纵横比大于1乳腺良、恶性病灶的超声、病理及临床特征对比

目的:对比分析纵横比(H/W)大于1乳腺良、恶性病灶的超声、病理及临床特征。方法:选取83例具有H/W>1超声特征的乳腺病灶,根据术后病理结果分为良性组和恶性组,分析比较其超声和临床特征。结果:83个H/W>1的乳腺病灶中,良性病灶占37.35%,恶性病灶占62.65%。良性病灶合并有形态不规则、边缘不规则、后方回声衰减、微钙化、血流Ⅱ-Ⅲ级、腋窝转移性淋巴结的比例低于恶性病灶(P<0.05)。除H/W>1外,良性组合并可疑超声特征的数量低于恶性病灶(P<0.05)。良性病灶患者年龄低于恶性病灶(P<0.05)。结论:H/W>1乳腺良、恶性病灶在超声、病理及患者年龄方面有所不同,具有一定的特征性表现。

基于超声影像纹理分析鉴别诊断乳腺分叶状肿瘤和纤维腺瘤

目的乳腺分叶状肿瘤(PTB)和纤维腺瘤(FB)超声特征具有一定重合。文中探讨超声影像纹理分析鉴别诊断PTB和FB的价值。方法选取53例PTB和114例FB患者的术前超声影像资料。将超声二维影像导入MaZda 4.6软件中,手动勾画病变的感兴趣区(ROI),分别选择Fisher系数、分类错误概率联合平均相关系数(POE+ACC)、交互信息(MI)以及联合3种方法(Fisher+POE+ACC+MI)。选择最具鉴别价值的纹理特征参数,构建人工神经网络模型,比较PTB和FB纹理特征的差异,并评估3种纹理分析方法和超声医师对PTB和FB的误判率。结果3种纹理参数分析方法共选取的30组纹理参数中,8组差异有统计学意义(P<0.05)。在总误判率方面,3种方法联合分析的误判率最低,与Fisher系数、POE+ACC、MI以及超声医师的误判率相比,差异均具有统计学意义(χ2=30.683、7.467、12.371、4.138,P<0.05)。同时,超声医师对PTB的误诊率明显高于FB(54.72%vs 17.54%,P<0.05)。结论超声影像纹理分析可用于鉴别诊断PTB和FB。

超声诊断乳头疾病

目的探讨超声诊断和鉴别诊断女性乳头疾病的价值。方法回顾性分析25例超声首诊乳头异常患者,其中16例经病理证实,4例经随访证实,5例为临床诊断,分析不同乳头疾病的超声特征。结果16例中,乳头佩吉特病9例,均经病理证实,包括混合型6例、单纯型3例,超声诊断准确率88.89%(8/9);乳头炎症6例,2例经手术活检证实、4例经随访证实,超声诊断准确率66.67%(4/6);导管内乳头状瘤4例,超声诊断准确率100%(4/4);乳头内导管原位癌1例,超声缺乏典型特征;另发现乳头内钙化灶3例,乳头内囊性结节2例。结论乳头疾病多与导管有关。超声结合临床可为诊断和鉴别诊断乳头疾病提供重要信息。

超声影像纹理分析鉴别诊断乳腺良恶性微小病变的价值

目的:探讨超声影像纹理分析鉴别诊断乳腺良恶性微小病变的价值。方法:选取158例患者共164个乳腺微小病变,将超声二维影像导入MaZda 4.6软件中,手动勾画病变的感兴趣区(area of intrest,ROI),分别选择交互信息(mutual information,MI)、分类错误概率(probability of classification error,POE)联合平均相关系数(average correction coefficient,ACC)(POE+ACC)、Fisher系数,以及以上3种方法的联合(Fisher+POE+ACC+MI)选择最具鉴别价值的纹理特征参数,并构建人工神经网络(artificial neural network,ANN)模型。以病理结果作为金标准,对比分析超声影像纹理分析和超声医师评估的准确性。结果:对于乳腺微小病变,采用MI方法进行纹理分析的总误判率为46.34%(76/164),POE+ACC的总误判率为48.17%(79/164),Fisher系数的总误判率为23.78%(39/164),3种方法联合的总误判率为20.12%(33/164),超声医师的误判率为29.27%(48/164),其中,3种方法联合的误判率最低。同时,超声医师对恶性微小病变的误判率明显高于良性微小病变(P<0.05)。结论:超声影像纹理分析可用于鉴别诊断乳腺微小病变的良恶性。