多层螺旋CT灌注成像在肺结节鉴别诊断中的价值

目的:探讨多层螺旋CT灌注成像在肺结节的良恶性鉴别诊断中的价值.方法:对36例肺结节患者进行灌注扫描,测定肺肿块的血容积(BV)、血流量(BF)、平均通过时间(MTT)、表面通透性(PS)的数值和时间-密度曲线(TDC).结果:肺恶性结节的灌注参数均高于肺良性结节和炎性结节,在统计学上有显著性差异(P<0.05).恶性结节、炎性结节、良性结节的TDC形态不同.结论:肿块CT灌注成像提供了肺结节的血流模式的定量信息,对鉴别肺结节的良恶性有较大价值.     

基于纹理分析的肺结节良恶性鉴别诊断模型的可视化研究

目的 通过CT纹理分析(CTTA)技术分析肺结节的良恶性特征,基于CTTA参数构建预测肺结节良恶性的鉴别诊断模型.方法 将经病理证实的153例肺结节患者(2015年12月至2016年10月95例作为训练集,2016年10月至2017年4月58例作为测试集)纳入CTTA研究,其中结节为良性的患者69例,结节为恶性的患者8...     

64层螺旋CT灌注成像对孤立性肺结节的鉴别诊断价值

目的 探讨64层螺旋CT灌注成像对孤立性肺结节的良恶性鉴别诊断的应用价值.方法 对38例孤立性肺结节患者(肺结节直径≤3 cm)进行CT灌注扫描,测定肺内病灶的血容量(BV)、血流量(BF)、平均通过时间(MTT)、表面透通性(PS)、对比剂峰值时间(TTP)和时间-密度曲线(TDC).测量孤立性肺结节增强前的CT值、强化净增值.结果 肺恶性结节的CT灌注参数值(BV、BF、PS)、强化值均高于肺良性结节,均有显著性差异(P<0.05),炎性结节的强化净增值与恶性结节无显著性差异(P>0.05),恶性结节、炎性结节、良性结节的TDC形态不同.结论 多层CT灌注成像能提供孤立性肺结节的多种相关生理信息,有助于孤立性肺结节的诊断和鉴别诊断.     

ＣＴ灰度直方图对实性肺结节的鉴别诊断价值

目的:探讨CT灰度直方图对实性肺结节良恶性的鉴别诊断价值.方法:回顾性分析经组织病理学或临床随访证实的110例实性肺结节患者的CT图像,其中恶性55例,良性55例.选取肺结节最大CT平扫轴面图像勾画感兴趣区并采用Matlab软件生成灰度直方图.采用Mann-Whitney U检验比较良恶性结节灰度直方图参数的差异.建立ROC曲线并以组织病理学或临床随访结果为依据计算曲线下面积(AUC).使用最佳临界值评价灰度直方图诊断良恶性肺结节的敏感度、特异度、准确度、阳性预测值及阴性预测值.结果:恶性结节的偏度(0.281±0.181)大于良性结节(-0.592±0.194),差异有统计学意义(P＜0.001);恶性结节的峰度(2.786±0.252)小于良性结节(3.553±0.331),差异有统计学意义(P＜0.05),两者的ROC曲线下最大面积分别为0.894和0.996.使用最佳临界值标准,峰度和偏度鉴别诊断肺结节良恶性的敏感度分别为0.982、0.946,特异度分别为1.000、0.764,准确度分别为0.990、0.845,阳性预测值分别为1.000、0.797,阴性预测值分别为0.982、0.913.结论:CT灰度直方图可作为肺结节良恶性鉴别诊断的重要辅助手段.     

CT图像纹理分析在鉴别良恶性肺结节中的价值

目的 评价CT纹理分析在鉴别肺良恶性结节中的价值.方法 回顾性分析110例孤立性肺结节(SPNs)(恶性55例,良性55例)的CT平扫图像,所有结节均经组织病理学或临床随访证实.提取肺结节CT平扫图像的对比度、能量、熵、相关以及一致性等5个灰度共生矩阵纹理参数进行分析.使用t检验比较良恶性结节纹理特征的差异.使用受试者工作特征曲线(ROC)分析确定各参数的最佳临界值,并评价各参数诊断肺良恶性结节的敏感性、特异性、准确性、阳性及阴性预测值.结果 5个纹理特征中,能量、一致性和熵的ROC曲线下面积(AUC)分别为0.997、0.918、0.976.恶性结节的能量、一致性小于良性结节,熵大于良性结节(P＜0.001).使用最佳临界值标准,能量、一致性和熵的敏感性分别为0.982,0.818,1.000,特异性分别为0.964,0.909,0.910,准确性为0.973,0.864,0.945,阳性预测值为0.964,0.9,0.915,阴性预测值为0.981,0.833,0.980.结论 CT纹理特征定量分析是一种有前景的能够准确鉴别良恶性肺结节的手段.     

多层螺旋CT灌注成像鉴别肺结节的良恶性

目的 探讨多层螺旋CT灌注成像在肺结节的良恶性鉴别诊断中的价值.方法 采用16排螺旋CT机对64例肺部结节或肿块的患者进行灌注扫描,采用GE Perfusion 3软件测定病灶的血流量(BF),血容量(BV),平均通过时间(MTT),渗透表面积乘积(PS) 以及拟合时间- 密度曲线(TDC).结果 BV在恶性结节、炎性结节与良性结节具有显著性差异(P<0.05),PS在恶性结节和炎性结节之间以及恶性结节与良性结节之间具有明显统计学差异(P<0.01), 炎性结节及良性结节均低于恶性结节,3组之间的TDC 曲线形态也不同.结论 CT灌注成像提供了肺结节血流模式的定量评价方法,对鉴别肺结节的良恶性有重大的价值.     

多层螺旋CT灌注成像在肺结节鉴别诊断中的应用

目的 探讨多层螺旋CT灌注成像在肺结节的良恶性鉴别诊断中的价值.方法 采用多层螺旋CT机对96例肺结节患者行灌注扫描,其中良性结节18例、炎性结节28例、恶性结节50例.以perfusion 3软件测定结节的血流量(BF),血容量(BV),平均通过时间(MTT),渗透表面积乘积(PS)以及拟合时间-密度曲线(TDC),采用灌注参数及曲线形态来评价结节的良恶性.结果 BF、BV在炎性结节与良性结节之间具有显著性差异(P＜0.05),炎性结节均大于良性结节.MTT在三组结节之间没有显著性差异(P＞0.05),PS在恶性结节与良性结节之间、以及良性与炎性结节之间具有显著性差异(P＜0.05),恶性结节与炎性结节均高于良性结节,三组不同性质结节之间的TDC曲线形态也不同.结论 CT灌注成像能够较准确的判断肺结节的性质,在良恶性鉴别诊断中具有重要意义.     

18F-FDG PET/CT对不同大小孤立性肺结节的诊断价值

目的 评价18F-脱氧葡萄糖(FDG) PET/CT对不同大小范围孤立性肺结节(SPN)良恶性鉴别诊断的价值.方法 从全国拥有PET/CT的10家医院筛选出已经获得病理学检查结果的SPN病例,收集诊断CT、PET/CT和病理检查结果以及标准摄取值(SUV)、结节大小等资料.诊断CT、PET/CT结果为肺癌、肺癌可能性大、肺癌可能者为阳性;结果为良性病变、良性可能性大、良性可能者为阴性;难以确定阳性和阴性者为不确定.采用SPSS 10.0软件对资料进行分析.结果 120个(120例)SPN中良性结节28个,恶性结节92个.直径或(长径+短径)/2≤1.0cm的结节17个,恶性病变9个;1.1～2.0cm 57个,恶性病变占75.44%;2.1～3.0cm 46个,恶性病变占86.96%.28个良性结节SUV最大值(SUVmax)的平均值为4.5±4.9, SUV平均值(SUVmean)的平均值为2.9±3.6;92个恶性结节SUVmax平均值为6.7±4.2, SUVmean平均值为4.9±3.6;良性结节的SUV显著低于恶性结节的SUV.无论良性还是恶性结节,随着结节的增大,SUV升高.诊断CT对结节良恶性鉴别的灵敏度为78.26%,特异性3/8,准确性72.22%; PET/CT灵敏度为94.51%,特异性64.00%,准确性87.93%.结论 18F-FDG PET/CT在SPN鉴别诊断中具有较高的灵敏度、特异性和准确性,优于诊断CT;结节大小是判断SPN良恶性的重要指标,直径或(长径+短径)/2＞2.0cm的结节,恶性可能性约为87%; SUV可以作为鉴别诊断的依据,但鉴于良性结节SUVmean的平均值为2.9±3.6,界值2.5仅供参考,尤其是对于≤1.0cm的结节.     

多层螺旋CT灌注成像对孤立性肺结节的诊断意义

目的 探讨多层螺旋CT灌注成像在孤立性肺结节良性、炎性、恶性诊断及鉴别诊断中的意义.方法 利用6层MSCT灌注成像技术研究45例直径2～4 cm的孤立性肺结节灌注表现.采用CT Perfusion胸部肿瘤灌注软件包,测定肺内病灶的血容量(BV)、血流量(BF)、对比剂到达峰值时间(1TP)、强化峰值(PEI)和时间-密度曲线(TDC),并在其基础上计算出强化值、SPN与主动脉增强峰值之比值(S/A).结果 恶性结节和炎性结节的BF、BV、和PEI值均明显高于良性结节,有显著性差异,恶性结节与炎性结节之间的灌注值则无显著性差异,TTP值三者之间也无显著性意义.恶性结节、良性结节、炎性结节时间-密度曲线(TDC)均显示形态不同.恶性结节和炎性结节强化值、S/A值高于良性结节,有显著性差异(P<0.05).结论 MSCT灌注成像有助于良、恶性肺结节诊断及鉴别诊断.     

孤立肺结节多层螺旋CT容积灌注成像的临床价值

目的 探讨多层螺旋CT容积灌注成像在孤立肺结节诊断中的价值.资料与方法 85例孤立肺结节(直径≤4cm,57例恶性,15活动性炎性,13例良性)患者,在增强(从肘静脉注入非离子型对比剂)前、后采用ToshibaAquilionMarconi16层螺旋CT(采用4×i模式,i代表扫描层厚)及GELightspeed64层螺旋CT(采用8×i或16×i模式,i代表扫描层厚)进行同层动态扫描.11～41s,每1s扫描1次;90s扫描1次.16层螺旋CT:病灶直径3～4cm时,扫描层厚8mm;2～3cm时,扫描层厚6mm;1.5～2cm时,扫描层厚4mm;1～1.5cm时,扫描层厚3mm;＜1cm时,扫描层厚2mm.64层螺旋CT:病灶直径3～4cm时,扫描层厚5mm;＜3cm时,扫描层厚2.5mm.记录孤立肺结节增强前后各时相的CT值.分别计算肺结节有效层面的强化值、灌注值、结节-主动脉强化值比、平均通过时间,有效层面参数的平均值作为肺结节的容积灌注成像定量参数.结果 恶性(36.52±11.07)HU与炎性(37.69±7.10)HU结节强化值明显高于良性(7.02±5.85)HU结节(P＜0.001;P＜0.001).恶性与炎性结节强化值无显著差异(P=0.686＞0.05).炎性结节与大动脉增强峰值比(17.49±3.78)%明显高于良性(2.78±2.23)%与恶性(14.73±4.28)%结节(P＜0.001;P=0.019＜0.05).恶性结节与大动脉增强峰值比明显高于良性结节(P＜0.001).炎性(47.83±31.29)mlmin-1100g-1结节灌注值明显高于良性(3.03±3.01)mlmin-1100g-1与恶性(31.15±9.66)mlmin-1100g-1结节(P＜0.001;P＜0.001).恶性结节灌注值明显高于良性结节(P＜0.001).炎性(33.00±8.87)HU与恶性(40.45±7.03)HU结节平扫的CT值明显低于良性(50.51±10.87)HU结节(P＜0.001;P＜0.001).炎性低于恶性结节平扫的CT值(P=0.002＜0.01).结论 多层螺旋CT容积灌注成像有助于结节鉴别诊断.     

CT的形态学征象联合影像组学特征诊断模型在肺结节诊断中的应用

目的结合肺结节CT形态学征像与影像组学特征建立联合诊断模型,期望提高孤立性肺结节的诊断准确性。方法选取2012年2月~2019年1月206例肺实性结节(直径≤2cm)的CT图像。由两名医师独立进行形态学征像评估,并诊断结节良恶性,使用PyRadiomics开源软件提取、筛选定量影像组学特征,采用逻辑回归建立影像组学模型,并融合形态学征像建立联合诊断模型,采用受试者操作特征(ROC)曲线评价模型诊断效能,并与人工诊断结果进行比较。结果结节的血管集束、支气管截断、毛刺、分叶、胸膜牵拉、空泡征及充气支气管征在恶性结节中的检出率高,与良性结节之间的差异有统计学意义(P<0.05);结节越小,各种CT征像检出率越低。两位医师对肺结节征像识别一致性存在差异,高年资医师诊断效能明显高于低年资医师,曲线下面积(AUC)分别为0.81(95%CI,0.744~0.856),0.69(95%CI,0.623~0.753)。影像组学诊断模型对良恶性肺结节具有较高的鉴别诊断效能,AUC为0.86(95%CI,0.8~0.92),结合毛刺征、分叶征、胸膜牵拉征及影像组学特征建立联合诊断模型,进一步提高肺结节诊断效能,AUC为0.92(95%CI,0.87~0.96)。结论结合肺结节CT形态学征像及影像组学特征建立的联合诊断模型,在肺结节良恶性鉴别诊断中有较高的应用价值。     

CT影像组学模型对甲状腺良恶性结节的鉴别价值

目的探讨CT影像组学模型对良恶性甲状腺结节的鉴别诊断价值。方法回顾性分析2017年5月至2018年8月间南京医科大学附属淮安第一医院经病理证实的179例甲状腺结节患者的临床和影像资料。良性结节89例,恶性结节90例。患者术前均行甲状腺结节CT平扫和增强扫描。采用分层随机抽样方法将患者按照8∶2的比例分为训练组(143例)与测试组(36例),采用A.K软件基于术前CT图像提取378个影像组学特征,后采用Spearman相关分析与最小绝对收缩和选择算子回归分析进行特征筛选与模型构建,在训练组与测试组中应用受试者操作特征(ROC)曲线对模型进行验证,评价影像组学特征预测良恶性甲状腺结节的效能。结果经过特征筛选,16个影像组学特征用于构建甲状腺结节良恶性鉴别模型。训练组中预测模型的ROC曲线下面积(AUC)为0.92(95%可信区间:0.88~0.97),灵敏度和特异度分别为88.7%、82.0%,诊断准确率91.1%;测试组中AUC为0.90(95%可信区间:0.81~0.98),灵敏度和特异度分别为88.5%、84.6%,诊断准确率88.2%。结论基于CT的影像组学模型对良恶性甲状腺结节有较高的诊断效能。     

基于MR早期动态增强的影像组学标签鉴别乳腺良恶性病变的价值

目的:探讨基于MR早期动态增强的影像组学标签鉴别乳腺良恶性病变的价值.方法:回顾性搜集通过乳腺动态对比增强MRI(DCE-MRI)检查,发现乳腺结节或肿块的144例患者(146个病变),146个病变按照样本量7:3随机抽样选取良性病变与恶性病变(102个作为训练组,44个作为验证组).所有病例基于病变的三维图像对影像组...     

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.     

基于超声影像构建机器学习模型预测甲状腺良恶性结节

目的 构建基于超声影像特征的机器学习模型预测甲状腺结节的良恶性,选择最佳模型以准确预测甲状腺结节的良恶性。 方法 回顾性分析有明确病理结果的甲状腺结节病人2 410例共2 516个结节的超声影像特征。使用SPSS Modeler18.0统计软件,将结节随机分为训练队列和验证队列,训练队列包括1 992个结节（80%）,验证队列包括524个结节（20%）。在训练队列和验证队列中,分别使用支持向量机（SVM）、Logistc回归分析、分类回归树（C&R）、决策树（C5.0）、贝叶斯网络和类神经网络6个分类器构建机器学习模型。采用受试者操作特征（ROC）曲线下面积（AUC）分析模型的原始倾向评分,以评估6种模型的预测能力;并使用DeLong检验比较6种模型的预测能力。选择预测能力最好的机器学习模型,筛选预测重要变量。使用R软件,基于训练队列数据绘制列线图,并基于训练队列及验证队列数据绘制校准曲线对列线图进行验证。 结果 在训练队列和验证队列中,SVM相比其他模型预测甲状腺结节良恶性的能力最好,AUC分别为0.983和0.973（均P<0.05）。选取SVM筛选的6个预测重要变量绘制的列线图显示纵横比>1、微钙化、包膜外侵犯评分最高,其次为边缘、桥本氏甲状腺炎及回声水平。训练队列和验证队列的校准曲线均显示,列线图的预测结果与实际结果有良好的一致性。 结论 基于超声影像特征构建的机器学习模型可以准确预测甲状腺结节的性质,其中SVM的预测能力最高。     

Development and validation of a MRI-based radiomics signature for prediction of KRAS mutation in rectal cancer

To develop a T2-weighted (T2W) image-based radiomics signature for the individual prediction of KRAS mutation status in patients with rectal cancer. Three hundred four consecutive patients from center I with pathologically diagnosed rectal adenocarcinoma (training dataset, n = 213; internal validation dataset, n = 91) were enrolled in our retrospective study. The patients from center II (n = 86) were selected as an external validation dataset. A total of 960 imaging features were extracted from high-resolution T2W images for each patient. Five steps, mainly univariate statistical tests, were applied for feature selection. Subsequently, three classification methods, i.e., logistic regression (LR), decision tree (DT), and support vector machine (SVM) algorithm, were applied to develop the radiomics signature for KRAS prediction in the training dataset. The predictive performance was evaluated by receiver operating characteristics curve (ROC) analysis, calibration curve, and decision curve analysis (DCA). Seven radiomics features were screened as a KRAS-associated radiomics signature of rectal cancer. Our best prediction model was obtained with SVM classifiers with AUC of 0.722 (95%CI, 0.654–0.790) in the training dataset. This was validated in the internal and external validation datasets with good calibration, and the corresponding AUCs were 0.682 (95% CI, 0.569–0.794) and 0.714 (95% CI, 0.602–0.827), respectively. DCA confirmed its clinical usefulness. The proposed T2WI-based radiomics signature has a moderate performance to predict KRAS status, and may be useful for supplementing genomic analysis to determine KRAS expression in rectal cancer patients. • T2WI-based radiomics showed a moderate diagnostic significance for KRAS status. • The best prediction model was obtained with SVM classifier. • The baseline clinical and histopathological characteristics were not associated with KRAS mutation.     

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...     

多模态X线影像组学模型对乳腺BI-RADS4类肿块良恶性的辅助诊断价值

目的 探讨多模态X线影像组学模型在鉴别乳腺BI-RADS 4类肿块型病变良恶性方面的价值.方法 回顾性分析山东省千佛山医院2017年8月至2020年4月,经全屏数字化乳腺X线摄影(FFDM)和数字乳腺断层合成摄影(DBT)检查诊断为BI-RADS 4类乳腺病变并经病理证实的120例女性患者(4A 41例,良性34例、恶...     

CT影像组学模型预测肝移植术后肝癌早期复发的价值

 目的 探索基于CT影像组学技术构建的模型在预测肝细胞癌患者肝移植术后早期复发的价值。方法 回顾性分析接受肝移植治疗的131例肝癌患者,随机分为训练组(92例)和验证组(39例),术后定期随访,了解是否发生早期复发。通过逐层勾画肿瘤边缘对肿瘤进行三维分割并进行特征提取,共提取1218个影像组学特征。具有潜在预测价值特征的筛选选用LASSO算法。基于筛选出的特征,logistic回归应用于肝移植术后预测模型的构建。通过曲线下面积(area under the curve, AUC)对模型预测患者是否会早期复发的效能进行评价。结果 筛选出8个具有潜在预测价值的特征,预测模型在训练组中AUC为0.828,敏感度、特异度分别为82.4%、74.7%;在验证组中AUC为0.856,敏感度、特异度分别为77.8%、86.7%。结论 术前增强CT影像组学技术构建的模型,对预测肝癌肝移植术后复发具有一定价值。     

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。