联合应用MRDCE-TIC与~1H-MRS对乳腺肿瘤的诊断价值

目的探讨单独应用MR动态增强扫描(DCE)时间-信号强度曲线(TIC)、氢质子磁共振波谱(1 H-MRS)与二者联合应用对乳腺肿瘤的诊断价值.方法回顾性分析41例乳腺肿块(恶性肿瘤23例,良性肿瘤18例)的DCE-TIC和1 H-MRS表现,并与手术或穿刺后病理结果对比.所有患者均为女性,年龄17~69岁,平均(41.0±14.7)岁,均应用GE公司的1.5TSigna HDxt扫描仪,8通道乳腺专用线圈,扫描序列包括:轴位STIR、TIWI、乳腺容积动态增强序列(VIBRANT)和1 H-MRS扫描,评价单独应用DCE-MRI时间-信号强度曲线(TIC)、磁共振波谱(1 H-MRS)及二者联合应用对诊断乳腺肿瘤的诊断能力.结果 1以DCE-TIC类型诊断乳腺肿瘤的敏感度为82.6%,特异度为77.8%,准确度为80.5%;2以1 H-MRS出现Cho峰诊断乳腺肿瘤的敏感度为70.0%,特异度为83.3%,准确度为75.6%;3将TIC与1 H-MRS Cho峰结合,诊断的敏感度为78.0%,特异度为88.9%,准确率为82.9%.结论 DCE-MRI TIC诊断乳腺肿瘤的特异度较低,联合应用DCE-TIC和1 H-MRS可提高乳腺肿瘤性病变的诊断特异度、准确度.     

常规超声、实时组织弹性成像及应变率比值弹性成像鉴别诊断乳腺结节的比较研究

为探讨常规超声(US)、实时组织弹性成像(UE)及应变率比值弹性成像(SR)在乳腺结节良恶性鉴别诊断中的应用价值。采用回顾性分析95个乳腺结节的US、UE及SR图像方法。常规超声采用BI-RADS分类判断结节性质,UE采用5级评分法判断结节性质,SR测量结节与周围同一水平乳腺的应变率比值,利用ROC曲线比较常规超声、UE、SR的曲线下面积(AUC),判定诊断效能。结果显示,常规超声判断乳腺结节良恶性的敏感度、特异度、准确度分别为:81.7%(49/60)、80.0%(28/35)、81.1%(77/95)。UE判断乳腺结节良恶性的敏感度、特异度、准确度、分别为:86.7%(52/60)、80.0%(28/35)、84.2%(80/95)。良、恶性结节的SR平均值分别为(2.49±0.81)、(3.53±0.95),以3.14作为诊断良恶性结节的最佳截断值时,SR判断乳腺结节良恶性灵敏度、特异度、准确性分别为93.3%(56/60)、91.4%(32/35)、92.6%(88/95);US、UE、SR诊断乳腺良、恶性结节的曲线下面积AUC分别为0.808,0.833,0.924,差异有统计学意义(P=0.000)。由此可知,US、UE及SR均有助于鉴别诊断乳腺良、恶性结节,UE优于US,SR优于UE及US。     

乳腺肿瘤超声图像形态特征选择

形态特征是超声诊断乳腺良、恶性肿瘤的重要依据.拟建立最佳形态特征矢量,研究提取了似圆度、平均标准化径向长度、熵等7种形态学特征,再用Logistic回归模型对特征进行选择,最终选取似圆度和面积比率这两个特征量组成最佳特征矢量.对经病理证实的乳腺良、恶性肿瘤超声图像进行识别,恶性肿瘤的识别率为93.3%,误判率为12.5%,良性肿瘤的识别率为88.2%,误判率为6.25%.     

基于超声射频信号的特征融合方法对乳腺肿瘤良恶性诊断的价值

为实现对乳腺肿瘤良恶性的高效判别，本文尝试从原始超声射频(Radio Frequency, RF)信号构建融合模型。首先从RF信号提取16种超声特征参数组成特征图图谱。构建高性能卷积网络用于提取多特征图的深度学习特征，并与多特征图的传统组学特征拼接融合；然后进行特征筛选、训练支持向量机模型。实验结果发现，基于支持向量机的特征融合模型在乳腺肿瘤的良恶性诊断中性能优良，测试集的受试者操作特性曲线下的面积、准确率、灵敏度和特异度分别达到：0.992、91.3%、92.3%和90.0%。在本文数据集上，使用RF信号比超声灰阶图像能更高效地实现乳腺恶性肿瘤的识别。与单一使用深度学习特征相比，融合传统组学特征后，乳腺肿瘤良恶性鉴别性能显著提升。     

基于贝叶斯网络的乳腺肿瘤超声诊断定量分析

利用贝叶斯网络建模方法,定量分析了1 500例良性肿瘤和500例恶性肿瘤临床乳腺肿瘤超声检查相关参量的诊断参考价值以及各参量之间的关联程度.研究结果表明,在超声检查中,形态检查参量的诊断价值最高(40.3%),其次分别为阻力指数(25.0%)、钙化灶(18.4%)和血流信号(16.3%)等检查参量.此外,阻力指数与血流信号之间的关联性比较强,约为0.432.贝叶斯概率模型在乳腺肿瘤超声智能诊断的前期应用研究,有助于帮助医生根据各检查参量诊断参考价值和各参量之间关联程度分析,实现乳腺肿瘤超声的智能诊断,提高诊断准确率.     

基于数据挖掘的双靶DR乳腺癌灶密度值测定分析

主要研究的问题是乳腺癌密度值特性。采用的方法是对比的方法。首先对乳腺良性肿瘤密度值和乳腺癌密度值进行抽样测定,得到患者的各项密度值原始的数据。然后对原始数据分别进行统计和计算,得到各种统计表。通过对各种表格以及乳腺良性肿瘤和乳腺癌的对比分析发现密度值中除CC面积值和MLO最小值外乳腺癌比乳腺良性肿瘤的密度值都大。通过分段对比表发现,当密度值低于2 000 Hu时,患良性肿瘤的概率比较大;当患者的密度值超过2 500 Hu时,患乳腺癌的概率大。通过对患者的乳腺密度值的测定分析,可以建立决策树,用决策树来预测患者患良性还是恶性肿瘤。     

CT在良恶性甲状腺肿瘤诊断鉴别中的临床应用分析及影像学表现

探讨CT在良恶性甲状腺肿瘤诊断鉴别中的临床应用分析及影像学表现。回顾性分析天水市第四人民医院收治的甲状腺肿瘤患者中选取51例作为研究对象,将其CT结果与病理学结果进行对比分析,探讨CT对良恶性肿瘤鉴别诊断的价值及其影像学表现。CT对良恶性甲状腺肿诊断灵敏度为86.36%,特异度为93.10%,准确度为90.20%,误诊率为6.90%,漏诊率为13.64%,约登指数为0.79;良性甲状腺肿瘤边缘清晰、增强后边缘清晰、有包膜的比例明显高于恶性甲状腺肿瘤(P0.05);恶性肿瘤单发、细颗粒钙化灶等比例明显高于良性肿瘤(P0.05);良、恶性肿瘤密度、肿瘤内囊变比例及肿瘤直径比较,差异不具有统计学意义(P0.05)。CT对甲状腺肿瘤良恶性的鉴别具有重要价值。     

CT联合MRI在早期头部肿瘤中的诊断价值和准确性评价

对CT联合MRI在早期头部肿瘤中的诊断价值和准确性进行研究探析。选择2018年11月—2020年7月在庆阳市人民医院进行早期头部肿瘤疾病治疗的83例患者作为研究对象,所有患者均采取CT和MRI检查方式进行诊断,对比CT诊断和CT联合MRI诊断方式的具体诊断价值以及CT和MRI对于不同直径早期头部肿瘤检测准确度。以患者病理结果作为金标准,CT检测的准确度为83.1%(69/83),敏感度为82.5%(47/57),特异度为84.6%(22/26)。以患者病理结果作为金标准,CT联合MRI检测的准确度为96.4%(80/83),敏感度为96.5%(55/57),特异度为96.2%(25/26)。对于直径≤2 cm的早期肿瘤患者,MRI诊断率为91.11%,显著高于CT检查的60.00%,数据对比之后存在统计学意义（P<0.05）。在诊断早期头部肿瘤患者期间,对患者采取CT联合MRI诊断方式诊断效果好,且MRI在直径≤2 mm的肿瘤诊断当中有着更为准确的诊断率,值得在临床当中进行推广。     

卵巢癌肿瘤标记物及早期诊断的研究进展

卵巢癌是严重威胁女性生命健康的恶性肿瘤之一,在女性生殖系统肿瘤中,其致死率居首位,卵巢癌患者早期症状不明显,确诊时常属晚期,而早期发现仍然是降低肿瘤病死率的最有效方法,对于临床上卵巢癌患者的诊断有着极大的考验。近年来,与卵巢癌相关的肿瘤标记物不断被发现,标志物之间进行联合检测,其检测的敏感度及特异度显著提高,一些诊断技术不断完善为卵巢癌的早期发现提供了帮助。文章侧重介绍与糖蛋白有关的卵巢癌生物标记物、miRNA在卵巢癌早期筛查中的应用,为临床卵巢癌早期诊断提供帮助。     

血清AFP临界值判断对肝癌诊断的影响

为探讨血清AFP诊断肝癌的合理临界值,本研究收集肝癌患者35例、正常对照者35例。血清AFP检测采用电化学发光法和酶联免疫吸附法(ELISA)定量,结果用t检验和χ2检验进行统计学分析。2种方法检测血清AFP水平显著相关,相关系数为0.978,检测值无显著性差异,P>0.05。二者ROC曲线下面积分别为0.890、0.880,说明血清AFP水平对肝癌诊断价值较高。按照约登指数最大原则确定血清AFP电化学发光法诊断肝癌的临界值为3.25μg/L,其敏感度为74.3%,特异度为94.3%,准确度为84.3%;ELISA法诊断肝癌的临界值为1.118μg/L,其敏感度为62.9%,特异度为100%,准确度为81.4%。而以目前常规临界值20μg/L来分析,则电化学发光法检测AFP诊断肝癌的敏感度仅为45.7%,特异度100%,准确度72.9%;ELISA法敏感度48.6%,特异度100%,准确度74.3%。因此合理降低临界值可有效提高血清AFP水平对肝癌的诊断价值。     

普通混凝土强度预测的BP神经网络模型

在分析普通混凝土强度影响因素基础上 ,选取混凝土配料中 7个因素作为输入值 ,混凝土2 8d强度作为输出值建立了混凝土强度预测的 BP网络模型。讨论了模型的学习样本、网络参数对预测精度的影响 ,选出最佳网络参数配置。实例证明模型预测精度高。     

BP模型在强度预测中的应用

在分析普通混凝土强度影响因素基础上，选取混凝土配料中7个因素作为输入值，混凝土28d强度作为输出值建立了混凝土强度预测的BP网络模型；讨论模型的学习样本、网络参数对预测精度的影响，从而选出最佳网络参数配置，并提高模型预测精度。     

彩色多普勒超声在乳腺良恶性肿瘤诊断中的应用效果研究

于乳腺良恶性肿瘤临床诊断中采取彩色多普勒超声检查,分析此检查手段所发挥的作用。研究对象为2015年12月～2018年12月期间在镇原县第一人民医院就诊且确诊为乳腺肿瘤的172例女性患者,均接受彩色多普勒超声检查,将其诊断率与手术以及病理学进行对比,此外进行乳腺良恶性肿瘤超声声像图、血流检测结果对比。彩色多普勒超声检查诊断率与手术以及病理学检查结果比较,差异无统计学意义(P0.05),且乳腺良恶性肿瘤误诊率比较,差异无统计学意义(P0.05);良性肿瘤患者检查结果其形态规则率高、肿瘤包膜完整率高、内部回声均匀率高、存在钙化灶率低、探头加压变形率高,差异有统计学意义(P0.05);乳腺良恶性肿瘤血流检测结果比较,差异有统计学意义(P0.05)。彩色多普勒超声通过声像图、血流情况等相关检查为乳腺良恶性肿瘤鉴别提供更加可靠的依据,且其诊断率甚是理想,亦可将其作为早期乳腺恶性肿瘤普查的有效影像学手段。     

影像组学在乳腺病灶良恶性鉴别中的应用

为探究影像组学方法诊断乳腺病灶良恶性的能力,比较磁共振(MR:Magnetic Resonance)影像组学与传统MR诊断在良恶性乳腺疾病鉴别中的效能。回顾分析2019年1月-2022年1月在吉林大学第一医院放射科进行乳腺MR平扫及增强检查的患者,收集病理结果证实为良性或恶性的乳腺病灶共190例。MR影像组学方法通过建立逻辑回归模型实现诊断;传统MR诊断由一名副高级职称的影像科医生完成。结果显示测试集MR影像组学模型的灵敏度0.92,特异度0.83,曲线下面积(AUC:AreaUnder Curve)为0.92,以上数值均高于传统MR诊断的对应值,且差异具有统计学意义(P=0.00)。MR影像组学的方法可以辅助诊断乳腺病灶的良恶性,且诊断效能优于传统MR诊断模式。     

折叠交叉立方体的1-好邻诊断度

诊断度是多处理器系统互连网络能够诊断的最大故障结点的个数,它是度量多处理器系统故障诊断能力的一个重要参数.2012年,Peng等提出了一种新的诊断方法g-好邻诊断度,它要求每个非故障顶点至少有g个非故障邻点.n-维折叠交叉立方体网络FCQ_n是由交叉立方体网络CQ_n增加2^n-1条边后所得.该文利用1-好邻诊断度作为评价可靠性的重要度量,对折叠交叉立方体网络的可靠性进行分析,得到折叠交叉立方体网络的1-好邻诊断度.证明了在PMC模型与MM^*模型下FCQ_n的1-好邻诊断度分别等于2n+1,n≥5和2n+1,n≥6.     

基于粗糙集神经网络的故障诊断

在神经网络故障诊断模型的基础上,引入粗糙集理论,给出连续属性值的离散化方法.并应用粗糙集对故障诊断决策表进行属性约简,剔除其中不必要的属性.仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景.     

周围型肺癌动态增强CT扫描特征及病理基础

目的:探讨周围型肺癌动态增强CT扫描特点及机理。方法:经病理证实的周围型肺癌57例,平扫后,以2 mL/s速率注入造影剂后1、2、3、4、5 m in薄层扫描,分析强化值、时间密度曲线及强化形态。将CT表现与富血管度作相关性分析。结果:57例周围型肺癌增强后除1例外,强化值均大于20 Hu,与结核瘤对比差异有显著性(P<0.01)。周围型肺癌的主要强化形态是完全性强化及周围型强化。强化峰值多在1~2 m in。周围型肺癌的强化值与肿瘤中央血管数目呈正相关(r=0.8,P<0.01),与微血管密度呈等级正相关(r=0.60,P<0.01)。结论:周围型肺癌动态增强CT扫描在强化值、时间密度曲线及强化形态均有一定特征,可与结核瘤及炎性假瘤相鉴别。     

分形模糊神经网络诊断方法研究和应用

从分形理论和神经网络原理出发,基于信号分形计算维数定义,以采样周期和分形计算维数两个坐标对信号特征进行合理地模糊化处理,提出分形维数隶属度特征量概念·以多时间尺度采样所获得的分形维数隶属度作为网络输入,单位矩阵为网络输出的分形模糊神经网络,建立了时域精确诊断新方法,通过对典型齿轮系统故障进行精确诊断,结果表明分形模糊神经网络诊断方法的有效性·     

面向乳腺超声的跨模态注意力网络

B型超声和超声造影是乳腺诊断中最常见的多模态数据,克服现有研究中广泛存在的肿瘤区域标注难、模态间关系剥离难、模态融合特征冗余的问题,能有效提升联合模态乳腺肿瘤诊断的准确率。该文提出了一个面向乳腺超声的跨模态注意力网络。该网络以双分支为基础结构。堆叠双模态数据分支能隐式地建立模态间的关系,同时提取单双模态数据特征。超声造影分支在缺乏手工标注的情况下,利用跨模态注意力模块,关注时空上的造影特征。最后利用压缩通道融合子网将两个分支融合,最大程度利用特征并降低模态融合特征冗余。在乳腺超声数据集BUS＿Dataset上的实验表明,该网络优于现有乳腺肿瘤诊断方法。通过多项指标分析,该方法对乳腺肿瘤诊断具有较强的指导意义。     

基于深度特征学习的图像自适应目标识别算法

针对传统图像识别算法过程繁琐、特征提取困难等问题,提出一种基于深度特征学习的图像自适应目标识别算法。首先对每层网络单个特征图的输入进行批量归一化(BN)处理,其次采用参数化线性修正单元PReLU对参数进行自适应调节,比较BN算法作用在激活函数前后输出的表现性能,构建自适应卷积神经网络模型CNN-BN-PReLU.实验从网络层数、卷积核数目、网络优化及经典卷积神经网络模型4个方面进行比较分析,结果表明,在DDSM数据集上,CNN-BNPReLU较优化前准确率提高了8.5%,训练时间大幅减少71.83%,其敏感度、特异度及AUC值均有显著提升,分别达到了96%,87%和0.91,识别效果远高于LeNet-5和AlexNet,具有较好的应用价值。