文摘
激素的变化表达与乳腺癌的功效(BC) VGG19FCN算法和超声组学研究。公元前120患者入选,其中90为激素受体阳性,30负的。VGG19FCN模型算法和分类器选择超声乳房地图的特点,进行分类,取得了可靠的超声波特性数据。公元前的评估和分析激素受体表达与临床疗效在公元前患者意识到通过使用超声组学。评估的结果VGG19FCN算法 , ,和 。当用于分类的分类器是公元前的病变特征的形象,在一定程度上提高分类的敏感性。与放射科医生的分类相比,公元前分类患者是否有病变时,灵敏度增加了22.7%,精度从71.9%上升到79.7%,具体评价指标增加了0.8%。之间没有实质性差异表明RT(到达时间),威斯康星州在斜坡(洗),和TTP(高峰时间)之前和之后的化疗, 。化疗后,AUC(曲线下的面积)和π(峰值强度)的超声检查是大大低于在化疗之前,还有大量统计数据的差异( )。总之,VGG19FCN算法有效地降低了传统的主体性超声波图像,可以有效改善的价值在公元前的准确诊断超声图像特征。它提供了一个理论依据公元前的后续治疗和生物行为的预测。VGG19FCN算法有一个良好的性能在公元前的超声图像处理病人,化疗之后和激素受体表达发生了实质性的变化。
1。介绍
乳腺疾病包括乳腺炎性疾病、乳腺良性病变,恶性肿瘤。乳腺、脂肪、临床与乳腺组织是由相关疾病,如黑死统称为乳腺疾病。一般来说,这类疾病分为三个类别,如乳腺炎性疾病,乳腺良性病变,乳腺的恶性肿瘤。这些乳房疾病会造成巨大的伤害,女性患者的身心健康。随着社会压力对女性乳房疾病已逐渐成为威胁到健康的主要疾病之一的现代女性1- - - - - -3]。乳腺疾病的早期阶段往往有以下症状:乳房胀痛,乳房,和乳头溢液。其中,疼痛发生在哺乳期间,腹胀疼痛或跳动的疼痛,和红、肿胀、热现象,受影响的区域变硬,裂开的乳头出现在早期阶段,主要是乳腺炎。乳腺上皮增生应该考虑如果断断续续的一侧乳房弥漫性钝痛,字符串疼痛,或局部的钝痛,刺痛,与月经周期及情绪变化有关。公元前后期由于神经病变的入侵,也可能出现乳房疼痛。
公元前相关临床数据显示,女性是主要的癌症在大城市4- - - - - -6]。根据其分子标记表达和生物学行为,它可以分为几个临床亚型。这些分子的基于输入是一个必要的参考临床选择最合适的治疗方法,是很有价值的个性化治疗。所有的分子标记之一,雌激素受体(ER)、孕激素受体(PR),和人类表皮生长因子受体- 2 (her - 2)必须在个性化治疗决策。内分泌治疗和靶向治疗已经针对这些分子标记的阳性表达。因此,早期诊断和鉴别诊断的公元前恶性程度高有很大的指导价值的预后和临床诊断和治疗的病人。因此,高度恶性肿瘤的早期检测和诊断,疾病的治疗越好。目前,这些分子标记的表达主要是由免疫组织化学分析穿刺标本或手术切除肿瘤。
深度学习一直在快速发展,由于在图像处理应用价值高。通过高通量在深度学习radiomics提取超声图像的定量特征(7- - - - - -9),图像被转换为收集数据并结合其他病人的临床资料,通过复杂的生物信息学工具挖掘改善病变诊断的准确性和预后分析,提供决策支持。相关研究应用于预测和诊断淋巴结转移和腋窝淋巴结转移。当0或多个预测腋窝淋巴结转移,AUC是0.902,腋窝淋巴结转移负载可以有效地预测。在预测1 - 2或3腋窝淋巴结转移,AUC为0.905,预测效率大大高于腋超声检查,临床病理信息预测模型和简单的基于图像的深度学习模型(10]。
在不久的将来,人工智能算法将上级公元前疾病的诊断和疗效评价。超声下组织学使用人工智能算法,公元前肿瘤的组织病理学数据可以更有效地分析,它扮演着一个非常必要的角色在判断肿瘤组织的大小,淋巴血管侵犯、和指导术前辅助手术。
超声波技术基于VGG19FCN算法被用来探索和分析乳腺激素受体的表达和有效性在公元前患者化疗前后,从而为临床诊断和治疗提供参考的BC。
2。信息和方法
2.1。研究对象
120 BC住院患者选择,和他们都是单一病灶经手术和病理检查。根据正面和负面公关,呃,他们分为激素受体阳性组和阴性组。其中,激素受体阳性90例,30例激素受体是负数。积极组的年龄是39 - 88岁,和负面组34 - 79岁。所有研究获得患者的知情同意,满足医学伦理的要求。
入选标准如下:(1)没有化疗、放疗、内分泌治疗之前进行了这项研究。(2)所有患者接受手术和病理检查是单一的病变。
排除标准如下:(1)化疗或内分泌治疗的存在在这个研究。(2)患者造血功能障碍和主要器官功能障碍。(3)患者的症状BC转移。(4)病人和他们的家属没有签署知情同意。
2.2。评价超声组学的化疗效果
病人参与这项研究超声组学在两周内成像检查化疗,化疗后两周。上最长的直径,降低损伤测量的直径,和横断面图像保存在超声波设备。RT(到达时间),威斯康星州在斜坡(洗),TTP(达到峰值的时间),AUC(曲线下的面积),和π(峰值强度)的患者测量并做记录。超声检查的患者化疗前后记录,包括RT,威斯康星州,TTP, AUC,π。
2.3。超声波仪器和方法
彩色多普勒超声波诊断装置,探测模型LA523探头,探头频率是42 MHz。仪器的具体参数是根据每位患者的不同情况调整达到最佳的超声图像质量。
在超声检查,患者被要求采取仰卧位,举手,充分暴露出乳腺组织和腋窝区域两侧探头检查。横剖面,纵切面和双边乳房的乳腺检查。损伤被发现后,multiangle扫描了,大小,形状,和回声的乳腺病变的病人进行了评估和分析。
2.4。通过VGG19FCN超声图像分割算法
VGG19FCN所有超声图像分割的算法。例如,VGG19模型图1曾是主要的网络删除全部链路层和抽样层,最后网络结构。因为整个网络结构后删除整个链路层只有卷积和汇聚层,这种网络结构被命名为VGG19FCN卷积神经网络。
的分类网络VGG19 pretrained(图2);完全连接层删除,添加抽样层。最后,充分卷积神经网络转化为完全实现卷积神经网络和接下来的培训。基本模型VGG19FCN /超声波静态图像的自动分割训练(11]。然后,根据结果,VGG19FCN的重量/调整得到一个新的细分模型VGG19FCN / B。
实验的所有系数的分析方法是骰子相似系数(DSC),它可以精确测量自动分割图像和手动标记图像的区别(12,13]。详细的计算如下。
TS和FP算法和手动分割的结果,分别。DSC 1表明,该算法具有良好的分割效果,和DSC(0)表明,分割是错误的。
计算MPA(平均像素精度)所示
是nonsegmented正确的大小和MPA是正确分割大小/人工标记号;MPA越大,更好的分割性能。
借据的计算(十字路口在联盟)所示
借据代表公元前的十字路口之间的比例和工会病变标记结果的算法和手动标记结果。借据越高,算法的分割效果优越。
2.5。算法分类策略
分类器算法的基本理论思想是进一步调整训练子集的分布根据基本分类结果的基本分类器的训练算法。分类器的训练期间,容易犯错误的样本集中,和多个基本分类器是通过迭代的样本。然后,获得多个分类器成为一个强分类器相结合,进一步提高了分类器的分类精度。基于分类器组合算法的流程图如图3。
在分类器开始结合之前,有必要给初始重量输入训练样本。训练后的分类器算法,与初始重量训练样本,样本的最优分类器。然后,进一步迭代最优分类器,获得基本分类器的数量。最后,所有基本分类器相结合。在迭代的过程中,样品的正确或错误判断。如果它是正确的样品,样品重量是适当降低。错误的样本,判断是否异常数据。如果是异常数据,样本数据减少。如果它是正常的数据,重量是加强。异常数据的判断是根据最近邻算法。
2.6。统计处理
所有实验数据处理和统计分析在SPSS 19.0完成。测量数据的表达(正态分布) 。组间比较差异是完成的测试。其他非正态的分布测量数据是用中位数和季度。对比组是由非参数秩和检验。统计数据的表达(%),组间比较的数据被卡方检验完成。 是统计的阈值实质性的区别。
3所示。结果
3.1。公元前VGG19FCN效应模型分割的病变
BC病变超声图像的分割结果基于完整的卷积神经网络VGG19FCN /图所示4。的DSC结果VGG19FCN /算法和VGG19FCN / B算法分别为0.9179和0.9626,分别;MPA分别为0.9209和0.9676,分别;借据是0.8500和0.9155,分别。与VGG19FCN /算法相比,VGG19FCN / B算法需要一些人工交互,但是公元前超声损伤图像的分割结果更接近医生手工标记的结果。
(一)
(b)
3.2。分类算法分类器对BC特性的影响
当公元前分类器被用来分类图像的特性,在一定程度上提高分类的敏感性(数字5(一个)和5 (b))。当分类公元前患者病变,是否与放射科医生的分类相比,灵敏度增加了22.7%,精度从71.9%上升到79.7%,具体评价指标增加了0.8%。超声图像的分类精度特性基于分类器的算法大大改善。
(一)
(b)
3.3。患者的基本信息
没有实质性的差别在年龄、手术方法和病理类型之间的正面和负面的组(P> 0.05)。所有的公元前120年患者单一病变手术和病理检查,其中75%是激素受体阳性和25%是负的。
3.4。超声波特性之间的相关性和激素受体表达在公元前
图6分析和总结了公元前的定性特征的分布患者患者的积极的和消极的激素受体表达。有大量的统计差异在形态、边缘、团体之间和内部回声特征( )。公元前边缘粗糙度的定量特征,患者激素受体阴性组明显小于在受体阳性组( )。其中,钙化的比例在公元前两组激素受体表达的患者都是一样的。
3.5。公元前病变基于智能算法的分类性能评价分类
图7总结了定量的分析和评价超声特性基于智能算法的病变和总结一些公元前患者的特点之间的关系和激素受体的表达,表明这些代表特性有一定的激素受体表达的准确性。
3.6。超声组学评价化疗效果
患者化疗前后的超声检查观察,并没有实质性的区别在RT,威斯康星州和化疗前后TTP ( )。化疗后,AUC和超声检查之前大大低于π( )(图8)。
4所示。讨论
BC分类分子标记是一个必要的基础,有必要参考意义和价值的决心BC治疗计划。目前,有许多类型的分子标记用于临床诊断,其中肿瘤标记物主要有碳水化合物抗原153年,125年碳水化合物抗原,癌胚抗原、和HER2的表达中发挥着关键作用在治疗BC (14- - - - - -16]。因此,在公元前的发现和诊断,激素受体的表达发挥指导作用在患者的预后,和激素受体表达主要取决于手术穿刺标本或免疫组织的抽样。
然而,在实际的临床检查、活检或手术抽样检查有一些局限性的激素受体表达,有一定可能性忽略某些肿瘤的异质性。相关文献发现,肿瘤组织的成像检查可以更全面的检查。例如,内部回声、形状、大小、边缘形态的肿瘤组织进行了分析。其中,经常发现在患者积极的孕激素受体的表达,和肿瘤边缘模糊17,18),但这些特征缺乏定量数据成像组学分析。因此,在这项研究中,采用超声波组织学评估激素受体表达之间的相关性和BC。
目前,成像已逐渐无法满足的临床分析和诊断某些疾病,所以它已逐渐改进和深化的方向自动数据分析和特征提取。该方法的理论基础是将图像数据转换成高分辨率特性空间数据通过使用许多自动数据持久性方法。菲尼克斯的主要功能数据执行高通量分析的大量的图像数据,进一步获得高保真目标信息的综合评价肿瘤(19,20.]。radiomics模型包含病变的生物或医学数据信息,为疾病诊断提供有价值的信息。基因异质性肿瘤之间存在不同的患者,不同肿瘤组织的患者或在同一肿瘤,和目标基因可以在不同时间不同状态(21]。
没有实质性的区别在RT,威斯康星州和化疗前后TTP ( )。化疗后,超声检查是大大低于之前 )。π公元前表达式可以预测新辅助化疗的疗效,也可以作为一个独立的疗效和预后预测指标。这是在组学相关研究中发现,组织质量与积极的激素受体小于-激素受体,和组织学评分低。ki - 67受体的表达水平也低。ki - 67,也被称为MKI67,细胞核在细胞分裂过程中,迁移在有丝分裂细胞表面。ki - 67的表达增加细胞分裂(年代G1, G2) [22,23),但缺乏表达静止(G0)。因此,Ki67是细胞增殖的分子标记。目前,公认的分界点ki - 67为14%,而最近的一项研究发现没有差别在特定疾病患者之间生存 %和-20% ki - 67 14%,患者和患者的预后 %显著恶化。ki - 67超表达与肿瘤大小、临床分期、节点状态。
5。结论
激素受体表达的影响以及临床疗效评估了公元前超声组学基于智能分类算法。结果表明,当使用分类器分类公元前的病变特征的形象,在一定程度上提高分类的敏感性。然而,仍然有一些限制。评估病人样本的数量是不够的。在后续,需要扩大样本的数量进一步评估不同的指标。总之,结果表明,高品质的超声波成像可以提高临床诊断的效率,本研究可以为公元前的早期筛选奠定基础。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。