1 案 例1.1 简要案情及病史摘要薛某,女,60岁,某年5月14日发生交通事故受伤,伤后以"车祸致面部裂伤、胸部疼痛1h"为主诉入院.

目的 探讨深度学习重建算法(DLR)在肩关节MRI中提高图像质量和缩短扫描时间的可行性与临床价值.方法 前瞻性纳入2023年6月至10月期间在南京医科大学第四附属医院的50例疑似患有肩关节病变的患者,采用1.5T MRI行常规序列扫描图像为Fsecon组,使用并行采集加速因子2的扫描图像为Fsefast组,扫描序列包括脂肪抑制质子加权像(PDWI-FS)和T1加权像(T1WI),将Fsefast组传至Subtle MRTMdlr后获得图像Fsedlr组.测量三组图像中的冈上肌、肱二头肌长头肌腱、盂唇软骨、肱骨骨髓的信号噪声比(SNR)及冈上肌/盂唇软骨的对比噪声比(CNR)并进行比较,两名放射科医师双盲采用Likert 4分法分别对Fsedl,组与Fsecon组的图像清晰度和伪影进行主观评价,并对这两组的病理异常结构进行诊断效能对比.结果 相对于Fsecon组,Fsedlr组扫描时间缩短了 44％,且图像清晰度评分、伪影评分均增高,差异有统计学意义(P＜0.05),两名医师主观评分组内相关性系数为0.797～0.919.客观评价指标中,Fsedlr组的SNR和CNR均明显高于Fsecon组与Fsefast组,差异均有统计学意义(P＜0.05).在两位医师对Fsecon组与FSEdlr组病理异常结构的评估中,两组的诊断结果均有较好的一致性(Kappa值:0.675～1.000),在同一名医师的评估中也显示出极好的一致性(Kappa值:0.771～1.000),其中肱骨骨髓、关节滑囊、肱二头肌长头肌腱的Kappa值均高于0.8.结论 将DLR算法应用于肩关节MRI检查中,能够提高图像质量、缩短图像采集时间,并保证诊断效能,提高检查效率,具有较好的临床价值.

目的 评估CT(CT)在高冠状动脉钙负荷患者的超高分辨率冠状动脉计算机断层血管造影(CCTA)的可行性和质量.方法 纳入20例患者接受PCD-CCTA,使用离散视觉量表评估图像噪声和冠状动脉斑块和邻近血管腔,表征图像噪声纹理.结果 CCTA在所有患者中都是可行的.在Bv40核和0.6 mm层厚重建的患者中,虚化伪影最大(55.2％±9.8％),血管锐度最低(477.1±73.6 ΔHU/mm),信噪比最高(27.4±5.6),CNR最高(32.9±6.6),噪声最低(17.1±2.2 HU).考虑到薄片厚度为0.2mm的重建,图像噪声、信噪比、CNR、血管清晰度和虚化伪影在不同核之间存在显著差异(P＜0.001).随着内核清晰度的提高,信噪比和CNR不断降低,图像噪声和血管清晰度增加,其中Bv89内核的清晰度最高(2383.4±787.1 ΔHU/mm).结论 超高分辨率CCTA结合CT是可行的,可以实现钙化冠状动脉的可视化,图像质量好,清晰度高.

目的探讨磁共振集合序列(magnetic resonance image compilation,MAGiC)与T2mapping序列在慢性冈上肌腱炎中的诊断价值,并比较两者在冈上肌腱扫描中的图像质量,以及两序列的T2值在冈上肌腱不同亚区的相关性.材料与方法回顾性收集2022年10月至2024年1月本院慢性冈上肌腱炎的患者30例(肌腱炎组)及健康体检者26例(对照组),均进行了常规MRI、T2mapping序列和MAGiC序列扫描.由两名放射科医生根据冈上肌腱走行将其分为外侧、中间、内侧亚区,并在MAGiC序列及T2mapping序列上测量不同亚区定量值.对比T2mapping序列第一回波图像与MAGiC T2WI的图像质量,并测量信号噪声比(signal to noise ratio,SNR)、对比噪声比(contrast to noise ratio,CNR).采用Mann-Whitney U检验分析肌腱炎组与对照组在不同亚区各定量参数的差异以及两序列的图像质量.绘制受试者工作特征(receiver operating characteristic,ROC)曲线并计算曲线下面积(area under the curve,AUC),评价其对慢性冈上肌腱炎的诊断效能.对T2mapping序列与MAGiC序列测得的不同亚区T2值采用Pearson相关分析评价相关性.结果MAGiC序列重建图像MAGiC T2WI与T2mapping序列第一回波图像质量主观评分差异无统计学意义(Z=?1.535,P>0.05);MAGiC T2WI图像的CNR高于T2mapping序列第一回波图像[15.45(12.76,20.46)vs.9.94(8.74,12.23)],差异有统计学意义(Z=?2.473,P<0.001),而MAGiC T2WI图像的SNR低于T2mapping序列第一回波图像[2.49(2.16,2.71)vs.5.82(5.16,7.44)],差异有统计学意义(Z=?0.609,P<0.001);MAGiC序列与T2mapping序列的T2值在肌腱炎组外侧亚区、内侧亚区均高于对照组,差异有统计学意义(P<0.05);MAGiC序列的T1值在肌腱炎组外侧亚区高于对照组,差异有统计学意义(P<0.05).外侧亚区T2mapping T2值、MAGiC T1、T2值诊断冈上肌腱炎的AUC分别为0.822、0.663、0.799;内侧亚区T2mapping T2值、MAGiC T2值诊断冈上肌腱炎的AUC分别为0.711、0.762.MAGiC序列T2值与T2mapping T2值在冈上肌腱外侧亚区、中间亚区、内侧亚区呈正相关(相关系数分别为0.736、0.437、0.464).结论MAGiC定量图谱的T1、T2值与T2mapping T2值能够有效评估冈上肌腱内部成分的异质性,反映慢性冈上肌腱炎与正常肌腱内部成分的差异及肌腱自身的区域性差异,可为临床对冈上肌腱变性提供量化的客观依据.

眼眶肿瘤的位置和组织病理学表现各不相同,给诊断带来了挑战.尽管成像技术的进步改善了这一问题,但其分类与鉴别仍是一项挑战.机器学习作为人工智能的关键分支在医疗领域已取得了一定的成果,尤其是其与影像学、眼科学的结合极大地促进了眼眶肿瘤的精准治疗,其在肿瘤鉴别、病灶分割及图像重建等方面已经展现出极大的潜力和广阔的应用前景,有望在提升眼眶肿瘤诊断水平的同时降低临床实践成本.本文就基于MRI的机器学习技术在眼眶肿瘤中的应用进行综述,旨在为临床医师和放射科医生就眼眶肿瘤的诊断、治疗及预后提供思路,并进一步促进机器学习在该领域的应用与普及推广.

目的探讨酰胺质子转移加权成像(amide proton transfer weighted imaging,APTw)的影像组学术前预测宫颈癌淋巴血管间隙侵犯(lymphovascular space invasion,LVSI)的价值.材料与方法回顾性分析经手术病理证实的宫颈癌患者病例及影像资料66例.所有患者均行盆腔3.0 T MRI检查,包括轴位T2WI、矢状位T2WI、动态对比增强磁共振成像(dynamic contrast enhanced magnetic resonance imaging,DCE-MRI)和3D-APTw序列扫描.在APTw-T2WI融合图像上对肿瘤实质区域进行感兴趣区(region of interest,ROI)勾画并记录APT值.在APT重建图像上进行肿瘤病灶分割并提取影像组学特征.采用组内相关系数(intra-class correlation coefficient,ICC)选取观察者内和观察者间复测信度好的影像组学特征(ICC>0.900).采用递归特征消除法(recursive feature elimination,RFE)及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法进行特征降维和筛选.基于logistic回归分类器构建临床模型、APTw影像组学模型和联合组学模型.采用受试者工作特征(receiver operating characteristic,ROC)曲线和决策曲线分析(decision curve analysis,DCA)评估模型的诊断效能和临床价值,采用DeLong检验比较不同模型的预测效能.结果在训练集中,APTw影像组学模型预测宫颈癌LVSI的效能高于临床模型(AUC=0.826 vs.0.675),差异有统计学意义(DeLong检验P<0.05).联合组学模型在训练集和测试集中的AUC值分别为0.838和0.825.DeLong检验结果显示,联合组学模型在训练集中术前评估LVSI的效能显著高于临床模型和APTw影像组学模型(P均<0.05).决策曲线显示APTw影像组学模型和联合组学模型在训练集和测试集中均具有较高的临床价值.结论基于APTw的影像组学模型在术前预测宫颈癌LVSI方面具有较高的潜力,联合临床因素能进一步提高预测效能,有望为宫颈癌患者的个体化治疗和预后评估提供重要的支持.

荧光引导下手术(Fluorescence-guided surgery,FGS)是应用荧光造影剂可视化目标组织,并提供实时动态的图像,其时间分辨率、空间分辨率和应用方式等优于核磁共振成像、电子计算机断层扫描和超声,主要在肿瘤切除术中应用.重建外科手术常涉及血管、淋巴和神经的定位及辨别.本文将从上述三个方面概述FGS在皮瓣外科、淋巴重建和神经重建等手术中的应用现状,以及相关荧光造影剂及成像系统的开发进展.

目的 探讨宫颈癌腔内近距离放射治疗中宫腔管不同重建点对源驻留位置及计划剂量学的影响.方法 回顾性分析2020年5月至2022年10月在柳州市工人医院完成根治性放射治疗的43例宫颈癌患者的资料.患者年龄32～79岁,病理类型为鳞癌40例,腺癌3例,均接受外照射(50.4 Gy分28次)和CT引导下的腔内(45°宫腔管)近距离治疗(36 Gy分6次).近距离治疗采用Fletcher施源器,其宫腔管弯曲角度有15°、30°和45°.为每位患者模拟制订2套近距离治疗计划.一套计划提取患者近距离治疗CT模拟定位图像及原始计划,将45°宫腔管弯曲部分重建点调整为逐层重建,根据处方优化计划至符合临床要求,称为逐层组.另一套计划以逐层组为模板,仅调整45°宫腔管弯曲部分重建点至1、3、5、7个,不修改驻留权重及其他参数,分别称为平均1、3、5、7组.对15°、30°和45°宫腔管分别进行不同重建点个数时的偏差分析,比较45°、30°与15°宫腔管在不同重建点时的重建偏差.采用配对样本t检验或Wilcoxon符号秩检验比较45°宫腔管的两组计划的高危临床靶区(HR-CTV)D30％、D90％、D100％、V100％、V150％、V200％和适形指数(CI),及膀胱、直肠和小肠的D2cm3、D1cm3、D0.1cm3的差异.结果 45°宫腔管平均组重建偏差主要来源于宫腔管垂直方向.45°(1、3、5、7个重建点)、30°(1、3、5个重建点)与15°(1、2个重建点)宫腔管的平均重建偏差分别为1.30、0.32、0.14、0.08 mm,0.57、0.14、0.06 mm,0.14、0.06 mm.逐层组的HR-CTV参数与平均5组、平均7组的差异均无统计学意义(均为P＞0.005),平均5组与平均7组间的剂量学参数差异也无统计学意义(均为P＞0.005).膀胱和直肠的剂量学参数在逐层组与平均组之间或在各平均组之间差异均无统计学意义(均为P＞0.005).逐层组的小肠剂量学参数较平均1组增加,差异有统计学意义(P值分别为0.002,＜0.001,＜0.001),逐层组的小肠剂量学参数分别与平均5组和平均7组比较差异均无统计学意义(均为P＞0.005),平均5组的小肠剂量学参数与平均7组比较差异无统计学意义(均为P＞0.005).平均组小肠D0.1 cm3、D1 cm3和D2cm3的剂量偏差在1个重建点时分别为2.41％±1.70％、1.95％±1.27％和1.71％±1.10％.结论 宫颈癌腔内近距离放射治疗中,建议15°、30°与45°Fletcher宫腔管弯曲部分重建点应分别不少于1、3和5个.

图像配准在临床医学诊断和辅助手术过程中非常重要,采用仿X光和数字减影图像的数字重建影像(DRR)设计将使医学图像配准精度和速度提高,提出用片段着色器同时生成三维渲染图像和仿X光或者数字减影图像的DRR,将复杂优化和配准计算采用并行计算语言OpenCL完成,使整个DRR图像生成和2D/3D配准交由图像处理单元GPU完成.实验结果表明,依赖仿真的X光图像或者数字减影图像配准方法可为图像引导的手术提供精确和快速的辅助作用.

目的:探讨不同等级深度学习图像重建(DLIR)算法对肾上腺肿瘤的检出、组学特征可重复性和组学模型鉴别肿瘤类型效能的影响.方法:回顾性收集41例肾上腺功能性腺瘤(FAA)和46例肾上腺转移瘤(AM)患者的临床和影像资料.CT增强扫描完成后,对静脉期的原始数据采用4种强度等级(DL1、DL2、DL3、DL4)的DLIR算法进行重建.首先采用主、客观指标比较4种等级间图像质量的差异;然后使用Research Portal V1.1科研平台对各组重建图像上肾上腺肿瘤进行分割并提取450个影像组学特征,包括原始图像特征90个和拉普拉斯(LoG)滤波后的高阶特征(高斯核:0.5、1.0、1.5、2.0)360个.采用一致性相关系数(CCC)评估采用不同图像重建等级测量的FAA和AM组学特征的可重复性.最后,在各组重建图像中采用逐步特征选择策略,筛选出最优特征集并构建鉴别FAA和AM的组学模型.利用五折交叉验证法验证4个组学模型的鉴别效能,利用分层交叉验证法测评4个模型的泛化能力.结果:DL2和DL3在肾显示上腺肿瘤的清晰度方面最优,得分为4(4,5),优于DL1相应得分4(3,5)和DL4相应得分4(3,4),且差异具有统计学意义(F=139.045,P<0.05).随着DLIR降噪等级的提升,原始特征CCC值>0.85的个数逐渐减少,DL4中FAA和AM特征可重复的比例仅占39.3％(21/90)和50.9％(29/90).组学特征经过LoG滤波(高斯核2.0)处理后,CCC值>0.85的个数增加,DL4中FAA和AM特征可重复的比例占91.1％(82/90)和93.3％(84/90).4个组学模型在测试集中的曲线下面积(AUC)和符合率均>0.75,DeLong检验显示AUC的差异无统计学意义(Z=0.177～1.284,P=0.199～0.859).但分层交叉验证显示,DL4重建图像的泛化能力最弱,AUC和符合率均<0.75.结论:高降噪等级的DLIR算法会降低对肾上腺肿瘤显示的清晰度以及组学模型的泛化性.虽然LoG滤波器(高斯核:2.0)有助于提升组学特征测量的可重复性,但仍建议在肾上腺影像诊断和组学模型训练时,使用中低降噪等级的DLIR图像.