常规MRI纹理分析鉴别诊断眼眶淋巴瘤与炎性假瘤

目的 探讨常规MRI纹理分析在眼眶淋巴瘤和炎性假瘤鉴别诊断中的应用价值。方法 回顾性分析经病理或治疗随访证实的15例眼眶淋巴瘤及17例炎性假瘤患者的MRI资料。应用MaZda软件手工勾画ROI,并提取T1WI、脂肪抑制T2WI及脂肪抑制T1WI增强扫描图像中病变的纹理特征。通过Fisher系数、分类错误概率联合平均相关系数（POE+ACC）、交互信息（MI）及三者联合（FPM）的方法选择最佳纹理参数集合。使用线性判别分析（LDA）和非线性判别分析（NDA）进行纹理分类。比较最佳分类序列上两种病变的纹理特征差异。结果 T1WI及T2WI最佳纹理参数主要源于共生矩阵及游程矩阵,增强T1WI最佳纹理参数主要源于共生矩阵及直方图。T2WI纹理特征鉴别眼眶淋巴瘤及炎性假瘤能力最佳,其中FPM选择纹理特征联合NDA分类的误判率最低,为1.56%。眼眶淋巴瘤T2WI纹理特征参数中的能量及长游程补偿均高于炎性假瘤（P均<0.005）,而熵及短游程补偿均低于炎性假瘤（P均<0.005）。结论 常规MR图像纹理分析可用于鉴别眼眶淋巴瘤和炎性假瘤。     

常规超声和超声造影鉴别诊断眼眶淋巴瘤与炎性假瘤

目的 评价常规超声和超声造影（CEUS）鉴别诊断眼眶淋巴瘤与炎性假瘤的价值。方法 纳入18例单侧眼眶淋巴瘤（淋巴瘤组）和25例单侧炎性假瘤患者（炎性假瘤组），观察2组病灶常规超声特征及CDFI血流信号特点，比较其CEUS动态血管模式曲线（DVPC）和时间-强度曲线（TIC）特点及相关定量参数差异。以病理结果为金标准，评价常规超声及CEUS鉴别诊断准确率。结果 常规超声诊断淋巴瘤、炎性假瘤准确率分别为38.89%（7/18）和36.00%（9/25）。淋巴瘤组DVPC多呈正负两相波形，TIC多呈快进快出模式；而炎性假瘤组DVPC多呈正向波形，TIC多呈快进慢出模式。CEUS诊断淋巴瘤和炎性假瘤准确率分别为55.56%（10/18）和52.00%（13/25）；淋巴瘤组峰值强度（IMAX）明显高于炎性假瘤组（P<0.05），上升时间（RT）及平均通过时间（MTT）均明显低于炎性假瘤组（P均<0.05）。常规超声联合CEUS诊断淋巴瘤、炎性假瘤准确率分别为72.22%（13/18）和68.00%（17/25）。结论 常规超声联合CEUS鉴别诊断眼眶淋巴瘤和炎性假瘤具有重要临床价值。     

基于T1WI及IDEAL-T2WI影像组学模型鉴别腮腺多形性腺瘤和腺淋巴瘤

目的 观察T1WI、IDEAL-T2WI影像组学特征及机器学习模型鉴别腮腺多形性腺瘤（PA）与腺淋巴瘤（AL）的价值。方法 回顾性分析33例腮腺PA和25例AL患者。运用放射组学云平台，于轴位T1WI和IDEAL-T2WI上手动勾画病灶ROI，提取影像组学特征；以方差阈值法、SelectKBest及Lasso算法筛选最优特征。采用随机森林、逻辑回归算法建立机器学习模型，绘制ROC曲线，分析T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI建立模型的诊断效能。结果 T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI分别得到6、9、12个有效特征。基于IDEAL-T2WI联合T1WI建立随机森林模型的诊断效能最高，AUC为0.87，95%CI（0.59，1.00），准确率0.83。结论 基于T1WI、IDEAL-T2WI影像组学特征及机器学习模型可有效鉴别诊断腮腺PA和AL。     

320排CT双入口体部灌注成像对肺内单发性炎性假瘤与周围型肺癌鉴别诊断价值

目的 探讨320排CT双入口体部灌注成像对单发肺炎性假瘤与周围型肺癌的鉴别诊断价值。方法 回顾性分析经病理证实周围型肺癌52例（腺癌28例、鳞癌24例）及炎性假瘤21例,应用CT体部双入口灌注成像获得肺动脉血流量（PF）、支气管动脉血流量（BF）,计算灌注指数（PI）和灌注总量（TLP）,根据拟合时间-密度曲线获得强化达峰时间（TTP）,分析鳞癌、腺癌与炎性假瘤间的差异,评价其诊断炎性假瘤与周围型肺癌的价值。结果 鳞癌、腺癌与炎性假瘤间PF、TTP总体差异均有统计学意义（P均<0.01）。炎性假瘤与周围型肺癌间PF、TLP、TTP差异均有统计学意义（P均<0.01）。TTP诊断肺癌与炎性假瘤的AUC为0.99（P<0.01）,诊断价值高;以TTP=16.3 s作为临界值,敏感度为100％,特异度为95.0%;PF和TLP的AUC分别为0.76（P<0.01）和0.71（P<0.01）,诊断价值中等。结论 炎性假瘤和周围型肺癌均由肺动脉、支气管动脉双重供血;TTP有助于二者的鉴别诊断。     

T2WI全域直方图分析鉴别诊断腮腺多形性腺瘤与腺淋巴瘤

目的 探讨T2WI全域直方图分析鉴别诊断腮腺多形性腺瘤和腺淋巴瘤的价值。方法 回顾性分析经手术病理证实的68例腮腺肿瘤患者的资料,其中多形性腺瘤35例（多形性腺瘤组）、腺淋巴瘤33例（腺淋巴瘤组）。术前行常规MR扫描,应用MaZda软件于轴位T2WI上肿瘤所有层面沿肿瘤边界勾画ROI,行直方图分析,所获参数包括平均值、方差、偏度、峰度和第1、10、50、90、99百分位数,比较2组间的差异,并绘制ROC曲线,评价各参数鉴别诊断2种肿瘤的价值。结果 多形性腺瘤组与腺淋巴瘤组间平均值、方差、偏度、峰度和第10、50、90、99百分位数差异有统计学意义（P均<0.05）,ROC曲线下面积分别为0.769、0.757、0.771、0.776、0.661、0.780、0.781、0.738（P均<0.05）。以平均值鉴别2种肿瘤的敏感度、特异度分别为82.86%和72.73%;方差为72.73%和74.29%;偏度为84.85%和65.71%;峰度为69.70%和74.29%;第10百分位数为60.61%和82.86%;第50百分位数为72.73%和82.86%;第90百分位数为60.61%和94.29%;第99百分位数为85.71%和57.58%。结论 T2WI全域直方图分析鉴别腮腺多形性腺瘤和腺淋巴瘤具有较高价值,其中第50、90百分位数的诊断效能较高。     

MRI纹理分析鉴别诊断肝硬化背景下小肝癌与增生结节

目的 探讨常规MRI纹理分析鉴别诊断肝硬化背景下小肝癌与增生结节的价值。方法 回顾分析经病理证实的33例小肝癌和19例肝增生结节患者的MRI资料。采用MaZda软件手工勾画ROI,提取T1WI、T2WI、频率选择性预脉冲脂肪抑制T2WI及T1WI增强扫描图像中病变的纹理特征。通过Fisher系数、分类错误概率联合平均相关系数（POE+ACC）、交互信息（MI）及三者联合（FPM）的方法选择最佳纹理参数集合。使用原始数据分析（RDA）、主要成分分析（PCA）、线性判别分析（LDA）和非线性判别分析（NDA）进行纹理分类。同时由2名MRI诊断医师共同评估所有影像学资料。比较纹理分析与医师鉴别诊断两种病变结果的差异。结果 52例中,共60个病灶。鉴别小肝癌与增生结节的纹理特征主要来自T2WI,误判率最小为8.33%（5/60）。纹理特征选择方法中,FPM的误判率（8.33%~26.67%）均低于MI （20.00%~38.33%）、Fisher （18.33%~41.67%）和POE+ACC （8.33%~40.00%）。纹理特征分类方法中,NDA判别两种病变的误判率（8.33%~20.00%）均低于RDA （26.67%~41.67%）、PCA （28.33%~43.33%）和LDA （21.67%~45.00%）。影像医师的误判率为23.33%（14/60）,高于采用纹理分析鉴别两种病变的误判率（5/60,8.33%;χ²=58.73,P=0.002）。结论 常规MRI纹理分析可用于鉴别肝硬化背景下小肝癌与增生结节。     

T2WI直方图鉴别诊断脑胶质母细胞瘤与单发转移瘤的价值

目的 探讨T2WI直方图鉴别诊断胶质母细胞瘤（GBM）与单发转移瘤瘤体中的价值。方法 回顾性分析经手术病理确诊的GBM和单发转移瘤患者103例,其中GBM组57例,单发转移瘤组46例。所有患者术前均接受MR检查（T1WI、T2WI、T2-FLAIR和增强后T1WI）。采用Image J软件于肿瘤最大层面手动勾画瘤体边界,计算直方图相关参数,包括均数、标准差、中位数、峰度值和偏度值。采用独立样本t检验比较GBM与脑单发转移瘤的直方图各参数,评价差异有统计学意义参数的诊断效能。结果 GBM组的均数、标准差及中位数均高于单发转移瘤组,差异有统计学意义（P均< 0.05）。均数、标准差及中位数的ROC曲线下面积分别为0.772[95% CI （0.681,0.862）,P<0.001]、0.719[95% CI （0.616,0.822）,P<0.001]和0.767[95% CI （0.674,0.860）,P<0.001]。以均数临界值为509.575,鉴别两种病变的敏感度为0.719,特异度为0.783;以标准差临界值为58.844,鉴别两种病变的敏感度为0.702,特异度为0.652;以中位数临界值为550.500,鉴别两种病变的敏感度为0.719,特异度为0.826。结论 肿瘤瘤体T2WI直方图均数、标准差和中位数均可用于GBM和脑单发转移瘤的鉴别,其中以均数的鉴别诊断效能最佳。     

腮腺多形性腺瘤及腺淋巴瘤的多因素Logistic回归分析

目的 观察腮腺多形性腺瘤及腺淋巴瘤的声像图特征,构建Logistics回归模型鉴别腮腺多形性腺瘤及腺淋巴瘤。方法 回顾性分析第一组患者的超声图像,建立多因素Logistic回归模型,以第二组患者资料验证模型的可行性。结果 经多分类Logistic回归分析,年龄、边界、后方回声3个自变量有助于鉴别多形性腺瘤,以P=0.5为分界,ROC曲线下面积为0.826±0.030(P<0.001)。性别、年龄、无回声区、边界四个自变量有助于鉴别腺淋巴瘤,以P=0.5为分界,ROC曲线下面积为0.969±0.014(P<0.001)。模型预测多形性腺瘤的准确率为56.48%(48/85),敏感度为88.00%(22/25),预测腺淋巴瘤的准确率为58.82%(50/85),敏感度为100%(19/19)。结论 Logistic回归筛选自变量,建立简便、有效的回归模型,对预测腮腺多形性腺瘤及腺淋巴瘤有良好的临床应用价值。     

基于多参数MRI及影像组学建立机器学习模型诊断临床显著性前列腺癌

目的 建立基于多参数MRI（mpMRI）和影像组学特征的机器学习模型,评价其诊断临床显著性前列腺癌（CSPC）的价值。方法 结合纹理分析、MR动态增强定量分析、前列腺影像报告与数据系统（PI-RADS）评分和部分临床资料建立Logistic回归（LR）、逐步回归（SR）、经典决策树（cDT）、条件推断树（CIT）、随机森林（RF）和支持向量机（SVM）模型,运用ROC曲线和决策曲线分析法（DCA）评价上述模型和变量的重要性。结果 验证组中RF模型诊断CSPC的AUC大于SVM、cDT、SR模型（P均<0.05）,RF模型与LR、CIT模型诊断CSPC的AUC差异无统计学意义（P均>0.05）,其余各模型间诊断CSPC的AUC差异无统计学意义（P均>0.05）。概率阈值为16%~91%时,RF模型的净获益最大,优于其他模型;概率阈值为23%~91%时,SVM模型的净获益仅次于RF模型而优于其他模型。前列腺特异性抗原密度（PSAD）和部分纹理分析参数的重要性较高。结论 RF模型诊断CSPC优于其他模型,SVM模型次之。PSAD和纹理分析相关参数诊断CSPC的重要性高于PI-RADS评分和动态增强MRI定量参数。     

机器学习鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌

目的 探讨基于影像组学特征构建的机器学习模型鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌的可行性。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌患者，其中浸润性腺癌32例，非浸润性腺癌55例（原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾画ROI，A.K.软件提取影像组学特征。筛选有意义的特征参数，以Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数，分别构建支持向量机（SVM）、随机森林（RF）及逻辑回归（LR）3种机器学习模型，采用十折交叉验证法得到最优模型，绘制ROC曲线，评价3种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、LR 3种机器学习模型可有效鉴别浸润性腺癌与非浸润性腺癌，准确率分别为93.30%、86.70%和83.30%，AUC分别为0.94、0.92和0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，可于术前有效鉴别肺浸润性腺癌与非浸润性腺癌。     

基于MRI影像组学预测宫颈癌淋巴血管间隙浸润

目的 评估基于MRI影像组学模型术前预测宫颈癌淋巴血管间隙浸润(LVSI)的价值.方法 回顾性分析123例经病理证实宫颈癌患者,根据病理结果分为LVSI+(n=61)及LVSI-(n=62).基于T2WI及动脉期对比增强T1WI(CE-T1WI)提取影像组学特征,按7:3比例将数据分为训练集(n=87)和验证集(n=3...     

3.0T磁共振T1WI对比增强图像纹理分析鉴别眼眶淋巴瘤与炎性假瘤

目的:探讨纹理分析在鉴别眼眶淋巴瘤与炎性假瘤中的价值。方法:纳入经手术病理证实的眼眶淋巴瘤25例和炎性假瘤24例,使用MaZda软件提取T 1WI对比增强(contrast-enhanced T 1-weighted images,CE-T 1W)肿瘤纹理特征。比较两组游程长矩阵(run-length matrix,RLM)的20个纹理特征参数,对差异有统计意义的参数进行主成分分析(principal component analysis,PCA)。采用多变量logistic回归模型分别对在两组间差异有统计学意义的特征参数及主成分进行建模,绘制受试者工作特征曲线(receiver operating characteristic curve,ROC)以评价模型效能。结果:淋巴瘤组灰度不均匀度(grey level non-uniformity,GLNU)、长游程优势(long run emphasis,LRE)的4个参数高于炎性假瘤(P<0.001),短游程因子(short run emphasis,SRE)、游程图像分数(fraction of image in runs,FIR)的4个参数低于炎性假瘤组(P<0.001);游程长不均匀度(run length non-uniformity,RLNU)的4个参数在两组间差异无统计学意义(P>0.05)。在两组间差异有统计学意义的参数中,以GLNU的参数建立的多变量logistic回归模型的诊断效能最高,灵敏度、特异度及曲线下面积(area under curve,AUC)分别为95.9%、72.0%、0.905;PCA提取出的2个主成分建立的多变量logistic回归模型的灵敏度、特异度及AUC分别为87.5%、88.0%、0.913。结论:基于CE-T 1W的RLM特征可有效鉴别眼眶淋巴瘤与炎性假瘤,其中以GLNU的诊断效能最高。     

MRI纹理分析评价注意缺陷多动障碍

目的 观察MRI纹理分析诊断注意缺陷多动障碍(ADHD)及分型的效果.方法 基于纽约大学医学中心公开MRI数据选取88例ADHD患者(ADHD组)及67名健康受试者(对照组),将ADHD组分为注意力缺陷为主型(ADHD-D亚组(n=32)和混合型(ADHD-C)亚组(n=56),提取并比较受试者脑白质和脑灰质的纹理特征...     

多序列MRI纹理分析预测宫颈癌新辅助化学治疗疗效

目的 观察不同序列MRI纹理特征分析预测宫颈癌新辅助化学治疗（NACT）疗效的价值。方法 回顾性分析32例接受NACT的宫颈癌患者，于NACT开始前及结束后各行1次盆腔MR，根据实体瘤疗效评价标准（RECIST）将患者分为有效组（完全缓解和部分缓解）及无效组（疾病稳定和疾病进展）。于治疗前MR T2WI、DWI及增强图像上分别勾画ROI，获得纹理参数，每组图像共采集106个纹理特征，比较2组参数差异。对每组选取诊断效能较高且相关性小的纹理特征参数进行Logistic回归分析，获得综合参数；绘制受试者工作特征（ROC）曲线，得到各序列单因素及回归模型的预测价值，并对各序列进行比较。结果 治疗前T2WI、DWI和增强图像纹理特征中，分别有22、13和36个组间差异存在统计学意义（P均<0.05）；T2WI、DWI和增强图像单个纹理特征预测宫颈癌NACT效果的ROC曲线下面积（AUC）分别为0.609~0.839、0.745~0.813及0.552~0.786，综合模型预测疗效的AUC分别为0.839、0.885及0.766。结论 不同序列MRI纹理分析预测NACT对于宫颈癌的疗效具有较高价值，以DWI最佳。     

基于分形特征序列的乳腺X线图像分类方法

目的表征乳腺图像中肿块部分纹理特征,通过纹理分析实现乳腺图像中肿块部分与正常腺体部分的分类。方法应用分形特征值表征乳腺图像纹理特征,利用多级分形特征提取法将乳腺图像分解成一系列细节图像,提取出多个分形特征值;利用分类精度、ROC曲线及曲线下面积(AUC)进行特征选择构建分形特征序列,最后应用支持向量机(SVM)方法进行分类。结果对60幅图像的可疑病变区域进行分形特征序列提取分析,SVM交叉验证分类精度达84.50%。结论基于分形维数的乳腺图像分类方法不仅能对肿块与正常腺体进行图像分类,还可有效表征乳腺图像的纹理信息,有助于提高乳腺肿块诊断的准确率。     

基于纹理特征的多序列MRI的肝硬化识别研究

目的 采用基于纹理特征的十倍交叉验证法的神经网络分类器,探讨多序列MRI在肝硬化诊断识别中的价值。方法 将5个序列MR图像（T1WI、T2WI、增强动脉期、门静脉期和平衡期）分成正常肝脏组、较早期肝硬化组及中晚期肝硬化组,手动获取ROI;采用灰度共生矩阵提取ROI的56个纹理特征参数;采用十倍交叉验证法的BP网络分类器分别分类识别3组肝脏组织。结果 门静脉期图像对正常肝脏、较早期肝硬化及中晚期肝硬化的分类效果最好,正确率为87.62%（92/105）,T2WI分类效果最差,正确率为78.33%（47/60）,T1WI、动脉期和平衡期图像居两者之间。结论 采用基于纹理特征的十倍交叉验证法的神经网络分类器可以区分正常肝脏、较早期和中晚期肝硬化MRI;在基于多序列MRI的肝硬化识别研究中,门静脉期图像有可能成为首选。     

MRI纹理特征分析预测浸润性乳腺癌脉管浸润

目的 评估MRI纹理特征预测浸润性乳腺癌（IBC）脉管浸润（LVI）的价值。方法 将204例接受MR检查并经术后病理证实IBC患者分为训练组80例（LVI阳性亚组30例、阴性亚组50例）、内部验证组66例（LVI阳性亚组21例、阴性亚组45例）和外部验证组58例（LVI阳性亚组20例、阴性亚组38例）。自临床及常规MRI征象中筛选LVI独立危险因素，构建主观MRI征象模型。对MRI所示病灶进行分割、纹理特征提取和筛选，构建纹理特征模型。采用受试者工作特征（ROC）曲线评价2种模型的诊断效能。结果 瘤周水肿类型（OR=3.82）和MRI腋窝淋巴结状态（OR=7.63）是LVI的独立危险因素。自4 300个纹理特征中筛选出GLRLM_LRHGE_1_0.67_Equal_32、GLRLM_GLV_1_0.67_Equal_32和GLRLM_GLV_1_0.67_Equal_64共3个有效特征构建纹理模型。内、外部验证组中，纹理特征模型诊断LVI的准确率分别为86.36%和79.31%、敏感度为66.67%和60.00%、特异度为95.56%和89.47%、AUC为0.86和0.84，诊断效能均高于主观MRI征象模型（P均=0.04）。结论 根据MRI纹理特征可在术前有效预测IBC LVI状态。