导读:本文包含了病理分化程度论文开题报告文献综述及选题提纲参考文献，主要关键词:肝癌,CT表现,癌组织分化程度,临床预后
病理分化程度论文文献综述
骆栋梁,张维春,吴迪,王洁[1]（2019）在《肝癌CT表现与癌组织病理分化程度及临床预后的相关性》一文中研究指出目的探讨肝癌CT表现与癌组织病理分化程度及临床预后的相关性。方法选取我院经手术病理确诊为肝细胞性肝癌患者73例。所有患者在术前行CT平扫及3期增强扫描,比较患者术前肝癌CT表现与癌组织病理分化程度以及临床预后,分析肝癌CT表现与癌组织病理分化程度及患者生存时间的相关性。结果患者肿瘤形态与癌组织病理分化程度密切相关(χ~2=29.280,P<0.05),患者肿瘤厚度与癌组织病理分化程度密切相关(χ~2=42.635,P<0.05),患者CT增强与癌组织病理分化程度密切相关(χ~2=87.871,P<0.05),患者肿瘤最大直径与癌组织病理分化程度不相关(χ~2=0.956,P=0.619)。肿瘤形态规则、肿瘤厚度小于15mm、CT增强为轻度、不均匀增强患者生存时间显着比肿瘤形态不规则、肿瘤厚度大于等于15mm、CT增强为明显增强患者长(P<0.05);有侵袭转移组和病理分化低分组患者的平均生存时间明显低于无侵袭转移组和病理分化高分组(15.41vs28.21,2.18vs24.21)(P<0.05)。结论肝癌CT表现与癌组织病理分化程度存在相关性,能够反应患者临床预后情况。(本文来源于《中国CT和MRI杂志》期刊2019年10期）
万小婷,包晗,黎超,史居田,周熠[2]（2019）在《CT纹理分析与肝癌病理分化程度的相关性研究》一文中研究指出目的研究增强CT纹理分析与肝细胞癌(HCC)病理分化程度的相关性。方法回顾性分析经病理证实的307例HCC患者临床及影像资料,提取患者增强CT动脉期及门静脉期图像中肿瘤部位形态、灰度直方图、灰度共生矩阵、灰度游程矩阵等纹理特征。根据训练集动脉期、门静脉期纹理特征及两者间差异,分别建立线性支持向量机(SVM)预测模型。将所得模型应用于测试集,采用ROC曲线分析评估各模型在测试集中预测HCC高分化或中低分化的效能。结果根据动脉期、门静脉期纹理特征及两者间差异所建立SVM预测模型的ROC曲线AUC分别为0. 75、0. 59、0. 57,动脉期SVM预测模型AUC最高,其精确性、敏感性、特异性分别为78%、81%、66%。动脉期SVM预测模型对于肝癌病理分化程度的预测效果最佳,明显优于门静脉期及两组间差异。结论根据动脉期CT纹理特征所获得的SVM预测模型能有效预测HCC病理分化程度。(本文来源于《临床放射学杂志》期刊2019年07期）
张云,姚萍,崔旻,李丹萍,高鸿亮[3]（2019）在《临床病理特征与早期胃癌分化程度的关系》一文中研究指出目的探讨早期胃癌(early gastric cancer, EGC)分化程度的影响因素。方法行内镜黏膜下剥离术EGC患者184例,依据术后组织病理结果分为分化型134例(分化组),未分化型50例(未分化组),收集患者年龄、性别及肿瘤部位、肿瘤直径、浸润深度、内镜分型、有无淋巴结转移等资料,多因素logistic回归分析EGC分化程度的影响因素。结果分化组年龄<45岁、肿瘤位于胃上部、肿瘤直径≤2 cm、有脉管浸润、有淋巴结转移比率(9.0%、27.6%、65.7%、3.0%、0.7%)低于未分化组(32.0%、52.0%、90.0%、12.0%、10.0%)(P<0.05),2组性别比例、内镜分型、浸润深度比较差异无统计学意义(P>0.05);多因素logistic回归分析结果显示,年龄<45岁(OR=1.21,95%CI:1.05～2.61,P=0.002)、肿瘤位于胃上部(OR=3.03,95%CI:2.37～4.05,P<0.001)、肿瘤直径≤2 cm(OR=2.42,95%CI:1.38～2.99,P=0.046)、有淋巴结转移(OR=1.77,95%CI:1.35～2.32,P=0.026)是未分化型EGC的危险因素。结论年轻患者、胃上部肿瘤、肿瘤直径较小及有淋巴结转移与未分化型EGC有关。(本文来源于《中华实用诊断与治疗杂志》期刊2019年05期）
刘圆圆,史大鹏,窦社伟,鲍学斌,刘月华[4]（2019）在《MRI平扫结合体素内不相干运动(IVIM)成像在食管胃结合部腺癌术前T分期及病理分化程度的诊断价值》一文中研究指出目的探讨MRI平扫与体素内不相干运动模型(IVIM)对食管胃结合部腺癌术前T分期及病理分化程度评估的诊断价值。方法前瞻性研究经内镜证实为食管胃结合部癌,且最终行手术治疗获得病理结果的47例患者的临床和影像资料。所有患者术前一周内行MRI平扫及IVIM成像检查。将IVIM原始图像传至GEAW4.6后处理工作站。手动勾画感兴趣区(ROI),计算表观扩散系数(ADC)、真实扩散系数(D)、灌注相关扩散系数(D*)和灌注分数(f)。MRI平扫结合IVIM与手术病理T分期的结果一致性分析采用Kappa检验。结果47例患者MRI平扫结合IVIM术前T分期准确率分别为:T1期71.43%,T2期75.00%,T3期88.24%,T4期93.33%,总体准确率为85.11%。食管胃结合部腺癌不同病理分级间的ADC值与D值差异均有统计学意义(P<0.05),D*及f值差异无统计学意义(P>0.05)。结论 MRI平扫结合IVIM检查对食管胃结合部腺癌术前T分期及病理分化程度的评估具有重要临床指导意义。(本文来源于《中国CT和MRI杂志》期刊2019年04期）
王富林,陈旭,从芳芳,舒键,唐光才[5]（2019）在《多层CT灌注成像参数与胃癌患者病理分化程度和血清CEA、AFP、CA72-4的关系研究》一文中研究指出目的:探讨多层CT灌注成像参数与胃癌患者病理分化程度和血清癌胚抗原(CEA)、甲胎蛋白(AFP)、糖抗原72-4(CA72-4)的关系。方法:选取2016年5月到2018年5月期间在我院接受治疗的胃癌患者60例作为胃癌组,根据患者肿瘤细胞不同病理分化程度将患者分成中高分化组(34例)和低分化组(26例),另选取同期于我院进行健康检查的60例健康志愿者作为对照组。比较不同病理分化程度的胃癌患者多层CT灌注成像参数[血流量(BF)、达峰时间(TTP)、Patlak血容量(PBV)、Patlak表面通透性(PPS)],比较胃癌组和对照组血清CEA、AFP、CA72-4水平,分析胃癌患者多层CT灌注成像参数与血清肿瘤标志物的相关性。结果:胃癌组血清CEA、AFP、CA72-4水平明显高于对照组,差异有统计学意义(P<0.05)。中高分化组PBV、PPS均明显低于低分化组,TTP明显高于低分化组,差异有统计学意义(P<0.05),中高分化组和低分化组的BF比较差异无统计学意义(P>0.05)。经Pearson法分析显示,胃癌患者的BF、TTP、PBV与CEA、AFP、CA72-4无明显的相关性(P>0.05),PPS与CEA、AFP、CA72-4呈正相关(P<0.05)。结论:胃癌患者的多层CT灌注成像参数与患者的病理分化程度有关,且部分参数还与血清肿瘤标志物CEA、AFP、CA72-4呈正相关。(本文来源于《现代生物医学进展》期刊2019年06期）
孙雨,梅苹,宋晓伟,刘卓妍,金光玉[6]（2019）在《320排容积CT灌注成像在36例小肝癌血流灌注特点及病理分化程度评估中的临床价值》一文中研究指出[目的]探讨320排容积CT灌注成像(CTP)在小肝癌(SHCC)血流灌注特点及病理分化程度评估中的应用价值.[方法]选择经病理检查证实为SHCC的36例,均给行CTP,测量肿瘤区域、瘤周组织及远端肝组织的肝动脉血流灌注量(HAF)、门静脉血流灌注量(HPF)及肝动脉灌注指数(HPI),定量分析SHCC的血流灌注特点及病理分型程度与灌注参数间的关系.[结果] SHCC肿瘤区域HAF,HPI均明显高于瘤周组织和远端肝组织(P<0.05);瘤周组织与远端肝组织HAF,HPI间差异均无统计学意义(P>0.05);肿瘤区域HAF,HPI与肿瘤病理分化程度呈负相关.[结论] 320排容积CTP可定量反映早期SHCC的血流灌注特点,可有效评估SHCC的病理分化程度.(本文来源于《延边大学医学学报》期刊2019年01期）
程蕾舒,吴磊,陈舒婷,叶维韬,刘再毅[7]（2019）在《基于CT影像组学对食管鳞状细胞癌病理分化程度的预测》一文中研究指出目的:探讨CT影像组学在预测食管鳞状细胞癌分化程度中的价值。方法:回顾性分析2008年1月到2016年8月经手术病理切片证实为食管鳞状细胞癌,临床资料完善和术前行CT增强扫描并获得完整图像的160例,随机分成训练集(103例)和验证集(57例),运用Matlab软件对图像进行特征提取并进行筛选,建立影像组学标签。结合获得的影像组学标签和临床资料建立多变量logistic回归分析,建立影像组学模型(radiomics predictive mode)并进行验证。运用受试者操作特征(receiver operator characteristic,ROC)曲线评价模型术前预测食管鳞状细胞癌分化程度的效能。结果:影像组学标签为食道癌病理分化程度显着的独立预测因素。影像组学预测模型在训练组中的曲线下面积(area under curve,AUC)值为0.791,敏感度为81.6%,特异度为72.3%;在验证集中的AUC值为0.757,敏感度为70.0%,特异度为73.0%。结论:基于CT影像提取的影像组学特征构建的模型,对于术前预测食管癌分化程度具有一定的效能。(本文来源于《中南大学学报(医学版)》期刊2019年03期）
陈山,左敏,刘长华[8]（2019）在《同时多原发肺腺癌的CT征象与病理分化程度的关系》一文中研究指出目的探讨同时多原发肺腺癌患者的CT征象与病理分化程度的关系。方法回顾性分析37例同时多原发肺腺癌患者的临床资料,共计82个病灶,其中高分化腺癌21个,中分化腺癌38个,低分化腺癌23个。收集并分析患者的CT影像及病理检查资料。结果高分化病灶中毛刺征、胸膜凹陷征的比例分别为57.14%、38.10%,低于中分化和低分化病灶的84.21%、86.84%和91.30%、91.30%,差异均有统计学意义(P﹤0.05);高分化、中分化、低分化病灶中毛刺征、胸膜凹陷征的比例比较,差异均有统计学意义(P﹤0.05);高分化、中分化、低分化病灶中密度为非实性、实性的比例比较,差异均有统计学意义(P﹤0.05);低分化病灶中密度为实性的比例为60.87%,高于中分化、高分化病灶的31.58%、23.81%,差异均有统计学意义(P﹤0.05)。结论不同分化程度的同时多原发肺腺癌患者的病灶密度、毛刺征及胸膜凹陷征存比例在差异,值得进一步研究。(本文来源于《癌症进展》期刊2019年05期）
万小婷[9]（2019）在《CT纹理分析与肝癌病理分化程度的相关性研究》一文中研究指出目的:探讨基于CT纹理分析与肝细胞癌病理分化程度的相关性。材料与方法:回顾性收集我院2013年1月-2018年10月经手术病理证实为肝细胞癌的患者331例,根据Edmondson-Steiner标准将患者分为低分化组(I、II级)及高分化组(III、IV级),以7:3的比例将各组患者随机分为训练组及测试组。所有患者均于术前行上腹部平扫及叁期增强扫描,在平扫期及叁期增强图像的肿瘤3D ROI中提取肿瘤部位形态、灰度直方图、灰度共生矩阵、灰度游程矩阵及灰度区域大小矩阵等396个纹理特征。在训练组中采用LASSO法分别对各期相纹理特征进行降维,将所选择的纹理特征基于AIC逐步法分别建立各期相影像组学标签,计算每个患者每个期相的Rad-Score。以Logistic回归方法分析影像组学标签、临床特征、影像组学标签联合临床特征与肝癌病理分化程度的关系,建立相应的Logistic回归预测模型。采用ROC评估各logistic回归模型预测肝癌病理分化程度的效能,在训练组及测试组中生成ROC曲线,并计算AUC、准确度、特异度及敏感度等。结果:1.采用LASSO法对各期相的CT纹理特征进行降维,平扫期、动脉期、门脉期及延迟期分别自动选择出3、10、10、5个纹理特征,基于AIC逐步法建立各期相相应的影像组学标签,分别计算每个患者各期相的Rad-Score。各期相Rad-Score在训练组及测试组中高分化及低分化组间均存在显着统计学差异,且低分化组的RadScore值高于高分化组。2.各期相影像组学标签均对肝癌病理分化程度有一定预测效能(AUC均大于0.6),其中门脉期预测效能最佳。门脉期影像组学标签在训练组预测效能AUC为0.744(95%CI 0.679~0.810)、准确度为0.632、敏感度为0.547、特异度为0.819;测试组AUC为0.71(95%CI 0.605~0.815),准确度为0.69,敏感度为0.739,特异度为0.581。此外动脉期Rad-Score的AUC略高于平扫期及延迟期。3.年龄、性别、肝炎类型及AFP水平等临床特征,仅AFP水平在训练组及测试组病例中高、低分化两组间均存在显着统计学差异(P值:<0.001;0.012)。临床特征Logistic预测模型AUC在训练组为0.716,测试组为0.636,在测试组中临床特征AUC低于门脉期及动脉期Rad-Score的AUC,但稍高于平扫期及延迟期。4.影像组学标签联合临床特征Logistic回归模型中,均只有Rad-Score与AFP水平分类肝癌病理分化程度有统计学意义(p均<0.01)。影像组学标签联合临床特征预测效能较单纯影像组学标签及单纯临床特征提高,训练组组中门脉期AUC达0.823,测试组为0.72,能较好预测肝癌病理分化程度。结论:1.应用CT纹理分析预测肝癌病理分化程度具有一定可行性,基于门脉期CT图像纹理分析预测肝癌病理分化程度的预测效能优于平扫期、动脉期、延迟期纹理分析及临床特征。2.基于CT纹理特征建立的影像组学标签联合AFP水平能更有效预测肝癌病理分化程度。(本文来源于《中国医科大学》期刊2019-02-01）
牟东景,漆静,丁理[10]（2019）在《MR扩散加权成像ADC值与子宫内膜癌病理分化程度的相关性研究》一文中研究指出目的探讨MR扩散加权成像ADC值与子宫内膜癌病理分化程度的相关性。方法回顾性分析83例经病理证实且未行辅助治疗而直接手术治疗的子宫内膜癌病人的DWI影像资料,按照病理分化程度将其分为高分化组(36例)、中分化组(28例)、低分化组(19例),分别测量各组病灶ADC值,对3组数据进行单因素方差分析,并进一步进行组间两两比较。采用Spearman相关分析子宫内膜癌ADC值与病理分化程度的相关性。应用ROC曲线,获得区分中、低分化癌灶与高分化癌灶的最佳ADC界值,并计算诊断的敏感度、特异度和准确度。结果高分化组、中分化组及低分化组子宫内膜癌的ADC值分别为(1. 02±0. 11)×10~(-3)mm~2/s、(0. 91±0. 07)×10~(-3)mm~2/s、(0. 84±0. 06)×10~(-3)mm~2/s,差异具有统计学意义(P <0. 05),组间进一步两两比较,其差异均具有统计学意义(P <0. 05)。ADC值与子宫内膜癌病理分化程度呈正相关(r_s=0. 69,P <0. 05)。ADC值鉴别子宫内膜癌中、低分化组与高分化组的ROC曲线下面积为0. 861,最佳界值为0. 94×10~(-3)mm~2/s,其敏感度为83. 0%,特异度为77. 8%,准确度为80. 7%。结论 MR扩散加权成像ADC值与子宫内膜癌病理分化程度呈正相关,有助于评估癌灶的恶性程度。(本文来源于《临床和实验医学杂志》期刊2019年02期）
病理分化程度论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的研究增强CT纹理分析与肝细胞癌(HCC)病理分化程度的相关性。方法回顾性分析经病理证实的307例HCC患者临床及影像资料,提取患者增强CT动脉期及门静脉期图像中肿瘤部位形态、灰度直方图、灰度共生矩阵、灰度游程矩阵等纹理特征。根据训练集动脉期、门静脉期纹理特征及两者间差异,分别建立线性支持向量机(SVM)预测模型。将所得模型应用于测试集,采用ROC曲线分析评估各模型在测试集中预测HCC高分化或中低分化的效能。结果根据动脉期、门静脉期纹理特征及两者间差异所建立SVM预测模型的ROC曲线AUC分别为0. 75、0. 59、0. 57,动脉期SVM预测模型AUC最高,其精确性、敏感性、特异性分别为78%、81%、66%。动脉期SVM预测模型对于肝癌病理分化程度的预测效果最佳,明显优于门静脉期及两组间差异。结论根据动脉期CT纹理特征所获得的SVM预测模型能有效预测HCC病理分化程度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
病理分化程度论文参考文献
[1].骆栋梁,张维春,吴迪,王洁.肝癌CT表现与癌组织病理分化程度及临床预后的相关性[J].中国CT和MRI杂志.2019
[2].万小婷,包晗,黎超,史居田,周熠.CT纹理分析与肝癌病理分化程度的相关性研究[J].临床放射学杂志.2019
[3].张云,姚萍,崔旻,李丹萍,高鸿亮.临床病理特征与早期胃癌分化程度的关系[J].中华实用诊断与治疗杂志.2019
[4].刘圆圆,史大鹏,窦社伟,鲍学斌,刘月华.MRI平扫结合体素内不相干运动(IVIM)成像在食管胃结合部腺癌术前T分期及病理分化程度的诊断价值[J].中国CT和MRI杂志.2019
[5].王富林,陈旭,从芳芳,舒键,唐光才.多层CT灌注成像参数与胃癌患者病理分化程度和血清CEA、AFP、CA72-4的关系研究[J].现代生物医学进展.2019
[6].孙雨,梅苹,宋晓伟,刘卓妍,金光玉.320排容积CT灌注成像在36例小肝癌血流灌注特点及病理分化程度评估中的临床价值[J].延边大学医学学报.2019
[7].程蕾舒,吴磊,陈舒婷,叶维韬,刘再毅.基于CT影像组学对食管鳞状细胞癌病理分化程度的预测[J].中南大学学报(医学版).2019
[8].陈山,左敏,刘长华.同时多原发肺腺癌的CT征象与病理分化程度的关系[J].癌症进展.2019
[9].万小婷.CT纹理分析与肝癌病理分化程度的相关性研究[D].中国医科大学.2019
[10].牟东景,漆静,丁理.MR扩散加权成像ADC值与子宫内膜癌病理分化程度的相关性研究[J].临床和实验医学杂志.2019