牙源性角化囊肿与正角化牙源性囊肿CK10、Bcl-2免疫组化表达

目的 :比较牙源性角化囊肿 (odontogenickeratocyst,OKC)与正角化牙源性囊肿 (orthokeratinizedodonto geniccyst,OOC)中CK10及Bcl- 2的表达情况。方法 :OKC及OOC各 10例 ,分别行CK10、Bcl- 2免疫组化染色 ,并利用SPSS10 .0统计软件对免疫组化染色结果进行统计学处理。结果 :CK10在OKC中的阳性表达率为 80 % (8/10 ) ,而在OOC中为 10 0 % (10 / 10 ) (P >0 .0 5 )。OOC上皮中CK10阳性着色于除基底细胞层外的上皮全层 ,而OKC中CK10阳性着色仅见于上皮表层的不全角化层。Bcl- 2在OKC中的阳性表达率为 6 0 % (6 / 10 ) ,而在OOC中为 10 % (1/ 10 ) (P <0 .0 5 )。结论 :OKC与OOC的衬里上皮中免疫组化表达存在显著差别 ,OOC可能为有别于OKC的一种独立病损。

正角化牙源性囊肿复发2例报告

正角化牙源性囊肿是一种侵袭性相对较小,术后复发率较低的颌骨良性病变。本文将报道2例下颌骨正角化牙源性囊肿复发病例,并结合临床影像学表现、组织病理学特点及治疗进行讨论。

基于深度迁移学习的牙源性囊肿病理图像鉴别诊断方法研究

目的:基于深度迁移学习实现牙源性囊肿病理图像自动化鉴别诊断,为病理医师提供参考。方法:收集诊断为牙源性角化囊肿和正角化牙源性囊肿的数字病理图像各50张,应用自动化分割方法获取上皮组织图像,将分割后的图像切割为小图像块作为训练集、验证集和独立测试集,其中训练集和验证集用于建立模型,测试集用于评价模型预测能力。使用深度迁移学习的方法基于VGG16网络建立诊断模型,并对该模型鉴别诊断的效果进行评估。结果:基于深度迁移学习的诊断模型在测试集上准确率达到96.96%,模型可以较好地区分牙源性角化囊肿和正角化牙源性囊肿;将同一图像的小图像块的分类概率取均值作为该图像的分类概率,模型的诊断准确率为100%。结论:在较少的样本量下,基于深度迁移学习建立的诊断模型应用于牙源性囊肿病理图像鉴别准确率较高,可以作为提高病理医师诊断效率的辅助工具。