MRI对膝关节交叉韧带腱鞘囊肿的诊断价值

目的探讨膝关节交叉韧带腱鞘囊肿的MRI表现及其诊断价值。方法回顾性分析我院41例膝关节交叉韧带腱鞘囊肿的临床及影像学资料,总结交叉韧带腱鞘囊肿的临床表现和MRI影像学特点。结果本组41例中,3例为双膝同时发病,38例为单膝发病。MRI表现交叉韧带腱鞘囊肿呈圆形、椭圆形、条带形及纺锤形的均匀长T 1、长T 2信号,PDWI-FS序列呈高信号,其内可伴有出血,导致信号不均匀。结论MRI能够清晰的显示交叉韧带囊肿的大小、形态、部位、数目、信号改变及与周围结构的关系,MRI可以作出明确诊断,对临床有重要的指导价值。

DTI在腰椎间盘突出症神经根受卡压中的应用

随着腰椎间盘突出症发病率的升高,下腰痛已成为当今最为普遍、代价最高的健康问题之一。许多影像学技术被用于腰椎间盘突出症的诊断,其中,最为广泛使用的是X线、CT及MRI。但上述影像技术仍不能将腰椎间盘突出症患者的实际临床表现与影像学表现完全吻合,特异性比较低。因此,新的影像技术正被迫切需要。目前,弥散张量成像(DTI)作为一种新的影像学技术被用于腰椎间盘突出症的影像研究中。现已发现DTI可以定量测量腰椎间盘突出症患者中受卡压的神经根的各向异性分数值,从而判断神经根内水分子向各个方向的弥散能力。DTI的神经根示踪成像也可用于显示被腰椎间盘卡压的神经根,从而直观显示神经根的形态及走行情况。尽管目前DTI在腰椎间盘突出症中的研究还存在很多局限性,但DTI依然被认为是诊断腰椎间盘突出症所致神经根卡压的一种潜在的、具备临床实用性的影像技术。因此,更多DTI关于腰椎间盘突出症神经根受卡压的研究正迫切需要实施,以确认这项新技术在该疾病方面的应用。

CT对肝炎性肌纤维母细胞瘤的诊断价值

目的分析肝炎性肌纤维母细胞瘤的CT表现,提高影像诊断准确率。方法选择2013年1月至2018年8月南京医科大学附属南京医院8例经手术或穿刺病理确诊的肝炎性肌纤维母细胞瘤患者,其中男性4例,女性4例;年龄50～65岁,平均年龄57.5岁。行CT平扫及增强扫描,总结CT影像特点。结果 6例显示不均匀渐进性强化,以轻、中度强化为主,病灶中央部分强化程度低于边缘部分;1例呈门静脉期边缘轻度环状强化,1例显示不明显轻度分隔强化,另1例合并有门静脉左支闭塞,并于周围可见侧支循环产生。结论肝炎性肌纤维母细胞瘤的CT表现具有一定特点,但仍需与肝内恶性肿瘤相鉴别,确诊依靠肝穿刺或手术行病理学检查和免疫组织化学检查。

轻度Alzheimer’s病患者血浆氨水平对脑脊液β-淀粉样蛋白含量及认知功能的影响

目的探讨轻度Alzheimer’s病(AD)患者血浆氨水平对CSFβ-淀粉样蛋白(Aβ)含量及认知功能的影响。方法以本院收治的108例轻度AD患者(MMSE≥16分)和47名志愿者(正常对照组)为研究对象,行认知功能评估及血浆氨检测。轻度AD患者根据血浆氨水平分为血浆氨正常组(ADA-组)、血浆氨升高组(ADA+组)。检测AD患者CSF的Aβ42、Aβ40、总tau和磷酸化tau水平并进行比较。结果与正常对照组比较,ADA-组及ADA+组MMSE、蒙特利尔认知评估量表(MoCA)评分显著降低(均P<0.001),ADA-组MoCA评分显著高于ADA+组(P<0.001)。ADA+组血浆氨水平显著高于ADA-组及正常对照组(均P<0.001)。ADA+组Aβ42、Aβ40水平显著低于ADA-组(t=2.29,P=0.024;t=2.72,P=0.008)。ADA+组血浆氨水平与MoCA评分(r=-0.47,P<0.001)及CSF Aβ42水平(r=-0.63,P<0.001)呈显著负相关。CSF Aβ42水平在血浆氨水平和认知功能之间存在显著中介效应,中介效应占总效应的百分比为45.94%。结论部分AD患者存在血浆氨升高,高血氨可能通过降低CSF Aβ42水平,导致Aβ42沉积形成斑块,使认知障碍进一步加重。

基于DWI和FLAIR的深度学习预测急性卒中发病时间

目的探讨基于DWI和液体衰减反转恢复序列(FLAIR)的深度学习技术构建预测急性卒中发病时间模型的效果。方法回顾性分析于2017年1月至2020年5月在南京市第一医院就诊且发病时间明确的急性卒中患者324例。采用7∶3比例按照完全随机法将患者分为训练集226例,测试集98例;再根据发病时间将患者分为≤4.5 h和>4.5 h两组。由医师对DWI图像上急性梗死区及FLAIR相应的高信号区进行轮廓勾勒标注。利用InceptionV3模型作为图像特征提取的基本模型,构建并验证基于单序列(DWI、FLAIR)和多序列(DWI+FLAIR)的深度学习预测模型。比较人工识别、单序列模型及多序列模型预测急性卒中发病时间的ROC曲线下面积(AUC)、准确度等性能。结果发病时间≤4.5 h患者中94例(94/207)存在DWI-FLAIR不匹配,发病时间>4.5 h患者中28例(28/117)存在DWI-FLAIR不匹配。ROC分析显示人工识别DWI-FLAIR不匹配预测急性卒中发病时间的AUC为0.607,准确度为60.2%。基于单序列的深度学习预测模型显示FLAIR序列预测急性卒中发病时间的AUC为0.761,准确度为71.4%;DWI序列预测急性卒中发病时间的AUC为0.836,准确度为81.6%;基于多序列(DWI+FLAIR)深度学习模型预测急性卒中发病时间的AUC为0.852,明显优于人工识别(Z=0.617,P=0.002)、基于FLAIR序列深度学习模型(Z=2.133,P=0.006)和基于DWI序列深度学习模型(Z=1.846,P=0.012)。结论基于DWI和FLAIR的深度学习模型预测急性卒中发病时间明显优于人工识别,可为未知发病时间的卒中患者提供静脉溶栓治疗指导。