期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
集成MRI定量参数联合表观扩散系数预测乳腺癌Ki-67表达状态的临床研究
1
作者
黄越
李锋
《磁共振成像》
北大核心
2025年第4期41-47,53,共8页
目的 探讨增强前后集成MRI(synthetic MRI,SyMRI)定量参数与乳腺癌细胞增殖核抗原(Ki-67 antigen,Ki-67)表达状态之间的关系,并评估该参数联合表观扩散系数(apparent diffusion coefficient,ADC)在Ki-67表达状态中的预测效能。材料与方...
目的 探讨增强前后集成MRI(synthetic MRI,SyMRI)定量参数与乳腺癌细胞增殖核抗原(Ki-67 antigen,Ki-67)表达状态之间的关系,并评估该参数联合表观扩散系数(apparent diffusion coefficient,ADC)在Ki-67表达状态中的预测效能。材料与方法 回顾性收集2023年3月至2024年10月期间,在襄阳市中心医院就诊并确诊为乳腺癌的163例患者的临床与影像资料,这些患者均接受完整的MRI检查,并通过病理学检查证实肿瘤性质。在GE工作站上,获取并记录增强前后SyMRI定量参数值,增强前T1值(T1-Pre)、增强前T2值(T2-Pre)、增强前质子密度值(proton density,PD-Pre)和增强后T1值(T1-Gd)、增强后T2值(T2-Gd)、增强后PD值(PD-Gd),并据此计算各值增强前后弛豫时间相对变化率,记作ΔT1%、ΔT2%和ΔPD%。根据Ki-67表达情况,将收集的患者分为高表达组(≥30%)和低表达组(<30%),采用SPSS 27对数据结果进行统计学分析,以P<0.05表示差异具有统计学意义。定性资料采用卡方检验,定量资料进行柯尔莫戈洛夫-斯米诺夫(Kolmogorov-Smirnov test,K-S)检验正态分布后,采用独立样本t检验或非参数检验比较Ki-67高表达组和低表达组磁共振参数的组间差异,将有意义的变量纳入二元logistic回归分析,将有统计学意义的变量建立联合模型,并利用DeLong检验评估模型对Ki-67表达状态的预测效能。结果 两组在病灶最大直径、ADC值、雌激素受体、孕激素受体、时间-信号强度曲线(time-signal intensity curve,TIC)和采用的治疗方案选择方面差异存在统计学意义(P<0.05);但患者年龄、人类表皮生长因子受体2(human epidermal growth factor receptor,HER-2)、病灶边缘和形态、强化特征、乳腺腺体类型、淋巴结是否转移等因素,两组间差异不具有统计学意义。关于SyMRI定量参数,高、低表达组在T1-Pre、T2-Pre、T1-Gd、T2-Gd、ΔT1%方面差异具有统计学意义(P<0.05);而PD-Pre、PD-Gd、ΔT2%、ΔPD%两组间差异不具有统计学意义。进一步多因素logistic回归分析,TIC、T1-Gd和ADC值存在显著统计学意义,AUC分别为0.608、0.837和0.701;敏感度分别为52%、89%和85%;特异度分别为68%、68%和46%。此外,T1-Gd、ADC值和TIC三者联合建立逻辑回归预测模型,其预测Ki-67表达状态的AUC达0.881,敏感度为89%,特异度为76%。结论 在SyMRI定量分析中,T1-Gd作为一种非侵入性影像学生物标志物,能够有效预估乳腺癌中Ki-67的表达水平。通过整合ADC值与TIC,所构建的联合预测模型显著提高了预测乳腺癌Ki-67表达水平的准确性和效能,这一发现为无创性评估乳腺癌细胞增殖活性和治疗效果提供了一种新的思路和方法。
展开更多
关键词
磁共振成像
乳腺癌
集成磁共振成像
细胞增殖核抗原
表观扩散系数
在线阅读
下载PDF
职称材料
RSNA2024乳腺影像学
2
作者
刘志强
贺丽彤
+9 位作者
胡益祺
詹晨奥
霍敏
彭潇
唐立早
莫沛磊
王小珊
杨凌乔
罗振东
艾涛
《放射学实践》
北大核心
2025年第4期421-428,共8页
在2024年RSNA大会上,乳腺影像学领域的研究重点和热点主要包括:结合人工智能的乳腺X线摄影在乳腺癌筛查和风险预测模型开发中的应用;功能MRI、多参数MRI及深度学习在乳腺病变诊断、风险预测及新辅助疗效评估等方面的应用;探讨功能MRI、...
在2024年RSNA大会上,乳腺影像学领域的研究重点和热点主要包括:结合人工智能的乳腺X线摄影在乳腺癌筛查和风险预测模型开发中的应用;功能MRI、多参数MRI及深度学习在乳腺病变诊断、风险预测及新辅助疗效评估等方面的应用;探讨功能MRI、简化MRI序列筛查乳腺癌的可能性;常规超声及超声新技术结合人工智能在乳腺病变检测、诊断及新辅助疗效评估等方面的应用。
展开更多
关键词
乳腺X线摄影
超声成像
磁共振成像
人工智能
在线阅读
下载PDF
职称材料
合成MRI在乳腺癌的临床应用及进展
被引量:
1
3
作者
黄越
李锋
《磁共振成像》
CAS
CSCD
北大核心
2024年第11期209-215,共7页
合成MRI(synthetic MRI,SyMRI)是一种日渐成熟的定量磁共振成像技术,能在短时间扫描内获得多种对比加权图像重建,可以直接获得反映组织生物物理特性的定量参数。该技术所获得的纵向弛豫时间T1、横向弛豫时间T2和质子密度(proton density...
合成MRI(synthetic MRI,SyMRI)是一种日渐成熟的定量磁共振成像技术,能在短时间扫描内获得多种对比加权图像重建,可以直接获得反映组织生物物理特性的定量参数。该技术所获得的纵向弛豫时间T1、横向弛豫时间T2和质子密度(proton density,PD)在乳腺良恶性鉴别诊断、分子分型评估、组织学分级预测及预后评价发挥重要价值,现临床实践越来越广泛。本文就SyMRI技术原理及其在乳腺疾病中的研究进展及前景展开综述,期望能够帮助影像医师更全面地了解乳腺癌相关影像表现,为临床诊疗提供客观、精准的影像学信息。
展开更多
关键词
磁共振成像
乳腺癌
合成磁共振成像
分子分型
淋巴结转移
新辅助化疗
人工智能
在线阅读
下载PDF
职称材料
题名
集成MRI定量参数联合表观扩散系数预测乳腺癌Ki-67表达状态的临床研究
1
作者
黄越
李锋
机构
武汉科技大学襄阳市中心医院研究生联合培养基地
武汉科技大学
医学部医学院
湖北文理学院附属
襄阳市中心医院
放射影像科
出处
《磁共振成像》
北大核心
2025年第4期41-47,53,共8页
文摘
目的 探讨增强前后集成MRI(synthetic MRI,SyMRI)定量参数与乳腺癌细胞增殖核抗原(Ki-67 antigen,Ki-67)表达状态之间的关系,并评估该参数联合表观扩散系数(apparent diffusion coefficient,ADC)在Ki-67表达状态中的预测效能。材料与方法 回顾性收集2023年3月至2024年10月期间,在襄阳市中心医院就诊并确诊为乳腺癌的163例患者的临床与影像资料,这些患者均接受完整的MRI检查,并通过病理学检查证实肿瘤性质。在GE工作站上,获取并记录增强前后SyMRI定量参数值,增强前T1值(T1-Pre)、增强前T2值(T2-Pre)、增强前质子密度值(proton density,PD-Pre)和增强后T1值(T1-Gd)、增强后T2值(T2-Gd)、增强后PD值(PD-Gd),并据此计算各值增强前后弛豫时间相对变化率,记作ΔT1%、ΔT2%和ΔPD%。根据Ki-67表达情况,将收集的患者分为高表达组(≥30%)和低表达组(<30%),采用SPSS 27对数据结果进行统计学分析,以P<0.05表示差异具有统计学意义。定性资料采用卡方检验,定量资料进行柯尔莫戈洛夫-斯米诺夫(Kolmogorov-Smirnov test,K-S)检验正态分布后,采用独立样本t检验或非参数检验比较Ki-67高表达组和低表达组磁共振参数的组间差异,将有意义的变量纳入二元logistic回归分析,将有统计学意义的变量建立联合模型,并利用DeLong检验评估模型对Ki-67表达状态的预测效能。结果 两组在病灶最大直径、ADC值、雌激素受体、孕激素受体、时间-信号强度曲线(time-signal intensity curve,TIC)和采用的治疗方案选择方面差异存在统计学意义(P<0.05);但患者年龄、人类表皮生长因子受体2(human epidermal growth factor receptor,HER-2)、病灶边缘和形态、强化特征、乳腺腺体类型、淋巴结是否转移等因素,两组间差异不具有统计学意义。关于SyMRI定量参数,高、低表达组在T1-Pre、T2-Pre、T1-Gd、T2-Gd、ΔT1%方面差异具有统计学意义(P<0.05);而PD-Pre、PD-Gd、ΔT2%、ΔPD%两组间差异不具有统计学意义。进一步多因素logistic回归分析,TIC、T1-Gd和ADC值存在显著统计学意义,AUC分别为0.608、0.837和0.701;敏感度分别为52%、89%和85%;特异度分别为68%、68%和46%。此外,T1-Gd、ADC值和TIC三者联合建立逻辑回归预测模型,其预测Ki-67表达状态的AUC达0.881,敏感度为89%,特异度为76%。结论 在SyMRI定量分析中,T1-Gd作为一种非侵入性影像学生物标志物,能够有效预估乳腺癌中Ki-67的表达水平。通过整合ADC值与TIC,所构建的联合预测模型显著提高了预测乳腺癌Ki-67表达水平的准确性和效能,这一发现为无创性评估乳腺癌细胞增殖活性和治疗效果提供了一种新的思路和方法。
关键词
磁共振成像
乳腺癌
集成磁共振成像
细胞增殖核抗原
表观扩散系数
Keywords
magnetic resonance imaging
breast cancer
integrated magnetic resonance imaging
cell proliferation nuclear antigen
apparent diffusion coefficient
分类号
R445.2 [医药卫生—影像医学与核医学]
R737.9 [医药卫生—肿瘤]
在线阅读
下载PDF
职称材料
题名
RSNA2024乳腺影像学
2
作者
刘志强
贺丽彤
胡益祺
詹晨奥
霍敏
彭潇
唐立早
莫沛磊
王小珊
杨凌乔
罗振东
艾涛
机构
华中
科技
大学
同济医学院附属同济
医院
放射科
华中
科技
大学
同济医学院附属同济
医院
甲乳外科
仙桃市第一人民
医院
放射影像科
武汉科技大学襄阳市中心医院研究生联合培养基地
深圳市宝安区松岗人民
医院
医学影像科
香港
大学
深圳
医院
放射科
出处
《放射学实践》
北大核心
2025年第4期421-428,共8页
文摘
在2024年RSNA大会上,乳腺影像学领域的研究重点和热点主要包括:结合人工智能的乳腺X线摄影在乳腺癌筛查和风险预测模型开发中的应用;功能MRI、多参数MRI及深度学习在乳腺病变诊断、风险预测及新辅助疗效评估等方面的应用;探讨功能MRI、简化MRI序列筛查乳腺癌的可能性;常规超声及超声新技术结合人工智能在乳腺病变检测、诊断及新辅助疗效评估等方面的应用。
关键词
乳腺X线摄影
超声成像
磁共振成像
人工智能
分类号
R445.2 [医药卫生—影像医学与核医学]
R814.42 [医药卫生—影像医学与核医学]
R737.9 [医药卫生—肿瘤]
在线阅读
下载PDF
职称材料
题名
合成MRI在乳腺癌的临床应用及进展
被引量:
1
3
作者
黄越
李锋
机构
武汉科技大学襄阳市中心医院研究生联合培养基地
武汉科技大学
医学部医学院
湖北文理学院附属
襄阳市中心医院
放射影像科
出处
《磁共振成像》
CAS
CSCD
北大核心
2024年第11期209-215,共7页
文摘
合成MRI(synthetic MRI,SyMRI)是一种日渐成熟的定量磁共振成像技术,能在短时间扫描内获得多种对比加权图像重建,可以直接获得反映组织生物物理特性的定量参数。该技术所获得的纵向弛豫时间T1、横向弛豫时间T2和质子密度(proton density,PD)在乳腺良恶性鉴别诊断、分子分型评估、组织学分级预测及预后评价发挥重要价值,现临床实践越来越广泛。本文就SyMRI技术原理及其在乳腺疾病中的研究进展及前景展开综述,期望能够帮助影像医师更全面地了解乳腺癌相关影像表现,为临床诊疗提供客观、精准的影像学信息。
关键词
磁共振成像
乳腺癌
合成磁共振成像
分子分型
淋巴结转移
新辅助化疗
人工智能
Keywords
magnetic resonance imaging
breast cancer
synthetic magnetic resonance imaging
molecular typing
lymph node metastasis
neoadjuvant chemotherapy
artificial intelligence
分类号
R445.2 [医药卫生—影像医学与核医学]
R737.9 [医药卫生—肿瘤]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
集成MRI定量参数联合表观扩散系数预测乳腺癌Ki-67表达状态的临床研究
黄越
李锋
《磁共振成像》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
RSNA2024乳腺影像学
刘志强
贺丽彤
胡益祺
詹晨奥
霍敏
彭潇
唐立早
莫沛磊
王小珊
杨凌乔
罗振东
艾涛
《放射学实践》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
合成MRI在乳腺癌的临床应用及进展
黄越
李锋
《磁共振成像》
CAS
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部