第一部分 基于各单一序列的影像组学模型对乳腺良恶性病变的鉴别诊断效能的探讨目的:基于T2WI、T1WI、ADC、DKI、DCE-MRI五个序列分别构建五个影像组学模型,探讨各影像组学模型对乳腺良恶性病变的诊断效能。材料和方法:回顾性分析苏州大学附属第二医院2015年6月至2019年8月间行乳腺常规MRI、DWI及DCE-MRI扫描并经病理证实的207例共207个乳腺病灶的MRI资料,其中良性病变95个,恶性病变112个。用Omni-Kinetic软件(O.K软件)后处理乳腺DCE-MRI图像得DCE定量参数图,采用Firevoxel软件后处理乳腺DWI图像,得到ADC图及DKI图(峰度图和扩散率图)。在增强后第八期图像上勾画病灶三维全容积ROI,确定病灶位置和大小时,同时参考T2WI图像,然后将ROI映射到DCE定量参数图、ADC、DKI、T2WI、T1WI图像上。首先,通过评价207个病灶的T2WI、T1WI、ADC、DKI、DCE定量参数图的影像组学特征提取的一致性来评估观察者内及观察者间分割病灶的一致性,ICC大于0.75表示一致性良好。然后,将所有病例根据检查时间按7:3的比例分成训练组和验证组。将训练组中每个病灶的各单一序列(包括T2WI、T1WI、ADC、DKI及DCE定量参数图)的ROI体素,通过Python 3.6和Pyradiomics工具包提取出各自的计算机衍生特征,包括形态特征、一阶特征、纹理特征三种,采用Spearman相关性检验和LASSO算法逐步进行特征筛选,确定关键特征集。运用支持向量机(SVM)分类器对训练组的具有关键特征的支持向量机模型进行训练,得到可用于鉴别乳腺良恶性病变的各个序列的影像组学模型,将各序列影像组学模型分别用于验证组良恶性病变的鉴别诊断,采用ROC曲线评价该影像组学模型的诊断效能,计算其鉴别乳腺良恶性病变的敏感度、特异度和准确度,并比较各单一序列影像组学模型的诊断效能差异。结果:112个乳腺恶性病变中,最常见的是浸润性导管癌,占86例(76.79%);95个乳腺良性病变中以纤维腺瘤最常见,占48例(50.53%)。对于207例T2WI、T1WI、ADC、DKI、DCE定量参数图,同一观察者两次影像组学特征提取的ICC范围为0.804-0.996,两观察者间特征提取的ICC范围为0.751-0.996。观察者内及观察者间影像组学特征的提取均有良好的一致性。采用一观察者勾画的病灶三维全容积ROI完成病灶图像的分析处理(提取影像组学特征、构建影像组学模型)。经上述多种特征提取方法共获得862个影像组学特征,经多步特征筛选方法进行降维,从五个序列(T2WI、T1WI、ADC、DKI、DCE定量参数图)中分别得到7、29、5、3和17个非零系数的最佳诊断特征。运用支持向量机(SVM)分类器基于训练组得到的各个序列(T2WI、T1WI、ADC、DKI、DCE定量参数图)的影像组学模型对鉴别乳腺良恶性病变具有较高的诊断效能,在验证组得到的AUC值分别为0.791、0.730、0.770、0.788 和 0.836;准确度分别为 0.708、0.646、0.813、0.729 和 0.750。结论:本研究表明基于T2WI、T1WI、ADC、DKI、DCE定量参数图所提取的影像组学特征在观察者内及观察者间均具有良好的一致性,所构建的各单一序列影像组学模型对鉴别乳腺良恶性病变具有合理的诊断效能,基于DCE定量参数图构建的模型显示出最大的诊断效能。单一序列影像组学可作为鉴别乳腺良恶性病变的辅助方法。第二部分 多序列组合的影像组学模型对乳腺良恶性病变的鉴别诊断效能的探讨目的:在T2WI、T1WI、ADC、DKI及DCE定量参数图五个序列中选取两个或三个进行组合,构建鉴别诊断乳腺良恶性病变的多个序列组合的影像组学模型。探讨各多序列组合的影像组学模型对乳腺良恶性病变的诊断效能,并比较它们间的差异,确定最佳的多序列组合影像组学模型。材料和方法:纳入207个乳腺病灶,其中良性病变95个,恶性病变112个。将所有病例根据检查时间按7:3的比例随机分成训练组和验证组。在第一部分获得的分别基于T2WI、T1WI、ADC、DKI、DCE定量参数图的各个单一序列影像组学模型所选择的特征集中选取两个或三个进行组合,再次采用Spearman相关性检验和LASSO算法逐步进行特征选择,确定关键特征集;运用支持向量机(SVM)分类器基于训练组对具有关键特征的支持向量机模型进行训练,得到可用于鉴别乳腺良恶性病变的各种序列组合的影像组学模型,分别用于验证组良恶性病变的鉴别诊断,采用ROC曲线评价各多序列组合的影像组学模型的诊断效能。由于ADC图与DKI图均是由DWI序列衍生而来,因此该两序列的组合未列入两个序列组合的讨论之中。对于两个序列组合得到的模型,T2WI、DCE定量参数图和DKI三个中任意两个组合,都可以提高影像组学模型的诊断效率。但T1WI或ADC图与其它序列组合的模型的诊断性能相较于较优的单个序列模型并没有提高,反而有所减低,因此决定随后三个序列组合的模型中不包含T1WI和ADC图。最后,将T2WI、DCE定量参数图和DKI三个序列组合建立含有三个序列的影像组学模型。以上模型均在训练组中构建,并在相应验证组中进行模型测试。采用ROC曲线评价各种多序列组合的影像组学模型对乳腺良恶性病变的鉴别诊断效能,并比较它们间的差异,确定具有最佳诊断效能的多序列组合影像组学模型,计算其鉴别乳腺良恶性病变的敏感度、特异度和准确度。最终得到的T2WI、DCE定量参数图和DKI三个序列组合的影像组学模型包含了 22个特征,应用Kolmogorov-Smirnov检验(K-S检验)检验该模型各个特征是否符合正态分布,Student t检验用于各特征在乳腺良恶性病变中的差异性比较,各个特征的分布用均值、中值和方差来描述。所有的统计检验都是双向的,P值小于0.05被认为具有统计学意义。结果:两组序列组合(T2WI+T1WI、T2WI+ADC、T2WI+DKI、T2WI+DCE 定量参数图、T1WI+ADC、T1WI+DKI、T1WI+DCE 定量参数图、ADC+DCE 定量参数图、DKI+DCE定量参数图)的影像组学模型的AUC值分别为:0.782、0.664、0.805、0.873、0.664、0.788、0.832、0.716和0.884;T2WI、DCE定量参数图和DKI三个序列组合的影像组学模型的AUC值、准确度、敏感度和特异度分别为:0.921、0.833、0.750和0.950。三个序列组合的影像组学模型的22个特征包括12个纹理特征、9个一阶特征和1个形状特征;且22个特征中16个在乳腺恶性病变组和良性病变组的分布存在统计学差异(P<0.05),包括10个纹理特征和6个一阶特征,其中11个特征是从DCE定量参数图提取的。结论:本部分研究表明,从多个MR序列中提取的影像组学特征有助于建立区分乳腺良恶性病变的预测模型。DCE定量参数图的影像组学特征对乳腺病变的鉴别诊断具有重要意义。T2WI和DKI是DCE-MRI提高诊断效率的有效辅助手段。基于T2WI、DKI和DCE定量参数图建立了最佳的影像组学模型。因此,基于多模态MRI的影像组学模型对乳腺良恶性病变的鉴别诊断具有重要作用,随着研究的深入,有望成为临床适用的客观、全面的诊断新方法。