论文部分内容阅读
第一章直方图纹理分析鉴别诊断中央腺体前列腺癌和前列腺增生结节的价值目的:探讨基于T2WI-MRI与DWI-MRI图像的直方图纹理分析(TA)在中央腺体(CG)前列腺癌(PCa)与良性前列腺增生(BPH)结节鉴别诊断方面的价值。方法:回顾性分析于我院2015年1月至2019年6月期间具有完整临床资料并获得直肠超声(TRUS)引导下穿刺活检病理证实的21例CG-PCa和30例CG-BPH患者的磁共振成像资料。采用AW4.6工作站,收集所有患者的小FOV T2WI-MRI与小FOV DWI-MRI横断面原始图像,依次导入ITK-SNAP软件,由2名有经验的放射科医师共同阅片,结合T2WI-MRI、DWI-MRI图像、TRUS靶向穿刺的部位及病理结果,确认病灶最大层面的图像及范围,由一名医师手动勾画ROI并保存,另一名医师监督并确认,如有不同意见通过协商达成共识。应用GE公司的AI-Kit软件对病灶的原始图像和具有ROI标记的图像进行标准化预处理,并一一匹配,提取ROI内6个直方图特征参数。整理T2WI和DWI图像中的PCa组和BPH组的直方图特征数据,加以统计学分析,对具有统计学意义的纹理参数绘制受试者工作特征曲线(ROC),评价各项特征鉴别诊断前列腺CG良恶性病灶的效能。结果:在基于T2WI-MRI图像的直方图纹理参数中,BPH组的方差、能量、熵、峰度及偏度均显著高于PCa组(P<0.05);在基于DWI-MRI图像的直方图参数中,BPH组的方差、均值及偏度显著低于PCa组(P<0.05)。ROC数据上,T2WI-MRI图像中方差的鉴别诊断效能最高,曲线下面积(AUC)为0.77(95%CI,0.63-0.87;P<0.001),临界值取2807.17时,其敏感度、特异度分别为80.95%、66.67%;DWI-MRI图像中均值的诊断效能最高,AUC为0.92(95%CI,0.81-0.98;P<0.001),临界取值349.07时,其敏感度、特异度分别为85.70%、90.00%。此外,DWI-MRI图像中方差的诊断效能(AUC=0.87)明显高于T2WI序列下的所有直方图参数的诊断效能。结论:基于T2WI与DWI图像的直方图分析均有利于CG区PCa与BPH的鉴别诊断,虽然DWI的诊断效能较高,但T2WI的临床诊断价值也不可忽视。第二章影像组学模型在预测中央腺体前列腺癌和前列腺增生结节中的价值目的:探讨基于不同MRI序列的影像组学模型在预测中央腺体(CG)前列腺癌(PCa)和良性前列腺增生(BPH)中的价值。方法:回顾性分析于我院2015年1月至2019年6月期间具有完整临床资料并获得直肠超声(TRUS)引导下穿刺活检病理证实的21例CG-PCa和30例CG-BPH患者的磁共振资料。采用AW4.6工作站,收集所有患者的小FOV T2WI-MRI与小FOV DWI-MRI横断面原始图像,依次导入ITK-SNAP软件,由2名有经验的放射科医师共同阅片,结合T2WI-MRI、DWI-MRI图像、TRUS靶向穿刺的部位及病理结果,确认病灶最大层面的图像及范围,由一名医师手动勾画ROI并保存,另一名医师监督并确认,如有不同意见通过协商达成共识。应用GE公司的AI-Kit软件对病灶的原始图像和具有ROI标记的图像进行标准化预处理,并一一匹配,对各序列上病灶的特征参数进行高通量信息采集,通过ANOVA+MW法、相关分析及LASSO回归降维。按7:3的比例将数据分为训练组和验证组,T2WI序列以36例作为训练组,15例作为验证组;DWI序列以36例作为训练组,15例作为验证组。采用随机森林方法构建预测模型,并通过绘制ROC对各序列的预测模型的效能进行评估。结果:通过降维在T2WI和DWI序列上均筛选出8个最佳特征。T2WI序列的预测模型在训练组中的AUC为0.87,敏感度、特异度、准确率、阳性预测值和阴性预测值分别为90%、80%、86%、86%及86%;验证组的AUC为0.87,敏感度、特异度、准确率、阳性预测值和阴性预测值分别为67%、100%、80%、100%及67%。DWI序列的预测模型在训练组中AUC为0.99,敏感度、特异度、准确率、阳性预测值和阴性预测值分别为95%、100%、97%、100%和93%;验证组中AUC为0.98,敏感度、特异度、准确率、阳性预测值和阴性预测值分别为89%、100%、93%、100%和86%。结论:基于T2WI和DWI不同序列图像的影像组学模型对CG的PCa和BPH结节的预测均有一定价值,其中基于DWI序列的预测效果较好。