心包脂肪影像学的研究进展

心包脂肪是冠状动脉和心脏周围的脂肪组织。其中,心外膜脂肪组织和血管周围脂肪组织与心血管系统密切相关,参与了心血管疾病(CVD)的重要病理生理过程。目前可通过心脏超声、CT、MRI、正电子发射体层成像(PET)及影像组学等影像方法无创检测心包脂肪的变化。就心包脂肪参与CVD的生物学机制、心包脂肪影像学评估技术的进展及在冠状动脉疾病、心房颤动和心力衰竭中的临床应用价值予以综述。     

基于心脏CT成像的影像组学在心脏疾病中的应用及进展

随着影像组学的发展,其在心脏领域的研究也不断增多,许多最新的研究表明影像组学模型在心血管疾病的诊断、风险预测等方面展现出诸多价值,并优于传统影像特征模型。在精准医疗背景下,影像组学的应用为患者接受更个性化的治疗提供了理论依据。本文基于心脏CT成像的影像组学在心脏疾病中的临床应用及研究进展进行综述,探讨目前的不足及未来的发展方向。     

RSNA2022心脏CT及MRI

2022年RSNA大会中关于心脏影像学方面的研究热点主要包括以下几个方面：(1)人工智能在冠状动脉CTA及MRA中的应用；(2)影像组学；(3)光子计数探测器CT成像技术；(4)非对比增强心脏磁共振成像；(5)冠状动脉周围脂肪组织定量评价；(6)心脏磁共振新技术。本文针对以上内容进行综述。     

评价“胸痛三联排除”的CT冠状动脉血管成像扫描方法在疑有低到中度急性冠状动脉综合征危险的急诊病人64层CT检查中的应用

目的比较一组接受前瞻性心电门控64层CT冠状动脉成像病人及另一组接受回顾性心电门控64层CT冠状动脉病人的成像质量及病人放射剂量。方法本研究依从HIPAA法案并得到了机构审查委员会的批准。由于设计是回顾性研究故不需要知情同意。2位独立阅片者分别对100例病人心脏CT成像（每组各50例）的冠状动脉进行分段影像质量评分和综合评分。计算观察者间偏差。记录对应实际扫描Z轴长度的病人放射剂量，以Z轴长度为12cm的典型心脏计算标准化剂量。结果2组病例的临床特征及CT参数匹配良好。     

危险因素对经冠状动脉CT血管成像确诊的冠状动脉粥样硬化进展的影响：一项基于影像组学的纵向研究

正摘要各种心血管危险因素被认为以相似的方式改变动脉粥样硬化[即,增加冠状动脉疾病(CAD)的程度]。然而,冠状动脉CT血管成像可以通过影像组学分析对斑块特征精确     

冠状动脉CT血管成像和心脏MRI灌注影像合并的初步研究

<正>目的研制一种合并冠状动脉CT血管成像(CTCA)和MR心脏灌注成像(CMR)影像的方法。方法研究对象是5例CTCA显示有显著冠状动脉疾病(CAD),并且CMR显示有灌注不足的     

64层螺旋CT冠状动脉成像临床应用

目的：探讨64层螺旋CT（MSCT）冠状动脉成像方法显示冠状动脉狭窄的能力及可靠性。方法：对26例临床怀疑冠心病的患者行心脏冠状动脉CT成像（CTA）并与常规冠状动脉造影（CAG）结果进行比较分析。结果：以冠状动脉血管造影（CAG）为金标准,冠状动脉CTA影像判断血流动力学相关性冠状动脉狭窄（≥50%）的敏感度0.933、特异度0.974、准确度0.968、阳性预测值0.857、阴性预测值0.989。结论：64层螺旋CT冠状动脉成像是一种无创、简便、优良的冠状动脉成像方法,可作为冠状动脉粥样硬化的筛选手段及冠状动脉术后复查的首选方法。     

前瞻性和回顾性心电门控64层CT冠状动脉成像影像质量，血管狭窄和放射剂量评估的对照性研究

目的证实前瞻性心电图（ECG）触发冠状动脉CT血管成像（下称前瞻性cT血管成像）和回顾性ECG门控冠状动脉CT血管成像（下称回顾性CT血管成像）同样有效。方法研究得到机构审查委员会的批准并获得知情同意书。60例心率低于75次/min且需行冠状动脉CT血管成像的病人入组。使用64层CT进行了前瞻性和回顾性CT血管成像。记录数据采集时间。2位独立心脏影像诊断医师使用美国心脏协会17段分段法，对影像质量进行主观评估（1为优秀，4为差），并评估血管的狭窄程度（0％狭窄，1％～49％狭窄，50％-75％狭窄，〉75％狭窄）。     

双源 CT 冠状动脉成像对成人房间隔膨出瘤的诊断价值

房间隔膨出瘤(interatrial septum aneurysm,IASA)是一种成人少见的心脏疾病,常与心律失常及不明原因的脑梗死有关[1-2],过去往往依赖经胸超声及经食管超声诊断,而国内外利用心脏冠状动脉成像检查诊断 IASA 的报道少见[3-5]。笔者收集2014-04—2015-08经双源 CT 冠状动脉成像诊断的17例成人 IASA 的影像资料及临床资料进行分析和总结,以提高对成人 IASA CT 表现的认识。     

降低冠状动脉钙化伪影的CT技术进展

传统冠状动脉CT血管成像（CCTA）可因冠状动脉钙化而降低诊断效能,致使管腔狭窄程度被高估,进而增加不必要的有创性血管造影检查。随着CT空间分辨力提高、新的去伪影算法、双能CT成像技术、冠状动脉减影技术、迭代重建技术及锐利卷积核重建技术的出现与发展,冠状动脉钙化在心脏CT影像上的伪影得以减轻,CT对冠状动脉钙化病人的诊断效能明显提高。就多种降低冠状动脉钙化伪影的CCTA成像技术进展进行综述。     

基于CCTA的冠状动脉周围脂肪组织影像组学特征预测急性冠状动脉综合征

目的 评估基于冠状动脉CT血管成像（CCTA）的冠状动脉周围脂肪组织（PCAT）影像组学特征对疑似冠心病病人2年内发生急性冠状动脉综合征（ACS）的预测能力。方法 回顾性收集接受CCTA检查的疑似冠心病病人,将CCTA检查后2年内发生ACS的病人作为ACS组（81例）,2年内未发生ACS的疑似冠心病病人作为对照组（81例）。ACS组年龄44~85岁,平均（64.01±10.09）岁,男57例;对照组年龄39~89岁,平均（62.91±10.11）岁,男56例。将2组病人随机以 3∶1 的比例分为训练集（ACS组60例,对照组60例）和验证集（ACS组21例,对照组21例）。筛选基于CCTA的PCAT影像组学特征,采用多因素Logistic回归分析构建PCAT影像组学评分模型,并基于PCAT影像组学特征中的CT密度值建立PCAT密度模型。采用DeLong检验比较不同数据集中2个模型的诊断效能差异。采用受试者操作特征（ROC）曲线、校准曲线及决策曲线比较2种模型的预测效能。结果 训练集和验证集中,ACS组和对照组病人的临床资料间差异均无统计学意义（均P>0.05）。从基于CCTA影像所示的冠状动脉斑块周围PCAT共提取107个影像组学特征,最终筛选出21个最优影像组学特征,包括形态学特征5个、直方图特征1个、纹理特征15个,采用Logistic回归分析构建PCAT影像组学评分模型。基于提取的PCAT组学特征中平均 CT密度值构建PCAT密度模型。2种模型预测2年内发生ACS事件的诊断效能分析显示,PCAT 影像组学评分模型在训练集及验证集中的曲线下面积（AUC）（AUC=0.841,0.839） 均高于PCAT 密度的AUC（AUC=0.603,0.588）。训练集中,PCAT影像组学评分的诊断效能优于PCAT密度模型（P<0.05）,并在验证集中得到验证（P<0.05）。PCAT影像组学评分对发生ACS事件的预测结果与实际结果一致性高于PCAT密度。PCAT影像组学评分的临床应用价值显著优于PCAT 密度。结论 基于CCTA 的PCAT影像组学特征可为ACS事件的发生提供更多的预测信息。PCAT 影像组学评分对2年内发生ACS事件的预测能力显著优于PCAT 密度。     

左心室肌CT影像组学特征在心跳周期中动态变化的量化分析

目的 应用影像组学技术结合心电门控4DCT强化扫描图像,量化分析左心室肌CT影像组学特征在心动周期中的变化情况,为基于心电门控4DCT进行心脏功能动态评估提供可行方法。方法 将14例患者的4DCT强化扫描图像以心动周期5%为间隔,重建0%~95% 20个时相的图像。分别在单个时相勾画左心室肌（LVM）,并在左心室心腔造影剂充盈完好区域勾画直径为13 mm的球体[心腔感兴趣区（ROI）]。利用3DSlicer软件对所有勾画的92个特征进行提取,分析CT值在心腔ROI和LVM上的分布情况,基于心腔ROI进行初步筛选（单因素方差分析）得到稳定特征,再利用稳定特征对LVM进一步筛选（单因素方差分析）得到有差异特征,然后采用Wilcoxon秩和检验量化分析特征在心跳周期中随心跳的变化情况。结果 心跳周期中心腔ROI的平均CT值变化率小于LVM,变化率分别为9.23%、17.88%。有36个稳定特征在心腔ROI上差异均无统计学意义（P>0.05）;在36个稳定特征中,对LVM分析得到20个差异有统计学意义的特征（F=1.641~6.206,P<0.05）,且平均变化率达到98.63%,其中Firstorder矩阵：中值（-103.96%）、均值（123.67%）;GLDM矩阵：灰度非均匀性（99.81%）等变化率达到了99%以上,且不同心动周期中的最大值、最小值之间的差异均具有统计学意义（Z=-3.921~-3.173,P<0.05）。结论 通过结合影像组学技术和心电门控4DCT强化扫描图像可以放大心动周期中CT图像的微观变化,可为左心室肌功能的变化评估提供一个新方法,Firstorder矩阵的均值等特征更具应用潜力。     

正电子发射计算机断层显像影像组学在非小细胞肺癌治疗中的应用

原发性肺癌是我国乃至全世界发病率和死亡率位居首位的恶性肿瘤,且死亡率呈上升趋势,严重危害着人类健康。影像组学(radiomics)通过挖掘高维影像特征与病理生理特征之间的深层关系,进而建立鉴别病理类型、肿瘤分期、远处转移和生存的预测模型,指导个体化诊疗策略,改善预后。正电子发射计算机断层显像(PET/CT)可通过反映肿瘤组织代谢而具有较高的诊断准确性和特异性。本文就PET/CT影像组学在非小细胞肺癌(NSCLC)治疗中的应用进行综述。     

影像组学在肺磨玻璃结节中的应用研究进展

影像组学能够从CT、MRI或PET/CT影像中高通量地提取和分析大量定量影像特征,可以提供肿瘤表型及病变微环境信息。目前肺磨玻璃结节（GGN）的影像组学研究主要集中在良恶性的鉴别、侵袭性或病理分型的判断及基因变化的预测。就肺GGN概述、影像组学的发展及在肺GGN中的应用研究进展予以综述。     

食管癌影像组学研究现状

食管癌是胃肠道系统常见的恶性肿瘤,其发病率及死亡率逐年升高。食管癌传统的成像方法主要描述肿瘤形态变化及其大小等,而近年提出的影像组学是通过高通量从CT、MRI等影像中提取并分析大量影像学特征,对肿瘤异质性进行全面分析,可以应用于食管癌的临床分期、放化疗疗效评估以及预后分析等。从影像组学的概念和研究方法、在食管癌中的临床应用及面临的挑战三方面对食管癌影像组学研究进展予以综述。     

Advanced atherosclerosis imaging by CT: Radiomics,machine learning and deep learning

In the last decade, technical advances in the field of medical imaging significantly improved and broadened the application of coronary CT angiography (CCTA) for the non-invasive assessment of coronary artery disease. Recently, similar breakthroughs are happening in the post-processing, analysis and interpretation of radiological images. Technologies such as radiomics allow to extract significantly more information from scans than what human visual assessment is capable of. This allows the precision phenotyping of diseases based on medical images. The increased amount of information can then be analyzed using novel data analytic techniques such as machine learning (ML) and deep learning (DL), which utilize the power of big data to build predictive models, which seek to mimic human intelligence, artificially. Thanks to big data availability and increased computational power, these novel analytic methods are outperforming conventional statistical techniques. In this current overview we describe the basics of radiomics, ML and DL, highlighting similarities, differences, limitations and potential pitfalls of these techniques. In addition, we provide a brief overview of recently published results on the applications of the aforementioned techniques for the non-invasive assessment of coronary atherosclerosis using CCTA.     

CT影像组学在儿童体部常见恶性实体肿瘤中的研究进展

医学图像中包含了大量肉眼不能识别的图像数据,影像组学通过对图像信息的深入挖掘和定量数据分析,在儿童恶性实体肿瘤的鉴别、肿瘤分子表型以及预后预测等方面取得了一定的研究进展,有可能为儿童恶性实体肿瘤的综合治疗提供更为准确的信息,从而有利于临床决策。就基于CT的影像组学在儿童体部常见恶性实体肿瘤中的研究进展进行综述。     

基于冠状动脉周围脂肪组织影像组学特征及神经网络模型预测冠状动脉狭窄血流动力学严重程度

目的 评估基于神经网络方法构建的预测模型能否精准评估冠状动脉狭窄的血流动力学严重程度（缺血或不缺血）。 方法 回顾性收集行冠状动脉CT血管成像（CCTA）及有创冠状动脉造影的血流储备分数（FFR）测量的92例冠状动脉疾病病人的临床及影像资料,其中男66例,女26例;平均年龄（58.3±10.3）岁。共纳入122支冠状动脉血管。依据FFR值将122支冠状动脉血管分为2组,即狭窄组（FFR≤0.8,68支）和非狭窄组（FFR>0.8,54支）。基于CCTA影像数据,选取冠状动脉周围脂肪组织（PCAT）区域的468个影像组学特征进行分析。构建3种冠状动脉狭窄预测模型,包括神经网络模型、传统统计学模型和最小绝对值收敛与选择算子模型。采用受试者操作特征曲线下面积（AUC）评估3种模型预测冠状动脉狭窄的性能。采用Pearson相关分析神经网络特征、原始影像组学特征与真实标签的相关性。采用独立样本t检验比较2组的影像组学特征。 结果 3种预测模型中,神经网络模型的预测效能最高,其准确度、敏感度、特异度和AUC分别为81.19%、81.23%、81.16%和0.781 3（0.773 8~0.788 8）。神经网络特征与真实冠状动脉狭窄标签的相关性[最大绝对相关系数（r_最大）=0.683 8,P<0.001,平均绝对相关系数（r_平均）=0.261 1]高于原始影像组学特征与真实标签的相关性（r_最大=0.238 9,P=0.008和r_平均=0.090 5）。狭窄组的W6_surface_area高于非狭窄组,而W6_Auto Correlation_mean低于非狭窄组（均P<0.05）,其余特征差异均无统计学意义（均P>0.05）。 结论 以影像组学特征为输入的神经网络模型可以很好地预测冠状动脉狭窄,其中10个PCAT区域影像组学特征或许在预测冠状动脉狭窄的血流动力学方面具有重要意义。     

Performance of Prediction Models for Diagnosing Severe Aortic Stenosis Based on Aortic Valve Calcium on Cardiac Computed Tomography: Incorporation of Radiomics and Machine Learning

ObjectiveWe aimed to develop a prediction model for diagnosing severe aortic stenosis (AS) using computed tomography (CT) radiomics features of aortic valve calcium (AVC) and machine learning (ML) algorithms.Materials and MethodsWe retrospectively enrolled 408 patients who underwent cardiac CT between March 2010 and August 2017 and had echocardiographic examinations (240 patients with severe AS on echocardiography [the severe AS group] and 168 patients without severe AS [the non-severe AS group]). Data were divided into a training set (312 patients) and a validation set (96 patients). Using non-contrast-enhanced cardiac CT scans, AVC was segmented, and 128 radiomics features for AVC were extracted. After feature selection was performed with three ML algorithms (least absolute shrinkage and selection operator [LASSO], random forests [RFs], and eXtreme Gradient Boosting [XGBoost]), model classifiers for diagnosing severe AS on echocardiography were developed in combination with three different model classifier methods (logistic regression, RF, and XGBoost). The performance (c-index) of each radiomics prediction model was compared with predictions based on AVC volume and score.ResultsThe radiomics scores derived from LASSO were significantly different between the severe AS and non-severe AS groups in the validation set (median, 1.563 vs. 0.197, respectively, p < 0.001). A radiomics prediction model based on feature selection by LASSO + model classifier by XGBoost showed the highest c-index of 0.921 (95% confidence interval [CI], 0.869–0.973) in the validation set. Compared to prediction models based on AVC volume and score (c-indexes of 0.894 [95% CI, 0.815–0.948] and 0.899 [95% CI, 0.820–0.951], respectively), eight and three of the nine radiomics prediction models showed higher discrimination abilities for severe AS. However, the differences were not statistically significant (p > 0.05 for all).ConclusionModels based on the radiomics features of AVC and ML algorithms may perform well for diagnosing severe AS, but the added value compared to AVC volume and score should be investigated further.