论文部分内容阅读
目的:探讨MRI图像纹理分析在胰腺无功能性神经内分泌肿瘤（non-functionalpancreaticneuroendocrine neoplasms,NF-PNENs）与实性假乳头状肿瘤（solid-pseudopapillary neoplasm,SPN）鉴别中的应用价值。方法:回顾性分析经病理确诊的NF-PNENs和SPN患者MRI图像共119例。运用MaZda软件进行纹理分析,分为训练样本（101例）和测试样本（18例）。训练样本采用原始数据分析（raw data analysis,RDA）、主成分分析（principal component analysis,PCA）、线性判别分析（linear discriminant analysis,LDA）及非线性判别分析（nonlinear discriminant analysis,NDA）鉴别NF-PNENs和SPN,结果以判错率表示。测试样本通过人工神经网络分类器进行验证。一名有经验的影像医师在不知道MaZda软件鉴别结果、病理学结果以及临床信息的情况下,通过查看完整的MRI图像独立鉴别两种胰腺肿瘤,结果同样以判错率表示。此外,对各序列图像MaZda软件提取的30个纹理特征进行组间分析。结果:训练样本中鉴别NF-PNENs和SPN的判错率最小为7.92%（6/101）,出现在DWI序列FPM方法中的NDA判别结果中,但在各序列间没有显著性差异。影像医师的判错率（16.67%,35/101）显著高于各序列中NDA结果。在训练样本中,熵及熵和为DWI和T1WI+fs序列最有鉴别能力的特征,直方图均值及百分位数为T1WI增强动脉期序列最有鉴别能力的特征。测试样本分类结果较好出现在T1WI动脉期和延迟期。T1WI增强动脉期序列图像训练样本和测试样本中,直方图特征均在两种肿瘤间有显著性差异。结论:MRI图像纹理分析能够鉴别NF-PNENs和SPN,并且T1WI增强动脉期序列的直方图特征鉴别效能较高。MRI图像纹理分析在胰腺神经内分泌肿瘤病理分级鉴别中的应用探索目的:探讨MRI图像纹理分析在胰腺神经内分泌肿瘤病理分级鉴别中的应用价值。方法:回顾性分析经病理确诊的151例PNENs患者MRI图像,PNENs包含G1级84例,G2级55例,G3级12例。运用MaZda软件进行纹理分析,分为训练样本（136例）和测试样本（15例）。训练样本采用原始数据分析、主成分分析、线性判别分析及非线性判别分析进行分级鉴别,结果以判错率表示。测试样本通过人工神经网络分类器进行验证。此外,对各序列图像MaZda软件提取的30个纹理特征在不同级别肿瘤中的差别进行分析。结果:训练样本鉴别PNENs G1、G2、G3三种分级判错率最小为19.12%（26/136）,但G3级判断效果不佳。训练样本鉴别PNENs G1与G2两种分级的判错率最小为12.70%（16/126）。在三种病理分级间有显著性差异的纹理特征主要是灰度共生矩阵及游程矩阵特征。G1与G2两组间存在差异的纹理特征主要出现在T2WI+fs序列、DWI序列及ADC图中,主要为灰度共生矩阵及游程矩阵特征。结论:MRI图像纹理分析有助于鉴别PNENs G1级与G2级,且共生矩阵特征及游程矩阵特征鉴别能力较强。