提出一种使用磁共振成像（MRI）预测扩散型肌腱鞘滑膜细胞瘤（D-TSGCTs）的模型。先对解剖位置进行分类，然后评估MRI上的结节性、边缘、周边和内部低信号、以及骨头和软骨的受累情况。进行了学生t检验、卡方检验、诊断表现、逻辑回归分析和决策树。本研究纳入了19个关节内（11个局限性; 8个扩散性）和55个额外的（44个局限性; 11个扩散性）TSGCTs。额外的D-TSGCTs表现出更频繁的多结节（72.7% vs. 25.0%，p = 0.009）和渗出性病变（90.9% vs. 34.1%，p = 0.002），并且不具有周边低信号（90.9% vs. 18.2%，p < 0.001），其内部低信号呈颗粒状（72.7% vs. 31.8%，p = 0.003），同时更频繁的涉及骨头（81.8% vs. 27.3%，p = 0.003）和软骨（50.0% vs. 0.0%，p = 0.038），相比局限性类型。关节内D-TSGCT也在所有MRI特征上（100.0% vs. 9.1%，p = 0.001; 100.0% vs. 27.3%，p = 0.007; 100.0% vs. 36.4%，p = 0.018; 100.0% vs. 27.3%，p = 0.007; 50.0% vs. 0.0%，p = 0.038）表现出显著差异，仅骨受累方面（37.5% vs. 9.1%，p = 0.352）与局限性类型无异。无论位置如何，软骨受累都表现出最高的特异性（88.6%～100.0%）。在关节内和关节外的D-TSGCT中，结节性（100.0%; 比值比[OR]: 70.000）和周边低信号（90.9%; OR: 62.250）分别表现出最高的敏感性OR。MRI模型对于D-TSGCG，在两个解剖位置都以软骨受累开始，接下来在关节内和关节外位置分别在结节性和周边低信号上进行预测，分别表现出100%和90.9%的敏感性和100%和77.2%的特异性。MRI结合解剖位置和成像特征可以建议D-TSGCT风险。版权所有©2023年大学放射学协会。Elsevier Inc.发表，保留所有权利。

在乳腺MRI中，扩散加权成像（DWI）中的脂肪抑制对于消除主要的脂肪信号至关重要。本研究评估了高分辨率3特斯拉乳腺MRI中的结合了水-激发-光谱-脂肪饱和度方法（WEXfs）和标准光谱衰减反转恢复（SPAIR）的比较。在83名患者（50.1 ± 12.6岁）中，使用WEXfs或SPAIR进行脂肪信号抑制，进行了带有2个回声平面DWI序列的多参数乳腺MRI。三名放射科医师评估了具有b值800和1600s/mm2的图像上88个病灶（28个恶性，60个良性）的DWI总体质量和分辨力，以及明显的扩散系数（ADC）地图。针对每个脂肪抑制方法和b值，测量了最长的病变直径，并在感兴趣的标准化区域中测量了DWI和ADC值的信号强度。无论b值如何，与SPAIR-DWI相比，WEXfs-DWI在良性和恶性病变的图像质量（所有p <0.001）和分辨率（所有p ≤ 0.003）上都被认为更优。无论病变种类如何，WEXfs-DWI在1600 s/mm2下提供了更好的信噪比、对比度和信号强度比率（所有p ≤ 0.05）。与SPAIR脂肪抑制相比，WEXfs的病变大小在对比增强T1减影图像和DWI之间的差异较小（所有p ≤ 0.007）。恶性病变的平均ADC值在WEXfs-DWI下较低（p <0.001），而在良性病变的两种技术之间没有确定显著的ADC差异（p = 0.947）。WEXfs-DWI提供了比标准SPAIR-DWI更好的主观和客观图像质量，从而更准确地估计了良性和恶性病变的大小。版权所有©2023年大学放射学协会。由Elsevier Inc.出版，保留所有权利。

准确预测肝细胞癌（HCC）患者经肝动脉化学栓塞治疗（TACE）的治疗反应，对于精准治疗至关重要。本研究旨在开发一个综合模型（DLRC），结合增强计算机断层扫描（CECT）图像和临床因素，预测中期HCC患者对TACE的反应。共有399例中期HCC患者被纳入这项回顾性研究。基于动脉期CECT图像建立了深度学习和放射学标志特征，采用相关分析和最小绝对收缩和选择（LASSO）回归分析进行特征筛选。采用多元 logistic 回归建立结合深度学习放射学标志和临床因素的 DLRC 模型，并使用受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）来评估模型的性能。采用 DLRC 模型绘制 Kaplan-Meier 生存曲线，以评估随访队列（n = 261）的总生存率。DLRC 模型采用了19个定量放射学特征、10个深度学习特征和3个临床因素。DLRC模型的AUC分别为0.937（95%置信区间[CI]，0.912-0.962）和0.909（95% CI，0.850-0.968），在训练组和验证组均表现出优异表现，优于建立两个标志或单个标志的模型（p<0.05）。分层分析显示DLRC在亚组间没有统计学差异（p>0.05），而DCA证实了更大的净临床益处。此外，多元 cox 回归分析表明，DLRC 模型输出是总生存率的独立危险因素（风险比：1.20，95%CI：1.03-1.40; p=0.019）。DLRC 模型在预测 TACE 反应方面表现出显著的准确性，可以作为精准治疗的有力工具。版权所有©2022年大学放射学家协会。由Elsevier Inc.出版。保留所有权利。

开发一种简单的超声（US）评分系统，以减少良性乳腺活检。BI-RADS 4或5型乳腺病变的女性在活检前进行剪切波弹性成像（SWE）检查。记录标准US和彩色多普勒US（CDUS）参数，并计算大小比（SzR=最长/最短直径）。测量/计算的SWE参数包括最小（SWVMin）和最大（SWVMax）剪切速度，速度异质性（SWVH=SWVMax-SWVMin），速度比（SWVR=SWVMin/SWVMax）和归一化的SWVR（SWVRn=（SWVMax-SWVMin）/SWVMin）。将连续参数转换为分类相应的等价物，并使用决策树分析进行线性回归分析。使用逐步回归分析拟合线性回归模型，并确定模型中预测变量的最优系数。根据结果设计评分模型，并使用来自另一个中心的不同数据集进行验证，该数据集包括187个BI-RADS 3、4和5型病变。分析了418个病变（238个良性和180个恶性）。US和CDUS参数在良恶性鉴别方面表现出差（AUC=0.592-0.696），SWE参数在良恶性鉴别方面表现出较好的性能（AUC=0.607-0.816）。 US + CDUS和US + SWE参数的线性回归模型的AUC分别为0.819和0.882。开发的评分系统可以避免37.8％的良性病变进行活检，同时错过了1.1％的恶性病变。该评分系统经验证具有100％的阴性预测值率和74.6％的特异性。使用US + SWE参数的线性回归模型比任何单一参数的表现都要好。开发的评分方法可以显著减少良性活检。版权所有©2023年大学放射学协会。由爱思唯尔公司出版，保留所有权利。

基于动态增强磁共振成像的乳腺肿瘤分割是计算放射学乳腺癌分析的重要一步。手动肿瘤标注是耗时且需要医学知识，有偏差、易犯错误和用户间差异性。现代训练表明，深度学习表示在图像分割中具有能力。在这里，我们描述了一种基于编码器-解码器架构的三维连接 UNets，用于从三维磁共振成像中分割肿瘤。由于受限的训练数据集大小，我们使用变分自编码器出口来更新输入图像本身，以识别共享解码器并对其层执行附加控制。基于连接 UNets 的初始分割，采用全连接的三维临时无序域来增强分割结果，通过发现二维相邻区域和三维体积统计值。此外，采用 3D 连接模块评估来保持大模块的连续性，并降低分割噪声。该方法已在两个广泛提供的数据集（INbreast 和数字乳腺病理学筛查数据库的筛查数据集）上进行评估。该方法还使用私人数据集进行评估。实验结果表明，该方法优于现有的乳腺肿瘤分割方法。版权所有 ©2022 The Association of University Radiologists。由 Elsevier Inc. 发布。保留所有权利。