Sparse CT Reconstruction Based on Adversarial Residual Dense Deep Neural Network
-
摘要: 针对计算机断层成像稀疏重建过程中产生条状伪影的问题，本文提出一种基于对抗式残差密集深度神经网络的CT图像高精度稀疏重建方法。设计一种耦合残差连接、密集连接、注意力机制和对抗机制的UNet网络，以含条状伪影图像和高精度图像作为训练样本，通过大规模训练数据，对该网络进行训练，使其具有压制条状伪影的能力。首先，利用滤波反投影算法从稀疏投影中重建出含条状伪影的CT图像；接着，将其输入深度网络，通过网络压制条状伪影；最后，得到高精度的重建图像。实验结果表明，相比于现有的若干深度学习算法，提出的新型网络重建出的图像精度更高，可以更好地压制条状伪影。Abstract: To solve the problem of severe streak artifacts in sparse-view computed tomography (CT) reconstruction, in this paper we propose a method which is based on the adversarial residual dense deep neural network to acquire high-quality sparse-view CT reconstruction. The UNet that combines residual connectioin, dense connection, adversarial mechanism and attention mechanism is designed, which is trained through large-scale training data composed of streak artifact images and high-quality images to suppress streak artifacts. First, the filtered back projection (FBP) algorithm is used to reconstruct CT images with streak artifacts from sparse projections, then these images are inputed into the deep network, which can suppress streak artifacts to output high-quality images. The experimental results show that, compared with the existing deep learning algorithms, the image reconstructed by the proposed new network possesses higher accuracy and can suppress streak artifacts better.
-
Keywords:
- sparse reconstruction /
- CT /
- UNet /
- adversarial mechanism /
- attention mechanism
-
急性阑尾炎是最常见的急腹症[1-2]，发病率高达6％。在人群中男女发病率为1.4︰1，其中18～30岁这个年龄段的发病率最高[3]。一般来说，急性阑尾炎的首选治疗方法是施行阑尾切除术，但是在某些学者的观点下，并不是所有的阑尾炎都需要进行阑尾切除，非复杂性阑尾炎可选择保守治疗[4]，且不同病理分型阑尾炎的术中和术后处理方法也有差异[5]。
因此，能够在术前对急性阑尾炎进行病理分型的初步预判就显得尤为重要。多层螺旋CT（MSCT）具有术前诊断急性阑尾炎准确率高、操作简便、扫描速度快等优点[6]，但MSCT对鉴别急性阑尾炎各病理分型的价值以及哪些CT征象对诊断阑尾炎病理分型具有统计学意义这些问题研究较少，本研究通过回顾性分析各病理类型急性阑尾炎的MSCT征象，以便于更好的引导临床做进一步治疗。
1. 资料与方法
1.1 一般资料
收集2018年10月至2019年9月本院收治的78例经手术病理证实的急性阑尾炎患者，其中男38例，女40例；年龄8～84岁，平均（41.2±20.2）岁，所有患者均已在术前进行了MSCT扫描。
1.2 仪器与方法
采用GE Optima CT680扫描仪，患者取仰卧位，由上至下扫描，扫描范围为膈顶至耻骨联合。扫描参数：管电压120 kV，管电流300 mA，层厚0.625 mm，层间距0.625 mm，螺距0.984︰1，转速0.6 s/r，标准重建stand，矩阵512×512，迭代（ASIR）30％。
1.3 图像后处理
对所有患者行多平面重建（multiplanar reformation, MPR），重建层厚0.625 mm，其中对10例冠状位或矢状位上阑尾仍显示不清或显示不全的患者加做CPR，以方便测量阑尾直径以及明确观察阑尾周围炎症渗出情况。
1.4 图像分析
由两名主治医师对图像资料进行评定，若意见不一致时，请高级医师会诊，经讨论意见达成一致后对每个患者的CT征象按照其严重程度做出标准化评分（0～2分）。主要分析每位患者术前CT征象，包括阑尾管腔直径、周围脂肪密度、阑尾周围渗出情况、阑尾粪石、阑尾腔外积液、系膜增厚程度、阑尾腔内积液和积气情况。
测量阑尾管腔直径时，以阑尾管腔的最大直径为标准。测量阑尾周围脂肪密度时，取3个不同层面阑尾周围渗出部分的平均CT值，尽量避开淋巴结、血管等。其余CT征象按照其严重程度参照文献[7]和文献[8]评定为3个等级（0-阴性，1-轻度，2-中度或重度）。阑尾周围渗出情况根据其渗出量的多少来评定，阑尾周围无渗出计0分，阑尾周围有渗出改变计1分，当渗出量较多以至于部分阑尾与周围结构不清时计2分。阑尾粪石的评定标准为：无粪石计0分，粪石的最大层面小于或等于0.6 mm且数量为1时计1分，大于0.6 mm或数量为2时计2分。阑尾腔外积液定义为阑尾周围分散的液体或腹腔游离积液，测量积液最多的层面的ROI大小，小于300 mm2时计1分，大于300 mm2时计2分。阑尾腔内积液和积气按照阑尾腔内气体和液体占阑尾腔的比例进行评分，无积气或积液为0分，积气或积液量小于1/3为1分，大于1/3为2分。周围系膜未增厚为0分，系膜增厚范围较小为1分（仅累计阑尾层面），范围较大为2分（累积层面超过阑尾）。
1.5 统计学方法
采用SPSS 22.0统计分析软件，对患者阑尾管腔直径和其周围脂肪密度的比较行方差分析。对阑尾周围渗出情况、阑尾粪石、阑尾腔外积液、系膜增厚、阑尾腔内积液和积气的比较行Spearman秩相关性分析，以P<0.05为差异具有统计学意义，以Rs>0.8判定为极强相关，以0.6<Rs<0.8判定为强相关，以0.4<Rs<0.6判定为相关，以Rs<0.4判定为弱相关。
2. 结果
2.1 CT表现及病理结果
经手术后病理结果证实的急性阑尾炎患者有78例，其中单纯性阑尾炎28例，化脓性阑尾炎33例，坏疽性阑尾炎17例。图1～图3分别为3种阑尾炎病例的轴位像、CPR像和病理切片图。
![]()
图 2 男，39岁，化脓性阑尾炎Figure 2. Male, 39 years old, suppurative appendicitis gangrenous appendicitis2.2 三组不同病理类型患者MSCT征象特点及差异性分析
在此研究的78个病例中，阑尾直径范围为4.5～20.1 mm，平均值为（10.87±3.87）mm。阑尾周围密度范围为 -102～-18 HU，平均值为（-64.92±22.98）HU。三种不同类型阑尾炎在阑尾直径和周围脂肪密度的比较中其差异有统计学意义（表1）。
表 1 不同类型阑尾炎CT征象的计量资料比较Table 1. Comparison of measurement data of CT features of different types among appendicitis分组及统计检验 例数 阑尾管腔直径/mm 周围脂肪密度/HU 急性单纯性阑尾炎a 28 7.17±1.41 -81.43±11.62 急性化脓性阑尾炎b 33 12.15±2.95 -68.39±15.89 急性坏疽性阑尾炎c 17 14.49±3.17 -31.00±8.69 F 50.2 78.9 P 0.000 0.000 注：a与b相比较，P＜0.05；a与c相比较，P＜0.05；b与c相比较，P＜0.05。因此，将3种不同病理类型阑尾炎在阑尾直径和周围脂肪密度的CT值上进行对比分析，发现其差异有统计学意义。 另外，阑尾周围渗出情况、阑尾粪石、阑尾腔外积液、系膜增厚和阑尾腔内积液，在Spearman秩相关性分析中，P＜0.05。但其相关性却是各不相同（表2），由此可见，阑尾周围渗出情况和系膜增厚情况与阑尾分型有较强的相关性，而阑尾粪石、阑尾腔外积液和阑尾腔内积液与阑尾分型的相关性就较弱。
表 2 不同类型阑尾炎CT征象的计数资料比较Table 2. Comparison of enumeration data of CT features among different types of appendicitisMSCT征象/分组 单纯性28例 化脓性33例 坏疽性17例 Rs P 0 1 2 0 1 2 0 1 2 阑尾周围渗出/例 21 6 1 2 22 9 0 8 9 0.684 0.000 阑尾粪石/例 23 5 0 25 7 1 6 3 8 0.394 0.000 阑尾腔外积液/例 26 1 1 30 2 1 11 3 3 0.263 0.020 系膜增厚/例 21 5 2 18 10 5 3 8 6 0.411 0.000 阑尾腔内积液/例 26 2 0 27 3 3 8 4 5 0.393 0.000 阑尾腔内积气/例 12 11 5 31 2 1 9 4 4 -0.152 0.184 注：在其余6种MSCT征象中有5种征象P＜0.05，在Spearman秩相关性分析中，阑尾周围渗出情况和系膜增厚情况与阑尾分型有较强的相关性，而阑尾粪石、阑尾腔外积液、阑尾腔内积液和阑尾腔内积液与阑尾分型的相关性就较弱。 3. 讨论
3.1 急性阑尾炎病理分型的意义
有学者表明，可将急性阑尾炎分为急性复杂性阑尾炎（complicated acute appendi-citis，CAA）和非复杂性阑尾炎（uncomplicated acute appendicitis，UCAA）。其中，急性复杂性阑尾炎定义为坏疽性和穿孔性阑尾炎[9]；急性非复杂性阑尾炎又包括急性单纯性阑尾炎和急性化脓性阑尾炎，而CT不能准确鉴别各不同病理类型阑尾炎可能是非手术治疗失败率高的原因之一[10]。
一般来说，超声检查作为一种辅助的医疗检查手段，具有可靠性好、诊断率高以及操作简便等优点[11]，可较容易的将急性单纯性阑尾炎和其他复杂性阑尾炎区分开。但是，超声却难以鉴别急性化脓性阑尾炎和急性坏疽性阑尾炎。
在临床中，急性阑尾炎各不同病理类型临床表现的差异也并不明显[12]，用实验室检查来鉴别各型阑尾炎也只有一定的积极影响[13]，准确率却不高。本研究通过对急性阑尾炎各不同病理类型的MSCT征象进行对比分析，期望得到不同病理类型急性阑尾炎的MSCT特异征象，这将会大大提高临床的工作效率，对临床治疗具有较高的指导价值[14]，同时也可以为患者减轻精神负担和经济负担。
3.2 MSCT表现与各病理类型阑尾炎的相关性
本研究表明，阑尾管腔直径、周围脂肪密度、阑尾周围渗出、系膜增厚、阑尾粪石、阑尾腔外积液和阑尾腔内积液对急性阑尾炎的病理分型有统计学意义，但其相关性大小却是各不相同。
阑尾管腔直径增大是最常见的急性阑尾炎CT征象，一般来说，阑尾管腔直径大于6 mm即可判定为阑尾增粗，本研究中，92.3％的病例阑尾直径大于6 mm，小于或等于6 mm的6例，均为急性单纯性阑尾炎。单纯性、化脓性和坏疽性阑尾炎的平均阑尾管腔直径分别为7.17、12.15和14.49 mm，其差异具有统计学意义，表明阑尾的管腔直径按照单纯性、化脓性、坏疽性的不同病理变化依次增大，与郭建国等[8]的研究结果类似。
阑尾周围密度升高和周围渗出情况在CT上表现为阑尾周围有絮状或片状稍高密度影，周围脂肪间隙模糊，这是由于阑尾炎症进而发生的周围炎性浸润，其渗出物包括渗液、化脓、出血和肠内容物流出等。本研究中，我们将渗出范围和阑尾周围密度联合起来共同对急性阑尾炎的渗出情况进行评估和对比分析。
用方差分析和Speraman秩相关分析得出阑尾周围渗出情况与阑尾分型具有较强的相关性。其中，单纯性、化脓性、坏疽性阑尾炎的平均周围脂肪密度分别为 -86、-68和-31 HU，随着周围脂肪密度的依次升高，说明阑尾渗出情况的逐渐加重，继而化脓和坏疽性阑尾炎发生出血、穿孔、腹膜炎等并发症的风险就更高，此结果与相关文献一致[15]，提示医师需要对此进行紧急处理。
周围系膜增厚。周围系膜增厚在CT上表现为阑尾周围条片状密度增高影，周围脂肪间隙模糊，阑尾位于盲肠下端内后侧壁，全部为腹膜包绕，形成了三角形的阑尾系膜。当阑尾发生炎症时，会发生炎细胞浸润进而刺激周围系膜增生水肿。本研究中，在评定系膜增厚等级时，我们用系膜增厚的范围和程度来作为评定标准。有46.2％的病例发生周围系膜增厚，其中，单纯性、化脓性以及坏疽性阑尾炎的阳性率分别为25％（7/28）、48.5％（16/33）和88.2％（15/17）。呈现出了一种明显的上升趋势，对急性阑尾炎的病理分型也有一定的鉴别意义。在刘太峰等[16]的研究中，系膜增厚例数占比高达70.4％，认为系膜增厚对急性阑尾炎分型与临床病理诊断结果符合率高，与本组数据观点一致。Kitaoka等[17]研究也认为腹腔系膜累及程度与急性阑尾炎复杂程度相关，与本研究结果相一致。
在本研究中，39.7％ 的病例合并有阑尾粪石，在MSCT中表现为阑尾腔内结节状高密度影，可单发或多发。在CT影像诊断中，有无阑尾粪石是诊断阑尾炎的一个重要指标[18]，因为阑尾粪石可能会引起阑尾腔的阻塞以及细菌感染，继而诱发阑尾炎。此种情况下，选择保守治疗是可行的，但最终粪石可能还是会存在于阑尾腔中，成为阑尾炎复发的诱因[19]。在本组数据中，单纯性、化脓性和坏疽性阑尾炎阑尾粪石的阳性率分别为28.6％（8/28）、33.3％（11/33）和64.7％（11/17），且在Spearman秩相关性分析中具有统计学意义，这表明在一定程度上可从阑尾粪石的数目和大小来对急性阑尾炎病理分型做出粗略的判断。但其Rs值小于0.4，说明若仅仅通过阑尾粪石来对急性阑尾炎进行病理分型，可信度较低，仅可用于辅助诊断。
另外，本研究发现阑尾腔内积液和腔外积液的CT征象在单纯性、化脓性和坏疽性阑尾炎的阳性率中总体上来说呈现出一个上升的趋势，但在Spearman秩相关性分析中，二者的Rs值均小于0.4，这表明虽然阑尾腔内外积液与急性阑尾炎病理分型的相关性有统计学意义，但其相关性较低，可作为辅助指标来帮助鉴别其病理分型。
本研究结果表明阑尾腔内气体在Spearman秩相关性分析中与病理分型的程度没有统计学意义，此征象在单纯性、化脓性、坏疽性阑尾炎中的阳性率分别为57.1％（16/28）、9.1％（3/33）和47.1％（8/17），通过此数据可以发现对于症状最轻的单纯性阑尾炎其阑尾腔内气体的发生率却接近60％，而化脓和坏疽性阑尾炎就明显低于单纯性阑尾炎，由此我们推测正常阑尾通常与充满气体的盲肠相连，在单纯性阑尾炎中大部分阑尾腔中含有气体可能是盲肠中气体反流的结果，而在另外两种炎症较严重的阑尾炎中，猜测可能是阑尾腔内存在一定的阻塞，导致腔内气体消失，因此在一定程度上根据阑尾腔内气体以及结合其他MSCT征象可对阑尾炎病理分型诊断有一定的指导作用。
3.3 本研究的局限性
①本研究样本数量较少，数据分析可能存在偏差，结论也缺乏一定的代表性；②在评判渗出、系膜增厚、腔内外积液和腔内积气时的等级时，没有对它们逐步的进行定量分析，因此可能在数据的获取上准确度不够；③急性阑尾炎大部分患者起病较急，进行增强CT检查的患者较少，而增强CT检查对阑尾形态的显示会更加明确，阑尾炎的诊断准确率也更高[20]。
综上所述，急性阑尾炎在其临床体征不典型的前提下[21]，MSCT不但能够为临床快速、准确的诊断急性阑尾炎，且通过将MSCT征象与手术病理结果相对照统计分析得出：阑尾管腔直径、周围脂肪密度、系膜增厚程度和周围渗出情况对鉴别各病理类型急性阑尾炎有较强的指导意义，而腔内外积液以及阑尾粪石对其鉴别意义不大，但仍然可以作为病理分型的辅助诊断，MSCT扫描可以为急性阑尾炎不同病理类型的鉴别诊断和临床治疗提供有价值的信息和指导建议。
-
![]()
图 8 不同稀疏情形下的重建图像对比图
Figure 8. Comparison of reconstructed images under different sparsity
表 1 稀疏重建结果的RMSE、SSIM和PSNR分析
Table 1 RMSE, SSIM and PSNR analysis of sparse-view reconstruction results
重建方法 FBP RED-CNN FBPConvNet FD-UNet 本文方法 PSNR 22.230 28.800 34.440 35.180 35.240 RMSE 0.077 0.036 0.019 0.017 0.017 SSIM 0.645 0.923 0.967 0.969 0.970 PSNR 19.740 27.210 35.660 35.930 36.150 RMSE 0.103 0.044 0.016 0.016 0.016 SSIM 0.593 0.941 0.981 0.979 0.981 
下载: 导出CSV
表 2 不同稀疏度下重建图像的PSNR值、SSIM值、RMSE值
Table 2 RMSE, SSIM and PSNR analysis of reconstruction results under different sparsity
投影个数 15 30 60 90 PSNR 29.770 31.450 34.690 34.810 RMSE 0.032 0.027 0.018 0.018 SSIM 0.908 0.930 0.964 0.964
下载: 导出CSV
-
[1] PAN X, SIDKY E Y, VANNIER M. Why do commercial CT scanners still employ traditional, filtered back-projection for image reconstruction?[J]. Inverse Problems, 2008, 25(12): 1230009.
[2] DONOHO D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289−1306. doi: 10.1109/TIT.2006.871582
[3] SIDKY E Y, KAO C M, PAN X. Accurate image reconstruction from few-view limited-angle data in divergent-beam CT[J]. Journal of X-ray Science and Technology, 2006, 14(2): 119-139.
[4] SIDKY E Y, PAN X. Image reconstruction in circular cone-beam computed tomography by constrained, total-variation minimization[J]. Physics in Medicine & Biology, 2008, 53(17): 4777−4807. doi: 10.1088/0031-9155/53/17/021
[5] LIU Y, MA J, FAN Y, et al. Adaptive-weighted total variation minimization for sparse data toward low-dose X-ray computed tomography image reconstruction[J]. Physics in Medicine & Biology, , 2012, 57(23): 7923-7956.
[6] STRONG D, CHAN T. Edge-preserving and scale-dependent properties of total variation regularization[J]. Inverse Problems, 2003, 19(6): 165−187. doi: 10.1088/0266-5611/19/6/059
[7] XIN J, CHEN Z, XING Y. Anisotropic total variation minimization method for limited-angle CT reconstruction[C]//proceedings of the Spie Optical Engineering + Applications, F, 2012.
[8] ZHANG Y, ZHANG W H, CHEN H, et al. Few-view image reconstruction combining total variation and a high-order norm[J]. International Journal of Imaging Systems & Technology, 2013, 23(3): 249−255.
[9] ZHANG H, YAN B, WANG L, et al. Sparse-view image reconstruction with nonlocal total variation[C]//Proceedings of the 2014 IEEE Nuclear Science Symposium and Medical Imaging Conference (NSS/MIC), F, 2014.
[10] SIDKY E Y, REISER I, NISHIKAWA R M, et al. Practical iterative image reconstruction in digital breast tomosynthesis by non-convex TpV optimization[J]. Proceedings of SPIE — The International Society for Optical Engineering, 2008: 6913(1): 691328-691324 .
[11] 闫慧文, 乔志伟. 基于ASD-POCS框架的高阶TpV图像重建算法[J]. CT理论与应用研究, 2021, 30(3): 279-289. DOI: 10.15953/j.1004-4140.2021.30.03.01. YAN H W, QIAO Z W. High order TpV image reconstruction algorithms based on ASD-POCS framework[J]. CT Theory and Applications, 2021, 30(3): 279-289. DOI:10.15953/j.1004-4140.2021.30.03.01. (in Chinese).
[12] LI S, CAO Q, CHEN Y, et al. Dictionary learning based sinogram inpainting for CT sparse reconstruction[J]. Optik - International Journal for Light and Electron Optics, 2014, 125(12): 2862−2867. doi: 10.1016/j.ijleo.2014.01.003
[13] ZHU J, CHEN C W. A compressive sensing image reconstruction algorithm based on low-rank and total variation regularization[J]. Journal of Jinling Institute of Technology, 2015, 31(4): 23-26.
[14] CHEN H, ZHANG Y, KALRA M K, et al. Low-dose CT with a residual encoder-decoder convolutional neural network (RED-CNN)[J]. IEEE Transactions on Medical Imaging, 2017, 36(12): 2524-2535.
[15] XU L, REN J, LIU C, et al. Deep convolutional neural network for image deconvolution[J]. Advances in neural information processing systems, 2014, 27(2): 1790−1798.
[16] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]// Proceedings of the IEEE Conference on Computer Vision & Pattern Recognition, F, 2016.
[17] WOLTERINK J M, LEINER T, VIERGEVER M A, et al. Generative adversarial networks for noise reduction in low-dose CT[J]. IEEE Transactions on Medical Imaging, 2017, 36(12): 2536−2545. doi: 10.1109/TMI.2017.2708987
[18] GOODFELLOW I J, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial networks[J]. Advances in Neural Information Processing Systems, 2014, 3(11): 2672−2680.
[19] HAN Y S, YOO J, YE J C. Deep residual learning for compressed sensing CT reconstruction via persistent homology analysis[J]. 2016.
[20] RONNEBERGER O, FISCHER P, BROX T. U-Net: Convolutional networks for biomedical image segmentation[J]. Springer International Publishing, 2015, 9351: 234-241.
[21] 陈康, 狄贵东, 张佳佳, 等. 基于改进U-Net卷积神经网络的储层预测[J]. CT理论与应用研究, 2021, 30(4): 403-416. DOI:10.15953/j.1004-4140.2021.30.04.01. CHEN K, DI G D, ZHANG J J, et al. Reservoir prediction based on improved U-net convolutional neural network[J]. CT Theory and Applications, 2021, 30(4): 403-416. DOI:10.15953/j.1004-4140.2021.30.04.01. (in Chinese).
[22] JIN K H, MCCANN M T, FROUSTEY E, et al. Deep convolutional neural network for inverse problems in imaging[J]. IEEE Transactions on Image Processing, 2016, 26(9): 4509−4522.
[23] ZHANG Z, LIANG X, XU D, et al. A sparse-view CT reconstruction method based on combination of densenet and deconvolution[J]. IEEE Transactions on Medical Imaging, 2018, 37(6): 1407-1417.
[24] GAO H, ZHUANG L, MAATEN L V D, et al. Densely connected convolutional networks[J]. IEEE Computer Society, 2017: 2261-2269.
[25] HAN Y, YE J C. Framing U-Net via deep convolutional framelets: Application to sparse-view CT[J]. IEEE Transactions on Medical Imaging, 2018, 37(6): 1418−1429.
[26] STEVEN, GUAN, AMIR, et al. Fully dense UNet for 2D sparse photoacoustic tomography artifact removal[J]. IEEE Journal of Biomedical & Health Informatics, 2019, 24(2): 568-576.
[27] JIE H, LI S, GANG S, et al. Squeeze-and-excitation networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 42(8): 2011−2023.
-
期刊类型引用(12)
1. 倪青. 不同病理类型急性阑尾炎的CT征象比较. 影像研究与医学应用. 2025(06): 93-95 . 
百度学术
2. 蒋敏兴. 多层螺旋CT检查在急性阑尾炎诊断中的应用价值分析. 现代诊断与治疗. 2024(24): 3701-3702+3705 . 百度学术
3. 张晔锋，单晶晶，江莉英. 64排螺旋CT对急性阑尾炎的诊断效果分析. 影像技术. 2023(04): 26-30 . 百度学术
4. 柴善国. 探讨多排螺旋CT扫描及多平面重建技术在阑尾炎诊断中的应用价值. 影像研究与医学应用. 2023(12): 92-94 . 百度学术
5. 朱志铿，陈建初，冯社欢. MSCT多平面重建技术在急性阑尾炎穿孔诊断中的应用. 现代医用影像学. 2023(07): 1317-1320 . 百度学术
6. 张登奎，曹苏成，苗振军. 多层螺旋CT诊断急性阑尾炎的临床应用效果. 吉林医学. 2023(10): 2762-2765 . 百度学术
7. 马金连，王远成，刘芳，刘峰，朱红梅，李宏. 急性阑尾炎患者CT分级与病理表现及血清炎症标志物关系分析. 临床军医杂志. 2023(10): 1078-1080+1084 . 百度学术
8. 黄莲英，曾玉金. 全内脏反位“镜面人”腹腔镜阑尾切除术1例. 右江医学. 2023(10): 958-960 . 百度学术
9. 王玮，徐文奎. 多层螺旋CT诊断急性阑尾炎的临床价值研究. 影像研究与医学应用. 2023(17): 106-108 . 百度学术
10. 时启红. 多层螺旋CT征象对急性阑尾炎不同病理类型诊断的可行性分析. 影像研究与医学应用. 2023(22): 167-169 . 百度学术
11. 潘天书，丁志强. 多层螺旋CT检查诊断急性阑尾炎患者的效果及准确率评价. 影像研究与医学应用. 2022(23): 27-29 . 百度学术
12. 孙红红. 急性阑尾炎临床诊断中多层螺旋CT的临床应用价值. 影像研究与医学应用. 2022(24): 118-120 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 778
- HTML全文浏览量: 162
- PDF下载量: 93
- 被引次数: 12
