基于FireVoxel软件MR-T2WI纹理分析在前列腺癌诊断中的初步应用
目的 基于FireVoxel软件探讨MR-T2WI纹理分析在前列腺癌(PCa)诊断中的价值.方法 搜集超声引导下前列腺靶点穿刺、临床病理确诊并于穿刺前后1个月内完成前列腺3.0 T MRI检查,且T2WI图像上外周带存在低信号提示癌灶可能的51例患者.对前列腺外周带T2WI低信号区域行基于FireVoxel软件纹理分析,分别计算Mean、Signal Stddev、Inhomogenity、Histogram Skewness、Histogram Kurtosis、Histogram Entropy这6个指标在诊断PCa及预测Gleason评分(GS)分组的受试者工作特征曲线(ROC)曲线下面积(AUC).结果 51例患者中外周带PCa 31例,良性增生20例;其中,中低GS组(Gleason评分≤8分)13例,高GS组(Gleason评分≥9分)18例.基于FireVoxel软件纹理分析Mean、Signal Stddev、Inhomogenity、Histogram Skewness、Histogram Kurtosis、Histogram Entropy指标在诊断PCa的AUC分别为0.711(P =0.011)、0.850(P=0.000)、0.405(P =0.255)、0.515(P =0.862)、0.640(P =0.093)、0.569(P =0.407).进一步简化Signal Stddev指标诊断性能发现,当Signal Stddev＜ 38诊断癌灶的AUC达0.846(P=0.000).但各指标在预测中低GS组与高GS组的价值并不理想,AUC分别为0.483(P=0.107873)、0.581 (P =0.447)、0.560(P=0.575)、0.675(P =0.101)、0.517(P=0.873)、0.577(P=0.471).结论 基于FireVoxel软件MR-T2WI纹理分析Mean和Signal Stddev指标在没有增加扫描时间、机器配置等情况下能快速、简单、有效地提高T2WI序列对PCa的诊断效能,值得临床特别是广大基层单位,推广应用.
前列腺、纹理
40
R737.25;TH89;TP274
广东省医学科研基金;佛山市科技计划
2021-09-29（万方平台首次上网日期，不代表论文的发表时间）
共5页
1426-1430
