探究膀胱影像报告与数据系统在预测肌层浸润性膀胱癌中的应用

目的本研究旨在探讨多参数MRI膀胱影像报告与数据系统(vesical imaging reporting and data system,VI-RADS)预测肌层浸润性膀胱癌的准确性。方法本研究涵盖了113名经过特殊膀胱磁共振成像(mpMRI)检测的病例。在评估过程中,由两位资深的放射学专家遵循VI-RADS系统的指导方针,独立完成了对影像资料的评分工作。通过t检验和卡方检验初步比较临床病理数据,再用多因素logistic回归模型来确定与肌层浸润性膀胱癌相关预测因素。本研究通过受试者工作特征(receiver operating characteristic,ROC)曲线的分析方法,评估了VI-RADS评分系统在识别膀胱癌是否侵犯肌层方面的准确性。研究中计算了ROC曲线下的面积(area under the curve,AUC),以此来衡量诊断模型的整体性能。此外,根据不同的评分界限,我们进一步分析了诊断的敏感性(sensitivity)、特异性(specificity)、以及预测膀胱癌肌层浸润的阳性(positive predictive value,PPV)和阴性(negative predictive value,NPV)预测值。结果本研究共纳入113例患者,男91例,女22例。多变量logistic回归模型分析结果显示只有高的VI-RADS评分与肌层浸润性膀胱癌有关(优势比为8.56;P<0.001)。VIRADS评分ROC曲线下面积为0.91。VI-RADS评分根据不同的阈值来定义肌层浸润性膀胱癌。当把VI-RADS≥3设置为阈值时,敏感度、特异度、阳性预测值(positive predictive Value,PPV)、阴性预测值(negative predictive value,NPV)分别为90%、78%、60%、96%。MIBC的分界点移至VIRADS≥4,则敏感度、特异度、PPV、NPV分别为90%、82%、64%、96%。结论VI-RADS评分能够较准确地预测肌层浸润性膀胱癌,是一种有效的、有前途的术前预测肌层浸润性膀胱癌的方法。

基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高,以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题,本文提出了一种基于级联卷积神经网络(Convolutional Neural Network,CNN)和磁共振图像的前列腺癌(Prostate Cancer,PCa)自动分类诊断方法,该网络以Faster-RCNN作为前网络,对前列腺区域进行提取分割,用于排除前列腺附近组织器官的干扰;以基于ResNet改进的网络结构CNN40bottleneck作为后网络,用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成,其中使用批量标准化(Batch Normalization,BN)、全局平均池化(Global Average Pooling,GAP)进行优化.实验结果证明,本文方法对前列腺癌诊断结果较好,而且缩减了训练时间和参数量,有效降低了训练成本.

基于CT的DESH量表评分在特发性正常压力脑积水中的应用

目的:探讨基于CT的DESH量表评分在特发性正常压力脑积水中的应用价值。方法:回顾性分析29例疑似iNPH患者临床及影像学资料,所有患者治疗前均行头颅CT及MR检查。分别对样本的头颅CT及MR图像进行DESH量表评分,比较CT与MR的DESH量表各参数的一致性,包括侧脑室扩大指数(Evans'index,EI)、侧裂池扩大、大脑凸面挤压效应、胼胝体角(CA)及局部脑沟扩张的评分。结果:iNPH患者CT与MR的DESH量表各评分参数组内相关系数如下:ICC EI为0.928,ICC侧脑室评分为0.905,ICC CA为0.855,ICC CA评分为0.743,ICC侧裂池评分为0.983,ICC凸面挤压评分为0.984,ICC局部脑沟评分0.814,ICC DESH总分0.914。结论:CT与MR图像的DESH量表各参数评分具有良好的一致性,头颅薄层CT的三维重建图像可应用于iNPH患者DESH量表评分。

弥漫硬化型甲状腺乳头状癌1例临床病理分析

目的探讨弥漫硬化型甲状腺乳头状癌(diffuse sclerosing variant of papillary thyroid carcinoma,DSVPTC)的临床病理学特征及分子表型。方法回顾性分析1例DSVPTC的临床病理学特征、影像学表现及免疫表型,并行KRAS、NRAS、BRAF、TERT启动子基因及RET基因检测。结果患者女性,34岁,颈部淋巴结多发转移,镜下表现为淋巴细胞性甲状腺炎背景下出现乳头状癌核特征的肿瘤细胞,伴显著鳞状上皮化生及钙化。免疫表型:癌细胞TTF-1及CK19弥漫阳性,CD56阴性;鳞状化生的肿瘤细胞p40阳性,Syn阴性,疑似癌栓的裂隙D2-40阳性。KRAS、NRAS、BRAF及TERT测序结果均为野生型。FISH检测RET基因未检测到分离信号。结论DSVPTC是一种罕见的、侵袭性较强的甲状腺乳头状癌亚型,具有特殊的分子表型。

伪单调变分不等式的一种大步长自适应次梯度外梯度投影算法

2020年Pham Ky Anh等人在Hilbert空间中提出了一种求解映射伪单调且Lipschitz连续的自适应投影算法(简记为PDNA).该算法无需知道映射的Lipschitz系数,且具有强收敛的结果.注意到算法的步长与其收敛速度密切相关,通常大步长的算法具有更好的收敛速度.Liu和Yang提出了一种求解拟单调变分不等式的自适应算法(简记为LYA),LYA的步长比PDNA中的步长长.本文提出了一种自适应的求解映射伪单调且Lipschitz连续的次梯度外梯度投影算法.新算法的步长比LYA长,且可以退化为LYA中的步长.在与PDNA相同的假设条件下证明了新算法的强收敛性.数值实验表明新算法有更好的数值实验结果.

扩散峰度成像定量参数直方图分析在诊断前列腺癌及判定其恶性程度中的价值

目的探讨扩散峰度成像（DKI）定量参数直方图分析在诊断前列腺癌和判定其恶性程度中的应用价值。方法回顾性分析2014年11月至2016年11月武汉大学中南医院，经前列腺穿刺活检诊断，有明确Gleason评分结果，且接受过前列腺MRI检查的120例患者。前列腺癌67例（90个癌灶），其中Gleason评分≤6分23例（37个癌灶），Gleason评分3＋4=7分7例（7个癌灶），Gleason评分4＋3=7分3例（3个癌灶），Gleason评分≥8分34例（43个癌灶）；低级别癌灶37个（Gleason评分≤6），高级别癌灶53个（Gleason评分≥7）。前列腺增生53例。患者均行前列腺常规MRI和多b值DKI检查，获得经非高斯模型校正后表观扩散系数（Dapp）、表观峰度系数（Kapp）值和ADC值，并行直方图分析。采用两独立样本t检验比较前列腺增生和前列腺癌病灶间、高低级别前列腺癌病灶间ADC、Dapp和Kapp值的差异。采用ROC分析DKI参数诊断前列腺癌及区分高低级别前列腺癌的效能。采用Pearson相关分析评估ADC、Dapp和Kapp值直方图参数与Gleason评分的相关性。结果前列腺增生与前列腺癌病灶间，除Kapp值偏度值差异无统计学意义外，其他参数差异均有统计学意义（P均〈0.05）。高、低级别前列腺癌灶间，除Kapp偏度值差异无统计学意义外，其余参数差异均有统计学意义（P均〈0.05）。ADC、Dapp与Kapp值的中位数、平均数和标准差鉴别诊断前列腺增生和前列腺癌，以及区分高、低级别的前列腺癌均有较好的效能，ROC下面积为0.558~0.985。ADC值的中位数、平均数（r值分别为－0.701、－0.676），Dapp值的中位数、平均数（r值分别为－0.712、－0.701），Kapp值的中位数、标准差及峰度（r值分别为0.458、0.516和－0.528）与Gleason评分有中度或较强的相关性（P均〈0.05）。结论DKI参数结合直方图分析有助于鉴别诊断前列腺癌以及评价前列腺癌恶性程度。

扩散峰度成像在前列腺疾病诊断中的临床应用进展

前列腺癌是男性中居第二位恶性肿瘤,其死亡率居第六位。随着年龄增长,前列腺癌呈高发趋势,已成为严重影响男性健康的泌尿系统恶性肿瘤。磁共振成像可以提供无创、高对比度结构和功能像,在前列腺疾病诊断、定位、分级和预后等方面显示出巨大优势。

探究膀胱影像报告与数据系统对肌层浸润性膀胱癌的诊断效能及观察者间一致性的研究

目的探讨VI-RADS对膀胱癌浸润肌层的诊断效能和评估观察者间一致性。方法共纳入122例接受膀胱多参数MRI检查的患者。两位影像医师按照膀胱影像报告与数据系统(VI-RADS)规定的评分方法和标准进行阅片。VI-RADS评分观察者之间的一致性通过组内相关系数(ICCs)来评估,采用受试者工作特征曲线(ROC)对VI-RADS评分诊断膀胱癌浸润肌层的诊断效能进行分析,获得ROC曲线下面积(AUC),并计算不同阈值条件下的诊断敏感度、特异度、阳性预测值(PPV)、阴性预测值(NPV)及准确度。以P<0.05为差异有统计学意义。结果共纳入122例患者,男96例,女26例。平均年龄为66岁,膀胱肿瘤多发19例,单发103例。病理诊断为肌层浸润性膀胱癌(MIBC)33例,非肌层浸润性膀胱癌(NMIBC)89例。两名观察者一致性良好,ICC值为0.94,95%置信区间(0.91,0.96)。<5.4%MIBC出现在VI-RADS 1分和2分中;对于VI-RADS 3、4、5分的病变,MIBC比例分别为28.6%(2/7),47.1%(8/17)和80%(20/25)。当阈值VI-RADS≥3定为MIBC时,观察者1和观察者2的敏感度、特异度、PPV、NPV及准确度分别为91%、80%、63%、96%、83%和91%、76%、59%、96%、80%;如果将定义MIBC的分界点移至VI-RADS≥4,则观察者1和观察者2的敏感度、特异度、PPV、NPV及准确度分别为85%、85%、68%、94%、85%和91%、81%、64%、96%、83%。观察者1、2的AUC分别为0.89和0.91。结论VI-RADS评分能够准确地鉴别MIBC和NMIBC,观察者间一致性总体较好。