周洁洁，张洋，苏敏莹，何遐遐，徐妮娜，叶舒欣，李建策，王瓯晨，王美豪

    (1.温州医科大学附属第一医院 放射科，浙江 温州 325015；2.美国加州大学欧文分校 功能肿瘤影像中心，加利福尼亚州 欧文 96214；3.温州医科大学附属第一医院 甲乳外科，浙江 温州 325015)

    乳腺动态增强磁共振成像(dynamic contrastenhanced magnetic resonance imaging，DCE-MRI)具有很高的灵敏度[1-2]，可以检测到许多良性病变。随着越来越多的筛查和术前MRI检查的开展，更好地描述MRI检测到的增强病变性质对于提高诊断的准确性至关重要。利用计算机软件从影像学图像中高通量地提取海量的临床医师肉眼无法获取的定量信息，再利用大数据分析方法获得有价值的特征用于临床分析和诊断[3]。近年来，人工智能算法，特别是深度学习在医学图像分析方面取得了显著进展，使医学图像分析领域迅速向前发展[4]。卷积神经元网络(convolutional neural network，CNN)是一种常用的深度学习方法，应用于分析摄影、病理和影像学图像，并报道其在分割、异常检测、疾病分类和诊断等各种临床任务中具有巨大的潜力[5]。 本研究探讨和比较影像组学和5种不同的CNN方法在DCE-MRI上对乳腺良恶性病变的诊断准确性。

    1 资料和方法

    1.1 一般资料 选取2017年1月至2018年6月经温州医科大学附属第一医院手术或穿刺病理证实的乳腺病变患者152例，所有患者均为女性，术前均行GE 3.0T机器进行MRI平扫及增强检查，所有结果均经病理检查证实。其中恶性肿瘤患者93例，平均年龄(52±11)岁，恶性病变103个；良性病变患者59例，年龄(45±9)岁，良性病变73个。纳入标准：①MRI检查前未行任何放化疗者；②MRI检查前未行穿刺或手术治疗者。排除标准：①MRI检查禁忌证者；②无法行钆喷替酸葡胺(Gd-DTPA)增强检查者；③MRI图像模糊影响分析者。所有患者均签署知情同意书，本研究经医院伦理委员会审查通过。

    1.2 磁共振扫描方法 采用GE SIGNA HDx 3.0T MR扫描仪 ......