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:应用建立的全自动AI牙体分割算法,从CBCT影像中实现牙体的快速自动化分割,以口内扫描真实离体牙获得的三维数据作为金标准,验证算法的准确性.方法:从上海交通大学医学院附属第九人民医院收集30套CBCT数据及相应的59颗离体牙,通过建立的算法,分割出CBCT中的牙体三维数据.将离体牙处理后扫描获得的数字化信息作为金标准.为了比较算法分割结果以及扫描结果之间的差异,选取骰子系数(Dice)、灵敏度(sensitivity,Sen)以及平均表面距离(average symmetric surface distance,ASSD)评价算法的分割准确性.选用组内相关系数(ICC)评价AI系统获得单个牙与数字化离体牙的长度、面积和体积差异.由于存在不同体素大小的CBCT,使用ANOVA单因素方差分析不同体素组间的差异,同时通过SNK法对其进行两两比较.采用SPSS 25.0软件包对数据进行统计学分析.结果:算法分割结果与离体牙扫描结果对比后,得到平均Dice值为(94.7±1.88)％,平均Sen为(95.8±2.02)％,平均ASSD为(0.49±0.12)mm.比较数字化离体牙与AI系统获得的单个牙的长度、面积和体积的组内相关系数ICC值,分别为0.734、0.719和0.885,AI系统分割出的单个牙与数字化模型在评价长度、面积和体积时有着较好的一致性,但分割结果在具体数值上与真实情况仍有差异.CBCT体素越小,即分辨率越高,分割结果表现更好.结论:本研究建立的CBCT牙体分割算法能够准确实现各分辨率下CBCT中全牙列的牙体分割.CBCT分辨率提高,能让算法结果更准确.相比目前的分割算法,本研究的算法性能更好.但与实际情况相比,仍有一定差异,需对算法继续改进及验证.

目的 评价在线样本量计算简易工具计算结果的准确性,探讨其在临床研究环境中的优势及应用价值.方法 基于2019年9月1日-2020年12月1日自主研发的汉化在线样本量计算工具,以随机对照试验为设计类型,以PASS软件计算结果为标准,基于3项真实临床研究项目的样本量计算参数,每次通过调整单一参数形成不同的参数组合,最终定性资料和定量资料分别形成60个和80个参数组合纳入样本量计算,比较在线样本量计算工具计算结果与PASS软件计算结果的绝对差值,并绘制Bland-Altman曲线,再计算组内相关系数,评价两种工具计算结果的一致性.结果 对于定性资料的差异性检验和优效性检验,两种工具计算所得样本量几乎完全一致;对于定性资料的等效性检验和非劣效性检验,两种工具计算所得样本量差异在0-6之间;对于定量资料,上述四种假设检验两种工具计算所得样本量差异均在0-4之间.根据比较的Bland-Altman图结果所示,两种工具计算的样本量结果均值和差值所形成的散点几乎均落入95％一致性界限内,同时两种工具计算所得样本量的组内相关系数值均趋近于1,且P＜0.001,达到统计学显著差异.结论 自主研发的在线样本量计算工具使用简便,计算结果准确可靠,适于辅助临床医护人员开展相关临床研究.

目的探讨酰胺质子转移加权(amide proton transfer weighted,APTw)与动态对比增强磁共振成像(dynamic contrast enhanced MRI,DCE-MRI)序列评估宫颈癌神经周围侵犯(perineural invasion,PNI)的价值.材料与方法回顾性分析36例行盆腔3.0 T MRI检查(包括APTw、DCE-MRI序列)且手术病理证实为宫颈癌的患者病例及影像资料,其中有PNI(PNI组)12例,无PNI(NPNI组)24例.由两位观察者分别测量病灶的APT值与DCE-MRI定量参数值,包括容积转移分数(volume transfer constant,Ktrans)、速率常数(exchange rate between EES and blood plasma,Kep)、血管外细胞外间隙容积分数(extravascular volume fraction,Ve)以及血浆容积分数(capillary plasma volume,Vp).采用组内相关系数(intra-class correlation coefficient,ICC)检验2位观察者对各参数值测量结果的一致性;采用Kolmogorov-Smirov检验数据是否符合正态分布,通过两独立样本t检验或Mann-Whitney U检验比较两组间参数值的差异,采用受试者工作特征(receiver Operating Characteristic,ROC)曲线评估有差异参数诊断PNI效能,获得相应的曲线下面积(area under the curve,AUC)、阈值、敏感度和特异度.采用二元logistic回归计算有差异参数的联合诊断效能,DeLong检验进行各参数和联合参数AUC比较,Spearman相关分析检测APT值和有差异DCE-MRI参数间的相关性.结果两位观察者测得的APT值及Ktrans值、Kep值、Ve值、Vp值结果一致性良好,ICC均>0.75.两组间的APT值和Vp值差异有统计学意义(P<0.05),Ktrans、Kep、Ve差异无统计学意义(P>0.05).PNI组的APT值(2.89％±0.72％)和Vp值[7.80×10-3(6.80×10-3,1.14×10-2)]均大于NPNI组[APT值2.31％±0.71％;Vp值4.19×10-3(2.04×10-3,7.35×10-3)].评估宫颈癌PNI时,APT值和Vp值的AUC分别为0.717、0.785,阈值分别为2.7％及6.46×10-3,敏感度及特异度分别为66.7％及75.0％、83.3％及75.0％;APT值联合Vp值后的AUC为0.792,APT值、Vp值与两者联合后的AUC之间差异无统计学意义(P>0.05).APT值与Vp值无相关性(r=0.219,P=0.198).结论APTw序列及DCE-MRI的定量参数均能有效预测宫颈癌PNI,具有一定临床应用价值.

目的:探讨全栈式自动盆底超声与手动方式获取并测量最小肛提肌裂孔（LH）平面的一致性。方法:前瞻性选取2020年11月至2021年1月在深圳市第二人民医院进行盆底超声检查的产后6个月内的女性119例为研究对象。应用腹部容积探头经会阴采集患者在静息状态下和最大Valsalva动作下以盆底正中矢状切面为初始切面的三维容积数据，并存储于超声诊断仪中。由2名年轻医师（手动测量年轻医师组）、2名高年资医师（手动测量高年资医师组）分别调取三维容积数据手动获取并测量最小LH平面。由另一名年轻医师（自动测量组）调取三维容积数据利用FSPFU软件一键自动获取并测量最小LH平面，间隔2周后重复测量1次。测量参数为：最小LH的面积、周长、前后径、左右径、左侧肛提肌尿道间隙和右侧肛提肌尿道间隙。记录3组获取并测量最小LH平面所用的时间及测量的结果。采用组间相关系数（ICC）和Bland-Altman图评估3组测量结果的一致性。将3组获得的最小LH轮廓导出，离线计算组间的重合率。结果:静息状态和Valsalva动作下，均为自动测量组耗时最短[2.67（0.15）s和2.68（0.13）s]，与手动测量高年资医师组和年轻医师组相比，组间差异均有统计学意义（P均<0.001）。自动测量组与手动测量年轻医师组、高年资医师组间3个参数测值的一致性均好，静息状态下ICC范围0.795~0.931、Valsalva动作下ICC范围0.871~0.973（P均<0.001）。手动测量组与自动测量组间的最小LH面积、前后径、左右径的Bland-Altman图显示，大部分散点都在95%一致性界限内，表明一致性良好。自动测量组与手动测量组（年轻医师组、高年资医师组）的最小LH轮廓重合率分别为静息状态下：0.937、0.948，Valsalva状态下：0.934、0.945，自动测量组与手动测量高年资医师组间重合率高于与手动测量低年资医师组重合率，差异有统计学意义（P均<0.05）。结论:FSPFU软件能够在腹部三维容积数据中快速自动获取并测量最小LH平面，与手动测量结果一致性好，且操作简单、节省时间、测量结果可靠，可作为辅助诊断盆底功能障碍性疾病的有效方法。

目的:探讨超声引导衰减参数成像（UGAP）技术评估非酒精性脂肪性肝病（NAFLD）的相关影响因素及临床适用性，评估NAFLD患者并发心血管疾病（CVD）预测模型的应用价值。方法:纳入2022年11月至2023年11月于哈尔滨医科大学第一附属医院行二维超声及UGAP检查的NAFLD患者204例，另选取同期健康者73例作为对照组。受试者进行二维超声检查对肝脂肪变性程度进行评价，分为S0~S3级，所有受试者进行UGAP检查获取UGAP值。基于是否并发CVD事件，将NAFLD患者进一步分为并发CVD组83例与未并发CVD组121例。比较S0~S3组间UGAP值的差异，应用单因素和多因素线性回归分析影响UGAP值的独立影响因素。采用Spearman相关评估UGAP值与肝脂肪变性程度之间的相关性。使用组内相关系数（ICC）评估不同操作者之间测量结果的一致性。采用Logistic回归和Nomogram模型分析NAFLD患者并发CVD的危险因素，并应用ROC曲线及校正曲线评估该模型的临床效能。结果:277例受试者中，S0组73例（健康对照组），S1~S3组分别为83、86、35例。UGAP值在S0~S3各组间的差异存在统计学意义（H=236.35，P<0.001）。多因素线性回归分析表明，体质量指数（BMI）、总胆固醇（TC）、甘油三酯（TG）及肝脂肪变性程度是UGAP的独立影响因素（P均<0.05）。UGAP值操作者间的ICC为0.977（95%CI：0.972~0.982，P<0.001）。Logistic回归分析表明，年龄、BMI、UGAP值为NAFLD患者并发CVD的独立影响因素（P均<0.05），构建的Nomogram模型的ROC曲线下面积为0.948（95%CI：0.920~0.977，P<0.001）。校准曲线表明，模型的实际预测性能与理想预测性能接近。结论:UGAP值与BMI、血脂水平、肝脂肪变性程度密切相关，且操作者间可重复性好；基于年龄、BMI及UGAP值构建的Nomogram模型可直观地评价NAFLD患者并发CVD的风险。UGAP技术可为评估脂肪肝及其严重程度、预测CVD发生风险提供可靠依据。

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.

目的本研究旨在结合传统MRI序列及增强检查,提取多模态高通量影像组学特征并联合语义特征,使用不同的机器学习分类器构建不同的模型并绘制列线图来鉴别高级别胶质瘤(high-grade glioma,HGG)和单发性脑转移瘤(solitary brain metastasis,SBM).材料与方法本研究对101名患者的多参数MR图像进行了回顾性分析,由两位资深医师标定肿瘤感兴趣区,然后对每个序列分别提取影像组学特征后进行组合,共提取428组影像组学特征.为消除人为标定差异,进行组内相关系数一致性检验,并运用最大相关最小冗余算法选取最具相关性的特征,然后进一步通过最小绝对收缩和选择算子算法筛除冗余特征.本研究采用支持向量机、逻辑回归、随机森林及K近邻四种算法建立分类模型.结合放射科医生评估的七项语义特征,通过卡方检验和多因素分析去除差异无统计学意义的语义特征.然后结合组学特征建立综合模型并绘制列线图.最终,评价各模型的诊断能力,以确定最优分类器.结果HGG及SBM患者建立的影像组学模型中LR的受试者工作特征曲线下面积(area under the curve,AUC)值最高,训练集与测试集分别为0.90和0.90.语义特征建立的模型中随机森林模型性能最好,训练集和测试集AUC分别为0.82和0.87.语义特征联合影像组学评分后采用逻辑回归建立的模型性能最好,训练集和测试集AUC分别为0.91和0.92.结论本研究使用影像组学机器学习分类器并联合其他图像语义特征绘制列线图对HGG及SBM进行鉴别,这是一种非侵入性方法,具有较好的准确性,为临床决策和实践提供了较大的帮助.

目的:探讨基于B1场校正T1-mapping测量肺癌影像组学特征的一致性及可重复性.方法:回顾性搜集2020年6月—2022年3月在本院经病理确诊的70例肺癌患者的术前胸部T1-map-ping和T1加权容积内插屏气检查(T1-VIBE)图像.其中,有41例进行了T1-mapping重复扫描(间隔30 min).由2位测量者独立采用半自动勾画方法分别在T1-mapping和T1-VIBE图像上逐层沿着病灶边缘勾画ROI,融合生成全病灶的容积ROI(VOI),然后提取原始图像及不同变换预处理图像上病灶VOI的影像组学特征.采用组内相关系数(ICC)评价组学特征在观察者内、观察者间的一致性及重复扫描时的可重复性,以ICC≥0.80为一致性或可重复性好(满足临床要求).结果:自T1-mapping和T1-VIBE图像分别可提取1906个组学特征(包括一阶特征396个、形态特征14个及纹理特征1496个).基于T1-mapping提取的组学特征在观察者内及观察者间的ICC的中位数(Q1,Q3)分别为0.94(0.87,0.98)和0.91(0.83,0.96),基于T1-VIBE提取的组学特征在观察者内及观察者间的ICC的中位数(Q1,Q3)均为0.98(0.95,0.99);2个序列分别有1450(72.72％)和1768(91.76％)个组学特征同时满足观察者内和观察者间的一致性要求.T1-mapping重复扫描提取的组学特征的ICC的中位数(Q1,Q3)为0.83(0.69,0.93),有1002(52.57％)个组学特征同时满足重复扫描时的可重复性;其中,形状特征的可重复性表现最佳(ICC≥0.80者达100％),而一阶特征、灰度共生矩阵(GLCM)及灰度级区域矩阵(GLSZM)特征的可重复性相对较差(ICC≥0.80者仅占49.75％～53.98％).基于不同变换预处理图像提取的组学特征中,Gradient变换明显提高了原始特征的可重复性(ICC≥0.80者达86.05％),而采用Exponential、LBP2D、LBP3D、Logarithm和Square变换方法获得的特征降低了原始特征的可重复性(ICC≥0.80这仅占36.05％～50.00％).结论:T1-mapping的影像组学特征表现出中等可重复性,在临床应用之前需要首先对其进行可重复性评估.

目的 本研究旨在探讨基于延迟进动定制激发(delay alternating with nutation for tailored excitation,DANTE)和可变翻转角快速自旋回波(sampling perfection with application-optimized contrasts by using different flip angle evolutions,SPACE)的多序列磁共振血管壁成像(magnetic resonance vessel wall imaging,MR-VWI)对下肢动脉病变(lower extremity arterial disease,LEAD)的诊断价值.材料与方法 回顾性分析了57例LEAD患者和26例无LEAD患者的病例及影像资料.所有患者均在3.0 T MRI设备上接受了T2快速自旋回波序列(turbo spin echo,TSE)、T1w DANTE-SPACE、对比增强(contrast enhancement,CE)T1w DANTE-SPACE和CE磁共振血管造影(magnetic resonance angiography,MRA)MR-VWI扫描.两名放射科医师在双盲条件下分别测量了T1w DANTE-SPACE和T2w TSE序列图像相应位置的管腔面积(lumen area,LA)、管壁面积(vessel wall area,VWA)、平均管壁厚度(average vessel wall,AVW)和最大管壁厚度(maximum vessel wall,MVW)等形态学指标.每位医师在3周间隔后对相同指标进行了重复测量.采用组内相关系数(intra-class correlation coefficients,ICC)和Bland-Altman方法评估了两种扫描技术以及不同组别之间的T1w DANTE-SPACE形态学测量指标的观察者一致性和可重复性.使用受试者工作特征(receiver operating characteristic,ROC)曲线评估了准确性.结果 T1w DANTE-SPACE与T2w TSE成像技术的信噪比(signal-to-noise ratio,SNR)和对比度比(contrast-to-noise ratio,CNR)差异有统计学意义(P<0.05),两名观察者对形态学测量指标的ICC值在0.85～0.99之间.在不同组别中,T1w DANTE-SPACE形态学测量指标的两次测量ICC值为0.90～0.99.Bland-Altman分析显示,观察者间和两次测量间的大部分形态学测量指标均在95％的一致性限度内.T1w DANTE-SPACE技术在LEAD组不同血管节段的形态学指标ROC曲线下面积(area under the curve,AUC)分别为0.904[95％置信区间(confidence interval,CI):0.825～0.983]和0.905(95％CI:0.835～0.976).当腘小腿动脉段的血管壁厚度为1.00 mm,LA为10.88 mm时,LEAD的敏感度分别为79.2％和85.4％,特异度分别为96.2％和92.3％,阳性预测值分别为97.4％和95.3％,阴性预测值分别为71.4％和77.4％.结论 多序列MR-VWI在评估LEAD斑块形态学指标方面表现出良好的重复性和高准确性,支持其在LEAD的MRI检查中的应用.