Analysis of Multi-slice CT Images of Pulmonary Mucosa-associated Tissue Lymphoma
-
摘要:
目的：探讨肺黏膜相关淋巴组织（MALT）淋巴瘤MSCT影像学特点。方法：回顾性分析2014年2月至2022年7月经病理证实的8例肺MALT淋巴瘤的临床资料及MSCT表现，分析误诊原因。结果：5例行胸部平扫及增强检查，3例仅行胸部平扫，8例患者中单发病灶、多发病灶各4例，表现为大片状高密度影7例，均见支气管充气征，1例表现为混杂密度结片灶；CT增强4例中度强化，1例轻度强化，4例可见血管造影征。结论：肺原发性MALT淋巴瘤是一种低度恶性的惰性肿瘤，MSCT表现具有一定特征性，应及时获取病变组织行病理学检查并结合免疫组化明确诊断。
Abstract:Objective: To explore the mulyi-slice computed tomograpy (MSCT) imaging characteristics of pulmonary mucosa-associated lymphoma tissue. Methods: The clinical data and MSCT findings of eight cases of pulmonary MALT lymphoma confirmed by pathology in our hospital from February 2014 to July 2022 were analyzed retrospectively. The causes of misdiagnosis were also analyzed. Results: Five patients underwent plain and enhanced chest CT scans, and three underwent plain chest CT scans alone. Among the eight patients, four had a single focus, four had multiple foci, and seven showed large patches of high-density shadows. All patients showed air bronchogram, and one showed mixed density patches. CT enhancement showed moderate enhancement in four cases, slight enhancement in one case, and angiography sign in four cases. Conclusion: Primary MALT lymphoma of the lung is an inert tumor with low-grade malignancy. The MSCT findings have certain characteristics. Therefore, it is necessary to obtain diseased tissues in time for pathological examination and immunohistochemistry to make a clear diagnosis.
-
Keywords:
- computed X-ray tomography /
- pulmonary tumor /
- lymphoma
-
自从1971年Hounsfield发明了世界上首台X射线计算机断层成像扫描（computed tomography，CT）机，CT技术在扫描方式和重建方法上经历了5代发展[1]，在医疗和工业检测等方面产生了深刻影响。由于系统不完善，CT成像所得到的图像中可能存在多种伪影，对临床诊断与故障诊断存在负面影响[2-3]。
随着CT技术的深入应用，以及快速成像、定量成像、低剂量成像[4]的新需求，非标准轨迹扫描及分布式多光源成像在解决伪影问题上体现出了巨大的潜力[5]，但也伴随着新型伪影等其他问题的出现。伪影严重影响临床诊断的效果，尤其是伪影可能被认为是医学图像（例如肿瘤）的组成部分，这可能会导致错误的诊断[6]。例如在放射治疗中，严重的伪影可能被识别为骨骼，导致定位错误。正是由于这些伪影使得后处理和定量评估变得复杂，因此开发出高效且可靠的伪影去除方法至关重要。
由于探测器损坏或探测器响应不一致，标准圆轨迹扫描CT图像中环形伪影是最常见的伪影之一[7]。近年来，许多研究人员一直在开发用于去除CT中环形伪影的方法[8]，这些方法大致可以分为投影域的前处理[9]和图像域的后处理[10]两类。投影域的前处理需要访问原始投影数据，这限制了算法的适用性。而针对图像域的后处理技术，有研究者提出了一种基于形态算子的环形伪影校正方法[11]，该方法中参数的选取对伪影校正的精度至关重要。随后，研究人员提出了一种使用独立分量分析（ICA）的有效方法[12]，但该方法并不能有效地保持图像细节。
在假设环形伪影中的灰度值特征是局部极值的前提下，研究人员使用中值滤波来去除极坐标下的条纹伪影[13]；最近，研究人员提出了一种稀疏约束下基于变分的环状伪影去除方法[14]，该方法具有有效地校正效果，但坐标变换的过程降低了图像的空间分辨率；很多研究者利用环状伪影在极坐标系中表现为条状伪影[15-17]，在极坐标系中进行图像处理后，图像被变换回笛卡尔坐标系，进而提出新型的环状伪影去除方法。
在成像过程中，对于非标准扫描轨迹，如变螺距、变半径螺旋轨迹，则可能会出现椭圆伪影，而上述去除伪影的方法并不能有效地应用到去除该类伪影，并且针对去该类伪影的研究工作相对缺乏。针对上述问题，在结合椭圆伪影几何特性和利用加权型全变分能有效保持图像边缘特性的基础上，本文提出一种去除椭圆伪影的新方法。由于提出的模型是含有线性算子的非光滑凸优化问题，因此可以利用经典的交替方法乘子法（alternating direction mutipler method，ADMM）将初始问题转化为多个易求解的子问题，进而可以高效求解，并能保证算法的收敛性。最终数值实验表明，本文提出的模型和算法在不影响图像细节的情况下，能有效地去除CT图像中的椭圆伪影。
1. 模型建立与求解
假定g为观测到的具有椭圆伪影的图像，为了去除图像中的椭圆伪影，本文提出下述各向异性全变分模型：
$$ \min \frac{\lambda }{2}\big\| {{\boldsymbol{f}} - {\boldsymbol{g}}} \big\|_2^2 + \big\| {{\boldsymbol{T}}\nabla {\boldsymbol{f}}} \big\|_{2,1}^{} \text{，} $$ (1) 其中拟合项
$\big\| {{\boldsymbol{f}} - {\boldsymbol{g}}}\big\|_2^2$ 是为了保证复原图像f不偏离观测图像f太远，正则项$\big\| {{\boldsymbol{T}}\nabla {\boldsymbol{f}}} \big\|_{2,1}^{}$ （注：${\big\| ·\big\|}_{2,1}$ 表示内范数为${l_2}$ 范数，外范数为${l_1}$ 范数）是为了有效刻画图像的细节特征，参数λ用来平衡这两者关系的权重。另外，这里$\nabla {\boldsymbol{f}} = {\left( {{\nabla _x}{\boldsymbol{f}},\;{\nabla _y}{\boldsymbol{f}}} \right)^{\rm{T}}}$ 表示梯度向量，${\boldsymbol{T}} = {\rm{diag}}({t_1},{t_2}) = {{\boldsymbol{\varLambda}} _\tau }{{\boldsymbol{R}}_{ - \theta }}$ 用来刻画椭圆伪影和图像边缘等结构特征，其中$$ {{\boldsymbol{R}}_{ - \theta }} = \left( {\begin{array}{*{20}{c}} {\cos \theta }&{ - \sin \theta } \\ {\sin \theta }&{\cos \theta } \end{array}} \right),\quad {{\boldsymbol{\varLambda}} _\tau } = \left( {\begin{array}{*{20}{c}} \tau &0 \\ 0&1 \end{array}} \right) \text{，} $$ (2) $\tau $ 为扩散参数。模型（1）是非光滑凸优化问题，显然目标函数也是强制的，因此存在唯一的最优解。虽然针对非光滑问题可以有各种光滑化方法求解，但仅能得到近似解。由于其非光滑项具有可分性结构，因此本文利用交替方向法求解，即：将初始问题转化为多个易求解的子问题。为此，通过引入两个辅助变量w和v，可将问题（1）转化为约束优化问题：
$$ \left\{ {\begin{aligned} & {\mathop {\min }\limits_{{\boldsymbol{w}},v,f} \left( {\frac{\lambda }{2}\big\| {{\boldsymbol{f}} - {\boldsymbol{g}}} \big\|_2^2 + \big\| {\boldsymbol{w}} \big\|{}_{_{2,1}}} \right)} \\ & {{\rm{s.t}}.\left\{ {\begin{aligned} & {{\boldsymbol{w}} = {{\left( {{{\boldsymbol{w}}_1},{{\boldsymbol{w}}_2}} \right)}^{\rm T}} = {\boldsymbol{Tv}}} \\ & {{\boldsymbol{v}} = {{\left( {{{\boldsymbol{v}}_1},{{\boldsymbol{v}}_2}} \right)}^{\rm T}} = \nabla {\boldsymbol{f}}} \end{aligned}} \right.} \end{aligned}} \right. 。 $$ (3) 为了有效求解问题（3），在增广拉格朗日方法框架下，可将其转化为鞍点问题：
$$ \begin{gathered} \mathop {\min }\limits_{{\boldsymbol{w}},v,f} \mathop {\max }\limits_{\alpha ,\beta } \mathcal{L}\left( {{\boldsymbol{w}},{\boldsymbol{v}},{\boldsymbol{f}},{\boldsymbol{\alpha}} ,{\boldsymbol{\beta}} } \right) = \frac{\lambda }{2}\big\| {{\boldsymbol{f}} - {\boldsymbol{g}}} \big\|_2^2 + \left\langle {{\boldsymbol{\alpha}} ,\;{\boldsymbol{v}} - \nabla {\boldsymbol{f}}} \right\rangle + \\ \frac{{{\gamma _1}}}{2}\big\| {{\boldsymbol{v}} - \nabla {\boldsymbol{f}}} \big\|_2^2 + {\big\| {\boldsymbol{w}} \big\|_{2,1}} + \left\langle {{\boldsymbol{\beta}} ,{\boldsymbol{w}} - {\boldsymbol{Tv}}} \right\rangle + \frac{{{\gamma _2}}}{2}\big\| {{\boldsymbol{w}} - {\boldsymbol{Tv}}} \big\|_2^2 \\ \end{gathered} 。 $$ (4) 下面在交替方向乘子法框架下，即固定其中4个变量求解剩余的1个变量，求解问题（4）即有下述高斯赛德尔迭代格式：
$$ \left\{ {\begin{aligned} & {{{\boldsymbol{w}}^{k + 1}} = \mathop {\arg \min }\limits_w \mathcal{L}\left( {{\boldsymbol{w}},{{\boldsymbol{v}}^k},{{\boldsymbol{f}}^k},{{\boldsymbol{\alpha}} ^k},{{\boldsymbol{\beta}} ^k}} \right)} \\ & {{{\boldsymbol{v}}^{k + 1}} = \mathop {\arg \min }\limits_v \mathcal{L}\left( {{{\boldsymbol{w}}^{k + 1}},{{\boldsymbol{v}}^{}},{{\boldsymbol{f}}^k},{{\boldsymbol{\alpha}} ^k},{{\boldsymbol{\beta}} ^k}} \right)} \\ &{{{\boldsymbol{f}}^{k + 1}} = \mathop {\arg \min }\limits_f \mathcal{L}\left( {{{\boldsymbol{w}}^{k + 1}},{{\boldsymbol{v}}^{k + 1}},{{\boldsymbol{f}}^{}},{{\boldsymbol{\alpha}} ^k},{{\boldsymbol{\beta}} ^k}} \right)} \\ &{{{\boldsymbol{\alpha}} ^{k + 1}} = {{\boldsymbol{\alpha}} ^k} + {\gamma _1}\left( {{{\boldsymbol{v}}^{k + 1}} - \nabla {{\boldsymbol{f}}^{k + 1}}} \right)} \\ & {{{\boldsymbol{\beta}} ^{k + 1}} = {{\boldsymbol{\beta}} ^k} + {\gamma _2}\left( {{{\boldsymbol{w}}^{k + 1}} - {\boldsymbol{T}}{{\boldsymbol{v}}^{k + 1}}} \right)} \end{aligned}} \right. 。 $$ (5) 下面考虑如何解决（5）中的子问题。
问题（5）的第1个子问题是经典的
${l_2} - {l_1}$ 问题，整理后可得：$$ {{\boldsymbol{w}}^{k + 1}}: = \mathop {\arg \min }\limits_w \left( {\frac{{{\gamma _2}}}{2}\left\| {{\boldsymbol{w}} - \left( {{\boldsymbol{T}}{{\boldsymbol{v}}^k} - \frac{{{{\boldsymbol{\beta}} ^k}}}{{{\gamma _2}}}} \right)} \right\|_2^2 + {{\big\| {\boldsymbol{w}} \big\|}_{2,1}}} \right) \text{，} $$ (6) 通过使用软阈值算子，其闭合解可以写成：
$$ {{\boldsymbol{w}}^{k + 1}}: = {\rm{Prox}} {_{{{\left\| . \right\|}_{2,1}}}}\left( {{{\left\| {T{{\boldsymbol{v}}^k} - \frac{{{{\boldsymbol{\beta}} ^k}}}{{{\gamma ^2}}}} \right\|}_{2,1}},\;{\gamma _2}} \right) 。 $$ (7) 问题（5）的第2个子问题是一个光滑优化问题，整理后可得：
$$ {{{{\boldsymbol{v}}}}^{k + 1}} = \mathop {\arg \min }\limits_v \left( {\left\langle {{\boldsymbol{\alpha}} ,\;{\boldsymbol{v}} - \nabla {\boldsymbol{f}}} \right\rangle + \frac{{{\gamma _1}}}{2}\big\| {{\boldsymbol{v}} - \nabla {\boldsymbol{f}}} \big\|_2^2 + \left\langle {{\boldsymbol{\beta }},\;{\boldsymbol{w}} - {\boldsymbol{Tv}}} \right\rangle + \frac{{{\gamma _2}}}{2}\big\| {{\boldsymbol{w}} - {\boldsymbol{Tv}}} \big\|_2^2} \right) \text{，} $$ (8) 其最优解
${{{{\boldsymbol{v}}}}^{k + 1}}$ 满足以下线性方程组：$$ \left\{ {\begin{array}{*{20}{c}} {\alpha _1^k + {\gamma _1}\Big( {{\boldsymbol{v}}_1^{k + 1} - {\nabla _x}{{\boldsymbol{f}}^k}} \Big) - {t_1}\beta _1^k + {\gamma _2}{t_1}\Big( {{t_1}{{v}}_1^{k + 1} - {{w}}_1^{k + 1}} \Big) = 0} \\ {\alpha _2^k + {\gamma _1}\Big( {{\boldsymbol{v}}_2^{k + 1} - {\nabla _y}{{\boldsymbol{f}}^k}} \Big) - {t_2}\beta _2^k + {\gamma _2}{t_2}\Big( {{t_2}{{v}}_2^{k + 1} - {{w}}_2^{k + 1}} \Big) = 0} \end{array}} \right. \text{，} $$ (9) 通过简单的计算，可得：
$$ \left\{ {\begin{aligned} &{{{v}}_1^{{\text{k + }}1} = \frac{{{\gamma _1}{\nabla _x}{{\boldsymbol{f}}^k} + {t_1}\beta _1^k + {\gamma _2}{t_1}{{w}}_1^{k + 1} - \alpha _1^k}}{{{\gamma _1} + {\gamma _2}t_1^2}}} \\ & {{{v}}_2^{{\text{k + }}1} = \frac{{{\gamma _1}{\nabla _y}{{\boldsymbol{f}}^k} + {t_2}\beta _2^k + {\gamma _2}{t_2}{{w}}_2^{k + 1} - \alpha _2^k}}{{{\gamma _1} + {\gamma _2}t_2^2}}} \end{aligned}} \right. 。 $$ (10) 问题（5）的第3个子问题是一个最小二乘优化问题，整理后为：
$$ {{\boldsymbol{f}}^{k + 1}} = \mathop {\arg \min }\limits_f \left( {\frac{\lambda }{2}\big\| {{\boldsymbol{f}} - {\boldsymbol{g}}} \big\|_2^2 + \left\langle {{\boldsymbol{\alpha}} ,\;{\boldsymbol{v}} - \nabla{\boldsymbol{ f}}} \right\rangle + \frac{{{\gamma _1}}}{2}\big\| {{\boldsymbol{v}} - \nabla{\boldsymbol{ f}}} \big\|_2^2} \right) \text{，} $$ (11) 该问题是凸优化问题，其对应的欧拉-拉格朗日方程为：
$$ \Big( {\lambda \mathcal{I} - {\gamma _1}\Delta } \Big){{\boldsymbol{f}}^{k + 1}} = \lambda {\boldsymbol{g}} - {\rm{div}}\left( {{{\boldsymbol{\alpha}} ^k}} \right) - {\gamma _1}{\rm{div}}\left( {{{\boldsymbol{v}}^{k + 1}}} \right) \text{，} $$ (12) 其中
$ \mathcal{I} $ 为单位算子，对于线性方程（12），不同的边界条件对应着不同的数值方法。当使用诺依曼边界条件或狄利克雷边界条件时，拉普拉斯算子 −∆ 是半正定的。在这种情况下，可以使用预条件共轭梯度（PCG）法来求解它，因为$\lambda $ 和${\gamma _1}$ 都是正标量，上面方程组左侧的矩阵是对称且正定的。本文假设边界条件是周期性的，故右侧算子是块循环矩阵，方程（12）可以利用快速傅里叶变换和逆变换快速求解：$$ {{\boldsymbol{f}}^{k + 1}} = {\mathcal{F}^{ - 1}}\left( {\frac{{\lambda \mathcal{F}\left( {\boldsymbol{g}} \right) - \mathcal{F}\Big( {{\rm{div}}\left( {{{\boldsymbol{\alpha}} ^k}} \right)} \Big) - {\gamma _1}\mathcal{F}\Big( {{\rm{div}}\left( {{{\boldsymbol{v}}^{k + 1}}} \right)} \Big)}}{{\lambda \mathcal{F}\left( \mathcal{I} \right) - {\gamma _1}\mathcal{F}\left( \Delta \right)}}} \right) \text{，} $$ (13) 其中
$\mathcal{F}\left( \cdot \right)$ 和${\mathcal{F}^{ - 1}}\left( \cdot \right)$ 分别是快速傅立叶变换（FFT）及其逆变换。综上，求解模型（1）的算法框架如表1：
表 1 算法1Table 1. Algorithm 1算法1：使用ADMM解决问题（4） 1. 初始化：$ \lambda > 0,\;\,{\gamma _1} > 0,\;\,{\gamma _2} > 0 $，选择${{\boldsymbol{f}}^0},\,\;{{\boldsymbol{v}}^0},\,\;{{\boldsymbol{\alpha}} ^0}$和${{\boldsymbol{\beta}} ^0}$的初始值
2. 对于$k = 1,\;2,\; \cdots $通过（7），（10）和（13）依次获得${{\boldsymbol{w}}^{k + 1}},\;{{\boldsymbol{v}}^{k + 1}},\;{{\boldsymbol{f}}^{k + 1}}$
3. 直到满足$\frac{ { { {\left\| { {{\boldsymbol{f}}^k} - {{\boldsymbol{f}}^{k - 1} } } \right\|}_2} } }{ { { {\left\| { {{\boldsymbol{f}}^{k - 1} } } \right\|}_2} } } \leq {10^{ - 5} }$或$k \geq 500$时终止
4. 将${\boldsymbol{f}}: = {{\boldsymbol{f}}^{k + 1}}$作为输出图像针对算法1，有如下收敛性结果，其证明类似于文献[18]。
定理：由算法1产生的序列
$\Big\{ {\left( {{{\boldsymbol{w}}^k},\;{{\boldsymbol{v}}^k},\;{{\boldsymbol{f}}^k},\;{{\boldsymbol{\alpha}} ^k},\;{{\boldsymbol{\beta}} ^k}} \right)} \Big\}$ 收敛到问题（4）的鞍点，且序列$\left\{ {{{\boldsymbol{f}}^k}} \right\}$ 收敛到问题（1）的解。2. 实验与讨论
实验使用Shepp-Logan模体数据对所提出的方法进行评估，展示所提出的去除椭圆伪影模型及算法的有效性。本文有两类参数需要选取，即模型参数和算法参数，根据多次实验可知，正则化参数
$\lambda $ 为0.01，权重参数$\tau $ 取2，惩罚参数${\gamma _{\text{1}}}$ 和${\gamma _{\text{2}}}$ 均取3，旋转矩阵参数θ选取如下：根据Bayram和等的观点[19]，旋转矩阵中参数θ表示沿该倾斜角度的像素变化具有更高的权重。如图1，根据椭圆几何关系可以导出：
![]()
图 1 椭圆几何关系示意图，其中子图（a）中椭圆长轴在x轴上，子图（b）中椭圆长轴在y轴上Figure 1. Schematic diagram of the geometric relationship of the ellipse, the long axis of the ellipse in subfigure (a) is on the x-axis and the long axis of the ellipse in subfigure (b) is on the y-axis$$ \theta = \left\{ \begin{aligned} &\mathrm{arc\,tan}\left( \frac{1}{{k}^{2}}\frac{y}{x} \right)\text{，}椭圆长轴在\,{x}\,轴上\\ &\mathrm{arc\,tan}\left( {k}^{2}\frac{y}{x} \right)\text{，}椭圆长轴在\,{y}\,轴上\end{aligned} \right.\text{，} $$ (14) 其中k是同心椭圆伪影的长半轴与短半轴之比，
$\left( {x,y} \right)$ 是CT图像中像素点的坐标。在本文实验中，图2中椭圆伪影k取2，图4中椭圆伪影k取 5/3。![]()
图 2 去伪影前后Shepp-Logan模体及其ROI，第1行为参考图像，第2行为被伪影污染的图像，第3行为去伪影后的图像Figure 2. Shepp-Logan phantom and its ROI before and after artifact removal, the first row is the reference image, the second row is the image contaminated with artifacts, and the third row is the artifact-removed image图2显示了包含椭圆伪影的原始和去除伪影后的Shepp-Logan模体。第1行中的图像是原始图像，第2行中的图像是带有椭圆伪影的图像，第3行中的图像是使用本文模型去除了椭圆伪影的图像。（a）、（g）、（m）是整个图像，（b）、（h）、（n）中红框圈出的是所选的第1组ROI，蓝框圈出的是所选的第2组ROI，（c）和（d）、（i）和（j）、（o）和（p）分别是对应红色实线框中的放大视图，（e）和（f）、（k）和（l）、（q）和（r）分别是对应蓝色实线框中的放大视图。图2（g）中的椭圆伪影很严重，而校正后的图像（图2（m））几乎与参考图像（图2（a））相同。显然，在经过本文模型处理之后（图2第3行中），图像中几乎看不到伪影。
本文实验通过计算PSNR和SSIM评估去伪影后图像的质量，在表2中显示这些数据。从表格中可以清楚地看到，通过本文模型和算法去除椭圆伪影后，SSIM和PSNR在整体图像和ROI区域都有所增加，图像质量在去噪后明显提升。
表 2 去伪影前后Shepp-Logan模体的SSIM和PSNR对比Table 2. Comparison of SSIM and PSNR of Shepp-Logan phantom before and after artifact removal对应图像 Shepp-Logan模体 SSIM（含伪影） SSIM（不含伪影） PSNR（含伪影） PSNR（不含伪影） （g）、（m） 0.990 0.997 49.052 51.442 （i）、（o） 0.961 0.984 44.178 48.122 （j）、（p） 0.981 0.992 46.369 49.611 （k）、（q） 0.989 0.997 46.150 47.742 （l）、（r） 0.963 0.988 43.389 47.108 实验中还取出上述图像的一行显著变化的像素点（第204行中第350到第420个像素点）来直观地展示伪影去除效果（图3）。图中通过3种不同颜色的实线来显示原始图像的灰度值变化，其中红色实线表示原始图像该行的灰度值，蓝色虚线表示含伪影图像该行的灰度值，绿色虚线表示去除伪影后图像该行的灰度值。从图3中可以明显观察到，椭圆伪影导致含伪影图像灰度值显著偏离原始图像，而本文提出的模型和算法有效修复了这种偏差。
![]()
图 3 像素对比图，其中红色折线表示原始图像灰度值，蓝色折线表示含伪影图像灰度值，绿色折线表示去伪影后图像灰度值Figure 3. Pixel comparison chart, the red line indicates the gray value of the reference image, blue line indicates the gray value of the image with artifacts, and green line indicates the gray value of the image after removing artifacts![]()
图 4 去伪影前后胸腔CT及其ROI，第1行为原始图像，第2行为被伪影污染的图像，第3行为去伪影后的图像Figure 4. Chest CT and its ROI before and after artifact removal. The first row is the reference image, the second row is the image contaminated with artifacts, and the third row is the artifact-free image为进一步测试模型与算法的鲁棒性，本文使用图像结构更复杂的胸腔CT进行仿真实验。图4显示胸腔CT图像去除椭圆伪影的结果（ROI相应的图像位置与图2相同）。从图4中可见，即使在图像结构更复杂的CT图像中，大部分伪影都能得到去除，且图像结构仍能被较好保存。
表3展示该胸腔CT图像去伪影前后SSIM和PSNR的变化，可见经过本文模型处理后，CT图像结构相似度和峰值信噪比普遍提高，同心椭圆伪影得到有效去除。
表 3 去伪影前后胸腔CT的SSIM和PSNR对比Table 3. Comparison of SSIM and PSNR of chest CT before and after artifact removal对应图像 Shepp-Logan 模体 SSIM（含伪影） SSIM（不含伪影） PSNR（含伪影） PSNR（不含伪影） （g）、（m） 0.619 0.655 32.472 34.238 （i）、（o） 0.917 0.940 32.984 33.371 （j）、（p） 0.833 0.828 34.254 35.229 （k）、（q） 0.933 0.954 33.328 34.801 （l）、（r） 0.859 0.874 34.766 34.156 3. 结论
本文利用椭圆伪影的结构特征，结合方向全变分可以有效描述该结构特征的性质，建立一个新型的去椭圆伪影的模型，并利用算子分裂型方法求解，数值实验验证了模型和方法的有效性。
然而，CT图像中通常可能存在不止一种形态的伪影，本文只针对同心椭圆伪影进行去除，在接下来地研究中，将建立起适用于多种伪影的模型，以求在临床诊断上取得更高的性能。
-
![]()
图 1 男性，85岁，双肺多发肺MALT淋巴瘤CT及病理表现
（a）～（c）分别为CT平扫肺窗、纵隔窗及增强动脉期示右肺中叶、左肺上叶及双肺下叶多发大片状高密度影，其内可见“空气支气管征”，直达病灶边缘，部分支气管远段扩张，左侧少量胸腔积液，右侧胸膜增厚，双肺病灶明显强化，可见“血管造影征”。（d）～（f）病检见细胞大小较一致，瘤细胞间可见薄壁的分支小血管，高倍镜下部分肿瘤细胞可呈现浆细胞样分化，肿瘤细胞CD20细胞膜阳性表达。
Figure 1. Male, 85 years old, CT and pathological findings of multiple mucosa-associated lymphoma
![]()
图 2 男性，54岁 右肺下叶肺MALT淋巴瘤CT及病理表现
（a）～（c）分别为CT平扫肺窗、纵隔窗及增强动脉期示右下肺见团片状高密度影，密度不均匀，可见“空气支气管征”，部分病灶内见多发空泡，右侧少量胸腔积液，右侧胸膜增厚，右下肺肿块明显强化，可见“血管造影征”。（d）～（f）病检见淋巴样细胞浸润，细小支气管壁和肺泡上皮破坏，形成淋巴上皮病变，血管管腔及管壁可见少量肿瘤细胞，肿瘤细胞细胞膜Bcl-2阳性表达。
Figure 2. Male, 54 years old, CT and pathological findings of right lower lung mucosa-associated lymphoma
-
[1] DEFRANCESCO I, ARCAINI L. Overview on the management of non-gastric MALT lymphomas[J]. Best Practice & Research. Clinical Haematology, 2018, 31(1): 57−64.
[2] NARVAEZ J A, DOMINGO-DOMENECH E, ROCA Y, et al. Radiological features of non-gastric mucosa-associated lymphoid tissue lymphomas[J]. Current Problems in Diagnostic Radiology, 2004, 33(5): 212−225. doi: 10.1067/j.cpradiol.2004.06.002
[3] ISAACSON P G, DU M Q. MALT lymphoma: From morphology to molecules[J]. Nature Reviews Cancer, 2004, 4(8): 644−653. doi: 10.1038/nrc1409
[4] RAMOT B, SHAHIN N, BUBIS J J. Malabsorption sydrome in lymphoma of small intestine: A study of 13 cases[J]. Irish Journal of Medical Science, 1965, 1: 221−226.
[5] BORIE R, CARO V, NUNES H, et al. No evidence for a pathogen associated with pulmonary MALT lymphoma: A metagenomics investigation[J]. Infect Agent Cancer, 2021, 16(1): 10. doi: 10.1186/s13027-021-00351-w
[6] ADAM P, CZAPIEWSKI P, COLAK S, et al. Prevalence of achromobacter xylosoxidans in pulmonary mucosa-associated lymphoid tissue lymphoma in different regions of Europe[J]. British Journal of Haematology, 2014, 164(6): 804−810. doi: 10.1111/bjh.12703
[7] 张诚实, 杨晓荣, 丁薇, 等. 肺黏膜相关淋巴组织淋巴瘤合并肺鳞癌一例并文献复习[J]. 中华结核和呼吸杂志, 2020,43(12): 1071−1076. doi: 10.3760/cma.j.cn112147-20200729-00859 ZHANG C S, YANG X R, DING W, et al. Pulmonary mucosa-associated lymphoid tissue lymphoma concurrent with lung squamous cell carcinoma: A case report and literature review[J]. Chinese Journal of Tuberculosis and Respiration, 2020, 43(12): 1071−1076. (in Chinese). doi: 10.3760/cma.j.cn112147-20200729-00859
[8] ALBANO D, BORGHESI A, BOSIO G, et al. Pulmonary mucosa-associated lymphoid tissue lymphoma: (18)F-FDG PET/CT and CT findings in 28 patients[J]. The British Journal of Radiology, 2017, 90(1079): 20170311. doi: 10.1259/bjr.20170311
[9] 张艳, 余建群, 朱洪基, 等. 肺黏膜相关淋巴组织淋巴瘤的CT和临床表现及其病理学基础[J]. 放射学实践, 2016,31(8): 734−738. doi: 10.13609/j.cnki.1000-0313.2016.08.014 ZHANG Y, YU J Q, ZHU H J, et al. Pulmonary mucosa-associated lymphoid tissue lymphoma: CT and clinical findingds with pathological basis[J]. Radiologic Practice, 2016, 31(8): 734−738. (in Chinese). doi: 10.13609/j.cnki.1000-0313.2016.08.014
[10] WISLEZ M, CADRANEL J, ANTOINE M, et al. Lymphoma of pulmonary mucosa-associated lymphoid tissue: CT scan findings and pathological correlations[J]. European Respiratory Journal, 1999, 14(2): 423−429.
[11] BI W, ZHAO S, WU C, et al. Pulmonary mucosa-associated lymphoid tissue lymphoma: CT findings and pathological basis[J]. Journal of Surgical Oncology, 2021, 123(5): 1336−1344. doi: 10.1002/jso.26403
[12] BORIE R, WISLEZ M, ANTOINE M, et al. Pulmonary mucosa-associated lymphoid tissue lymphoma revisited[J]. European Respiratory Journal, 2016, 47(4): 1244−1260. doi: 10.1183/13993003.01701-2015
[13] 汪华, 李晔雄, 刘清峰, 等. 40例早期胃外黏膜相关淋巴组织淋巴瘤的治疗结果[J]. 中华放射肿瘤学杂志, 2010,(3): 227−230. doi: 10.3760/cma.j.issn.1004-4221.2010.03.015 WANG H, LI Y X, LIU Q F, et al. Treatment outcome of 40 patients with early stage nongastric mucosa-associated lymphoid tissue lymphoma[J]. Chinese Journal of Radiation Oncology, 2010, (3): 227−230. (in Chinese). doi: 10.3760/cma.j.issn.1004-4221.2010.03.015
[14] 包晨, 王晓岑, 胡湘麟, 等. 肺原发性黏膜相关淋巴组织淋巴瘤临床特征分析[J]. 中华医学杂志, 2018, 98(18): 1419-1423. BAO C, WANG X C, HU X L, et al. Clinical manifestations analysis of patients diagnosed with primary pulmonary mucosa-associated lymphoid tissue lymphoma[J]. Chinese Medical Journal 2018, 98(18): 1419-1423. (in Chinese).
下载:
计量
- 文章访问数: 359
- HTML全文浏览量: 119
- PDF下载量: 43
