基于深度学习的乳腺X线摄影钙化检测系统对乳腺可疑钙化的检出效能

目的 评价基于深度学习（DL）的乳腺X线摄影钙化检测系统对乳腺可疑钙化的检出效能。方法 回顾分析932例接受乳腺X线检查患者的头足位（CC）和内外斜位（MLO）资料,由2名低年资医师和DL系统盲法独立阅片,一名高年资医师审核结果。比较DL系统与低年资医师检出敏感度差异,结合双向表χ²检验,评价不同BI-RADS分类、钙化形态和分布影响。结果 针对3 728幅影像（932例）,标记可疑钙化274例。2名低年资医师和DL系统的检出敏感度分别是76.64%（210/274）、82.12%（225/274）和99.64%（273/274）。DL系统检出敏感度不受钙化形态、分布、BI-RADS分类等因素的影响（P均>0.05）,而低年资医师对无定形钙化和团簇分布钙化的敏感度明显降低（P均<0.05）。结论 基于DL的乳腺X线影像钙化检出系统检出对可疑形态钙化的敏感度高且稳定,可辅助临床医师减少漏检。     

基于深度学习的乳腺X线摄影病灶检出系统的临床价值

目的 评估基于深度学习（DL）的人工智能（AI）乳腺X线影像病灶检出系统的临床价值。方法 回顾性分析484例乳腺X线影像及诊断报告,对其中存在BI-RADS 3类及以上病灶者评估AI检出敏感度,并结合双向表χ²检验,验证AI对不同类型和BI-RADS分类病灶的敏感度差异。由3名高年资医师对诊断报告显示BI-RADS 1类和2类、但AI提示阳性病例进行审核,并按照不同类型和BI-RADS分类进行统计。结果 BI-RADS 3、4a、4b、4c、5类病灶分别为103、79、23、40和11个,AI检出敏感度分别为82.52%（85/103）、97.47%（77/79）、100%（23/23）、100%（40/40）和100%（11/11）,总敏感度为92.19%（236/256）。AI系统对不同类型（钙化、肿块、非对称、结构扭曲）和BI-RADS分类病灶的敏感度差异均无统计学意义（P均>0.05）。254例BI-RADS 1类和2类病例中,203例AI提示阳性发现,其中75例（80个病灶）为BI-RADS 0类,需结合其他检查确认,21例（23个病灶）为BI-RADS 3类及以上,多检出BI-RADS 3类及以上病灶类型差异无统计学意义（P均>0.05）。结论 AI系统对BI-RADS 3类及其以上病灶有较高敏感度,可有效辅助影像医师减少漏诊。     

数字乳腺断层摄影诊断致密型乳腺无钙化肿块

目的 通过与常规乳腺X线摄影（DM）和超声进行对比,分析数字乳腺断层摄影（DBT）对致密型乳腺内无钙化肿块的诊断价值。方法 参照乳腺影像报告和数据系统（BI-RADS）标准,回顾性分析DBT、DM及超声表现为无钙化肿块的致密型乳腺的1 144例患者资料,以组织病理结果为金标准,评估DBT、DM及超声对乳腺无钙化肿块的检出率、诊断符合率、敏感度、特异度、假阴性率及BI-RADS分类,并进行统计学分析。结果 DBT、DM及超声检查对致密型乳腺无钙化肿块的检出率和诊断符合率分别为86.62%（991/1 144）、77.80%（890/1 144）、99.65%（1 140/1 144）和83.92%（960/1 144）、75.00%（858/1 144）、94.67%（1 083/1 144）,差异均有统计学意义（P均< 0.05）。DBT、DM及超声对致密型乳腺肿块恶性病变的诊断敏感度、特异度和假阴性率分别为89.39%（312/349）、79.93%（231/289）、92.70%（432/466）,81.51%（648/795）、73.33%（627/855）、96.02%（651/678）和10.60%（37/349）、20.07%（58/289）、7.30%（34/466）。3种检查对乳腺良性肿块病变的BI-RADS分类评估差异无统计学意义（P=0.75）,对乳腺恶性肿块的BI-RADS分类差异有统计学意义（P<0.01）,其中超声与DM和DBT、DBT与DM对乳腺恶性肿块的BI-RADS分类评估差异均有统计学意义（P均< 0.016 7）。结论 DBT对致密型乳腺无钙化肿块的检出及诊断较DM具有更大优势;DBT和超声对致密型乳腺无钙化肿块的检出及诊断价值相近。     

比较超声与乳腺钼靶摄影评估不同类型乳腺微小肿块

目的 比较超声（US）和钼靶X线乳腺摄影（MTM）评估不同类型乳腺微小肿块的价值。方法 选取562例经手术或穿刺确诊,并具有完整US、MTM以及病理结果的乳腺微小肿块患者,根据MTM图像将乳腺分为4种类型,比较US和MTM对不同类型乳腺微小肿块的检出率、敏感度、特异度及准确率,并分析US与MTM的诊断一致性。结果 在美国放射学院（ACR）a类乳腺,MTM对微小肿块的检出率以及诊断恶性微小肿块的敏感度、准确率均高于US（P均<0.05）,US和MTM的诊断一致性一般（Kappa=0.47）;在ACR b类和ACR c类乳腺,MTM和US对微小肿块的检出率以及诊断恶性微小肿块的敏感度、特异度以及准确率差异无统计学意义（P均>0.05）,两者的诊断一致性较好（Kappa=0.78、0.76）;在ACR d类乳腺,US对微小肿块的检出率以及诊断恶性微小肿块的敏感度、准确率均高于MTM（P<0.05）,两者的诊断一致性较差（Kappa=0.35）。结论 对于ACR a类乳腺发生的微小肿块,MTM优于US;对于ACR b类和ACR c类乳腺微小肿块,US和MTM无明显差异;对于ACR d类乳腺微小肿块,US优于MTM。     

乳腺X线片直方图分析鉴别乳腺BI-RADS 3~5类良恶性肿块

目的 探讨基于乳腺X线片直方图分析鉴别乳腺影像报告和数据系统（BI-RADS）3~5类良恶性肿块的价值。方法 回顾性分析经手术病理证实的114例BI-RADS 3~5类乳腺肿块患者，包括61例良性病变（良性组，68个肿块）和53例恶性病变（恶性组，55个肿块）。分析2组图像的直方图，比较组间直方图参数差异，包括平均值、方差、偏斜度、峰度及第1、10、50、90、99百分位数；分别绘制差异有统计学意义的参数鉴别诊断BI-RADS 3~5类乳腺良恶性肿块的受试者工作特征（ROC）曲线，计算曲线下面积（AUC），分析其诊断效能。结果 2组平均值、方差及第1、10、50、90、99百分位数差异均有统计学意义（t=－5.49、－3.14、－3.01、－3.97、－5.49、－5.84、－6.45，P均<0.05）。ROC曲线分析结果显示第99百分位数诊断效能最佳，其AUC为0.81，最佳阈值为0.50时，特异度为88.20%，敏感度为61.80%。结论 乳腺X线片直方图分析可用于鉴别诊断乳腺BI-RADS 3~5类良恶性肿块。     

人工智能骨龄评测系统评估儿童腕骨骨龄

目的 探讨人工智能（AI）系统评测儿童腕骨骨龄的可行性。方法 回顾性分析130幅1~13岁儿童左手骨龄X线片。以3名中高年资放射科医师腕骨骨龄评测结果为参考标准,计算并对比AI系统（简称模型）及3名低年资放射科医师（医师1、2、3,简称医师）与参考标准之间腕骨骨龄和腕骨成熟度分值的均方根误差（RMSE）及平均绝对误差（MAE）;采用组内相关系数（ICC）评价模型、医师与参考标准之间评测骨龄结果的一致性;比较模型与医师间骨龄测评时间。结果 模型与参考标准之间腕骨骨龄的MAE、RMSE与医师1、2与参考标准之间MAE、RMSE差异均有统计学意义（P均<0.05）,与医师3的MAE、RMSE差异无统计学意义（P均>0.05）。模型与参考标准之间腕骨成熟度分值的MAE、RMSE与医师1、参考标准之间MAE、RMSE差异均有统计学意义（P均<0.05）,与医师2、3的MAE、RMSE差异均无统计学意义（P均>0.05）。模型与参考标准之间腕骨骨龄评测结果的ICC=0.997,医师1、2、3与参考标准之间ICC分别为0.994、0.996、0.997。模型对骨龄的测评时间均小于医师（P均<0.001）。结论 AI骨龄评测系统能够准确、快速评估儿童腕骨骨龄。     

核极限学习机诊断乳腺良恶性肿块样病变

目的 采用核极限学习机（KELM）方法对乳腺良恶性肿块样病变进行分类,并评估其鉴别诊断效能。方法 对93例患者103个经术后病理或长期随访确诊的乳腺肿块样病变行MR检查。由1名低年资和1名高年资乳腺影像学诊断医师参照乳腺影像报告和数据系统（BI-RADS）第2版,选取12个MRI特征及临床特征,分别独立及采用KELM方法对乳腺病变进行良恶性分类,并计算诊断效能。结果 低年资和高年资医师使用KELM方法鉴别诊断乳腺良恶性病变的敏感度、特异度、准确率分别为0.88、0.89、0.91和0.93、0.91、0.92,AUC分别为0.84和0.89。低年资和高年资医师独立诊断的敏感度、特异度、准确率分别为0.91、0.74、0.86和0.90、0.85、0.92,AUC分别为0.83和0.90。结论 基于影像学特征及临床资料特征的KELM方法可辅助临床鉴别诊断乳腺肿块样良恶性病变,具有较理想的敏感度、特异度和准确率。     

乳腺X线摄影及超声鉴别诊断乳腺叶状肿瘤与纤维腺瘤

目的 探讨乳腺X线摄影及超声诊断及鉴别诊断乳腺叶状肿瘤与纤维腺瘤的价值。方法 回顾性分析并比较经病理证实的110例乳腺叶状肿瘤和102例纤维腺瘤患者的临床、X线和超声特征。结果 乳腺纤维腺瘤最大径（2.71±1.44）cm,叶状肿瘤最大径（4.61±3.35）cm,差异有统计学意义（P<0.001）。乳腺良性与恶性叶状肿瘤最大径差异有统计学意义（P=0.024）。X线检查发现乳腺叶状肿瘤与纤维腺瘤在形状、边界、密度及内部钙化差异均有统计学意义（P均<0.05）;超声发现两者形状、边界、内部囊变、后方回声及血流分级差异均有统计学意义（P均<0.05）。良性、交界性与恶性叶状肿瘤中,肿块内部是否囊变差异有统计学意义（P=0.006）。结论 综合分析乳腺X线、超声及临床特点可以初步鉴别乳腺纤维腺瘤与叶状肿瘤,当肿块最大径>3.0 cm,呈分叶状高密度、伴有内部囊变、血流信号较丰富时提示叶状肿瘤。     

X线纹理分析鉴别诊断乳腺叶状肿瘤与纤维腺瘤

目的 探讨X线纹理分析鉴别诊断乳腺叶状瘤（BPTs）与乳腺纤维腺瘤（BF）的价值。方法 回顾性分析32例BPTs和32例BF患者的术前乳腺X线片。采用MaZda 4.6软件手动勾画病灶最大层面ROI。分别采用Fisher系数、聚类偏差概率结合平均关联系数（POE+ACC）、协同信息（MI）及联合应用上述3种方法（MI+PA+F）选择ROI内最具鉴别价值的纹理特征参数,并与术后病理结果对照,比较影像医师主观阅片与采用纹理分析诊断BPTs及BF错判率的差异。结果 影像医师鉴别BPTs与BF的错判率为20.31%（13/64）;采用Fisher系数进行纹理特征分析的错判率为14.06%（9/64）,POE+ACC为23.44%（15/64）,MI为25.00%（16/64）,MI+PA+F为3.12%（2/64）。MI+PA+F的错判率低于影像医师主观阅片及POE-ACC、MI（P均<0.05）。结论 X线纹理分析可用于鉴别BPTs和BF。     

弹性指数差在鉴别乳腺影像报告数据系统3~5类乳腺肿块良恶性中的应用

目的 探讨弹性指数差（EID）鉴别乳腺影像报告数据系统（BI-RADS）3~5类肿块良恶性的应用价值。方法 回顾分析164例经病理证实的BI-RADS 3~5类乳腺肿块患者（193个病灶）的超声检查资料。通过弹性成像定量分析软件测定肿块与正常腺体间的EID。以EID≥2.5判断为恶性,重新调整BI-RADS分类。绘制ROC曲线并计算曲线下面积（AUC）。比较BI-RADS联合EID与单独采用BI-RADS分类诊断乳腺恶性肿块的AUC及诊断准确率。结果 以病理结果为金标准,单独采用BI-RADS诊断乳腺恶性肿块的敏感度、特异度、准确率分别为96.00%（72/75）、67.80%（80/118）、78.76%（152/193）;BI-RADS联合EID诊断乳腺恶性肿块的敏感度、特异度、准确率分别为97.33%（73/75）、83.05%（98/118）、88.60%（171/193）。BI-RADS联合EID的AUC（0.931）高于单独应用BI-RADS的AUC（0.875）,差异有统计学意义（Z=2.06,P<0.05）;且2种方法的诊断准确率差异亦有统计学意义（χ²=15.21,P<0.05）。结论 BI-RADS联合EID对鉴别乳腺肿块良恶性较单纯采用BI-RADS更具优势。     

对比增强能谱乳腺摄影联合病理指标诊断乳腺癌腋窝淋巴结转移

目的 观察对比增强能谱乳腺摄影(CESM)联合病理指标诊断乳腺癌腋窝淋巴结(ALN)转移的价值。方法 纳入215例肿块型乳腺癌，按18∶7比例随机分为训练集(n=155)和验证集(n=60);对比训练集内发生与未发生ALN转移者CESM影像学特征及病理资料，行logistic回归分析，筛选发生ALN转移的独立危险因子，构建联合模型，评价其诊断ALN转移的价值。结果 训练集中，伴与不伴ALN转移的乳腺癌之间，所在象限、最大径、形态、边缘毛刺征、腋前肿大淋巴结、乳腺头足(CC)位及内外斜(MLO)病灶相对强化灰度比值(RS%_CC、RS%_MLO)、组织学类型、脉管侵犯及Ki-67表达差异均有统计学意义(P均<0.05)。最大径、边缘毛刺征、腋前肿大淋巴结、RS%_MLO、脉管侵犯及Ki-67表达为乳腺癌ALN转移的独立危险因子(P均<0.05);以之建立的联合模型诊断训练集和验证集ALN转移的曲线下面积均为0.85。结论 CESM联合病理指标诊断乳腺癌ALN转移效能较佳。     

计算机辅助检测系统对数字化乳腺X线图像检测的可重复性

目的 观察计算机辅助检测系统(CAD)检出全数字化乳腺X线图像中良恶性肿块及钙化灶的可重复性。 方法 454例乳腺疾病患者经手术病理证实,其中67例乳腺癌患者于3个月内接受两次乳腺X线检查。比较数字化图像直接获得的CAD结果(CAD1)与两次重新回输原始数据生成的CAD结果(CAD2、CAD3)的一致性,评价CAD系统短期内对乳腺X线图像检测结果的可重复性。 结果 CAD1、CAD2、CAD3在肿块及钙化灶检出的数目及所标记的位置上完全相同。67例短期内两次乳腺X线检查病例中,32例病灶大小、密度未见变化,初次和再次CAD发现恶性病灶的敏感度分别为87.50%(28/32)和90.63%(29/32)。 结论 对于相同的数字化图像,CAD标记的重复率为100%。对于相同乳腺短期内两次X线检查图像,CAD系统检出乳腺癌具有较高的可重复性。     

乳腺黏液癌的影像学特征分析

目的 评价乳腺黏液癌的超声、X线等影像学特征及其与病理组织类型的相关性.方法 回顾性分析21例经手术病理证实的乳腺黏液癌患者(22个病灶)的超声、X线特征及与病理组织类型之间的关系.结果 病理组织学分类包括14个单纯型(6个富细胞型,8个少细胞型)和8个混合型病灶.超声:所有病例均存在实性肿块,85.71％(12/14)的单纯型肿块境界清晰,回声等或略低于皮下脂肪,92.86％(13/14)的单纯型病灶后方回声增强;75.00％(6/8)的混合型和14.29％(2/14)的单纯型肿块边界较模糊并细小毛刺,内部回声较脂肪回声低.超声和X线片术前怀疑恶性的比例均为63.64％(14/22).恶性X线表现包括肿块(10个)、局限性不对称致密影(2个)、结构扭曲并恶性钙化和单纯不定性钙化(各1个).肿块主要为高密度,单纯型边界清楚或呈浅分叶状,混合型边界不规则和毛刺改变.81.82％(18/22)的病灶被超声或X线之一疑诊恶性,45.45％(10/22)的病灶术前超声和X线均疑为恶性.结论 乳腺黏液癌尤其单纯型影像学特征不典型,超声和X线诊断均可能诊断为良性病变;肿块边缘特征是鉴别良恶性的重要依据,混合型肿块较单纯型更具有浸润性特征;超声和X线联合诊断有利于避免误诊,两者之一怀疑恶性时,即应行穿刺活检以明确诊断.     

PCM乳腺摄影系统与CR系统临床应用的初步比较

目的 探讨相位对比乳腺X线摄影系统(PCM)与CR系统在乳腺实体成像质量上的差异.方法 24例患者,患侧乳腺在PCM系统或CR系统(随机选择)进行轴位(CC)或侧斜位(MLO)投照,在另一系统进行另一体位投照.30名正常体检者,一侧乳腺在PCM系统或CR系统上(随机选择)进行CC及MLO投照,另一侧乳腺在另一系统进行两个体位的投照.对所得影像进行解剖及病变细节显示情况的评分,分析PCM与CR系统对于乳腺实体摄影成像质量的差异.结果 病变组:PCM系统在肿块边缘清晰度、内部结构显示及钙化边缘清晰度方面均明显优于CR系统(P=0.0003);正常体检组:正常乳腺双侧对照:PCM系统在锐利度、对比度和噪声方面均明显优于CR系统(P<0.05).结论 PCM系统与CR系统在乳腺实体成像质量上存在显著差异,PCM系统的图像基本质量及对病变细节的显示情况明显优于CR系统.     

几何模型匹配乳腺头足位与内外斜位X线片所示病灶

目的 观察几何模型（GM）匹配乳腺头足（CC）位与内外斜（MLO）位X线片所示病灶的价值。方法 回顾性分析493例接受乳腺CC位和MLO位X线摄影的乳腺病灶患者,共598个乳腺病灶,包括499个钙化灶和99个肿块。构建GM用于匹配CC与MLO位片所示乳腺病灶,再以环形法（AB）和直线法（SS）进行对比,分别计算匹配误差,包括GM匹配误差、AB径向误差及SS轴向误差;分析GM对CC及MLO位图像中同一病灶的匹配性能,评价其应用价值。结果 GM对乳腺钙化灶和肿块的匹配误差分别为2.85（1.45,5.08）及3.70（1.35,6.25） mm,差异无统计学意义（Z=－1.344,P=0.179）。对乳腺上部病灶,AB匹配的径向误差和SS匹配的轴向误差均大于下部病灶（P均<0.001）;对乳腺外侧病灶,AB的径向误差和SS的轴向误差均大于内侧病灶（P均<0.05）。GM、AB及SS间匹配误差整体差异有统计学意义（H=93.012,P<0.001）;两两比较差异均有统计学意义（P均<0.05）,GM匹配性能明显优于AB和SS。GM匹配误差与摄片时乳腺压迫厚度无明显相关性。结论 GM用于匹配乳腺CC位与MLO位X线片所示病灶较具价值。     

肾脏占位病变双能量CT虚拟平扫与真实平扫图像特征对比

目的 探讨肾脏占位病变双能量CT（DECT）虚拟平扫（VNC）的图像特征及其与真实平扫（TNC）的差异。方法 收集因肾脏占位病变接受泌尿系DECT平扫及增强扫描的患者33例,分别获得TNC及肾实质期虚拟平扫（VNC_n）图像。观察两种图像的特点并对图像质量进行客观及主观评价。结果 图像客观评价显示,VNC_n与TNC图像中肾脏病灶、肾实质、腹主动脉、腹膜后脂肪CT值差异均有统计学意义（P均<0.001）,图像的背景噪声（腹膜后脂肪标准差）、CNR、SNR差异亦有统计学意义（P均<0.05）。VNC_n与TNC图像中病灶内钙化的最大径、CT值及脂肪的CT值差异均有统计学意义（P均<0.05）,而对脂肪最大径的显示差异无计学意义（P>0.05）。主观评价显示,VNC_n与TNC图像质量评分差异无统计学意义（P>0.05）。结论 肾脏占位病变DECT的VNC_n与TNC图像质量相近,但对病灶内钙化、脂肪等细节的显示不及TNC图像。