CT纹理分析在肾脏嫌色细胞癌和嗜酸性细胞腺瘤中的鉴别诊断价值

目的 探讨肾脏增强CT的纹理分析在鉴别肾脏嫌色细胞癌（Chromophobe cell renal carcinoma，CCRC）和嗜酸性细胞腺瘤（Renal oncocytoma，RO）中的价值。方法 回顾性分析64例CCRC和31例RO肾脏肿瘤病灶的CT图像，采用ITK-SNAP version 4.11.0软件进行感兴趣区勾画并使用A.K.Version V3.0.0.R软件提取纹理特征。通过随机森林算法选取纹理参数，采用Logistic回归评价所得参数在CCRC和RO中的鉴别效能。结果 使用Logistics回归对随机森林算法筛选得到的皮质期、实质期以及两期混合后权重值由高到低的前20个纹理参数进行评价，AUC值为分别为0.876、0.861和0.945。结论 基于CT图像的纹理分析研究对CCRC和RO的鉴别诊断具有临床价值。     

能谱CT鉴别肾脏嗜酸性细胞腺瘤和嫌色细胞癌

目的 观察能谱CT多参数鉴别诊断肾脏嗜酸细胞腺瘤（RO）与嫌色细胞型肾癌（CRCC）的价值。方法 回顾性分析经手术病理证实的12例RO（RO组）和30例CRCC（CRCC组）患者，测量并计算皮/髓质期70 keV单能量CT值、碘浓度（IC）、标准化碘浓度（NIC）、水浓度（WC）、有效原子序数及40~70 keV能谱曲线斜率（λ值）。比较2组常规CT征象及能谱CT参数差异，以ROC曲线评估差异有统计学意义的参数鉴别RO与CRCC的效能。结果 2组常规CT显示病灶中心瘢痕出现率差异有统计学意义（χ²=3.038，P=0.046）。能谱CT参数中，RO组皮/髓质期70 KeV单能量CT值、IC、有效原子序数、λ值及皮质期NIC均高于CRCC组（P均<0.05），髓质期NIC及皮/髓质期WC与CRCC组差异均无统计学意义（P均>0.05）。以皮质期λ值5.68为阈值鉴别RO与CRCC的AUC最高为1.00（P<0.01），敏感度及特异度均为100%。结论 能谱CT参数，包括皮/髓质期70 keV单能量CT值、IC、有效原子序数、λ值及皮质期NIC对鉴别RO与CRCC具有一定价值。     

定量CT纹理分析鉴别诊断透明细胞型与非透明细胞型肾癌

目的 探讨定量CT纹理分析鉴别透明细胞型肾癌和非透明细胞型肾癌的可行性。方法 回顾性分析100个透明细胞型肾癌和27个非透明细胞型肾癌病灶的CT图像,应用TexRAD软件分析各扫描期相两种类型肾癌的纹理特征。结果 增强图像上,非透明细胞型肾癌的平均灰度值、标准差、熵、正像素的平均值明显低于透明细胞型肾癌,而峰度高于透明细胞型肾癌（P均<0.001）,偏度差异无统计学意义（P>0.05）。在皮髓质期的粗糙纹理上,正像素的平均值鉴别两种类型肾癌的ROC曲线下面积为0.92±0.04,敏感度为0.85,特异度为0.93,准确率为0.87。结论 透明细胞型肾癌与非透明细胞型肾癌的CT纹理特征间存在显著差异,定量CT纹理分析鉴别诊断这两种类型肾癌具有临床价值。     

基于CT密度联合纹理参数建模预测垂体大腺瘤质地

目的 探讨基于CT平扫图像密度联合纹理参数预测垂体大腺瘤质地的价值。方法 收集50例经手术病理证实的垂体大腺瘤,根据术中垂体质地分为质软组（n=30）与质硬组（n=20）。于CT图像肿瘤最大层面手动勾画ROI,测量病变CT值,并提取纹理特征参数。比较2组间CT值及纹理特征差异,对有统计学意义的变量采用多因素Logistic回归分析建立预测垂体腺瘤质地的模型,绘制ROC曲线评价其预测效能。结果 质软组与质硬组间CT值差异有统计学意义（P=0.031）,其预测肿瘤质地的AUC为0.662。基于CT平扫图像共提取77个纹理参数,经筛选获得4个2组间差异有统计学意义的参数,包括第90百分位数、惯量、方差和对比度,其预测肿瘤质地的AUC分别为0.662、0.663、0.672和0.663。多因素Logistic回归分析建立的纹理特征模型预测垂体腺瘤质地的AUC为0.690,CT值结合纹理参数模型的AUC为0.782。结论 CT值结合纹理参数建立的模型对于预测垂体腺瘤质地具有较高价值,可为临床选择手术方案提供帮助。     

不同勾画感兴趣区方法鉴别肾富血供良、恶性小肿瘤

目的 评估不同勾画ROI方式对于鉴别肾富血供良、恶性肿瘤的价值。方法 回顾性分析经病理证实的88例肾富血供小肿瘤的术前腹部CT。其中肾细胞癌（RCC）62例（RCC组）,包括60例肾透明细胞癌（CCRCC）和2例肾嫌色细胞癌（CCRC）;26例良性肿瘤（良性组）,包括24例乏脂肪型肾血管平滑肌脂肪瘤（MFAML）和2例肾嗜酸细胞腺瘤（RO）。分别采用传统方法（tROI,50~100 mm²）及小ROI法（sROI,10~20 mm²）勾画ROI,测量并比较组间CT值相关参数;针对差异有统计学意义的参数绘制其鉴别RCC与良性肾肿瘤的受试者工作特征（ROC）曲线,评价其诊断效能。结果 以tROI法测量的RCC组的皮质期净强化值及相对强化值均高于良性组（P均<0.05）,其鉴别RCC与良性肾肿瘤的ROC曲线下面积（AUC）分别为0.692及0.667;以sROI法测量的RCC组皮质期CT值、实质期CT值、皮质期和实质期净强化值及相对强化值均高于良性组（P均<0.05）,其AUC分别为0.783、0.748、0.837、0.815、0.841及0.812。结论 相比tROI法,采用sROI法测量CT值定量参数对于鉴别肾富血供良、恶性肿瘤具有更高价值。     

CT图像纹理分析鉴别诊断磨玻璃密度肺腺癌的浸润性

目的 探讨CT图像纹理分析鉴别诊断表现为磨玻璃密度结节的肺腺癌浸润性的价值。方法 收集在我院接受肺部CT检查且手术病理证实为肺腺癌患者100例（浸润性腺癌56例,非浸润性腺癌44例）。随机选择69例为训练组,31例为验证组。使用A.K.（Analysis-Kinetics）分析软件进行影像特征提取;Kruskal-Wallis非参数检验和Spearman相关性分析进行特征降维;使用R语言软件包"GLM"函数,建立Logistic回归模型;以交叉验证方法对回归模型进行检验。采用ROC曲线评价独立预测因素的诊断效能。结果 影像特征提取得到396个影像组学特征,经降维最终得到与鉴别肺非浸润腺癌与浸润腺癌最相关的参数3个,建模后验证Logistic回归模型示其诊断准确率为83.30%,敏感度及特异度分别为77.80%、91.70%。结论 CT图像纹理分析可有效鉴别表现为磨玻璃密度结节肺腺癌的浸润性。     

基于CT影像组学模型鉴别肾乏脂肪血管平滑肌脂肪瘤与均质肾透明细胞癌

目的 基于增强CT影像组学特征联合临床特征建立综合模型，验证其术前鉴别肾乏脂肪血管平滑肌脂肪瘤（fp-AML）与均质肾透明细胞癌（hd-ccRCC）的效能。方法 回顾性分析经病理证实的32例fp-AML与39例hd-ccRCC。在增强CT皮质期、实质期及排泄期图像手工勾画肿瘤ROI，提取影像特征，计算观察者间及观察者内组内相关系数（ICC），采用LASSO回归进行特征选择，通过Logistic多元回归分析构建回归方程，并计算皮质期、实质期、排泄期及三期联合的影像组学得分。通过Logistic多元回归分析建立综合模型，并绘制列线图。采用Hosmer-Lemeshow拟合优度检验评价列线图的拟合度，以ROC曲线分析检测列线图的鉴别效能，以决策曲线评价列线图鉴别fp-AML和hd-ccRCC的净获益。结果 自各期图像中提取出包括强度、形状、纹理、图像滤波在内共1 029个特征，对ICC均>0.75的特征进行LASSO选择，分别于皮质期、实质期、排泄期和三期联合获得6、6、5和7个有鉴别意义的特征，AUC分别为0.83[95%CI（0.73，0.92）]、0.80[95%CI（0.70，0.91）]、0.78[95%CI（0.68，0.89）]和0.86[95%CI（0.77，0.95）]。基于三期联合影像组学得分和临床特征的列线图的AUC为0.90[95%CI（0.81，0.99）]，以之术前鉴别fp-AML和hd-ccRCC可获得较满意的诊断净获益。结论 通过列线图表示基于增强CT影像组学特征联合临床特征建立的综合模型术前鉴别fp-AML与hd-ccRCC具有较高诊断效能，有助于术前定性诊断肾肿瘤。     

增强CT影像组学列线图预测膀胱尿路上皮癌肌层浸润

目的 评价增强CT影像组学列线图预测膀胱尿路上皮癌肌层浸润的可行性。方法 纳入91例膀胱尿路上皮癌患者,根据手术病理结果分为非肌层浸润性膀胱癌（NMIBC）组（n=51）和肌层浸润性膀胱癌（MIBC）组（n=40）,比较组间CT特征差异。利用Mazda软件提取病变纹理参数,以Lasso算法筛选,联合十折交叉验证构建Logistic回归影像组学列线图。绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评估列线图预测膀胱尿路上皮癌肌层浸润的效能。结果 CT形态不规则多见于MIBC组,NMIBC组与MIBC组肿瘤CT形态特征差异具有统计学意义（P<0.05）。Logistic回归组学列线图预测肌层浸润AUC为0.881,特异度为76.5%,敏感度87.5%,危险因素包括动脉期S（3,3）SumAverg、S（4,-4）InvDfMom及静脉期S（3,-3）DifEntrp、Perc.90%。结论 增强CT影像组学列线图有助于术前预测膀胱尿路上皮癌肌层浸润。     

CT影像组学鉴别最大径≥ 1 cm良恶性胆囊息肉

目的 探讨基于CT影像组学鉴别诊断良恶性胆囊息肉样病变（PLG）的价值。方法 145例PLG接受腹部增强CT检查、最大径≥ 1 cm且经病理证实,良性82例,恶性63例,将其随机分为训练集和测试集。使用ITK-SNAP软件手动分割门静脉期CT图像的3D ROI,导入AK分析软件提取影像组学特征,以Lasso回归法进行特征降维,借助R语言软件建立Logistic回归模型并验证,采用ROC曲线评价该模型的诊断效能。结果 最终提取7个与鉴别良恶性PLG相关的特征,基于训练集所得最佳诊断阈值为0.370,模型在测试集中进行验证,发现阈值为0.370时准确率为0.886,特异度和敏感度分别为0.880和0.895,AUC值为0.924。结论 CT影像组学可有效鉴别最大径≥ 1 cm的良恶性PLG。     

CT值不均匀度诊断肾透明细胞癌

目的 探讨CT值不均匀度鉴别诊断肾透明细胞癌的价值。方法 回顾性分析经术后病理证实为肾细胞癌患者的CT图像,纳入169个肿瘤,分为透明细胞癌组(n=152)和乏血供肾细胞癌组(n=17)。测量CT值的标准差,同时测量皮髓质期和实质期肿瘤的CT值,及同层面正常肾脏皮质和腹主动脉的CT值并获得CT值比值参数: 皮髓质期肿瘤CT值/正常肾脏皮质CT值(TCOCM),皮髓质期肿瘤CT值/腹主动脉CT值(TAOCM),以及实质期肿瘤CT值/正常肾脏皮质CT值(TCON)、实质期肿瘤CT值/腹主动脉CT值(TAON)。对两组以上参数进行统计学分析。结果 皮髓质期透明细胞癌组的CT值标准差(29.60±9.57)高于乏血供肾细胞癌组(18.85±8.10;t=－4.46,P<0.001)。平扫和实质期两组肿瘤CT值标准差差异均无统计学意义(P均>0.05)。皮髓质期的CT值标准差与透明细胞癌的Fuhrman分级存在弱相关(r=－0.16,P=0.049)。透明细胞癌组的TCOCM、TAOCM、TCON、TAON均高于乏血供肾细胞癌(P均<0.05)。结论 肾透明细胞癌皮髓质期的CT值标准差高,且CT值标准差可能与Fuhrman分级相关。CT值标准差可作为反映透明细胞癌皮髓质期不均匀强化的定量指标。     

MRI纹理分析预测乳腺癌腋窝淋巴结转移

目的 评价MRI纹理分析预测乳腺癌腋窝淋巴结（ALN）转移的价值。方法 以172例乳腺癌为训练组,分为ALN阳性亚组（n=79）和阴性亚组（n=93）,提取增强MRI及ADC图中ALN纹理特征,比较2亚组间纹理特征差异;筛选纹理特征,构建多因素Logistic回归模型,并对模型进行内部验证。以另外37例乳腺癌为测试组,行模型外部验证。结果 基于增强MRI和ADC图选取16个纹理参数,其中熵的预测效能最优,曲线下面积（AUC）分别为0.781和0.786。经Lasso回归筛选11个纹理特征,以多因素Logistic回归建立预测模型,内部验证结果显示其AUC为0.906,用于测试组时AUC为0.859,预测效能良好。结论 MRI纹理分析预测乳腺癌ALN转移具有较高效能。     

基于T1WI及IDEAL-T2WI影像组学模型鉴别腮腺多形性腺瘤和腺淋巴瘤

目的 观察T1WI、IDEAL-T2WI影像组学特征及机器学习模型鉴别腮腺多形性腺瘤（PA）与腺淋巴瘤（AL）的价值。方法 回顾性分析33例腮腺PA和25例AL患者。运用放射组学云平台，于轴位T1WI和IDEAL-T2WI上手动勾画病灶ROI，提取影像组学特征；以方差阈值法、SelectKBest及Lasso算法筛选最优特征。采用随机森林、逻辑回归算法建立机器学习模型，绘制ROC曲线，分析T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI建立模型的诊断效能。结果 T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI分别得到6、9、12个有效特征。基于IDEAL-T2WI联合T1WI建立随机森林模型的诊断效能最高，AUC为0.87，95%CI（0.59，1.00），准确率0.83。结论 基于T1WI、IDEAL-T2WI影像组学特征及机器学习模型可有效鉴别诊断腮腺PA和AL。     

基于T2WI 3D纹理分析评估宫颈癌组织学分级

目的探讨基于T2WI的3D纹理分析评估宫颈癌组织学分级的价值。方法回顾性分析经病理证实的175例宫颈癌患者,其中高分化41例(高分化组),中分化76例(中分化组),低分化58例(低分化组),术前均接受常规MR平扫及增强扫查。采用ITK-SNAP软件勾画感兴趣体积(VOI),以LIFEx软件计算获取41个纹理参数;比较3组间纹理参数差异,以组间差异有统计学意义的纹理参数构建Logistic回归模型,评价其评估宫颈癌组织学分级的效能。结果低、中、高分化组间,区域灰度不均匀度(GLNUz)、区长度不均匀度(ZLNU)、能量(GLCM-Energy)、强度(Busyness)、游程灰度级不均匀度(GLNUr)、游程长度不均匀度(RLNU)、体积(Volume-vx)及容积(Volume-ml)8个参数差异有统计学意义(P均<0.05)。低分化组与高分化组间8个纹理参数差异均有统计学意义(P均<0.05),中分化与高分化组间Energy、GLNUz、ZLNU差异有统计学意义(P均<0.05)。低、中、高分化组间差异有统计学意义的8个纹理参数均与组织学分级相关(|r|=0.491~0.567)。低分化与高分化组间8个差异有统计学意义纹理参数鉴别二者的AUC为0.711~0.774,以其构建的Logistic回归模型的AUC为0.875,敏感度87.50%,特异度77.78%。中分化与高分化组间3个差异有统计学意义的纹理参数的AUC为0.685~0.717,以此构建的Logistic回归模型的AUC为0.753,敏感度78.75%,特异度72.92%。结论基于T2WI的3D纹理分析对术前预测宫颈癌组织学分级有一定价值,其模型诊断效能更高。     

MR纹理分析鉴别诊断脑胶质母细胞瘤和单发转移瘤的价值

目的 探讨MR纹理分析鉴别脑胶质母细胞瘤和单发转移瘤的价值。方法 收集我院病理或临床证实为脑胶质母细胞瘤患者35例、脑单发转移瘤患者40例。所有患者均接受常规MR平扫及增强检查,包括T1 FLAIR、T2WI、T2 FLAIR、DWI及增强T1WI。采用MaZda软件于DWI及增强T1WI序列最大层面上手动勾画肿瘤ROI,提取病变的纹理特征。结果 脑胶质母细胞瘤和单发转移瘤的直方图纹理参数中增强T1WI的偏度,灰度共生矩阵参数中增强T1WI自相关、均值,DWI自关性差异有统计学意义。基于这些纹理参数构建多变量Logistic回归分析显示该模型的ROC曲线下面积为0.834。结论 纹理分析为鉴别脑胶质母细胞瘤和单发转移瘤,提供可靠、可以量化的客观依据。