临床影像组学列线图鉴别前列腺良恶性结节的应用价值

目的:建立基于双参数MR的临床影像组学列线图,评价其鉴别前列腺良恶性结节的应用价值。方法:选择2014年4月至2017年7月间接受前列腺MRI检查并经病理证实的前列腺结节患者227例(前列腺结节增生99例,前列腺癌128例)。从每个患者的轴位T2WI和ADC图像中提取影像组学特征。使用最小绝对收缩和LASSO回归进行降维,选择有效特征并构建影像组学特征模型。结合独立的临床危险因素,采用多元Logistic回归模型建立影像组学列线图。列线图的校准和诊断效能在训练集中进行评估,并在验证集中进行验证。最后通过决策曲线分析评价列线图的临床应用价值。结果:患者年龄、PSA、病灶所在区域以及筛选出的影像组学特征与前列腺结节的良恶性鉴别显著相关。影像组学模型对前列腺良恶性结节有较好的鉴别效能,训练集（AUC=0.91,95%CI:0.87~0.96),验证集（AUC=0.90,95%CI:0.81~1.00)。影像组学列线图结合了双参数MR图像的影像组学特征和独立的临床危险因素,在训练集(AUC=0.95,95%CI:0.91~0.98)和验证集(AUC=0.92,95%CI:0.83~1.00)中表现出更好的鉴别效能和病理符合率,决策曲线展示了临床影像组学结合模型的临床应用价值。结论:结合双参数MRI影像组学特征和临床危险因素的影像组学列线图可以简便地鉴别出前列腺结节的良恶性,为下一步临床决策提供建议。     

基于薄层CT图像的影像组学列线图在肺良恶性结节鉴别诊断中的价值

目的:建立基于薄层CT图像的临床影像组学列线图评价其对肺结节良恶性鉴别的临床价值。方法:选自2018年3月至2020年9月间接受薄层CT检查并经病理证实的肺结节患者139例（良性65例,恶性74例）。从每个患者的胸部CT图像中提取影像组学特征。使用最小绝对收缩和lasso回归进行数据降维,选择有效特征并构建影像组学特征模型。结合独立的临床危险因素采用多元Logistic回归建立影像组学列线图。列线图的准确率和诊断效能在训练集中进行评估并在验证集中进行验证,最后通过决策曲线分析评价列线图的临床应用价值。结果:传统影像特征模型在训练集(AUC=0.86,95%CI 0.79~0.93)、验证集(AUC=0.79,95%CI 0.65~0.93)对肺结节良恶性诊断效能较差,混合模型在训练集(AUC=0.94,95%CI 0.90~0.99)、验证集(AUC=0.94,95%CI 0.88~1.00)中表现出更好的鉴别效能和病理符合率,决策曲线表明影像组学的加入有利于患者的预后。结论:基于薄层CT图像的临床影像组学列线图可以方便准确地判断肺结节恶性风险。     

MRI瘤周影像组学鉴别高级别胶质瘤与脑内单发转移瘤的应用价值

目的:探讨MRI瘤周影像组学鉴别高级别胶质瘤与脑内单发转移瘤的应用价值。方法:回顾性分析2015年1月至2020年6月经手术病理证实的39例高级别胶质瘤及28例脑内单发转移瘤的术前磁共振T2WI序列影像资料。使用3D-slicer软件手动分割获得瘤体的体积感兴趣区,并分别提取瘤周5 mm及10 mm的影像组学特征。使用最小值最大值归一化及最优特征筛选对影像组学特征进行降维,最后采用R语言软件建立Logistic回归模型,并使用K折交叉验证模型的稳定性。绘制受试者工作特征曲线(ROC)评估组学模型的诊断效能。结果:基于术前MRI瘤周5 mm的影像组学模型在鉴别高级别胶质瘤及脑内单发转移瘤中的敏感性、特异性及曲线下面积(AUC)分别是0.692、0.946和0.91;基于术前MRI瘤周10 mm影像组学模型在鉴别高级别胶质瘤及脑内单发转移瘤中的敏感性、特异性及AUC分别是0.872、0.893和0.93。采用K折交叉验证对模型的稳定性进行验证,瘤周5 mm及10 mm影像组学模型的平均AUC分别是0.80、0.75,提示模型具有较高的诊断效能。结论:MRI瘤周影像组学有助于术前鉴别高级别胶...     

数字乳腺断层融合X线摄影与常规影像学检查诊断效能的对比研究

背景与目的:乳腺癌已成为女性最常见的恶性肿瘤,乳腺X线摄影新技术的出现对乳腺癌诊断起重要作用;该研究旨在对比数字乳腺断层融合X线摄影(digital breast tomosynthesis,DBT)与常规影像学检查诊断乳腺良、恶性病变的效能.方法:收集2015年3月—2015年12月在复旦大学附属肿瘤医院就诊且经临床或超声检查怀疑乳腺病变的227例患者.所有患者均行B超、全屏数字乳腺X线摄影(full-field digital mammog-raphy,FFDM)、DBT和MRI检查.高年资影像医师双盲阅片,参照2013版BI-RADS分类标准,以病理结果为金标准,采用受试者工作特征(operating characteristic,ROC)曲线分析各种检查方法的诊断效能,并利用Z检验比较DBT与其他检查方法的统计学差异.结果:30例患者因图像不符合诊断要求而排除,剩余197例患者共发现205个病灶,其中良性病灶73例,恶性病灶132例.B超、FFDM、DBT、DBT+FFDM和MRI基于BI-RADS分类诊断乳腺良、恶性病变的ROC曲线的曲线下面积(area under the curve,AUC)分别为0.8308、0.8592、0.9167、0.9198和0.9354;两两比较结果显示,DBT的AUC高于B超和FFDM,且差异均有统计学意义(比B超相比,Z=7.36,P=0.0067;与FFDM相比,Z=4.89,P=0.0271);DBT与MRI、DBT+FFDM的AUC差异无统计学意义(与MRI相比,Z=0.02,P=0.9002;与DBT+FFDM相比,Z=0.69,P=0.4048).结论:DBT较B超、FFDM能显著提高乳腺良、恶性病灶的诊断效能;并与MRI诊断效能相当.DBT作为乳腺X摄影新技术,具有良好的应用前景.     

MRI影像组学在鉴别前列腺癌与前列腺增生中的临床应用价值

目的:探讨基于T2WI与表观扩散系数(apparent diffusion coefficient,ADC)的影像组学模型对前列腺癌(prostate cancer,PCa)和前列腺增生(benign prostatic hyperplasia,BPH)的鉴别诊断应用价值。方法:回顾性分析经穿刺活检病理证实的72例PCa患者与64例BPH患者的临床资料及原始MRI图像。使用ITK-SNAP软件手动勾画整个肿瘤(不包括囊变、出血、坏死及钙化)生成三维体积(VOI),采用FAE软件分别从T2WI与ADC图像提取高通量影像组学特征,应用Pearson相关性分析及循环特征消除(RFE)方法进行特征选择,使用支持向量机(SVM)作为分类器构建影像组学模型。采用分层随机抽样的方法将所有病例按7∶3分成训练集与验证集,通过绘制受试者工作特征(ROC)曲线及校准曲线分析评估各个影像组学模型的鉴别诊断效能与校准能力,并使用Delong检验评价模型间的差异。结果:经过特征选择,分别使用12、15、11个图像特征构建基于T2WI/ADC/T2WI+ADC的影像组学预测模型。训练集中T2WI/ADC/T2WI+ADC影像组学模型的ROC曲线下面积(AUC)分别为0.88、0.92、0.96,验证集中T2WI/ADC/T2WI+ADC影像组学模型的AUC分别为0.85、0.89、0.91。Delong检验显示T2WI+ADC联合影像组学模型鉴别诊断效能显著高于单个序列模型,校准曲线显示联合影像组学模型具有较好的预测能力。结论:基于T2WI+ADC的联合影像组学模型有助于术前鉴别PCa和BPH。     

基于多序列MRI与多体系影像组学模型预测子宫颈癌淋巴结转移的研究

背景与目的：术前寻找可早期用于准确评估淋巴结转移与否的生物标志物极具临床应用价值。探讨MRI影像组学参数预测子宫颈癌淋巴结转移的价值,建立和验证用于术前预测子宫颈癌淋巴结转移的影像组学模型。方法：回顾性分析2015年6月—2019年9月在复旦大学附属肿瘤医院经术后病理学检查证实的子宫颈癌非淋巴结转移患者和子宫颈癌淋巴结转移患者共202例的临床资料,所有患者均经过术前MRI检查。选用MRI图像分别为T2加权图像（T2 weighted image,T2WI）和T1增强图像（T1 contrast +,T1C+）。使用ITK-SNAP软件进行三维手动分割子宫颈癌肿瘤区域。通过开源的python包Pyradiomics和python编程平台jupyter notebook,经过10种图像类型体系和6种特征体系来提取影像组学特征,选取子宫颈癌患者202例,其中未发生淋巴结转移的104例,发生淋巴结转移的98例。T2WI序列和T1C+序列模型分别提取1 923个特征,T2WI联合T1C+序列提取3 846个特征。通过建立影像组学标签,经过机器学习模型验证影像组学标签。最后将训练集和测试集的曲线下面积（area under curve,AUC）、准确率、阳性预测值（positive predictive value,PPV）和阴性预测值（negative predictive value,NPV）作为评估影像组学标签的定量表现。结果：T2WI序列选取特征排序前14名的特征进行分类器训练,训练集AUC=0.810,测试集AUC=0.773。对于T1C+序列选取了特征排序前16名的特征进行分类器训练,训练集AUC=0.819,测试集AUC=0.781。在T2WI联合T1C+序列中选取了特征排序前16名的特征进行分类器训练,训练集AUC=0.841,测试集AUC=0.803。结论：T2WI联合T1C+序列影像组学模型对早期子宫颈癌淋巴结转移有较好的预测能力。     

卵巢-附件影像报告和数据系统卵巢肿瘤良恶性鉴别诊断价值分析

目的 探讨卵巢-附件影像报告和数据系统超声(O-RADS US)诊断中鉴别卵巢肿瘤良恶性的诊断效能。方法 连续性回顾分析2021-01-17-2021-07-15云南省肿瘤医院接受超声检查,并获得完整手术组织病理结果的244例女性患者共304个卵巢肿瘤的临床资料,患者年龄10～100岁,中位年龄(50.5±15.8)岁;绝经患者117例,未绝经患者127例;肿瘤最大切面直径为16～405 mm,平均79.5(52.0～124.8) mm。由2名超声医师对肿块行O-RADS US分类,有歧义的分类共同进行分析得到一致结果,以手术组织病理结果为诊断金标准,构建受试者工作(ROC)曲线并分析其鉴别卵巢良恶性的最佳截断值及诊断效能。2名不同医师应用O-RADS US鉴别卵巢良恶性的结果,采用Kappa指数进行一致性检验。结果 304个卵巢肿瘤中,良性104个,交界性29个,恶性171个。恶性风险O-RADS US 2类和3类均为0,4类为62.3%(48/77),5类为94.4%(152/161)。O-RADS US 2～5类的ROC曲线下面积(AUC)为0.913(95%CI为0.875～0...     

超声影像特征用于乳腺良恶性肿瘤鉴别诊断的Logistic回归分析及风险预测模型建立

摘 要：［目的］ 建立基于超声影像特征预测乳腺良恶性肿瘤的Logistic回归模型,并探讨预测模型在鉴别乳腺良恶性肿瘤中的应用价值。［方法］ 回顾性收集经病理证实的288例乳腺肿瘤患者,其中良性肿瘤、恶性肿瘤各144例,比较两组彩色多普勒超声各项指标特征,以病理诊断结果作为金标准,建立Logistic回归模型,绘制ROC曲线并计算曲线下面积。［结果］多因素Logistic回归分析结果显示：乳腺肿瘤形态(OR=7.149)、肿瘤边界(OR=8.908)、回声均匀度(OR=3.374)、包膜情况(OR=13.079)、蟹足或毛刺(OR=15.690)是乳腺良恶性肿瘤鉴别诊断的主要超声影像特征指标。Logistic回归模型对乳腺良恶性肿瘤的预测准确性为94.4%(272/288),敏感性为91.7%(132/144),特异性为97.2%(140/144),阳性预测价值97.1%(132/136),阴性预测价值92.1%(140/152)。ROC曲线下面积为0.944±0.016（P<0.001,95%CI：0.914~0.975）。［结论］ 基于超声影像特征的Logistic预测模型对于鉴别乳腺良恶性肿瘤具有较高的价值,可用于指导临床实践。     

表观扩散系数联合病灶脊髓信号强度比值诊断原发性肺癌的临床价值

目的 探讨MRI弥散加权成像参数表观扩散系数(ADC)联合病灶脊髓信号强度比值(LSR)对原发性肺癌的诊断鉴别价值.方法 收集46例原发性肺癌(恶性组)及34例肺部良性肿块(良性组)患者的临床资料,比较两组肿块感兴趣区(ROI)的ADC值、LSR,通过受试者工作特征(ROC)曲线中的曲线下面积(AUC)比较ADC值、LSR及两者联合对肺部肿块良恶性的诊断效能.结果 恶性组的ADC值明显低于良性组,而LSR则明显高于良性组,差异均有统计学意义(P﹤0.01).ROC曲线分析结果显示:联合诊断指标AUC为0.971,明显高于LSR的AUC(P﹤0.05),但与ADC的AUC比较差异无统计学意义(P﹥0.05).结论 ADC值、LSR对原发性肺癌均有一定的鉴别诊断效能,两者联合的诊断效能优于LSR,但与ADC值的鉴别诊断价值差异不明显.     

增强MRI影像组学在构建乳腺癌腋窝淋巴结转移预测模型中的应用研究

目的探讨基于增强MRI影像组学构建的预测模型对乳腺癌腋窝淋巴结转移的诊断效能。 方法根据纳入及排除标准,回顾性分析2016年1月至2020年6月在吉林省肿瘤医院接受手术治疗的376例女性乳腺癌患者的临床、病理及影像资料。患者术前接受乳腺增强MRI检查。用随机数字表法从所有患者中选择20例,由2名放射科医师对其影像独立分割病灶,勾画感兴趣区域(ROI)。采用组内相关系数(ICC)检验对2名医师勾画的ROI进行一致性分析。采用A.K.(Version 3.3.0)软件提取病灶区域的三维纹理特征参数,通过IPMs(Version 2.0.2)软件及最小绝对收缩和选择算子(LASSO)筛选出最佳影像组学特征,用于构建乳腺癌淋巴结转移预测模型。按7∶3的比例将患者随机分为训练组(n＝263)和验证组(n＝113)。采用6种机器学习模型,包括Logistic回归、随机森林(RF)、贝叶斯算法(NB)、决策树(DT)、邻近算法(KNN)和支持向量机(SVM)模型,对2组数据进行处理,采用受试者操作特征(ROC)曲线分析各机器学习模型对乳腺癌腋窝淋巴结转移的诊断效能,根据训练组ROC曲线下面积(AUC)大小,选择最佳模型。用决策曲线分析(DCA)评价最佳模型的临床获益。 结果共有腋窝淋巴结阳性患者114例,腋窝淋巴结阴性患者262例。操作者一致性检验结果显示：2名医师具有很强的操作者一致性(ICC＝0.915,95%CI: 0.894~0.932, P<0.001)。每个病灶提取得到396个三维纹理特征参数,筛选保留7个淋巴结阳性组与淋巴结阴性组间差异明显的影像组学特征,并将其与2个临床指标(年龄和绝经状态)和5个影像学指标(病灶位置、有无钙化、病灶数量、病灶长径和造影剂时间-信号曲线类型)一起,共14个参数,构建预测模型。6种机器学习模型中,Logistic回归模型在训练组中诊断乳腺癌腋窝淋巴结转移的AUC最高(0.798),准确率为73.0%(192/263)、特异度为75.4%(138/183)、敏感度为67.5%(54/80),在验证组的AUC为0.767、准确率为73.5%(83/113)、特异度为77.2%(61/79)、敏感度为64.7%(22/34),为最佳机器学习模型。基于Logistic回归模型的决策曲线分析结果显示：训练组中阈值为0.15~1.00,验证组中阈值为0.10~0.60,有临床获益。 结论基于增强MRI影像组学结合机器学习模型建立的预测模型能够鉴别乳腺癌淋巴结转移,其中以Logistic回归模型的诊断效能更优。     

IVIM双指数模型多b值DWI在脑肿瘤诊断及分级中的应用

目的:探讨体素内不相干运动磁共振成像（IVIM）双指数模型多b值扩散加权成像（DWI）在脑肿瘤诊断及分级中的应用价值。方法:2012年1月至2015年1月期间收治的76例脑肿瘤患者分别进行常规MRI扫描、IVIM多b值扫描,并对IVIM多b值扫描图像进行单/指数模型分析,比较两种模型脑肿瘤诊断和分级的效果。结果:32例良性肿瘤呈圆形,T1WI序列呈等或低信号,T2WI序列呈等或高信号,占位效应不明显,增强扫描不强化或均匀强化,44例恶性肿瘤呈圆形或不规则形,T1WI序列呈等或低杂信号,T2WI序列呈等或高混杂信号,34例占位效应明显,10例占位效应不明显,增强扫描时病灶均明显强化。良性肿瘤的ADC、ADCslow、ADCfast值均明显高于恶性肿瘤（P＜0.05）,ADCfast、Ffast值ROC曲线下面积显著低于ADC和ADCslow组（P＜0.05）,单/双指数模型诊断良恶性脑肿瘤符合率无统计学差异（P＞0.05）;高级别胶质瘤的ADCslow、ADCfast和Ffast均显著高于低级别胶质瘤（P＜0.05）,ADCfast值ROC曲线下面积显著低于ADC、ADCslow组和Ffast组（P＜0.05）,常规MRI序列和双指数模型对胶质瘤分级符合率无统计学差异（P＞0.05）。结论:体素内不相干运动磁共振成像是脑肿瘤诊断的有效补充技术,其双指数模型多b值DWI技术的ADCslow可用于脑肿瘤良恶性的诊断,其诊断效能与单指数模型的ADC值相当。另外,双指数模型的ADCfast值能够准确地进行胶质瘤分级,是区分高、低级别胶质瘤的敏感性参数。     

MRI-DWI单用或与X线钨靶联合用于乳腺良恶性病变鉴别诊断价值比较

目的:探讨MRI-DWI单用或与X线钨靶联合用于乳腺良恶性病变鉴别诊断临床价值差异。方法:本次研究纳入2018年01月至2019年12月收治确诊乳腺肿物患者共288例,均行X线钨靶、常规MRI及MRI-DWI检查,分析MRI-DWI单用或与X线钨靶联合用于乳腺良恶性肿物鉴别诊断结果差异。结果:恶性病灶ADC平均值显著低于良性病灶（P＜0.05）。ROC曲线分析结果显示,MRI-DWI检测ADC值用于良恶性病灶鉴别诊断ACU=0.95,最佳截断值为1.31×10-3 mm2/s,敏感度为83.07%,特异度为96.34%;MRI-DWI单用和MRI-DWI联合X线钨靶用于乳腺良恶性肿物诊断准确率分别为87.50%（252/288）,93.06%（268/288）;MRI-DWI联合X线钨靶用于乳腺良恶性肿物诊断准确率显著高于MRI-DWI单用（P＜0.05）。结论:MRI-DWI与X线钨靶联合用于乳腺良恶性病变鉴别诊断价值优于MRI-DWI单用。     

MRI对乳腺含粘液良、恶性肿瘤的鉴别诊断价值

目的:探讨磁共振成像对乳腺含黏液良、恶性肿瘤鉴别诊断价值。方法:回顾性分析2018年12月至2021年02月经我院病理证实的乳腺含黏液肿瘤25例共26个病灶的术前MRI图像及临床病理资料,依据病理分为良性组及恶性组,比较良、恶性组的临床及MRI表现差异性。结果:25例患者共26个病灶纳入研究,良性肿瘤10例共10个病灶,恶性肿瘤15例共16个病灶。恶性组发病年龄高于良性组（P＜0.01）;病变的边缘多不规则,与良性组比较差异具有统计学意义（P＜0.01）;而两组间肿块大小、形态、动态增强曲线类型及ADC值无统计学差异（P＞0.05）。恶性组出现由周围向中央填充式渐进性强化,而良性组未出现,差异具有统计学意义（P＜0.01）。恶性组T2WI上的低信号分隔纤细并在增强后图像显示不清（31.25%,5/16）,良性组T2WI上的低信号分隔增强后显示清晰（30.00%,3/10）,差异具有统计学意义（P＜0.05）。结论:乳腺含黏液的恶性肿瘤患者发病年龄较良性肿瘤大,边缘多不规则,以不均匀强化为主,出现由周围向中央填充渐进性强化方式,T2WI序列的低信号分隔于增强后显示不清为较特征性表现。     

Radiomic and Artificial Intelligence Analysis with Textural Metrics Extracted by Contrast-Enhanced Mammography and Dynamic Contrast Magnetic Resonance Imaging to Detect Breast Malignant Lesions

Purpose:The purpose of this study was to discriminate between benign and malignant breast lesions through several classifiers using, as predictors, radiomic metrics extracted from CEM and DCE-MRI images. In order to optimize the analysis, balancing and feature selection procedures were performed. Methods: Fifty-four patients with 79 histo-pathologically proven breast lesions (48 malignant lesions and 31 benign lesions) underwent both CEM and DCE-MRI. The lesions were retrospectively analyzed with radiomic and artificial intelligence approaches. Forty-eight textural metrics were extracted, and univariate and multivariate analyses were performed: non-parametric statistical test, receiver operating characteristic (ROC) and machine learning classifiers. Results: Considering the single metrics extracted from CEM, the best predictors were KURTOSIS (area under ROC curve (AUC) = 0.71) and SKEWNESS (AUC = 0.71) calculated on late MLO view. Considering the features calculated from DCE-MRI, the best predictors were RANGE (AUC = 0.72), ENERGY (AUC = 0.72), ENTROPY (AUC = 0.70) and GLN (gray-level nonuniformity) of the gray-level run-length matrix (AUC = 0.72). Considering the analysis with classifiers and an unbalanced dataset, no significant results were obtained. After the balancing and feature selection procedures, higher values of accuracy, specificity and AUC were reached. The best performance was obtained considering 18 robust features among all metrics derived from CEM and DCE-MRI, using a linear discriminant analysis (accuracy of 0.84 and AUC = 0.88). Conclusions: Classifiers, adjusted with adaptive synthetic sampling and feature selection, allowed for increased diagnostic performance of CEM and DCE-MRI in the differentiation between benign and malignant lesions.     

腮腺多形性腺瘤与沃辛瘤MRI影像学特点的对比分析

多形性腺瘤和沃辛瘤是腮腺最常见的两种良性肿瘤。发生于腮腺的多形性腺瘤MRI平扫T1WI表现为等或稍低信号,T2WI表现为高信号,因含黏液其信号高于脑脊液;如发生坏死、囊变,T2WI表现为高低混杂信号;肿瘤有纤维包膜,T1WI和T2WI均表现为低信号,与正常组织分界清楚。沃辛瘤（腺淋巴瘤）内上皮成分嗜酸性并具有淋巴组织及密集排列的细胞核,故T2WI多以低信号为主,且信号均匀居多,可作为与混合瘤的鉴别点。本文研究发现腮腺多形性腺瘤与沃辛瘤在MRI成像上有不同的影像学特点,期望对临床工作有所帮助。     

剪切波弹性成像技术定量评估肿块周围组织硬度对乳腺良恶性肿瘤鉴别诊断的价值

目的:探讨剪切波弹性成像技术定量评估肿块周围组织硬度在乳腺良恶性肿瘤诊断中的应用价值。 方法:收集2019年7月至2022年6月,在我院经手术病理结果证实的乳腺肿瘤患者141例,共152 个肿块,良性肿块66个,恶性肿块86个,进行BI-RADS 分类并测量肿块及周围1 mm、2 mm、3 mm范围组织弹性模量值（Emax、Emean、Esd、Emin、SEmax1、SEmean1、SEsd1、SEmin1、SEmax2、SEmean2、SEsd2、SEmin2、SEmax3、SEmean3、SEsd3、SEmin3）,比较良恶性肿块及其周围组织这16组参数之间的差异。 以病理诊断为金标准,绘制受试者工作特征曲线(ROC),比较各参数的曲线下面积(AUC),获得诊断价值最大的参数。结果:乳腺良恶性肿块及其周围组织弹性模量值差异均具有统计学意义,Emax、Emean、Esd值恶性肿块高于良性,Emin恶性肿块低于良性;Emax、SEmax1、SEmax2、SEmax3,4组参数的AUC值均大于0.90,其中SEmax2的AUC值最大,为0.958,诊断截断值为>128.33 kPa,诊断的敏感性77.9%,特异性85.0%,准确率85.5%。 结论:乳腺良恶性肿块周围2 mm范围组织的SEmax2值诊断效能最高,诊断的敏感性、特异性、准确率均优于二维超声,有良好的临床应用价值。     

MRI征象在腮腺肿瘤定性诊断中的价值及其病理基础

背景与目的：腮腺肿瘤的病理类型非常复杂,MRI在其诊断中具有明显的优越性,但在诸多方面诊断标准仍不统一,需要大样本的病例分析以探讨MRI征象在其诊断中的价值及其病理基础。本文总结常见腮腺良、恶性肿瘤的MRI表现,以探讨各征象在腮腺肿瘤定性诊断中的作用。方法：收集132例腮腺肿瘤及其它病变患者(共140个病灶)的MRI资料,其中良性者89例,恶性者43例。112例经手术病理证实,17例经活检证实,3例经临床观察证实。对其中58例手术切除病灶完整者的标本行病理逐层切片检查,并将结果与MRI影像进行对照分析。MRI平扫采用TlWI、T2WI,其中108例共115个病灶同时行平扫和增强扫描。统计学分析采用X^2检验。结果：(1)常见腮腺良性肿瘤的MRI特征表现：所有行增强扫描的40个腺淋巴瘤均呈轻度增强,其中25例T2WI表现为低、等信号;22例混合瘤T2WI表现为高而不均匀信号;5例血管瘤可见异常增粗的血管结构;3例囊性淋巴管瘤的形状特别不规则并包绕邻近结构;4例脂肪瘤的信号类似于其它部位的脂肪瘤。(2)常见腮腺恶性肿瘤的MRI特征表现：8例混合瘤恶变的T2WI信号高而不均匀,且形状不规则,边界不清楚;7例腺样囊性癌以侵犯范围广泛为特征;8例粘液表皮样癌中,3例低度恶性者边界清楚,与良性肿瘤难区别,5例中、高度恶性者边界不清,易发生坏死及淋巴结转移;9例淋巴瘤均为继发,范围较广,可分辨出由多个结节组成;3例腺泡细胞癌内有TlWI和T2WI均为高信号的囊变区,形状规则或不规则。结论：常见腮腺良、恶性肿瘤在MRI表现上各有特点,对大多数病例用MN进行定性诊断是可能的。