放射性稳定性表明良性的固体不确定结节:基于结节体积密度直方图的峰度和偏度的ct图像纹理分析

摘要

背景。使用影像学方法诊断其他胸廓或胸廓外疾病时偶然发现肺结节的病例越来越多，这提示需要深入的影像学分析来确定结节类型，避免不必要的侵入性手术。目标。本研究评估了通过计算断层扫描（CT）图像的纹理分析的放射线稳定性，提出了良性稳定性的固体不确定结节。方法。共评估100例胸部CT扫描，其中SINRSBs 50例，恶性结节50例。使用相同的非对比增强CT协议和设备进行SINRSB CT扫描;恶性结节数据来源于多个数据库。这些测试的峰度(KUR)和偏度(SKW)值的每个结节的整个体积，并将直方图分为两种基本模式:高峰或高原。结果。SINRSBs和恶性结节的KUR平均值(MEN)分别为3.37±3.88和5.88±5.11。ROC曲线显示，KUR值>6区分sinrbs与恶性结节的敏感性和特异性分别为65%和66%，曲线下面积(AUC)为0.709 ( ）。SINRSBs和恶性结节的MEN SKW值分别为1.73±0.94和2.07±1.01。ROC曲线显示，SKW值>3.1时区分恶性结节与sinrbs的敏感性和特异性分别为65%和66%，AUC为0.709 ( ）。峰值和平台直方图的分析显示敏感性、特异性和准确性分别为84%、74%和79%。结论。KUR、SKW和直方图形状有助于无创伤性诊断sinrbs，但不应单独使用或不考虑临床数据。

1.介绍

吸烟是全球最可预防的死亡原因，其次是癌症和心血管疾病。许多病例系列都认为肺癌是癌症死亡的主要原因[1]．幸运的是，计算机断层扫描(CT)和新推荐的低剂量CT筛查的增加促进了新病例的发现，并有助于降低死亡率[2]．

孤立性肺结节(SPNs)为≤3cm的包块，周围为正常组织。spn通常无症状，是胸部或上腹部影像学结果的偶然发现[3.，4]．事实上，许多疾病都可能以结节状出现，包括感染如结核病、良性肿块(如错构瘤)和恶性肿瘤(如原发性或转移性肺癌)。不幸的是，这些结节中有很大一部分是不确定的，其密度介于脂肪和钙之间[3.，5]．对于此类结节，临床稳定性标准和肿瘤危险因素对诊断和治疗尤为重要。根据Fleischner Society的建议，需要至少2年的ct随访研究，且无明显变化，才能将结节定性为良性[3.- - - - - -5]．

国际指南建议，外周肺结节的诊断调查可以通过有创经胸活检技术(如ct引导经胸穿刺)和支气管镜技术进行[6，7]．内窥镜技术对诊断周围(也为良性)病变非常有用，特别是在采用新的导航方法(如超声内窥镜径向探头、电磁导航支气管镜等)以及存在特定预测成功因素(如CT支气管征)时[8]．不幸的是，细针穿刺活检怀疑良性结节的敏感性和特异性相对较低，因为这种方法往往不能达到良性过程的病因诊断;此外，它会产生技术上的困难和并发症，特别是对于位于肺实质深处的小结节[9]．因此，需要利用三维成像技术建立新的肺结节评价方法，通过分析CT成像获得的直方图数据，更深入地分析肺结节的纹理特征[10]．

随着CT的开始，通过其最大直径可以更准确地观察到结节的生长。虽然测量结节直径似乎足够了，而且是常用的，但它不能确定结节在其数个轴上的空间生长，这可能会导致对保持其直径在内的结节的混淆和轴，但在垂直于其他轴的轴[11]．一些研究表明，结节感兴趣区(ROI)薄CT切片(约1mm)可通过体积测量确定其生长[12，13]．然而，体积并不是测量的唯一参数，因为纹理可以通过使用或不使用对比剂来评估[14]．

在临床实践中，通过界定图像内的大致圆形或椭圆形区域（即ROI），经常和简要地进行密度的评估。最简单的纹理分析形式之一是使用一阶灰度级别统计信息，其根据定义使用像素（体素）的体积版本，一次。由厚度掺入像素的体素的三维结构提供了有关放射学密度的信息，从而实现其研究[15，16]．最近的一项研究分析了60组CT，证明了SPN的结构异质性，认为这种计算方法在鉴别恶性结节和良性结节时很有用[17]．除了均值(MEN)，其他与一阶灰度级相对应的纹理统计数据，如峰度(KUR)和偏度(SKW)，在临床实践中很少使用，可以在整个肺结节体积中进行研究[18，19]．因此，本研究通过CT图像的纹理分析评估放射性稳定性提示良性的实性不确定结节(sinrbs)。

2。材料和方法

回顾性分析两个图像数据库共50例SINRSBs CT扫描和50例恶性结节CT扫描。本机构研究伦理委员会批准了编号为CAAE-36881414.1.0000.5259的方案，本机构的程序符合当前的国家和国际标准。

2．1．CT-Scan-Acquisition协议

CT扫描是在我们的机构（Rio de Janeiro，Rio de Janeiro，Brazil）的大学医院佩德罗埃纳斯托，使用螺旋采集装置（Hispeed LX;一般电动医疗系统，密尔沃基，Wi，USA）。使用以下参数沿着轴向平面进行轴向平面进行，使用以下参数：120kV，100-200 mA（根据患者的生物型变化），自动曝光控制，切片厚度为1毫米并且在完全启发的杂志凹口距杂草凹口2毫米的间距。龙门石倾斜43厘米。在任何检查期间，施用不静脉内对比度。在扫描获取之后，使用标准软组织内核重建CT图像。此外，使用高频算法进行512×512点的矩阵的高分辨率重建，窗口宽度为1,500胡锦涛，男性中心等级为-700胡。

2．2．数据库

SINRSB图像数据库包括50例在我所接受治疗的患者的CT扫描，这些患者在至少3年的观察后表现为固体spn，满足稳定性标准(最小体积变化和体积倍增时间> 2000天)。排除以下特征的扫描:提示良性结节(全、中央、板层状或爆米花状钙化)和提示恶性结节(针状、分叶状或高度不规则);结节伴全部或部分磨玻璃影;多于一个结节的扫描;以及不包括厚度在0.90 - 1.25 mm之间的结节ROI的扫描。

恶性结节的图像数据库包括50张CT扫描，经侵袭性方法和组织病理学确诊。这些图像来自两个数据库，包括本机构的数据库，以及由癌症影像资料库(https://www.cancerimagingarchive.net)，该服务器由Siemens Healthcare™维护，其中包括来自身份不明患者的数据。癌症影像档案是一个旨在为图像处理方法的研究和开发提供数据的平台。CT扫描以可下载的DICOM格式提供，该门户提供包含各种图像采集信息的电子表格。为了保持放射组学的健壮性，我们选择了与我们机构数据库配置相似的CT扫描(包括CT模式、无增强、断面厚度在0.9 - 1.25 mm之间、512 × 512点矩阵和软组织重建核)。

2．3.分割与成像处理

图像被量化为12位(即相当于12个灰度级)[15]，后来以DICOM格式存储。数字数据被转移到Bebúi软件(Maranhão, São Luis, MA，巴西联邦大学技术中心)，在那里，基于ROI的放射学特征提取是使用内部纹理分析算法完成的。使用Bebúi软件对这些图像进行评估，由受过奖学金培训的读者(B.M.B.和r.a.n分别有14年和20年的经验)进行评估。采用半自动化的方法，在结节内仔细绘制ROI，避免与边缘接触。该软件提供的工具可以数字化地减去与结节体积相对应的所有切片上的血管、支气管、纤维化疤痕和其他不属于结节的结构。该软件还显示了通过“种子”安装的区域生长处理和分割算法，以生成具有体积和直方图数据的结节数据库。在此过程中，如果在最大尺寸的图像上注意到运动、对比度条纹或光束硬化伪影，则选择另一个显示病变的“无伪影”图像。

使用软件的对话框，间隔以亨斯菲尔德单位(HUs)定义，在−450和+1500之间。种子体素被放置在使用3D区域生长算法分析邻近体素的结节中[17]，以根据对话框中确定的对比度间隔和切片数量进行包含。基于二维坐标自动显示种子在切片中的位置和 ．

SPN分割后，提取每个结节的放射组学特征，包括一阶统计来评估CT或体素值的分布。使用CT扫描，确定每个结节的整个体积的KUR和SKW。根据定义，KUR是频率分布的特性，其特征是相对于高斯曲线的扁平化(即，它决定了分布曲线的扁平化程度)[18]．因此，KUR测量值分布的峰值，被认为是血管和肿瘤血管生成的标志，而血管生成又是决定肿瘤侵袭性和总体生存率的重要因素[19]．高KUR与几个异常值有关，而低KUR表明缺乏异常值[18，19]．当中心点周围的值分布是精确的(即MEN、中值和模式重合)时，给定的曲线是对称的。偏离对称性的度量为SKW，表示体素强度分布的不对称性[18]．

KUR在数学上被定义为统计分布的第四矩，不像作为标准偏差，不应该被认为是离散的度量;相反，它是一种分销模式。KUR是一种不影响方差(VAR)的大规模运动。正KUR的特征是存在一个带有重尾的峰值，而负KUR的特征是较轻的尾和一个比正态分布更平坦的峰值[20.]．

KUR和SKW的计算公式如下:

其中KUR =峰度，SKW =偏度，VAR =方差，MEN =均值，HU = Hounsfield单位。

此外，使用CT扫描来评估直方图和获取关于SPN纹理模式的数据。因此，使用Python的Matplotlib工具生成可移植网络图形(PNG)文件(https://www.matplotlib.org）。

使用Bebúi软件，将获得的图像与25张回顾性分割图像的观察者间可靠性进行比较，以便由两个独立的读者(B.M.B.和R.A.N.)盲法提取基于roi的形态学特征。这些阅读器在没有前端的情况下对图像进行分割并处理KUR和SKW的直方图数据。半自动计算过程最大限度地减少了各种直方图数据处理事件中的人工干预。

2.4。统计分析

采用SPSS 16 (Chicago, IL, USA)软件进行统计分析，自动生成受试者工作特征(ROC)曲线，通过建立检验变量和状态变量计算最佳截断点。对直方图进行了分析，并将其分成两种模式:(1)峰值模式(即尖峰型)，其中数据是对称的或歪斜的，但主要是值的增加;(2)平顶型(即平顶型)，在平顶型中，MEN分布在有规律的区间内，数据没有突然增加。采用类间相关系数(inter - class correlation coefficients, ICC)来研究放射学特征的可靠性，如果ICC≥0.85，则认为可以接受[21]．统计学意义为 ．

3.结果

KUR和SKW的观察者间信度较高(ICCs分别为0.87±0.10和0.91±0.12)。然而，对于提取用于分析的数据，我们使用了双方同意的数据。

50例SINRSBs和恶性结节的MEN KUR分别为3.37±3.88和5.88±5.11。ROC曲线显示，当KUR >6时，区分恶性结节和sinrbs的敏感性和特异性分别为65%和66%，曲线下面积(AUC)为0.709和(图1）。

50个SINRSB和恶性结节的男性SPW分别为1.73±0.94和2.07±1.01。ROC曲线使得建立了最适合SKW的灵敏度和特异性值的截止点，其中3.1是恶性结节和SINRSBS的截止点。该值与62.7％的敏感性相关，特异性为69％，AUC为0.705（ ）以区分恶性结节和sinrbs(图2）。

此外，对峰值和平台模式进行了直方图分析。SINRSBs和恶性结节的典型特征如图所示3.．50例恶性结节中，高峰型42例，高原型8例。而在50个sinrbs中，37个呈现高原型，只有13个呈现峰值型。峰值和平台模式之间的直方图分析显示敏感性为84%，特异性为74%，准确性为79%。

4.讨论

本研究显示，使用易于使用的软件对sinrbs患者的CT图像进行纹理分析有助于评估病变的性质。KUR、SKW和直方图模式的图形分析可能有助于区分这些患者的sinrbs和恶性结节。

放射组学(利用医学图像提取计算机化的、基于算法的特征，以量化病变的表型特征的研究)[22，23]已经被用来构建将图像特征与肿瘤特征联系起来的预测模型。它的四个定量描述特征是形态的、统计的、区域的和基于模型的[23]．最近的几项研究使用KUR和SKW作为各种目的的诊断指标，包括分析丙型肝炎病毒感染导致的肝纤维化[24]，中枢神经系统伤害肿瘤分化[25]，因接触一氧化碳而引致的黑质损害[26]、胰腺肿瘤类型分化[27，28，以及宫颈癌患者代谢模式与几种类型病变之间的关系[29]．Son等人[30.]收集了肺组织的层析测量数据，包括与有或无实性成分的磨玻璃结节相关的KUR和SKW值。这些作者发现，统计分析是鉴别侵袭性腺癌、侵袭前腺癌和微创腺癌的有用工具。最近，Yagi等人[31]进行了一项类似的研究，证实了该方法鉴别微创腺癌和侵袭性腺癌的潜力[31]．

鉴于肺癌的高发病率和死亡率，区分良恶性结节至关重要[22]．Alpert等[32]评估结节呈lepidic模式。在该研究中，三维容积法和一级灰层统计法在鉴别浸润性肺腺癌与lepidic病变时的敏感性为81%，特异性为76.7%。在另一项研究中，Kamiya等人[33]检查实性结节的KUR和SKW，以鉴别良恶性结节。与我们的结果相似，这些作者注意到KUR在恶性结节中往往高于良性结节。ROC曲线的AUC值在0.71 ~ 0.83之间，与我们的研究结果相似。

构成图像的CT像素或体素是x射线束穿过一小部分活体组织时衰减的结果[2，10]．不同衰减的行为被用来构建直方图，其研究只是在区分sinrbs与恶性结节的过程中的又一步，而不忽略最初的外观(针状体、小叶、MEN直径和内脏胸膜收缩)，当结合放射科医生的经验和临床数据的支持，有助于确定可能的恶性肿瘤。如果疑点持续存在，结节分类为不确定，则建议进行体积监测，并确定体积加倍时间[2- - - - - -4]．在这种情况下，不使用造影剂的直方图可能是有用的，特别是对于那些具有阻止使用放射性造影剂和阻碍随访评估的特征的患者。有趣的是，我们研究中呈现的直方图显示，恶性结节呈针状分布，范围为0 ~ 100 HU，与软组织等主要蛋白组织的分布范围相对应。

本研究发现KUR和SKW可用于区分SINRSBs与恶性良性结节。然而，由于敏感性和特异性值接近65%，KUR和SKW不应单独使用;相反，它们应该与其他参数相结合。因此，容量评估和容量倍增时间仍然是评价不确定肺结节的关键因素[34，35]．最近，Mao等人[23]评估了从基线低剂量CT筛查发展起来的放射学预测模型的有效性。这些作者观察到SPNs预测恶性肿瘤的敏感性和特异性分别为81%和92.2%。在该研究中，良性结节的SKW大于恶性结节，KUR小于恶性结节。

为了有效数据处理，有必要开发一个特定的工具，除了帮助使用Matplotlib工具的Kur和SKW计算Kur和SKW的计算，除了Python的Matplotlib工具。因此，可以分离峰值和高原模式。除了计算的KUR和SKW之外，这两种模式的直方图的图形外观有助于将结节分化为SINRSBS组和恶性结节，精度为79％。在该方法鉴定恶性病变的可行贡献，敏感性和特异性值令人鼓舞。However, it remains possible that the high protein level of the malignant nodules is related to increased protein synthesis by the cells (i.e., the small tissue portion that corresponds to a voxel in the image might also correspond to a group of cells with high protein synthesis). In this respect, positron emission tomography (PET) has demonstrated greater metabolic activity with protein synthesis in malignant lesions.

显然，良性结节可以表现出高密度的组织质量（例如，脂肪）和大容量钙化（例如，Hamartomas），从而产生Hu Peaks。然而，因为本研究中的结节是不确定和稳定的，所以它们的组合物可能更均匀，并且细胞中的富含材料较少。当然，这种发现并不表明这些结节不会在更长的时间内经历更慢的变化[36]．有趣的是，最近的研究表明，使用具有放射学特征的像素值分布来估计肿瘤异质性，可以作为该患者群体中肿瘤侵袭性和治疗反应的标志物[37，38]．特别是，KUR可能有助于预测和评估肺癌患者对抗血管生成治疗的反应[19]．最近，Digumarthy等人[19表明放射组学评估增加了一个人的临床病史和标准影像学特征在预测组织学(例如，区分非小细胞肺癌的鳞状癌和腺癌亚型)和表皮生长因子受体突变方面的价值。

我们的研究的一个优势是，我们相信它是第一个显示SINRSBs和恶性肺结节之间的直方图模式的差异，可能有助于这些病变的ct研究。然而，与其他任何研究一样，我们的研究也有局限性。首先，样本量相对较小，尽管严格的影像学标准用于排除特征性的良性和恶性病变，仅评估不确定的肺结节，但样本量的大小是合理的。其次，良性结节无组织学诊断，仅根据稳定性标准在放射水平上作出诊断;因此，我们选择将这些情况称为“SINRSB”。第三，放射组学的再现性可能取决于数据量和用于生成图像的参数的一致性;因此，成像数据集的微小变化会极大地影响放射组特征的鲁棒性[23，39]．在我们的研究中，SINRSB数据包括一个单一的图像数据库，而恶性结节数据集包括多个在随访设置之外获得的图像数据库。尽管胸部CT方案可能会影响放射组学结果，但重要的是，目前还没有评估SPN放射组学的标准化方案推荐，这限制了我们比较研究的能力，并影响了放射组学分析的普遍化[39]．尽管有这些局限性，我们相信我们的结果证明了使用CT图像纹理分析进行额外的研究是合理的，特别是在峰和平台模式方面。

综上所述，本研究表明KUR、SKW和直方图的一般表现有助于SINRSBs和恶性结节的无创诊断。然而，这些特征不应单独使用或不考虑临床资料。

缩写

AUC:	曲线下面积
国际刑事法庭:	组内相关系数
CT:	计算机断层扫描
DICOM：	医学数字成像通信
胡：	Hounsfield单位
科尔:	峰度
男人:	的意思是
宠物:	正电子发射断层扫描
PNG:	便携式网络图形
中华民国:	接受者操作特性
投资回报:	感兴趣的区域
SINRSB:	不确定的实性结节，放射稳定性提示良性
SKW:	偏态
SPN):	孤独的肺结节
VAR:	方差。

数据可用性

用于支持当前研究结果的数据可根据要求从通讯作者处获得。

的利益冲突

作者声明他们没有利益冲突。

作者的贡献

Bruno Max Borguezan、Agnaldo José Lopes、Eduardo Haruo Saito、Claudio Higa、Aristófanes Corrêa Silva和Rodolfo Acatauassú Nunes对研究设计、数据分析和解释以及手稿的撰写做出了重大贡献。

致谢

Conselho Nacional de DesenvolvimentoCientíficoeTecnológico（CNPQ，＃304625/2016-7）和FundaçãoCarlosChagasFilhodeAmparoàPesquisado Estado Do Rio de Janeiro（Faperj，＃E-26 / 202.679 / 2018）部分资助了这项研究。

参考文献

1. F. R. Hirsch，G.V.V.Scagliotti，J.L.Mulshine等，“肺癌：当前疗法和新的有针对性的治疗”《柳叶刀》，第389卷，第2期。10066, pp. 299-311, 2017。视图:出版商的网站|谷歌学术搜索
2. 国家肺筛查试验研究小组，D. R. Aberle, A. M. Adams等，“低剂量计算机断层扫描筛查降低肺癌死亡率，”新英格兰医学杂志，第365卷，第2期5, pp. 395-409, 2011。视图:谷歌学术搜索
3. C. J. Álvarez Martínez, G. Bastarrika Alemañ， C. Disdier Vicente等，“孤立性肺结节治疗指南”，Archivos de Bronconeumologia，第50卷，第5期。7、pp. 285-293, 2014。视图:出版商的网站|谷歌学术搜索
4. S. Quadrelli, G. Lyons, H. Colt, D. Chimondeguy，和A. Buero，“偶然发现的肺癌的临床特征和预后，”国际外科肿瘤学杂志， 2015年第1期，文章编号287604,6页，2015年。视图:出版商的网站|谷歌学术搜索
5. S. Shinohara, T. Hanagiri, M. Takenaka等，“美国胸科医师学会(ACCP)循证临床实践指南中根据恶性概率评估未诊断的孤立性肺结节”，放射学和肿瘤学，第48卷，第48期1, pp. 50-55, 2014。视图:出版商的网站|谷歌学术搜索
6. M. P. Rivera, A. C. Mehta, M. M. Wahidi，“建立肺癌的诊断:肺癌的诊断和管理，第三版:美国胸科医师学会循证临床实践指南，”胸部， vol. 43, no . 5, pp. e143s - e165s, 2013。视图:出版商的网站|谷歌学术搜索
7. M. K. Gould, J. Donington, W. R. Lynch等人，“肺结节患者的评估:什么时候是肺癌?肺癌的诊断和管理，第三版:美国胸科医师学会循证临床实践指南，”胸部，第143卷，增刊。5, pp. 934 - 942, 2013。视图:出版商的网站|谷歌学术搜索
8. M. Mondoni, G. Sotgiu, M. Bonifazi等，“经支气管针吸治疗周围性肺病变:系统综述和荟萃分析，”欧洲呼吸杂志，第48卷，第48期1, pp. 196-204, 2016。视图:出版商的网站|谷歌学术搜索
9. N. Tomiyama, Y. Yasuhara, Y. Nakajima等，“ct引导下肺病变穿刺活检:基于日本9783例活检的严重并发症调查”，欧洲放射学杂志，第59卷，第59期1，页60-64,2006。视图:出版商的网站|谷歌学术搜索
10. 王俊杰，吴海峰，孙涛等，“基于曲波结构特征和临床参数的孤立性肺结节预测模型，”亚太癌症预防杂志第14卷第2期10, pp. 6019-6023, 2013。视图:出版商的网站|谷歌学术搜索
11. Wang y, G. H. de Bock, R. J. van Klaveren等，“低剂量胸部CT肺结节体积测量:重建设置对测量变异性的影响，”欧洲放射学，第20卷，第2期。5, pp. 1180-1187, 2010。视图:出版商的网站|谷歌学术搜索
12. S. M. Barros Netto, A. Corrêa Silva, H. Lopes, A. Cardoso de Paiva, R. Acatauassú Nunes，和M. Gattass，“用于肺部病变的时间分析和分类的统计工具，”生物医学的计算机方法和程序， vol. 142, pp. 55-72, 2017。视图:出版商的网站|谷歌学术搜索
13. I. Petkovska, M. S. Brown, J. G. Goldin等，“CT上肺体积对结节大小的影响”放射学学术第14卷第2期4，第476-485页，2007。视图:出版商的网站|谷歌学术搜索
14. S. J. Swensen, R. W. Viggiano, D. E. Midthun等，“CT肺结节增强:多中心研究，”放射学第214卷第2期1，页73 - 80,2000。视图:出版商的网站|谷歌学术搜索
15. R.冈萨雷斯和R. E.伍兹，数字图像处理， Addison-Wesley, Reading, MA, USA，第三版，1992。
16. j·r·帕克,图像处理和计算机视觉算法， John Wiley & Sons, Hoboken, NJ，第二版，1997。
17. M. Nishio, C. Nagashima，“肺癌的计算机辅助诊断:结节异质性的有效性”，放射学学术，第24卷，第2期3，第328-336页，2017。视图:出版商的网站|谷歌学术搜索
18. G. Casella和R. Berger，统计推断， Thomson Learning, Pacific Grove, CA，第二版，2010。
19. S. R. Digumarthy，A.M.Padole，R.L.Gullo，L.G.V.序列和M.K. Kalra，CT在NSCLC中的CT射线分析预测组织学和EGFR突变状态？“医学(巴尔的摩)第98卷第1期1, p. 13963, 2019。视图:出版商的网站|谷歌学术搜索
20. L.T. Decarlo，“关于刚性病的意义和使用，”心理的方法，第2卷，第2期3，第292-307页，1997。视图:出版商的网站|谷歌学术搜索
21. l . I.-K。Lin，“一个一致性相关系数来评估重现性，”生物识别技术第45卷第5期1，页255-268,1989。视图:出版商的网站|谷歌学术搜索
22. S. R. Digumarthy, A. M. Padole, S. Rastogi等，“预测亚实性结节的恶性潜力:放射组学是否能抢先纵向随访CT?”癌症成像第19卷第2期1，第36页，2019。视图:出版商的网站|谷歌学术搜索
23. Mao L.， H. Chen, M. Liang, et al.，“定量放射学模型用于预测低剂量CT筛查发现的小实性肺结节的恶性”，定量成像在内科和外科，第9卷，第5期。2，页263-272,2019。视图:出版商的网站|谷歌学术搜索
24. M. G. Lubner, D. Jones, J. Kloke, A. Said, P. J. Pickhardt，“丙型肝炎病毒患者肝脏纤维化的CT纹理分析”，英国放射学杂志文章编号20180153,2018。视图:出版商的网站|谷歌学术搜索
25. 王伟，“应用扩散系数直方图鉴别儿童髓母细胞瘤和毛细胞性星形细胞瘤”，医学科学监控， vol. 24, pp. 6107-6112, 2018。视图:出版商的网站|谷歌学术搜索
26. M.-C。周,林志信。赖,J.-Y。Li，“急性一氧化碳中毒患者早期白质损伤与多巴胺转运体功能障碍相关:扩散峰度成像和Tc-99m TRODAT-1 SPECT研究”欧洲放射学，第29卷，第2期3, pp. 1375-1383, 2019。视图:出版商的网站|谷歌学术搜索
27. “非典型胰腺神经内分泌肿瘤与胰腺导管腺癌的鉴别:使用全肿瘤CT纹理分析作为定量生物标记物”，癌症医学，第7卷，第5期10，第4924-4931页，2018。视图:出版商的网站|谷歌学术搜索
28. “胰腺癌的CT纹理分析”欧洲放射学，第29卷，第2期3，第1067-1073页，2019。视图:出版商的网站|谷歌学术搜索
29. H. J. Meyer, S. Purz, O. Sabri, and A. Surov，“宫颈癌:代谢参数与来自同步18F-FDG-PET/MRI的全病变直方图分析之间的关系”，造影剂与分子成像文章编号5063285,8页，2018。视图:出版商的网站|谷歌学术搜索
30. J. Y. Son, H. Y. Lee, K. S. Lee等，“肺磨玻璃影结节的定量CT分析用于鉴别侵袭性腺癌与侵袭前腺癌或微创腺癌，”《公共科学图书馆•综合》，第9卷，第5期。8、Article ID e104066, 2014。视图:谷歌学术搜索
31. T. Yagi, M. Yamazaki, R. Ohashi等，“纯或部分实性磨玻璃结节的HRCT纹理分析:原位腺癌或微创腺癌与侵袭性腺癌的区别，”日本放射学杂志，卷。36，不。2，pp。113-121,2018。视图:出版商的网站|谷歌学术搜索
32. J. B. Alpert, H. Rusinek, J. P. Ko等，“Lepidic主要肺部病变(LPL):使用3D体积密度和一阶CT纹理分析，基于CT与侵袭性更强的腺癌的区别，”放射学学术，第24卷，第2期12, pp. 1604-1611, 2017。视图:出版商的网站|谷歌学术搜索
33. A. Kamiya, S. Murayama, H. Kamiya, T. Yamashiro, Y. Oshiro, N. Tanaka，“实性肺结节密度直方图的峰度和偏度评估:CT上鉴别恶性结节与良性结节”，日本放射学杂志，第32卷，第2期1, 2014年。视图:出版商的网站|谷歌学术搜索
34. S. M. Barros Netto, A. C. Silva, R. A. Nunes, M. Gattass，“利用getis统计数据和累积形式作为恶性和良性指标分析计算机断层扫描中肺结节的方向性模式，”模式识别的字母第33卷第3期13, pp. 1734-1740, 2012。视图:出版商的网站|谷歌学术搜索
35. a . O. de Carvalho Filho, a . C. Silva, a . C. de Paiva, R. a . Nunes, M. Gattass，“基于形状分析、遗传算法和SVM的计算机断层扫描的肺结节计算机辅助诊断系统”，医学与生物工程与计算机，第55卷，第55期8，页1129-1146,2017。视图:出版商的网站|谷歌学术搜索
36. S. M. Netto, A. C. Silva, R. A. Nunes, M. Gattass，“用于治疗目的的CT肺部病变的基于体素的比较分析”，医学与生物工程与计算机，第55卷，第55期2, pp. 295-314, 2017。视图:出版商的网站|谷歌学术搜索
37. 范磊，方明，李振等，“放射组学特征:表现为毛玻璃结节的肺侵袭性腺癌术前鉴别的生物标志物，”欧洲放射学，第29卷，第2期2，第889-897页，2019。视图:出版商的网站|谷歌学术搜索
38. “ct放射组学在鉴别肺结节患者的无痛性肺腺癌和侵袭性肺腺癌中的预测价值”，欧洲放射学第28卷第2期12, pp. 5121-5128, 2018。视图:出版商的网站|谷歌学术搜索
39. 崔俊杰，李思敏，k - h。Do等，“基于深度学习的CT重建核图像转换提高了肺结节或肿块的放射组学再现性，”放射学第292期2, pp. 365-373, 2019。视图:出版商的网站|谷歌学术搜索

版权

版权所有©2019 Bruno Max Borguezan等。这是分布下的开放式访问文章知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。