Cancer-Net BCa-S：是一个基于合成相关扩散成像（CDIs）的深度放射组学数据集，用于预测乳腺癌的SBR分级。

2023-04-12，由加拿大滑铁卢大学的视觉和图像处理实验室创建了Cancer-Net BCa-S数据集，提供了一种基于合成相关扩散成像（CDIs）的深度学习方法来预测乳腺癌的Scarff-Bloom-Richardson（SBR）分级，从而避免了传统活检带来的压力和成本。

 

一、研究背景：

乳腺癌的发病率持续上升，2023年在美国影响了约30万女性。乳腺癌的严重程度不同，需要不同的治疗策略，因此，乳腺癌的分级成为了诊断和治疗规划的关键部分。SBR分级是评估患者对化疗反应的黄金标准，但确定SBR分级的传统方法需要从患者体内移除一些癌细胞，这不仅给患者带来压力和不适，还增加了昂贵的费用。

 

目前遇到困难和挑战：

1、传统SBR分级方法需要进行活检，给患者带来身体和心理上的负担。

2、活检过程成本高昂，不利于大规模的临床应用。

3、需要一种无创、低成本且准确的乳腺癌分级方法来辅助临床决策。

 

数据集地址：Cancer-Net BCa|乳腺癌研究数据集|机器学习数据集

 

二、让我们一起看一下Cancer-Net BCa-S数据集

Cancer-Net BCa-S是一个基于合成相关扩散成像（CDIs）的深度放射组学数据集，用于预测乳腺癌的SBR分级。包含了252例患者的预处理（T0）病例，这些病例来自美国放射学院影像网络（ACRIN）6698/I-SPY2研究的10个不同机构。数据集包含了CDIs获取的信号，以及用于比较的扩散加权成像（DWI）、T2加权（T2w）成像和表观扩散系数（ADC）图。

 

数据集构建 ：

数据集通过获取多个不同b值的原生扩散信号，通过信号合成器产生合成信号，然后将原生和合成信号混合以获得最终信号（CDIs）。为了适应机器学习，CDIs获取的信号被标准化为224x224x25的体积数据立方体。

 

数据集特点 ：

使用深度学习模型来从CDIs数据中提取深度放射组学特征，并基于这些特征预测SBR分级。这种方法的预测准确性高达87.7%，超过了传统的MRI成像方式。

研究人员使用34层体积残差卷积神经网络架构来从CDIs数据立方体中提取深度放射组学特征，并基于这些特征训练一个全连接神经网络架构的分级预测器。

 

基准测试 ：

使用留一法交叉验证（LOOCV）来评估所提出方法的有效性，以准确率作为主要的性能指标。CDIs在预测SBR分级方面的准确性最高，达到了87.7%，敏感性和特异性值均超过80%。

 

为了评估体素级深度放射组学特征在乳腺癌分级中的有效性，我们采用了以下步骤：

1、数据获取：

通过采集不同b值的多个原始扩散信号来获得每个患者的复合扩散成像（CDIs）数据。

使用信号合成器生成合成信号。

将原始信号和合成信号混合，形成最终的CDIs信号。

2、数据标准化：

将CDIs数据转换为统一的224x224x25体素数据立方体，以满足机器学习对数据维度的一致性要求。

3、特征提取：

使用一个34层的体素残差卷积神经网络（已在乳腺癌图像数据上进行训练）来从CDIs数据立方体中提取深度放射组学特征。

4、分级预测：

基于提取的深度放射组学特征，训练一个全连接神经网络架构的分级预测器。

分级预测器用于对患者的乳腺癌分级（Grade I、Grade II和Grade III）进行分类。

5、治疗前预测：

在实际治疗前，使用分级预测器来预测患者的乳腺癌分类分级。

 

 

三、Cancer-Net BCa-S数据集应用场景：

以前对于乳腺癌患者，医生需要确定换着的癌症分级来决定最佳的治疗方案。传统的方法是进行活检，这不仅让患者感到紧张和不适，还可能花费不菲。

 

但现在，有了Cancer-Net BCa-S数据集，

医生可以通过分析患者的MRI图像来预测癌症分级，整个过程无需活检，既减轻了患者的压力，也降低了医疗费用。使患者能够获得更快速、更准确的诊断和治疗建议。

 

科普小知识：

乳腺癌分级是一种评估乳腺癌细胞特征的方法，它有助于预测癌症的生长速度、侵袭性以及对治疗的潜在反应。乳腺癌分级的主要目的是帮助医生确定最佳的治疗方案。以下是一些常见的乳腺癌分级系统：

一、Scarff-Bloom-Richardson (SBR) 分级系统：这是一种广泛使用的乳腺癌分级系统，它基于三个主要的组织学特征：肿瘤的腺管形成、细胞核分级和有丝分裂计数。SBR分级将乳腺癌分为三个等级：

I级（低级别）：肿瘤细胞与正常细胞相似，生长缓慢，预后较好。

II级（中等级别）：肿瘤细胞介于I级和III级之间，具有中等的生长速度和侵袭性。

III级（高级别）：肿瘤细胞与正常细胞差异显著，生长迅速，侵袭性强，预后较差。

二、Nottingham 分级系统：这是一种结合了SBR分级和肿瘤大小、淋巴结受累情况的分级系统，用于更全面地评估乳腺癌的预后。

三、核分级：这种分级系统专注于肿瘤细胞核的特征，如大小、形状和染色质分布，以评估肿瘤的侵袭性。

乳腺癌的分级对于决定治疗策略至关重要。例如，高级别的乳腺癌可能需要更积极的治疗，如化疗、放疗或靶向治疗，而低级别的乳腺癌可能只需要手术和/或激素治疗。此外，分级还可以帮助预测患者对特定治疗的反应，从而实现个性化治疗。

 

 更多免费的数据集，请打开：遇见数据集

https://www.selectdataset.com/