乳腺癌影像组学的研究进展(3) - 肿瘤学杂志杂志社投稿_期刊论文发表|版面费|电话|编辑部- 肿瘤学杂志

一、稿件要求： 1、稿件内容应该是与某一计算机类具体产品紧密相关的新闻评论、购买体验、性能详析等文章。要求稿件论点中立，论述详实，能够对读者的购买起到指导作用。文章体裁不限，字数不限。 2、稿件建议采用纯文本格式(*.txt)。如果是文本文件，请注明插图位置。插图应清晰可辨，可保存为*.jpg、*.gif格式。如使用word等编辑的文本，建议不要将图片直接嵌在word文件中，而将插图另存，并注明插图位置。 3、如果用电子邮件投稿，最好压缩后发送。 4、请使用中文的标点符号。例如句号为。而不是.。 5、来稿请注明作者署名(真实姓名、笔名)、详细地址、邮编、联系电话、E-mail地址等，以便联系。 6、我们保留对稿件的增删权。 7、我们对有一稿多投、剽窃或抄袭行为者，将保留追究由此引起的法律、经济责任的权利。二、投稿方式： 1、请使用电子邮件方式投递稿件。 2、编译的稿件，请注明出处并附带原文。 3、请按稿件内容投递到相关编辑信箱三、稿件著作权： 1、投稿人保证其向我方所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我方所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我方所投之作品不得同时向第三方投送，即不允许一稿多投。若投稿人有违反该款约定的行为，则我方有权不向投稿人支付报酬。但我方在收到投稿人所投作品10日内未作出采用通知的除外。 5、投稿人授予我方享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、投稿人委托我方声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

乳腺癌影像组学的研究进展(3)

作者:

关键词:

摘要：

8 总结

目前乳腺癌MRI 影像组学领域迅速发展，主要应用于良恶性鉴别、受体和分子分型分类、淋巴结转移、疗效评估及预后方面的研究。然而，目前影像组学多为单中心、单模态研究，数据量通常较小，且传统机器学习方法，干扰因素较多，效率较低，未来影像组学正向多中心、多尺度、多模态及深度学习方向发展。

作者利益冲突声明：全体作者均声明无利益冲突。

[1] Siegel RL, Miller KD, Jemal A. Cancer statistics, 2017. CA Cancer J Clin,2017,67(1):7-30.DOI:10.3322/caac.

[2] Aerts HJ, Velazquez ER, Leijenaar RT, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics Commun,2014,5:4006.DOI:10.1038/ncomms5006

[3] Gillies RJ, Anderson AR, Gatenby RA, et al. The biology underlying molecular imaging in oncology: from genome to anatome and back again. Clin Radiol, 2010, 65(7): 517-521. DOI: 10.1016/j.

[4] Khangura S, Konnyu K, Cushman R, et al. Evidence summaries: the evolution of a rapid review approach. Syst Rev, 2012, 1: 10. DOI:10.1186/2046-4053-1-10

[5] Limkin EJ, Sun R, Dercle L, et al. Promises and challenges for the implementation of computational medical imaging (radiomics) in oncology. Ann Oncol, 2017, 24(6): 1191-1206. DOI:10.1093/annonc/mdx034

[6] Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer, 2012, 48(4): 441-446. DOI:10.1016/

[7] Kumar V, Gu Y, Basu S, et al. Radiomics: the process and the challenges. Magn Reson Imaging, 2012, 30(9): 1234-1248. DOI:10.1016/

[8] Li H, Sun H, Liu S, et al. Assessing the performance of benign and malignant breast lesion classification with bilateral TIC differentiation and other effective features in DCE-MRI. J Magn Reson Imaging,2019,50(2)::10.1002/jmri.

[9] Lo Gullo R, Daimiel I, Rossi Saccarelli C, et al. Improved characterization of sub-centimeter enhancing breast masses on MRI with radiomics and machine learning in BRCA mutation carriers. Eur Radiol,2020,30(12)::10.1007/s00330-020-06991-7

[10] Pinker K, Helbich TH, Morris EA, et al. The potential of multiparametric MRI of the breast. Br J Radiol, 2017, 90(1069):.DOI:10.1259/bjr.

[11] Zhang L, Tang M, Min Z, et al. Accuracy of combined dynamic contrast-enhanced magnetic resonance imaging and diffusion-weighted imaging for breast cancer detection: a meta-analysis. Acta Radiol,2016,57(6)::10.1177/7265

[12] Pinker K, Bogner W, Baltzer P, et al. Improved diagnostic accuracy with multiparametric magnetic resonance imaging of the breast using dynamic contrast-enhanced magnetic resonance imaging, diffusionweighted imaging, and 3-dimensional proton magnetic resonance spectroscopic imaging. Invest Radiol, 2014, 49(6): 421-430. DOI:10.1097/RLI.0029

[13] Nogueira L, Brandao S, Matos E, et al. Application of the diffusion kurtosis model for the study of breast lesions. Eur Radiol, 2014, 24(6)::10.1007/s00330-014-3146-5

[14] Zhang Q, Peng Y, Liu W, et al. Radiomics based on multimodal MRI for the differential diagnosis of benign and malignant breast lesions. J Magn Reson Imaging,2020,52(2)::10.1002/jmri.

[15] Truhn D, Schrading S, Haarburger C, et al. Radiomic versus convolutional neural networks analysis for classification of contrastenhancing lesions at multiparametric breast MRI. Radiology, 2019,290(2)::10.1148/radiol.

[16] Wang QL, Mao N, Shi YH, et al. Texture analysis for differentiating breast invasive ductal carcinoma and breast fibroadenoma on diffusion weighted image: a preliminary study. J Pract Radiol, 2018, 34(9):1368-1371,1422.DOI:10.3969/王清霖,毛宁,史英红,等.扩散加权成像图像纹理分析鉴别乳腺浸润性导管癌与纤维腺瘤的初步研究.实用放射学杂志,2018,34(9):1368-1371,1422.DOI:10.3969/

[17] Huber KE, Carey LA, and Wazer DE. Breast cancer molecular subtypes in patients with locally advanced disease: impact on prognosis, patterns of recurrence, and response to therapy. Semin Radiat Oncol, 2009, 19(4): 204-210. DOI: 10.1016/j.

[18] Xie T, Wang Z, Zhao Q, et al. Machine learning-based analysis of MR multiparametric radiomics for the subtype classification of breast Oncol,2019,9:505.DOI:10.3389/

[19] Zhang Y, Chen JH, Lin Y, et al. Prediction of breast cancer molecular subtypes on DCE-MRI using convolutional neural network with transfer learning between two centers. Eur Radiol, 2020: 10. DOI:10.1007/s00330-020-07274-x

[20] Liu C, Ding J, Spuhler K, et al. Preoperative prediction of sentinel lymph node metastasis in breast cancer by radiomic signatures from dynamic contrast-enhanced MRI. J Magn Reson Imaging, 2019, 49(1)::10.1002/jmri.

[21] Shan YN, Xu W,Wang R, et al.A Nomogram combined radiomics and kinetic curve pattern as imaging biomarker for detecting metastatic axillary lymph node in invasive breast cancer. Front Oncol, 2020, 10:1463.DOI:10.3389/

文章来源：《肿瘤学杂志》网址: http://www.zlxzzzz.cn/qikandaodu/2021/0620/512.html