基于不同时相增强CT的影像组学对胰腺实性假乳头状肿瘤侵袭性行为的预测价值

目的探讨CT影像组学对胰腺实性假乳头状肿瘤(pSPN)侵袭性行为的预测价值。方法回顾性分析2012年1月至2021年1月郑州大学第一附属医院经术后病理证实的pSPN患者的CT图像, 其中侵袭性23例、非侵袭性59例。分别在平扫、动脉期和静脉期CT图像上逐层勾画感兴趣区(ROI)获得三维ROI, 每个ROI提取1 316个组学特征。将数据集经随机分层抽样法按照7∶3的比例分为训练集和验证集, 在训练集中采用200%样本合成过采样技术(SMOTE)算法进行过采样, 生成侵袭性和非侵袭性平衡数据用于建立训练模型, 将构建的模型在验证集中进行验证。通过受试者操作特征(ROC)曲线分析评估不同模型的预测性能, 并通过Delong检验比较不同模型的曲线下面积(AUC)值, 采用连续净重分类改善度(NRI)和综合区分改善度(IDI)评估不同模型对分类效能的改善能力。结果经过特征筛选, 保留2、6、3个特征分别构建平扫、动脉期和静脉期模型, 基于单独期相与联合时相模型共建立7个模型, 除平扫模型外, 其他模型预测pSPN侵袭性的AUC均>0.800。单期相中动脉期模型具有最优的鉴别效能, 在SM...     

双能CT不同能量组合、重建算法及ROI选择对家兔肝铁定量测量的影响

【摘要】目的：探讨双能CT不同能量组合、重建算法及ROI选择对家兔模型肝脏铁定量检测的影响。方法：健康雄性新西兰大白兔32只,每周按15mg/kg的剂量肌肉注射右旋糖苷铁剂,共16周,每周处死2只大白兔,使用原子分光光度仪测量肝脏的铁浓度（LIC）。采用80+140kVp和100+140kVp两种能量组合进行双能CT扫描,在80+140kVp组合条件下分别采用滤波反投影法（FBP）和迭代重建算法（SAFIRE）算法（强度为3）进行图像重建,对3组图像数据分别进行图像后处理获得虚拟铁浓度图像（VIC）,分别采用全肝ROI法和小ROI法测量肝脏的CT值,分别对3组图像及2种ROI法测量的肝脏CT值进行比较,并与LIC行Spearmen相关性分析。结果：对2种能量组合及2种ROI方法测量的VIC图像上肝脏的CT值进行比较,差异均有统计学意义（P<0.01）;两种重建算法下测得的VIC图像上肝脏CT值的差异无统计学意义（P>0.05）。采用80+140kVp、SAFIRE算法及全肝ROI法测得的VIC图上肝脏CT值与LIC的相关性分别优于100+140kVp、FBP算法及小ROI法。结论：双能CT扫描可获得肝脏虚拟铁浓度图像,不同能量组合、重建算法及ROI测量方法获得的肝脏CT值均能反映家兔肝脏铁含量,但以80+140kV和全肝ROI法更优,不同的重建算法不影响测量值的大小。     

基于CT影像组学列线图鉴别甲状腺良性与恶性滤泡性肿瘤的价值

目的:探讨基于CT影像组学列线图鉴别甲状腺滤泡性肿瘤良生与恶性的价值。方法:回顾性收集2016年1月至2018年12月复旦大学附属肿瘤医院经手术病理证实的200例甲状腺滤泡性肿瘤患者的临床资料及CT图像,其中甲状腺滤泡癌（FTC）46例、甲状腺滤泡腺瘤（FTA）154例。采用随机数表法随机分为训练集（ n=...     

非中性粒细胞缺乏患者侵袭性气管支气管肺曲霉菌病初次CT表现

【摘要】目的：分析非中性粒细胞缺乏患者侵袭性气管支气管肺曲霉菌病（ITBA）初次CT表现,提高该病的早期诊断率。方法：对中山市中医院2014年1月-2017年8月14例ITBA成年患者的临床和初次CT资料进行回顾性分析。所有病例的诊断均符合2013年血液病/恶性肿瘤患者侵袭性真菌病的诊断标准与治疗原则(第四版)。所有CT图像均经两位胸部影像学副主任医师阅片并分析总结其CT征象。结果：14例患者初次CT表现13例（92.9%）段或亚段支气管壁明显增厚,11例（78.6%）出现肺外围支气管扩张,10例（71.4%）出现多发结节,8例（57.1%）出现沿气道分布的楔形小片状实变影或磨玻璃影,6例（42.9%）有空洞,较大空洞内见细线状的分隔影。结论：非中性粒细胞缺乏患者ITBA初次CT的主要表现是支气管外壁明显增厚、支气管扩张、结节、梭形空洞（其内少许细线状的分隔）。支气管外壁明显增厚及梭形空洞（其内少许细线状的分隔）对ITBA的早期诊断有较高的特异性。     

宝石能谱单能量成像及自适应统计迭代重建技术在腹部低剂量CT扫描中的可行性研究

【摘要】目的：探讨在腹部低剂量CT扫描中使用宝石能谱单能量成像（GSI）结合自适应统计迭代重建技术的成像质量。方法：90例患者使用GE Discovery CT750 HD 64排CT机行腹部CT平扫及双期增强扫描。实验组A（30例）采用GSI 技术（60keV+ASIR 50%）+对比剂碘剂量450mg I/kg;实验组B（30例）采用常规扫描（120kVp）+对比剂碘剂量300mg I/kg;对照组（30例）行常规扫描（120kVp）+对比剂碘剂量450mg I/kg。每组均测量腹部大血管（动脉期/静脉期）、脏器和肌肉（三期）共26个ROI的CT值并计算相应的SNR,使用5分法（Likert分级）对各部位的图像质量进行主观评价。结果：三组患者的年龄、身高、体重及身体质量指数（BMI）间的差异均无统计学意义（P>0.05）。A组中26个ROI的CT值均高于对照组,除平扫和动脉期肝脏CT值和平扫肌肉CT值外,其它23个ROI的CT值在两组间的差异均有统计学意义（P<0.05）。B组各ROI的CT值均低于对照组,但差异无统计学意义（P>0.05）。A组中（除SMA外）各ROI的SNR均高于对照组,仅门脉左支、动脉期肝和脾、平扫和静脉期胰腺的SNR在两组间的差异无统计学意义（P>0.05）。B组的SNR均低于对照组,但差异无统计学意义（P>0.05）。主观评价方面,三组间图像质量评分的差异无统计学意义（P>0.05）。A组与对照组间辐射剂量的差异有统计学意义（P<0.001）;B组对比剂剂量与对照组间的差异有统计学意义（P<0.001）。结论：在能谱CT 成像结合ASIR技术的帮助下,使用低管电压能得到较好的腹部CT图像质量。     

原发性胸腺淋巴瘤的CT诊断

目的：探讨原发胸腺淋巴瘤（PTL）的CT表现及诊断价值。方法：回顾性分析1992年3月-2013年4月临床资料齐全且经病理证实的15例原发胸腺淋巴瘤CT表现,所有病例均经CT平扫加增强扫描,并与相同病例的侵袭性胸腺瘤及胸腺癌CT表现进行对照研究。结果：15例原发胸腺淋巴瘤中霍奇金淋巴瘤（HL）8例（8/15）、弥漫性大B细胞淋巴瘤5例（5/15）、T细胞淋巴母细胞淋巴瘤2例（2/15）,女性9例（9/15）、男性6例（6/15）;发病年龄＜40岁13例（13/15）,与侵袭性胸腺瘤（5/15）及胸腺癌（3/15）比较（P＜0．05）。原发胸腺淋巴瘤CT平扫示肿块向两侧生长11例（11/15）,结节状突起、分叶状生长8例（8/15）,密度均匀6例（6/15）,三者分别与侵袭性胸腺瘤、胸腺癌比较差异无显著统计学意义。原发胸腺淋巴瘤CT增强扫描示包绕血管征11例（11/15）,分别与侵袭性胸腺瘤（2/15）、胸腺癌（4/15）比较（P＜0．05）;瘤内小囊肿状改变7例（7/15）,分别与侵袭性胸腺瘤（1/15）、胸腺癌（0/15）比较（P＜0．05）;强化值＜20 HU10例（10/15）,与胸腺癌（1/15）比较（P＜0．05）。结论：原发胸腺淋巴瘤好发年轻女性,CT增强扫描具有一定的特征表现,据之可与侵袭性胸腺瘤及胸腺癌鉴别。     

双层探测器光谱CT平扫定性联合定量参数预测肺纯磨玻璃结节侵袭性的价值

目的:探讨双层探测器光谱CT平扫定性联合定量参数预测肺纯磨玻璃结节（pGGN）侵袭性的价值。方法:回顾性分析2019年11月至2020年12月天津医科大学肿瘤医院术前接受双层探测器光谱CT胸部平扫,表现为pGGN且病理证实为肺腺癌113例患者（119个pGGN）的临床和影像学资料。根据pGGN的侵袭性,将119个pGG...     

基于CT图像的深度学习模型鉴别良恶性肾肿瘤

目的:探讨基于CT图像的深度学习模型对肾脏良、恶性肿瘤的鉴别诊断价值。方法:回顾性搜集2008-2020年经病理证实且符合本研究要求的798位患者(共805例肾肿瘤)的临床和三期(平扫、皮髓质期和实质期)腹部CT影像资料。其中,来自本院的418例肾癌和78例肾良性肿瘤的资料用于建立影像组学模型和内部验证,来自另外两个研究中心和一个公共数据库(癌症医学图像数据库TCIA)的262例肾癌和47例肾良性肿瘤的资料作为独立外部验证集。使用ITK-SNAP3.6.0软件,在三期CT图像中选择肿瘤边缘显示较清楚的一期图像,选取肿瘤最大层面及其上、下相邻层面,沿病灶边缘手动勾画ROI,再通过软件的空间调整技术,使另外两期CT图像上肿瘤的边缘与勾画的ROI的边缘最大程度地拟合。使用ResNet50网络中的卷积核作为特征提取器,分别提取3期图像上肾肿瘤的影像组学特征,并采用Mann-Whitney U检验进行特征的筛选。对于同一肾肿瘤,分别建立基于单期和3期CT图像的深度学习模型,并对各模型的预测效能进行外部验证。随后,将训练集中良、恶性肿瘤组的样本数按3种比例(1∶1、1∶2、1∶3)进行设置,分别用...     

基于CT影像组学鉴别非小细胞肺癌纵隔转移性淋巴结的模型研究

目的建立不同CT扫描时相图像鉴别非小细胞肺癌(non-small cell lung cancer,NSCLC)纵隔淋巴结的影像组学模型,并探讨不同模型的诊断效能。方法回顾性分析86例NSCLC患者的术前CT图像,所有患者均行平扫期、动脉期和静脉期CT扫描。选取231枚纵隔淋巴结为研究对象,将2015年1月—2017年6月入组的163枚淋巴结作为训练组,2017年7月—2018年6月入组的68枚淋巴结作为验证组。分别在三时相图像上勾画感兴趣区域(regions of interest,ROI),每个ROI提取841个影像特征,使用LASSO算法筛选特征,基于各时相CT影像组学特征和两不同时相CT影像组学特征的差值建立模型。比较不同模型的受试者工作特征曲线(receiver operating characteristic,ROC)下面积(AUC值)、敏感性、特异性、准确度、阳性预测值和阴性预测值的差异。结果共建立6个模型,其AUC值均>0.800。平扫期CT模型具有最优的鉴别效能,其训练组的AUC值、特异性、准确度、阳性预测值分别为0.926、0.860、0.871、0.906,验证组的AUC值、特异性、准确度、阳性预测值分别为0.925、0.769、0.882、0.870,均高于其他模型。平扫和静脉期CT图像联合动脉期CT图像之后,训练组的敏感性、阴性预测值分别从0.879、0.821和0.919、0.789提高到0.949、0.878和0.979、0.900。结论CT各时相影像组学模型均可用于辅助临床诊断淋巴结。平扫CT影像组学模型的AUC值最高,而联合动脉期CT图像可提高模型的敏感度及阴性预测值。     

基于CT双期增强影像组学预测甲状腺乳头状癌淋巴结转移

目的:探讨基于CT双期增强影像组学模型对甲状腺乳头状癌(PTC)淋巴结转移的预测价值.方法:回顾性分析经手术病理证实的80例PTC患者的病例资料,共搜集173个淋巴结,其中转移性淋巴结89个、未转移性淋巴结84个.患者术前均行CT平扫和双期增强扫描.采用达尔文科研平台,分别在动脉期和静脉期CT图像上于淋巴结内勾画ROI...     

基于MR T1WI的影像组学机器学习模型预测软组织肉瘤分级的价值

目的 探讨基于MR T1WI的最优影像组学机器学习模型及其预测软组织肉瘤分级的价值。方法 回顾性分析2009年5月至2018年11月青岛大学附属医院113例软组织肉瘤患者的术前MR T1WI资料,采用随机分层抽样的方法将患者随机分为训练组(n=80)和验证组(n=33)。根据法国国家癌症研究中心(FNCLCC)系统将软组织肉瘤病理分级分为Ⅰ~Ⅲ三个级别。Ⅰ级为低级别,Ⅱ、Ⅲ级为高级别。训练组中18例为低级别、62例为高级别病变,验证组中7例低级别、26例高级别病变。图像进行标准化后,采用A.K软件对肿瘤感兴趣区进行特征提取,并基于不同特征选择方法(加入和不加入递归式特征消除)、机器学习算法(随机森林和支持向量机算法)和采样技术(不进行过采样、使用少数样本合成过采样技术、使用随机过采样技术),组合成12种机器学习算法组合,应用弃一法交叉验证进行验证,建立分类模型。采用受试者操作特征(ROC)曲线评价模型预测软组织肉瘤病理级别的效能。结果 在12种机器学习算法建立的软组织肉瘤分级预测模型中,联合使用递归式特征消除和少数样本合成过采样技术的随机森林分类算法效能最佳,其在验证组中预测软组织肉瘤分级的ROC曲线下面积为0.909 (95%可信区间为0.808~1.000),准确率、灵敏度和特异度分别为84.85%、86.21%和75.00%。结论 基于影像组学的机器学习方法在预测软组织肉瘤病理分级方面有较大的应用价值。     

Preoperative prediction of tumour deposits in rectal cancer by an artificial neural network–based US radiomics model

To develop a machine learning–based ultrasound (US) radiomics model for predicting tumour deposits (TDs) preoperatively. From December 2015 to December 2017, 127 patients with rectal cancer were prospectively enrolled and divided into training and validation sets. Endorectal ultrasound (ERUS) and shear-wave elastography (SWE) examinations were conducted for each patient. A total of 4176 US radiomics features were extracted for each patient. After the reduction and selection of US radiomics features , a predictive model using an artificial neural network (ANN) was constructed in the training set. Furthermore, two models (one incorporating clinical information and one based on MRI radiomics) were developed. These models were validated by assessing their diagnostic performance and comparing the areas under the curve (AUCs) in the validation set. The training and validation sets included 29 (33.3%) and 11 (27.5%) patients with TDs, respectively. A US radiomics ANN model was constructed. The model for predicting TDs showed an accuracy of 75.0% in the validation cohort. The sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV) and AUC were 72.7%, 75.9%, 53.3%, 88.0% and 0.743, respectively. For the model incorporating clinical information, the AUC improved to 0.795. Although the AUC of the US radiomics model was improved compared with that of the MRI radiomics model (0.916 vs. 0.872) in the 90 patients with both ultrasound and MRI data (which included both the training and validation sets), the difference was nonsignificant (p = 0.384). US radiomics may be a potential model to accurately predict TDs before therapy. • We prospectively developed an artificial neural network model for predicting tumour deposits based on US radiomics that had an accuracy of 75.0%. • The area under the curve of the US radiomics model was improved than that of the MRI radiomics model (0.916 vs. 0.872), but the difference was not significant (p = 0.384). • The US radiomics–based model may potentially predict TDs accurately before therapy, but this model needs further validation with larger samples.     

CT影像组学联合征象鉴别新型冠状病毒肺炎与其他病毒性肺炎的价值

目的:探讨基于CT影像征象联合影像组学模型鉴别新型冠状病毒肺炎（COVID-19）和其他病毒性肺炎的临床价值。方法:回顾性分析2015年3月至2020年3月云南省15家医院实时逆转录聚合酶链反应检测为病毒性肺炎并接受胸部CT扫描的181例患者的临床和影像资料。根据患者的病毒类型分为COVID-19组（89例）和非COV...     

分层分析影像组学模型在肺腺癌诊断中的价值

目的:建立并验证可高效鉴别肺腺癌及其浸润程度的预测模型,并根据结节/肿块性质分层分析模型的预测效能.方法:回顾性分析本院2011年10月-2018年12月经病理证实的肺结节/肿块患者2105例.根据肿瘤性质,分为磨玻璃组(A组,1711例)和实性组(B组,394例),组内以2017年10月为界,分为训练集和测试集.收集...     

基于增强CT影像组学在鉴别肾嫌色细胞癌与肾嗜酸细胞腺瘤中的应用价值

目的:探讨基于增强CT影像组学在鉴别肾嫌色细胞癌(CRCC)与肾嗜酸细胞腺瘤(RO)中的应用价值.方法:搜集经病理证实且具有完整CT三期增强图像的56例肾占位患者,包括35例CRCC与21例RO患者(35个CRCC病灶和23个RO病灶).为建立稳定的LASSO模型,通过获得每个病灶每期2个或3个不同层面的轴面图像(CR...     

CT影像组学对中轴骨脊索瘤与骨巨细胞瘤的鉴别诊断价值

目的:建立术前鉴别中轴骨脊索瘤与骨巨细胞瘤的影像组学模型,并验证其诊断效能.方法:回顾性纳入中轴骨脊索瘤59例、骨巨细胞瘤33例共92例患者,64例为训练集,28例为验证集.基于CT图像进行影像组学特征提取,采用LASSO模型进行特征选择,构建影像组学模型,并计算影像组学得分(Rad-score).通过Logistic...     

Noncontrast Computed Tomography-Based Radiomics Analysis in Discriminating Early Hematoma Expansion after Spontaneous Intracerebral Hemorrhage

ObjectiveTo determine whether noncontrast computed tomography (NCCT) models based on multivariable, radiomics features, and machine learning (ML) algorithms could further improve the discrimination of early hematoma expansion (HE) in patients with spontaneous intracerebral hemorrhage (sICH).Materials and MethodsWe retrospectively reviewed 261 patients with sICH who underwent initial NCCT within 6 hours of ictus and follow-up CT within 24 hours after initial NCCT, between April 2011 and March 2019. The clinical characteristics, imaging signs and radiomics features extracted from the initial NCCT images were used to construct models to discriminate early HE. A clinical-radiologic model was constructed using a multivariate logistic regression (LR) analysis. Radiomics models, a radiomics-radiologic model, and a combined model were constructed in the training cohort (n = 182) and independently verified in the validation cohort (n = 79). Receiver operating characteristic analysis and the area under the curve (AUC) were used to evaluate the discriminative power.ResultsThe AUC of the clinical-radiologic model for discriminating early HE was 0.766. The AUCs of the radiomics model for discriminating early HE built using the LR algorithm in the training and validation cohorts were 0.926 and 0.850, respectively. The AUCs of the radiomics-radiologic model in the training and validation cohorts were 0.946 and 0.867, respectively. The AUCs of the combined model in the training and validation cohorts were 0.960 and 0.867, respectively.ConclusionNCCT models based on multivariable, radiomics features and ML algorithm could improve the discrimination of early HE. The combined model was the best recommended model to identify sICH patients at risk of early HE.     

基于MRI征象及影像组学的列线图预测腮腺良性与恶性肿瘤的价值

目的建立并验证基于MRI征象和影像组学的列线图鉴别腮腺良性与恶性肿瘤的效能。方法回顾性收集2015年1月至2020年5月青岛大学附属医院86例经手术病理证实的腮腺肿瘤患者为训练集,收集2013年1月至2020年1月香港大学深圳医院35例患者为独立外部验证集。采用logistic回归基于临床及MRI征象建立临床诊断模型。基于术前平扫T1WI和预饱和脂肪抑制T2WI(fs-T2WI)进行影像组学特征提取,建立影像组学诊断模型。基于影像组学评分及临床诊断模型,通过logistic回归建立影像组学+临床联合诊断模型及列线图。采用受试者操作特征(ROC)曲线评价各模型诊断腮腺良性与恶性肿瘤的效能,ROC曲线下面积(AUC)的比较采用DeLong检验。结果Logistic回归结果显示,腮腺深叶受累(OR值为3.285,P=0.040)和周围组织结构侵犯(OR值为15.919,P=0.013)是腮腺恶性肿瘤的独立影响因素,将二者构建临床诊断模型。基于平扫T1WI和fs-T2WI,共提取19个特征构建影像组学诊断模型。联合影像组学评分以及腮腺深叶受累、周围组织结构侵犯2个常规影像学特征建立联合诊断模型及列线图。临床诊断模型、影像组学诊断模型、联合诊断模型在训练集和验证集中诊断腮腺良性与恶性肿瘤的AUC分别为0.758、0.951、0.953和0.752、0.941、0.964。在训练集和验证集中,影像组学诊断模型、联合诊断模型的AUC均高于临床诊断模型(训练集:Z=3.95、4.31,P均<0.001;验证集:Z=2.16、2.67,P=0.031、0.008),影像组学诊断模型、联合诊断模型间AUC差异无统计学意义(训练集:Z=0.39,P=0.697;验证集:Z=1.10,P=0.273)。结论本研究所建立的MRI影像组学模型以及由腮腺深叶受累、周围组织结构侵犯、MRI影像组学特征组成的联合诊断模型,能有效鉴别腮腺良恶性肿瘤,具有较高的预测效能。     

基于乳腺X线图像影像组学列线图对乳腺癌腋窝淋巴结转移的预测价值

目的:探讨基于乳腺X线图像影像组学列线图对乳腺癌腋窝淋巴结(ALN)转移的预测价值.方法:回顾性分析188例乳腺癌患者的乳腺X线图像和临床资料,按照7:3的比例将患者随机分割为训练组(n=130)和验证组(n=58).使用MaZda软件在乳腺X线图像内提取影像组学特征,应用方差选择法和最小绝对收缩与选择算子算法(LAS...     

A preoperative radiomics model for the identification of lymph node metastasis in patients with early-stage cervical squamous cell carcinoma

Objectives:To develop and validate a radiomics model for preoperative identification of lymph node metastasis (LNM) in patients with early-stage cervical squamous cell carcinoma (CSCC).Methods:Total of 190 eligible patients were randomly divided into training (n = 100) and validation (n = 90) cohorts. Handcrafted features and deep-learning features were extracted from T2W fat suppression images. The minimum redundancy maximum relevance algorithm and LASSO regression with 10-fold cross-validation were used for key features selection. A radiomics model that incorporated the handcrafted-signature, deep-signature, and squamous cell carcinoma antigen (SCC-Ag) levels was developed by logistic regression. The model performance was assessed and validated with respect to its calibration, discrimination, and clinical usefulness.Results:Three handcrafted features and three deep-learning features were selected and used to build handcrafted- and deep-signature. The model, which incorporated the handcrafted-signature, deep-signature, and SCC-Ag, showed satisfactory calibration and discrimination in the training cohort (AUC: 0.852, 95% CI: 0.761–0.943) and the validation cohort (AUC: 0.815, 95% CI: 0.711–0.919). Decision curve analysis indicated the clinical usefulness of the radiomics model. The radiomics model yielded greater AUCs than either the radiomics signature (AUC = 0.806 and 0.779, respectively) or the SCC-Ag (AUC = 0.735 and 0.688, respectively) alone in both the training and validation cohorts.Conclusion:The presented radiomics model can be used for preoperative identification of LNM in patients with early-stage CSCC. Its performance outperforms that of SCC-Ag level analysis alone.Advances in knowledge:A radiomics model incorporated radiomics signature and SCC-Ag levels demonstrated good performance in identifying LNM in patients with early-stage CSCC.