基于集群的超快速DCEMRI的自动化定量分析,用于差异性乳腺DCIS分级

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 生物统计学 生物统计学

背景情况:

• 管道癌在位 (DCIS) 的分级对于治疗决策至关重要.
• 使用成像来区分低级和高级DCIS仍然具有挑战性.
• 超快速动态增强对比度 (DCE) MRI提供了详细的动力信息.

研究的目的:

• 为了评估k-means集群 (KMC) 分析对DCIS分级的超快速DCEMRI动力参数的有效性.
• 为了确定KMC是否可以识别激进的DCIS病变.
• 在区分DCIS等级时评估KMC衍生参数的性能.

主要方法:

• 超快速DCEMRI数据的回顾性分析来自57名DCIS患者.
• 根据动力参数,KMC申请将乳腺膜体和病变口腔细胞分为五个集群.
• 包括克鲁斯卡尔-瓦利斯和ROC曲线分析在内的统计分析,以在DCIS等级中比较KMC参数.

主要成果:

• 动力参数α与DCIS等级显著相关 (P = .04).
• 包括alpha在内的KMC衍生参数显示ROC曲线下的区域>0.70用于区分DCIS等级.
• 阿尔法在识别低度DCIS时获得了最高的AUC (0.77).

结论:

• 对超快速DCE MRI运动参数的KMC分析可以有效地区分低级和中级到高级DCIS.
• 来自KMC的参数alpha显示了识别低等级DCIS的最有希望的方法.
• 这种方法可能有助于更好的风险分层和DCIS患者的治疗规划.