论文部分内容阅读
第一部分高分辨率CT定量技术评估慢性阻塞性肺疾病的临床应用价值目的:利用高分辨率 CT(High-resolution computed tomography,HRCT)容积定量技术自动测量每个肺叶的低密度区容积百分比(low attenuation areas volume percentage,LA A%),所得定量参数与肺功能(pulmonary function test,PFT)各项参数进行相关性研究,从而综合评估慢性阻塞性肺疾病(Chronic obstructive pulmonary disease,COPD)患者肺功能损伤的严重程度,对临床制定诊疗方案提供有价值的影像支持。材料和方法:收集2015年12月至2016年12月期间经临床及肺功能检查确诊的COPD患者83例(所有患者均于7天内完成HRCT检查及肺功能检查)。所有病例都采用GE 64排Lightspeed VCT于深吸气末进行扫描,把HRCT原始数据传到后处理工作站GEadw4.6,系统设定吸气末CT阈值<-950HU为肺气肿区,运用CT后处理Parenchyma analysis软件自动得出以下参数:包括左肺下叶LAA%、左肺上叶LAA%、右肺上叶LAA%、右肺下叶LAA%、右肺中叶LAA%、双肺LAA%、右肺 LAA%、左肺 LAA%,总肺气肿体积(the total emphysema volume,TEV),总肺体积(Total Lung Volume,TLV)。本文主要采用的肺功能参数如下:第一秒用力呼气容积(forced expiratory volume in one second,FEV1)、第一秒用力呼气容积实测值和预计值的比值(FEV1%预测值)、用力肺活量(forced vital capacity,FVC)、FEV1与FVC的比值(FEV1/FVC)、呼气流量峰值(peak expiratory flow,PEF)、用力呼出 25%肺活量时呼气流量(forced expiratory flow at 25%of FVC exhaled,FEF25)、用力呼出 50%肺活量时呼气流量(forced expiratory flow at 50%of FVC exhaled,FEF50)、用力呼出 75%肺活量时呼气流量(forced expiratory flow at 75%of FVC exhaled,FEF75)、肺一氧化碳弥散量(diffusion capacity of carbon monoxide in the lung,DLCO)实测值占预计值百分比(DLCO%)、残总比即残气容积与肺总量的比值(RV/TLC)。本研究把肺功能参数和之前提到的CT定量化参数进行Spearman相关性研究。COPD不同分级间CT定量化参数的差异性分析应用单因素方差分析法(One-Way ANOVA),组间比较采用LSD检验。采用Kruskal-Wallis检验对COPD不同分级间FEV1/FVC、FEV1%预测值、BMI等进行比较分析。本研究统计学用SPSS20.0软件分析,p<0.05认为差异有统计学意义,p<0.01认为差异有显著统计学意义。结果:83例患者,年龄47～85岁,平均年龄66岁,性别均为男性,BMI指数13.3～28.1,吸烟者71例,不吸烟者12例,根据2017年COPD分级标准,该组病例中:GOLD1级8 例;GOLD2 级 33 例;GOLD3 级 27 例;GOLD 4 级 15 例。左肺下叶LAA%、左肺LAA%、右肺下叶LAA%、右肺LAA%、总肺LAA%与FEV1/FVC、FEV1、FEV1%预计值、FEF25、FEF50均有相关性,两肺下叶与PEF、FEF75也有相关性,两肺下叶LAA%与肺功能气流受限参数(FEV1、FEV1%预测值、FEV1/FVC、PEF、FEF50)呈显著相关。FEV1/FVC与TEV显著相关(r=0.759**,P<0.001)。TLV 与 TLC 显著相关(r=-0.355,**P=0.001)。DLCO%与两肺上叶LAA%有相关性(r=-0.473,P=0.026)。两肺下叶LAA%在GOLD1级与GOLD3级间差异有统计学意义,左肺下叶LAA%在GOLD 1和GOLD4级之间差异有统计学意义。除了右肺中叶LAA%外,其他各肺叶LAA%在GOLD2级与GOLD3级间差异均有统计学意义。总肺LAA%、左肺下叶LAA%、右肺上LAA%在GOLD2级与GOLD4级间差异有统计学意义。FEV1/FVC、FEV1%预测值在GOLD各组间差异有统计学意义。结论:两肺下叶LAA%与肺功能气流受限参数(FEV1、FEV1%预测值、FEV1/FVC、FEF50、PEF)均具有显著相关性,与RV/TLC、DLCO%无明显相关性。两肺上叶与DLCO%有相关性。因此提示不同肺叶LAA%可评估COPD病人肺功能的损伤部位和损伤严重情况,从而为临床制定不同治疗方案提供相关依据。第二部分高分辨率CT图像利用计算机后处理技术定性肺气肿亚型目的:通过计算机后处理技术为临床提供一种可重复、无偏倚、更精准的肺气肿亚型的自动识别方法,以深入认识肺气肿不同形态及不同病变程度,从而为临床医生在制定COPD患者的个性化治疗方案上提供了一种新的思路。材料和方法:采用GE64排LightspeedVCT于深吸气末进行全肺扫描,采集病例组(肺气肿典型病例)6例(每种亚型为主型各2例)及正常组6例,并将重建后数据导入ITK-SNAP软件,然后利用不同的颜色代表不同的肺气肿亚型及正常肺组织进而进行图像标注:正常的肺组织(Normaltissue,NT)使用红色标注,小叶中心型肺气肿(Centrilobular Emphysema,CLE)使用绿色标注,全小叶型肺气肿(Panlobular Emphysema,PLE)利用蓝色标注,间隔旁型肺气肿(Paraseptal Emphysema,PSE)利用黄色进行标注。在全部标注结束的病例组中每个病例随机取1000个不重叠的异常ROI(Region of interest),每个异常ROI都有一个对应的标签(label):包括CLE、PLE、PSE,采集总共6000个异常ROI。病例组中另外再取1000个不重叠的正常肺组织(Normaltissue,NT)ROI。正常组中随机取1000个不重叠的正常组织(NT)的ROI。病例组中从6000个异常ROI中每类肺气肿亚型(CLE,PSE,PLE)随机选1000个ROI,共3000个,加上正常组的1000个ROI作为训练样本(training samples),从而训练出可以自动识别肺气肿亚型的分类器。然后在病例组中剩下的3000个异常ROI及1000个正常组织ROI中,每次每类肺气肿亚型(CLE,PSE,PLE)及正常肺组织(NT)随机选200个ROI作为测试样本(test samples)。利用计算机后处理 Intensity(INT)、Rotation invariant Local Binary Patterns(RILBPs)、INT+RILBPs三种方法分别自动识别各种肺气肿亚型,测试结果与人工标注结果进行对比并计算分类精度,以上测试实验重复5次,以5次分类精度的平均值作为最终分类精度。结果:利用计算机后处理INT、RILBPs、INT+RILBPs三种方法分别自动识别肺气肿亚型的分类精度如下:只提取CLE、PLE、PSE三种肺气肿亚型进行测试,测得精度 INT 法为 88.28%,RILBPs 法为 86.46%,INT+RILBPs 法 94.62%;三种方法中均以小叶中心型肺气肿(CLE)的分类精度最高。加入正常组织(NT)后分类精度下降,INT 法为 72.09%,RILBPs 法为 67.34%,INT+RILBPs 法 84.29%。该组中除了 INT法中以全小叶型肺气肿(PLE)分类精度最高外,其他两种方法中均为CLE分类精度最高。由此可见INT+RILBPs这一方法分类精度最高,在肺气肿亚型中以CLE的分类精度较高。结论:利用计算机后处理INT、RILBPs、INT+RILBPs三种方法对比分析计算机自动识别肺气肿亚型分类精度,INT+RILBPs法分类精度明显高于其他两种方法;INT+RILBPs法仅提取CLE、PLE、PSE三种肺气肿亚型测试结果明显高于加入正常肺组织后的分类精度。INT+RILBPs这一方法在自动识别肺气肿亚型上可以为临床提供诊断依据。