文摘

本研究旨在分析磁共振成像(MRI)的临床应用价值基于智能算法的图像特征在乳腺癌的诊断和治疗,并提供一个有效的参考评估乳腺癌的诊断。MRI诊断模型(ACO-MRI)基于蚁群算法(ACO)提出,与诊断方法相比,基于支持向量机(SVM)和间接(资讯)算法,该算法是应用于核磁共振图像诊断乳腺癌。结果表明,精度、灵敏度和特异性ACO-MRI模型的大于那些资讯和SVM算法。此外,特异性与两种算法相比在统计学上相当大的资讯和支持向量机( )。通过比较1/5的蚂蚁数量和平均灰色路径ACO-MRI模型的1/8多的蚂蚁,结果发现,1/8的蚂蚁数量的平均灰色路径值大大高于平均灰色路径的蚂蚁的数量(1/5 )。的总体分布的差异在腔的乳房核磁共振成像特性,细胞腔的B, her - 2进行靶向治疗,TN比较。有相当大的差异在总体布局的三个乳房核磁共振成像的功能边界,形态,增强方法在四组( )。简而言之,MRI图像基于智能算法ACO-MRI诊断模型能有效提高乳腺癌的诊断效果。其形象特征边界、形态和增强方法有很好的在乳腺癌的诊断成像特性。

1。介绍

作为中国女性最常见的恶性肿瘤,乳腺癌的发病率逐年增加。年轻的发作,一旦成为许多女性癌症患者死亡的主要原因(1]。然而,医学界并不具有相同的一般了解乳腺癌的发病机制由于其致病因素的不确定性和不清楚早期临床特征的主导地位。因此,大多数确诊患者已经达到中间和先进的阶段,从而错过了最佳治疗疾病的机会(2,3]。到目前为止,乳腺癌已产生相当大的影响女性的身心健康,和世界卫生组织非常关注,密切关注其发展趋势(4]。如何提高公众对乳腺癌的预防和如何提高乳腺癌的早期诊断和治疗已成为一个紧迫的工作在中国的乳腺癌的预防和治疗5]。

乳腺癌的临床诊断主要包括成像检查,包括超声成像,乳房x光检查(老妈),和乳房核磁共振成像(MRI) (6]。超声成像诊断的原理主要是利用超声波的特点,如快速、反射和折射,超声衰减。这种成像的检测是有效的实质性和囊性肿块乳腺癌和能反映腋窝淋巴结和周围组织的情况。此外,随着多普勒超声成像技术的普及,其成像性能大大提高(7]。然而,由于不清楚在超声图像的缺陷,检测概率的小乳房导管内癌等病变低(8]。乳腺MRI是磁共振的原则。氢质子在人体中发现发出电磁波在外部磁场的作用下,以获得影像对象的内部结构(9]。MRI和超声相比,具有更高的分辨率和更精细的图像,图像也可以从多个故障和人体不同部位的角度。早期的普通扫描动态增强MRI扫描,这种检测方法的敏感性和特异性诊断乳腺癌的逐渐增加。然而,它仍然在乳腺癌的诊断有一定的局限性。为了提高其诊断的准确性,国内外专家进行了大量研究[10]。

智能算法是计算方法提出的人类不断追求和探索的解决方案,也称为软计算。该方法包括很多内容,如人工神经网络技术(安)、遗传算法(GA),模拟退火技术,和群体智能技术。群体智能技术导出了蚁群算法(ACO)和粒子群优化(PSO) (11,12]。在众多算法,算法和遗传算法可以直接操纵结构对象和可以执行计算和全局优化。这个功能成像技术有很好的发展。人工智能在医学领域的普及,ACA也有跨业医学成像领域的(13]。

总之,智能算法越来越广泛用于医学成像领域,但有更少的应用MRI的诊断和治疗乳腺癌[14,15]。因此,MRI图像特性的诊断和治疗乳腺癌ACO算法基础上提出了在这个研究中,这是与资讯算法和支持向量机算法,并应用于乳房核磁共振检查的患者。通过比较不同的核磁共振成像的诊断性能特征参数对于乳腺癌,核磁共振成像的临床应用价值特性基于智能算法在乳腺癌的诊断和治疗是综合评估。,预计智能算法的组合技术和核磁共振成像技术可以提供一个有效的参考的临床诊断和治疗乳腺癌。

2。材料和方法

2.1。研究对象

在这项研究中,175名患者来到医院检查乳房问题从2018年7月到2020年7月被选为研究对象。其中,155是男性和女性。所有患者接受了核磁共振检查。本研究经医院伦理委员会批准。病人和他们的家属已经意识到本研究,并签署了知情同意。

入选标准如下:(i)患者完整的临床基线数据;(2)患者签署知情同意;(3)患者经组织学检查;及(iv)患者没有接受任何治疗。排除标准如下:(我)重大疾病患者和孕妇;(2)过敏症患者对比增强剂;和(3)患者结合肿瘤的其他网站。

2.2。MRI检查和成像特性

所有患者接受了核磁共振检查。两边的乳房被放置在检验腔在俯卧姿势,和定期进行了核磁共振扫描。一个普通扫描后,造影剂马根维显(剂量0.1更易/公斤)和20毫升生理盐水静脉注射。扫描之前进行注射和0年代,67年代,134年代,201年代,268年代和335年代后注入。的总时间是8分钟。

核磁共振图像分析是由两个放射科医生独立成像诊断。如果结果是不一致的,两个人应该一起讨论达成一致的结果。醉酒驾车的图像被输入到MRI工作站获取表观扩散系数(ADC)图和测量ADC值。核磁共振图像输入图像工作站测量IER病变的价值。IER =(信号强度峰值后三分钟内注入对比agent-signal强度之前注射造影剂)/信号强度之前注入造影剂×100%。

肿瘤是由手动分割分割获得成像特点。独立的成像诊断是由两个放射科医生。感兴趣的区域(ROI)划定在肿瘤区域的ADC图使用ImageJ获得最大程度的肿瘤相关的图像特征。相关的图像特征是(我)形态如最大横向直径、面积,面积比;(2)一阶灰色特征诸如能源、偏态,平均值,范围,和标准的差异;(3)纹理特征,如灰度并发矩阵的特征;和(iv)过滤特性。病人完成相关考试后,根据适应症进行肿瘤切除,病理检查进行澄清的病理特征的病人。ROI病变区域的选择、血管、钙化、脂肪、腔出血区,囊性变性,坏死,正常腺体组织集团被避免。

观察和分析包括形态表现和增强磁共振图像类型的病变。形态表现,病变分为圆、不规则,分成小叶的形状。病变和周围组织之间的界限很清楚或不清楚。边缘光滑,凹凸不平,或毛刺。增强后病灶的边缘被分为均匀增强和非均匀增强。乳腺恶性病变的形状不规则或分叶,病变和周围组织之间的界限是不清楚,与不完整的边缘或短毛刺。增强扫描显示环形,参差不齐的,带不均匀增强,这叫恶性的迹象。乳腺良性病变的圆,与周围组织的边界清晰,边缘光滑,和增强扫描均匀强化,被称为良性的迹象。

2.3。算法的数学模型

ACO的集群智能算法与图像识别的过程非常相似,因此被广泛用于图像。然而,为了提高乳腺癌的诊断性能,需要一个更好的方法来处理核磁共振图像。ACO算法的原理是受蚁群行为的研究。分布式的算法有三个特点,自然组织和积极的反馈。基本思想是构建人工蚂蚁,来模拟真实的蚂蚁行为的性质和在许多领域解决优化问题。

人工蚂蚁的蚁群的数量设置为米,代表了城市之间的距离y和城市e,代表之间的残留信息素浓度y和e在时间t。这是规定,蚂蚁的行为k符合下列法律。在路径选择,选择下一个位置有相应的函数概率根据路径信息素的浓度。它不能选择的路径作为下一步,和一个数据表( 是用来控制它。当人工蚂蚁选择路径,它是基于函数(1)。

如果 是要分析的数据集的聚类问题,r是聚类半径,路径上的信息素浓度数据吗数据在时间t,代表样本之间的加权欧氏距离和集群中心p可以确定权重因子,根据集群中的每个组件的程度的形象,还有以下方程:

设置信息作为初始体积,那么有以下方程:

根据样本之间的信息集中在路径和集群中心,的概率那并入是以下方程:

在方程(2),是一个启发式的指导函数,代表预期的程度的蚂蚁来 。使用启发式函数反映了像素之间的相似程度。启发式函数越大,概率越大像素属于同一集群。和是积累的过程中信息像素聚类和图像路径选择的因素启发式指导函数,分别。 是一组可行的路径。

如果 ,然后合并到域。它是集 ,和代表所有的数据集并入域。找到理想的聚类中心,表示如下:

在方程(4), 。

作为判断蚂蚁移动,每个路径上的信息素量变化一个周期后,和每条路径上的信息素调整根据全球调整规则如下:

在方程(5),信息素的衰减系数随着时间的推移,一般约0.5到0.99,然后呢的增量路径信息素在这个循环:

在方程(6),代表的数量的路径信息素k蚂蚁在这个周期。

ACO应用MRI建立ACO-MRI模型,和算法步骤如图所示1。

2.4。观察指标

诊断方法的基础上,然而算法和SVM算法比较ACO-MRI诊断方法在本研究设计的比较观察。精度、灵敏度和特异性被用作诊断性能评价指标不同的检验方法(16,17]:

在方程(7),TP表示为真阳性的测试结果,FN假阴性,FP是假阳性,TN是真阴性,混乱映射如图2是获得。

2.5。统计方法

采用SPSS 19.0进行数据统计和分析。平均值±标准偏差 测量数据是如何表示,百分比(%)是统计数据是如何表示的。单向方差分析被用于成对比较。在统计学上也相当大 。

3所示。结果

3.1。病理比较

共有175名患者进行了分析在这项研究中,包括85例浸润性导管癌,浸润性小叶癌32例,粘液癌30例,42例混合癌。在图所示的比例3。

3.2。算法性能分析

的准确性、敏感性和特异性的磁共振成像诊断乳腺癌基于ACO算法分别为93.6%,92.61%,和78.32%,分别。的准确性、敏感性和特异性的SVM算法在诊断乳腺癌的87.43%,83.12%,和71.44%,分别。这些资讯算法在诊断乳腺癌的84.23%,86.32%,和73.21%,分别。在图4,准确度、灵敏度和特异性基于ACO算法的MRI在诊断乳腺癌的高于资讯算法和支持向量机算法。没有在精度和灵敏度(统计学上显著差异 ),的特异性ACO算法大大高于资讯和SVM算法( )。

图5显示了平均灰色路径的比较两个数下的蚂蚁。图5(一)平均灰色路径下1/5蚂蚁的数量,和图5(b)是灰色路径下的蚂蚁数量的1/8。平均灰色路径下大大小于1/5的数量,根据数量的1/8,和两者的区别是巨大的( )。

图6显示乳房钙化点的边缘提取。ACO被用来处理大规模的乳房图像包含钙化点,需要看医生。30迭代后乳房钙化点的边缘提取的女病人。图的左边6钙化的边缘像素点从数字图像中提取基于ACO算法,右边是原始图像。左右对比表明,ACO算法提取的图像边缘清晰的乳腺癌钙化点。

3.3。比较MRI成像特性的四分子类型的乳腺癌

乳房核磁共振成像特性的比较四种分子分类组乳腺癌如图7。卡方检验/ Fisher精确概率法用于分析的总体布局是否在腔的乳腺MRI特征,细胞腔的B, her - 2进行靶向治疗,TN是不同的。原来没有相当大的肿瘤大小的总体分布差异,优势,集中分布在四个分子类型组( )。然而,有相当大的差异在总体布局的三个乳房核磁共振成像特征边界,形状,增强在四组( )。

3.4。病人的成像数据

图8显示了一名女病人的扫描成像数据先生,图8(一个)是TIWI扫描图吗8 (b)是醉酒驾车扫描,和图8 (c)是一个T2WI扫描。这个病人有明显的钙化病灶左边乳房,和醉酒驾车的边缘图像比较清晰。

4所示。讨论

到目前为止,有许多研究MRI在乳腺癌的诊断和治疗,因为MRI具有高分辨率,及其成像可以清楚地分辨病变和周围乳房皮肤、腺体,皮下脂肪和其他组织。这种方法有利于小病灶的检测,穿刺活检,和随后的治疗18,19]。多向和multisequence成像新技术,核磁共振不断发展,有很大的优势在乳腺癌检测、分子类型和预后评估。然而,这种检测方法仍有一定的局限性和缺陷,错过了诊断(20.]。

Wan et al。21)探讨了特征识别、诊断和预测性能semisupervised支持向量机对大脑图像融合数字双胞胎(DTs)。在大脑中对许多无标号数据图像,结果表明,该模型可以提供92.52%的特征识别和提取的准确性。针对人为造成的不准确的测试结果,错过了在乳腺癌诊断检测、ACO-MRI诊断模式基于配电网智能算法相结合治疗领域的智能算法与乳腺癌从真正的临床试验数据,和资讯提出了算法和SVM算法和比较(22]。的准确性、敏感性和特异性ACO算法在诊断乳腺癌的93.6%、92.61%和78.32%,分别高于这些资讯的算法和支持向量机算法,和特异性与其他两种算法相比具有统计学意义( )。发现ACO算法模式比资讯和SVM算法有更高的性能23,24]。一方面,人们发现灰度路径值更小和更蚂蚁通过比较图像的平均灰度值路径下两个蚂蚁的数量。另一方面,钙化点的乳腺病变的边缘提取后30 ACO算法的迭代,和图像比原始图像更清晰和有更好的识别(12,25,26]。

基于六核磁共振图像特征包括大小、形状、边缘、边界,增强方法,和损伤分布,核磁共振成像特性的总体布局在鲁米那,腔的B, her - 2进行靶向治疗,TN四个乳腺癌分子类型进行了比较。结果表明,不同的边界、形态、和加强方法两组之间在统计学上相当大的,这是与之前的结果一致(27]。元等。28]研究diffusion-weighted成像的成像特征之间的相关性(驾车)和动态对比增强磁共振成像(DCE-MRI)与乳腺癌分子亚型和预后因素。结果表明,小叶,毛刺信号,加强方法,时间信号曲线(TIC)类型,和其他参数与预后相关的因素和分子亚型。腔的乳腺癌主要显示不清楚的肿块边界和不规则的形状。腔的乳腺癌的主要原因是没有高度恶性,及其组织学评分很低。肿瘤生长缓慢,很容易与周围组织的纤维拉,成像的界限往往不清楚,有时出现毛边,表明肿瘤有较低的攻击行为。

5。结论

在这个研究中,乳腺癌检测提出了一种新方法,用MRI结合ACO算法提取乳腺钙化病灶和形状识别。乳腺癌诊断的ANN算法和支持向量机算法进行比较。实验结果表明,ACO算法有更好的诊断性能比安和SVM算法。在乳腺癌检测和诊断的临床应用,它可以帮助临床医生更好的和有效的决策。然而,当算法用于处理图像,图像有一个大量的像素和蚂蚁的数量,导致大量的计算。此外,若干次迭代后的时间将会增加。当迭代的数量很小,提取目标图像的边缘点不够明显,还有一些遗漏的边缘点。因此,本研究有一定缺陷的时间消耗。太大图像的两倍数量的计算,计算速度放缓,甚至导致设备被困。因此,这种方法只能应用于图像体积小,还需要进一步的研究来改善算法。 In conclusion, this method is a good demonstration of the combination of the intelligent algorithm and MRI diagnosis of breast cancer. On the one hand, it improves the accuracy and efficiency of breast cancer detection, and on the other hand, it provides a new idea for realizing intelligent breast cancer detection. In the future, further optimization and improvement of the intelligent algorithm are required, which can make it have better application value in breast cancer diagnosis and early detection and treatment.

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。

作者的贡献

双流和最小唐的贡献同样这项工作。

确认

这项工作是由重庆人民医院项目基金(2016 msxm16)。