不同分子亚型乳腺癌对乳腺X线和超声BI-RADS分类评估的影响

目的:探讨不同分子亚型乳腺癌对乳腺X线和超声BI-RADS分类评估的影响。方法:回顾性分析我院2019年1月—2020年12月收治的乳腺癌患者97例,97例患者均有乳腺X线检查及超声检查结果,分别比较X线检查和超声检查在乳腺癌四种分子类型(Luminal A型、Luminal B型、Her2过表达型、Basal-like型)的BI-RADS分类的诊断符合率。结果:四种分子亚型乳腺X线检查的BI-RADS分类诊断符合率之间存在显著差异(P<0.05);Luminal A型、Her2过表达型及Basal-like型BI-RADS分类诊断符合率显著高于Luminal B型(P<0.05)。四种分子亚型乳腺超声检查的BI-RADS分类诊断符合率之间无显著差异(P>0.05)。Luminal B型超声检查的BI-RADS分类诊断符合率显著高于X线检查(P<0.05)。结论:不同分子亚型对乳腺超声检查的BI-RADS分类准确度无明显影响;对于乳腺X线检查有着一定的影响,其中Luminal B型乳腺癌患者的X线BI-RADS分类准确度最低;超声在Luminal B型乳腺癌检查BI-RADS分类准确度上明显高于X线检查。

基于迁移学习的多模态AD病程分类研究

近年来,患阿尔茨海默病(Alzheimer’s Disease, AD)的人数逐年增加。临床研究显示,轻度认知障碍(Mild Cognitive Impairment, MCI)转化为AD的概率很大,因此,提高磁共振成像(Magnetic Resonance Imaging, MRI)和正电子发射断层扫描(Positron Emission Tomography, PET)等神经影像图对AD、 MCI的分类准确率十分必要。为了解决数据量少、标注困难的问题,首先使用CycleGAN网络对缺少的PET图进行生成;然后采用基于区域能量融合准则的小波变换算法对MRI图和PET图进行图像融合,能够极大程度的保留图像中的数据信息;最后利用迁移学习技术对轻量级网络MobileNet进行训练与微调。实验结果显示,在数据量较少的情况下,所提方法在泛化能力较好的同时,也获得了较高的准确率。