【作者】索靜峰，張麒，常婉英，施俊，嚴(yán)壯志，陳曼

1 上海大學(xué)通信與信息工程學(xué)院，上海市，200444 2 上海交通大學(xué)醫(yī)學(xué)院附屬瑞金醫(yī)院超聲科，上海市，200025

依托彈性與B型雙模態(tài)超聲影像組學(xué)的腋窩淋巴結(jié)轉(zhuǎn)移評價

【作者】索靜峰1，張麒1，常婉英2，施俊1，嚴(yán)壯志1，陳曼2

1 上海大學(xué)通信與信息工程學(xué)院，上海市，200444 2 上海交通大學(xué)醫(yī)學(xué)院附屬瑞金醫(yī)院超聲科，上海市，200025

目的 探索彈性與B型雙模態(tài)超聲影像組學(xué)定量特征對乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移的診斷價值。方法 回顧性分析來自158位乳腺癌患者的161個腋窩淋巴結(jié)（良性69個，轉(zhuǎn)移性92個）的彈性與B型超聲圖像。計算病灶的B型形態(tài)學(xué)特征和雙模態(tài)的影像強(qiáng)度特征與灰度共生矩陣特征，共428個特征。在留一法情況下通過最小絕對壓縮（Lasso）法進(jìn)行特征選擇得到最佳特征組合，并利用支持向量機(jī)進(jìn)行良性與轉(zhuǎn)移性的分類。結(jié)果 通過Lasso法選出的35個影像組學(xué)特征，其敏感性、特異性、準(zhǔn)確率和約登指數(shù)分別為86.96%、85.51%、86.34%和72.46%。結(jié)論 彈性與B型雙模態(tài)超聲影像組學(xué)定量特征取得較高的分類性能，有望應(yīng)用于腋窩淋巴結(jié)轉(zhuǎn)移的臨床診斷。

影像組學(xué)；腋窩淋巴結(jié)；超聲彈性成像；多模態(tài)；乳腺癌

腋窩淋巴結(jié)狀態(tài)是影響乳腺癌患者預(yù)后的關(guān)鍵因素，對于乳腺癌的治療至關(guān)重要[1]。目前，判斷乳腺癌患者腋窩淋巴結(jié)狀態(tài)最可靠的方法是腋窩淋巴結(jié)清掃(Axillary Lymph Node Dissection, ALND)及病理學(xué)檢查[2]。然而，對于大多數(shù)早期乳腺癌患者，ALND或可導(dǎo)致過度治療，增加一些不必要的術(shù)后并發(fā)癥[3]。近年來，前哨淋巴結(jié)活檢（Sentinel Lymph Node Biopsy, SLNB）越來越多地應(yīng)用于臨床，并逐漸整合到早期乳腺癌治療中。然而，SLNB價格昂貴并且具有染色過敏和假陰性結(jié)果的風(fēng)險。因此，迫切需要一種無創(chuàng)準(zhǔn)確檢測腋窩淋巴結(jié)轉(zhuǎn)移的方法。

學(xué)業(yè)基礎(chǔ)不扎實是職高學(xué)生的一個通病，一來他們原先的學(xué)習(xí)基礎(chǔ)不理想，二來自我約束能力不足，同時又缺乏學(xué)習(xí)興趣和積極性。

在臺灣，傳統(tǒng)的陣頭是民間祭祀、廟會喜慶不可或缺的民俗之一。分為文陣和武陣，文陣有車鼓、桃花過渡、牛犁、布馬、大鼓陣、病囝歌、十八摸等，武陣有宋江陣、八家將、舞龍、舞獅、七爺八爺?shù)萚2]。

傳統(tǒng)超聲成像如B型超聲可提供關(guān)于淋巴結(jié)的數(shù)量、尺寸、形狀及邊界等信息[4-5]。近年實時彈性成像（Real-Time Elastography, RTE）已被應(yīng)用于評估組織彈性[6-7]。與傳統(tǒng)超聲相比，RTE提供了關(guān)于淋巴結(jié)的生物力學(xué)信息。

世界歷史進(jìn)程中“一帶一路”建設(shè)——基于英國對印度的雙重使命視域的探討………………………………………………吳美川（3）：20

影像組學(xué)（Radiomics）是一種新興的醫(yī)學(xué)影像分析手段，是指通過數(shù)據(jù)挖掘技術(shù)從醫(yī)學(xué)圖像中高通量地提取大量（即高維）定量特征[8-9]，并通過特征選擇等降維技術(shù)篩選得到精簡的重要特征，從而建立圖像特征和臨床表型或病理分型之間的關(guān)聯(lián)。影像組學(xué)被越來越多地應(yīng)用于計算機(jī)斷層掃描成像、磁共振成像和正電子斷層掃描成像上[9-11]，但很少應(yīng)用于超聲成像[9]。實際上本研究組已于近期將影像組學(xué)用于超聲圖像中乳腺腫瘤的良惡性分類，取得不俗效果[9]。本文進(jìn)一步探索超聲影像組學(xué)在評估乳腺癌腋窩淋巴結(jié)中的作用。本文目的即在于通過影像組學(xué)分析B型與彈性雙模態(tài)超聲圖像中腋窩淋巴結(jié)的影像學(xué)特征，為判斷其是否轉(zhuǎn)移提供無創(chuàng)準(zhǔn)確的依據(jù)。

1.5 支持向量機(jī)分類器設(shè)計

1 方法與材料

1.1 圖像采集、硬度轉(zhuǎn)換和圖像分割

本文選用Mylab 90彩色超聲診斷儀（Esaote,Genoa, Italy），探頭型號為L523，頻率為4～13 MHz?；颊咛幱谘雠P位使腋窩充分暴露，在B型超聲模式下選擇淋巴結(jié)目標(biāo)，隨后切換至彈性成像模式。該系統(tǒng)提供了雙模態(tài)顯示界面。如圖1(a)所示，左為B型超聲圖像，右為半透明彩色彈性圖疊加顯示在灰度二維B型圖上形成復(fù)合的彩色圖像。

腋窩淋巴結(jié)的超聲檢查對象為瑞金醫(yī)院2013年12月至2014年12月收治的行腋窩淋巴結(jié)常規(guī)超聲檢查及超聲彈性成像的乳腺癌患者共158例（55.20±5.20歲），合計161個淋巴結(jié)（轉(zhuǎn)移性92，良性69）。本實驗獲得倫理委員會批準(zhǔn)，并收到所有患者的書面同意書。

以某種口徑火炮為研究對象，考慮到膛內(nèi)時期身管后坐對發(fā)射過程的影響較小，為此簡化數(shù)值計算模型，不考慮身管后坐的影響，建立其彈炮耦合有限元模型有限元模型中。其中，彈帶與彈體之間采用面面綁定約束，裝藥與彈體，彈帶、彈丸定心部與身管接觸設(shè)置。彈帶擠進(jìn)過程中會自身接觸，因此，彈帶采用自接觸設(shè)置，動摩擦系數(shù)為0.1。圖1為正常未磨損的身管內(nèi)膛結(jié)構(gòu)，圖2為試驗測得的身管內(nèi)膛磨損曲線，圖3為根據(jù)圖2的磨損量建立的身管內(nèi)膛磨損的有限元網(wǎng)格模型，圖4為彈帶有限元網(wǎng)格模型，圖5為彈炮耦合有限元網(wǎng)格模型。

在Mylab 90系統(tǒng)中，顏色條（圖1(a)中的右側(cè)）表示組織彈性，其顏色由綠色（最軟）漸變?yōu)樽仙罱K漸變?yōu)榧t色（最硬）。顏色條每一行中的顏色均表示相同的彈性應(yīng)變值，但是以不同的B型灰度為底色。亦即，復(fù)合彈性圖像中由于底色的B型灰度值不同，因此顏色條中每一行的顏色稍有不同，但每一行疊加的彩色均表示相同的彈性應(yīng)變值。

這里x和s表示所有該樣本特征的均值和標(biāo)準(zhǔn)差。以各行為特征、各列為樣本，通過偽彩色顯示Z-score，即得到熱圖。同時，本文還對行列方向分別進(jìn)行分層聚類（Hierarchical Clustering, HC），在熱圖左方與上方顯示HC所得的聚類樹，以展示各特征或各樣本之間的相似程度及聚類層次關(guān)系。

淋巴結(jié)的勾畫由一名經(jīng)驗豐富的超聲科醫(yī)師完成。圖1(c)和圖1(d)給出一例淋巴結(jié)的勾畫示例。勾畫之后，將圖像數(shù)據(jù)傳到計算機(jī)，采用Matlab（R2014a版，MathWorks）編程進(jìn)行影像組學(xué)特征提取及分析。

良好親子關(guān)系是良好家庭教育的基礎(chǔ)。保持良好親子關(guān)系的家庭，即使孩子出現(xiàn)階段性的成長問題，也是比較容易解決的。親子關(guān)系是檢視教養(yǎng)成效的重要指征之一。常見的親子關(guān)系問題是親子關(guān)系疏離、親子關(guān)系過度依賴、親子關(guān)系沖突等。

對每個特征x∈R1×P計算Z-score：

特征間相關(guān)性和冗余特征會使分類準(zhǔn)確率降低，并且醫(yī)學(xué)圖像一般樣本數(shù)較少，特征數(shù)目過多會導(dǎo)致過擬合。因此需要對特征進(jìn)行選擇和優(yōu)化。本文采用最小絕對壓縮（Least Absoulute Shrinkage and Selection Operator, Lasso）法進(jìn)行特征選擇[13]，篩選出與轉(zhuǎn)移最為相關(guān)的關(guān)鍵特征子集，稱之為影像組學(xué)印簽。Lasso法采用模型系數(shù)的絕對值函數(shù)作為懲罰對回歸系數(shù)進(jìn)行壓縮，使絕對值較小的系數(shù)完全收縮至0，從而篩選出鑒別能力較強(qiáng)的特征。其公式為：

形態(tài)學(xué)特征：定量描繪淋巴結(jié)的形狀。包括：面積、凸面積、周長、等效直徑、長軸和短軸長度、方向、實心度、偏心率、厚度平均值、厚度中值、厚度最大值、寬度平均值、寬度中值和寬度最大值。

影像強(qiáng)度特征：量化了圖像像素的強(qiáng)度分布，主要由淋巴結(jié)內(nèi)的強(qiáng)度值（即B型灰度值或軟度值）計算得到。包括各種一階統(tǒng)計量、例如平均值、標(biāo)準(zhǔn)偏差、方差系數(shù)、偏度、峰值、直方圖熵、面積比和組合面積比，以及多個百分位數(shù)[12]。其他特征包括淋巴結(jié)外強(qiáng)度的統(tǒng)計特征和淋巴結(jié)內(nèi)外強(qiáng)度統(tǒng)計量的比值。

GLCM特征：G(i,j)計算了圖像強(qiáng)度為i和j的一對像素在特定角度θ和距離d下出現(xiàn)的次數(shù)。通過歸一化獲得聯(lián)合條件概率密度函數(shù)，從中推導(dǎo)出基于GLCM的紋理特征。包括GLCM的對比度、能量、均一度和熵[12]。其中對比度與熵反映圖像紋理的非均勻程度或者復(fù)雜程度，灰度分布越不均勻，取值較大；能量與均一度則表征圖像紋理的同質(zhì)性，其值越大說明紋理的不同區(qū)域區(qū)間變化越少，分布越均勻。

本文求GLCM時，像素距離d分別取1、2、4和8，方向θ為0o、45o、90o和135o。四個方向的特征求平均值作為最后的紋理特征[12]。

1.3 特征選擇

本文共提取腋窩淋巴結(jié)三類特征，即形態(tài)學(xué)特征、影像強(qiáng)度特征和灰度共生矩陣特征（Gray Level Co-occurrence Matrix, GLCM）。因為淋巴結(jié)的勾畫只在B型超聲圖像上進(jìn)行，因此形態(tài)學(xué)特征只計入B型超聲特征。影像強(qiáng)度特征和GLCM特征分別在B型超聲和彈性超聲兩個模態(tài)上計算。

其中yi是第i個響應(yīng)向量（良惡性標(biāo)簽）；xi=(xi1,xi2, ... ,xiP)是觀察向量（P維量化特征）；βj為第j個變量的回歸系數(shù)。式（2）中s為回歸系數(shù)的1范式懲罰項，取值為0到正無窮，s足夠小時，將某些與響應(yīng)變量相關(guān)度較低的觀察變量的回歸系數(shù)嚴(yán)格壓縮至0，從而篩選出鑒別能力強(qiáng)的特征子集。當(dāng)s足夠大時，將不再具有約束功能，此時將保留所有特征即不起特征選擇作用。

使用Lasso方法選取出最優(yōu)的特征，確定一個具有最高預(yù)測ACC的優(yōu)化特征空間。本文采用留一法，將一個淋巴結(jié)樣本作為測試集，其余樣本作為訓(xùn)練集通過Lasso進(jìn)行特征選擇選出最優(yōu)的30個特征，記錄選取的特征。重復(fù)上述過程直至所有樣本都做過測試集，統(tǒng)計各特征被選取為最優(yōu)特征的次數(shù)，由多到少進(jìn)行排序。

1.4 熱圖可視化與聚類分析

1.2 特征提取

根據(jù)顏色條將彩色彈性圖（圖2(a)）轉(zhuǎn)化為范圍從0（最硬）到1（最軟）的“軟度值”圖。首先，將顏色條中每行的顏色線性轉(zhuǎn)換為軟度值，即頂行轉(zhuǎn)換為1，底行轉(zhuǎn)換為0，其余行的軟度值以線性插值得到（圖2(b)和圖2(c)）。其次，通過公式d2= (Re–Ri)2+(Ge–Gi)2+(Be–Bi)2計算彩色彈性圖中的某像素（Re, Ge, Be）與顏色條中每個像素（Ri, Gi, Bi）之間的歐氏距離d。找到顏色條上歐式距離最小的像素（圖2(a)和圖2(b)），并且將其對應(yīng)的軟度值賦給彈性圖中的像素（圖2(d)）。當(dāng)彈性圖中所有像素都賦上對應(yīng)的軟度值時，得到0至1取值的灰度彈性圖（圖2(d)）。

“典故”通常被使用來指關(guān)于歷史人物、典章制度等的故事或傳說，也有涉及詩人、詞人詞句和古諺的化用。一般意義上，“典故”的使用，或簡稱之“用典”，作為典型的修辭格而活躍于古今中外文人墨客手中。

HC技術(shù)已廣泛使用于基因表達(dá)數(shù)據(jù)，在基因組學(xué)領(lǐng)域發(fā)揮重要作用[14]。HC將數(shù)據(jù)進(jìn)行多尺度的聚類生成聚類樹，前一層次聚類而成的目標(biāo)（特征或樣本）合并聚成下一層次的目標(biāo)。本文將HC應(yīng)用于腋窩淋巴結(jié)的影像組學(xué)分析。當(dāng)樣本被聚類成最大（最頂層）的兩類時，這兩類很可能分別包含以良性（或惡性）為主的樣本[11]。因此，樣本的聚類結(jié)果即可初步用于良惡性分類。

2.2.1 早、中、晚稻的抗性不同，早稻感病最高，晚稻最低?？共∑贩N的抗性有相對的穩(wěn)定性。從抗性品種中進(jìn)行系統(tǒng)選育可以得到高產(chǎn)抗病的品種。

當(dāng)然，本文尚有不足之處：1) 本文假設(shè)供應(yīng)鏈上的信息是對稱的，但現(xiàn)實情況中，供應(yīng)鏈上的信息往往是不對稱的，尤其是在突發(fā)事件的背景下.在信息不對稱的情況下，探討三級數(shù)量彈性契約如何協(xié)調(diào)應(yīng)對價格隨機(jī)的突發(fā)事件，還是一個待研究的問題.2) 本文假設(shè)隨機(jī)價格是與供求關(guān)系成簡單的線性關(guān)系變化，但在現(xiàn)實情況中，價格的變化可能呈多種形式變化.3) 本文假設(shè)供應(yīng)鏈參與者皆為風(fēng)險中性，但在現(xiàn)實情況中，不同的參與者有不同的風(fēng)險偏好，尤是當(dāng)外界環(huán)境不確定時，參與者的風(fēng)險態(tài)度往往會從風(fēng)險中性轉(zhuǎn)為風(fēng)險厭惡.另外，參與者的努力程度也會影響供應(yīng)鏈的最優(yōu)訂貨量.這些因素，將在后續(xù)研究中逐步考慮進(jìn)來.

HC聚類本身是種非監(jiān)督學(xué)習(xí)方法，學(xué)習(xí)中未使用標(biāo)簽信息，因此基于聚類結(jié)果進(jìn)行分類其效果仍有提升空間。故本文還采用支持向量機(jī)（Support Vector Machine, SVM）方法對良性和轉(zhuǎn)移性淋巴結(jié)進(jìn)行更準(zhǔn)確的分類。在SVM過程中采用留一法計算161個淋巴結(jié)分類敏感性（SEN）、特異性（SPC）、準(zhǔn)確性（ACC）和約登指數(shù)（YI）。通過使用Sigmoid函數(shù)將每個樣本的距離映射到SVM分類器的決策邊界，得到SVM良性似然值[15]。良性似然值是0和1之間的后驗概率，表示淋巴結(jié)屬于良性淋巴結(jié)的可能性。

2 實驗結(jié)果

本文構(gòu)建了基于雙模態(tài)超聲影像組學(xué)的腋窩淋巴結(jié)轉(zhuǎn)移預(yù)測方法，在B型超聲和彈性超聲中共提取428個定量圖像特征。在全部428個特征中，有294個特征表現(xiàn)出很強(qiáng)的顯著性差異（P＜0.001,t-test）。

2.1 單模態(tài)SVM分類結(jié)果

本文計算了單獨B型與單獨彈性模態(tài)下，所有特征和t檢驗選擇的特征的分類結(jié)果。如表1所示，其中Lasso選擇的彈性特征分類效果最佳。這一結(jié)果表明單獨彈性模態(tài)的分類效果要好于單獨B型超聲。

緩解現(xiàn)階段美術(shù)教學(xué)中出現(xiàn)問題的解決方法是采用“具象表現(xiàn)繪畫”的教學(xué)方法，具象表現(xiàn)繪畫的基本方法既可以避免傳統(tǒng)具象寫實的客觀地死板呈現(xiàn)，又減弱了現(xiàn)代極端化的主觀表現(xiàn)，同時還培養(yǎng)學(xué)生獨特的的觀察能力以及創(chuàng)造力。

表1 在單模態(tài)下選取不同特征時判斷腋窩淋巴結(jié)是否轉(zhuǎn)移的分類性能Tab.1 Diagnostic values of single modal features for identifying metastatic axillary lymph nodes

2.2 雙模態(tài)聚類分析結(jié)果

新課程理念對課堂教學(xué)提出了新的要求，要求教師本著對學(xué)生終身發(fā)展負(fù)責(zé)的態(tài)度，既關(guān)注學(xué)生的學(xué)習(xí)成績，也扶持學(xué)生的個性發(fā)展，讓學(xué)生養(yǎng)成科學(xué)態(tài)度和科學(xué)精神，全面發(fā)展，真正成為21世紀(jì)社會主義新的接班人。高中生物教師應(yīng)當(dāng)在新課改理念的指導(dǎo)下，革新教學(xué)觀念，大膽運用與實踐這些新的教學(xué)方式方法，并結(jié)合自身教學(xué)經(jīng)驗對這些方式方法予以進(jìn)一步優(yōu)化完善，使其更加適用于自己的課堂教學(xué)，最終促進(jìn)課堂教學(xué)效率的提高。

從聚類數(shù)目上看：若采用全部特征時，全體淋巴結(jié)被聚為樣本數(shù)分別為81個和80個的兩類。若采用Lasso優(yōu)化，全體淋巴結(jié)被聚為樣本數(shù)分別為73個和88個的兩類（圖3）。將數(shù)目居多的一類視為轉(zhuǎn)移性，數(shù)目居少的視為良性，計算其分類性能。

圖3 以熱圖形式描繪從161個腋窩淋巴結(jié)樣本中計算出的影像組學(xué)特征的Z-scoreFig.3 Heat maps depicting Z-scores of radiomics features for 161 axillary lymph nodes

采用所有特征聚類的SEN、SPC、ACC與YI分別為：57.61%、60.87%、59.01%和18.48%。Lasso方法優(yōu)化后的35個特征聚類結(jié)果分別為67.39%、73.91%、70.19%和41.30%?？梢娞卣鬟x擇得到的特征能更加準(zhǔn)確地刻畫淋巴結(jié)特性從而有助于更準(zhǔn)確的分類。

2.3 雙模態(tài)SVM分類結(jié)果

在留一法循環(huán)使用Lasso選取特征時，本實驗共記錄45個特征。有16個特征每次都出現(xiàn)。經(jīng)過測試，發(fā)現(xiàn)選擇前35個特征的分類效果最佳，為最優(yōu)特征空間。將所有特征、t檢驗（P＜0.001）選擇的特征、及Lasso選擇的特征進(jìn)行比較，其SVM分類指標(biāo)見表2。Lasso特征的SEN、SPC、ACC和YI均最佳，分別為86.96%、85.51%、86.34%和72.46%。當(dāng)只采用一個模態(tài)進(jìn)行分類時，其效果不如雙模態(tài)。這說明各個模態(tài)之間信息有互補(bǔ)作用。

表2 在雙模態(tài)下選取不同特征時判斷腋窩淋巴結(jié)是否轉(zhuǎn)移的分類性能Tab.2 Diagnostic values of dual-modal features for identifying metastatic axillary lymph nodes

3 討論

對Lasso選擇的35個特征中的每個特征進(jìn)行SVM分類。分類效果最佳的是B型超聲中淋巴結(jié)內(nèi)外強(qiáng)度統(tǒng)計量95百分位數(shù)的比值。其SEN、SPC、ACC和YI分別為69.57%、78.26%、73.29%和47.83%。單個特征的分類性能均不如35個精選特征聯(lián)合分類的結(jié)果，說明雙模態(tài)多特征的聯(lián)合能提高分類性能。

從留一法訓(xùn)練集結(jié)果進(jìn)行分析，采用所有特征分類的S E N、S P C、A C C和Y I為98.93%±0.23%、100.00%±0.00%、99.39%±0.13%和98.93%±0.23%；采用t檢驗選擇的特征分類結(jié)果為92.68%±0.77%、97.90%±0.85%、94.91%±0.65%和90.58%±1.33%；經(jīng)過Lasso選擇的特征分類的結(jié)果為89.04%±0.47%、91.32%±0.39%、90.02%±0.29%和80.36%±0.55%。與其對應(yīng)測試集結(jié)果相比，所有特征的分類結(jié)果差別最大，而Lasso選擇的特征差別最小。這是因為采用所有特征分類時樣本數(shù)目較少而特征數(shù)目過多，從而導(dǎo)致過擬合。Lasso優(yōu)化后訓(xùn)練集和測試集的結(jié)果更加接近，表明其有助于克服過擬合，更適應(yīng)于新的樣本數(shù)據(jù)。

本文主要集中在B型超聲與彈性超聲上，并未包括其他模態(tài)的特征。在以后的研究中將整合其他超聲模態(tài)，如多普勒、超聲造影和剪切波彈性成像，以便進(jìn)行更全面的多模態(tài)分析。此外，還將整合包括磁共振成像、計算機(jī)斷層成像和正電子發(fā)射斷層成像在內(nèi)的其他模態(tài)，以更好地區(qū)分轉(zhuǎn)移性淋巴結(jié)和良性淋巴結(jié)。

除了應(yīng)用于腋窩淋巴結(jié)轉(zhuǎn)移判別，本文提出的影像組學(xué)方法也有望擴(kuò)展至其他癌癥的病理分型和預(yù)后預(yù)測。在后續(xù)工作中，將進(jìn)一步探索影像組學(xué)在腫瘤診療中的應(yīng)用潛力。

4 總結(jié)

本文提出在彈性和B型雙模態(tài)超聲圖像上運用影像組學(xué)提取大量定量特征，進(jìn)行Lasso特征選擇，最終用SVM判別淋巴結(jié)是否轉(zhuǎn)移。分類結(jié)果表明該方法在判斷腋窩淋巴結(jié)是否轉(zhuǎn)移上頗具價值，有望應(yīng)用于臨床診斷。

[1] Axelsson C K, Düring M, Christiansen P M, et al. Impact on regional recurrence and survival of axillary surgery in women with node-negative primary breast cancer[J]. Brit J Surg, 2009, 96(1):40-46.

[2] 周維. 乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移超聲的診斷價值[J]. 現(xiàn)代實用醫(yī)學(xué), 2013, 25(9): 1022-1024.

[3] Yip C H, Taib N A, Tan G H, et al. Predictors of axillary lymph node metastases in breast cancer: is there a role for minimal axillary surgery[J]. World J Surg, 2009, 33(1): 54-57.

[4] Li Q, Wang L, Wu H, et al. Controlled study of traditional ultrasound and ultrasound elastography on the diagnosis of breast masses[J]. Ultrasound Quart, 2015, 31(4): 250.

[5] Dietrich C F, Mathis G, Cui X W, et al. Ultrasound of the pleurae and lungs[J]. Ultrasound Med Biol, 2015, 41(2): 351-365.

[6] Dietrich C F, Softoiu A, Jenssen C. Real time elastography endoscopic ultrasound (RTE-EUS), a comprehensive review[J].Euro J Radiol, 2014, 83(3): 405.

[7] Zhang Q, Xiao Y, Dai W, et al. Deep learning based classif i cation of breast tumors with shear-wave elastography[J]. Ultrasonics,2016, 72: 150-157.

[8] Aerts H J, Velazquez E R, Leijenaar R T, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach[J]. Nat Commun, 2014, 5: 4006.

[9] Zhang Q, Xiao Y, Suo J, et al. Sonoelastomics for breast tumor classif i cation: a radiomics approach with clustering-based feature selection on sonoelastography[J]. Ultrasound Med Biol, 2017,43(5): 1058-1069.

[10] Huang Y Q, Liang C H, He L, et al. Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer[J]. J Clin Oncol, 2016, 34(18):2157.

[11] Gillies R J, Kinahan P E, Hricak H. Radiomics: images are more than pictures, they are data[J]. Radiology, 2015, 278(2): 151169.

[12] Zhang Q, Li C, Han H, et al. Computer-aided quantification of contrast agent spatial distribution within atherosclerotic plaque in contrast-enhanced ultrasound image sequences[J]. Biomed Sign Proc Contr, 2014, 13(1): 50-61.

[13] Tibshirani R. Regression Shrinkage and Selection via the Lasso[J].J R Stat Soc, 2011, 73(3): 273-282.

[14] Bar-Joseph Z, Gifford D K, Jaakkola T S. Fast optimal leaf ordering for hierarchical clustering[J]. Bioinformatics, 2001, 17 (Suppl 1):S22-S29.

[15] Uniyal N, Eskandari H, Abolmaesumi P, et al. Ultrasound RF time series for classif i cation of breast lesions[J]. IEEE Trans Med Imag,2015, 34(2): 652-661.

Evaluation of Axillary Lymph Node Metastasis by Using Radiomics of Dual-modal Ultrasound Composed of Elastography and B-mode

【W(wǎng)riters】SUO Jingfeng1, ZHANG Qi1, CHANG Wanying2, SHI Jun1, YAN Zhuangzhi1, CHEN Man2
1 Institute of Biomedical Engineering, Shanghai University, Shanghai, 200444 2 Department of Ultrasound, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, 200025

Objective To explore the diagnostic value of quantitative radiomics features from dual-modal ultrasound composed of elastography and B-mode for axillary lymph node metastasis in breast cancer patients. Methods We retrospectively analyzed 161 axillary lymph nodes (69 benign and 92 metastatic) undergoing real-time elastography and B-mode ultrasound from 158 patients with breast cancer. We extracted a total of 428 features, consisting of morphologic features from B-mode, and intensity features and gray-level co-occurrence matrix features from the dual modalities,and the optimal subsut of features was selected through least absolute shrinkage and selection operator (Lasso)under the condition of leave-one-out cross validation. We used SVM for the classi fi cation of benign and metastatic nodes. Results The sensitivity, speci fi city, accuracy and Youden’s index of the 35 radiomics features selected with Lasso were 86.96%, 85.51%, 86.34% and 72.46%, respectively. Conclusion The radiomics features from dual-modal ultrasound (elastography and B-mode) have demonstrated good performance for classi fi cation and have potential to be applied to clinical diagnosis of axillary lymph node metastasis.

radiomics, axillary lymph node, real-time elastography, multimode, breast cancer

R736.3

A

10.3969/j.issn.1671-7104.2017.05.001

1671-7104(2017)05-0313-04

2017-03-27

國家自然科學(xué)基金(61671281，61401267)

張麒，E-mail: zhangq@t.shu.edu.cn；

陳曼，E-mail: maggiech1221@126.com