乳腺癌DCE-MRI形态学、血流动力学参数及表观扩散系数与分子生物学标记物的相关性研究

目的探讨磁共振动态(DCE-MRI)增强扫描乳腺癌形态学、血流动力学参数及表观扩散系数与分子生物学标记物的相关性研究。方法收集我院2013年6月-2016年12月诊治怀疑乳腺病变的112例患者的临床资料,总结乳腺癌患者DCE-MRI对乳腺癌形态学、血流动力学参数及表观扩散系数,分析DCE-MRI诊断乳腺癌形态学、血流动力学参数及表观扩散系数与分子生物学标记物的相关性。结果 45例乳腺癌患者中,ER、PR、Cerb B-2、p53阳性表达率分别为51.11%、55.56%、46.67%、62.22%。其中ER癌细胞阳性表达与乳腺癌毛刺状边缘呈正相关性(r=0.410,P<0.05);乳腺癌不均匀强化与Cerb B-2、p53癌细胞表达呈现正相关性(r=0.473,0.212,P<0.05);Spearman相关性分析结果显示,峰值时间与Cerb B-2阳性表达呈现负相关性(r=-0.381,P<0.05),ADC值与p53表达呈负相关性(r=-0.346,P<0.05)。结论 DCE-MRI乳腺癌形态学、血流动力学参数及表观扩散系数与分子生物学标记物具有一定相关性,可根据DCE-MRI图像对乳腺癌患者预后进行有效评估。

基于Inception-ResNet-V2的乳腺癌病理图像识别研究

乳腺癌严重威胁女性健康和生命,及时诊断并提供治疗方案给医生带来了挑战,病理图像分类结果是医生确诊的重要依据,实现乳腺癌病理图像识别分类具有重要意义及临床应用价值。近年来,大多数研究集中于良恶性分类,而不同类型的乳腺肿瘤本身具有不同病因及治疗方法。采用Inception-ResNet-V2深度卷积神经网络模型,实现对乳腺癌病理图像的八分类,利用数据增强和迁移学习方法,在Matlab上对数据集BreaKHis进行实验。结果表明,该方法识别率基本达到80%以上,比大部分已有研究成果效果更优。