基于乳腺密度自动测量的乳腺癌术后他莫昔芬治疗预后研究

作     者：李绘 

作者单位：桂林电子科技大学 

学位级别：硕士

导师姓名：陈洪波

授予年度：2022年

学科分类：02[经济学] 07[理学] 08[工学] 070103[理学-概率论与数理统计] 0202[经济学-应用经济学] 020208[经济学-统计学] 1002[医学-临床医学] 080203[工学-机械设计及理论] 100214[医学-肿瘤学] 0714[理学-统计学（可授理学、经济学学位）] 0802[工学-机械工程] 0701[理学-数学] 10[医学] 

主      题：乳腺癌 乳腺密度 灰度阈值回归 预后分析 预后影像标志物 

摘      要：乳腺癌严重威胁着全球女性的生命健康,他莫昔芬治疗常用于乳腺术后的辅助治疗,然而并不是所有患者都预后良好,即并不是对所有乳腺癌术后患者都能从他莫昔芬治疗中受益,因此研究乳腺癌术后他莫昔芬治疗预后对于患者选择治疗手段和疗效判断有重要意义。乳腺癌术后他莫昔芬治疗预后中存在的问题是缺少直观易获得的生物标志物,本文提出乳腺密度变化值（Mammographic Density Change,MDC）、乳腺密度变化率（mammographic density change rate,MDCR）等因素作为预后影像标志物,并研究其预后有效性。为获取乳腺密度（Mammographic Density,MD）,本文搭建乳腺密度全自动测量模型,提出了两种不同数据类型的网络通过腺体灰度阈值回归的方式来实现乳腺密度的自动测量。获取MDC和MDCR后,采用生存分析方法来验证其是否能够作为乳腺癌术后他莫昔芬治疗的预后影像标志物。对于乳腺密度自动测量模型,主要是计算乳房图像中腺体组织的面积。本文提出腺体灰度阈值回归的方法来获取腺体面积,搭建两种网络结构来实现灰度阈值回归。第一种是SE-CNN（Squeeze-and-Excitation Convolutional Neural Network）,该网络采用多层卷积的模块化结构,通过加深网络深度来增强对腺体特征的提取能力,并引入通道注意力机制,学习所有通道中的对结果依赖度高、贡献大的通道特征,有效地提高了结果的准确度。第二种是图卷积网络（Graph Convolutional Network,GCN）,该网络的输入是图数据结构,这种结构能够学习特征之间隐含的信息。首先构建图数据,通过观察图像特征和先验知识,提取纹理、灰度梯度等特征,以特征为节点,以特征之间的相关性设置边,节点和边共同构成了图结构。接着搭建GCN,网络架构由图卷积层、图池化层、图注意力层和全连接层共同组成,在图卷积层节点的特征信息进行学习更新,在图池化层节点个数不断减少,而图注意力层则是有选择性地保留不能被其他节点表示的节点。这样节点信息经过层层传递,最终输出腺体的灰度阈值。与经典卷积神经网络Res Net50等作对照,SE-CNN的阈值绝对误差为9.92±4.78,决定系数为0.77,而GCN的阈值绝对误差为11.32±4.29,决定系数为0.71,Res Net50的阈值绝对误差为10.94±5.29,决定系数为0.70。结果分析表明SE-CNN在乳房图像腺体灰度阈值回归任务的表现优于GCN和Res Net50等其他神经网络。对于预后分析,本文提出两个预后影像标志物——MDC和MDCR,并通过生存分析的方法来验证其预后有效性。在依据科学的切割值来对被试患者分组时,通过R软件绘制密度图和限制性立方样条图来确定切割值,并以此值进行分组。结合K-M分析和Cox回归分析两种方法共同确定乳腺癌术后他莫昔芬治疗预后的独立影响因素。最终得到MDC的HR=2.401,95%CI,1.031-5.587,p=0.165（0.05）,MDCR的HR=2.654,95%CI,1.102-6.395,p=0.030（0.05）,该结果表明MDCR是乳腺癌他莫昔芬治疗患者发生转移或复发的独立危险因素,有良好的预后能力。本文提出的基于SE-CNN的乳腺密度自动测量模型很好地解决了乳腺密度准确计算的问题,在乳腺癌术后他莫昔芬治疗的预后分析中,MDCR的生存分析结果达到预后要求,可以作为该治疗手段的预后影像标志物。