张久权教授团队科研成果展示

张久权教授

团队 成果一览

重|庆 |大 |学 |肿 |瘤 |医 |院

双能量CT成像

科研数据

研究团队使用西门子双源SOMATOM Drive CT进行双能量的数据采集，然后通过西门子syngo.via VB20 CT双能量后处理软件进行图像重建与相关参数的测量分析。

通过对双能量数据的定量分析，计算得出归一化的碘浓度（NIC）和归一化的有效原子序数(nZeff)，即肿瘤感兴趣区内碘浓度与有效原子序数平均值分别除以主动脉碘浓度与有效原子序数。除此之外，团队根据CT双能量能谱曲线图，得到了能谱曲线斜率(λHU)，即通过CT双能量扫描生成的虚拟单能谱曲线的特定范围内的曲线斜率。计算方式如下所示：

下图分别展示了三个参数的获取方式：

A. 碘图; B. 等效原子序数图; C.能谱曲线及曲线斜率λ _HU

双能量CT在乳腺肿瘤的应用

双能量CT定量参数还可用于鉴别乳腺癌的免疫组化表达状态，在上述文献中，作者分别研究了NIC、nZ _eff 、λ _HU 与乳腺癌免疫组化指标：雌激素受体(ER)、孕酮受体(PR)、人表皮生长因子受体2 (HER2)和Ki67的表达状态的相关性。研究表明，ER阴性组的NIC和nZ _eff 与阳性组存在显著性差异；PR阴性组的NIC与阳性组存在显著性差异；HER2阴性组的nZ _eff 与阳性组存在显著性差异；Ki67低表达组与高表达组的NIC与nZ _eff 存在显著性差异。而在这项研究中，λ _HU 没有表现出与免疫组化指标较强的相关性。[2]

患者1为PR阴性患者（上图）

患者2为PR阳性患者（下图）

临床医生通常通过胸部CT来评估潜在的肺转移或伴随的肺部疾病，由于单能量CT在乳腺肿瘤的软组织分辨率较低，鲜少用于评估乳腺肿瘤。最近，一种噪声优化的虚拟单能图像重建算法[noise optimized virtual monoenergetic image，MEI(+)]被提出，它被证明可以提高肿瘤成像的信噪比（signal-to-noise ratio，SNR）和对比度噪声比（contrast-to-noise ratio，CNR）。本研究利用42例乳腺癌胸部双能量CT及重建图像发现，40～50 keV的MEI(+)与混合多能图像相比，CNR和SNR明显得到了提高。与此同时，乳腺癌静脉期图像的多项定量参数均高于动脉期图像，使得40 keV MEI(+)在主观及客观评估乳腺肿瘤形态学特征中表现最佳。[3]

箱式图示在混合多能图像和重建40～80keV MEI(+)图像下获得的肿瘤CNR和SNR

双能量CT在甲状腺的应用

在良恶性甲状腺结节的鉴别中，双能量CT也扮演着重要的角色。这项回顾性研究结合了机器学习的方法，针对139名甲状腺结节患者进行了统计学分析，结果表明，在恶性甲状腺结节的患者中，NIC、nZ _eff 、λ _HU 均显著性高于良性组（P<0.001, P=0.001, P<0,001）。通过机器学习方法得出的预测模型AUC为0.86，敏感性为82.2%和79.1%的特异性，均高于多元逻辑回归分析得出的模型。[4]

双能量CT在头颈部肿瘤的研究

头颈部鳞状细胞癌

双能量CT参数对头颈部鳞状细胞癌（HNSCC）的组织病理学特性有着很高的鉴别能力。该文章对72名患有HNSCC的病人进行分析，研究表明在病理分级为III级HNSCC亚组、LVI（淋巴血管浸润）阳性组、PNI（神经周围浸润）阳性组中，NIC、nZ _eff 、λ _HU 均高于病理分级为I级及II级HNSCC亚组、LVI阴性组以及PNI阴性组（P<0.05）。通过多元逻辑回归模型对肿瘤等级、LVI和PNI进行预测的AUC分别为0.969，0.944和0.931。[5]

上图为68岁的病理分级为III级HNSCC患者，伴有LVI和PNI

下图为55岁的病理分级为I级HNSCC患者，无LVI和PNI

鼻咽部肿瘤

这篇收录于EJR的文章利用双能量CT对鼻咽癌（NPC）和鼻咽淋巴瘤（NPL）进行了比较和鉴别。文章针对80名患者（51名NPC与29名NPL）患者进行统计学分析，重建出40keV至80keV虚拟单能谱图（间隔为10keV），并测算出NIC、nZ _eff 、λ _HU 参数。研究表明，在NPL组中，NIC、nZ _eff 、λ _HU 均显著性高于NPC组（P<0.001），包含这些参数的多元逻辑回归预测模型可以精确的对NPC和NPL进行鉴别（AUC：0.947，敏感性：93.1%，特异性：92.2%）。[6]

患者1为NPC患者（上图）

患者2为NPL患者（下图）