基于全肿瘤区域MRI纹理分析鉴别肺癌脑转移瘤病理类型的研究

目的:探讨MRI增强T 1加权成像(CE-T 1WI)、液体衰减反转恢复序列(FLAIR)及表观扩散系数(ADC)纹理特征在肺腺癌及非腺癌脑转移瘤中的鉴别价值。方法:回顾分析经手术病理或影像随诊证实的脑转移瘤病灶127个,其中腺癌68个,非腺癌59个(鳞癌21个,小细胞肺癌38个)。利用ITK-SNAP 3.8.0软件分别在磁共振成像CE-T 1WI、FLAIR及ADC图上绘制肿瘤全体积的兴趣区(3D ROI),使用人工智能工具包(A.K)分析提取出纹理特征,共394个纹理特征。采用多因素logistic回归分析确定可以作为病理分型的最佳预测因素,并构建基于纹理分析的预测模型,采用受试者操作特征曲线(ROC)评价其诊断效能。结果:基于ADC图、CE-T 1WI及FLAIR的纹理分析模型用于鉴别腺癌与非腺癌脑转移瘤的ROC曲线下面积(AUC)分别为0.87、0.81及0.64,联合三种序列构建预测模型的AUC值为0.89。结论:基于脑转移瘤的ADC图、CE-T 1WI及FLAIR的纹理分析模型有助于鉴别肺部原发病灶病理类型(腺癌与非腺癌),三种序列联合分类预测模型诊断效能最佳。     

MRI纹理分析在单囊状胰腺囊腺瘤鉴别诊断中的价值

【摘要】目的:比较胰腺寡囊型浆液性囊腺瘤（MaSCA）与粘液性囊腺瘤（MCN）磁共振成像(MRI)影像学及纹理特征差异,构建两者鉴别诊断模型。方法:回顾性搜集32例MaSCA与36例MCN患者,分别基于MRI压脂T1加权图像（FS-T1WI）和压脂T2加权图像（FS-T2WI）进行纹理分析并比较各纹理参数之间差异。采用Logistic回归分析分别对具有差异影像特征构建影像模型,选取曲线下面积（area under the curve,AUC）最大参数构建纹理分析模型,两组特征共同构建组合模型,利用ROC曲线（receiver-operating characteristic curve）评估模型诊断效能。结果:影像模型AUC 0.849,敏感度及特异度分别为86.1%、68.7%;纹理分析模型AUC 0.887,敏感度及特异度均较高,分别约80.6%、84.4%。组合模型AUC最高,为0.958,敏感度及特异度分别为88.9%、90.6%。结论:综合影像特征和纹理分析特征组合模型,有助于术前鉴别MaSCA和MCN且具有很高诊断性能。     

MRI早期强化比值联合周围血管管径鉴别诊断乳腺病变的价值

目的探讨MRI动态增强扫描早期强化比值联合周围血管管径鉴别乳腺良、恶性病变的价值。方法回顾性分析经术后病理证实,且术前行乳腺MRI动态增强扫描检查的59例患者,恶性病变32例,良性病变27例。绘制病灶ROI,记录病灶达峰时间、时间信号强度曲线(TIC)、早期强化比值、早期强化率,并记录病灶周围4cm范围内肿瘤血管数目及血管管径。采用秩和检验比较乳腺良、恶性病变MRI参数的差异,采用ROI曲线评价病变血管管径、早期强化率、早期强化比值、早期强化比值联合血管管径鉴别乳腺良、恶性病变的价值。结果乳腺恶性病变的早期强化率、达峰时间、早期强化比值、血管数目和血管管径的中位数分别为173.0%、2.1s、100.0%、5根、2.98mm,上述参数在良性病灶分别为112.3%、4.8 s、81.2%、0根、0.00mm,差异均有统计学意义(P均0.05)。采用早期强化比值鉴别乳腺良恶性病变的ROC下面积为0.814,以85.3%为阈值鉴别的敏感度和特异度分别为93.19%、67.85%;采用早期强化率鉴别的ROC下面积为0.721,以119.0%为阈值鉴别的敏感度和特异度分别为81.73%、55.15%;采用血管管径鉴别诊断的ROC下面积为0.872,以2.79mm为阈值鉴别的敏感度和特异度分别为73.61%、85.14%;早期强化比值联合周围血管管径鉴别诊断的ROC下面积为0.919,诊断敏感度、特异度分别为96.03%、63.40%。结论 MRI动态增强扫描参数早期强化比值联合病灶周围血管管径鉴别乳腺良、恶性病变敏感度高,有较好的临床应用价值。     

MRI纹理分析和LI-RADS分类鉴别诊断肝硬化小肝癌与不典型增生结节的价值比较

【摘要】目的：比较MRI纹理分析和LI-RADS分类在鉴别肝硬化小肝癌（sHCCs）与不典型增生结节（DNs）中的价值。方法：回顾性分析2015年10月－2018年4月在本院经手术或穿刺活检病理证实的65例肝硬化结节患者的临床资料和术前MRI资料。共78个肝硬化结节（≤3cm）,56个为sHCCs,22个为DNs。由两位放射科医师采用盲法共同分析肝硬化结节的MRI征象,并根据LI-RADS（LR）v2018标准对结节进行分级。采用MaZda软件在横轴面T2WI上于病灶最大层面沿病灶边缘手工勾画ROI,提取病灶的纹理特征,联合Fisher系数、交互信息及分类错误概率+平均相关系数三种纹理选择方法筛选出30个最佳特征子集。采用logistic回归分析筛选关键纹理特征,并构建影像组学标签。采用ROC曲线评估LR-5类、LR-4+LR-5类和影像组学标签鉴别2种病变的诊断效能。结果：LR-5类、LR-4+LR-5类和影像组学标签诊断良、恶性肝硬化结节的ROC曲线下面积（AUC）分别为0.750（95% CI:0.645~0.885）、0.851（95% CI:0.739~0.962）和0.970（95% CI:0.947~0.993）。与LR-4+LR-5类相比,影像组学标签能显著提高诊断特异度（77.3% vs. 95.5%,P=0.031）和符合率（88.5% vs. 96.2%,P=0.023）,两者之间诊断敏感度的差异无统计学意义（92.9% vs. 96.4%,P=0.397）。结论：MRI纹理分析在鉴别肝硬化小肝癌与增生结节方面较LI-RADS分类具有更优的诊断效能。     

纹理分析机器学习模型对预测子宫内膜癌病理分级的价值

目的探讨基于磁共振图像纹理特征的不同机器学习模型对子宫内膜癌（EC）病理分级的预测价值。方法回顾性分析2015年1月至2021年2月在子宫切除术前行3.0 T MR检查且病理证实为EC的188例患者资料。在其T₂WI矢状位图像上手动勾画感兴趣区（ROI）,使用纹理特征提取软件MaZda,获得纹理特征参数,训练并建立逻辑回归（LR）模型、随机森林（RF）模型、神经网络（NN）模型及支持向量机（SVM）模型,获得各模型对于高、中、低分化（G1、G2、G3）EC的鉴别诊断的受试者工作特征曲线（ROC）曲线下面积（AUC）、特异度、灵敏度和准确率。结果 RF模型诊断效能最佳,其鉴别G1、G2的AUC值、特异度、灵敏度、准确率分别为0.87、84%、90%、88%;NN模型分别为0.60、32%、88%、66%;SVM模型分别为0.56、16%、98%、66%;LR模型分别为0.54、12%、96%、63%。RF鉴别G1、G3的AUC值、特异度、灵敏度、准确率分别为0.90、91%、88%、90%;NN模型分别为0.89、89%、88%、89%;SVM模型分别为0.85、9...     

基于不同感兴趣区的多参数MRI影像组学在前列腺癌侵袭性评估中的应用研究

目的 观察在多参数MRI上基于不同感兴趣区的影像组学对前列腺癌侵袭性的评估价值。方法 回顾性搜集来自两个不同中心经病理确诊的前列腺癌患者，中心1纳入123例作为训练队列，53例作为内部验证队列。中心2纳入69例患者作为外部验证队列。在多参数MRI上采用两种不同的分割方式：分割前列腺区域和病灶区域，经过特征提取与降维，得到影像特征集合，利用逻辑回归算法，基于3种组学特征集合建立了3种组学模型：模型1(基于前列腺区域),模型2(基于病灶区域),模型3(基于前列腺+病灶)。分析与前列腺癌侵袭性相关的临床特征，建立影像组学特征+临床特征的联合模型(模型4)。用受试者工作特征曲线分析比较每个模型在评估前列腺癌侵袭性方面的表现。结果 基于前列腺区域的感兴趣区保留了57个最佳特征，基于病灶区域的感兴趣区保留了27个最佳特征，基于前列腺区域+病灶区域的感兴趣区域保留了64个最佳特征。与仅分割前列腺区域的模型(AUC 0.89)和仅分割病灶区域的模型(AUC 0.87)相比，同时分割前列腺和病灶的模型(AUC 0.92)在评估前列腺癌侵袭性方面表现更好，并且与结合了组学特征和临床特征的联合模型性能(AU...     

CT与MRI下Bosniak分级对肾脏囊性病变诊断性能的对比研究

目的 比较CT下Bosniak分级和MRI下Bosniak分级对肾脏囊性病变的诊断性能.方法 回顾性分析30例(共42个肾脏囊性病灶)同时具备CT和MRI影像资料,并以术后病理或临床随访作为最终诊断,采用ROC曲线比较二种检查模式的诊断性能.结果 CT下Bosniak分级Ⅰ～Ⅳ级分别为6个、24个、9个、3个,对照病理结果其假阳性病灶数0个,假阴性病灶数14个.MRI下Bosniak分级Ⅰ～Ⅳ级分别8个、18个、10个、6个,对照病理结果其假阳性病灶数0个,假阴性病灶数11个.MRI下Bosniak分级的曲线下面积大于CT下Bosniak分级,前者的特异度和敏感度均高于后者.结论 MRI下Bosniak分级对于肾脏囊性病变的诊断性能高于CT下Bosniak分级,在条件允许的情况下应首先采用MRI下Bosniak分级.     

基于对比增强T1WI图像纹理建立机器学习模型诊断脑转移瘤原发灶来源

目的 探讨基于对比增强T1WI图像纹理特征建立机器学习模型诊断脑转移瘤原发灶来源的价值。资料与方法 回顾性分析2016年8月—2020年2月南京鼓楼医院集团宿迁医院肺癌、乳腺癌和消化系统肿瘤脑转移患者112例,共137枚脑转移瘤。利用Mazda软件提取对比增强T1WI图像纹理特征,通过组内相关系数检验选取重复性良好的纹理特征。按照7∶3分为训练集（n=96）和验证集（n=41）。对训练集中的特征进行降维,并采用OneVsRest多分类策略,分别训练Logistic回归、随机森林和支持向量机3种机器学习模型。建立的模型在验证集中进行验证。绘制3种脑转移作为阳性分类时的受试者工作特征曲线,比较3种模型曲线下面积（AUC）的差异。通过计算3种模型的宏平均AUC评价模型的整体分类性能。结果 3种模型中随机森林模型诊断效能最好,验证集中对肺癌、乳腺癌和消化系统肿瘤脑转移的AUC分别为0.801、0.928、0.817,宏平均AUC为0.87。3种模型AUC差异均无统计学意义（P>0.05）。结论 基于对比增强T1WI图像纹理特征建立机器学习模型能够有效诊断脑转移瘤原发灶来源,其中随机森林模...     

MRI纹理分析对前列腺癌及Gleason分级的诊断价值

目的评估多参数MRI纹理分析法对前列腺癌的诊断价值及其鉴别低危与中高危前列腺癌的诊断效能。方法回顾性分析经穿刺活检或手术病理证实的61例前列腺癌病人,中位年龄66岁(42～89岁),前列腺特异性抗原(PSA)范围3.4～300 ng/mL,并进行Gleason(GS)评分。其中低危(GS≤6分)病人10例,中高危(GS≥7分)病人51例。所有病人均行前列腺常规MRI及扩散加权成像(DWI)检查,基于T2WI勾画三维兴趣区(ROI),使用纹理分析软件(Matlab)提取ROI的直方图纹理特征参数(熵、偏度、峰度和方差),并计算平均ADC值。采用单因素方差分析评估T2WI和ADC图上各直方图纹理参数及平均ADC值在低危前列腺癌、中高危前列腺癌及正常外周区之间的差异。采用受试者操作特征(ROC)曲线计算曲线下面积(AUC),评估各参数的诊断效能,并评价定量纹理参数对低危和中高危前列腺癌的鉴别诊断效能。结果 ADC图及T2WI上,3组之间各诊断参数差异均有统计学意义(P0.05)。中高危前列腺癌在ADC图上平均ADC值的AUC(0.88)最大,在T2WI图纹理分析中,方差值AUC(0.88)最大。低危和中高危前列腺癌鉴别诊断中,ADC图和T2WI的纹理参数中熵值AUC最大,分别为0.87和0.79。结论多参数MRI纹理分析可用于诊断前列腺癌,并能为鉴别诊断低危与中高危前列腺癌提供可靠的量化信息,其中熵值有助于前列腺癌病理分级。     

基于机器学习的多种分类模型在新型冠状病毒肺炎与社区获得性肺炎鉴别诊断中的效能

【摘要】目的:将14种常用的机器学习分类模型应用于新型冠状病毒肺炎（COVID-19）与社区获得性肺炎（CAP）的鉴别诊断,探讨能为COVID-19的早期诊断提供最优效能的机器学习分类模型。方法:搜集经临床确诊的86例COVID-19患者和100例CAP患者的胸部CT图像,利用影像组学方法提取病变区域的纹理特征,使用14种机器学习分类模型构建放射组学特征,通过ROC曲线下面积（AUC）评估模型的诊断效能,AUC最高者的效能最优。结果:14种分类模型的AUC均大于0.9,随机森林（Random Forest）模型的AUC最高（0.9406）,高斯贝叶斯（Gaussian NB）模型的AUC最低(0.9037)。结论:14种机器学习分类模型均可有效鉴别COVID-19与CAP,均具有较高的鉴别诊断效能（AUC值均＞0.9）,效能最高的模型是Random Forest（AUC=0.9406）,能够在早期诊断COVID-19方面发挥优势。     

钼靶及MRI纹理分析技术在乳腺良恶性病灶的诊断价值

目的:探讨综合乳腺MRI多个序列、钼靶联合MRI纹理分析对乳腺良、恶性病灶的诊断价值。方法:搜集本院2014年6月-2019年12月116例乳腺钼靶图像(恶性57例,良性59例)及96例乳腺MRI(恶性45例,良性51例)的横轴面T 2WI脂肪抑制序列、DWI及增强后的第2、3期(C2、C3)图像进行回顾性纹理分析,其中同时行钼靶及MRI检查的患者为30例(良性14例,恶性16例)。使用C.K.(CT Kinetics,GE Healthcare)软件提取图像的纹理参数,通过秩和检验、独立样本t检验找出良、恶性两组间差异有统计学意义的纹理参数,通过受试者操作特征(ROC)曲线分析得出各序列参数的曲线下面积(AUC),计算约登指数最大时诊断良、恶性乳腺的阈值、敏感度和特异度。将钼靶及乳腺MRI各个序列中AUC值最大的参数作为联合诊断指标,通过logistics回归求出联合预测因子,再次构建ROC曲线,比较并评价诊断效能。结果:在钼靶上得出三阶纹理参数中的短距灰度参数差异有统计学意义,其AUC值为0.66,选取钼靶侧斜位的短距灰度参数≤222264.00作为诊断恶性的标准,敏感度及特异度分别为86%、35%。在MRI上差异有统计学意义的纹理参数中T 2WI、C2、C3期中的二阶纹理参数Correlation及DWI中的二阶纹理参数Haralick Promi-nence的AUC值最高,分别为0.68、0.72、0.74、0.70;当约登指数最大时,以T 2WI的Correlation≥3.55×10-5、C2的Correlation≥3.21×10-5、C3的Correlation≥5.30×10-5、DWI的Haralick Correlation≥4.15×109做为诊断恶性病灶标准时,敏感度及特异度分别为76%、55%,87%、51%,80%、65%,91%、47%;综合乳腺MRI多个序列、钼靶联合乳腺MRI多个序列诊断乳腺恶性病灶的AUC值分别约0.87(95%CI为0.63~1.00)、0.91(95%CI为0.81~1.00),当约登指数最大时,联合预测因子的诊断点分别为0.64、0.51,敏感度及特异度分别为81%、86%,88%、86%。结论:综合乳腺MRI多个序列的纹理特征可以提高乳腺良、恶性肿瘤的鉴别诊断效能,钼靶联合乳腺MRI多个序列的纹理分析优于单一的钼靶或乳腺MRI。     

磁共振动态增强TIC曲线及Ktrans值在前列腺癌诊断中的对比

目的:对比研究磁共振动态增强TIC曲线及Ktrans值在前列腺癌诊断中的应用价值.方法:搜集本院行前列腺DCE-MRI以及穿刺病理活检的前列腺癌(PCa)及良性前列腺增生(BPH)各36例;DCE MRI原始数据经TISSUE 4D软件进行图像后处理,绘制病灶感兴趣区(ROI)及对侧对照ROI,绘制时间信号曲线(TIC)并进行PI RADS评分,测量定量参数Ktrans值,并进行统计学分析.结果:PCa组:病灶与对照ROI的PI-RADS评分均值分别为3.47、2.36,差异有显著统计学意义(P=0.000),病灶与对照ROI的Ktrans值分别为(0.270±0.151)/min、(0.216±0.116)/min,差异有统计学意义(P=0.028).BPH组:可疑病灶与对照ROI的PI-RADS评分均值分别为2.22、1.94,差异无统计学意义(P=0.069)、病灶与对照ROI的Ktrans值分别为(0.199±0.110)/min、(0.183±0.099)/min,差异无统计学意义(P=0.415).以PIRADS评分及Ktrans值诊断PCa的ROC曲线下面积分别为0.854、0.632.结论:DCE-MRI对前列腺癌的诊断提供了重要信息,其中TIC曲线的PI-RADS评分以及定量参数Ktrans值对诊断PCa有重要价值,前者诊断效能高于后者,诊断实践中宜综合应用.     

纹理分析评估肺磨玻璃结节样腺癌的浸润性：基于CT平扫与增强图像的对照研究

【摘要】目的：探讨基于CT平扫 （NECT）和对比增强（CECT）图像的纹理分析技术对磨玻璃密度（GGO）结节样肺腺癌浸润性的鉴别诊断价值。方法：回顾性分析77例GGO结节样肺腺癌患者的临床和影像资料。77个GGO病灶中,浸润前病变（PIL）12个（15.6%）,微浸润性病变（MIA）36个（46.8%）,浸润性肺腺癌（IA）29个（37.7%）。分别在每个GGO病灶的CT平扫 （NECT）和对比增强（CECT）图像上逐层手动勾画感兴趣区（ROI）,获得病灶的容积ROI（VOI）,提取其直方图参数（8个）和灰度共生矩阵（GLGM）参数（4个）。采用t检验及受试者工作特征曲线（ROC）分析特征参数组间差异及诊断效能。结果：大多数纹理特征参数对鉴别IA与MIA/PIL具有统计学意义（P<0.05）。ROC曲线分析显示在NECT和CECT纹理参数中,均以能量（AUC分别为0.818和0.839）和熵（AUC分别为0.820和0.859）的诊断效能较高。结论：基于NECT和CECT图像的纹理参数均能较好地鉴别IA与MIA/PIL,其中以能量和熵的诊断效能较好。     

MRI联合海马、内嗅皮层体积鉴别阿尔茨海默病和轻度认知障碍

目的通过联合基于MRI的联合海马体积和内嗅皮层体积,提高阿尔茨海默病(Alzheimer’s disease,AD)和轻度认知障碍(mild cognitive impairment,MCI)的诊断准确率。方法对133例AD患者、305例MCI患者及190例健康对照(normal control,NC)的MRI数据进行脑区分割,测量获得双侧海马和内嗅皮层体积,采用Logistic回归模型合并双侧海马和内嗅皮层体积作为联合指标,利用受试者工作特性曲线(receiver operating characteristic curve,ROC)评价联合指标和单一指标对三组被试的分类效果。结果 NC-AD、MCI-AD组间双侧海马和内嗅皮层体积均有显著差异(P0.05);NC-MCI组间双侧海马和左侧内嗅皮层体积均有显著差异(P0.05)。联合指标对于NC-MCI、NCAD、MCI-AD的ROC曲线下面积(area under the curve,AUC)分别为0.902、0.987、0.974,且最优阈值点的特异度和灵敏度均超过了80%,分类准确率分别为84.3%、95.1%、92.3%,均高于四种单一指标。结论利用双侧海马和内嗅皮层联合指标可提高MCI和AD患者的诊断准确率。     

基于乳腺X线图像不同区域的纹理分析鉴别乳腺肿块良恶性

【摘要】目的：探讨乳腺X线图像上基于肿块不同区域的纹理分析对于乳腺肿块良恶性的鉴别价值。方法：回顾性分析经乳腺X线检查发现并经手术病理证实的108例（共计118个）乳腺肿块患者的病例资料。其中良性肿瘤60个,恶性肿瘤58个。分别在每个病灶的整体、核心和边缘三个区域勾画感兴趣区（ROI）,采用MaZda软件分别对3个ROI进行纹理特征的提取。比较良恶性组之间各项纹理特征的差异,对差异具有统计学意义的纹理特征绘制ROC曲线,计算曲线下面积（AUC）。采用二元logistic回归分析建立联合诊断模型并与常规乳腺X线诊断结果进行比较。结果：两组间肿块核心区域的各项纹理特征的差异均无统计学意义（P>0.05);两组间肿块整体区域和边缘区域的相关度、对比度、差方差、总和熵、熵和差异熵的差异均具有统计学意义（P<0.05）,其中整体区域中的总和熵、熵及边缘区域中的对比度、总和熵、熵、差异熵的AUC均≥0.7。联合诊断模型的AUC值为0.918,显著高于常规乳腺X线诊断（P<0.05）,敏感度和特异度分别为84.5%和91.7%,与常规乳腺X线诊断间的差异均无统计学意义（P>0.05）。结论：基于乳腺X线图像边缘区域的纹理分析方法对乳腺肿块的良恶性鉴别具有较高价值,能为临床诊断提供客观、可靠的依据。     

IVIM磁共振成像对乳腺非肿块强化病变的诊断价值

【摘要】目的：探讨多b值双指数模型体素内不相干运动（IVIM）扩散加权磁共振成像对于乳腺非肿块强化病灶的鉴别诊断价值。方法：前瞻性研究2015年12月-2016年6月本院乳腺MRI检查拟诊为非肿块强化（NME）的患者,术前均行MRI常规序列成像及IVIM序列扫描,追踪所有手术患者的病理结果,最终入组经病理确诊的乳腺良性NME病变 20例（20个病灶）和恶性NME病变27例（30个病灶）。分别测量良恶性病灶组单指数模型DWI的表观扩散系数（ADC）和IVIM相关参数（灌注分数f、假性扩散系数D*和纯扩散系数D）,并进行比较;绘制两组ADC 值及IVIM相关参数值的受试者操作特征曲线（ROC）,分析两种不同指数模型诊断乳腺非肿块强化的最佳参数、诊断阈值和诊断价值。结果：恶性病灶的ADC值和D值［（1.06±0.27）×10-3mm2/s、（0.85±0.24）10-3mm2/s］均小于良性病灶［（1.32±0.23）×10-3mm2/s、（1.31±0.32）×10-3mm2/s］,f值［20.10%（13.38%,40.88%）］大于良性病灶［10.45%（6.28%,22.55%）］,差异均有统计学意义（P=0.001,P＜0.001,P=0.010）,两组间D*值差异无统计学意义（P=0.578）。ROC曲线分析得到D值的曲线下面积（AUC）最大,为0.908,而ADC和f值的AUC分别为0.794和0.717。当ADC取最佳诊断阈值1.15×10-3mm2/s时,诊断敏感度和特异度分别为76.9%和76.5%。当D取最佳诊断阈值1.03×10-3mm2/s时,诊断敏感度和特异度分别为85.0%和73.3%。当f取最佳诊断阈值13.60%时,诊断敏感度和特异度分别为76.7%和70.0%。结论：多b值双指数模型IVIM DWI参数中D、f值有助于乳腺非肿块强化良恶性病变的鉴别,其中D值诊断价值最大。     

基于动态增强MRI纹理分析术前预测肝细胞癌Ki-67表达状态的价值

【摘要】目的：初步探讨基于动态增强MRI纹理分析在预测肝细胞癌（HCC）Ki-67表达状态中的应用价值。方法：回顾分析经手术病理证实的67例肝细胞癌患者的临床及术前MRI资料,共72个HCC病灶纳入研究。依据Ki-67免疫组化染色结果,25个HCC为Ki-67高表达（阳性细胞比例≥10%）,47个病灶为Ki-67低表达（阳性细胞比例<10%）。选取病灶最大层面的轴面T1WI动态增强（动脉期、门脉期、延迟期）图像,采用MaZda4.6软件手动绘制ROI,提取病灶纹理特征。采用交互信息（MI）、Fisher系数、分类错误概率联合平均相关系数（POE+ACC）联合的方法选择最佳纹理子集,采用4种纹理分类方法评估纹理特征预测肝细胞癌Ki-67表达状态的效能,包括原始数据分析 （RDA）、主要成分分析（PCA）、线性分类分析（LDA）和非线性分类分析（NDA）,ROC曲线分析评价分类方法的预测效能。结果:基于动脉期、门脉期、延迟期图像纹理特征,4种分类方法判别Ki-67表达状态的错判率分别为6.94%~36.11%、18.06%~34.72%、9.72%~23.61%。4种分类方法中NDA的错判率最低（6.94%~18.06%）,其错判率低于RDA（23.61%~36.11%）、PCA（25.00%~34.72%）和LAD（15.28%~25.00%）。基于动脉期图像纹理特征的NDA分类方法对于预测肝癌Ki-67表达具有最优效能,其预测Ki-67高表达的ROC曲线下面积为0.919,敏感度、特异度及准确度分别为88.00%、95.74%和93.06%。结论:基于动态增强MRI纹理分析是术前无创预测肝细胞癌Ki-67表达状态的可靠方法,其中动脉期图像纹理分析的预测效能最优。     

磁共振T2WI纹理分析对前列腺癌雄激素剥夺治疗疗效评估的临床价值

【摘要】目的：探讨磁共振（MR）T2WI纹理分析对前列腺癌雄激素剥夺治疗（ADT）后的临床指导及鉴别治疗后残存病灶与周围良性组织的价值。方法：回顾性分析2018年1月-2019年5月经本院穿刺病理证实为前列腺癌并进行7个月ADT治疗后的患者的病例资料。治疗后患者按照PSA水平及病理结果分组,所有患者行常规T1WI、T2WI和DWI扫描。采用ITK-SNAP软件在T2WI上手动逐层勾画ROI采用GE公司的AK软件提取308个纹理特征。采用组内相关系数（ICC）评估特征可重复性,独立样本t检验或Mann-Whitney U检验筛选出在每组间差异有统计学意义的纹理特征,采用10倍交叉验证法及Lasso回归模型对特征进行进一步的筛选和建模,多因素逻辑回归模型最终构建三个机器学习模型,采用ROC曲线及决策曲线（DCA）评估模型诊断效能。结果：纳入ADT治疗后疗效差患者23例,疗效好患者20例。筛选出Correlation_angle135_offset4、Haralick Correlation_AllDirection_offset4_SD、Elongation、LowIntensityLargeAreaEmphasis这4个特征构建模型一,构建的模型一评估前列腺癌ADT治疗后是否存在病灶的ROC曲线下面积（AUC）为0.87,敏感度为0.739,特异度为0.75。筛选出2个纹理特征VoxelValueSum、LongRunEmphasis_angle45_offset1构建模型二,鉴别癌灶与中央腺的AUC为0.91,敏感度为0.81,特异度为1。筛选出GLCMEntropy_AllDirection_offset7_SD、LongRunEmphasis_angle135_offset4、LongRunHighGreyLevelEmphasis_AllDirection_offset4_SDNULLADC这3个特征构建模型三,鉴别癌灶与外周带的AUC为0.87,敏感度为0.952,特异度为0.67。结论：MR T2WI纹理分析可以对前列腺癌ADT治疗后的不同疗效进行评估以指导下一步临床治疗,同时MR T2WI纹理特征可以鉴别ADT治疗后残存病灶与周围良性组织。     

基于临床及CT影像组学特征预测肺腺癌结节北大核心CSCD

目的:探讨基于临床及影像组学特征构建机器学习模型对预测肺腺癌结节的准确性。方法:回顾性收集186例病理类型明确的肺结节患者,按病理类型分为腺体前驱病变组与腺癌组,按照7∶3比例将其分为训练集和测试集。采用3D Slicer软件对病灶容积感兴趣区(ROI)进行逐层手动勾画,通过Python软件提取影像组学特征。提取临床特征,包括人口统计学特征、临床表现、肿瘤标志物及CT影像学语义特征。选用单因素分析、最小绝对收缩和选择算子(LASSO)和逐步logistic回归分析进行特征筛选。在训练集中分别构建基于影像组学特征(模型1)及临床与影像组学特征相结合(模型2)的随机森林(LR)肺腺癌结节预测模型。通过ROC曲线及计算曲线下面积(AUC)对模型进行验证。结果:训练集130例,测试集56例。提取影像组学特征和临床特征数量分别为688个和25个。经特征筛选,共保留11个影像组学特征。临床特征中年龄、结节成分、结节最大径在训练集中组间差异显著(P<0.05)。训练集中模型1和模型2的AUC分别为0.991和0.960;测试集中模型1和模型2的AUC分别为0.913和0.884,准确率分别为0.875和0.839,精确度分别为0.872和0.824,召回率分别为0.976和1.0,F1分数为0.921和0.903。结论:基于临床及CT影像组学特征构建的RF模型能够准确预测肺腺癌结节。     

机器学习在鼻咽癌影像分析中的研究进展

鼻咽癌的诊疗高度依赖临床医生对临床影像数据的分析处理,但人工分析处理影像主观、耗时。而机器学习用于鼻咽癌影像分析能够较好地实现肿瘤病灶自动或半自动分割、分类,有利于提高临床医生的诊疗效率和准确度。就机器学习在鼻咽癌的MRI、CT、鼻内镜影像分割中的应用及其在影像分类中的研究进展予以综述。