ISSN 1004-4140
CN 11-3017/P

结直肠癌基因突变状态预测的影像学研究进展

贾建业, 丁聪, 周围, 柏根基

贾建业, 丁聪, 周围, 等. 结直肠癌基因突变状态预测的影像学研究进展[J]. CT理论与应用研究, 2023, 32(1): 147-152. DOI: 10.15953/j.ctta.2022.028.
引用本文: 贾建业, 丁聪, 周围, 等. 结直肠癌基因突变状态预测的影像学研究进展[J]. CT理论与应用研究, 2023, 32(1): 147-152. DOI: 10.15953/j.ctta.2022.028.
JIA J Y, DING C, ZHOU W, et al. Advances in Research on Image-based Prediction of Colorectal in Cancer Gene Mutation Status[J]. CT Theory and Applications, 2023, 32(1): 147-152. DOI: 10.15953/j.ctta.2022.028. (in Chinese).
Citation: JIA J Y, DING C, ZHOU W, et al. Advances in Research on Image-based Prediction of Colorectal in Cancer Gene Mutation Status[J]. CT Theory and Applications, 2023, 32(1): 147-152. DOI: 10.15953/j.ctta.2022.028. (in Chinese).

结直肠癌基因突变状态预测的影像学研究进展

基金项目: 北京医卫健康公益基金(肝脏特异性(Gd-EOB-DTPA)增强MR成像“一站式”评估肝脏解剖与储备功能的应用研究(B20240ES))。
详细信息
    作者简介:

    贾建业: 男,南京医科大学附属淮安市第一人民医院研究生,主要从事腹部磁共振研究,E-mail:844027685@qq.com

    柏根基: 男,南京医科大学附属淮安市第一人民医院主任医师,主要从事腹部及肌骨磁共振研究,E-mail:hybgj0451@163.com

    通讯作者:

    柏根基: 男,南京医科大学附属淮安市第一人民医院主任医师,主要从事腹部及肌骨磁共振研究,E-mail:hybgj0451@163.com

  • 中图分类号: R  814;R  445

Advances in Research on Image-based Prediction of Colorectal in Cancer Gene Mutation Status

  • 摘要: 随着临床医师对于结直肠癌(CRC)患者个性化诊疗策略的进一步需求,CRC患者在确诊或病变转移时进行突变基因谱检测显得尤为重要,通过非侵入性的影像学检查分析肿瘤生物学特性,对CRC患者的遗传信息进行有效预测已成为该领域的研究热点。本文围绕不同的影像学方法预测CRC基因突变状态的应用进行综述。
    Abstract: Clinicians are increasingly demanding personalized treatment strategies for patients with colorectal cancer (CRC). Detection of mutated gene profiles is particularly important when patients are diagnosed with CRC or metastatic CRC. Effective prediction of the gene status of patients with CRC by analyzing their tumor biological characteristics through non-invasive imaging has become a research hotspot. This review focuses on the application of different imaging methods to predict the gene mutation status in CRC.
  • 腰椎间盘退行性病变(intervertebral disc degeneration,IVDD)是腰椎间盘突出症(lumbar disc herniation,LDH)、下腰痛、下肢疼痛以及椎管狭窄的重要病理基础。随着社会的不断发展及人们生活及工作习惯的改变,因IVDD引发不适及活动受限的患者逐渐增加。腰痛,已经成为引发患者就医的5大症状之一[1]。据报道,自1990年以来,因腰痛引发行动不便及残疾的人数上升了50% 以上,已经成为致残的3大原因之一,而IVDD是造成腰痛的最主要因素[2-3]。因此,对于IVDD的发现及评估变得尤为重要。

    目前,国际上对于IVDD评估的主要方法是Pfirrmann分级,即依托MRI的T2自旋回波序列,对椎间盘的信号、椎间盘各组织的退变状态及椎间盘高度进行评估并将椎间盘分为5个等级,以指导临床对患者进行评估及治疗。临床一般将Pfirrmann 2级和3级椎间盘定为轻度退变,4级为中度退变,5级为重度退变[4]。已有多项研究证明[5-6],Pfirrmann分级与患者椎间盘成分改变、LDH治疗效果及康复效果等密切相关。

    能谱CT通过利用不同物质在不同能量下的衰减程度,从而可以分析感兴趣区的不同物质的含量,并产生多种基图像,借此定量分析椎间盘的物质变化并预测Pfirrmann分级;同时弥补了MRI难以观察椎间盘内的积气和钙化情况的不足,更好地对LDH的患者进行全面的评估,提高检查效率。目前,国内外鲜有对能谱CT应用于IVDD的研究报道。

    本文旨在探究能谱CT对腰椎间盘Pfirrmann分级的预测价值,以期腰椎能谱CT扫描能够为患者提供较传统CT扫描更多的信息。

    回顾性分析2020年10月至2021年2月山东第一医科大学第一附属医院(山东省千佛山医院)因LDH行能谱CT及MRI扫描的患者30例共150块椎间盘。患者及椎间盘纳入标准:①具有明显腰腿痛症状,且符合腰椎间盘突出症的诊断标准;②均行能谱CT和MRI检查,影像完整清晰;③无严重全身内分泌疾病、自身免疫病、风湿病及肿瘤病史;④无脊柱感染性病变;⑤椎间盘邻近椎体无外伤史、中重度滑脱、融合、脊柱明显畸形及外科手术治疗;⑥椎间盘无严重积气及钙化。

    150块椎间盘中有3块因外科手术、5块因椎体融合、1块因邻近椎体压缩骨折、11块因严重积气或钙化无法测量而排除,供纳入130块椎间盘。对纳入的椎间盘进行Pfirrmann分级,将1~3级椎间盘归入低级别组,4~5级椎间盘归入高级别组。其中低级别组椎间盘51块,高级别组椎间盘79块。患者的主要就诊原因为腰痛、肢体放射痛及其引起的行动不便。

    采用能谱CT(Discovery CT 750 HD,GE Healthcare Milwaukee,USA),所有患者均在能谱模式下进行扫描,高、低能量(140 kVp及8 kVp)瞬时切换,自动毫安,扫描层厚及层间距5.0 mm,X线球管旋转时间0.6 s/r,准直器宽度40 mm,FOV 18 cm×18 cm,螺距0.516。

    患者仰卧位躺于检查床上,去除所有金属物品,双手上举,足先进。扫描范围为胸11椎体至骶1椎体。

    采用联影uMR 790 3.0 T扫描仪,患者于仰卧位进行检查,行常规腰椎SE序列及FSE序列矢状位及轴位扫描。T2矢状位扫描参数为TR 2560.0 ms、TE 106.7 ms、FA 120;T2轴位扫描参数为TR 3213.0 ms、TE 95.76 ms、FA 105。

    将能谱CT扫描后的混合能量图像重建为层厚及层间距为1.25 mm的单能量图像,并传送至GE AW 4.4后处理工作站,由两位经验丰富的影像科医师利用GSI Viewer软件对图像进行后处理及分析图像,并通过T2WI图像对椎间盘进行Pfirrmann分级,处理分析图像及评级均在盲法下完成,有争议的椎间盘评级均经讨论取得一致意见。

    选择椎间盘的中间层面内2/3区域内放置面积相同的ROI,用水(钙)、水[羟基磷灰石(Hydroxyapatite,HAP)]、钙(水)、HAP(水)物质对分别在同一位置采集椎间盘的水(钙)浓度、水(HAP)浓度、钙浓度、HAP浓度及有效原子序数(Eff-Z),尽量避开椎间盘内的钙化及积气。对采集的各个参数均测量3次,并取3次测量结果的平均值作为最终结果。

    采用SPSS 26.0软件进行统计学分析,所有测量结果均使用 $ \bar x \pm s $ 进行描述。采用独立样本t检验比较低级别组与高级别组水(钙)浓度、水(HAP)浓度、钙浓度、HAP浓度及Eff-Z有无差异,并绘制ROC曲线下面积,计算各参数的诊断效能,确定最佳诊断阈值。以P<0.05为差异具有统计学意义。

    所有患者分别行能谱CT扫描后通过重建得到水(钙)、水(HAP)、钙基图、HAP基图以及有效原子序数图,并根据MRI图像进行评级。各图像分别见图1图2

    图  1  男,23岁,L1-2椎间盘单能量图像及MRI矢状位图
    (a)~(e)所测得数值分别为1071.41、1069.56、0.69和3.12 mg/mL、7.64;(f)为MRI矢状位图像,Pfirrmann分级2级,归入低级别组。
    Figure  1.  Male, 23 years old, monoenergetic CT images and MRI sagittalimage of L1-2 intervertebral disc
    图  2  男,73岁,L2-3椎间盘单能量图像及MRI矢状位图
    (a)~(e)所测得数值分别为1058.75、1052.77、4.43和9.61 mg/mL、7.81;(f)为MRI矢状位图像,Pfirrmann分级4级,归入高级别组。
    Figure  2.  Male, 73 years old, monoenergetic CT images and MRI sagittalimage of L2-3 intervertebral disc

    低级别椎间盘的水(钙)浓度、水(HAP)浓度高于高级别椎间盘水(钙)浓度、水(HAP)浓度,低级别钙浓度、HAP浓度及Eff-Z低于高级别椎间盘钙浓度、HAP浓度及Eff-Z,差异均具有统计学意义(表1)。

    表  1  低级别与高级别椎间盘能谱CT各参数比较($ \bar x \pm s $
    Table  1.  Comparison of spectral CT parameters between low-grade and high-grade intervertebral discs ($ \bar x \pm s $)
    级别例数水(钙)/(mg/mL)水(HAP)/(mg/mL)钙浓度/(mg/mL)HAP浓度/(mg/mL)Eff-Z
    低级别511066.71±7.501063.19±8.012.16±1.384.93±2.657.62±0.06
    高级别791061.57±9.871055.18±12.984.92±1.9010.51±3.237.94±0.16
    t3.184.35-8.97-10.31-15.88
    P0.002<0.001<0.001<0.001<0.001
     注:HAP:羟基磷灰石;Eff-Z:有效原子序数。
    下载: 导出CSV 
    | 显示表格

    对能谱CT各参数进行ROC曲线分析,结果显示水(钙)浓度、水(HAP)浓度对区分低级别与高级别椎间盘的诊断效能较低;钙浓度具有一定的诊断效能;HAP及Eff-Z具有较高的诊断效能,以Eff-Z为著,其AUC为0.97,以7.69为标准区分低级别与高级别椎间盘的敏感性及特异性分别为96.20% 和94.12%(表2)。

    表  2  能谱CT各参数鉴别低级别与高级别椎间盘的诊断效能
    Table  2.  Diagnostic efficacy of energy spectrum CT parameters in differentiating low-grade and high-grade intervertebral discs
    能谱CT参数AUC最佳阈值敏感度/%特异度/%
    水(钙)浓度/(mg/mL)0.651059.3043.0484.31
    水(HAP)浓度/(mg/mL)0.691049.6134.18100.00
    钙浓度/(mg/mL)0.882.9689.8778.43
    HAP浓度/(mg/mL)0.927.8982.2894.12
    Eff-Z0.977.6996.2094.12
     注:HAP:羟基磷灰石;Eff-Z:有效原子序数;AUC:ROC曲线下面积。
    下载: 导出CSV 
    | 显示表格

    本研究结果表明,低级别椎间盘水(钙)及水(HAP)浓度均高于高级别椎间盘,且差异具有统计学意义。水浓度反应了椎间盘内的含水量,表明当IVDD越严重,椎间盘内的含水量越低,失水越严重。

    健康的髓核内富含水、软骨样细胞及蛋白多糖,蛋白多糖中,糖胺聚糖(glycosaminoglycan,GAG)的含量与水息息相关。随着年龄增长或机体受到机械损伤等因素影响下,基质蛋白酶、弹性蛋白酶及明胶酶在椎间盘中的表达上调,促使细胞外基质降解,髓核内胶原蛋白变性,最终使GAG合成减少、含量下降,椎间盘内物质与水的结合能力逐渐下降,造成椎间盘含水量下降,结构改变,IVDD随之发生并随着含水量的减少逐渐加重[7-8]

    本文中水(钙)及水(HAP)图测得的水浓度虽具有统计学差异,但诊断效能较低,我们认为可能是由于能谱CT对测量正常椎间盘与发生退变的椎间盘之间含水量的差异不够敏感,加之CT对分析水的能力弱于MRI,故而水浓度对区分低级别与高级别椎间盘的价值有限。

    本文中低级别椎间盘内钙浓度低于高级别椎间盘内钙浓度,差异具有统计学意义,表明高级别椎间盘内的钙沉积含量高于低级别椎间盘。在IVDD发生并不断加重的过程中,经炎性因子诱导椎间盘内的骨化基因(Runx2、IBSP等)的表达逐渐活跃,促进椎间盘细胞发生成骨性活动。同时碱性磷酸酶水平上调,对有机磷酸盐及无机焦磷酸的水解增加,水解产物单磷酸离子含量增加,其最终形成钙盐结晶(成分以HAP为主,同时含有草酸钙、碱性磷酸钙、焦磷酸钙等),沉积于椎间盘细胞外基质中并破坏其胶原层结构[9]。研究表明,IVDD程度与椎间盘内的微小钙化具有一定的相关性[10-11]

    我们认为,本研究中钙浓度与Pfirrmann等级呈正相关的原因,可能是由于随着IVDD的不断加重,钙盐结晶沉积增加及普通CT无法检测出的微小钙化形成增多,在椎间盘含水量减少的同时进一步减低了MRI T2WI序列椎间盘的信号。

    本研究结果表明,低级别椎间盘内HAP浓度低于高级别椎间盘内HAP浓度,差异具有统计学意义。如上所述,当IVDD发生并不断加重时,在多种基因表达上调后,椎间盘内成骨性活动逐渐活跃,而骨组织中含有大量的HAP成分;同时,钙盐结晶成分及微小钙化中无机成分以HAP为主,相较于钙浓度具有更高的物质水平差异,这可能是本研究中HAP浓度随IVDD加重而升高,且其诊断效能高于钙浓度的原因。

    本研究结果显示,低级别椎间盘Eff-Z低于高级别椎间盘,两者差异具有统计学意义,其原因可能是在椎间盘逐步由低级别向高级别不断进展的过程中,水分不断丢失、钙盐结晶沉积、微小钙化形成及椎间盘成骨性活动增强等因素综合所致。

    本研究中,Eff-Z的诊断效能高于其他参数,与能谱CT的成像机理相符,表明物质的Eff-Z是各参数及物质成分分析的决定因素[12]。同时,我们认为,Eff-Z反映了椎间盘物质的综合变化,代表了椎间盘本质的改变,故而Eff-Z的诊断效能较高,也更为稳定、更有意义。

    (1)本研究为初步研究,样本量较小,文中各项推论需要通过扩大样本量进一步加以论证;且未将不同腰椎水平椎间盘作为影响因素纳入考量,而是将每块椎间盘视作独立个体与Pfirrmann分级进行分析。

    (2)本研究仅探究了椎间盘轻度退变与中重度退变之间的区别,未对能谱CT各参数与Pfirrmann各级别之间的关系进行相关性分析。

    (3)所有数据均为手动采集,虽通过多次测量取平均数的方法来规避偏倚,但仍难免出现误差。

    (4)本研究未采用归一化参数分析,未排除个体差异对数据的影响。

    (5)本研究未考虑在相同Pfirrmann分级下,纤维环破裂、椎间盘积气等结构改变对能谱CT各项参数的影响。

    因此,在将来的研究中有待扩大样本量,进一步探究不同腰椎水平椎间盘之间是否具有差异,以及相同等级情况下椎间盘结构改变对能谱CT各参数的影响,细化研究分析能谱CT各参数与各级别椎间盘之间的关系。同时通过长期随访观察,探究椎间盘中钙浓度、HAP浓度与远期患者椎间盘发生钙化的机率以及时间之间的相关性。

    综上所述,本研究初步表明能谱CT对于预测椎间盘Pfirrmann分级具有一定价值,可为行椎间盘能谱CT检查的患者提高检查效率、降低检查费用提供更多有益的诊断信息。

  • [1]

    BRAY F, FERLAY J, SOERJOMATARAM I, et al. Global cancer statistics 2018: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA: A Cancer Journal for Clinicians, 2018, 68(6): 394−424. doi: 10.3322/caac.21492

    [2]

    SUNDAR R, HONG D S, KOPETZ S, et al. Targeting BRAF-mutant colorectal cancer: Progress in combination strategies[J]. Cancer Discovery, 2017, 7(6): 558−560. doi: 10.1158/2159-8290.CD-17-0087

    [3]

    DAI D, WANG Y, ZHU L, et al. Prognostic value of KRAS mutation status in colorectal cancer patients: A population-based competing risk analysis[J]. PeerJ, 2020, 8(6): e9149.

    [4]

    DERBEL O, WANG Q, DESSEIGNE F, et al. Impact of KRAS, BRAF and PI3 KCA mutations in rectal carcinomas treated with neoadjuvant radiochemotherapy and surgery[J]. BMC Cancer, 2013, 13: 200. doi: 10.1186/1471-2407-13-200

    [5]

    BENSON A B, VENOOK A P, AL-HAWARY M M, et al. Colon cancer, version 2. 2021, NCCN clinical practice guidelines in oncology[J]. Journal of National Comprehensive Cancer Network, 2021, 19(3): 329−359. doi: 10.6004/jnccn.2021.0012

    [6]

    SCLAFANI F, CHAU I, CUNNINGHAM D, et al. KRAS and BRAF mutations in circulating tumour DNA from locally advanced rectal cancer[J]. Scientific Reports, 2018, 8(1): 1445. doi: 10.1038/s41598-018-19212-5

    [7]

    TABERNERO J, LENZ H J, SIENA S, et al. Analysis of circulating DNA and protein biomarkers to predict the clinical activity of regorafenib and assess prognosis in patients with metastatic colorectal cancer: A retrospective, exploratory analysis of the CORRECT trial[J]. The Lancet Oncology, 2015, 16(8): 937−948. doi: 10.1016/S1470-2045(15)00138-2

    [8]

    SONG C, SHEN B, DONG Z, et al. Diameter of superior rectal vein-CT predictor of KRAS mutation in rectal carcinoma[J]. Cancer Management and Research, 2020, 12: 10919−10928. doi: 10.2147/CMAR.S270727

    [9]

    GILLIES R J, KINAHAN P E, HRICAK H. Radiomics: Images are more than pictures, they are data[J]. Radiology, 2016, 278(2): 563−577. doi: 10.1148/radiol.2015151169

    [10]

    LI Y, ERESEN A, SHANGGUAN J, et al. Preoperative prediction of perineural invasion and KRAS mutation in colon cancer using machine learning[J]. Journal of Cancer Research and Clinical Oncology, 2020, 146(12): 3165−3174. doi: 10.1007/s00432-020-03354-z

    [11]

    YANG L, DONG D, FANG M, et al. Can CT-based radiomics signature predict KRAS/NRAS/BRAF mutations in colorectal cancer?[J]. European Radiology, 2018, 28(5): 2058−2067. doi: 10.1007/s00330-017-5146-8

    [12]

    HOSNY A, PARMAR C, QUACKENBUSH J, et al. Artificial intelligence in radiology[J]. Nature Reviews Cancer, 2018, 18(8): 500−510. doi: 10.1038/s41568-018-0016-5

    [13]

    HE K, LIU X, LI M, et al. Noninvasive KRAS mutation estimation in colorectal cancer using a deep learning method based on CT imaging[J]. BMC Medical Imaging, 2020, 20(1): 59. doi: 10.1186/s12880-020-00457-4

    [14]

    SHI R, CHEN W, YANG B, et al. Prediction of KRAS, NRAS and BRAF status in colorectal cancer patients with liver metastasis using a deep artificial neural network based on radiomics and semantic features[J]. American Journal of Cancer Research, 2020, 10(12): 4513−4526.

    [15] 赵常红, 郝粉娥, 刘挨师. 胰腺癌定量双能CT碘图与CT灌注参数相关性研究[J]. 放射学实践, 2018,33(6): 578−592.

    ZHAO C H, HAO F E, LIU A S. Correlation between quantitative dual-energy CT iodine maps and CT perfusion parameters in patients with pancreatic carcinoma[J]. Radiologic Practice, 2018, 33(6): 578−592. (in Chinese).

    [16]

    CAO Y, ZHANG G, BAO H, et al. Development of a dual-energy spectral CT based nomogram for the preoperative discrimination of mutated and wild-type KRAS in patients with colorectal cancer[J]. Clinical Imaging, 2021, 69: 205−212. doi: 10.1016/j.clinimag.2020.08.023

    [17]

    ZHOU X, YI Y, LIU Z, et al. Radiomics-based pretherapeutic prediction of non-response to neoadjuvant therapy in locally advanced rectal cancer[J]. Annals of Surgical Oncology, 2019, 26(6): 1676−1684. doi: 10.1245/s10434-019-07300-3

    [18]

    LIANG M, CAI Z, ZHANG H, et al. Machine learning-based analysis of rectal cancer MRI radiomics for prediction of metachronous liver metastasis[J]. Academic Radiology, 2019, 26(11): 1495−1504. doi: 10.1016/j.acra.2018.12.019

    [19]

    XU Y, XU Q, MA Y, et al. Characterizing MRI features of rectal cancers with different KRAS status[J]. BMC Cancer, 2019, 19(1): 1111. doi: 10.1186/s12885-019-6341-6

    [20]

    OH J E, KIM M J, LEE J, et al. Magnetic Resonance-based texture analysis differentiating KRAS mutation status in rectal cancer[J]. Cancer Research and Treatment, 2020, 52(1): 51−59. doi: 10.4143/crt.2019.050

    [21]

    CHAN H P, SAMALA R K, HADJIISKI L M, et al. Deep learning in medical image analysis[J]. Advances in Experimental Medicine and Biology, 2020, 1213: 3−21.

    [22]

    MA Y, WANG J, SONG K, et al. Spatial-frequency dual-branch attention model for determining KRAS mutation status in colorectal cancer with T2-weighted MRI[J]. Computer Methods and Programs in Biomed, 2021, 209: 106311. doi: 10.1016/j.cmpb.2021.106311

    [23]

    ZHANG G, CHEN L, LIU A, et al. Comparable performance of deep learning-based to manual-based tumor segmentation in KRAS/NRAS/BRAF mutation prediction with MR-based radiomics in rectal cancer[J]. Frontiers in Oncology, 2021, 11: 696706. doi: 10.3389/fonc.2021.696706

    [24] 孙丹琦, 王灵华, 李广政, 等. 纹理分析及功能磁共振成像预测直肠癌KRAS基因突变的可行性研究[J]. 临床放射学杂志, 2021,40(5): 924−929.

    SUN D Q, WANG L H, LI G Z, et al. To predict KRAS mutation in rectal cancer patients with texture analysis and functional MRI[J]. Journal of Clinical Radiology, 2021, 40(5): 924−929. (in Chinese).

    [25]

    CUI Y, CUI X, YANG X, et al. Diffusion kurtosis imaging-derived histogram metrics for prediction of KRAS mutation in rectal adenocarcinoma: Preliminary findings[J]. Journal of Magnetic Resonance Imaging, 2019, 50(3): 930−939. doi: 10.1002/jmri.26653

    [26]

    CAICEDO C, GARCIA-VELLOSO M J, LOZANO M D, et al. Role of 18F-FDG PET in prediction of KRAS and EGFR mutation status in patients with advanced non-small-cell lung cancer[J]. European Journal of Nuclear Medicine and Molecular Imaging, 2014, 41(11): 2058−2065. doi: 10.1007/s00259-014-2833-4

    [27]

    LOVINFOSSE P, KOOPMANSCH B, LAMBERT F, et al. 18F-FDG PET/CT imaging in rectal cancer: Relationship with the RAS mutational status[J]. The British Journal of Radiology, 2016, 89(1063): 20160212. doi: 10.1259/bjr.20160212

    [28]

    MAO W, ZHOU J, ZHANG H, et al. Relationship between KRAS mutations and dual time point 18F-FDG PET/CT imaging in colorectal liver metastases[J]. Abdominal Radiology (NY), 2019, 44(6): 2059−2066. doi: 10.1007/s00261-018-1740-8

    [29]

    LEE J H, KANG J, BAIK S H, et al. Relationship between 18F-fluorodeoxyglucose uptake and V-Ki-Ras2 kirsten rat sarcoma viral oncogene homolog mutation in colorectal cancer patients: Variability depending on C-reactive protein level[J]. Medicine, 2016, 95(1): e2236. doi: 10.1097/MD.0000000000002236

    [30]

    KIM S J, PAK K, KIM K. Diagnostic performance of 18F-FDG PET/CT for prediction of KRAS mutation in colorectal cancer patients: A systematic review and meta-analysis[J]. Abdominal Radiology (NY), 2019, 44(5): 1703−1711. doi: 10.1007/s00261-018-01891-3

  • 期刊类型引用(1)

    1. 王树昌. 双能量CT虚拟去钙成像技术在腰椎间盘退变评估中的应用价值及相关指标分析. 影像研究与医学应用. 2024(12): 24-26 . 百度学术

    其他类型引用(4)

计量
  • 文章访问数:  289
  • HTML全文浏览量:  172
  • PDF下载量:  50
  • 被引次数: 5
出版历程
  • 收稿日期:  2022-02-23
  • 修回日期:  2022-04-10
  • 录用日期:  2022-04-11
  • 网络出版日期:  2022-04-27
  • 发布日期:  2023-01-30

目录

/

返回文章
返回
x 关闭 永久关闭