超声成像通常用于检测和表征乳腺病变，有助于在高图像分辨率下实时诊断肿瘤。然而，其诊断价值很大程度上取决于操作者的经验和技能。尽管现代图像存档和通信系统(PACS)可以存储US电影片段进行全面的重新评估，但US检查期间的实时病变分析仍然是不可替代的。计算机辅助(实时)图像分析的发展可以在检查期间和之后为医生提供支持，并有助于克服乳腺超声的局限性。

放射组学是一种将成像数据转化为可量化特征的方法，有可能促进超声基于图像的乳腺癌诊断。传统上，放射组学是通过使用预定义的统计图像描述符进行手动病变分割和特征提取。另外，基于图像的特征可以在没有用户定义的情况下计算，例如，使用卷积神经网络在标记数据上计算，或者使用自动编码器在没有注释的情况下计算。所有方法都有助于提取特征(即数据点)，这些特征反映了在图像提取的不同层次上肿瘤及其周围环境的灰度级之间的关系。

通常，基于超声的分类模型是根据临床特征(例如，患者的年龄或肿瘤大小)或从图像记录后由经验丰富的放射科医生手动描绘的片段中提取的经典图像描述符开发的。有报道称，在MRI、US剪切波弹性成像和有或没有多普勒成像的b型US中，不仅从肿瘤区域而且从肿瘤边缘计算基于图像的特征可以增加乳腺肿瘤分类的受试者工作特征曲线(AUC)下的面积。最近，超声的乳腺癌诊断是通过顺序应用不同的分类功能来进行的。然而，将各种类型的基于图像的特征直接混合用于乳腺肿瘤的超声图像分类尚未见报道。

最近，发表在Radiology杂志上的一篇研究通过结合经典放射组学和基于自编码器的自动定位病变特征，开发精确的实时基于超声的乳腺肿瘤分类。

本项回顾性分析于2018年4月至2024年1月对共1619张乳腺肿瘤的超声影像图像进行了分析。训练nnU-Net进行病灶分割。使用经典放射组学、自动编码器或两者同时使用，从肿瘤片段、边界框和整个图像中提取特征。进行特征选择以生成放射组学特征，这些特征用于训练用于肿瘤分类的机器学习算法。采用受试者工作特征曲线下面积(AUC)、敏感性和特异性对模型进行评估，并与组织病理学或随访确诊进行统计学比较。

研究共建立了1191例(平均年龄61岁±14岁[SD])女性患者模型，并对50例(平均年龄55岁±15岁])进行了外部验证。将数据集分为两部分:测试和训练病变分割(419次和179次)和病变分类(503次和90次)。在测试集数据集1中，nnU-Net显示了病灶分割的准确性和可重复性(Dice评分中位数[DS]: 0.90 [IQR, 0.84-0.93];P = 0.01)和数据集2(中位DS: 0.89 [IQR, 0.80-0.92];P = 0.001)。使用来自肿瘤边界盒的23个混合特征训练的最佳模型，AUC为0.90 (95% CI: 0.83, 0.97)，灵敏度为81% (46 / 57;95% CI: 70,91)，特异性为87% (39 / 45;95% ci: 77,87)。在模型和人类读者之间没有发现差异的证据(AUC = 0.90 [95% CI: 0.83, 0.97] vs 0.83 [95% CI: 0.76, 0.90];P = 0.55和0.90 vs 0.82 [95% CI: 0.75, 0.90];P = 0.45)，在肿瘤分类或模型与组织病理学或随访确诊之间(AUC = 0.90 [95% CI: 0.83, 0.97] vs . 1.00 [95% CI: 1.00,1.00];P =0.10)。

图 来自(A-C)数据集1和(D-F)数据集2的US图像上的乳腺病变自动分割示例，产生IQR Dice分数(DS)的中位数、下界和上界。所呈现的片段由nnU-Net-2(黄色)和经验丰富的放射科医生(绿色)计算。病理诊断为(A)恶性，(B)恶性，(C)恶性，(D)良性，(E)恶性，(F)良性

本项研究结合经典放射组学和基于自编码器的肿瘤边界盒特征，建立了基于实时的精确乳腺肿瘤分类方法，为临床进行准确的评估提供了技术支持。

原文出处：

Zuzanna Anna Magnuska,Rijo Roy,Moritz Palmowski,et al.Combining Radiomics and Autoencoders to Distinguish Benign and Malignant Breast Tumors on US Images.DOI:10.1148/radiol.232554

Tags： Radiology：结合放射组学和自编码器在超声图像上实现乳腺良恶性肿瘤的区分