阿斯伯格综合征与高功能孤独症在脑网络上的差异:静息态fMRI的图论研究

目的关于阿斯伯格综合征(Asperger's syndrome,AS)和高功能孤独症(high functioning autism,HFA)之间的差异的争论已经持续了数十年,本研究拟采用静息态功能磁共振成像图论的方法来探索这两种疾病在脑功能上的差异。材料与方法使用美国孤独症脑成像交换数据库Ⅰ(Autism Brain Imaging Data Exchange,ABIDEI)的影像数据,其中包括AS患者(n=55)和HFA患者(n=53)的静息态功能磁共振成像数据。对两组影像数据进行处理,并计算出两组的脑网络图论参数。使用两样本t检验比较两组间的脑网络图论参数,并进行事后检验(Bonferroni校正)。使用偏相关分析分别探索两组中有显著差异的图论指标与临床数据的相关性。结果AS组和HFA组在右颞上回的节点效率(P=0.016)、右额中回的节点聚类系数(P=0.044)等多个脑区的多个图论指标分别存在显著差异。这些脑区涉及社会、共情、语言和认知功能。此外,AS组患者在双侧脑岛的节点局部效率(nodal local efficiency,NLE)与孤独症诊断观察量表评分呈负相关(左脑岛:r=-0.366,P=0.033;右脑岛:r=-0.412,P=0.016)。结论本研究结果可能为不同类型孤独症谱系障碍的脑功能机制提供新的思路和见解,从而有助于揭示孤独症不同亚型诊断和治疗的特异性。

磁共振成像技术在耳鸣中的研究进展

耳鸣作为耳鼻喉科最常见的症状之一,严重影响了数百万人的生活质量。耳鸣的机制非常复杂,且目前缺乏规范化及个体化的治疗。磁共振成像技术可从微观结构、功能等不同角度进一步探索耳鸣的发病机制,对研究其发病机制及提供新的治疗方案具有重要价值。本文基于结构性磁共振成像技术、扩散张量成像技术、血氧水平依赖功能成像技术、动脉自旋标记成像技术以及磁共振波谱成像技术在耳鸣中的应用价值和最新研究进展予以综述,旨为进一步研究耳鸣相关机制提供帮助。

基于表观扩散系数定量参数区分移行型脑膜瘤与非典型脑膜瘤

目的探讨表观扩散系数(apparent diffusion coefficient,ADC)直方图参数在术前区分移行型脑膜瘤(transitional meningioma,TM)与非典型脑膜瘤(atypical meningioma,AM)的价值。方法回顾性分析经组织病理学证实的66例TM和30例AM患者资料。由2名经验丰富的放射科医生使用3DSlicer软件,在肿瘤ADC图像上采用双盲法沿着肿瘤边缘手动勾画感兴趣区(region of interest,ROI),ROI除外坏死、囊变及出血区域,由ROI灰度值构建灰度直方图,生成受试者工作特征(receiver operating characteristic,ROC)曲线,并计算曲线下面积(area under the curve,AUC)。评估ADC直方图参数与Ki-67增殖指数、孕激素受体(progesterone receptor,PR)、上皮膜抗原(epithelial membrane antigen,EMA)、S-100蛋白四种病理指标的相关性。结果TM组的方差、偏度、峰度及最大值参数均大于AM组(P均<0.05)。方差、偏度、峰度、最大值及Perc.90参数与Ki-67表达呈负相关;方差、最小值及Perc.10参数在PR阳性和PR阴性之间存在显著差异(P均<0.05)。结论ADC直方图分析有助于术前区分TM和AM,衍生参数可预测Ki-67水平及PR表达。

深度学习在医学影像学中的研究现状及发展前景

精准医疗,影像先行;精准影像,技术先行。近年来,随着人工智能的迅速发展,深度学习作为其重要分支,已广泛应用于信号处理、计算机视觉和自然语言处理等诸多领域,其中基于深度学习的医学影像数据分割、疾病检测及预后预测等已成为众多学者研究的热点。本文将简要概述深度学习在医学影像学主要技术领域的应用现状,并分析其在医学影像学临床应用中所面临的挑战与发展前景,旨在为深度学习算法的临床转化提供参考。