单指数、双指数、拉伸指数DWI模型鉴别前列腺癌与基质型前列腺增生的价值研究

目的比较单指数、双指数及拉伸指数DWI模型在鉴别前列腺癌(prostate cancer,PCa)与基质型前列腺增生(stromal prostate hyperplasia,SH)中的价值。材料与方法回顾性分析经直肠超声引导下穿刺活检证实的PCa 24例(28个病灶),基质型前列腺增生20例(22个病灶)的临床资料。所有患者均行T2WI、T1WI、DWI、多b值DWI扫描。根据穿刺病理结果确定癌或增生的部位,与DWI及多b值DWI图像进行匹配,测量两组的单指数模型参数:ADC值,双指数模型参数:D,D*,f值及拉伸指数模型参数:DDC、α值,采用独立样本t检验进行差异性比较;受试者ROC曲线分析各参数鉴别诊断效能,计算其诊断阈值;采用Sperman或Pearson进行相关分析。结果(1)PCa组的ADC、D、DDC、α(0.72±0.14×10^-3 mm^2/s,0.57±0.11×10^-3 mm^2/s,0.71±0.14×10^-3 mm^2/s,0.63±0.03)均低于SH组(1.14±0.13×10^-3 mm^2/s,0.94±0.12×10^-3 mm^2/s,1.30±0.17×10^-3 mm^2/s,0.76±0.05),差异有统计学意义;PCa组的D*(17.96±13.39×10^-3 mm^2/s)高于SH组(10.28±4.96×10^-3 mm^2/s),差异有统计学意义;PCa组的f值(0.30±0.08)略高于SH组(0.29±0.05),差异无统计学意义。(2)在诊断PCa时DDC、D、ADC、α均具有较高诊断效能,曲线下面积AUC分别为:0.9961、0.9957、0.9903、0.9573;分别的诊断阈值为:0.97×10^-3 mm^2/s、0.70×10^-3 mm^2/s、0.86×10^-3 mm^2/s、0.69。(3)无论是PCa组还是SH组ADC、D、DDC两两之间均具有较好相关性,PCa组ADC与DDC相关性最强,r=0.852;SH组ADC与D相关性最强,r=0.751。结论拉伸指数模型DDC、α值,双指数模型D值和单指数模型ADC在鉴别PCa与SH中均具有较高效能,MRI在PCa的诊断中具有明显优越性,DWI不同模型成为其信息补充,双指数模型同时可以提供灌注信息,拉伸指数模型可以提供扩散异质性信息,但双指数模型及拉伸指数模型诊断效能尚未高于传统的单指数模型,所以临床仍推荐应用单指数模型DWI。

多参数MRI放射组学预测上皮性卵巢癌患者术前腹膜转移

目的评价基于多参数磁共振成像(multiparameter magnetic resonance imaging,MP-MRI)的放射组学特征对上皮性卵巢癌腹膜转移的预测价值。材料与方法回顾性收集86例上皮性卵巢癌患者纳入研究,所有患者均行轴位脂肪抑制T2加权成像(fat suppression-T2 weighted imaging,FS-T2WI)、扩散加权成像(diffusion-weighted imaging,DWI)和动态增强(dynamic contrast enhanced,DCE)-T1WI扫描,从每个患者术前FS-T2WI、DWI和DCE-T1WI图像中提取定量成像特征,建立放射组学模型、临床模型;结合放射组学特征及临床病理危险因素,构建放射组学诺模图,通过受试者工作特性曲线、AUC、校准曲线和临床实用性来评估该放射组学诺模图的预测性能。结果来自MP-MRI组合序列的放射组学模型比单独来自FS-T2WI、DWI和DCE-T1WI的模型具有更高的AUC(0.865 vs.0.749、0.765、0.736)。诺模图(0.953)显示出比临床模型(0.819)和组学模型(0.865)更好的诊断效果。结论基于MP-MRI组合序列的放射组学诺模图对腹膜转移显示出良好的预测准确性,可用于术前识别上皮性卵巢癌患者的腹膜转移。

不同扩散模型及影像组学在卵巢肿瘤诊断中的应用

卵巢癌是最恶性的妇科疾病,病死率极高,其明确诊断对治疗和预后意义重大。不同扩散模型能够无创地通过一系列定量参数为临床提供更多信息,从而提高卵巢肿瘤诊断的准确性。影像组学是人工智能的一种方法,能够更全面、客观地揭示病变的内在异质性,在肿瘤检测、初级分期、治疗计划、预后预测以及反应评估方面具有良好的应用前景。本文综述了不同扩散模型及影像组学在卵巢肿瘤中的研究进展。

磁共振T_(2)WI纹理分析对前列腺癌雄激素剥夺治疗疗效评估的临床价值

目的:探讨磁共振(MR)T_(2)WI纹理分析对前列腺癌雄激素剥夺治疗(ADT)后的临床指导及鉴别治疗后残存病灶与周围良性组织的价值。方法:回顾性分析2018年1月-2019年5月经本院穿刺病理证实为前列腺癌并进行7个月ADT治疗后的患者的病例资料。治疗后患者按照PSA水平及病理结果分组,所有患者行常规T_(1)WI、T_(2)WI和DWI扫描。采用ITK-SNAP软件在T_(2)WI上手动逐层勾画ROI采用GE公司的AK软件提取308个纹理特征。采用组内相关系数(ICC)评估特征可重复性,独立样本t检验或Mann-Whitney U检验筛选出在每组间差异有统计学意义的纹理特征,采用10倍交叉验证法及Lasso回归模型对特征进行进一步的筛选和建模,多因素逻辑回归模型最终构建三个机器学习模型,采用ROC曲线及决策曲线(DCA)评估模型诊断效能。结果:纳入ADT治疗后疗效差患者23例,疗效好患者20例。筛选出Correlationangle 135 offset4、Haralick Correlation All Directionoffset4SD、Elongation、Low Intensity LargeArea Emphasis这4个特征构建模型一,构建的模型一评估前列腺癌ADT治疗后是否存在病灶的ROC曲线下面积(AUC)为0.87,敏感度为0.739,特异度为0.75。筛选出2个纹理特征VoxelValue Sum、Long Run Emphasisangle45offset1构建模型二,鉴别癌灶与中央腺的AUC为0.91,敏感度为0.81,特异度为1。筛选出GLCMEntropy All Directionoffset7SD、Long Run Emphasisangle 135 offset4、Long Run High GreyLevel Emphasis All Directionoffset4SDNULLADC这3个特征构建模型三,鉴别癌灶与外周带的AUC为0.87,敏感度为0.952,特异度为0.67。结论:MR T_(2)WI纹理分析可以对前列腺癌ADT治疗后的不同疗效进行评估以指导下一步临床治疗,同时MR T_(2)WI纹理特征可以鉴别ADT治疗后残存病灶与周围良性组织。