论文部分内容阅读
目的:通过提取前列腺MRI轴位不同b值下DWI图像计算后的ADC图像纹理特征,探讨前列腺ADC图像纹理分析对鉴别前列腺癌(prostate cancer,PCa)与良性前列腺增生(benign prostatic hyperplasia,BPH)的价值,以及ADC图像纹理特征与前列腺癌病理分级的相关性。方法:收集马鞍山市人民医院2014年1月～2019年7月间因前列腺相关症状进行Mp-MRI(multiparametric prostate MRI,Mp-MRI)检查的影像资料及相关组织活检病理,纳入80例前列腺癌,54例前列腺增生,共134例。影像科2名工作5年以上的影像诊断医师,利用Fire Voxel软件在轴位DWI图像上对病灶所在区域进行讨论并确认,逐层勾画出癌灶及增生灶的感兴趣区,每层感兴趣区组成整个病灶的三维感兴趣容积(volum of interest,VOI),并由软件对VOI进行计算处理得到肿瘤ADC图像,分别计算b值取400s/mm~2以及1000s/mm~2时VOI内ADC图像的熵值、不均匀度、峰度、偏度、平均值、中位数。应用独立样本t检验比较b值取400s/mm~2或1000s/mm~2时PCa组和BPH组之间的ADC图像纹理特征参数的总体均数是否不同。应用受试者工作特征曲线(receiver operator characteristic,ROC)分析,获得ROC曲线下面积(area under the curve,AUC),比较b值取400s/mm~2与1000s/mm~2时ADC图像纹理特征参数鉴别PCa与BPH的诊断效能高低以及计算出诊断前列腺癌的阈值。之后的研究全部选用拥有较高诊断效能的b值。将前列腺癌患者按Gleason评分划分为高、中、低分化三组。采用单因素方差分析并在此之后用LSD法对各纹理特征参数在高、中、低分化组之间的统计学差异作两两比较;采用独立样本t检验比较中低分化组(Gleason评分≥7)与高分化组(Gleason评分≤6)各ADC图像纹理特征参数间的总体均数是否不同。选取AUC>0.7的图像纹理特征,建立多变量联合预测PCa与BPH的Logistic回归模型,根据ROC曲线下面积(AUC)评价ADC图像纹理特征参数联合鉴别PCa与BPH的诊断效能高低,并根据ROC曲线计算诊断前列腺癌的阈值。采用Spearman相关性分析,探究各纹理特征参数与Gleason评分之间的相关性。结果:1.当b值取400s/mm~2与1000s/mm~2时,前列腺组与前列腺增生组之间的各项ADC图像纹理特征均有统计学差异,其中b值取1000s/mm~2时,各项纹理特征参数在两组之间有明显差异(P值均小于0.01)。2.b值取1000s/mm~2时各项纹理特征参数ROC曲线分析的AUC值即诊断效能均高于b值取400时的诊断效能。b值取1000s/mm~2,熵+平均值+中位数+不均匀度联合诊断前列腺癌的效能最高,AUC值为0.957。3.熵值、平均值与中位数在中分化与高分化组有统计学差异。熵值、平均值、中位数、偏度、峰度在低分化与高分化组之间有统计学差异。偏度、峰度在低分化与中分化组之间有统计学差异。4.Gleason评分与熵、平均值、中位数、偏度、峰度之间有相关性,平均值的相关性最大(r=-0.443,P<0.01),峰度以及中位数的相关性次之(r分别为0.437、-0.437,P<0.01)。结论:本研究表明使用磁共振ADC图像建立的纹理特征参数可用于前列腺癌与前列腺增生的鉴别诊断。通过纹理分析提取的参数(熵、偏度、峰度、不均匀度、平均值、中位数)可以为前列腺癌病理分级以及侵袭性的评估提供新的参考指标。