值,可提高诊断效能并减少不必要的活检。在不同US和MG诊断类别中,CEUS的应用价值有所区别。在US+MG诊断可能恶性以及US和MG诊断不一致的病变中,CEUS是有效的补充手段,可提高鉴别诊断效能并减少不必要的活检。在US+MG诊断可能良性组及US和MG诊断一致组,CEUS的补充应用对诊断效能无明显影响,但是可增强诊断信心,将良性病变排除在进一步诊断之外。这些发现可能为CEUS的合理应用提供参考。第二部分:超声造影在乳腺病变鉴别中的应用:与假阳性和假阴性结果相关的因素目的:通过比较乳腺病变超声造影（Contrast-enhanced Ultrasound,CEUS）诊断结果与病理结果,探讨与CEUS假阳性和假阴性诊断结果相关的病变特征,以及这些特征对CEUS诊断效能的影响。方法:纳入2017年1月至2020年6月经病理证实的349个乳腺病变。所有病灶在活检或手术切除前均行乳腺X线、常规超声及CEUS检查。将CEUS结果与病理结果比较,将全部病变分为诊断正确组和诊断错误组:CEUS诊断为可能良性病理证实为良性病变的为真阴性;CEUS诊断为可能恶性病理证实的良性病变为假阳性;CEUS诊断为可能恶性病理证实为恶性的病变为真阳性,CEUS诊断为可能良性病理证实的恶性的病变为假阴性。诊断正确组和诊断错误组的计量资料采用均数±标准差表述,两组间比较采用独立样本t检验,计数资料采用频数（百分比）表述,两组间的比较采用χ2检验。单因素分析中具有统计学差异的因素进行多变量Logistic回归分析,用比值比（Odds ratio,OR）和95%置信区间来评估与CEUS诊断错误（假阳性和假阴性）结果相关的因素。分析不同因素对CEUS诊断效能的比值比（OR）。结果:349个患者共有349个乳腺病灶,良性205个,恶性144个,平均年龄（45.2±11.1）岁。CEUS 诊断的敏感度 88.19%（127/144）,特异度 73.17%（150/205）,准确度 79.36%（277/349）。良性病变的假阳性率（55/205,26.83%）高于恶性病变的假阴性率（17/144,11.81%）。在良性病变中,高危病变（20/55,36.36%）和炎性病变（11/55,20.00%）是导致假阳性诊断的主要原因。在乳腺恶性病变中,原位病变假阴性率（7/47,14.89%）高于浸润病变（10/97,10.31%）,但无统计学意义（χ2=0.497,P=0.481）,乳腺特殊类型癌囊内乳头状癌及粘液癌假阴性率均为50.00%。假阳性与真阴性病变相比,患者年龄更小（P=0.031）,病变距乳头距离（Distance to the papilla,DtP）更短（P=0.048）,合并高危病变比例更高（P=0.000）。分层分析显示,年龄≤45岁假阳性率高于年龄>45岁（OR=3.748,P=0.001）。距离乳头≤20mm的假阳性率高于距离乳头＞20mm（OR=2.747,P=0.010）。高危病变假阳性率高于非高危病变（OR=7.857,P=0.000）。多变量分析表明,年龄、DtP、病理分组与CEUS假阳性诊断结果显着相关（OR值分别为:2.284、1.285、1.895;P 值分别为:0.002、0.048、0.035）。假阴性与真阳性病变相比,患者年龄更小（P=0.046）,病变最大径线（Lesion maximum diameter,LMD）更小（P=0.000）。分层分析显示,年龄≤45岁假阴性率高于年龄>45岁（OR=3.581,P=0.014）。病变最大直径≤10mm的假阴性率高于病变最大直径>10mm（OR=12.527,P=0.000）。多变量分析表明,年龄、LMD与CEUS假阴性诊断结果显着相关（OR值分别为:1.718、2.173;P值分别为0.047、0.031）。年龄、LMD及DtP对CEUS诊断效能有显着影响。CEUS对年龄>45岁、病灶LDM>10mm、DtP>20mm的病灶诊断效能分别高于年龄≤45岁、LDM≤10 mm以及DtP≤20 mm 的病灶（OR 分别为 2.620,2.391,2.309）。结论:CEUS在乳腺病变鉴别诊断中的应用存在局限性。病变的多种临床、病理及影像特征与错误诊断相关。年龄小与假阳性和假阴性诊断均相关,较短的DtP,高危病变与假阳性诊断相关,较小的病变最大径线与假阴性诊断相关。年龄,LMD及DtP均可影响CEUS的诊断效能。明确与CEUS假阳性和假阴性诊断的相关因素,可在乳腺病变的诊断中适当使用CEUS及选择可用的替代方案,提高诊断准确度。第三部分:乳腺良性高危病变的超声造影:特征分析及诊断价值评估目的:探讨乳腺良性高危病变的超声造影（Contrast-enhanced ultrasound,CEUS）定性分析及定量分析特征,评估CEUS对高危病变诊断的应用价值。方法:对2017年1月至2020年6月在我院经病理证实的205个乳腺良性病变（其中高危病变34个,非高危病变171个）的常规超声（Ultrasound,US）、乳腺X线摄影（Mammography,MG）及CEUS检查结果进行分析。对CEUS进行定性分析及定量分析,并且根据罗葆明等提出的五分制系统进行评分（1-3分为非高危病变,4-5分为高危病变）。常规US及MG诊断均按照BI-RADS分类。根据CEUS评分调整初始US分类,调整后分类结果作为US+CEUS的联合诊断结果。US+MG及US+CEUS+MG联合诊断以US、MG及US+CEUS分类高者作为联合诊断结果。0、1、2、3类为非高危病变,4、5类为高危病变。定性指标用频数（百分比）表示,采用χ2检验比较组间差异,定量指标用均数±标准差表示,采用t检验比较组间差异。通过 ROC 曲线评估 US、MG、US+MG、CEUS、US+CEUS 及 US+CEUS+MG 对高危病变的诊断效能,并用Z检验比较曲线下面积。结果:205个乳腺良性病变中,非高危171个,高危34个。高危病变与非高危病变的多项CEUS定性及定量指标存在差异。定性指标中,高危病变高增强比例（P=0.000）、快进比例（P=0.000）、向心性增强比例（P=0.000）、增强边缘不清晰比例（P=0.004）、增强形态不规则比例（P=0.000）、增强后范围增大比例（P=0.000）和放射状灌注出现比例（P=0.000）均高于非高危病变。二者的增强均匀性（P=0.269）、环状增强（P=0.317）和灌注缺损比例（P=0.436）没有统计学差异。定量指标中,高危病变峰值强度（Peak Intensity,PI）、相对峰值强度（△PI）高于非高危病变（P分别为0.026、0.018）,相对开始增强时间（△AT）长于非高危病变（P=0.001）。US+CEUS+MG鉴别诊断的敏感度、特异度、准确度分别为94.11%,81.87%,83.90%,AUC 为 0.877,高于 US（AUC=0.411,P=000）、MG（AUC=0.665,P=0.030）、US+MG（AUC=0.437,P=0.000）及 CEUS（AUC=0.689,P=0.009）,与 US+CEUS 无明显差异（AUC=0.871,P=0.780）。结论:CEUS可评价乳腺良性高危病变与非高危病变的血管化程度差异,二者多项CEUS定性及定量指标存在统计学差异。相较于非高危病变,高危病变开始增强时间更早,速度更快,强度更高,增强后边缘不清晰、形态不规则、出现异常灌注和范围增大的比例更大。在US和MG基础上补充CEUS检查,不仅可以提高高危病变的检出,避免因低估而引起的治疗延迟,还可减少良性非高危病变不必要的活检,为临床下一步治疗提供依据。
钟柯婷[9]（2021）在《乳腺肿瘤可解释AI诊断模型的研究与应用》文中研究说明乳腺是分泌乳汁,哺育后代的重要人体器官,而乳腺肿瘤是发生在乳腺组织的良性或恶性肿瘤。乳腺肿瘤诱因繁多,发病率持续上升,是威胁女性健康的重要杀手。乳腺钼靶X线检查操作简便、分辨率高、可靠性强是乳腺肿瘤筛查的首选。其中乳腺钼靶X线检查报告记录着患者的影像表现、医生对患者报告的诊断意见等内容,是影像的高层显示和高度总结,蕴含丰富的语义信息。所以,充分利用深度学习技术辅助医生进行乳腺肿瘤人工智能（Artificial Intelligence,AI）诊断,是人工智能助力医疗事业的重要体现,有助于提高医生工作效率,缓解工作压力。近几年大量研究学者将兴趣投入到乳腺肿瘤AI诊断的研究中,各种诊断模型孕育而生,但始终无法应用于临床医疗诊断,主要归因于:基于机器学习的传统乳腺肿瘤AI诊断模型准确性不高;而基于深度学习的现代乳腺肿瘤AI诊断模型准确性提高,但诊断过程的透明度、可解释性不足。为解决上述传统诊断模型诊断准确率低及现代诊断模型可解释性缺乏的问题,本文使用上海某三甲医院的真实乳腺钼靶报告数据集,提出了基于语义嵌入和胶囊网络的乳腺肿瘤可解释AI诊断模型。在此基础上,设计并实现了乳腺肿瘤可解释辅助诊断系统,辅助医生高效诊断。本文的主要工作有以下三个方面。1)提出乳腺钼靶融合语义嵌入获取词向量的方法首先分析了上海某三甲医院采集的乳腺钼靶检查报告的特点;然后利用报告语义分段算法分割报告,与乳腺影像报告和数据系统（Breast Image Report And Data System,BI-RADS）分级结果提取划分得到的标签进行联立,完成数据集的准备;接着基于“段-组织描述句-属性描述句”规则,利用依存句法构建含有单个病灶、单个部位的可扩展标记语言（Extensible Markup Language,XML）格式语义树;最后将语义树融入BERT（Bidirectional Encoder Representation from Transformers）,实现乳腺钼靶融合语义嵌入预训练获取词向量的方法,该词向量针对医疗领域且包含乳腺组织层次关系。2)构建基于胶囊网络的乳腺诊断预测与可解释性模型该模型将预训练得到的词向量用于多头注意力和胶囊网络中,实现乳腺肿瘤的良恶性诊断预测。首先使用多头注意力机制语义表征提取特征;其次利用改进后的胶囊网络进行预测分类,将胶囊网络从计算机视觉分类任务扩展到乳腺钼靶报告文本预测分类任务中。实验结果显示,本文提出的模型微平均精确率、微平均召回率、微平均F1分数、宏平均精确率、宏平均召回率和宏平均F1分数分别为91.58%、91.58%、91.58%、75.95%、79.73%和77.14%。同时,模型集成四种方法对实例的预测结果做出解释,主要包括基于反向传播原理和动态路由算法的局部自解释,基于多头向量词频统计的全局自解释,基于扰动的模型无关局部可解释LIME（Local Interpretable Model-agnostic Explanation）方法,基于博弈论的模型无关全局可解释SHAP（SHapley Additive ex Planations）方法。3)设计并实现了乳腺肿瘤可解释辅助诊断系统该系统以语义树嵌入BERT预训练提取词向量模块和基于多头注意力、胶囊网络的乳腺诊断预测与可解释性模型为核心,从而辅助医生更好地给出诊断意见。系统通过需求分析、用例分析、系统设计和数据库设计等软件开发步骤,实现医生端的患者钼靶报告管理、诊断预测管理和可解释性分析等功能。同时,管理员端主要实现对用户权限、用户信息的管理功能,以此保证系统安全性。综上,本文通过对乳腺钼靶语义嵌入BERT预训练获取词向量的叙述、乳腺诊断预测与可解释性模型的构建,研究并实现了乳腺肿瘤可解释辅助诊断系统。
王志远[10]（2021）在《IVIM与定量DCE-MRI鉴别乳腺良恶性肿瘤价值的比较研究》文中指出目的:比较基于体素内不相干运动（intro-voxel incoherent motion,IVIM）扩散加权成像与动态增强磁共振成像（dynamic contrast enhanced MRI,DCE-MRI）在鉴别乳腺良恶性病变中的价值,并探讨两种模型定量参数之间的相关性。资料与方法:回顾性分析本院2019年10月至2020年7月期间经病理确诊的88例乳腺肿瘤患者,共93个病灶。根据病理结果分为良性肿瘤组和恶性肿瘤组,其中良性肿瘤44个,恶性肿瘤49个。所有患者于穿刺活检或术前2周内均行乳腺MRI检查常规扫描、IVIM及DCE-MRI检查,使用GE后处理工作站AW 4.6测量IVIM的纯扩散系数（true diffusion coefficient,D）、灌注相关扩散系数（pseudo diffusion coefficient,D*）、灌注分数（perfusion fraction,f）和DCE-MRI的容积转运常数(Ktrans)值、反向转移常数(Kep)值、血管外细胞外间隙容积分数（Ve）。采用两独立样本t检验或Mann-Whitney U检验比较各参数在乳腺良、恶性肿瘤组间的统计学差异,绘制ROC曲线确定各参数诊断乳腺恶性肿瘤的阈值以及曲线下面积（AUC）、诊断敏感性和特异性。采用Pearson或Spearman相关性分析评估IVIM和DCE-MRI灌注参数的相关性。结果:乳腺良性肿瘤、恶性肿瘤组的D值(×10-3mm2/s)分别为1.002±0.193和0.732±0.132,f值（%）分别为34.1±8.9和24.1±6.5,乳腺恶性肿瘤D、f值低于良性组,差异有统计学意义（P均<0.001）,乳腺良、恶性肿瘤D*值(×10-3mm2/s)分别为3.916±1.485和4.464±1.523,D*值在两组间无统计学差异（P=0.078）;良性肿瘤组、恶性肿瘤组的Ktrans值(min-1)分别为0.310±0.108和0.777±0.270,Kep值(min-1)分别为0.390（0.244）和0.971（0.502）,Ve值分别为0.962（0.339）和0.730（0.368）,恶性肿瘤Ktrans、Kep值高于良性组,差异有统计学意义（P均<0.001）,Ve值在两组间无统计学差异（P=0.081）。IVIM参数D、f值诊断乳腺癌的AUC分别为0.891和0.827,IVIM联合（D+f）诊断的AUC为0.937;DCE-MRI定量参数Ktrans、Kep诊断乳腺癌的AUC分别为0.933和0.948,DCE-MRI联合(Ktrans+Kep)诊断的AUC为0.955。D值与Ktrans、Kep的诊断效能无统计学差异,DCE-MRI联合与IVIM联合参数的AUC差异无统计学意义（P=0.568）。D与Ktrans呈中度负相关（r=-0.469,P<0.001）,与Kep呈中度负相关（r=-0.501,P<0.001）,f值与Ktrans、Kep呈弱负相关（r=-0.397、r=-0.328,P均<0.001）。结论:定量DCE-MRI参数(Ktrans、Kep)及IVIM（D、f值）均能有效鉴别乳腺良、恶性肿瘤,IVIM与DCE-MRI参数具有相似的诊断效能,IVIM及DCE-MRI灌注参数有一定的相关性。
二、良、恶性乳腺肿瘤的X线分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、良、恶性乳腺肿瘤的X线分析（论文提纲范文）
（1）数字化乳腺X线检查与MR扩散加权成像诊断乳腺良恶性病变的作用（论文提纲范文）
| 1 对象与方法 |
| 1.1 研究对象 |
| 1.2 方法 |
| 1.3 观察指标 |
| 1.4 统计学方法 |
| 2 结果 |
| 2.1 两组一般资料对比 |
| 2.2 X线、MR扩散加权成像诊断效能对比 |
| 2.3 MR扩散加权成像检查中不同b值下良性、恶性病变组织ADC值对比 |
| 2.4 MR扩散加权成像诊断乳腺肿瘤良、恶性结节的结果 |
| 3 讨论 |
（2）钼靶X线与超声弹性成像联合检查在乳腺良恶性肿瘤鉴别诊断中的临床价值（论文提纲范文）
| 1 资料与方法 |
| 1.1 一般资料 |
| 1.2 纳入及排除标准 |
| 1.3 方法 |
| 1.4 观察指标及判定标准 |
| 1.5 统计学方法 |
| 2 结果 |
| 2.1 三种检查方法的病灶诊出率、良恶性鉴别准确率比较 |
| 2.2 三种检查方法对不同直径病灶的诊出率比较 |
| 2.3 三种检查方法的灵敏性、特异性、阳性预测值、阴性预测值比较 |
| 3 讨论 |
（3）基于激光图像处理技术的微小乳腺肿瘤精准诊断（论文提纲范文）
| 0 引言 |
| 1 激光图像处理技术的微小乳腺肿瘤精准诊断方法 |
| 1.1 图像预处理与图像增强 |
| 1.2 图像分割处理 |
| 1.3 特征提取 |
| 1.3.1 纹理特征 |
| 1.3.2 几何特征 |
| 2 实验结果分析 |
| 2.1 乳腺X线图像处理 |
| 2.2 微小乳腺肿瘤诊断结果 |
| 3 总结 |
（4）全数字化钼靶X线摄影、超声和磁共振成像对高龄乳腺肿瘤患者的诊断效能（论文提纲范文）
| 1 资料与方法 |
| 1.1 一般资料 |
| 1.2 研究方法 |
| 1.3 观察指标 |
| 1.4 统计学方法 |
| 2 结果 |
| 2.1 不同诊断方式的诊断与病理结果 |
| 2.2 不同诊断方式在诊断恶性乳腺肿瘤的诊断效能 |
| 3 讨论 |
（5）乳腺肿瘤自动分类关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 乳腺CAD系统的研究与发展 |
| 1.2.2 实验数据库 |
| 1.3 现阶段存在的问题与挑战 |
| 1.4 本文的研究内容和结构安排 |
| 第2章 基于FCM的乳腺X线图像肿块分割 |
| 2.1 乳腺X线图像预处理 |
| 2.1.1 基于灰度变换的对比度增强 |
| 2.1.2 基于小波变换的图像去噪 |
| 2.1.3 实验结果与分析 |
| 2.2 基于FCM的肿块分割 |
| 2.2.1 引言 |
| 2.2.2 FCM分割基本理论 |
| 2.2.3 GA算法 |
| 2.2.4 PSO算法 |
| 2.2.5 基于PSO和 GA的 FCM算法 |
| 2.2.6 实验结果与分析 |
| 2.3 本章小结 |
| 第3章 基于多尺度的乳腺X线图像肿块特征提取 |
| 3.1 引言 |
| 3.2 乳腺肿块特征提取 |
| 3.2.1 几何特征 |
| 3.2.2 灰度特征 |
| 3.2.3 纹理特征 |
| 3.2.4 特征分析 |
| 3.3 乳腺肿块多尺度融合特征 |
| 3.3.1 高斯金字塔 |
| 3.3.2 多尺度特征融合 |
| 3.4 特征降维 |
| 3.5 本章小结 |
| 第4章 基于支持向量机的乳腺X线图像肿块分类 |
| 4.1 引言 |
| 4.2 PSO优化的SVM分类器 |
| 4.2.1 SVM分类器 |
| 4.2.2 径向基核SVM分类器 |
| 4.2.3 PSO-SVM分类器 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据及设置 |
| 4.3.2 分类器评价指标 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论及创新点 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（6）DCE-MRI联合不同b值DWI对肿块型乳腺癌的诊断价值分析（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 英文缩写 |
| 前言 |
| 材料与方法 |
| 结果 |
| 附图 |
| 附表 |
| 讨论 |
| 结论 |
| 参考文献 |
| 综述 乳腺癌及其检查方法的现状与进展 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（7）超声加钼靶检查对早期乳腺良恶性肿瘤的诊断性（论文提纲范文）
| 1资料与方法 |
| 1.1 一般资料 |
| 1.2 方法 |
| 1.3 观察指标 |
| 1.4 统计学分析 |
| 2结果 |
| 2.1 对比不同检查方法的良恶性肿瘤诊断结果 |
| 2.2 对比不同检查方法的准确度、特异度、敏感度、阳性预测值、阴性预测值 |
| 3讨论 |
（8）超声造影在乳腺病变诊断中的应用价值及影响因素探讨（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 先进性与创新性 |
| 符号说明 |
| 第一部分 超声造影对乳腺病变常规诊断的补充应用价值评估 |
| 前言 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 结论 |
| 附图 |
| 附表 |
| 第二部分 超声造影在乳腺病变鉴别中的应用：与假阴性和假阳性结果相关的因素 |
| 前言 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 结论 |
| 附图 |
| 附表 |
| 第三部分 乳腺良性高危病变的超声造影：特征分析及诊断价值评估 |
| 前言 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 结论 |
| 附图 |
| 附表 |
| 综述 乳腺超声新技术的应用价值及局限性 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 学位论文评阅及答辩情况表 |
| 英文论文1 |
| 英文论文2 |
（9）乳腺肿瘤可解释AI诊断模型的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 乳腺诊断模型的研究现状 |
| 1.2.2 可解释性研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构 |
| 2 相关技术 |
| 2.1 医疗文本语义树构建技术 |
| 2.2 词向量预训练技术 |
| 2.3 深度学习算法 |
| 2.3.1 多头注意力机制 |
| 2.3.2 胶囊网络 |
| 2.4 模型可解释分析 |
| 2.4.1 LIME |
| 2.4.2 SHAP |
| 2.5 本章小结 |
| 3 乳腺钼靶数据预处理及词向量预训练 |
| 3.1 总体系统模块架构图 |
| 3.2 乳腺钼靶X线检查报告预处理 |
| 3.2.1 乳腺钼靶X线报告分析 |
| 3.2.2 报告语义分段 |
| 3.2.3 数据集准备 |
| 3.3 语义嵌入预训练词向量 |
| 3.3.1 报告语义树构建 |
| 3.3.2 语义嵌入提取词向量 |
| 3.4 实验结果及分析 |
| 3.4.1 训练环境及实验数据 |
| 3.4.2 报告分段及语义树构建结果 |
| 3.4.3 词向量获取的结果 |
| 3.5 本章小结 |
| 4 乳腺诊断预测与可解释性模型 |
| 4.1 乳腺诊断预测与可解释性模型总体流程 |
| 4.2 基于语义嵌入和胶囊网络的乳腺肿瘤诊断模型 |
| 4.2.1 多头注意力提取特征 |
| 4.2.2 激活胶囊网络预测分类层 |
| 4.3 模型自解释 |
| 4.3.1 模型局部自解释 |
| 4.3.2 模型全局自解释 |
| 4.4 实验结果及分析 |
| 4.4.1 预测模型实验结果 |
| 4.4.2 自解释实验结果与分析 |
| 4.4.3 模型无关可解释实验结果与分析 |
| 4.5 本章小结 |
| 5 乳腺肿瘤可解释辅助诊断系统的设计与实现 |
| 5.1 系统需求分析 |
| 5.1.1 用户需求 |
| 5.1.2 功能需求 |
| 5.2 系统用例模型 |
| 5.3 系统设计 |
| 5.3.1 总体设计 |
| 5.3.2 技术方案 |
| 5.3.3 数据库设计 |
| 5.4 系统实现 |
| 5.4.1 开发环境 |
| 5.4.2 登录注册 |
| 5.4.3 首页实现 |
| 5.4.4 报告信息实现 |
| 5.4.5 乳腺肿瘤诊断模块实现 |
| 5.4.6 模型可解释性分析模块实现 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读学位期间的研究成果目录 |
| 致谢 |
（10）IVIM与定量DCE-MRI鉴别乳腺良恶性肿瘤价值的比较研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 第2章 材料和方法 |
| 2.1 研究对象 |
| 2.1.1 纳入标准 |
| 2.1.2 排除标准 |
| 2.2 检查方法 |
| 2.2.1 检查设备 |
| 2.2.2 扫描参数 |
| 2.3 图像分析和后处理 |
| 2.3.1 IVIM-DWI图像后处理 |
| 2.3.2 DCE-MRI图像后处理 |
| 2.3.3 ROI的勾画和放置原则 |
| 2.4 统计学分析 |
| 第3章 结果 |
| 3.1 一般资料比较和病理结果 |
| 3.2 观察者间的一致性分析 |
| 3.3 IVIM与DCE-MRI参数良恶组间的差异 |
| 3.4 IVIM与DCE-MRI参数的诊断效能 |
| 3.5 IVIM与DCE-MRI参数效能的比较 |
| 3.6 IVIM与DCE-MRI灌注参数的相关性 |
| 第4章 讨论 |
| 4.1 乳腺肿瘤发生的病理学机制 |
| 4.2 乳腺肿瘤的影像学评估现状 |
| 4.3 DCE-MRI鉴别乳腺良恶性肿瘤的价值 |
| 4.4 IVIM参数鉴别乳腺良恶性肿瘤的价值 |
| 4.5 IVIM与DCE-MRI灌注参数的相关性 |
| 4.6 IVIM和DCE-MRI诊断效能的比较 |
| 第5章 结论与展望 |
| 5.1 研究结论 |
| 5.2 研究的局限性 |
| 5.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 综述 功能磁共振成像在乳腺癌诊断中的研究进展 |
| 参考文献 |
四、良、恶性乳腺肿瘤的X线分析（论文参考文献）
- [1]数字化乳腺X线检查与MR扩散加权成像诊断乳腺良恶性病变的作用[J]. 郭慧. 医学食疗与健康, 2022(03)
- [2]钼靶X线与超声弹性成像联合检查在乳腺良恶性肿瘤鉴别诊断中的临床价值[J]. 张英惠. 中国现代药物应用, 2022(01)
- [3]基于激光图像处理技术的微小乳腺肿瘤精准诊断[J]. 魏静. 微型电脑应用, 2021(09)
- [4]全数字化钼靶X线摄影、超声和磁共振成像对高龄乳腺肿瘤患者的诊断效能[J]. 林继平,童陶然,赵茜平,胡献金. 中国医药导报, 2021(22)
- [5]乳腺肿瘤自动分类关键技术研究[D]. 吕冰垚. 长春理工大学, 2021(02)
- [6]DCE-MRI联合不同b值DWI对肿块型乳腺癌的诊断价值分析[D]. 边桂风. 河北北方学院, 2021(02)
- [7]超声加钼靶检查对早期乳腺良恶性肿瘤的诊断性[J]. 戴海霞,林国太,韩思敏,刘丽娟,徐晓红,蔡晓冰,黄星,刘尔球. 影像研究与医学应用, 2021(11)
- [8]超声造影在乳腺病变诊断中的应用价值及影响因素探讨[D]. 徐平. 山东大学, 2021(12)
- [9]乳腺肿瘤可解释AI诊断模型的研究与应用[D]. 钟柯婷. 东华大学, 2021(09)
- [10]IVIM与定量DCE-MRI鉴别乳腺良恶性肿瘤价值的比较研究[D]. 王志远. 南昌大学, 2021(01)