一、几种检查方法对乳腺恶性肿瘤诊断价值比较（论文文献综述）
王娟[1]（2021）在《基于深度学习的乳腺组织病理图像分类方法研究》文中研究指明乳腺癌是全球最常见的癌症,其发病率和死亡率居高不下,严重危害着女性的健康。组织病理图像分析是乳腺癌诊断的“黄金标准”,但图像的复杂性和多样性使得病理医生的诊断过程耗时耗力且效率低下。另外,病理医生的经验阅历不同以及分析病理图像时的主观性甚至可能会导致误诊。目前,深度学习在计算机视觉和图像处理等领域崭露头角,也为计算机辅助诊断提供了一种新的思路和途径。本文以苏木精-伊红染色的乳腺组织病理图像数据集为基础,对基于深度学习的乳腺病理图像分类问题进行了研究,主要内容如下:（1）针对双线性卷积神经网络（Bilinear Convolutional Neural Network,B-CNN）感受野缺乏多样性、分类精度不高的问题,设计了改进的B-CNN模型对Brea KHis数据集中的乳腺组织病理图像进行自动分类。模拟病理学家在分析病理图像时的多尺度分析方法,本文在B-CNN中引入了多尺度感受野,用Inception网络作为特征提取器替代原本的VGG网络。针对数据集中图像存在染色差异的问题,利用一种用于组织病理图像染色标准化的方法,让图像在染色标准化时只改变颜色外观而不会破坏结构信息。由于数据集中的图像数量不足且每类图像的分布不均衡,本文采用翻转和按比例从各类图像中提取图像块的方式,让每一类图像的训练样本数量接近,同时解决样本不均衡和数量不足的问题。利用改进的网络分别对四个放大倍数的组织病理图像进行分类,并使用迁移学习对网络进行微调,实验结果表明,改进后的B-CNN模型提高了分类准确率。（2）本文以深度残差网络Res Net101为基础,在残差块上进行改进,并在改进的Res Net101中增加SE模块,设计了SE-Res Net-B网络模型,利用改进后的网络对高分辨率的乳腺组织病理图像进行二分类和四分类。由于高分辨率的图像无法直接送入网络中训练,本文在染色标准化步骤后,采用512×512大小的滑动窗口对高分辨率图像进行采样,确保可以包含图像的诊断信息,并设置50%的重叠率,增加采样块之间的特征连续性。在分类策略上,本文首先对采样图像块进行分类,再利用多数投票算法得到原高分辨率图像的分类结果。实验结果表明,改进后的SE-Res Net-B明显提升了网络的分类性能,在ICIAR 2018数据集上的二分类和四分类准确率达到了96.25%和88.75%。
刘春晖[2]（2021）在《探讨磁共振多参数联合超声弹性成像对乳腺肿块的诊断价值》文中研究说明目的:1.比较磁共振图像形态学特征、强化方式、时间-信号强度曲线（Time-signal intensity Curve,TIC）、表观扩散系数（Apparent diffusion coefficients,ADC）及体素内不相干运动（Intravoxel incoherent motion,IVIM）模型各参数在乳腺良恶性肿块中的差别,探讨ADC及IVIM模型参数鉴别乳腺良恶性肿块的诊断价值。2.探讨磁共振成像技术、超声弹性成像技术及二者联合对乳腺良恶性肿块的鉴别诊断价值。方法:1.收集经手术切除并由病理证实的乳腺肿块患者109例（共121个肿块）。患者术前接受常规磁共振动态增强扫描（Dynamic contrast enhancement of magnetic resonance imaging,DCE-MRI）及IVIM扫描,分析记录DCE-MRI检查中病变的形态学特征、强化方式及TIC曲线,使用GE ADW 4.6工作站对图像进行后处理,获得D、D*、f和ADC等参数值。获得不同参数的受试者工作特征曲线,评价各参数的诊断价值。2.获得收集的109例患者（共121个肿块）的超声弹性成像（Ultrasonic elastography,UE）评分及磁共振（Magnetic resonance image,MRI）诊断结果（BI-RADS分类）,以术后的病理结果为金标准,计算UE、MRI单独及二者联合的敏感性、特异性、阳性预测值及阴性预测值等,绘制每一种方法诊断乳腺肿块的受试者工作特征曲线（Receiver operating characteristic curve,ROC）,并得出ROC曲线下面积（Area under the ROC,AUC）,分析三种诊断方法对乳腺肿块的诊断价值。结果:1.常规磁共振图像结果:在恶性组中,80.00%的肿块表现为形态不规则或呈分叶状,88.33%的肿块表现为边缘不规则或者有毛刺,60.00%的肿块表现为不均匀的强化,96.67%的肿块TIC曲线呈现出平台型或流出型;在良性组中,86.89%的肿块表现为类圆形,68.85%的肿块表现为边缘光滑,81.89%的肿块强化方式表现为均匀强化,63.93%的肿块TIC曲线病变呈流入型。2.在乳腺良、恶性肿块之间,ADC、D、f值差异有统计学意义（P<0.001）,而D*值在乳腺良、恶性肿瘤间的数值差异无统计学意义（P>0.05）。ADC、D、f值诊断乳腺肿块AUC分别为0.899、0.923、0.778。根据约登指数对ADC、D、f值进行判断,得出诊断的最佳截断值分别为0.701×10-3mm2/s、0.769×10-3mm2/s、0.507。3.UE、MRI单独和联合诊断结果:二者联合诊断的敏感性最高,为98.3%;MRI单独诊断的特异性最高,为93.4%;MRI单独诊断的AUC最高,为0.934,稍高于二者联合（0.910）,但差异不具有统计学意义（P>0.05）,明显高于UE（0.859）,差异具有统计学意义（P<0.05）。二者联合诊断后的AUC高于UE单独诊断,差异具有统计学意义（P<0.05）。结论:1.磁共振图像形态学特征、强化方式、TIC曲线在乳腺良恶性肿瘤中均有一定的差异。在IVIM模型参数中,ADC、D和f值在乳腺良恶性肿块中均有较好的鉴别诊断价值。2.超声弹性成像技术和磁共振成像技术对乳腺肿块的良恶性鉴别方面均有一定的诊断价值,其中磁共振成像技术的诊断价值最高,而二者联合能够提高对乳腺良恶性肿块鉴别诊断的敏感性。
王祥芝[3]（2021）在《FFDM+DBT与MRI在乳腺良恶性疾病诊断中的对比应用》文中研究说明目的:比较全数字化乳腺摄影（full-field digital mammography,FFDM）、数字乳腺断层摄影（digital breast tomosynthesis,DBT）、FFDM+DBT、MRI在乳腺良恶性疾病诊断中的价值,为临床大规模应用FFDM+DBT提供数据支持。方法:收集2019年11月～2021年2月就诊蚌埠医学院第一附属医院,临床触诊怀疑存在乳腺病灶且同时行FFDM、DBT和MRI三种检查的116例乳腺疾病患者的资料。对所有图像中病灶参照乳腺影像报告和数据系统（BI-RADS）标准进行分类,以病理结果为“金标准”,计算FFDM、DBT、FFDM+DBT与MRI的Kappa一致性检验值;计算四种影像学方法的敏感度、特异度与准确度;用受试者工作特征（receiver operator characteristic,ROC）曲线分析四种影像学方法在不同腺体类型中对乳腺良恶性疾病的的诊断效能;其次计算四种影像学方法对不同病理类型乳腺疾病诊断的准确率;最后分析单次FFDM与DBT的平均辐射剂量（average glandular dose,AGD）差异。结果:116例病灶中恶性86例,良性30例。116例病灶在患者年龄,腺体类型和位置方面均无统计学差异（均P>0.05）。FFDM、DBT、FFDM+DBT和MRI与病理结果的Kappa值分别为0.55、0.66、0.71、0.74,与病理结果的一致性中等,其中以MRI的一致性最好。FFDM、DBT、FFDM+DBT与MRI诊断乳腺良恶性疾病的灵敏度分别为82.56%、87.21%、88.37%、96.51%,特异度分别为76.67%、83.33%、86.67%、73.33%,准确度分别为81.03%、86.21%、87.93%、90.52%。经比较显示,应用MRI诊断可较FFDM提高13.95%的灵敏度,差异具有统计学意义（P<0.05）。FFDM、DBT、FFDM+DBT与MRI的ROC曲线下面积（area under curve,AUC）分别为0.80、0.88、0.91和0.95,两两比较显示,MRI和FFDM+DBT的AUC值均高于FFDM的AUC值,且存在统计学意义（均P<0.05）,其余各组均无统计学差异（均P>0.05）。80例致密型乳腺中,FFDM、DBT、FFDM+DBT与MRI的AUC值分别为0.74、0.85、0.89和0.93,两两比较显示,MRI和FFDM+DBT的AUC值均高于FFDM的AUC值,且存在统计学意义（均P<0.05）,其余各组均无统计学差异（均P>0.05）。36例非致密型乳腺中,FFDM、DBT、FFDM+DBT与MRI的AUC值分别为0.94、0.96、0.97、0.99,两两比较显示,各组均不存在统计学差异（均P>0.05）。DBT与FFDM+DBT对13例腺病诊断准确率最高,为84.62%;FFDM与FFDM+DBT对7例纤维腺瘤诊断准确率最高,为100%;DBT与FFDM+DBT对5例导管内乳头瘤诊断准确率最高,为100%;MRI对5例不典型增生诊断准确率最高,为100%。MRI对86例浸润性导管癌、5例浸润性小叶癌、2例髓样癌诊断准确率最高,分别为97.10%、100%、100%;FFDM+DBT对10例导管原位癌（ductal carcinoma in situ,DCIS）诊断准确率最高,为100%。四种方法对1例Paget,s病诊断准确率均为100%。FFDM与DBT对116例乳腺病灶的单次AGD分别为（1.57±0.42）m Gy、（2.53±0.52）m Gy。经比较显示,DBT的AGD高于FFDM的AGD,具有统计学差异（P<0.05）。36例非致密型乳腺患者在FFDM、DBT与FFDM+DBT的AGD分别为（1.31±0.28）m Gy、（2.26±0.38）m Gy、（3.58±0.63）m Gy;80例致密型乳腺患者在FFDM、DBT与FFDM+DBT的AGD分别为（1.69±0.42）m Gy、（2.65±0.53）m Gy、（4.37±0.89）m Gy。经比较显示,致密型腺体的AGD高于非致密型腺体,差异存在统计学意义（均P<0.05）。结论:FFDM、DBT、FFDM+DBT与MRI均与病理结果的一致性中等,以MRI的一致性最好;FFDM+DBT的诊断效能优于FFDM、DBT单独应用,与MRI具有相似的诊断效能,且诊断效能不受腺体类型的制约,推荐致密型乳腺患者常规应用。FFDM+DBT对乳腺良性病变诊断准确率高,MRI对乳腺恶性病变诊断准确率高。DBT的单次AGD高于FFDM,致密型乳腺的单次AGD高于非致密型乳腺。
王志远[4]（2021）在《IVIM与定量DCE-MRI鉴别乳腺良恶性肿瘤价值的比较研究》文中指出目的:比较基于体素内不相干运动（intro-voxel incoherent motion,IVIM）扩散加权成像与动态增强磁共振成像（dynamic contrast enhanced MRI,DCE-MRI）在鉴别乳腺良恶性病变中的价值,并探讨两种模型定量参数之间的相关性。资料与方法:回顾性分析本院2019年10月至2020年7月期间经病理确诊的88例乳腺肿瘤患者,共93个病灶。根据病理结果分为良性肿瘤组和恶性肿瘤组,其中良性肿瘤44个,恶性肿瘤49个。所有患者于穿刺活检或术前2周内均行乳腺MRI检查常规扫描、IVIM及DCE-MRI检查,使用GE后处理工作站AW 4.6测量IVIM的纯扩散系数（true diffusion coefficient,D）、灌注相关扩散系数（pseudo diffusion coefficient,D*）、灌注分数（perfusion fraction,f）和DCE-MRI的容积转运常数(Ktrans)值、反向转移常数(Kep)值、血管外细胞外间隙容积分数（Ve）。采用两独立样本t检验或Mann-Whitney U检验比较各参数在乳腺良、恶性肿瘤组间的统计学差异,绘制ROC曲线确定各参数诊断乳腺恶性肿瘤的阈值以及曲线下面积（AUC）、诊断敏感性和特异性。采用Pearson或Spearman相关性分析评估IVIM和DCE-MRI灌注参数的相关性。结果:乳腺良性肿瘤、恶性肿瘤组的D值(×10-3mm2/s)分别为1.002±0.193和0.732±0.132,f值（%）分别为34.1±8.9和24.1±6.5,乳腺恶性肿瘤D、f值低于良性组,差异有统计学意义（P均<0.001）,乳腺良、恶性肿瘤D*值(×10-3mm2/s)分别为3.916±1.485和4.464±1.523,D*值在两组间无统计学差异（P=0.078）;良性肿瘤组、恶性肿瘤组的Ktrans值(min-1)分别为0.310±0.108和0.777±0.270,Kep值(min-1)分别为0.390（0.244）和0.971（0.502）,Ve值分别为0.962（0.339）和0.730（0.368）,恶性肿瘤Ktrans、Kep值高于良性组,差异有统计学意义（P均<0.001）,Ve值在两组间无统计学差异（P=0.081）。IVIM参数D、f值诊断乳腺癌的AUC分别为0.891和0.827,IVIM联合（D+f）诊断的AUC为0.937;DCE-MRI定量参数Ktrans、Kep诊断乳腺癌的AUC分别为0.933和0.948,DCE-MRI联合(Ktrans+Kep)诊断的AUC为0.955。D值与Ktrans、Kep的诊断效能无统计学差异,DCE-MRI联合与IVIM联合参数的AUC差异无统计学意义（P=0.568）。D与Ktrans呈中度负相关（r=-0.469,P<0.001）,与Kep呈中度负相关（r=-0.501,P<0.001）,f值与Ktrans、Kep呈弱负相关（r=-0.397、r=-0.328,P均<0.001）。结论:定量DCE-MRI参数(Ktrans、Kep)及IVIM（D、f值）均能有效鉴别乳腺良、恶性肿瘤,IVIM与DCE-MRI参数具有相似的诊断效能,IVIM及DCE-MRI灌注参数有一定的相关性。
肖榕[5]（2021）在《基于灰阶超声的影像组学预测乳腺肿瘤良恶性的价值》文中提出目的乳腺癌在全球女性癌症中发病率最高,致死率占第二位。早期准确诊断乳腺癌有助于改善患者的预后。目前使用最为广泛的乳腺超声的分类标准是乳腺影像报告和数据系统（BI-RADS）,主要根据乳腺肿块的形态、边缘、内部回声等形态学信息鉴别肿瘤良恶性,尽管具有较高的分类准确性,但主观性较强。影像组学能够通过高通量数据提取算法将医学影像转化为高维、可利用的定量的影像组学特征,并使用各种算法对所提取的影像组学特征进行更深层次的挖掘与分析。本研究构建了基于乳腺肿瘤灰阶超声的影像组学预测模型,并对比该模型与不同年资超声医师的预测效能,以探讨基于灰阶超声的影像组学在预测乳腺肿瘤良恶性方面的价值。方法分析2018年12月至2019年12月在我院超声门诊行乳腺超声检查的362例患者的362个乳腺肿瘤灰阶图像,所有病灶均经手术或组织学穿刺活检病理证实。分割肿瘤病灶并从感兴趣区（ROI）图像中提取大量影像组学特征。本研究总共提取了396个影像组学特征。然后将数据集随机分为影像组学训练队列（n=241）和影像组学验证队列（n=121）。在影像组学训练队列中,采用最小冗余最大相关性特征选择法（m RMR）及最小绝对收缩和选择算子（LASSO）筛选最优特征构建影像组学模型,绘制受试者工作特性曲线（ROC）及校准曲线分析模型的预测性能。在独立的影像组学验证队列中使用相同方法评估影像组学模型的预测性能。比较模型与不同年资超声医师的诊断能力,进一步探究超声影像组学模型预测肿瘤良恶性的价值。结果最终精选出15个与恶性乳腺肿瘤高度相关的影像组学特征并构建影像组学预测模型。训练队列及验证队列模型影像组学模型ROC曲线下面积（AUC）、准确度、灵敏度、特异度依次是0.84,0.760,0.839,0.713;0.84,0.714,0.821,0.652。校准曲线显示预测结果与模型预测无明显偏差（P>0.05）,模型预测性能与年资10-12年医师相当（P>0.05）,显着低于年资25-30年医师（P<0.001）,但显着高于年资4-5年医师（P<0.001）。结论基于灰阶超声的影像组学模型能有效的鉴别乳腺肿瘤的良恶性。
师玉[6]（2020）在《多模态磁共振成像对乳腺良恶性肿瘤的诊断价值》文中研究指明目的:探讨磁共振动态增强成像（Dynamic contrast–enhanced MRI,DCE–MRI）技术与磁共振体素内不相干运动（Intravoxel incoherent motion,IVIM）成像技术在乳腺良恶性肿瘤的诊断价值。材料与方法:回顾性分析喀什地区第一人民医院2018年1月-2020年8月期间76例乳腺肿瘤患者术前的乳腺DCE-MRI及IVIM影像学数据,计算时间增强曲线（Time intensity curve,TIC）类型、IVIM序列单纯水分子扩散系数值（D）、灌注相关扩散系数值（D*）及灌注分数（f）等相关参数,以病理结果为金标准,综合分析乳腺良恶性肿瘤间上述参数值的差异,分析两种磁共振成像方法单独应用及联合应用的诊断效能。结果:良性乳腺肿瘤的TIC曲线多呈流入型,恶性乳腺肿瘤的TIC曲线多呈平台型或流出型（P<0.05）,TIC曲线诊断敏感性为92.2%,特异性为69.4%,受试者工作特性曲线的曲线下面积（Receiver Operating Characteristic Curve,Area under Curve,ROC AUC）为0.836,P<0.05差异有统计学意义。良性乳腺肿瘤平均D值为1.31±0.24×10-3mm2/s,恶性乳腺肿瘤平均D值为0.93±0.21×10-3mm2/s,良性组D值高于恶性组（P<0.05）。D值诊断敏感性为94.3%,特异性为86.1%,ROC AUC为0.960,最佳阈值为1.075×10-3mm2/s,P<0.05差异有统计学意义。恶性组平均f值为10.15±5.85%,良性组平均f值为7.36±5.25%,恶性组f值高于良性组（P<0.05）,f值诊断敏感性82.5%,特异性72.2%,ROC AUC为0.829,最佳阈值8.65%。此外,良恶性组间D*值的差异无统计学意义。进一步的结果显示IVIM与DCE-TIC技术联合应用的诊断敏感性为97.5%,特异性为99.4%,ROC AUC为0.963。D值、f值,及D、f值的联合评价在TIC平台型乳腺肿瘤中的诊断敏感性分别为90.0%、90.0%、100%,特异性分别为75%、75%、87.5%,曲线下面积分别为0.938、0.806、0.938。结论:1.DCE及IVIM两种成像技术在乳腺良、恶性肿瘤性病变的诊断中具有重要价值。2.D值与f值等评价指标具有一定的诊断效能,且D值诊断敏感性及特异性优于f值。3.联合应用DCE-TIC曲线及D值、f值等评价指标可获得高于单独应用该两种方法的诊断效能。4.鉴于DCE-TIC平台型乳腺肿瘤良恶性重叠较多,IVIM技术的应用有助于进一步鉴别DCE-TIC呈平台型的乳腺肿瘤的良恶性。
许导靖[7]（2020）在《ABVS与VTQ技术对乳腺良恶性病灶的诊断应用研究》文中研究说明目的:探讨自动乳腺全容积成像（automated breast volume scanning,ABVS）和声触诊组织量化（Virtual touch tissue quantification,VTQ）技术在鉴别诊断乳腺良恶性病灶中的应用价值。方法:选取2019年10月至2020年6月期间就诊于我院的136位病人共164个乳腺肿块,所有乳腺肿块均经手术或活检后病理证实。使用配备有ABVS成像系统及频率为4MHz～9MHz的9L4高频探头和声触诊量化技术软件的西门子公司ACOUSON S2000超声仪器;获得所有肿块的常规超声图像、ABVS冠状面图像以及VTQ剪切波速度值（shear wave velocity,SWV）,以病理结果为金标准,分析常规超声、ABVS、VTQ技术及ABVS联合VTQ技术等检查方法诊断乳腺肿块良恶性的灵敏度、特异度、准确度、阳性预测值和阴性预测值,分别构建各检查方法的受试者操作特征曲线（receiver operator characteristic curve,ROC）,获取VTQ技术SWV的最佳诊断界值,并获取各检查方法曲线下面积（area under the curve,AUC）,以对比分析各检查方法对乳腺肿块的诊断价值。结果:1.164个乳腺肿块,病理结果为恶性的有75个,病理结果为良性的有89个。2.常规超声诊断乳腺肿块良恶性的灵敏度、特异度、准确度、阳性预测值及阴性预测值分别为64%,89.89%,78.05%,84.21%,74.77%,AUC为0.769。3.ABVS诊断乳腺肿块良恶性的灵敏度、特异度、准确度、阳性预测值及阴性预测值分别为73.33%,95.51%,85.37%,93.22%,80.95%,AUC为0.844。4.良恶性肿块VTQ技术SWV均值分别为2.55±1.31m/s、6.07±2.68 m/s,两者间差异有统计学意义（P<0.05）。将所有肿块的SWV值构建ROC曲线,当约登指数达到最大0.6526时,对应的截断点为3.76 m/s,95%CI为0.784-0.900,即VTQ技术SWV诊断界值取3.76 m/s时,对乳腺肿块良恶性的诊断效能最佳,其诊断灵敏度、特异度、准确度、阳性预测值、阴性预测值分别72%,93.26%,83.54%,90%,79.81%,AUC为0.826。5.ABVS与VTQ技术联合应用诊断乳腺肿块良恶性的敏感度、特异度、准确率、阳性预测值、阴性预测值分别为90.67%,89.89%,90.24%,88.31%,91.95%,AUC为0.903。6.不同检查方法诊断效能比较:ABVS和VTQ技术联合诊断灵敏度与准确度显着高于常规超声,差异具有统计学意义（P<0.05）;ABVS和VTQ技术联合诊断灵敏度显着高于ABVS、VTQ单独应用,差异具有统计学意义（P<0.05）;ABVS诊断特异性最高,但差异无统计学意义（P>0.05）。ABVS和VTQ技术联合诊断曲线下面积显着大于常规超声、ABVS、VTQ,差异均具有统计学意义（P<0.05）,ABVS曲线下面积显着大于常规超声,差异具有统计学意义（P<0.05）。结论:1.ABVS与VTQ技术与常规超声相比对乳腺肿块均具有较高的诊断价值。ABVS冠状面高特异性表现为乳腺癌的诊断提供了更多参考依据。VTQ技术SWV值在乳腺良恶性肿块间存在显着差异,当SWV诊断界值取3.76 m/s时,对乳腺肿块良恶性诊断效能最佳。2.ABVS与VTQ两者联合应用时可提高诊断灵敏度与准确度,联合应用价值高于常规超声、ABVS、VTQ单独应用。
阿米尔（Amir Sherchan）[8]（2020）在《乳腺超声自动容积成像（ABVS）联合常规手持超声与乳腺钼靶摄影在女性乳腺癌诊断中的对比研究》文中进行了进一步梳理目的:通过分析和计算乳腺超声自动容积成像（ABVS）联合常规手持超声与乳腺钼靶摄影两种方法对乳腺恶性结节诊断的相符率、敏感性、特异性、阴性预测值及阳性预测值,从而进行比较乳腺超声自动容积成像（ABVS）联合常规手持超声与乳腺钼靶摄影两种方法对乳腺癌的诊断应用价值。方法:本研究收集2018年12月-2019年11月就诊于内蒙古民族大学附属医院的乳腺结节女性患者共60人,78个乳腺结节;患者年龄40-75岁,平均为（58.8±6.73）岁。所有收集患者均行乳腺超声自动容积成像（ABVS）联合常规手持超声与乳腺钼靶摄影两种影像学检查,并且所有结节均经手术或者穿刺活检取得相应的病理结果。所有结节均以病理诊断为“金标准”,分别计算两种影像学方法中对乳腺恶性结节诊断的相符率、敏感性、特异性、阴性预测值及阳性预测值;将所有涉及数据录入Excel并建立数据库,运用SPSS 21.0统计软件统计分析两种影像学方法相符率、敏感性、特异性、阴性预测值及阳性预测值之间的差异,以p<0.05表示该差异有统计学意义,进而比较两种影像学方法对乳腺癌的诊断应用价值。结果:1、本研究共计78个乳腺结节,所有结节均经手术或者穿刺活检取得相应的病理结果。其中包括良性结节23个(①乳腺纤维瘤13个,②乳腺腺病7个,③导管内乳头状瘤2个,④浆细胞性乳腺炎1个;恶性结节55个（①浸润性导管癌43个,②导管原位癌8个,③粘液癌3个,④髓样癌1个）。2、乳腺超声自动容积成像（ABVS）联合常规手持超声检查中超声图像为恶性表现的共56个（其中病理结果为恶性的52个,病理结果为良性的4个）,超声图像为良性表现的共22个（其中病理结果为恶性的3个,病理结果为良性的19个）。3、乳腺钼靶摄影检查中钼靶摄影图像为恶性表现的共48个（其中病理结果为恶性的45个,病理结果为良性的3个）,钼靶摄影图像为良性表现的共30个（其中病理结果为恶性的10个,病理结果为良性的20个）。4、乳腺超声自动容积成像（ABVS）联合常规手持超声对乳腺癌诊断的敏感性为94.5%,特异性为82.6%,阳性预测值为92.9%,阴性预测值为86.4%;乳腺钼靶摄影对乳腺癌诊断的敏感性为81.8%,特异性为87.0%,阳性预测值为93.8%,阴性预测值为66.7%。结论:1、乳腺超声自动容积成像（ABVS）联合常规手持超声有较高的诊断价值,冠状切面的且“汇聚征”表现对乳腺癌的诊断有着重要的提示作用。2、乳腺超声自动容积成像（ABVS）联合常规手持超声在本研究中略优于单纯应用钼靶摄影,但超声检查在经济方便、舒适度、无辐射等方面明显优于钼靶检查,建议乳腺超声自动容积成像（ABVS）联合常规手持超声在临床中进一步得到普及和应用。
冯晓锐[9]（2020）在《计算机断层扫描激光乳腺成像系统在乳腺肿瘤诊断中的应用研究》文中研究指明研究目的:本研究通过对陕西省肿瘤医院就诊的乳腺肿瘤患者行计算机断层扫描激光乳腺成像系统（Computed Tomographic Laser Mammography,CTLM）检查,观察乳腺肿瘤异常血红蛋白生成情况,并以乳腺B超、乳腺X线、乳腺磁共振成像（Magnetic resonance imaging,MRI）等影像检查为对照,以术后病理诊断为“金标准”,探讨CTLM在乳腺肿瘤临床诊断中的应用价值。同时,结合多项临床病理指标,探讨不同类型乳腺肿瘤异常血红蛋白生成的图像特征。材料与方法:1.收集2018年1月至2020年2月就诊的乳腺病变患者322例,均行CTLM检查,并收集乳腺X线（含常规乳腺X线钼靶或三维立体钼靶）、乳腺B超（常规B超或ABUS）、乳腺MRI等检查结果,分析乳腺肿瘤CTLM影像诊断效能。根据入组及排除标准,入组310例患者,均行手术治疗,以患者临床病理结果为“金标准”,并根据其病理结果将患者分为良性组和恶性组,其中恶性110例,良性200例。按照是否行新辅助化疗将行新辅助化疗患者单独成组研究。2.统计方法:采用SPSS 25软件来统计分析CTLM与乳腺B超、乳腺MRI、乳腺X线等影像检查对乳腺肿瘤的诊断特异度、灵敏度、阴性预测值、阳性预测值、诊断符合率、阳性然似比、阴性然似比等。结果的比较采用?2检验,矫正?2检验及Fisher确切概率法进行统计分析（P<0.05被认定为有统计学意义）。结果:1.病理结果与CTLM图像特征研究:1)CTLM对乳腺肿瘤总检出率为83.23%（258/310）,对乳腺恶性肿瘤的检出率要高于乳腺良性肿瘤。CTLM对乳腺恶性肿瘤诊断灵敏度、特异度、阴性预测值、阳性预测值分别为88.18%（97/110）、80%（114/200）、92.49%（160/173）、70.80%（97/137）,阳性似然比、阴性似然比为4.409、0.148。其中纤维腺瘤、腺病、浸润性小叶癌、浸润性导管癌的符合率分别为57.8%（74/128）、59.1%（26/44）、90.57%（48/53）、92.68%（38/41）。2)病理恶性组中CTLM检查病变区域为明亮区域（亮白色）,边缘不规则,异常血管激光衰减信号强、3D结构为板状结构或憩室结构或环状结构的发生率明显高于良性病变组,差异具有统计学意义（均P<0.05）。而病理良性组病变区域为高强度信号区（黄绿色）,边缘规则,异常血管激光衰减信号中等,3D结构为倒圆锥结构或球形结构或圆柱状结构的发生率明显高于恶性病变组,差异具有统计学意义（均P<0.05）。3)乳腺癌中ER表达与CTLM乳腺恶性肿瘤检出率相关,ER（+）组CTLM检出率要高于ER（-）组,其差异具有统计学意义（P<0.05）。2.乳腺X线与CTLM诊断效能研究乳腺X线对乳腺肿瘤总检出率为75.5%（170/225）,对乳腺恶性肿瘤检出率要高于乳腺良性肿瘤,差异有统计学意义（P<0.05）。CTLM对乳腺恶性肿瘤诊断符合率和特异度要高于乳腺X线,差异有统计学意义（均P<0.05）,在灵敏度、阴性预测值、阳性预测值等差异无统计学意义（均P>0.05）。3.乳腺B超与CTLM诊断效能研究乳腺B超对乳腺肿瘤总检出率为97.74%（303/310）,对乳腺良恶性肿瘤检出率差异无统计学意义（P>0.05）。乳腺B超对乳腺恶性肿瘤诊断特异度、阳性预测值和诊断符合率要高于CTLM,差异有统计学意义（均P<0.05）,在灵敏度、阴性预测值等差异无统计学意义（均P>0.05）。4.CTLM和MRI的诊断灵敏度、特异度、诊断符合率、阴性预测值、阳性预测值等差异均无统计学意义（均P>0.05）。5.`CTLM在乳腺癌新辅助治疗疗效评估中可能有一定应用价值。结论:1.CTLM可显示乳腺肿瘤的血红蛋白生成区,良恶性肿瘤之间影像特征不同,乳腺恶性肿瘤ER（+）组CTLM检出率高于ER（-）组,CTLM在乳腺癌良恶性肿瘤的诊断中具有一定的辅助诊断价值。2.CTLM对乳腺肿瘤诊断符合率和特异度要高于乳腺X线;乳腺B超对乳腺恶性肿瘤诊断特异度、阳性预测值和诊断符合率要高于CTLM,乳腺B超对乳腺纤维腺瘤、腺病的诊断符合率高于CTLM。3.CTLM属于功能性成像,不能直接提供形态学表现,且图像特征尚无统一标准,仍需进一步优化评判标准,提高诊断效能。
王丹[10]（2020）在《基于无监督与半监督框架的医学图像分类关键技术研究》文中研究表明近年来,借助深度学习的迅猛发展势头,计算机辅助诊断技术在临床工作中展现出强大的生命力。医学图像分类作为计算机辅助诊断领域中应用最为广泛的一门技术体系,可以实现对医学图像中病症的筛查和病灶的检测分类,对于人类健康福祉具有重要意义。然而,现有的医学图像分类方法多数为依赖于有完整标记数据的有监督学习过程,而医学图像数据的人工标注过程往往需要投入大量的时间和精力,并且即便是行业内部人员的标注也难以避免标记产生的噪声问题,这给无疑给研究工作带来诸多局限。基于无监督和半监督框架的医学图像分类方法能够突破有标记医学图像资源稀缺所带来的研究困境,但至今为止此领域的研究工作尚不成熟,存在一些问题瓶颈。本文以可用有标记医学图像数据匮乏的问题为切入点,开展无监督与半监督框架的医学图像分类关键技术研究,针对临床工作中特定的医学图像分类问题以及其固有的随机性和特异性,探讨并验证有效的分类方法,切实提升临床医学图像分类诊断水平。本文的研究内容与贡献概括如下:1.提出了一种基于自监督拓扑聚类网络（Self-supervised Topology Clustering Network,STCN）的无监督皮肤癌图像分类方法,针对临床实际医学图像因光照、对比度、角度及背景干扰等因素导致的不确定性和复杂性,构建了对于图像具有变换不变性的自监督网络,该网络可归一化多变条件下的医学图像,增强所提取特征的鲁棒性;为了解除现有大多数无监督医学图像分类方法中样本拓扑关系单一固化的问题,设计了深度拓扑聚类模块,通过模块度最大化机制实现在不知类别数目的无标记数据中完成自动聚类过程,有效地解决了在训练过程中偶发的新类别问题;最终通过自监督训练过程优化整个网络的分类性能。本方法在无需预知样本类别信息的条件下提取的特征具有良好的聚类划分能力,获得了较为理想的无监督皮肤癌医学图像分类效果,且在性能表现上优于现有聚类方法。2.提出了一种基于原型迁移生成对抗网络（Prototype Transfer Generative Adversarial Netowrk,PTGAN）的无监督乳腺肿瘤图像分类方法,针对由于数据采集设备、参数设置的不同,导致的乳腺肿瘤图像在风格、数据分布上的差异问题,设计了目标域偏向生成对抗网络,通过域判别器与生成器的对抗训练过程使得经过生成器重构后的源域图像与目标域图像之间的风格差异不断减小;为了解决乳腺肿瘤图像分类任务中有标记数据稀少所导致的算法效率和扩展性难于提升的问题,构建了原型迁移模块,通过跨域特征迁移损失对网络提取的特征进行进一步迁移,对特征空间中的跨域特征分布差异进行消除;采用从源域数据集中学习的基于原型的分类器来对目标域中的样本以聚类中心最近邻规则进行匹配,并获得对应的伪标签,进而达到在类别层面上减小域之间的分布差异,最终实现对目标域中无标记样本类别的划分。本方法对于不同放大倍数下的无监督乳腺肿瘤病理图像二分类任务获得了87.6%的平均准确率,且具有良好的扩展性。3.提出了一种基于多源模糊注意力网络（Multi-source Fuzzy Attention Network,MFAN）的半监督乳腺肿瘤图像分类方法,针对该领域有标记数据资源稀少与现有同类无监督分类方法效果不理想的问题,设计了域注意力特征提取器和域不变性生成器,利用目标域中少量的有标记图像和大量的无标记图像,以及多个相关源域的有标记图像来学习一个乳腺肿瘤图像自重构模型;考虑到不同域数据对向目标域迁移的贡献度不同,引入模糊聚类算法进而获得不同域的权重,将每个域的图像特征转化为偏向目标域的公共特征空间;引入了图像解码器（生成器）,通过与相对判别器的对抗训练过程,以达到进一步提高特征鲁棒性的目的;最终模型采用K-均值聚类算法为样本标注相应的伪标签,通过标签推理过程以实现在学到的共享特征空间中训练目标域数据的分类模型。本方法中的MFAN网络机制可有效提升半监督乳腺肿瘤图像分类任务的分类精度,能够准确估计相同类别的样本,降低临床应用中乳腺癌的漏检率。4.提出了一种基于深度多特征增强网络（Deep Multi-feature Reinforcement Network,DMRN）的半监督脑影像分类方法,针对深度学习技术在磁共振脑影像分类研究方法中仍存在的有标记训练数据支撑不足、模型可解释性差,以及无法有效提取医学图像的特定手工设计特征等问题,本方法在特征提取模块提取图像的深度特征后,又采用局部二值模式提取具有旋转不变性和灰度不变性的纹理特征,并通过广义线性模型提取形态特征;在多特征增强模块实现对深度表示特征与以上两类手工设计特征的融合,并引入反卷积操作重建网络,对融合后的特征进行影像重建,提高综合特征对原始图像的表示能力;最终应用分类模块对增强后的图像进行分类。本方法能够充分利用有标记和无标记脑影像的各类特征信息,相较于已有的半监督脑影像分类方法具有更优异的特征学习能力及分类性能,且与现有的有监督方法的性能表现差异保持在一定限度之内。
二、几种检查方法对乳腺恶性肿瘤诊断价值比较（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、几种检查方法对乳腺恶性肿瘤诊断价值比较（论文提纲范文）
（1）基于深度学习的乳腺组织病理图像分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容 |
| 1.4 本文的结构安排 |
| 第二章 医学图像分析与卷积神经网络 |
| 2.1 医学图像及其分析方法 |
| 2.2 卷积神经网络概述 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.2.4 卷积神经网络的发展 |
| 2.3 CNN的训练和优化方法 |
| 2.3.1 CNN的训练过程 |
| 2.3.2 常见的损失函数 |
| 2.3.3 正则化 |
| 2.3.4 迁移学习 |
| 2.4 本章小结 |
| 第三章 基于改进B-CNN的乳腺病理图像分类 |
| 3.1 引言 |
| 3.2 实验数据集及预处理 |
| 3.2.1 实验数据集介绍 |
| 3.2.2 染色标准化 |
| 3.2.3 数据增强方法 |
| 3.3 基于Inception V3 的改进B-CNN模型 |
| 3.3.1 B-CNN模型 |
| 3.3.2 改进B-CNN模型设计 |
| 3.3.3 模型的前向运算方式 |
| 3.3.4 模型的训练方式 |
| 3.4 实验及结果分析 |
| 3.4.1 实验环境介绍 |
| 3.4.2 实验流程 |
| 3.4.3 模型评价指标 |
| 3.4.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于改进残差网络的乳腺病理图像分类 |
| 4.1 引言 |
| 4.2 实验数据集介绍及划分 |
| 4.2.1 数据集介绍 |
| 4.2.2 数据集划分 |
| 4.3 分类网络模型设计 |
| 4.3.1 残差网络改进 |
| 4.3.2 压缩-激励网络 |
| 4.3.3 SE-Res Net-B模型构建 |
| 4.4 采样和分类策略 |
| 4.4.1 采样策略 |
| 4.4.2 分类策略 |
| 4.5 实验及结果分析 |
| 4.5.1 实验环境 |
| 4.5.2 实验流程和优化方法 |
| 4.5.3 二分类与四分类结果 |
| 4.5.4 实验结果分析 |
| 4.6 本章小结 |
| 第五章 研究总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 个人简历在读期间发表的学术论文 |
| 致谢 |
（2）探讨磁共振多参数联合超声弹性成像对乳腺肿块的诊断价值（论文提纲范文）
| 摘要 |
| Abstract |
| 主要英文缩略词表 |
| 前言 |
| 材料与方法 |
| 1.1 研究对象 |
| 1.2 主要设备 |
| 1.3 检查方法与步骤 |
| 1.4 图像后处理 |
| 1.5 统计学分析 |
| 结果 |
| 2.1 一般资料 |
| 2.2 DCE-MRI特征 |
| 2.3 ADC值、IVIM-DWI各参数在乳腺良恶性肿块的差异 |
| 2.4 ADC值、IVIM-DWI各参数诊断价值 |
| 2.5 三种诊断方法的诊断价值 |
| 讨论 |
| 3.1 磁共振多参数对乳腺肿块的诊断价值 |
| 3.2 磁共振成像与超声弹性成像对乳腺肿块的诊断价值 |
| 3.3 本研究的不足之处 |
| 结论 |
| 参考文献 |
| 综述 乳腺癌影像学检查技术的应用现状 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 导师评阅表 |
（3）FFDM+DBT与MRI在乳腺良恶性疾病诊断中的对比应用（论文提纲范文）
| 中文摘要 |
| Abstract |
| 1.前言 |
| 2.资料与方法 |
| 3.结果 |
| 4.讨论 |
| 5.结论 |
| 参考文献 |
| 致谢 |
| 附录A.中英文术语和缩略语对照表 |
| 附录B.病例图片 |
| 附录C.个人简介 |
| 附录D.综述 乳腺疾病不同影像学方法的研究进展 |
| 参考文献 |
（4）IVIM与定量DCE-MRI鉴别乳腺良恶性肿瘤价值的比较研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 第2章 材料和方法 |
| 2.1 研究对象 |
| 2.1.1 纳入标准 |
| 2.1.2 排除标准 |
| 2.2 检查方法 |
| 2.2.1 检查设备 |
| 2.2.2 扫描参数 |
| 2.3 图像分析和后处理 |
| 2.3.1 IVIM-DWI图像后处理 |
| 2.3.2 DCE-MRI图像后处理 |
| 2.3.3 ROI的勾画和放置原则 |
| 2.4 统计学分析 |
| 第3章 结果 |
| 3.1 一般资料比较和病理结果 |
| 3.2 观察者间的一致性分析 |
| 3.3 IVIM与DCE-MRI参数良恶组间的差异 |
| 3.4 IVIM与DCE-MRI参数的诊断效能 |
| 3.5 IVIM与DCE-MRI参数效能的比较 |
| 3.6 IVIM与DCE-MRI灌注参数的相关性 |
| 第4章 讨论 |
| 4.1 乳腺肿瘤发生的病理学机制 |
| 4.2 乳腺肿瘤的影像学评估现状 |
| 4.3 DCE-MRI鉴别乳腺良恶性肿瘤的价值 |
| 4.4 IVIM参数鉴别乳腺良恶性肿瘤的价值 |
| 4.5 IVIM与DCE-MRI灌注参数的相关性 |
| 4.6 IVIM和DCE-MRI诊断效能的比较 |
| 第5章 结论与展望 |
| 5.1 研究结论 |
| 5.2 研究的局限性 |
| 5.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 综述 功能磁共振成像在乳腺癌诊断中的研究进展 |
| 参考文献 |
（5）基于灰阶超声的影像组学预测乳腺肿瘤良恶性的价值（论文提纲范文）
| 英文缩略词表 |
| 中文摘要 |
| Abstract |
| 1 前言 |
| 2 资料与方法 |
| 3 结果 |
| 4 讨论 |
| 5 研究的局限性与展望 |
| 6 结论 |
| 参考文献 |
| 附录 |
| 致谢 |
| 综述 影像组学在乳腺癌的评估及治疗里的应用 |
| 参考文献 |
（6）多模态磁共振成像对乳腺良恶性肿瘤的诊断价值（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 前言 |
| 1 研究对象 |
| 2 材料与方法 |
| 3 结果 |
| 4 讨论 |
| 参考文献 |
| 附录 |
| 致谢 |
（7）ABVS与VTQ技术对乳腺良恶性病灶的诊断应用研究（论文提纲范文）
| 中英文缩略词对照表 |
| 摘要 |
| ABSTRACT |
| 前言 |
| 材料(资料、内容)与方法 |
| 1.研究对象 |
| 2.研究方法 |
| 2.1 仪器和操作方法 |
| 2.2 图像评价分析及良恶性判断标准 |
| 3.统计学方法 |
| 结果 |
| 1.病理检查结果 |
| 2.超声检查结果 |
| 讨论 |
| 结论 |
| 参考文献 |
| 综述 自动乳腺全容积成像在乳腺疾病诊断中的应用进展 |
| 参考文献 |
| 附录 |
| 作者简介及读研期间主要科研成果 |
| 致谢 |
（8）乳腺超声自动容积成像（ABVS）联合常规手持超声与乳腺钼靶摄影在女性乳腺癌诊断中的对比研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表 |
| 1. 引言 |
| 2. 试验方法 |
| 2.1. 研究对象 |
| 2.2 仪器和方法 |
| 2.3 主要仪器设备及材料 |
| 2.4 统计学处理 |
| 3 实验结果 |
| 3.1 病理结果 |
| 3.2 ABVS联合常规手持超声检查结果及与病理结果对照 |
| 3.3 乳腺钼靶摄影检查结果及与病理结果对照 |
| 3.4 ABVS联合常规手持超声检查和钼靶摄影诊断价值比较 |
| 4 讨论 |
| 4.1 ABVS联合常规手持超声对乳腺癌的诊断价值 |
| 4.2 钼靶摄影检查对乳腺癌的诊断价值 |
| 4.3 ABVS联合常规手持超声检查和钼靶摄影诊断价值比较 |
| 5 结论 |
| 参考文献 |
| 综述 乳腺疾病影像学检查的常用方法概述 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）计算机断层扫描激光乳腺成像系统在乳腺肿瘤诊断中的应用研究（论文提纲范文）
| 缩略语表 |
| 中文摘要 |
| Abstract |
| 前言 |
| 文献回顾 |
| 1 乳腺癌绪论 |
| 1.1 乳腺癌的流行情况及危险因素 |
| 1.2 乳腺影像学检查 |
| 1.2.1 乳腺X线摄影 |
| 1.2.2 乳腺B超 |
| 1.2.3 乳腺MRI |
| 1.2.4 纤维乳管镜 |
| 2 光学成像技术 |
| 2.1 光学成像技术概述 |
| 2.2 CTLM |
| 2.2.1 CTLM成像基本原理 |
| 2.2.2 肿瘤血管生成与肿瘤微环境 |
| 2.2.3 CTLM应用优势 |
| 2.2.4 CTLM检查方法 |
| 3 材料和方法 |
| 3.1 研究对象 |
| 3.2 入组及排除标准 |
| 3.2.1 入组标准 |
| 3.2.2 排除标准 |
| 3.2.3 CTLM排除标准 |
| 3.3 研究方法 |
| 3.4 乳腺检查仪器设备 |
| 3.5 影像检查及病理结果判定 |
| 3.5.1 乳腺X线、乳腺B超和乳腺MRI图像判定标准 |
| 3.5.2 CTLM图像判定标准 |
| 3.5.3 病理结果判定标准 |
| 3.6 结果判定 |
| 3.7 统计方法 |
| 4 结果 |
| 4.1 病理结果 |
| 4.2 病理结果与CTLM图像特征研究 |
| 4.2.1 CTLM的图像特征 |
| 4.2.2 CTLM诊断结果分析 |
| 4.2.3 乳腺良恶性与CTLM图像特征分析 |
| 4.2.4 乳腺恶性肿瘤临床病理指标与CTLM图像特征分析 |
| 4.3 乳腺X线与CTLM诊断效能研究 |
| 4.3.1 乳腺X线诊断效能评价 |
| 4.3.2 乳腺X线与CTLM诊断效能分析 |
| 4.4 乳腺B超与CTLM诊断效能研究 |
| 4.4.1 乳腺B超诊断效能评价 |
| 4.4.2 乳腺B超与CTLM诊断效能分析 |
| 4.5 乳腺MRI与 CTLM诊断效能研究 |
| 4.6 CTLM在乳腺癌新辅助治疗疗效评价中的应用研究 |
| 5 讨论 |
| 5.1 CTLM在乳腺肿瘤诊断中的应用价值 |
| 5.1.1 CTLM诊断效能 |
| 5.1.2 生物学指标与CTLM诊断研究 |
| 5.2 乳腺X线与CTLM诊断效能分析 |
| 5.3 乳腺B超与CTLM诊断效能分析 |
| 5.4 乳腺MRI与 CTLM诊断效能分析 |
| 5.5 CTLM在乳腺癌新辅助治疗疗效评估中的应用研究 |
| 5.6 CTLM检查假阳性、假阴性分析 |
| 6 结论 |
| 小结 |
| 参考文献 |
| 个人简历和研究成果 |
| 致谢 |
（10）基于无监督与半监督框架的医学图像分类关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 经典的医学图像分类方法研究现状 |
| 1.2.2 基于深度学习的医学图像分类方法研究现状 |
| 1.3 亟待解决的问题 |
| 1.4 本文的研究内容 |
| 第二章 基础理论与技术 |
| 2.1 常用医学成像模态 |
| 2.2 无监督学习 |
| 2.2.1 无监督学习概述 |
| 2.2.2 聚类算法 |
| 2.2.3 无监督学习深度网络 |
| 2.3 半监督学习 |
| 2.3.1 半监督学习概述 |
| 2.3.2 协同训练半监督回归算法 |
| 2.3.3 半监督生成对抗网络 |
| 2.4 本章小结 |
| 第三章 基于自监督拓扑聚类网络的医学图像分类研究 |
| 3.1 引言 |
| 3.2 皮肤癌图像分类概述及相关技术 |
| 3.2.1 皮肤癌诊断机理 |
| 3.2.2 深度聚类方法 |
| 3.2.3 自监督学习 |
| 3.3 自监督拓扑聚类网络 |
| 3.3.1 变换不变性网络 |
| 3.3.2 深度拓扑聚类算法 |
| 3.3.3 自监督训练 |
| 3.4 实验设计与分析 |
| 3.4.1 数据集 |
| 3.4.2 实施细节 |
| 3.4.3 评价标准与对比方法 |
| 3.4.4 实验结果 |
| 3.4.5 进一步讨论 |
| 3.4.6 STCN的局限 |
| 3.5 本章小结 |
| 第四章 基于原型迁移生成对抗网络的医学图像分类研究 |
| 4.1 引言 |
| 4.2 乳腺肿瘤图像分类概述及相关技术 |
| 4.2.1 乳腺肿瘤病理图像分类 |
| 4.2.2 域自适应技术 |
| 4.2.3 原型网络 |
| 4.3 无监督原型迁移生成对抗网络 |
| 4.3.1 目标域偏向生成对抗网络 |
| 4.3.2 原型迁移模块 |
| 4.3.3 联合训练 |
| 4.4 实验设计与分析 |
| 4.4.1 数据集与评价标准 |
| 4.4.2 实施细节 |
| 4.4.3 对比方法 |
| 4.4.4 实验结果 |
| 4.4.5 进一步讨论 |
| 4.5 本章小结 |
| 第五章 基于多源模糊注意力网络的医学图像分类研究 |
| 5.1 引言 |
| 5.2 乳腺肿瘤图像分类概述及相关技术 |
| 5.2.1 乳腺肿瘤病理图像分类 |
| 5.2.2 医学图像分析中的无监督学习 |
| 5.2.3 半监督学习 |
| 5.3 半监督多源模糊注意力网络 |
| 5.3.1 方法概述 |
| 5.3.2 域注意力特征提取器 |
| 5.3.3 域不变性图像生成器 |
| 5.3.4 基于K-均值聚类的伪标签生成器 |
| 5.4 实验设计与分析 |
| 5.4.1 数据集 |
| 5.4.2 实验设置与评价标准 |
| 5.4.3 实验结果 |
| 5.4.4 进一步讨论 |
| 5.5 本章小结 |
| 第六章 基于深度多特征增强网络的医学图像分类研究 |
| 6.1 引言 |
| 6.2 阿尔茨海默症脑影像分类概述及相关技术 |
| 6.2.1 阿尔茨海默症脑影像分类 |
| 6.2.2 特征提取 |
| 6.2.3 数据降维 |
| 6.3 半监督深度多特征增强网络 |
| 6.3.1 方法概述 |
| 6.3.2 特征提取模块 |
| 6.3.3 多特征增强网络 |
| 6.3.4 半监督分类训练 |
| 6.4 实验设计与分析 |
| 6.4.1 阿尔茨海默症脑影像数据集 |
| 6.4.2 实施细节与评价标准 |
| 6.4.3 实验结果 |
| 6.4.4 进一步讨论 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文的工作总结 |
| 7.2 本文的工作展望 |
| 参考文献 |
| 攻读博士期间发表的学术论文 |
| 致谢 |
四、几种检查方法对乳腺恶性肿瘤诊断价值比较（论文参考文献）
- [1]基于深度学习的乳腺组织病理图像分类方法研究[D]. 王娟. 华东交通大学, 2021(01)
- [2]探讨磁共振多参数联合超声弹性成像对乳腺肿块的诊断价值[D]. 刘春晖. 石河子大学, 2021(02)
- [3]FFDM+DBT与MRI在乳腺良恶性疾病诊断中的对比应用[D]. 王祥芝. 蚌埠医学院, 2021(01)
- [4]IVIM与定量DCE-MRI鉴别乳腺良恶性肿瘤价值的比较研究[D]. 王志远. 南昌大学, 2021(01)
- [5]基于灰阶超声的影像组学预测乳腺肿瘤良恶性的价值[D]. 肖榕. 安徽医科大学, 2021(01)
- [6]多模态磁共振成像对乳腺良恶性肿瘤的诊断价值[D]. 师玉. 暨南大学, 2020(12)
- [7]ABVS与VTQ技术对乳腺良恶性病灶的诊断应用研究[D]. 许导靖. 皖南医学院, 2020(04)
- [8]乳腺超声自动容积成像（ABVS）联合常规手持超声与乳腺钼靶摄影在女性乳腺癌诊断中的对比研究[D]. 阿米尔（Amir Sherchan）. 内蒙古民族大学, 2020(02)
- [9]计算机断层扫描激光乳腺成像系统在乳腺肿瘤诊断中的应用研究[D]. 冯晓锐. 西安医学院, 2020(08)
- [10]基于无监督与半监督框架的医学图像分类关键技术研究[D]. 王丹. 吉林大学, 2020(08)