留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

不同数学模型多b值DWI在预测子宫内膜癌淋巴血管侵犯中的能力

李桂军 文鹏 黄丽霞 向恋

李桂军, 文鹏, 黄丽霞, 向恋. 不同数学模型多b值DWI在预测子宫内膜癌淋巴血管侵犯中的能力[J]. 昆明医科大学学报, 2022, 43(4): 118-124. doi: 10.12259/j.issn.2095-610X.S20220411
引用本文: 李桂军, 文鹏, 黄丽霞, 向恋. 不同数学模型多b值DWI在预测子宫内膜癌淋巴血管侵犯中的能力[J]. 昆明医科大学学报, 2022, 43(4): 118-124. doi: 10.12259/j.issn.2095-610X.S20220411
Guijun LI, Peng WEN, Lixia HUANG, Lian XIANG. Exploring the Efficacy of Different Mathematical Models with Multi-b Value DWI in Predicting Lymphatic Vascular Invasion of Endometrial Cancer[J]. Journal of Kunming Medical University, 2022, 43(4): 118-124. doi: 10.12259/j.issn.2095-610X.S20220411
Citation: Guijun LI, Peng WEN, Lixia HUANG, Lian XIANG. Exploring the Efficacy of Different Mathematical Models with Multi-b Value DWI in Predicting Lymphatic Vascular Invasion of Endometrial Cancer[J]. Journal of Kunming Medical University, 2022, 43(4): 118-124. doi: 10.12259/j.issn.2095-610X.S20220411

不同数学模型多b值DWI在预测子宫内膜癌淋巴血管侵犯中的能力

doi: 10.12259/j.issn.2095-610X.S20220411
基金项目: 湖南省卫生健康委科研基金资助项目(20190136)
详细信息
    作者简介:

    李桂军(1983~),男,湖南郴州人,医学学士,主治医师,主要从事妇产儿科影像诊断与介入治疗工作

    通讯作者:

    黄丽霞,E-mail:576599882@qq.com

  • 中图分类号: R445.2

Exploring the Efficacy of Different Mathematical Models with Multi-b Value DWI in Predicting Lymphatic Vascular Invasion of Endometrial Cancer

  • 摘要:   目的  评估不同数学模型多b值扩散加权成像(diffusion-weighted imaging,DWI)在预测子宫内膜癌(endometrial cancer,EC)淋巴血管侵犯(lymphovascular space invasion,LVSI)中的能力。  方法   收集2019年9月至2021年5月期间接受多b值DWI盆腔磁共振成像(magnetic resonance imaging,MRI)检查的患者61例。测量并比较表观扩散系数(apparent-diffusion-coefficient,ADC)、双指数模型参数(D、D*和f)和拉伸指数模型参数(DDC和α),分析经病理证实的预后相关危险因素:组织学分级和淋巴血管侵犯(lymphovascular space invasion,LVSI)。进行受试者工作特征曲线评估不同模型参数在预测EC肿瘤分级和LVSI中的诊断性能。通过多元Logistic回归模型确定EC肿瘤分级和LVSI相关DWI模型参数。使用组内相关系数(ICC)评估观察者间一致性。  结果  高级别组的ADC、D、f和DDC显著低于低级别组(AUC:0.699~0.882,P < 0.05)。与没有LVSI的肿瘤相比,有LVSI肿瘤的ADC、D*、f和DDC值显著降低(AUC:0.671~0.759,P < 0.05)。联合f和DDC在区分高级别和LVSI肿瘤方面具有最大AUC(0.895、0.797)。多元Logistic回归分析显示,f和DDC均可作为肿瘤分级和LVSI独立相关的预测因子。ICC分析显示,D(ICC = 0.973;95%CI = 0.956~0.985)、D*(ICC = 0.911;95%CI = 0.851~0.946)、ADC(ICC = 0.968;95%CI = 0.947~0.980)、f(ICC = 0.957;95%CI = 0.922~0.974)、DDC(ICC = 0.947;95 %CI = 0.912~0.968)和α值(ICC = 0.931;95%CI = 0.884~0.958)的观察者间一致性非常好。  结论  不同数学模型多b值DWI是一种有用且无创的方法,可用于预测EC预后相关的高组织学分级和LVSI,具有更全面的生物学信息。
  • 高组织学分级和淋巴血管侵犯(lymphovascular space invasion,LVSI)是与子宫内膜癌(endometrial cancer,EC)预后相关的危险因素[1]。目前,磁共振成像(magnetic resonance imaging,MRI)是评估EC的首选成像方式[2]。然而,传统的MRI无法提供与生物信息相关的特定参数,这对于在肿瘤中建立治疗策略至关重要。此外,术前检测LVSI一直是临床实践中的一个棘手问题,因为即使通过侵入性方法也很难评估LVSI[3]。扩散加权成像(diffusion-weighted imaging,DWI)是一种无创的功能MR技术,可用于评估EC侵袭性,使用单指数模型(mono-exponential mode,MEM)计算表观扩散系数(apparent-diffusion-coefficient,ADC),主要与细胞密度和细胞膜的完整性有关[4]。然而,它可能会受到血液微循环的影响,导致对扩散信息的高估。最近,已经建立了可以提供更准确的组织微观结构信息的双指数模型(bi-exponential model,BEM),能有效区分血液灌注与组织真实扩散效应,这不仅可以反映细胞结构,还可以提供有关未成熟血管中血管生成过程、微血管通透性以及微毛细血管血流量[5]。此外,Bennett等[6]提出的拉伸指数模型(stretched-exponential model,SEM),可用于描述分布扩散效应和体素内扩散速率的异质性,并被认为与组织异质性有关。然而,到目前为止,尚未探索同时评估不同DWI模型参数预测EC预后相关危险因素的作用。因此,本研究的目的是比较从MEM、BEM和SEM获得的参数评估EC预后相关的高组织学分级和LVSI的潜在价值。

    选择2019年9月至2021年5月在湖南省妇幼保健院接受多b值DWI盆腔MRI检查的61例EC患者(中位年龄:54 岁;年龄范围:30~75岁)作为研究对象。纳入标准[7]:(1)经刮宫术怀疑EC的患者;(2)盆腔MRI检查前未接受任何肿瘤相关治疗的患者;(3)无MRI检查禁忌症的患者。排除标准为:(1)肿瘤过小(最大截面积 < 10 mm2,n = 4);(2) 图像质量差,伪影严重(n = 1);3)术前接受新辅助治疗的患者(n = 4)。

    所有患者都在带有覆盖整个骨盆的8通道相控阵线圈的3-T MR成像装置(Discovery MR 750,美国GE Medical System公司)上接受了检查。将患者置于仰卧位,并在整个检查过程中将脚放在第1位。在执行多b值DWI之前,进行以下图像采集:矢状面中的T2加权快速自旋回波图像(重复时间[TR]/回波时间[TE]:4 000 ms/85 ms;切片厚度/间隙:4 mm/ 1 mm;视野:28 cm;激发次数[NEX]:2),冠状平面中的T2加权快速自旋回波图像(TR/TE:3 022 ms/85 ms;截面厚度/间隙:4 mm /1 mm;视野:36 cm;NEX:2),横向平面中的T1加权快速自旋回波图像(TR/TE:760 ms/最小ms;切片厚度/间隙:6 mm/1 mm;视场:34 cm;NEX:2),T2加权快速自旋回波和T2加权快速自旋回波图像在横向平面中具有脂肪抑制(TR/TE:4 000 ms/85 ms;切片厚度/间隙:获得 6 mm/1 mm;视野:34 cm;NEX:3)。多b值DWI在横向平面中使用单次回波平面序列执行(TR/TE:4 000 ms/最小值;截面厚度/间隙:6 mm/1 mm;视野:34 cm;NEX : 1,采集矩阵,128×160);DWI的空间覆盖与 T2加权图像和T1加权图像相同。在3个扩散方向上使用了总共13个不同的b值(0、50、100、150、200、300、500、800、1 000、1 300、1 500、1 700 和 2 000 s/mm2)。

    所有图像都传输到工作站(Advantage Workstation 4.6;GE Medical System)进行后处理。使用Function tool MADC软件(GE Healthcare)对得到的多b值DWI进行处理,获取参数图。2位放射科医生对彼此的结果以及详细的组织病理学数据不知情,独立地描绘了ROI。所有 ROI都直接共定位在所有参数图上,并且自动生成源自多个数学模型DWI的参数,见图1

    图  1  56岁女性患者的图像,经病理证实为高级别(3级)EC (×5)
    Figure  1.  An image of a 56-year-old female patient who was pathologically confirmed as a high-grade (grade 3)EC (×5)
    A:DWI;B:ADC;C:D;D:D*;E:f;F:DDC;G:α。

    获得多b值DWI图像并将其传输到工作站(Advantage Workstation 4.6;GE Medical Systems)进行处理。这些图像由两名具有多年经验的放射科医生独立处理,他们在阅读妇科MRI时对组织病理学结果不知情。

    使用MEM模型计算ADC值:S(b)/S(0) = exp(-b·ADC),其中S(b)表示存在扩散敏化时的信号强度,S(0)表示没有扩散敏化时的信号强度。

    使用BEM模型计算了3个参数:Sb/S0 = [(1-f) exp(-b·D)] + [f·exp(-b·D*)],其中f是微血管体积分数(代表与微循环相关的扩散分数),D是纯扩散系数,D*代表与灌注相关的不连贯微循环。

    使用SEM模型计算α和分布扩散系数(distributed diffusion coefficient,DDC):S(b)/S(0)=exp[(-b·DDC)α],其中α与体素内水分子扩散异质性。DDC代表平均体素内扩散速率。

    从医学报告中收集临床数据,例如年龄和治疗计划。入组的61例患者均在湖南省妇幼保健院接受手术。从手术切除标本中评估组织病理学特征,这些标本由一位经验丰富的妇科肿瘤病理学家审查。根据组织学分级(低,1级或2级;高,3级和非子宫内膜样腺癌)和LVSI对肿瘤组织进行分类。

    使用软件(MedCalc 15.8和SPSS 21.0)进行统计分析。数据显示为平均值±标准偏差或中位值(最小值-最大值)。计量资料采用Kolmogorov-Smirnov正态分布,组间比较采用双尾独立样本t检验或Mann-Whitney U检验。将显著参数纳入逐步多元逻辑回归分析,计算了优势比和95%置信区间(CI)。进行受试者工作特征曲线(ROC)以获得ROC曲线下面积(AUC)和最佳截止值,以及这些参数的敏感度和特异度。P < 0.05为差异有统计学意义。

    所收集的患者的特征:MRI检查和手术之间的中位(范围)时间间隔为11d(中位:2~60d)。所有患者均接受初次手术,包括双侧输卵管卵巢切除术和子宫切除术。95.1 %的患者(58/61)进行了淋巴结切除术,包括盆腔淋巴结清扫术11例,盆腔及主动脉旁淋巴结清扫术47例;根据FIGO分期:ⅠA期38例(62.3%)、ⅠB期7例(11.5%)、Ⅱ期5例(8.2%)、Ⅲ期9例(14.7%)、Ⅳ期2例(3.3%);肌层浸润:浅表肌层浸润43例(70.5%)和深肌层浸润18例(29.5%);17例(27.9%)存在LVSI;组织学分级:低级43例(70.5%)和高级18例 (29.5%)。此外,42.6% (26/61) 的患者在手术后接受了辅助治疗。刮宫手术和盆腔MRI检查之间的中位(范围)时间间隔为20 d(14~32 d)。

    除D*和α外,高级别组的ADC、D、f和DDC显著低于低级别组(P < 0.05,AUC:0.699~0.882)。与ADC、D和f相比,DDC在区分高级别和低级别肿瘤方面的AUC最高(0.882)(P = 0.526、0.433和0.017)。与LVSI阴性肿瘤相比,LVSI阳性肿瘤的ADC、D*、f和DDC值显著降低(P < 0.05,AUC:0.671~0.759)。与ADC、D*和f相比,DDC在预测LVSI肿瘤方面具有更高的AUC,但差异无统计学意义(分别为P = 0.117、0.388和0.610)。此外,联合f和DDC在区分高级别和LVSI肿瘤方面显示出高于单个参数的AUC(0.895、0.797),见表1表2图2

    表  1  EC预后相关的高组织学分级和LVSI的不同DWI模型参数差异
    Table  1.  High histological grades related to EC prognosis and differences in parameters of different DWI models of LVSI
    指标ADC(×10−3 mm2/s)D(×10−3 mm2/s)D*(×10−3 mm2/s)fDDC(×10−3 mm2/s)α
    肿瘤分级
     低级 1.05 ± 0.12 0.66 ± 0.09 7.76(4.00~87.85) 0.26 ± 0.07 0.93 ± 0.16 0.73 ± 0.04
     高级 0.87 ± 0.12 0.55 ± 0.06 7.10(4.64~29.20) 0.22 ± 0.06 0.69 ± 0.15 0.71 ± 0.07
    t/U 6.472 5.417 1.062 2.523 9.471 1.245
    P < 0.001* < 0.001* 0.635 0.041* < 0.001* 0.219
    LVSI
     阴性 1.03 ± 0.14 0.64 ± 0.01 7.32(4.00~87.85) 0.26 ± 0.07 0.91 ± 0.18 0.73 ± 0.05
     阳性 0.93 ± 0.13 0.59 ± 0.08 10.2(4.96~56.95) 0.21 ± 0.08 0.75 ± 0.16 0.71 ± 0.05
    t/U 4.233 1.938 2.755 3.981 4.520 1.742
    P 0.018* 0.065 0.039* 0.017* 0.002* 0.051
      *P < 0.05。
    下载: 导出CSV 
    | 显示表格
    表  2  DWI模型得出的单个和组合参数在预测EC肿瘤分级和LVSI中的诊断性能
    Table  2.  Diagnostic performance of individual and combined parameters derived from DWI models in predicting EC tumor grade and LVSI
    参数截止值AUCP敏感度(%)特异度(%)
    肿瘤分级
     ADC ≤ 0.945 0.862 < 0.001* 83.3 83.7
     D ≤ 0.619 0.848 < 0.001* 94.4 58.1
     f ≤ 0.233 0.699 0.005* 83.3 65.1
     DDC ≤ 0.821 0.882 < 0.001* 88.9 79.1
    联合f和DDC 0.895 < 0.001* 88.9 79.1
    LVSI
     ADC(×10−3 mm2/s) ≤ 0.922 0.686 0.019* 58.8 81.8
     D*(×10−3 mm2/s) > 5.805 0.671 0.017* 94.1 40.9
     f ≤ 0.203 0.711 0.007* 58.8 77.3
     DDC ≤ 0.931 0.759 < 0.001* 88.2 54.6
    联合f和DDC 0.797 < 0.001* 76.5 70.5
      *P < 0.05。
    下载: 导出CSV 
    | 显示表格
    图  2  DWI模型参数评估高肿瘤分级、LVSI的ROC曲线
    A:高肿瘤分级;B:LVSI。
    Figure  2.  DWI model parameters to evaluate the ROC curve of high tumor grade and LVSI

    以EC肿瘤分级、LVSI作为因变量,将单因素分析中有统计学意义的变量(ADC: 0 = ≤0.945, 1 = > 0.945;D: 0 = ≤0.619, 1 = >0.619; f: 0 = ≤0.233, 1 = > 0.233; DDC: 0 = ≤ 0.821,1 = > 0.821)作为自变量,进行多元线性回归分析。f和DDC均可作为肿瘤分级和LVSI独立相关的预测因子,见表3

    表  3  多元Logistic回归模型确定EC肿瘤分级和LVSI相关DWI模型参数
    Table  3.  Multivariate Logistic regression model to determine EC tumor grade and LVSI related DWI model parameters
    参数OR95 %CIP方差膨胀因子a模型拟合
    肿瘤分级
    常量0.9040.325~1.8420.129
    f0.0010~0.7200.0441.029
    DDC0.0010~0.007< 0.001*1.029
    LVSI
    常量0.8230.394~1.4380.321
    f0.0010~0.3360.030*1.029
    DDC0.0040~0.2140.006*1.029
      a方差膨胀因子小于5,表明回归模型不存在多重共线性。*P < 0.05。
    下载: 导出CSV 
    | 显示表格

    笔者研究数据表明,不同数学模型多b值DWI可在手术前提供有关组织特性不同方面的综合信息,用于预测EC中与高组织学分级和LVSI相关的危险因素。此外,不同数学模型多b值DWI参数的观察者间一致性表现非常好,这对于考虑模型选择和成功的临床实施至关重要。

    在MEM模型中,ADC参数可以反映组织的微观结构,如细胞结构和细胞膜的完整性,已被广泛用于表征恶性组织[8]。较高级别的肿瘤细胞结构和细胞膜的完整性增加,这是由细胞增殖引起的,导致水扩散障碍[9]。在本研究中,与低级别EC相比,高级别的ADC值显著降低,最高特异度为83.7%,与Yue等[10]报道的结果一致。此外,有LVSI的肿瘤的ADC显著低于没有LVSI的肿瘤,但其AUC分别低于f和DDC值。参考ADC值在LVSI的预测中存在一些不一致报道。Thieme等[11]证明LVSI的存在与较低的ADC相关。相比之下,Lavaud等[12]发现ADC值在区分有和没有LVSI的EC方面没有显著差异。ADC值量化了水分子扩散运动的程度,这与生物组织中的细胞密度有关;然而,与细胞密度相比,肿瘤血管分布可以对ADC产生相反的影响。因此,个体ADC值不足以评估EC中的所有高危因素;在预测EC中的LVSI 时需要来自非单指数模型的其他参数评估完整的肿瘤特征。

    在BEM模型中,笔者发现灌注参数f可作为肿瘤分级和LVSI独立相关的预测因子。Wang等[13]得出结论,f在具有高度侵袭性特征的II型卵巢癌中显著降低。Yabuuchi等[14]报道,f值与正常血管生成量、完整血管在基底膜厚度和周细胞覆盖率方面相关。血管增生迂曲、血管分支紊乱,在高组织学分级肿瘤中更为明显。因此,在具有高组织学分级的EC中观察到较低f值可以通过血流推导到小的、渗漏的和效率低下的肿瘤毛细血管来解释。值得注意的是,f值与DDC结合在LVSI的预测中产生更好的诊断性能。笔者推测组织灌注可能是预测EC的重要因素,特别是对于具有LVSI的肿瘤。尽管D*值仅在区分有LVSI的肿瘤和没有LVSI的肿瘤方面有显著差异,然而D*值的波动范围较大(4.00~87.85),这可能是由于其对噪声的敏感性[15]。因此,非常有必要进行进一步的研究来调查D*值的可行性。

    在SEM模型中,DDC参数被认为是反映多指数衰减特性的ADC的连续分布的加权和,能在存在多指数衰减的情况下更准确地描述了扩散[16]。本研究发现,在不同肿瘤分级或LVSI的EC中存在显著不同的DDC值,并且基于AUC结果,DDC在预测高级别、存在LVSI的肿瘤方面优于ADC,表明DDC可能是比ADC更强大和更优越的参数。在其他疾病中也报告了类似的结果[7]。此外,在预测高级别EC方面,与单独的 DDC相比,联合f和DDC提高了诊断性能。参数α提供了有关体素内水扩散异质性的信息,但本研究中α没有显示出与EC预后的相关性。

    不同数学模型多b值DWI是一种有用且无创的方法,可用于预测EC预后相关的高组织学分级和LVSI,具有更全面的生物学信息。此外,与单个参数相比,组合参数具有更好的诊断性能,因此在评估预后相关风险因素方面具有更大的潜力,从而证明了多参数MR成像技术的优势,并提供了有希望的成像标志物,有助于选择最佳治疗方法。

  • 图  1  56岁女性患者的图像,经病理证实为高级别(3级)EC (×5)

    Figure  1.  An image of a 56-year-old female patient who was pathologically confirmed as a high-grade (grade 3)EC (×5)

    A:DWI;B:ADC;C:D;D:D*;E:f;F:DDC;G:α。

    图  2  DWI模型参数评估高肿瘤分级、LVSI的ROC曲线

    A:高肿瘤分级;B:LVSI。

    Figure  2.  DWI model parameters to evaluate the ROC curve of high tumor grade and LVSI

    表  1  EC预后相关的高组织学分级和LVSI的不同DWI模型参数差异

    Table  1.   High histological grades related to EC prognosis and differences in parameters of different DWI models of LVSI

    指标ADC(×10−3 mm2/s)D(×10−3 mm2/s)D*(×10−3 mm2/s)fDDC(×10−3 mm2/s)α
    肿瘤分级
     低级 1.05 ± 0.12 0.66 ± 0.09 7.76(4.00~87.85) 0.26 ± 0.07 0.93 ± 0.16 0.73 ± 0.04
     高级 0.87 ± 0.12 0.55 ± 0.06 7.10(4.64~29.20) 0.22 ± 0.06 0.69 ± 0.15 0.71 ± 0.07
    t/U 6.472 5.417 1.062 2.523 9.471 1.245
    P < 0.001* < 0.001* 0.635 0.041* < 0.001* 0.219
    LVSI
     阴性 1.03 ± 0.14 0.64 ± 0.01 7.32(4.00~87.85) 0.26 ± 0.07 0.91 ± 0.18 0.73 ± 0.05
     阳性 0.93 ± 0.13 0.59 ± 0.08 10.2(4.96~56.95) 0.21 ± 0.08 0.75 ± 0.16 0.71 ± 0.05
    t/U 4.233 1.938 2.755 3.981 4.520 1.742
    P 0.018* 0.065 0.039* 0.017* 0.002* 0.051
      *P < 0.05。
    下载: 导出CSV

    表  2  DWI模型得出的单个和组合参数在预测EC肿瘤分级和LVSI中的诊断性能

    Table  2.   Diagnostic performance of individual and combined parameters derived from DWI models in predicting EC tumor grade and LVSI

    参数截止值AUCP敏感度(%)特异度(%)
    肿瘤分级
     ADC ≤ 0.945 0.862 < 0.001* 83.3 83.7
     D ≤ 0.619 0.848 < 0.001* 94.4 58.1
     f ≤ 0.233 0.699 0.005* 83.3 65.1
     DDC ≤ 0.821 0.882 < 0.001* 88.9 79.1
    联合f和DDC 0.895 < 0.001* 88.9 79.1
    LVSI
     ADC(×10−3 mm2/s) ≤ 0.922 0.686 0.019* 58.8 81.8
     D*(×10−3 mm2/s) > 5.805 0.671 0.017* 94.1 40.9
     f ≤ 0.203 0.711 0.007* 58.8 77.3
     DDC ≤ 0.931 0.759 < 0.001* 88.2 54.6
    联合f和DDC 0.797 < 0.001* 76.5 70.5
      *P < 0.05。
    下载: 导出CSV

    表  3  多元Logistic回归模型确定EC肿瘤分级和LVSI相关DWI模型参数

    Table  3.   Multivariate Logistic regression model to determine EC tumor grade and LVSI related DWI model parameters

    参数OR95 %CIP方差膨胀因子a模型拟合
    肿瘤分级
    常量0.9040.325~1.8420.129
    f0.0010~0.7200.0441.029
    DDC0.0010~0.007< 0.001*1.029
    LVSI
    常量0.8230.394~1.4380.321
    f0.0010~0.3360.030*1.029
    DDC0.0040~0.2140.006*1.029
      a方差膨胀因子小于5,表明回归模型不存在多重共线性。*P < 0.05。
    下载: 导出CSV
  • [1] 王成艳. 子宫内膜癌组织学分型和淋巴脉管间隙浸润的多模态MR成像研究进展[J]. 临床放射学杂志,2020,39(9):1885-1889.
    [2] 蓝喜,何文雯,郑成军,等. Ⅱ型子宫内膜癌预后因素的COX回归分析[J]. 昆明医科大学学报,2020,41(7):160-164. doi: 10.3969/j.issn.1003-4706.2020.07.032
    [3] Daix M,Angeles M A,Migliorelli F,et al. Concordance between preoperative ESMO-ESGO-ESTRO risk classification and final histology in early-stage endometrial cancer[J]. J Gynecol Oncol,2021,32(4):48. doi: 10.3802/jgo.2021.32.e48
    [4] 郝建成,孙丽娟,郝金钢. 乳腺结节状病变的MRI诊断[J]. 昆明医科大学学报,2021,42(10):127-131. doi: 10.12259/j.issn.2095-610X.S20211007
    [5] Lin M,Yu X,Chen Y,et al. Contribution of mono-exponential,bi-exponential and stretched exponential model-based diffusion-weighted MR imaging in the diagnosis and differentiation of uterine cervical carcinoma[J]. Eur Radiol,2017,27(6):2400-2410. doi: 10.1007/s00330-016-4596-8
    [6] Wang Y,Hu D,Yu H,et al. Comparison of the diagnostic value of monoexponential,biexponential,and stretched exponential diffusion-weighted MRI in differentiating tumor stage and histological grade of bladder cancer[J]. Acad Radiol,2019,26(2):239-246. doi: 10.1016/j.acra.2018.04.016
    [7] Lin L,Xue Y,Duan Q,et al. Grading meningiomas using mono-exponential,bi-exponential and stretched exponential model-based diffusion-weighted MR imaging[J]. Clin Radiol,2019,74(8):15-23.
    [8] 张箭,薛旭涛,刘燕,等. 肿瘤全域ADC直方图在鉴别子宫内膜癌组织级别中的应用[J]. 临床放射学杂志,2019,38(4):678-683.
    [9] 范婵媛,闵祥德,方俊华,等. 基于ADC图的纹理分析在低,高级别前列腺癌诊断中的价值[J]. 中华放射学杂志,2019,53(10):859-863. doi: 10.3760/cma.j.issn.1005-1201.2019.10.013
    [10] Yue W,Meng N,Wang J,et al. Comparative analysis of the value of diffusion kurtosis imaging and diffusion-weighted imaging in evaluating the histological features of endometrial cancer[J]. Cancer Imaging,2019,19(1):9. doi: 10.1186/s40644-019-0196-6
    [11] Thieme S F,Collettini F,Sehouli J,et al. Preoperative evaluation of myometrial invasion in endometrial carcinoma:Prospective intra-individual comparison of magnetic resonance volumetry,diffusion-weighted and dynamic contrast-enhanced magnetic resonance imaging[J]. Anticancer Res,2018,38(8):4813-4817. doi: 10.21873/anticanres.12791
    [12] Lavaud P,Fedida B,Canlorbe G,et al. Preoperative MR imaging for ESMO-ESGO-ESTRO classification of endometrial cancer[J]. Diagn Interv Imaging,2018,99(6):387-396. doi: 10.1016/j.diii.2018.01.010
    [13] Wang F,Wang Y,Zhou Y,et al. Comparison between types I and II epithelial ovarian cancer using histogram analysis of monoexponential,biexponential,and stretched-exponential diffusion models[J]. J Magn Reson Imaging,2017,46(6):1797-1809. doi: 10.1002/jmri.25722
    [14] Yabuuchi H,Kamitani T,Sagiyama K,et al. Characterization of parotid gland tumors:Added value of permeability MR imaging to DWI and DCE-MRI[J]. Eur Radiol,2020,30(12):6402-6412. doi: 10.1007/s00330-020-07004-3
    [15] Gurney Champion O J,Klaassen R,Froeling M,et al. Comparison of six fit algorithms for the intra-voxel incoherent motion model of diffusion-weighted magnetic resonance imaging data of pancreatic cancer patients[J]. PloS One,2018,13(4):0194590.
    [16] Liang C Y,Chen M D,Zhao X X,et al. Multiple mathematical models of diffusion-weighted magnetic resonance imaging combined with prognostic factors for assessing the response to neoadjuvant chemotherapy and radiation therapy in locally advanced rectal cancer[J]. Eur J Radiol,2019,110(5):249-255.
  • [1] 张正, 杨艳红, 冯再辉, 詹路江, 普金仙, 段茜婷.  高场强MRIT1灌注成像联合DWI成像在评估乳腺癌新辅助化疗疗效中的价值, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20240722
    [2] 张莺, 罗相如, 王星, 赵盼, 廉坤, 李元琴, 邵明琨.  基底膜蛋白表达对子宫内膜癌及其免疫浸润的关系分析, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20241209
    [3] 白云, 钟兰萍, 张婷婷, 吴月蓉, 李蕾.  反复胚胎种植失败人群母体全身因素对子宫内膜种植窗影响分析, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20220701
    [4] 杨文雨, 周丽坤, 唐艳, 张卫平.  急性脑血管病诊断中磁共振扩散加权成像与动脉自旋标记的应用价值, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20220413
    [5] 肖金宝, 赵骏达, 马俊旗.  两种雌孕激素序贯疗法对宫腔粘连术后子宫内膜及预后的影响, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20210715
    [6] 龚霞蓉, 边立功, 陈渝晖, 陈婧, 王波, 毕国力.  扩散峰度成像技术检测急性期癫痫大鼠模型的成像改变, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20210405
    [7] 曹凡, 刘阳文, 魏雷, 谢楠, 杨裔坚, 钱程, 李春满, 付必莽, 胥江品, 阎容稷, 曾汪.  乙型肝炎病毒与肝细胞癌微血管侵犯的相关性, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20210331
    [8] 蓝喜, 何文雯, 郑成军, 徐文生, 徐红, 范江涛, 蒙玉刚, 况燕, 林汇斯.  Ⅱ型子宫内膜癌预后因素的COX回归分析, 昆明医科大学学报.
    [9] 苏旭, 钟卫华, 周贵.  智能医疗策略下子宫内膜癌患者术中冰冻切片MDT模式效果, 昆明医科大学学报.
    [10] 刘庆荣, 宋向菁, 王建兰, 万玉, 雷文涛, 李翠花.  宫腔镜对子宫内膜息肉因素不孕症的诊断, 昆明医科大学学报.
    [11] 丁丽君, 田洁, 李晓兰.  LAPTM4B在子宫内膜癌组织中表达及临床意义, 昆明医科大学学报.
    [12] 任旭, 王沂峰, 戴丽冰.  子宫内膜异位症SCID小鼠动物模型的构建, 昆明医科大学学报.
    [13] 雷玉英, 高洁, 王饶祥, 钏莉雪, 郝金钢.  弥散加权成像在膀胱癌诊断的价值, 昆明医科大学学报.
    [14] 鲁晓东, 卢房利, 段钊, 杜联江.  TTF-1和PTEN基因在子宫内膜癌早期病变中的表达意义, 昆明医科大学学报.
    [15] 党勇, 段钊.  CT联合MRI子宫内膜癌分期诊断与术后VEGF-C水平观察, 昆明医科大学学报.
    [16] 赵霞.  腹腔镜与孕三烯酮联合对卵巢子宫内膜异位囊肿的疗效及预后, 昆明医科大学学报.
    [17] 黄振华, 石鑫, 王辉涛, 张劲松, 王光, 郝金刚, 刘建和.  磁共振弥散加权成像在膀胱癌T分期的应用价值, 昆明医科大学学报.
    [18] 李卓琳.  扩散加权成像在局部进展期乳腺癌新辅助化疗疗效评估的价值, 昆明医科大学学报.
    [19] 桂琦.  血清中脂肪因子Apelin、Vaspin、瘦素与子宫内膜癌的相关性, 昆明医科大学学报.
    [20] 马菊香.  影响介入性超声治疗卵巢子宫内膜异位囊肿复发率的多因素分析, 昆明医科大学学报.
  • 期刊类型引用(1)

    1. 于松涛,张利姣. 子宫内膜癌腹腔镜术后预后不良患者的NLR等指标变化及其相关影响因素分析. 航空航天医学杂志. 2024(12): 1432-1434 . 百度学术

    其他类型引用(2)

  • 加载中
图(2) / 表(3)
计量
  • 文章访问数:  3965
  • HTML全文浏览量:  1761
  • PDF下载量:  94
  • 被引次数: 3
出版历程
  • 收稿日期:  2022-01-01
  • 网络出版日期:  2022-03-15
  • 刊出日期:  2022-04-25

目录

/

返回文章
返回