不同年资医师应用自动乳腺超声诊断系统结合CAD对乳腺恶性病灶的诊断价值

目的探讨不同年资医师应用计算机辅助诊断系统(CAD)辅助自动乳腺超声诊断系统(ABUS)对于诊断乳腺恶性病灶的价值。方法收集行ABUS检查的乳腺病灶患者1452例,其中,恶性270例,共282个病灶;良性674例,共695个病灶;阴性508例。比较6名医师(3名低年资医师与3名高年资医师)使用CAD系统前后的诊断敏感性、特异性、受试者工作特征(ROC)曲线下面积及平均阅读时间。结果应用CAD前,低年资医师与高年资医师诊断恶性病灶的敏感性分别为87%、93%,使用CAD后均提高至94%,低年资医师使用CAD前、后诊断敏感性比较差异有统计学意义(P<0.05),高年资医师差异无统计学意义。6名医师在使用CAD系统前后诊断特异性无变化。低年资医师在使用CAD系统后的诊断准确率有所提高,曲线下面积由0.85提高至0.89,差异有统计学意义(P<0.05);而高年资医师在使用CAD系统后,虽然ROC曲线下面积由0.91提高至0.92,但差异无统计学意义。所有医师使用CAD后的平均阅读时间均有不同程度的延长,差异有统计学意义(P<0.05)。结论虽然使用CAD后的平均阅读时间有所延长,但在可接受范围内,ABUS结合CAD能大大提高超声医师诊断乳腺恶性病灶的准确率和敏感性,且对低年资医师帮助更大。     

自动乳腺超声诊断系统结合计算机辅助检测乳腺恶性肿瘤敏感度的影响因素分析

目的评估影响计算机辅助检测（CAD）识别自动乳腺超声诊断系统（ABUS）乳腺恶性肿瘤敏感度的因素。 方法收集自2016年1月至2017年2月于空军军医大学西京医院行ABUS检查并经外科手术或组织学活检病理证实的乳腺恶性肿瘤患者232例，共240个恶性病灶。所有病例均经CAD软件检测，统计CAD对病灶的总敏感度，并统计分析病灶组织学类型、最大径、距乳头距离、距皮肤距离及象限等因素与CAD敏感度之间的关系。以外科手术或组织学活检病理结果为诊断"金标准"，采用χ²检验分析病灶组织学类型、最大径、距乳头距离、距皮肤距离、象限、病灶边缘特征等因素与CAD敏感度的关系。 结果CAD对恶性病灶的总敏感度为85%（204/240），对不同病理学类型的敏感度分别为：浸润性导管癌89.0%（186/209）、导管原位癌53.9%（14/29）、黏液癌75.0%（3/4）、恶性叶状肿瘤100%（1/1），差异有统计学意义（χ²=18.836，P<0.001）。病灶最大径、距乳头距离、距皮肤距离及象限均与CAD敏感度之间比较，差异无统计学意义（P>0.05）。病灶距皮肤距离、病灶边缘特征与CAD对浸润性导管癌的敏感度之间比较，差异有统计学意义（P<0.05）。 结论CAD对恶性病灶的敏感度较高（85.0%），尤其是对浸润性导管癌的检出（89.0%），医师在借助CAD读图时，应注意是否有遗漏的导管原位癌、位置深或边缘模糊的浸润性导管癌。     

计算机辅助诊断系统对甲状腺结节的诊断价值研究

目的比较计算机辅助诊断（CAD）系统与多名超声医师对甲状腺结节的诊断效能，初步探讨CAD软件的诊断价值及分析甲状腺结节超声特征对CAD软件及超声医师诊断的影响。 方法选取2016年2月至2018年6月电子科技大学医学院附属四川省肿瘤医院医学影像信息（PACS）系统中甲状腺结节灰阶超声图像50张，采用CAD软件及111名超声医师同时对50张甲状腺结节图像进行诊断。以病理结果为"金标准"分别计算CAD软件，准确率最高的高年资医师、准确率最高的低年资医师鉴别诊断甲状腺结节的敏感度、特异度、阳性预测值、阴性预测值，并绘制受试者工作特征曲线（ROC曲线）；各组间准确率的比较采用McNemar检验，ROC曲线下面积的比较采用Z检验。 结果CAD软件、准确率最高的高年资医师、准确率最高的低年资医师诊断甲状腺结节良恶性的敏感度、特异度、阳性预测值、阴性预测值及准确性分别为76.9%、87.5%、86.9%、77.8%、82.0%；86.9%、77.8%、76.9%、87.5%、82.0%；82.6%、70.4%、70.4%、82.6%、76%；CAD软件与高年资医师诊断准确率相同且均高于低年资医师，差异有统计学意义；CAD软件与高年资医师ROC曲线下面积一致且均大于低年资医师，但差异均无统计学意义（P均>0.05）。医师误诊的病例主要为桥本甲状腺炎以及微小低回声病灶伴点状强回声的甲状腺结节，而分布位置以及结节内粗大钙化灶伴后方宽大声影造成了CAD软件的误诊。 结论CAD软件诊断甲状腺结节的准确率与高年资医师一致，高于低年资医师；甲状腺结节的分布位置以及结节内粗大钙化灶伴后方宽大声影可能是影响CAD软件诊断准确性的因素；而桥本甲状腺炎以及微小低回声病灶伴点状强回声可能会影响超声医师对甲状腺结节的正确诊断。     

人工智能系统评估BI-RADS 4类乳腺肿块的应用价值

目的探讨人工智能（AI）系统在乳腺影像报告与数据系统（BI-RADS）4类乳腺肿块良恶性鉴别诊断中的价值。 方法回顾性选取2018年1月至2020年2月于青岛市市立医院超声科初诊为BI-RADS 4类乳腺肿块的女性患者226例。所有患者均行常规超声检查,并经手术或穿刺活检取得病理结果。AI系统与不同年资乳腺超声专科医师（2、4、6年）分别对乳腺肿块超声图像进行分析并判断良恶性,应用四格表计算AI系统及不同年资医师对乳腺癌的诊断准确性,采用χ²检验比较AI系统与不同年资医师对不同大小乳腺癌肿块的诊断准确性。 结果226例乳腺肿块均经病理证实,其中良性病灶96例,恶性病灶130例。AI系统诊断乳腺恶性肿块的敏感度、特异度、阳性预测值、阴性预测值和准确性分别为93.84%、92.71%、94.57%、91.75%、93.36%,均高于不同年资医师。AI系统与不同年资医师诊断≤0.5 cm、＞0.5~1.0 cm、＞1.0~1.5 cm的乳腺癌肿块,其诊断准确性差异均有统计学意义（P=0.029、0.011、0.002）;诊断＞1.5~2.0 cm、＞2.0 cm的乳腺癌肿块,其诊断准确性差异均无统计学意义（P=0.117、0.668）。AI系统与2年资医师诊断≤0.5 cm、＞0.5~1.0 cm、＞1.0~1.5 cm的乳腺癌肿块,其诊断准确性差异均有统计学意义（P=0.006、0.002、0.001）。 结论AI系统在BI-RADS 4类乳腺肿块良恶性判断中具有较高的诊断价值,尤其对直径≤1.5 cm的乳腺癌的诊断;其可辅助低年资超声医师提高乳腺癌的诊断率。     

自动乳腺超声诊断系统在乳腺微小结节良恶性鉴别诊断中的价值

目的探讨自动乳腺超声诊断系统(ABUS)在乳腺微小结节良恶性鉴别诊断中的价值。方法回顾性分析我院经病理证实的75例乳腺微小结节患者,共计96个结节,最大径均≤1.0 cm,其中最大径0.5～1.0 cm者65个,0.5 cm者31个;比较二维超声检查与ABUS在微小结节检出率及其在良恶性鉴别中的诊断效能。结果二维超声共检出89个结节(92.71%),分别为0.5～1.0 cm 62个,0.5 cm 27个;ABUS检出96个结节(100%),ABUS检出率高于二维超声检出率(P0.05)。二维超声鉴别诊断乳腺微小恶性结节的敏感性为80.77%(21/26),特异性为95.24%(60/63),诊断准确率为91.01%(81/89);ABUS诊断乳腺微小恶性结节的敏感性为89.29%(25/28),特异性为98.53%(67/68),诊断准确率为95.83%(92/96),两种检查方法诊断敏感性和准确率比较差异均有统计学意义(均P0.05)。结论 ABUS较二维超声能够更准确地鉴别诊断乳腺微小结节良恶性。     

常规超声与S-Detect技术在乳腺病灶良恶性鉴别诊断中的效能比较

目的探讨常规超声与S-Detect技术在乳腺病灶良恶性鉴别诊断中的效能比较。 方法选取2018年6月至7月在中国医科大学附属第一医院经手术病理证实的367例乳腺病灶患者，共468个病灶。所有病灶分别由3名不同年资（1、4、7年）乳腺超声医师进行二维超声成像（静态图像及动态图像）的两次乳腺超声影像报告与数据系统（BI-RADS）分类以及计算机S-Detect分类，通过绘制不同BI-RADS分类诊断组的ROC曲线，确定最佳诊断界值，以进行各组BI-RADS分类的良恶性统计，以病理结果为"金标准"，应用诊断试验四格表分别计算不同BI-RADS分类诊断组及S-Detect分类组对乳腺病灶良恶性诊断的敏感度、特异度、准确性、阳性预测值及阴性预测值，采用χ²检验分别将各BI-RADS分类组诊断效能与S-Detect分类组进行比较。绘制各组的ROC曲线，应用Z检验分别将各BI-RADS分类组ROC曲线下面积与S-Detect分类组进行比较。 结果468个乳腺病灶术后病理诊断良性313个，恶性155个。通过绘制不同BI-RADS分类诊断组的ROC曲线，确定最佳诊断界值为BI-RADS 4a类。S-Detect分类诊断敏感度93.5%明显高于低年资医师静态图像BI-RADS分类诊断69.0%及低年资医师动态录像BI-RADS分类诊断72.3%，差异有统计学意义（χ²=30.627、24.785，P均<0.001），S-Detect分类诊断特异度83.7%，明显低于中年资医师动态图像BI-RADS分类诊断92.0%，差异有统计学意义（χ²=10.124，P=0.001），其余各诊断效能差异均无统计学意义（P均>0.05）。S-Detect分类诊断曲线下面积0.917高于低年资医师两次（静态图像及动态图像）BI-RADS分类0.790、0.803，差异均有统计学意义（Z=5.271、4.693，P均<0.0001）；S-Detect分类诊断曲线下面积与中年资医师静态BI-RADS分类0.917比较，差异无统计学意义（P>0.05），低于中年资医师动态BI-RADS分类0.941，差异有统计学意义（Z=4.327，P<0.0001）；S-Detect分类诊断曲线下面积均低于高年资医师两次BI-RADS分类0.946、0.959，差异均有统计学意义（Z=4.225、5.477，P均<0.0001）。 结论S-Detect分类技术可以达到中年资医师静态图像BI-RADS分类的诊断水平，但低于其动态图像的诊断水平。     

超声人工智能辅助诊断系统用于甲状腺髓样癌

目的 以甲状腺乳头状癌（PTC）为对照,对比超声甲状腺人工智能（AI）辅助诊断系统（AI 辅助诊断系统）与不同年资超声医师诊断甲状腺髓样癌（MTC）的效果。方法 纳入经病理证实的63枚MTC、70枚PTC和62枚良性结节。以AI辅助诊断系统分析并识别结节,将恶性概率值 ≥ 0.40者诊断为恶性结节;由高、中及初级职称医师各1名利用我国甲状腺影像报告和数据系统（C-TIRADS）对甲状腺结节进行分类;对比两种方法诊断MTC及PTC的效能。结果 AI辅助诊断系统诊断MTC和PTC的敏感度、特异度、阳性预测值、阴性预测值、准确率及曲线下面积（AUC）均低于3名医师;高、中级职称医师与AI辅助诊断系统诊断MTC和PTC的AUC差异均有统计学意义（P均<0.01）,初级职称医师与AI辅助诊断系统AUC差异均无统计学意义（P均>0.05）。AI辅助诊断系统诊断MTC的敏感度、特异度、阳性预测值、阴性预测值、准确率及AUC均低于其诊断PTC,但AUC差异无统计学意义（P>0.05）。结论 超声甲状腺AI辅助诊断系统诊断MTC效能较高。     

计算机辅助检测和诊断系统对甲状腺结节细针穿刺活检的评估价值

目的探讨计算机辅助检测和诊断（CAD）系统评估甲状腺结节是否应行细针穿刺活检的临床应用价值。 方法收集2019年2月至10月哈尔滨医科大学附属第一医院106例欲行细针穿刺活检的甲状腺结节,进行CAD系统、高年资、低年资超声医师评估并按照美国甲状腺学会指南建议穿刺与否,以细针穿刺活检病理结果为“金标准”进行判读。若病理结果为恶性,则判定建议细针穿刺活检有意义;若病理结果为良性,则判定建议细针穿刺活检无意义,分别计算3种方式的敏感度、特异度、阳性预测值、阴性预测值和准确性,比较3种方式的评估效能;按照结节大小将其分为3组：1.0 cm~＜1.5 cm组、1.5 cm~＜2.0 cm组和≥2.0 cm组,研究其对CAD软件评估甲状腺结节穿刺与否这一效能的影响,比较不同组的敏感度、特异度和准确性的差异。3种方式间及各组间差异的比较均采用McNemar检验法。 结果CAD软件的评估效能与高年资医师相对比,CAD软件的敏感度低,而特异度高,差异均有统计学意义（71.2% vs 84.6%,P=0.039;77.8% vs 61.1%,P=0.049）;CAD软件的评估效能与低年资医师相对比,其敏感度、特异度均高于低年资医师,差异均有统计学意义（71.2% vs 55.8%,P=0.021;77.8% vs 64.8%,P=0.039）;CAD软件的评估准确性与高年资医师相近,但大于低年资医师（74.5% vs 60.4%）,差异有统计学意义（P=0.001）。CAD软的评估效能与结节大小有关,当结节最大直径为1.0 cm~＜1.5 cm时,CAD软件的敏感度最高（82.4% vs 40.0% vs 62.5%）,差异具有统计学意义（P=0.027）;当结节最大直径≥2.0 cm时,CAD软件具有最高的特异度及准确性（91.7% vs 80.0% vs 53.3%;84.4% vs 81.6% vs 48.0%）,差异均具有统计学意义（P=0.023、0.002）。 结论CAD系统能对甲状腺结节给出合理的细针穿刺活检建议,其评估准确性与高年资医师相近且高于低年资医师,结节大小能影响其评估效能。     

乳腺X线摄影软、硬拷贝读片方式对低比度背景下小乳腺癌诊断效能的比较研究

目的：评价软、硬拷贝两种读片方式对乳腺X线摄影低对比度背景下的小乳腺癌诊断效能的影响,探讨相关诊断系统的具体诊断效能.方法：从PACS系统中在线选取乳腺X线摄影的影像图56幅,其中病理诊断为恶性的29幅,诊断为增生病变的27幅.高年资、中年资、低年资的乳腺诊断医生各2名,分别在胶片、高分辨率显示器上读图、描述.对于结果依据描述采用BI-RADS分级.结果：对于乳腺X线摄影,高年资医师使用软、硬拷贝两种读片方式的ROC曲线下面积（AUC）分别为0.707、0.765,中年资医师分别为0.814、0.709,低年资医师分别为0.667、0.761.在相同读片方式上不同年资的医师之间及同年资医师不同读片方式上,对乳腺病变的检出效能差异均无统计学意义（p＞0.05）.结论：高、中、低年资乳腺诊断医生对致密型乳腺小乳腺癌的诊断效能差异无显著性;相同年资乳腺诊断医生对软、硬拷贝两种不同读片方式检测乳腺病变的诊断效能差异无显著性.致密型乳腺早期小乳腺癌可以通过乳腺X线摄影进行诊断和筛查.     

ABUS联合常规超声在非肿块型乳腺癌中的诊断价值

目的 分析非肿块型乳腺癌在常规超声及自动乳腺全容积成像诊断系统（ABUS）的超声图像特征,探讨ABUS在非肿块型乳腺病变中的诊断价值。方法 回顾性分析106例经病理确诊的非肿块型乳腺病变,由两位高年资医师分别对常规超声图像、ABUS联合常规超声图像进行阅片并给出BI-RADS分类,通过病理比较,分析两种方法的诊断准确性。结果 106例非肿块型乳腺病变中,恶性病变60例（56.6%）,非恶性病变46例（43.4%）。基于常规超声图像的诊断准确率为75.5%,基于常规超声图像结合ABUS的诊断准确率为87.7%,差异有统计学意义（P<0.05）。非肿块型乳腺癌在常规超声上多表现为伴或不伴微钙化的低回声区,病理显示恶性中以导管内癌居多。ABUS冠状面有助于提高对病变边缘及微钙化的显示。结论 常规超声结合ABUS对提高非肿块型乳腺癌的诊断准确率有积极意义。     

Deformable mapping using biomechanical models to relate corresponding lesions in digital breast tomosynthesis and automated breast ultrasound images

This work investigates the application of a deformable localization/mapping method to register lesions between the digital breast tomosynthesis (DBT) craniocaudal (CC) and mediolateral oblique (MLO) views and automated breast ultrasound (ABUS) images. This method was initially validated using compressible breast phantoms. This methodology was applied to 7 patient data sets containing 9 lesions. The automated deformable mapping algorithm uses finite element modeling and analysis to determine corresponding lesions based on the distance between their centers of mass (d_COM) in the deformed DBT model and the reference ABUS model. This technique shows that location information based on external fiducial markers is helpful in the improvement of registration results. However, use of external markers are not required for deformable registration results described by this methodology. For DBT (CC view) mapped to ABUS, the mean d_COM was 14.9 ± 6.8 mm based on 9 lesions using 6 markers in deformable analysis. For DBT (MLO view) mapped to ABUS, the mean d_COM was 13.7 ± 6.8 mm based on 8 lesions using 6 markers in analysis. Both DBT views registered to ABUS lesions showed statistically significant improvements (p ≤ 0.05) in registration using the deformable technique in comparison to a rigid registration. Application of this methodology could help improve a radiologist's characterization and accuracy in relating corresponding lesions between DBT and ABUS image datasets, especially for cases of high breast densities and multiple masses.     

Breast Cancer Classification in Automated Breast Ultrasound Using Multiview Convolutional Neural Network with Transfer Learning

To assist radiologists in breast cancer classification in automated breast ultrasound (ABUS) imaging, we propose a computer-aided diagnosis based on a convolutional neural network (CNN) that classifies breast lesions as benign and malignant. The proposed CNN adopts a modified Inception-v3 architecture to provide efficient feature extraction in ABUS imaging. Because the ABUS images can be visualized in transverse and coronal views, the proposed CNN provides an efficient way to extract multiview features from both views. The proposed CNN was trained and evaluated on 316 breast lesions (135 malignant and 181 benign). An observer performance test was conducted to compare five human reviewers' diagnostic performance before and after referring to the predicting outcomes of the proposed CNN. Our method achieved an area under the curve (AUC) value of 0.9468 with five-folder cross-validation, for which the sensitivity and specificity were 0.886 and 0.876, respectively. Compared with conventional machine learning-based feature extraction schemes, particularly principal component analysis (PCA) and histogram of oriented gradients (HOG), our method achieved a significant improvement in classification performance. The proposed CNN achieved a >10% increased AUC value compared with PCA and HOG. During the observer performance test, the diagnostic results of all human reviewers had increased AUC values and sensitivities after referring to the classification results of the proposed CNN, and four of the five human reviewers’ AUCs were significantly improved. The proposed CNN employing a multiview strategy showed promise for the diagnosis of breast cancer, and could be used as a second reviewer for increasing diagnostic reliability.     

基于自动乳腺容积扫描、乳腺X线摄影及MRI的BI-RADS分类鉴别乳腺良恶性肿块

目的比较基于自动乳腺容积扫描(ABVS)、乳腺X线摄影(MMG)及MRI的BI-RADS分类鉴别乳腺良恶性肿块的价值。方法回顾性分析94例乳腺肿块患者(104个病灶)的ABVS、MMG及MRI资料,根据第五版BI-RADS标准评估肿块并进行分类。以病理结果为标准,绘制ABVS、MMG、MRI的BI-RADS分类鉴别乳腺良恶性肿块的ROC曲线,比较3种方法的AUC、敏感度和特异度差异。结果104个乳腺肿块中,良性59个(56.73%),恶性45个(43.27%)。基于ABVS与基于MRI的BI-RADS分类鉴别乳腺良恶性肿块的AUC均为0.93,差异无统计学意义(Z=0.05,P=0.96),均高于MMG(0.82)(Z=2.74、3.32,P均<0.01)。3种方法诊断的最佳截断值均为BI-RADS 4a,ABVS的敏感度(91.11%)与MRI(88.89%)差异无统计学意义(χ²=0.12,P=0.73),且均高于MMG(71.11%)(χ²=5.87、4.44,P均<0.05);ABVS、MRI及MMG的特异度分别为86.44%、89.83%及83.05%,差异均无统计学意义(P均>0.05)。结论基于ABVS、MRI的BI-RADS分类鉴别乳腺良恶性肿块的效能相当,且均高于MMG。     

超声造影定量参数与甲状腺乳头状癌组织中微血管密度、颈部淋巴结转移的关系

目的:探究超声造影(contrast-enhanced ultrasound,CEUS)定量参数与甲状腺乳头状癌(papillary thyroid carcinoma,PTC)组织中微血管密度(microvessel density,MVD)、颈部淋巴结转移的关系。方法:抽取2016年9月至2019年1月河南省中医药研究院附属医院手术病理确诊的75例PTC患者,根据颈部淋巴结病理结果分为转移组(24例)、未转移组(51例)。术前均行CEUS检查,获得PTC结节内及周围正常甲状腺组织相关血流灌注参数,取PTC结节、正常组织病理标本经免疫组织化学染色获取MVD,并进行统计学分析。结果:PTC结节达峰时间(time peak,TP)、平均渡越时间(mean transit time,MTT)显著高于周围正常组织,峰值强度(peak intensity,PI)及曲线下面积(area under the curve,AUC)显著低于周围正常组织(P<0.05),且MVD显著低于周围正常组织(P<0.05)。Spearman秩相关性分析显示PTC结节的造影参数TP,MTT与MVD无明显相关性(P>0.05),而PI,AUC与MVD明显正相关(P<0.05)。与未转移组相比,转移组PI,AUC,MVD显著增高(P<0.05),TP,MTT未见明显差异(P>0.05)。PI,AUC预测颈部淋巴结转移的受试者工作特征(receiver operating characteristic,ROC)的AUC分别为0.864,0.877,确定临界值后PI和AUC预测颈部淋巴结转移的敏感度均≥75.0%,特异度均为88.2%。多因素logistic同归分析显示病灶数目、肿瘤大小、PI和AUC为预测颈部淋巴结转移的独立危险因素(P<0.05)。结论:CEUS血流灌注参数PI、AUC与PTC组织中MVD显著相关,并对颈部淋巴结转移有一定预测价值,可作为PTC术前评估的无创性方法。     

实时剪切波弹性成像调整圆形Q-Box法与手动描绘Q-Box法鉴别诊断乳腺良恶性病变

目的 比较实时剪切波弹性成像（SWE）技术探讨调整圆形Q-Box法和手动描绘Q-Box法鉴别诊断乳腺良恶性病变的价值。方法 选取经SWE检查并经病理证实的乳腺肿物患者133例,共152个病灶,其中良性病灶115个,恶性病灶37个。分别采用调整圆形Q-Box法和手动描绘Q-Box法选取ROI,测量弹性模量平均值（E_mean）、弹性最大值（E_max）和弹性模量离散度值（SD）,并进行统计学分析。结果 两种方法测量恶性病灶的E_mean、E_max、SD均高于良性病灶（P均<0.05）。两种方法测量所有病灶E_mean、E_max、SD的差异均无统计学意义（P均>0.05）。两种方法测量E_mean、E_max、SD的AUC差异均无统计学意义（P均>0.05）。调整圆形Q-Box法测量E_mean的AUC较SD和E_max的AUC小（P均<0.05）,手动描绘Q-Box法测量E_mean的AUC较SD的AUC小（P<0.05）,余相同测量方法测量不同弹性模量的AUC两两比较,差异均无统计学意义（P均>0.05）。结论 调整圆形Q-Box法鉴别诊断乳腺良恶性病变的诊断效能与手动描绘Q-Box法相似,E_max与SD诊断效能相似。     

老年2型糖尿病合并冠心病与非糖尿病冠状动脉造影分析

目的　了解 2型糖尿病合并冠心病的老年患者与非糖尿病冠心病患者冠状动脉病变的特点。方法　对6 4例 2型糖尿病合并冠心病的老年患者与 1 2 2例非糖尿病冠心病患者行冠状动脉造影并将结果进行比较分析。结果　两组病变血管数目、平均病变血管支数、弥漫性方面差异有统计学意义 (P <0 .0 0 5 ,P <0 .0 0 1 ,P <0 .0 1 ) ,而且两组在冠状动脉病变总记分间比较差异也有统计学意义 (P <0 .0 1 ) ,但病变血管狭窄程度方面差异无统计学意义(P >0 .0 5 )。结论　 2型糖尿病合并冠心病患者病变血管数目较多 ,血管病变弥漫。     

体素内不相干运动成像定量评估慢性移植肾功能不全

目的 观察弥散加权成像体素内不相干运动（IVIM）定量评估慢性移植肾功能不全（CAD）的价值。方法 前瞻性纳入104例CAD患者,根据估算肾功能受损程度分为CAD 1、2、3组（n=11、61、32）;另以36名健康志愿者为对照组。比较组间及组内肾皮、髓质IVIM参数真性弥散系数（D值）、微循环灌注弥散系数（D^*值）及灌注分数（f值）,评价IVIM参数诊断CAD的价值。结果 移植肾皮质D值在各CAD组均低于对照组（P均<0.05）,且在1组、2组、3组依序减低（P均<0.05）;CAD 2组、3组移植肾髓质D值均低于对照组（P均<0.05）。各CAD组移植肾皮质D^*值均低于对照组（P均<0.05）,CAD 2组、3组肾髓质D^*值均低于对照组（P均<0.05）。CAD 2组、3组移植肾皮质、髓质f值均低于对照组（P均<0.05）,CAD 3组移植肾皮质f值低于1组及2组（P均<0.05）。各组肾皮质D值、D^*值、f值均高于髓质（P均<0.05）。皮质IVIM联合模型诊断CAD的曲线下面积（AUC）为0.96,优于D^*值及f值（AUC=0.74、0.83,P均<0.05）而与D值（AUC=0.94）差异无统计学意义（P=0.32）。髓质IVIM联合模型诊断CAD的AUC为0.91,优于D值、D^*值及f值（AUC=0.80、0.67、0.80,P均<0.05）。结论 IVIM参数可定量评估CAD。