医学影像学是临床医学中一门实践性极强辅助学科,同时也是发展迅猛,日新月异的学科,在现代医疗中扮演着越来越重要的角色。文章通过对影像医学教学的基本要求、教学目标和目的进行说明,采用影像存储和传输系统(picture archiving and co...医学影像学是临床医学中一门实践性极强辅助学科,同时也是发展迅猛,日新月异的学科,在现代医疗中扮演着越来越重要的角色。文章通过对影像医学教学的基本要求、教学目标和目的进行说明,采用影像存储和传输系统(picture archiving and communication system,PACS)结合以问题为基础的教学法(problem-based learning,PBL)及以案例为基础的教学法(case-based learning,CBL)教学法进行实践。针对非影像专业学员学习时间短、学习任务重,学员影像基础和需求迥异,部分非影像专业学员自身对医学影像学的重视不足以及放射基地重视不足等问题。文章阐述了PACS与PBL、CBL教学法、钉钉、微信及SPARK学习平台等学习沟通平台相结合,并增加专职人员对基地管理、带教老师一对一指导,以及不断加强科室建设、安排名师上课来提高科室影响力等多种混合教学模式的解决对策,来唤起学员学习影像相关知识的内驱力,达到提高学员轮转学习效果的目的。展开更多
目的探讨CT纹理分析在鉴别腰椎多发性骨髓瘤(MM)与骨质疏松中的价值。方法选取40例腰椎多发性MM(MM组)与腰椎骨质疏松40例(骨质疏松组)患者的资料进行分析,基于术前CT轴位图像,分别选择一个MM椎体和骨质疏松椎体勾画感兴趣区(ROI),利用M...目的探讨CT纹理分析在鉴别腰椎多发性骨髓瘤(MM)与骨质疏松中的价值。方法选取40例腰椎多发性MM(MM组)与腰椎骨质疏松40例(骨质疏松组)患者的资料进行分析,基于术前CT轴位图像,分别选择一个MM椎体和骨质疏松椎体勾画感兴趣区(ROI),利用MaZda软件提取图像纹理特征,用费希尔算法(Fisher)、分类错误率+平均相关系数算法(POE+ACC)、交互信息算法(MI)三种方法对提取的特征参数进行降维筛选,其每种方法筛选出10个最优纹理特征参数,然后利用原始数据分析法(RDA)、主要成分分析法(PCA)、线性判别分析法(LDA)、非线性判别分析法(NDA)四种分析方法分别结合降维筛选出的特征参数,计算各组合的分类误判率。对30个最优纹理特征参数进行统计学意义分析,获取具有统计学意义参数的受试者工作(ROC)曲线。对有意义的参数行Spearman相关分析做进一步筛选,筛选出的参数构建Logistic回归模型。结果三种降维方法中,POE+ACC结合NDA组合对两种疾病的误判率最低(2.50%),15个纹理特征具有统计学意义。经筛选后获得135dr_GlevNonU、Perc.99%、S(0,4)Correlat和WavEnLH_s-5的4个参数构建模型,ROC曲线分析表明该模型诊断效果较好,曲线下面积(area under the curve,AUC)为0.968。结论基于CT图像的纹理分析有助于鉴别MM与骨质疏松,且135dr_GlevNonU,Perc.99%,S(0,4)Correlat和WavEnLH_s-5构建的联合模型诊断效果较好。展开更多
文摘医学影像学是临床医学中一门实践性极强辅助学科,同时也是发展迅猛,日新月异的学科,在现代医疗中扮演着越来越重要的角色。文章通过对影像医学教学的基本要求、教学目标和目的进行说明,采用影像存储和传输系统(picture archiving and communication system,PACS)结合以问题为基础的教学法(problem-based learning,PBL)及以案例为基础的教学法(case-based learning,CBL)教学法进行实践。针对非影像专业学员学习时间短、学习任务重,学员影像基础和需求迥异,部分非影像专业学员自身对医学影像学的重视不足以及放射基地重视不足等问题。文章阐述了PACS与PBL、CBL教学法、钉钉、微信及SPARK学习平台等学习沟通平台相结合,并增加专职人员对基地管理、带教老师一对一指导,以及不断加强科室建设、安排名师上课来提高科室影响力等多种混合教学模式的解决对策,来唤起学员学习影像相关知识的内驱力,达到提高学员轮转学习效果的目的。
文摘目的探讨CT纹理分析在鉴别腰椎多发性骨髓瘤(MM)与骨质疏松中的价值。方法选取40例腰椎多发性MM(MM组)与腰椎骨质疏松40例(骨质疏松组)患者的资料进行分析,基于术前CT轴位图像,分别选择一个MM椎体和骨质疏松椎体勾画感兴趣区(ROI),利用MaZda软件提取图像纹理特征,用费希尔算法(Fisher)、分类错误率+平均相关系数算法(POE+ACC)、交互信息算法(MI)三种方法对提取的特征参数进行降维筛选,其每种方法筛选出10个最优纹理特征参数,然后利用原始数据分析法(RDA)、主要成分分析法(PCA)、线性判别分析法(LDA)、非线性判别分析法(NDA)四种分析方法分别结合降维筛选出的特征参数,计算各组合的分类误判率。对30个最优纹理特征参数进行统计学意义分析,获取具有统计学意义参数的受试者工作(ROC)曲线。对有意义的参数行Spearman相关分析做进一步筛选,筛选出的参数构建Logistic回归模型。结果三种降维方法中,POE+ACC结合NDA组合对两种疾病的误判率最低(2.50%),15个纹理特征具有统计学意义。经筛选后获得135dr_GlevNonU、Perc.99%、S(0,4)Correlat和WavEnLH_s-5的4个参数构建模型,ROC曲线分析表明该模型诊断效果较好,曲线下面积(area under the curve,AUC)为0.968。结论基于CT图像的纹理分析有助于鉴别MM与骨质疏松,且135dr_GlevNonU,Perc.99%,S(0,4)Correlat和WavEnLH_s-5构建的联合模型诊断效果较好。
