不同亚型自身免疫性脑炎临床及MRI影像特征分析

目的 探讨自身免疫性脑炎(AE)不同亚型的临床特点及MRI影像特征,为临床医师及时诊治提供依据。方法 纳入AE患者66例,收集临床一般资料、相关抗体检测及观察MRI表现,分析其主要临床特征与影像学表现。结果 66例AE患者中男性30例,女性36例(男:女=1:1.2),平均发病年龄约40.14岁。主要症状为认知功能障碍34例(51.5%),精神行为异常24例(36.4%)和癫痫23例(34.8%)。脑脊液抗体阳性率较血清抗体阳性率高。MRI图像各亚型AE均可见脑实质受累,可同时累及多个脑区,依次为海马及颞叶内侧、额顶枕叶、基底节区、丘脑脑干及小脑等,T1WI呈等或稍低信号,T2WI/FLAIR呈高信号,其中20例行增强扫描,11例有强化效应,呈点线样、斑片状轻-中度强化,软脑膜及脑沟血管可见强化。结论 MRI表现虽不能作为诊断AE的特异性指标,但是对于常规MRI检查出现异常信号,尤其在好发部位的,应高度怀疑AE的可能性,其中FLAIR为最佳序列。     

利用机器学习鉴别胶质母细胞瘤标准化治疗后真假性进展的研究

目的:探讨基于T1加权增强成像(T1CE)的机器学习模型在鉴别胶质母细胞瘤(GBM)患者标准化治疗后真假性进展的诊断效能。方法:回顾性分析了我院2014年5月至2017年2月间经手术病理证实的77例胶质母细胞瘤患者,所有患者均行标准化治疗。利用ITK-SNAP软件划取全部强化部分为感兴趣区(VOI),应用A. K.软件提取9675个特征。此外,采集的临床信息包括:性别、年龄、KPS评分、切除范围、神经功能缺损和平均放疗剂量。利用随机森林分类器(RF)建立分类模型,以鉴别GBM标准化治疗后的真假性进展。通过计算受试者工作特征(ROC)的曲线下面积(AUC)、敏感度、特异度和准确性评估模型的诊断效能。结果:真性进展51例,假性进展26例。真假性进展患者的临床基线特征均无显著统计学差异。基于影像组学特征的机器学习模型诊断效能相对较高,AUC值、准确性、敏感度和特异度分别为0. 79(95%CI:0. 63-0. 98)、72. 78%、78.36%和61. 33%。结论:基于T1CE增强图像特征建立的机器学习模型对GBM标准化治疗后真假性进展的鉴别效能相对较高,有助于临床医生尽早制定适当的治疗方案。     

CT与MRI对腮腺多形性腺瘤的诊断价值研究

目的 分析腮腺多形性腺瘤(PA)的CT和MRI影像学表现,探讨其诊断价值。方法 回顾分析2018年5月～2022年8月经穿刺或手术后病理证实的34例PA患者,行颌面部平扫CT检查18例,增强CT检查8例,MRI检查34例。分析所有患者的CT和MRI图像特征,比较两种方法的诊断结果。结果 CT、MRI阳性检出率分别为55.56%、85.29%,检出率比较有统计学意义(P<0.05)。密度或信号是否均匀,两者比较有统计学意义(P<0.05);对于最大径<3cm或≥3cm的病灶、有无包膜及强化方式,CT和MRI图像特征比较,差异无统计学意义(P>0.05)。本组研究中,CT图像表现为等或略低密度,密度均匀或不均匀。大部分病灶T₁WI/FS呈低信号影,STIR呈不均匀高信号影,STIR序列包膜显示最佳。大部分病灶呈不均匀渐进性强化。结论 CT和MRI检查均可表现出特有的影像学特征。为了提高PA的诊断准确性,可以将两种检查方法结合起来进行综合诊断,为患者提供更准确的影像学参考依据。     

14例军营内腺病毒肺炎的CT特征分析

目的探讨军营内腺病毒肺炎的常见CT表现,并分析其病理基础。方法收集2016年10-11月陕西省某新兵训练营被确诊腺病毒感染而入住我院,且胸部CT检查发现明显肺部病变的14例患者进行影像学分析。结果 14例病例中,12例为肺部单发病变,2例为肺内两处病变,共计16处病灶。分布:病变多见于双肺中下叶,其中右肺上叶3处,中叶4处,下叶5处;左肺上叶1处,下叶3处。形态:11处病变呈类圆形,其余5处病变呈楔形;密度:11处(68.8%)病变表现为斑片状密度增高影;3处(18.7%)病变表现为大片类圆形实变并周围磨玻璃影,边界不清,病变内部可见空气支气管征;2处(12.5%)病变表现为边界不清的小片状磨玻璃影。实变性病变的吸收时间显著长于斑片状病变及磨玻璃病变。结论胸部CT检查对腺病毒肺炎具有一定的诊断价值,病变多见于双肺中下叶,早期CT表现以斑片状渗出性病变为主,类圆形实变性病变伴周围磨玻璃影较具特征性。     

T2DM伴认知灵活性减退患者纹状体-背外侧前额叶皮质通路变化的fMRI观察

目的:观察2型糖尿病(T2DM)伴认知灵活性减退患者的静息态功能连接(FC)特征改变及其与认知灵活性的相关性。方法:回顾性分析24例T2DM伴认知灵活性减退的患者(T2DM+CD)、34例不伴认知灵活性减退的T2DM患者(T2DM-CD)以及31例健康对照(HC)。分别对三组受试者使用威斯康辛卡片分类测试(WCST)、斯特鲁普色词测验(Stroop)评估认知灵活性及功能磁共振(fMRI)扫描,观察三组受试者认知灵活性差异、双侧(L. and R.)纹状体(ST)与背外侧前额叶皮质(dlPFC)之间FC的差异,然后分析了认知灵活性与ST-dlPFC通路FC之间的相关,最后进一步分析了T2DM患病状态和认知灵活性对FC改变的交互效应。结果:与T2DM-CD患者及HC相比,T2DM+CD患者WCST总应答数、错误应答数、持续应答数以及用时明显增多,而正确应答数明显减少;Stroop中T2DM+CD患者的正确数、字色矛盾正确数以及字色无关正确数均低于HC。T2DM+CD患者L.ST-L.dlPFC、R.ST-L.dlPFC、R.ST-R.dlPFC之间的FC减低,R.ST-R.dlPFC之间的...     

囊性胸腺瘤的临床及MRI特征

【摘要】目的：探讨囊性胸腺瘤的MRI特征,以提高其MRI诊断及鉴别诊断水平。方法：回顾性分析经组织病理学证实的17例囊性胸腺瘤的临床及MRI影像资料,其中男9例,女8例,年龄19~72岁,平均46岁。分析常规MRI特征（包括大小、形态、囊腔分隔、实性成分、包膜完整度、瘤周水肿等）及表观扩散系数（ADC）值。结果：组织病理学分型：A型胸腺瘤2例（11.8%）,AB型胸腺瘤2例（11.8%）,B1型胸腺瘤2例（11.8%）,B2型胸腺瘤8例（47.0%）,B3型胸腺瘤3例（17.6%）。肿瘤大小2.3~13.6cm,平均7.1cm;囊液呈T1WI低信号、T2WI高信号12例（70.6%）,T1WI高信号、T2WI高信号5例（29.4%）;囊壁或分隔均含有不同程度实性成分,其中单发附壁结节/肿块9例（52.9%）,多发附壁结节/肿块5例（29.4%）,弥漫性增厚伴结节/肿块3例（17.7%）;肿瘤实性成分ADC平均值1.32×10-3mm2/s。结论：囊性胸腺瘤多为B2型胸腺瘤,肿瘤多伴有不同程度实性成分。MRI对囊性胸腺瘤的诊断及鉴别诊断具有重要价值。     

胸腺结外边缘区黏膜相关淋巴组织淋巴瘤的MRI特征分析

【摘要】目的：探讨胸腺结外边缘区黏膜相关淋巴组织（MALT）淋巴瘤的MRI特征，提高其MRI诊断水平。方法：搜集2013年11月－2021年7月在本院经手术病理证实的19例胸腺MALT淋巴瘤患者的病例资料。其中，男3例，女16例；年龄29~68岁，平均（46.5±12.3）岁。患者均行胸部MRI平扫及DWI检查，11例同时行动态增强扫描。由两位放射科医师采用双盲法独立观察和分析肿瘤的大小、形态、均匀性、囊变程度及表观扩散系数（ADC）值等MRI特征，并对两位医师的评估结果进行一致性分析。结果：肿瘤最大径2.3~13.9cm，平均（7.0±3.2）cm。3例（15.8%）体积较小的肿瘤形态规则；16例（84.2%）肿瘤形态不规则，呈长梭形或箭头状。19例肿瘤边界均较清晰，未见瘤周水肿。2例（10.5%）较小肿瘤信号均匀；17例（89.5%）肿瘤信号不均匀，伴有不同程度囊性变，其中轻度囊变4例（21.1%）、明显囊变13例（68.4%）。11例行MRI增强扫描，肿瘤均呈不均匀强化。肿瘤周围伴有肿大淋巴结者3例（15.8%），其中2例淋巴结呈囊性变。肿瘤侵犯心包2例（10.5%）；19例肿瘤均未见血管包绕、胸腔积液、心包积液、胸膜或心包转移瘤等。肿瘤实性区域在DWI上呈高信号（高于同层面胸大肌的信号），ADC值为1.01×10-3~1.97×10-3mm2/s，平均（1.76±0.31）×10-3mm2/s。结论：胸腺MALT淋巴瘤多见于中老年女性、恶性程度较低，其MRI表现具有一定特征性，肿瘤内多伴有不同程度囊性变。     

机器学习结合T1WI/C鉴别Ⅱ、Ⅲ级少突胶质细胞瘤

目的:探讨机器学习结合T1加权对比增强成像(T1W/C)的影像组学特征鉴别Ⅱ、Ⅲ级少突胶质细胞瘤(ODG)的诊断效能。方法:回顾性分析36例经手术病理证实的ODG2和ODG3的磁共振(MR)资料。利用ITK-SNAP在T1WI/C上手工划取全肿瘤强化部分的感兴趣体积(VOI),使用A. K.(Analysis-Kinetics,A. K.,GE Healthcare)软件从VOI中提取1044个特征。采用随机森林(RF)算法和5折交叉验证法对ODG2和ODG3进行了鉴别。结果:ODG2共19例,ODG3共17例。ODG3多表现为明显坏死(P=0. 044)和强化(P=0. 002)。位于额叶的10例ODG2(10/19,52. 6%)和10例ODG3(10/17,58. 8%)两组之间无显著统计学差异;并且ODG2和ODG3的其他影像学特征无明显统计学差异。机器学习模型的RF策略诊断效能:曲线下面积(AUC)=0. 765,准确性=0. 763,敏感性=82. 8%,特异性=70. 0%。基于T1WI/C影像组学特征的机器学习可以区分ODG2和ODG3,且组间具有显著统计学差异(P 0. 05)。结论:基于T1WI/C影像组学特征的机器学习模型可以区分ODG2和ODG3,但是效能不理想,有待提高。