Enhanced CT Based Texture Analysis and Machine Learning for Differentiation between Adenolymphoma and Mixed Tumors of the Parotid Gland
-
摘要: 目的：探究基于增强CT纹理分析技术联合机器学习在腮腺腺淋巴瘤与混合瘤鉴别中的应用。方法：回顾性分析40例于本院手术并有完整病理资料的腮腺腺淋巴瘤与混合瘤患者，其中腺淋巴瘤组21例，混合瘤组19例。运用Mazda软件在增强CT静脉期图像上手动勾画病灶最大层面ROI区；应用Fisher系数、POE+ACC、MI及三者联合应用（FPM）的方法，筛选出最佳纹理参数，通过ROC曲线评估其诊断效能；最后采用RDA、PCA和LDA、NDA四种机器学习算法进行分类分析，并分析不同算法的诊断效能。结果：纹理特征参数中腺淋巴瘤组的WavEnHH_s-4、GrVariance、45dgr_Fraction低于混合瘤组，WavEnLL_s-4、GrSkewness高于混合瘤组，且均在组间有统计学意义。ROC曲线显示WavEnLL_s-4的敏感性与特异性较为平衡，AUC值、敏感性、特异性分别为0.797、84.2％、76.2％，具有良好诊断效能；RDA、PCA、LDA、NDA算法的误判率范围分别为30.0％～37.5％、30.0％～37.5％、7.5％～37.5％、5.0％～12.5％，其中误判率最低的是FPM联合NDA分类分析法，为5.0％；准确率、敏感性、特异性、阳性预测值、阴性预测值分别为95.0％、95.2％、94.7％、95.2％和94.7％，分类效能最佳。结论：增强CT纹理分析提取的最佳特征参数在腮腺腺淋巴瘤与混合瘤间具有显著差异，FPM联合NDA分类分析法误判率最低，有助于鉴别腮腺腺淋巴瘤与混合瘤。Abstract: Objective: To explore the application of enhanced computed tomography (CT)-based texture analysis combined with machine learning in the differential diagnosis of adenolymphomas and mixed tumors of the parotid gland. Methods: We retrospectively analyzed 21 and 19 cases of adenolymphomas and mixed tumors of the parotid gland, respectively. Regions of interest (ROI) were chosen on axial enhanced-CT images of the tumor’s maximum cross section using the Mazda software. The optimal texture parameters were selected using Fisher’s coefficient, probability of classification error and average correlation coefficients, mutual information, and a combination of the three. Receiver operating characteristic (ROC) curve analysis was performed to evaluate the diagnostic efficacy. Finally, the texture parameters were classified and analyzed using the following four machine-learning methods: raw data analysis, principal component analysis, linear discriminant analysis, and nonlinear discriminant analysis (NDA). The diagnostic efficiencies of these classification algorithms were analyzed. Results: WavEnHH_s-4, GrVariance, 45dgr_Fraction, WavEnLL_s-4, and GrSkewness were the statistically significant texture feature parameters for differentiating between parotid adenolymphomas and mixed tumors.. ROC curve analysis revealed that WavEnLL_s-4 had a balanced sensitivity and specificity, and the area under the curve, sensitivity, and specificity were 0.797, 84.2%, and 62.5%, respectively. The misclassification rate of NDA (5.0%–12.5%) was lower than that of the other algorithms. The NDA of FPM had the lowest misclassification rate (5.0%); its accuracy, sensitivity, specificity, positive predictive value, and negative predictive value were 95.0%, 95.2%, 94.7%, 95.2, and 94.7, respectively. Conclusion: The optimum enhanced CT-based texture features differed significantly between parotid adenolymphomas and mixed tumors. A combination of FPM and NDA had the lowest misclassification rate; it can contribute toward the identification of parotid adenolymphomas and mixed tumors.
-
Keywords:
- enhanced CT /
- machine learning /
- texture analysis /
- parotid tumor
-
2019年新型冠状病毒存在人和人之间的广泛传播[1]。COVID-19感染后，易引起肺部炎症（简称新冠肺炎），CT因其简便快捷，且能够早期发现病灶，目前已被广泛应用于临床[2]。2022年12月至2023年1月期间，新型冠状病毒（COVID-19）又一次在人与人之间广泛传播，很多患者感染后，均引起了新冠肺炎。
本文分析新冠肺炎患者早期（新冠感染 7 d以内）、进展期及转归期CT影像特点及演变规律，以提高广大医护人员对新冠肺炎不同时期影像表现的认识。
1. 资料与方法
1.1 一般资料
收集2022年12月1日至2023年1月31日在河北省人民医院感染科门诊、呼吸科门诊及呼吸科病房收治的COVID-19核酸或抗原检测阳性的患者113例，统计所有患者CT检查并分析检查结果，按照新型冠状病毒肺炎影像指南（2020年第二版简版）中 COVID-19影像分期及表现对上述所有患者进行分期，早期为新冠感染1～7 d内；进展期为病变范围扩大、密度增高实变，本组中进展期为8～30 d；转归期为病变范围较前次CT检查减小，密度减低，本组中转归期为12～57 d。
本组患者共113例，33例新冠病毒核酸检测阳性，96例新冠抗原检测阳性，其中8例新冠病毒核酸检测及新冠抗原检测均阳性，达到COVID-19病原学诊断标准。男性73例（60％），女性40例（40％），年龄18～90岁，平均（63.8±13.8）岁。所有患者均行HRCT检查。
1.2 HRCT扫描方法
使用西门子及GE多层螺旋CT扫描仪（SOMATOM Definition Flash CT 128排，SOMATOM Force 96×2排CT，Revolution CT ES，128排），患者采取仰卧位，于吸气末屏气扫描。
扫描范围：从肺尖至膈底。CT扫描参数：管电压120 kV，管电流320 mA，FOV 500 mm，层厚5 mm，重建层厚0.625～1.25 mm。
CT图像由两位胸部影像医生共同阅片完成，最终结果由两位医生协商达成一致。
2. 结果
2.1 一般情况
113例患者，无明显发热10例，103例发热，温度在37～40 ℃不等，均伴咳嗽、咳痰。33例新冠病毒核酸检测阳性，96例新冠抗原检测阳性，其中8例新冠病毒核酸检测及新冠抗原检测均阳性，达到COVID-19病原学诊断标准。
实验室检查；中性粒细胞增高及淋巴细胞减低83例，中性粒细胞减低及淋巴细胞升高7例，中性粒细胞及淋巴细胞正常15例，未测血像8例。
2.2 CT表现
113例患者均为临床确诊新冠病毒感染患者。32例患者行1次CT检查，41例行CT检查2次，20例行CT检查3次，15例行CT检查4次，5例行CT检查5次。本组113例患者共行CT检查259次。其中早期（新冠感染 7 d以内）CT检查32次，进展期CT检查87次，转归期CT检查140次。通过分析患者每次CT影像特点，得出新冠病毒感染患者的影像特点及演变规律。
早期（新冠感染 7 d以内）32例患者行32次CT检查：CT表现为磨玻璃密度影26例，实变+磨玻璃密度影 6例。进展期（新冠感染 8～30 d）74例患者做87次CT检查：其中11例进展期均行2次CT检查，1例进展期行3次CT检查，62例进展期均行1次CT检查。87次检查中磨玻璃密度影32次，实变+磨玻璃密度影 55次。转归期（新冠感染 12～57 d）89例转归期行140次CT检查：其中1例转归期行4次CT检查，8例转归期均行3次CT检查，32例转归期均行2次CT检查，48例转归期均行1次CT检查。140次CT检查中48次磨玻璃密度影，90次实变+磨玻璃密度影，2次未见异常。所有113例患者中，所有患者在早期和进展期均为多叶多发病灶，1例在转归期为单叶多发病灶。
早期32次CT检查中，胸膜下分布13次，支气管血管束周围+胸膜下分布 19次。进展期87次CT检查中，胸膜下分布24次，支气管血管束周围+胸膜下分布 63次。转归期140次CT检查中，胸膜下分布48次，2次完全吸收好转，支气管血管束周围+胸膜下分布 90次。
早期32次检查中，磨玻璃密度影内小叶间隔增粗32次，病灶内血管增粗32次。进展期87次CT检查中，病灶内小叶间隔增粗85次，病灶内血管增粗87次。转归期140次CT检查中，小叶间隔增粗5次，病灶内血管增粗1次，48次伴条索影。
早期1次支气管气充气征，进展期6次胸腔积液，6次支气管充气征，3次肺气肿，转归期2次支气管充气征，1次胸腔积液。
本组患者早期CT多表现为磨玻璃密度影，磨玻璃影内见小叶间隔增粗及增粗血管影，多胸膜下分布，部分胸膜下及支气管血管束周围分布，进展期病变多由磨玻璃密度影演变为实变影，由中心开始实变，病变整体范围无明显扩大，只是变实并略有膨胀感，恢复期病变由实变影逐渐消退，密度减低，直接吸收或转变为磨玻璃密度影，逐渐吸收。病灶少的吸收快，病灶弥漫的2月左右仍有少许磨玻璃密度影及条索影（表1）。
表 1 不同时期CT表现Table 1. CT findings in patients with new coronary pneumonia in different periodsCT表现 早期 进展期 转归期 磨玻璃 26（81％） 32（37％） 48（34％） 实变+磨玻璃 6（19％） 55（63％） 90（64％） 胸膜下分布 13（40％） 24（28％） 48（34％） 胸膜下+支气管血管周围分布 19（60％） 63（72％） 90（64％） 多叶 32（100％） 87（100％） 137（98％） 单叶 1（2％） 其内小叶间隔增粗 32（100％） 85（97％） 5（3％） 其内血管增粗 32（100％） 87（100％） 1（10％） 支气管充气征 1（3％） 6（7％） 2（1％） 条索 48（55％） 48（34％） 胸腔积液 6（7％） 1（1％） 肺气肿 3（3％） 本组2例患者2月左右完全吸收好转，患者一般在2～3周时临床症状已明显缓解，但影像仍有病灶存在，与我们平时看到的肺炎的影像吸收要比临床症状延迟一段时间是一致的。
3. 讨论
目前研究表明，新型冠状病毒为β属冠状病毒，有包膜，颗粒呈圆形或椭圆形，直径60～140 nm[3]。新型冠状病毒有3种传播途径：经呼吸道飞沫传播和密切接触传播；在相对封闭的环境中经气溶胶传播；接触被病毒污染的物品后也可造成感染，人群普遍易感[3-4]。新型冠状病毒感染后可引起上呼吸道感染的症状，如发热、咳嗽、咯痰、鼻塞、流涕等症状，严重者引起肺炎。
2019年的新型冠状病毒致病力较强，临床上大部分患者会引起肺炎。随着新型冠状病毒不断变异，奥密克戎毒株成为主要流行株。截至2022年10月奥密克戎毒株已变异成免疫逃逸能力和传播力更强的毒株，但致病力明显减弱，引起肺炎的患者数明显低于2019年奥密克戎毒株[5]。Wang等[6]文中COVID-19的诊断原则为RT-PCR检测呈阳性，下呼吸道标本检测阳性率最高。但有的报道显示RT-PCR的灵敏度只有60％～71％，假阴性较多，延误治疗[7-9]。
《新型冠状病毒感染诊疗方案（试行第十版）》中提出诊断标准[3]为：具有新冠病毒感染的相关临床表现，具有以下一种或以上病原学、血清学检查结果：①新冠病毒核酸检测阳性；②新冠病毒抗原检测阳性；③新冠病毒分离、培养阳性；④恢复期新冠病毒特异性IgG抗体水平为急性期4倍或以上升高[3]。本组病例为2022年12月至2023年1月期间113例河北省人民医院临床确诊新冠肺炎的患者，其中新冠抗原阳性96例，新冠核酸阳性33例，其中抗原+核酸均阳性 8例。
3.1 不同时期新冠肺炎影像表现不同
自2019年至今，新冠病毒感染者较多，对新冠病毒感染后胸部CT中磨玻璃、实变、小叶间隔增粗、支气管血管增粗等表现，国内外研究中多有报道[10-19]。本组病例根据新型冠状病毒肺炎影像诊断指南（2020年第二版简版）[20]进行分期，分为早期、进展期、重症期、转归期。早期多见于发病1周内的新冠病毒感染者，常表现为局部胸膜下磨玻璃密度影；进展期病变范围增大，实变及磨玻璃密度影均增大，支气管血管束增粗，也可见网格影；重症期出现呼吸衰竭并进展为“白肺”；转归期病变范围减小，密度减低。
本组病例不同时期影像表现：早期均为多肺叶分布32例，无单肺叶分布；早期胸膜下为主的磨玻璃密度影26例，胸膜下+支气管血管束周围分布磨玻璃密度影 6例，中心见小叶间隔增粗及增粗血管影32例；进展期实变影+磨玻璃密度影 55例，磨玻璃密度影32例；转归期实变+磨玻璃影90例，条索影48例，磨玻璃影48例，转归期病灶逐渐吸收消散，病变范围减小，密度变淡（图1）。本组病例与新型冠状病毒肺炎影像诊断指南（2020年第二版简版）指南影像分期的表现是一致的。也就是说新冠病毒虽然一直在变异，但引起的病理机制和影像表现特点是相近的。本组病例大多为多叶多灶感染，但无一进展为重症期，与临床早诊早治密切相关[10-12]。所有患者均达至临床治愈出院。临床症状在2～3周时多数已无明显不适。
![]()
图 1 新冠肺炎不同时期CT表现Figure 1. CT imaging features and evolution of different stages of COVID-193.2 新冠肺炎CT影像学表现有一定的演变规律
本组病例首次CT检查在1～7 d内的为早期CT影像，早期肺内病灶密度以磨玻璃密度为主，磨玻璃密度影表现为胸膜下分布、支气管血管束周围+胸膜下分布，两者比例均不少；本组病例进展期在第8～30 d，病变由磨玻璃密度逐渐变成实性密度+磨玻璃密度，实性密度在磨玻璃密度影中心部；本组病例转归期在第12～57 d，病变范围开始逐渐减小，实变密度逐渐变淡又转变为磨玻璃密度影，部分病灶吸收变小，并出现纤维索条影。本组病例转归期CT检查次数1～4次不等，病灶随时间延长，密度逐渐变淡，范围逐渐减小，部分出现索条影。此时临床症状早于影像已基本消失。此外本组病例中有4例患者出现胸腔积液，1例右侧少量胸腔积液，1例左侧少量胸腔积液，2例双侧少量胸腔积液，转归期3例积液减少，1例积液吸收，考虑炎症累及胸膜所致。
本组其他病例未发现累及胸膜引起胸腔积液病例。本组病例通过多次CT复查观察影像变化趋势，不同时期新冠肺炎的影像变化特点，提高对新冠肺炎的认识，从而与细菌性肺炎、其他间质性肺炎相鉴别[16-19]。
3.3 局限性
本研究局限性。①样本量较小，对新冠肺炎CT影像特点及演变规律具有一定的局限性；②入组病例部分早期未做 CT，部分进展期未做CT，部分恢复期未做CT，导致影像数据不完整。
但综合这些数据资料，也能够反映出新冠肺炎HRCT的特点及演变规律，新冠病毒感染后肺部HRCT有其独有的特征[13]，具有较高特异性和灵敏度[14]，结合实验室检查及临床症状可以明确诊断，对于新冠抗原或核酸检测阳性患者伴有临床发热持续不退的，应及时进行CT检查，早期明确是否存在新冠肺炎，及时分期，早期及时治疗可以预防重症肺炎的出现，挽救生命。
-
![]()
图 1 腮腺肿瘤CT静脉期图像以及ROIs
（a）和（b）腺淋巴瘤，男，45岁；（c）和（d）多形性腺瘤，男，40岁。
Figure 1. Enhanced CT images (with ROIs) of a parotid tumor
![]()
图 2 腮腺腺淋巴瘤与混合瘤组间WavEnHH_s-4、WavEnLL_s-4、GrVariance、GrSkewness、45 dgr_Fraction的ROC曲线
Figure 2. ROC curves for WavEnHH_s-4, WavEnLL_s-4, GrVariance, GrSkewness, 45 dgr_Fraction for differentiating between adenolymphomas and mixed tumors of the parotid gland
表 1 腮腺腺淋巴瘤与混合瘤间最佳纹理特征参数比较
Table 1 Comparison of the optimal texture feature parameters between parotid adenolymphomas and mixed tumors
参数 组别 统计检验 腺淋巴瘤组 混合瘤组 t/Z P WavEnHH_s-4 4.162±1.908 7.493±3.157 -4.084 ＜0.01 WavEnLL_s-4 21044.469±3887.164 16649.289±4309.226 3.392 0.002 GrVariance 0.185±0.046 0.236±0.033 -4.055 ＜0.01 GrSkewness 1.996±0.516 1.475±0.295 -3.291 0.001 45 dgr_Fraction 0.328±0.080 0.422±0.074 -3.854 ＜0.01 
下载: 导出CSV
表 2 腮腺腺淋巴瘤与混合瘤间最佳纹理特征参数的诊断效能
Table 2 Diagnostic performance of the optimal texture feature parameters for parotid adenolymphomas and mixed tumors
参数 AUC 阈值 敏感性/％ 特异性/％ P WavEnHH_s-4 0.827 4.979 84.2 66.7 ＜0.01 WavEnLL_s-4 0.797 19227.148 84.2 76.2 0.001 GrVariance 0.815 0.200 89.5 66.7 0.001 GrSkewness 0.805 1.819 94.7 61.9 0.001 45 dgr_Fraction 0.802 0.384 73.7 71.4 0.001
下载: 导出CSV
表 3 腮腺腺淋巴瘤与混合瘤间不同机器学习算法的误判率
Table 3 False-positive rates of different machine-learning algorithms for parotid adenolymphomas and mixed tumors
组别 RDA/％ PCA/％ LDA/％ NDA/％ Fisher 37.5（15/40） 37.5（15/40） 10.0（4/40） 7.5（3/40） POE+ACC 35.0（14/40） 30.0（12/40） 22.5（9/40） 10.0（4/40） MI 30.0（12/40） 30.0（12/40） 37.5（15/40） 12.5（5/40） FPM 35.0（14/40） 32.5（13/40） 7.5（3/40） 5.0（2/40）
下载: 导出CSV
表 4 腮腺腺淋巴瘤与混合瘤间不同机器学习算法的效能比较
Table 4 Comparison of the performance of different machine-learning algorithms for parotid adenolymphomas and mixed tumors
分类算法 准确率/％ 敏感性/％ 特异性/％ 阳性预测值 阴性预测值 Fisher/RDA 62.5 61.9 63.2 65.0 60.0 Fisher/PCA 62.5 61.9 63.2 65.0 60.0 Fisher/LDA 90.0 95.2 84.2 87.0 94.1 Fisher/NDA 92.5 90.5 94.7 95.0 90.0 POE+ACC/RDA 65.0 76.2 52.6 64.0 66.7 POE+ACC/PCA 70.0 76.2 63.2 69.6 70.6 POE+ACC/LDA 77.5 76.2 78.9 80.0 75.0 POE+ACC/NDA 90.0 85.7 94.7 94.7 85.7 MI/RDA 70.0 76.2 63.2 69.6 70.6 MI/PCA 70.0 76.2 63.2 69.6 70.6 MI/LDA 62.5 66.7 57.9 63.6 61.1 MI/NDA 87.5 81.0 94.7 94.4 81.8 FPM/RDA 65.0 66.7 63.2 66.7 63.2 FPM/PCA 67.5 71.4 63.2 68.2 66.7 FPM/LDA 92.5 95.2 89.5 90.9 94.4 FPM/NDA 95.0 95.2 94.7 95.2 94.7
下载: 导出CSV
-
[1] YAMAMOTO T, KIMURA H, HAYASHI K, et al. Pseudo-continuous arterial spin labeling MR images in Warthin tumors and pleomorphic adenomas of the parotid gland: Qualitative and quantitative analyses and their correlation with histopathologic and DWI and dynamic contrast enhanced MRI findings[J]. Neuroradiology, 2018, 60(8): 803−812. doi: 10.1007/s00234-018-2046-9
[2] ZHENG C Y, CAO R, GAO M H, et al. Comparison of surgical techniques for benign parotid tumours: A multicentre retrospective study[J]. International Journal of Oral & Maxillofacial Surgery, 2018, 48(2): 187−192.
[3] 胡涛, 刘琼, 邹玉坚, 等. 扩散峰度成像及动态增强MRI鉴别腮腺多形性腺瘤与Warthin瘤[J]. 放射学实践, 2021,36(9): 1089−1094. HU T, LIU Q, ZOU Y J, et al. Application value of DKI and DEC-MRI in the differential diagnosis of parotid pleomorphic adenoma and Warthin tumor[J]. Journal of Radiology Practice, 2021, 36(9): 1089−1094. (in Chinese).
[4] PARK H J, LEE S M, SONG J W, et al. Texture-based automated quantitative assessment of regional patterns on initial CT in patients with idiopathic pulmonary fibrosis: Relationship to decline in forced vital capacity[J]. American Journal of Roentgenology, 2016, 207(5): 976−983. doi: 10.2214/AJR.16.16054
[5] AHN S J, KIM J H, PARK S J, et al. Prediction of the therapeutic response after FOLFOX and FOLFIRI treatment for patients with liver metastasis from colorectal cancer using computerized CT texture analysis[J]. European Journal of Radiology, 2016, 85: 1867−1874. doi: 10.1016/j.ejrad.2016.08.014
[6] 刘文华, 张衡, 李敏, 等. CT图像纹理分析鉴别诊断腮腺混合瘤与腺淋巴瘤[J]. 临床放射学杂志, 2019,38(12): 2271−2274. LIU W H, ZHANG H, LI M, et al. CT texture analysis in the differential diagnosis of mixed tumor of parotid gland and adenolymphoma[J]. Journal of Clinical Radiology, 2019, 38(12): 2271−2274. (in Chinese).
[7] 任思桐, 李小虎, 刘斌, 等. CT平扫图像纹理分析鉴别腮腺多形性腺瘤与恶性肿瘤的初步研究[J]. CT理论与应用研究, 2019,28(6): 685−691. DOI: 10.15953/j.1004-4140.2019.28.06.06. REN S T, LI X H, LIU B, et al. Preliminary study on differentiating pleomorphic adenoma and malignant tumors of the parotid gland by texture analysis of non-enhanced CT images[J]. CT Theory and Applications, 2019, 28(6): 685−691. DOI: 10.15953/j.1004-4140.2019.28.06.06. (in Chinese).
[8] 茂盛, 王嗣伟, 晋丹丹, 等. 腮腺多形性腺瘤与腺淋巴瘤的CT影像特征及对比分析[J]. 实用放射学杂志, 2019,33(1): 28−46. MAO S, WANG S W, JIN D D, et al. CT imaging characteristics and comparative analysis of parotid pleomorphic adeonoma and adenolymphoma[J]. Journal of Practical Radiology, 2019, 33(1): 28−46. (in Chinese).
[9] 茅枭骁, 征锦. CT纹理分析技术在甲状腺结节影像研究中的应用进展[J]. 医疗卫生装备, 2020,41(12): 97−100. MAO X X, ZHENG J. Research progress of CT texture analysis for imaging studies of thyroid nodules[J]. Medical and Health Equipment, 2020, 41(12): 97−100. (in Chinese).
[10] 任继亮, 吴颖为, 陶晓峰, 等. 常规MRI纹理分析鉴别诊断眼眶淋巴瘤与炎性假瘤[J]. 中国医学影像技术, 2017,33: 980−984. REN J L, WU Y W, TAO X F, et al. MRI texture analysis in differential diagnosis of orbital lymphoma and inflammatory pseudotumor[J]. Chinese Journal of Medical Imaging Technology, 2017, 33: 980−984. (in Chinese).
[11] DODGSON T, MEDICINES M D, SCHEDAR N, et al. Can quantitative CT texture analysis be used to differentiate fat-poor renal policewoman from renal cell carcinoma on enhancement CT images[J]. Radiology, 2015, 276(3): 787−796. doi: 10.1148/radiol.2015142215
[12] SUDARSHAN V K, MOOKIAH M R, ACHARYA U R, et al. Application of wavelet techniques for cancer diagnosis using ultrasound images: A review[J]. Computers in Biology & Medicine, 2016, 69: 97−111.
[13] 徐圆, 段钰, 吴晶涛, 等. 基于CT增强扫描的纹理分析技术鉴别肾脏透明细胞癌恶性程度的可行性研究[J]. 临床放射学杂志, 2019,38: 1693−1697. XU Y, DUAN Y, WU J T, et al. Preoperative assessment of pathological grade of clear cell renal cell carcinoma by texture analysis based on CT enhanced images[J]. Journal of Clinical Radiology, 2019, 38: 1693−1697. (in Chinese).
[14] 周明, 钱斌, 翟晓东. 腮腺腺淋巴瘤与多形性腺瘤的双期增强CT表现与鉴别[J]. 临床放射学杂志, 2012,31: 1243−1246. ZHOU M, QIAN B, ZHAI X D. CT differential diagnosis between parotid gland lymphoma and pleomorphic adenoma[J]. Journal of Clinical Radiology, 2012, 31: 1243−1246. (in Chinese).
[15] 余先超, 孙宇凤, 李鹏, 等. 影像组学在腮腺多形性腺瘤与腺淋巴瘤鉴别诊断中的应用[J]. 现代肿瘤医学, 2021,29(5): 837−840. doi: 10.3969/j.issn.1672-4992.2021.05.025 YU X C, SUN Y F, LI P, et al. Application of radiomics in the differential diagnosis of parotid pleomorphic adenoma and adenolymphoma of the parotid gland[J]. Modern Oncology, 2021, 29(5): 837−840. (in Chinese). doi: 10.3969/j.issn.1672-4992.2021.05.025
[16] 尹进学, 汤日杰, 钟熹, 等. 常规T2WI纹理分析预测早期宫颈鳞癌盆腔淋巴结转移的价值[J]. 临床放射学杂志, 2020,39: 358−362. YIN J X, TANG R J, ZHONG X, et al. Value of conventional T2-weighted images texture analysis in predicting pelvic lymph node metastasis in early-stage cervical cancer[J]. Journal of Clinical Radiology, 2020, 39: 358−362. (in Chinese).
[17] 徐圆, 段钰, 曹正业, 等. CT纹理组学联合机器学习预测肺腺癌淋巴结转移[J]. 临床放射学杂志, 2020,39: 691−695. XU Y, DUAN Y, CAO Z Y, et al. Value of texture analysis combined with machine learning based on enhanced CT of lung adenocarcinoma in prediction of lymph node metastasis[J]. Journal of Clinical Radiology, 2020, 39: 691−695. (in Chinese).
-
期刊类型引用(0)
其他类型引用(1)
计量
- 文章访问数: 261
- HTML全文浏览量: 163
- PDF下载量: 28
- 被引次数: 1
