CT纹理特征分析鉴别诊断表现为肺部亚实性结节的微浸润腺癌和浸润性腺癌

目的 评估CT纹理特征术前鉴别表现为亚实性肺结节的微浸润腺癌（MIA）和浸润腺癌（IAC）的价值。方法 回顾性收集胸部CT表现为亚实性肺结节、经手术病理证实为MIA或IAC的100例患者,包括43例MIA和57例IAC。选择4个CT主观征象（密度、大小、分叶、形态）构建诊断MIA与IAC的CT主观征象模型。提取896个CT纹理特征,并构建CT纹理特征模型。绘制ROC曲线评估纹理特征模型、CT主观征象模型鉴别诊断MIA和IAC的效能。结果 CT主观征象中,亚实性结节的密度和大小的一致性非常好,选择密度征象[优势比=8.177,95%CI（1.142,58.575）]为CT主观征象模型的独立预测因子;于896个纹理特征中,选择4个纹理特征构建模型。训练集中纹理特征模型诊断MIA与IAC的敏感度为0.85（33/39）,特异度为0.90（28/31）,AUC为0.94[95%CI（0.88,0.99）];验证集中纹理特征模型的敏感度为0.89（16/18）,特异度为1.00（12/12）,AUC为0.97[95%CI（0.92,1.00）]。结论 CT纹理特征有助于提高术前鉴别诊断表现为亚实性肺结节的MIA和IAC的效能。     

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_LRHGE₁₀.67_Equal₃2、GLRLM_GLV₁₀.67_Equal₃2和GLRLM_GLV_1...     

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...     

增强CT熵特征联合传统影像征象对胸腺上皮性肿瘤危险程度的鉴别诊断

目的 探讨增强CT熵特征联合传统影像征象的组合模型鉴别诊断胸腺上皮性肿瘤（TET）危险程度的临床价值。 方法 回顾性分析2008年10月至2021年5月在江门市中心医院和中山大学附属第五医院经手术和组织病理学检查结果证实的178例TET患者的临床资料[男性83例、女性95例;年龄（52.7±12.4）岁,范围26~83岁],按照组织病理学亚型分为低危组（A、AB和B1型）和高危组（B2和B3型）。将全部患者进一步分为训练集（n=86）、内部验证集（n=51）、外部验证集（n=41）,其中内部验证集和外部验证集合称为全部验证集（n=92）,训练集和验证集分别用于预测模型的过程构建和效能评价。记录TET患者的临床特征,分析病灶的传统CT征象。应用MATLAB R2016平台的开发软件,在增强CT静脉期图像上定量提取、筛选熵特征。通过Mann-Whitney U检验筛选有鉴别价值的熵特征,采用极限学习机（ELM）分类算法计算熵特征权重和熵标签值。采用多因素Logistic回归分析分别构建临床模型、熵模型和组合模型,并采用受试者工作特征曲线对比3个预测模型的诊断效能。 结果 178例TET患者中,低危组83例[男性38例、女性45例;年龄（52.8±12.4）岁,范围26~83岁];高危组95例[男性45例、女性50例;年龄（52.0±12.0）岁,范围27~80岁]。单因素分析结果显示,训练集CT征象中周围侵犯在2组间的差异有统计学意义（χ2=5.108,P=0.024）。共提取初始熵特征1680个,最终筛选到21个核心熵特征,通过ELM计算得出训练集中低危组熵标签值为0.519±0.21,明显低于高危组（0.997±0.23）,2组间差异有统计学意义（t=−9.747,P<0.001）。熵模型在训练集、内部验证集、外部验证集和全部验证集的曲线下面积（AUC）分别为0.929（95%CI：0.876~0.983）、0.832（95%CI：0.723~0.941）、0.802（95%CI：0.666~0.939）、0.803（95%CI：0.715~0.890）。多因素Logistic回归分析结果显示,周围侵犯（OR=6.343;95%CI：1.009~36.604;P=0.039）和熵标签值（OR=20.145;95%CI：5.887~68.936;P<0.001）是预测TET危险程度的独立危险因素,二者共同构建的组合模型在训练集、内部验证集、外部验证集和全部验证集的AUC分别为0.941（95%CI：0.894~0.987）、0.871（95%CI：0.775~0.968）、0.819（95%CI：0.689~0.949）、0.840（95%CI：0.761~0.919）。 结论 基于胸部增强CT图像的熵特征可以定量评估TET的危险程度;周围侵犯和熵标签值构建的组合模型的诊断效能最高,可以精准指导TET患者的术前治疗策略。