目的:探讨基于动态增强磁共振成像（DCE-MRI）的纹理分析对乳腺癌新辅助化疗疗效的预测与评估价值。方法:回顾性分析山西省肿瘤医院2014年9月至2018年10月在新辅助化疗前后均行DCE-MRI且经病理确诊的63例乳腺癌患者的临床资料，根据病理检查结果，将患者分为治疗有效组（40例）和治疗无效组（23例），使用Omni-Kinetics软件测量新辅助化疗前及新辅助化疗4~8个周期后DCE-MRI容量转移常数（Ktrans）图的纹理参数，参数采用（ ± s）或中位数（ P25， P75）表示，采用独立样本 t检验或Mann-Whitney U检验对两组纹理参数进行统计分析，并绘制受试者工作特征曲线，根据曲线下面积（AUC）评估DCE-MRI Ktrans图的纹理参数对乳腺癌新辅助化疗疗效的预测效能。 结果:拟采用33个纹理参数，最终保留了29个。63例患者新辅助化疗前后有22个纹理参数差异均有统计学意义（均 P<0.05）；新辅助化疗前治疗有效组与治疗无效组间有9个纹理参数差异均有统计学意义（均 P<0.05），包括均匀性[0.17（-0.06，0.34），0.39（0.22，0.48）， Z=-2.955， P<0.01]、直方图能量[169.88（129.36，288.77），116.22（93.77，151.95）， Z=3.241， P<0.01]及直方图熵[6.33（5.71，6.69），6.68（6.52，6.97）， Z=-2.991， P<0.01]等；新辅助化疗后治疗有效组与治疗无效组间有8个纹理参数差异均有统计学意义（均 P<0.05），包括直方图熵（6.00±0.71，6.46±0.49， t=-2.720， P<0.01）、熵（6.81±1.40，8.02±1.48， t=-3.238， P<0.01）、Haralick熵[0.49±0.10，0.55±0.10， Z=-2.613， P<0.01]、灰度不均匀性（GLN）[1.68（1.42，3.37），4.92（3.58，8.50）， Z=-3.897， P<0.01]及游程长度不均匀性（RLN）[100.38（65.31，305.75），359.75（176.75，655.00）， Z=-4.033， P<0.01]等；治疗有效组与治疗无效组新辅助化疗前后有8个参数变化率的差异均有统计学意义（均 P<0.05），主要包括ΔGLN[-0.72（-0.78，-0.60），-0.23（-0.55，0.36）， Z=-4.554， P<0.01]、ΔRLN[-0.71（-0.85，-0.52），-0.33（-0.48，-0.10）， Z=-4.454， P<0.01]及Δ高灰度游程强度（HGLRE）[1.28（0.39，3.46），0.11（-0.24，0.86）， Z=3.184， P<0.01]等。新辅助化疗后GLN、RLN、ΔGLN及ΔRLN的AUC分别为0.80、0.81、0.85及0.84。 结论:基于DCE-MRI Ktrans图的部分纹理参数对乳腺癌新辅助化疗的疗效有预测及评估作用。

目的:探讨DWI的ADC值联合纹理特征鉴别良恶性软组织肿瘤的价值。方法:回顾性分析中国科学技术大学附属第一医院西区经病理证实的94例软组织肿瘤（恶性44例，良性50例）MRI及DWI图像。在GE ADW4.6工作站测量肿块的实性成分ADC值。在T 2WI脂肪抑制图像上的肿瘤最大层面手动勾画ROI并提取纹理特征；采用独立样本 t检验对良恶性软组织肿瘤的ADC值及纹理参数进行统计学分析，并多因素logistic回归分析建模，计算诊断效能。 结果:良恶性软组织肿瘤的ADC值分别为（1.6±0.3）×10 -3 mm 2/s、（1.2±0.5）×10 -3 mm 2/s，差异有统计学意义（ t=-5.382， P<0.05），以1.28×10 -3 mm 2/s为诊断良恶性软组织肿瘤临界值，AUC为0.783，灵敏度为92.00%，特异度为65.91%。纹理特征中直方图特征（frequency size、skewness），灰度共生矩阵特征（Inertia_All Direction_offset7、Inverse Difference Moment_angle0_offset1、Inverse Difference Moment_angle0_offset7）及Haralick特征（Haralick Correlation_All Direction_offset4_SD）鉴别良恶性软组织肿瘤的曲线下面积分别为AUC 0.825、0.739、0.826、0.816、0.820、0.783。多因素logistic回归分析最佳预测模型鉴别良恶性软组织肿瘤的曲线下面积、灵敏度、特异度分别为0.930、88.00%、86.36%。 结论:ADC值联合纹理特征对术前预测软组织良恶性肿瘤有较高的应用价值。

目的:探讨CT检查纹理分析对胃肠间质瘤c-KIT Exon 11基因突变的预测价值。方法:采用回顾性描述性研究方法。收集2012年1月至2020年5月国内3家医疗中心收治的285例(湖州市中心医院93例、安徽省阜阳市人民医院92例、上海市光华中西医结合医院100例)GIST患者的临床病理资料；男130例，女155例；中位年龄为62岁，年龄范围为25～82岁。285例患者中，190例c-KIT Exon 11基因突变，设为突变组；95例c-KIT Exon 11基因未突变，设为未突变组。患者术前均行CT检查。观察指标：(1)两组患者临床病理特征比较。(2)CT检查纹理参数观察者一致性检验。(3)两组患者CT检查纹理参数比较。(4)临床病理参数与CT检查纹理参数的诊断效能。采用ICC分析检验纹理参数观察者的一致性(ICC>0.80为观察者一致性良好)，取ICC>0.80纹理参数的平均值，用于进一步分析。采用Shapiro Wilk检验计量资料的正态性，正态分布的计量资料以 ± s表示，组间比较采用独立样本 t检验；偏态分布的计量资料以 M( P25， P75)表示，组间比较采用Mann-Whitney U检验。计数资料以绝对数表示，组间比较采用 χ2检验。等级资料比较采用Kruskal-Wallis秩和检验。采用多因素Logistic回归(五折交叉验证)将差异有统计学意义的参数进行联合，采用受试者工作特征曲线(ROC)分析评估参数对胃肠间质瘤c-KIT Exon 11基因突变的预测效能，其中2012年1月至2018年1月数据用于内部测试，2018年2月至2020年5月数据用于外部验证。采用Delong检验比较曲线下面积(AUC)。 结果:(1)两组患者临床病理特征比较：突变组患者CD34表达水平(阴性、弱阳性、阳性、强阳性)，CD117例表达水平(阴性、弱阳性、阳性、强阳性)分别为0、15、50、125例和5、15、55、115例；未突变组上述指标分别为5、55、5、30例和5、45、15、30例；两组患者上述指标比较，差异均有统计学意义( Z＝11.53，12.32， P<0.05)。(2)CT检查纹理参数观察者一致性检验：CT检查平扫纹理参数的中位值、标准差、集群突出、平均值、偏度、峰度、一致性、能量值、熵值、惯性、逆差距、Haralick的ICC值分别为0.77、0.79、0.75、0.83、0.89、0.85、0.83、0.81、0.85、0.87、0.82、0.84；动脉期分别为0.79、0.71、0.74、0.83、0.81、0.86、0.87、0.80、0.84、0.82、0.83、0.81；静脉期分别为0.74、0.72、0.70、0.88、0.81、0.84、0.89、0.82、0.83、0.84、0.86、0.88。(3)两组患者CT检查纹理参数比较：突变组患者CT检查平扫纹理参数偏度、逆差距，CT检查动脉期纹理参数平均值、能量值，CT检查静脉期纹理参数偏度、一致性、能量值、逆差距、Haralick分别为0.78±0.38、4.22(3.18，5.38)，5.51±1.87、0.013(0.007，0.020)，0.66±0.20、4.40±1.41、0.004(0.001，0.007)、0.23(0.15，0.28)、0.24±0.10；未突变组患者上述指标分别为0.59±0.25、5.16(4.35，6.10)，3.96±1.04、0.020(0.014，0.027)，0.45±0.12、6.22±2.09、0.005(0.003，0.008)、0.25(0.21，0.28)、0.18±0.06；两组患者上述指标比较，差异均有统计学意义( t＝-2.17， Z＝-6.87， t＝-4.03， Z＝-11.43， t＝-2.21、-3.92， Z＝-2.06、-4.18， t＝-3.02， P<0.05)。(4)临床病理参数与CT检查纹理参数的诊断效能。内部测试数据集ROC分析结果显示：临床病理诊断参数中CD34及CD117表达水平的AUC分别为0.75、0.71；临床病理参数联合AUC为0.75；单项CT检查纹理参数AUC为0.54～0.67；CT检查纹理参数联合AUC为0.79；临床病理参数及CT检查纹理参数联合AUC为0.89。外部验证数据集ROC分析结果显示：临床病理诊断参数中CD34及CD117表达水平的AUC分别为0.77、0.72；临床病理参数联合AUC为0.78；单项CT检查纹理参数AUC为0.51～0.73；CT检查纹理参数联合AUC为0.80；临床病理参数及CT检查纹理参数联合AUC为0.88。Delong检验结果显示：临床病理参数及CT检查纹理参数联合AUC高于临床病理参数联合，差异有统计学意义( Z＝2.13， P<0.05)。临床病理参数及CT检查纹理参数联合AUC与CT检查纹理参数联合比较，差异无统计学意义( Z＝1.66， P>0.05)。 结论:CT检查纹理分析可无创预测胃肠间质瘤c-KIT Exon 11基因突变状态，且将临床病理参数与CT检查纹理参数联合诊断的预测效能更优。

目的 探讨基于CT纹理分析预测食管鳞癌患者Ki-67表达状态的应用价值.方法 回顾性选取61例经病理证实的食管鳞癌患者,获取患者病理组织的Ki-67蛋白表达情况,分为高表达组和低表达组.所有患者在术前2周内行胸部CT平扫及增强扫描,采用Omni-Kinetics软件进行食管癌的病灶勾画及纹理特征提取,所提取的纹理特征包括 Min Intensity、Max Intensity、Median Intensity、Mean Intensity、Deviation、Skewness、Kurtosis、Entropy、Energy、Correlation、Haralick、短行程高灰度调强(SRHGLE)、短行程低灰度调强(SRLGLE)、长行程高灰度调强(LRHGLE)、长行程低灰度调强(LRLGLE)、Grey Level Nonuniformity、Run Length Nonuniformity.比较纹理特征在不同Ki-67表达组间的差异,采用受试者工作特征(ROC)曲线分析食管癌Ki-67表达状态的预测效能.结果 CT平扫图像中,高表达组SRHGLE、Grey Level Nonuniformity均显著高于低表达组(P=0.010、0.002).CT增强图像中,高表达组 Mean Intensity、Entropy、Grey Level Nonuniformity显著高于低表达组(P=0.026、0.037、0.001),SRHGLE、LRHGLE显著低于低表达组(P=0.016、0.010).CT平扫中纹理特征的曲线下面积(AUC)0.676～0.740,联合诊断的AUC 0.770[95%置信区间(CI):0.645,0.868],敏感度0.921,特异度0.565.CT增强中纹理特征的AUC 0.629～0.750,联合诊断的AUC 0.903(95%CI:0.799,0.964),敏感度0.816,特异度0.826.结论 CT纹理分析可用于早期无创预测食管鳞癌Ki-67表达状态,可作为评估食管癌细胞增殖活性的影像学标志物,从而为食管鳞癌的临床决策提供诊疗信息.

目的:从结肠CT影像及其高阶偏导图像中提取三维Haralick特征并进行特征寻优,以用于结肠息肉与正常肠壁组织的准确鉴别.方法:从111例确诊的结肠息肉患者的CT结肠镜(CTC)影像数据中共提取387个结肠息肉和387个正常的结肠壁组织作为三维感兴趣区域(ROI),并对其进行三维梯度和曲度变换.从每个ROI的CT图像、梯度图像和曲度图像中分别计算共生矩阵,并从这三类共生矩阵中分别提取60个Haralick纹理特征,共计180个特征.利用基于随机森林(RF)的特征选择策略进行特征寻优,并使用逻辑回归(LR)、支持向量机(SVM)、RF和K-近邻(KNN)4种不同的分类器验证最优子集的分类性能.结果:对180个特征进行特征筛选,获得37个特征作为最优特征子集,利用最优特征子集与4种不同分类器进行验证,其区分肠壁和息肉的平均灵敏度均在0.99%以上,平均特异度均在0.98%以上,平均受试者工作特性曲线下面积(AUC)均为0.99.结论:基于灰度、灰度梯度和灰度曲度的纹理特征具有良好的敏感性和特异性,能够有效地鉴别结肠息肉与正常肠壁组织,对基于影像的结肠息肉临床筛查与诊断具有重要的参考价值与借鉴意义.

乳腺癌是女性致死率最高的恶性肿瘤之一.为提高诊断效率,提供给医生更加客观和准确的诊断结果.借助影像组学的方法,利用公开数据集BreaKHis中82例患者的乳腺肿瘤病理图像,提取乳腺肿瘤病理图像的灰度特征、Haralick纹理特征、局部二值模式(LBP)特征和Gabor特征共139维影像组学特征,并用主成分分析(PCA)对影像组学特征进行降维,然后利用随机森林(RF)、极限学习机(ELM)、支持向量机(SVM)、k最近邻(kNN)等4种不同的分类器构建乳腺肿瘤良恶性的诊断模型,并对上述不同的特征集进行评估.结果 表明,基于支持向量机的影像组学特征的分类效果最好,准确率能达到88.2％,灵敏性达到86.62％,特异性达到89.82％.影像组学方法可为乳腺肿瘤良恶性预测提供一种新型的检测手段,使乳腺肿瘤良恶性临床诊断的准确率得到很大提升.

目的:探讨综合乳腺MRI多个序列、钼靶联合MRI纹理分析对乳腺良、恶性病灶的诊断价值.方法:搜集本院2014年6月-2019年12月116例乳腺钼靶图像(恶性57例,良性59例)及96例乳腺MRI(恶性45例,良性51例)的横轴面T2 WI脂肪抑制序列、DWI及增强后的第2、3期(C2、C3)图像进行回顾性纹理分析,其中同时行钼靶及MRI检查的患者为30例(良性14例,恶性16例).使用C.K.(CT Kinetics,GE Healthcare)软件提取图像的纹理参数,通过秩和检验、独立样本t检验找出良、恶性两组间差异有统计学意义的纹理参数,通过受试者操作特征(ROC)曲线分析得出各序列参数的曲线下面积(AUC),计算约登指数最大时诊断良、恶性乳腺的阈值、敏感度和特异度.将钼靶及乳腺MRI各个序列中AUC值最大的参数作为联合诊断指标,通过logistics回归求出联合预测因子,再次构建ROC曲线,比较并评价诊断效能.结果:在钼靶上得出三阶纹理参数中的短距灰度参数差异有统计学意义,其AUC值为0.66,选取钼靶侧斜位的短距灰度参数≤222264.00作为诊断恶性的标准,敏感度及特异度分别为86％、35％.在MRI上差异有统计学意义的纹理参数中T2 WI、C2、C3期中的二阶纹理参数Correlation及DWI中的二阶纹理参数Haralick Promi-nence的AUC值最高,分别为0.68、0.72、0.74、0.70;当约登指数最大时,以T2WI的Correlation≥3.55×10-5、C2的Correlation≥3.21×10-5、C3的Correlation≥5.30×10-5、DWI的Haralick Correlation≥4.15×109做为诊断恶性病灶标准时,敏感度及特异度分别为76％、55％,87％、51％,80％、65％,91％、47％;综合乳腺MRI多个序列、钼靶联合乳腺MRI多个序列诊断乳腺恶性病灶的AUC值分别约0.87(95％CI为0.63～1.00)、0.91(95％CI为0.81～1.00),当约登指数最大时,联合预测因子的诊断点分别为0.64、0.51,敏感度及特异度分别为81％、86％,88％、86％.结论:综合乳腺MRI多个序列的纹理特征可以提高乳腺良、恶性肿瘤的鉴别诊断效能,钼靶联合乳腺MRI多个序列的纹理分析优于单一的钼靶或乳腺MRI.

目的:探讨基于矢状位T2WI灰度共生矩阵(GLCM)对Ⅰ期子宫内膜癌(EC)肌层浸润深度的评估价值.方法:回顾性分析本院经手术后病理证明的47例EC病例(包含Ⅰa期即浅肌层浸润,25例;Ⅰb期即深肌层浸润,22例).用软件ITK-SNAP于矢状位T2WI序列勾画病变多层面感兴趣区域,再经过软件AK(Artificial Intelligence Kit,V3.2.0R版本)图像预处理后得到标准化图像,并采集灰度共生矩阵纹理特征48个(包括8类参数:集群突出、集群阴影、相关、能量、熵、Haralick相关、惯量、逆差矩;6个角度计算:全角、全角SD、0°、45°、90°、135°;步长为1).Ⅰa期组与Ⅰb期组纹理特征比较用独立样本t检验(呈正态分布且方差齐)或Mann-Whitney U检验(呈非正态分布或者方差不齐),组内多参数降维行因子分析.以受试者操作特征(ROC)曲线分析计算降维后纹理参数曲线下面积、界值、敏感度、特异度.结果:3类参数(共13个纹理特征)差异有统计学意义(P<0.05),即相关(全角、0°、45°、90°),惯量(全角、全角SD、0°、45°、90°),逆差矩(全角、0°、45°、90°).而集群突出、集群阴影、能量、熵、Haralick相关差异无统计学意义(P>0.05).13个纹理参数降维成2种主成分,其中相关(Correlation_angle45_offset1)和惯量(Inertia_AllDirection_offset1)得分分别最高(分别为0.928、0.904).Correlation_angle45_offset1判断Ⅰb期EC的ROC曲线下面积为0.756,界值为2.07×10-3,敏感度77.3％,特异度72.0％;Inertia_AllDirection_offset1判断Ⅰa期EC的ROC曲线下面积为0.718,界值为165.89,敏感度68.0％,特异度63.8％.结论:基于矢状位T2WI序列灰度共生矩阵可用于评估Ⅰ期EC肌层浸润深度,进而为临床对其治疗方法的择取及预后判断提供帮助,并展示良好的应用前景.

前列腺癌(prostate cancer,PCa)是男性最常见的癌症之一,美国PCa居男性癌症死亡率第2位[1].随着PCa患者的增多,对其筛查、诊断、治疗及预后的研究逐渐成为研究热点,临床亟需一种简单、准确、可重复的PCa检查方法.CT、MRI、PET、超声等的应用可以无创地提供肿瘤形态学和部分功能学信息,但尚不能实现对肿瘤异质性特征的深层次分析.影像组学可以深度挖掘和分析影像图像信息,提取大量的表型特征,通过机器学习,对大量的图像表型特征进行深度筛选与分类.目前异质性分析方法在 PCa 领域的主要应用有量化参数分布分析(体素强度直方图分析)和量化空间复杂性分析(纹理模式分析),体素强度直方图分析通过定量参数平均值、标准差、峰值、最大值、最小值、峰度、偏度和百分位数等分析肿瘤异质性分布[2],属于一阶(单体素)分析.纹理模式分析通过Haralick纹理特征参数熵、对比度、能量、同质性、差异性等描述体素强度水平的空间分布[3],属于二阶(双体素)分析.影像组学的应用在PCa异质性分析上增添了高阶纹理分析和形态特征分析,并通过机器学习对图像特征进行筛选和分类.目前,影像组学已应用于肺癌[4]、宫颈癌[5]、肝癌[6]、乳腺癌[7]、直肠癌[8]等领域,在PCa中的临床应用包括诊断及鉴别诊断、组织学判定、分子标识、病理学分型、临床决策、疗效评价及预后预测等.本文拟对影像组学在PCa中的研究与应用进行综述.

目的:探讨磁共振(MR)T2WI纹理分析对前列腺癌雄激素剥夺治疗(ADT)后的临床指导及鉴别治疗后残存病灶与周围良性组织的价值.方法:回顾性分析2018年1月-2019年5月经本院穿刺病理证实为前列腺癌并进行7个月ADT治疗后的患者的病例资料.治疗后患者按照PSA水平及病理结果分组,所有患者行常规T1 WI、T2WI和DWI扫描.采用ITK-SNAP软件在T2WI上手动逐层勾画ROI采用GE公司的AK软件提取308个纹理特征.采用组内相关系数(ICC)评估特征可重复性,独立样本t检验或Mann-Whitney U检验筛选出在每组间差异有统计学意义的纹理特征,采用10倍交叉验证法及Lasso回归模型对特征进行进一步的筛选和建模,多因素逻辑回归模型最终构建三个机器学习模型,采用ROC曲线及决策曲线(DCA)评估模型诊断效能.结果:纳入ADT治疗后疗效差患者23例,疗效好患者20例.筛选出Correlation_angle135_offset4、Haralick Correlation_AllDirec-tion_offset4_SD、Elongation、LowIntensityLargeAreaEmphasis这4个特征构建模型一,构建的模型一评估前列腺癌ADT治疗后是否存在病灶的ROC曲线下面积(AUC)为0.87,敏感度为0.739,特异度为0.75.筛选出2个纹理特征VoxelValueSum、LongRunEmphasis_angle45_offset1构建模型二,鉴别癌灶与中央腺的AUC为0.91,敏感度为0.81,特异度为1.筛选出GLCMEntropy_AllDirection_off-set7_SD、LongRunEmphasis_angle135_offset4、LongRunHighGreyLevelEmphasis_AllDirection_off-set4_SDNULLADC这3个特征构建模型三,鉴别癌灶与外周带的AUC为0.87,敏感度为0.952,特异度为0.67.结论:M R T2 WI纹理分析可以对前列腺癌ADT治疗后的不同疗效进行评估以指导下一步临床治疗,同时MR T2 WI纹理特征可以鉴别ADT治疗后残存病灶与周围良性组织.