分享:
分享到微信朋友圈
X
经验交流
基于灰度共生矩阵的MRI纹理分析在椎管内脊膜瘤和神经鞘瘤鉴别诊断中的应用价值
梁洁 杜昕 王现亮 蒲如剑 朱万平

Cite this article as: Liang J, Du X, Wang XL, et al. Application value of MRI texture analysis based on GLCM in differential diagnosis of intraspinal meningioma and schwannoma[J]. Chin J Magn Reson Imaging, 2022, 13(8): 84-87.本文引用格式:梁洁, 杜昕, 王现亮, 等. 基于灰度共生矩阵的MRI纹理分析在椎管内脊膜瘤和神经鞘瘤鉴别诊断中的应用价值[J]. 磁共振成像, 2022, 13(8): 84-87. DOI:10.12015/issn.1674-8034.2022.08.016.


[摘要] 目的 探讨基于灰度共生矩阵(gray-level co-occurrence matrix, GLCM)的MR图像纹理分析在鉴别椎管内脊膜瘤和神经鞘瘤中的临床应用价值。材料与方法 回顾性分析经病理证实的椎管内神经鞘瘤患者病例32例、脊膜瘤患者病例26例,利用ImageJ软件在T2WI、对比增强T1WI矢状位图像中选取肿瘤最大层面勾画感兴趣区(region of interest, ROI),提取病灶的GLCM纹理参数,比较两组肿瘤各参数的差异,并评价各参数的诊断效能。结果 T2WI序列中能量、对比、相关、逆差矩和熵在两组间差异均有统计学意义(P<0.05),神经鞘瘤组的能量、相关、逆差矩小于脊膜瘤组,对比和熵大于脊膜瘤组;对比增强T1WI序列中能量、对比、相关和熵在两组间差异有统计学意义(P<0.05),神经鞘瘤组的能量、相关小于脊膜瘤组,对比和熵大于脊膜瘤组,逆差矩组间差异无统计学意义(P>0.05)。受试者工作特征(receiver operating characteristic, ROC)曲线分析显示,T2WI序列中的熵及对比增强T1WI序列中的能量诊断效能最佳。采用logistic回归分析纹理参数联合诊断效能发现较单一参数均有所提高。结论 基于GLCM的MRI图像纹理分析在椎管内脊膜瘤和神经鞘瘤两者的鉴别诊断中有一定的临床价值。
[Abstract] Objective To investigate the clinical value of MRI texture analysis based on gray-level co-occurrence matrix (GLCM) in differentiating intraspinal meningioma and schwannoma.Materials and Methods Thirty-two cases of intraspinal schwannoma and 26 cases of meningioma confirmed by pathology were analyzed retrospectively. The region of interest (ROI) of the largest layer of the tumor was selected in T2WI and contrast-enhanced T1WI sagittal images by using imageJ software, and the GLCM texture parameters of the lesions were extracted.Results The differences of tumor parameters between the two groups were compared, and the diagnostic efficiency of each parameter was evaluated. There was a significant difference between the two groups (P<0.05); there was significant difference in energy, contrast, correlation and entropy between the two groups in contrast-enhanced T1WI sequence (P<0.05). The energy and correlation of schwannoma group were less than that of meningioma group, the contrast and entropy were greater than that of meningioma group, and there was no significant difference between inverse gap groups (P>0.05). ROC curve analysis showed that the entropy in T2WI sequence and the energy diagnosis efficiency in contrast-enhanced T1WI sequence were the best. The joint diagnosis of texture parameters by logistic regression analysis has improved the diagnosis efficiency compared with that of single parameter.Conclusions MRI texture analysis based on GLCM has certain clinical value in the differential diagnosis of intraspinal meningioma and schwannoma.
[关键词] 磁共振成像;纹理分析;脊膜瘤;神经鞘瘤;灰度共生矩阵
[Keywords] magnetic resonance imaging;texture analysis;meningioma;schwannoma;gray-level co-occurrence matrix

梁洁 1   杜昕 1   王现亮 1   蒲如剑 2   朱万平 3*  

1 潍坊市人民医院放射科,潍坊 261041

2 潍坊医学院医学影像学院,潍坊 261053

3 潍坊市人民医院脊柱外科,潍坊 261041

朱万平,E-mail:zwplj2020@126.com

作者利益冲突声明:全体作者均声明无利益冲突。


收稿日期:2022-04-20
接受日期:2022-08-05
中图分类号:R445.2  R739.42  R730.264 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.08.016
本文引用格式:梁洁, 杜昕, 王现亮, 等. 基于灰度共生矩阵的MRI纹理分析在椎管内脊膜瘤和神经鞘瘤鉴别诊断中的应用价值[J]. 磁共振成像, 2022, 13(8): 84-87. DOI:10.12015/issn.1674-8034.2022.08.016

       脊膜瘤和神经鞘瘤是两种常见的髓外硬膜内肿瘤,两者的临床表现及影像学表现具有一定的重叠性[1, 2, 3],常规影像诊断对两者鉴别不难,但对于不典型病例仍存在局限性。此外,两者手术治疗的方式不同[4, 5, 6],脊膜瘤容易复发,必须在手术中采取相应的预防措施[7, 8],因此术前对这两种疾病的鉴别诊断至关重要。以往有对两者影像学表现及病理方面的研究[9, 10],但对图像纹理特性研究较少。纹理分析技术是影像组学的一部分,它基于灰度分布及图像像素的内在规律,更客观地反映图像的微观特征[11, 12, 13],灰度共生矩阵(gray-level co-occurrence matrix, GLCM)是常用的二阶纹理分析方法[14, 15, 16]。本研究基于MRI纹理分析,比较椎管内脊膜瘤和神经鞘瘤GLCM纹理参数的差异,旨在探讨纹理分析在椎管内脊膜瘤和神经鞘瘤鉴别诊断中的应用价值,以期为临床诊断提供一定的参考。

1 资料与方法

1.1 一般资料

       本研究经潍坊市人民医院伦理委员会批准,免除受试者知情同意,批准文号:2022011。回顾性分析2018年1月至2021年8月潍坊市人民医院经病理证实的椎管内脊膜瘤和神经鞘瘤病例。其中脊膜瘤组患者26例,男9例,女17例,年龄45~80(64.5±9.8)岁;神经鞘瘤组患者32例,男11例,女22例,年龄35~73(54.6±11.2)岁。纳入标准:(1)术后常规病理证实的椎管内脊膜瘤或神经鞘瘤;(2)术前均行扫描参数一致的MRI平扫及增强图像(包括T2WI、对比增强T1WI);(3)行MRI检查前没有接受手术、放化疗等相关治疗。排除标准:(1)图像存在伪影不符合要求;(2)病灶以囊性成分为主。

1.2 检查方法

       采用德国Siemens Magnetom Skyra 3.0 T磁共振扫描仪行T1WI(TR 600 ms/TE 12 ms)、T2WI(TR 4000 ms/TE 120 ms)扫描,层厚3 mm,常规序列进行T1WI矢状位、横断位及T2WI矢状位成像,静脉注射对比剂(钆喷酸葡胺,北京北陆药业),按0.1 mmol/kg剂量以2.5 mL/s速率注射后进行增强扫描,对比增强T1WI序列进行矢状位、冠状位及横断位成像。

1.3 图像处理

       将纳入研究患者的MR图像从PACX工作站以Dicom格式导出,运用ImageJ软件,在矢状位T2WI图像上确定病灶最大层面,手动沿病灶内约1~2 mm距离勾画ROI,包括出血、坏死及钙化等所有信息(见图1图2),随后将勾画好的ROI与矢状位对比增强T1WI图像的同一层面相匹配,并保持一致。此步骤由两名具有15年以上工作经验的神经组副主任医师共同完成,当两人观点不同时,通过协商达成一致。纹理分析插件均设置为默认值,软件自动计算由纹理分析插件提取的GLCM参数,包括能量、对比、相关、逆差矩和熵。

图1  女,45岁,椎管内神经鞘瘤。1A:T2WI序列矢状位C7水平椎管内稍高信号影,脊髓受压,邻近蛛网膜下腔增宽;1B:对比增强T1WI序列肿瘤明显强化,内见小片状低信号区;1C:T2WI序列手动沿病灶边缘勾画感兴趣区(ROI)。
图2  女,69岁,椎管内脊膜瘤。2A:T2WI序列矢状位胸椎椎管内类圆形等或稍高信号,脊髓受压,邻近蛛网膜下腔增宽;2B:对比增强T1WI序列肿瘤明显强化,信号不均匀;2C:T2WI序列手动沿病灶边缘勾画ROI。
图3  T2WI序列有统计学意义的纹理参数及联合诊断受试者工作特征(ROC)曲线分析。
图4  对比增强T1WI序列有统计学意义的纹理参数及联合诊断ROC曲线分析。

1.4 统计学分析

       采用MedCale 20.0.0统计软件进行分析,采用组内相关系数(intraclass correlation coefficient, ICC)评价两名测量者内及测量者间所测数据的一致性,ICC>0.75为一致性良好。对各数据进行正态及方差齐性检验,满足正态分布的数据用(x¯±s)表示,不满足正态性分布的数据用中位数±四分位数表示,组间比较采用独立样本t检验(满足正态分布且方差齐)或Mann-Whitney U秩和检验(不满足正态分布或方差不齐)。对有统计学意义的纹理参数绘制受试者工作特征(receiver operating characteristic, ROC)曲线(见图3图4),并计算曲线下面积(area under the curve, AUC),来评价各参数对鉴别两组病例的诊断效能。以肿瘤的分组为因变量,各序列有统计学意义的纹理参数联合诊断为自变量,进行二元逻辑回归分析,进一步分析联合诊断的效能。利用Delong检验比较联合诊断与各单一参数AUC值的差异,以P<0.05为差异有统计学意义。

2 结果

2.1 GLCM纹理参数比较

       脊膜瘤组和神经鞘瘤组T2WI序列中的5个纹理参数组间差异均有统计学意义(P<0.05);对比增强T1WI序列5个纹理参数中的能量、对比、相关和熵组间差异有统计学意义(P<0.05),逆差矩组间差异无统计学意义(P>0.05)。进一步两两比较发现,T2WI序列中神经鞘瘤组的能量、相关、逆差矩小于脊膜瘤组,对比和熵大于脊膜瘤组;对比增强T1WI序列中神经鞘瘤组的能量、相关、逆差矩小于脊膜瘤组,对比和熵大于脊膜瘤组(见表1表2)。

表1  神经鞘瘤组和脊膜瘤组T2WI序列纹理参数比较
表2  神经鞘瘤组和脊膜瘤组对比增强T1WI序列纹理参数比较

2.2 GLCM纹理参数效能

       两组肿瘤各纹理参数除对比增强T1WI中的逆差矩外均具有诊断效能,其中T2WI序列中的熵诊断效能最佳,其AUC为0.981(P<0.001),以6.02为临界值,鉴别诊断的敏感度为93.75%,特异度为92.31%,对比增强T1WI序列中的能量诊断效能最佳,其AUC为0.962(P<0.001),以4.00×10-3为临界值,鉴别诊断的敏感度为96.87%,特异度为88.46%(见表3)。通过对两组差异有统计学意义的纹理参数构建logistic回归模型,发现各参数联合诊断的效能有所提高,增强T1WI序列联合诊断的AUC=0.977,敏感度为93.75%,特异度为92.31%,T2WI序列联合诊断的AUC=0.987,敏感度为100%,特异度为92.31%(见表4表5)。

表3  有统计学意义的纹理参数受试者工作特征曲线分析
表4  T2WI序列联合参数和单一参数Delong检验结果
表5  对比增强T1WI序列联合参数和单一参数Delong检验结果

3 讨论

       GLCM是常用的纹理分析方法,它反映图像在方向、间隔、变化幅度及快慢的综合信息,量化了肿瘤异质性,具有广泛的应用前景及临床价值[17, 18, 19],本研究首次运用二阶纹理分析方法基于MR图像鉴别椎管内脊膜瘤和神经鞘瘤,结果显示两个序列均有多个纹理参数可鉴别两者,且联合参数诊断效能更高,可为术前鉴别两者提供一定的依据。

3.1 椎管内脊膜瘤和神经鞘瘤对比增强T1WI纹理参数差异

       本研究选取GLCM中的5个纹理参数,包括能量、对比、相关、逆差矩和熵,在对比增强T1WI序列中除逆差矩外组间差异均有统计学意义。能量反映图像的均匀性和平滑性,图像分布越均匀,其相对应的能量值越大;对比反映图像中邻近像素的差异程度,差异越明显对比值越大;相关是描述图像像素在特定方向的相似程度,其值越大,图像的相似度越高[14,20]。神经鞘瘤组的能量、相关小于脊膜瘤组,对比和熵大于脊膜瘤组,这种差异可能来源于肿瘤的病理学特征。神经鞘瘤镜下为稀疏区和密集区交替排列的梭形肿瘤细胞组成,细胞间存在大量网状纤维及胶原纤维,且瘤体内极易出现囊变及坏死,造成纹理分布的不均匀。而脊膜瘤细胞排列紧密,血供丰富,发生囊变坏死的几率小[21],强化及灌注程度趋向均匀一致,因此局部纹理特征差异不显著。在本研究中逆差矩在增强T1WI序列组间差异没有统计学意义,分析原因可能是两者均为良性病变,组织结构相对单一,异质性不明显,有待进一步探讨。

3.2 椎管内脊膜瘤和神经鞘瘤T2WI纹理参数差异

       T2WI序列中能量、对比、相关、逆差矩和熵组间差异均有统计学意义,神经鞘瘤组的能量、相关和逆差矩小于脊膜瘤组,对比和熵大于脊膜瘤组。熵值是反映图像纹理的复杂程度及所蕴含的信息量,灰度分布越复杂、信息量越大则熵值越大[22]。本研究发现T2WI序列中对比、逆差矩、相关和熵的AUC均大于对比增强T1WI序列,两组序列所有纹理参数中T2WI序列中的熵的曲线下面积最大,诊断效能优于其他单一纹理参数,且利用联合参数诊断效能更高,AUC值达0.987,其原因可能是神经鞘瘤病理上主要由Antoni A区和Antoni B区组成,A区细胞排列紧密有序,界限不清,B区细胞密度低,多为疏松黏液样的网状区[23],液体多且常伴囊变[24, 25, 26],磁共振T2WI序列对液体成分更敏感,对比增强T1WI序列则更侧重于肿瘤的强化程度及灌注信息[27],因此磁共振T2WI序列具有较高的诊断效能。董俊伊等[28]利用MRI图像纹理分析发现血管瘤型脑膜瘤在增强T1WI序列上所选参数均有统计学意义,蕴含信息量多,与本研究不符,可能是因为该学者运用一阶直方图参数描述总体纹理特征,而本研究使用的GLCM参数是描述局部特征。

3.3 局限性

       本研究具有一定的局限性:(1)病例数相对较少,得出的结果需进一步证实;(2)只对T2WI序列和对比增强T1WI序列进行研究,未纳入其他序列;(3)ROI选取二维纹理特征,可能导致信息获取不全面。

       综上所述,基于GLCM的MRI图像纹理分析在鉴别椎管内脊膜瘤和神经鞘瘤具有一定的价值,可以为临床选择合适的治疗方法提供参考。

[1]
DiGiorgio AM, Virk MS, Mummaneni PV. Spinal meningiomas[J]. Handb Clin Neurol, 2020, 170: 251-256. DOI: 10.1016/B978-0-12-822198-3.00045-8.
[2]
Zhai X, Zhou M, Chen H, et al. Differentiation between intraspinal schwannoma and meningioma by MR characteristics and clinic features[J]. Radiol Med, 2019, 124(6): 510-521. DOI: 10.1007/s11547-019-00988-z.
[3]
Gu R, Liu JB, Zhang Q, et al. MRI diagnosis of intradural extramedullary tumors[J]. J Cancer Res Ther, 2014, 10(4): 927-931. DOI: 10.4103/0973-1482.137993.
[4]
Matsumura Y, Yamaguchi H, Watanabe K, et al. Lateral-or prone-position video-assisted thoracic surgery for dumbbell-type posterior mediastinal tumors: pros and cons[J]. Indian J Thorac Cardiovasc Surg, 2022, 38(4): 430-433. DOI: 10.1007/s12055-022-01343-0.
[5]
Maiti TK, Bir SC, Patra DP, et al. Spinal meningiomas: clinicoradiological factors predicting recurrence and functional outcome[J/OL]. Neurosurg Focus, 2016, 41(2) [2022-04-20]. https://thejns.org/focus/view/journals/neurosurg-focus/41/2/article-pE6.xml. DOI: 10.3171/2016.5.FOCUS16163.
[6]
Gilard V, Goia A, Ferracci FX, et al. Spinal meningioma and factors predictive of post-operative deterioration[J]. J Neurooncol, 2018, 140(1): 49-54. DOI: 10.1007/s11060-018-2929-y.
[7]
Sadrameli SS, Chan TM, Lee JJ, et al. Resection of Spinal Meningioma Using Ultrasonic BoneScalpel Microshaver: Cases, Technique, and Review of the Literature[J]. Oper Neurosurg (Hagerstown), 2020, 19(6): 715-720. DOI: 10.1093/ons/opaa223.
[8]
Xia LL, Tang J, Huang SL. Primary intraspinal benign tumors treated surgically: an analysis from China[J]. Br J Neurosurg, 2021, 35(5): 603-606. DOI: 10.1080/02688697.2021.1923648.
[9]
陆紫微, 田霞, 孙琪, 等. 椎管内脊膜瘤和神经鞘瘤MRI鉴别[J]. 医学影像学杂志, 2012, 22(8): 1250-1253. DOI: 10.3969/j.issn.1006-9011.2012.08.006.
Lu ZW, Tian X, Sun Q, et al. The difference between spinal meningiomas and schwannoma on MRI appearance[J]. Journal of Medical Imaging, 2012, 22(8): 1250-1253. DOI: 10.3969/j.issn.1006-9011.2012.08.006.
[10]
谢玉海, 范影, 赵雷,等. MRI诊断椎管内多发脊膜瘤一例[J]. 磁共振成像, 2012, 3(6): 478-479. DOI: 10.3969/j.issn.1674-8034.2012.06.014.
Xie YH, Fan Y, Zhao L, et al. MRI diagnosis of the case of multiple intra-spinal meningeoma[J]. Chin J Magn Reson Imaging, 2012, 3(6): 478-479 DOI: 10.3969/j.issn.1674-8034.2012.06.014.
[11]
Almeida M, Santos I. Classification Models for Skin Tumor Detection Using Texture Analysis in Medical Images[J]. J Imaging, 2020, 6(6): 51. DOI: 10.3390/jimaging6060051.
[12]
Zhang Y, Zhuang Y, Ge Y, et al. MRI whole-lesion texture analysis on ADC maps for the prognostic assessment of ischemic stroke[J/OL]. BMC Med Imaging, 22(1) [2022-04-20]. https://bmcmedimaging.biomedcentral.com/articles/10.1186/s12880-022-00845-y. DOI: 10.1186/s12880-022-00845-y.
[13]
Scalco E, Rizzo G. Texture analysis of medical images for radiotherapy applications[J/OL]. Br J Radiol, 2017, 90(1070) [2022-04-20]. https://www.birpublications.org/doi/10.1259/bjr.20160642. DOI: 10.1259/bjr.20160642.
[14]
陈瑾, 王海屹, 叶慧义. 纹理分析在肿瘤影像学中的研究进展[J]. 中华放射学杂志, 2017, 51(12): 979-982. DOI: 10.3760/cma.j.issn.1005-1201.2017.12.020.
Chen J, Wang HY, Ye HY. Research progress of texture analysis in tumor imaging[J]. Chin J Radiol, 2017, 51(12): 979-982. DOI: 10.3760/cma.j.issn.1005-1201.2017.12.020.
[15]
Yang G, He Y, Li X, et al. Gabor-GLCM-Based Texture Feature Extraction Using Flame Image to Predict the O2 Content and NOx[J]. ACS Omega, 2022, 7(5): 3889-3899. DOI: 10.1021/acsomega.1c03397.
[16]
董天发, 麦慧, 魏慧慧, 等. 基于常规T2WI灰度共生矩阵纹理参数鉴别诊断卵巢实性肿瘤良恶性[J]. 中国医学影像技术, 2018, 34(9): 1377-1380. DOI: 10.13929/j.1003-3289.201802005.
Dong TF, Mai H, Wei HH, et al. Gray level co-occurrence matrix based on T2WI in differential diagnosis of benign and malignant ovarian solid tumors[J]. Chin J Med Imaging Technol, 2018, 34(9): 1377-1380. DOI: 10.13929/j.1003-3289.201802005.
[17]
Depeursinge A, Foncubierta-Rodriguez A, Van De Ville D, et al. Three-dimensional solid texture analysis in biomedical imaging: review and opportunities[J]. Med Image Anal, 2014, 18(1): 176-196. DOI: 10.1016/j.media.2013.10.005.
[18]
Dhruv B, Mittal N, Modi M. Study of Haralick's and GLCM texture analysis on 3D medical images[J]. Int J Neurosci, 2019, 129(4): 350-362. DOI: 10.1080/00207454.2018.1536052.
[19]
Fan TW, Malhi H, Varghese B, et al. Computed tomography-based texture analysis of bladder cancer: differentiating urothelial carcinoma from micropapillary carcinoma[J]. Abdom Radiol (NY), 2019, 44(1): 201-208. DOI: 10.1007/s00261-018-1694-x.
[20]
Tan J, Gao Y, Liang Z, et al. 3D-GLCM CNN: A 3-Dimensional Gray-Level Co-Occurrence Matrix-Based CNN Model for Polyp Classification via CT Colonography[J]. IEEE Trans Med Imaging, 2020, 39(6): 2013-2024. DOI: 10.1109/TMI.2019.2963177.
[21]
Koeller KK, Shih RY. Intradural Extramedullary Spinal Neoplasms: Radiologic-Pathologic Correlation[J]. Radiographics, 2019, 39(2): 468-490. DOI: 10.1148/rg.2019180200.
[22]
Dhruv B, Mittal N, Modi M. Study of Haralick's and GLCM texture analysis on 3D medical images[J]. Int J Neurosci, 2019, 129(4): 350-362. DOI: 10.1080/00207454.2018.1536052.
[23]
Cetinkal A, Atabey C, Kaya S, et al. Intraosseous schwannoma of thoracic 12 vertebra without spinal canal involvement[J]. Eur Spine J, 2009, 18(Suppl 2): 236-239. DOI: 10.1007/s00586-009-0922-z.
[24]
Takashima H, Takebayashi T, Yoshimoto M, et al. Differentiating spinal intradural-extramedullary schwannoma from meningioma using MRI T2 weighted images[J/OL]. Br J Radiol, 2018, 91(1092) [2022-04-20]. https://www.birpublications.org/doi/10.1259/bjr.20180262. DOI: 10.1259/bjr.20180262.
[25]
陈玲, 周运锋, 吴琛, 等. 不同部位周围神经鞘瘤的CT、MRI表现分析[J]. 磁共振成像, 2020, 11(2): 145-148. DOI: 10.12015/issn.1674-8034.2020.02.014.
Chen L, Zhou YF, Wu C, et al. CT and MRI imaging characteristics of peripheral schwannoma in different location[J]. Chin J Magn Reson Imaging, 2020, 11(2): 145-148. DOI: 10.12015/issn.1674-8034.2020.02.014.
[26]
Nagano H, Sakai K, Tazoe J, et al. Whole-tumor histogram analysis of DWI and QSI for differentiating between meningioma and schwannoma: a pilot study[J]. Jpn J Radiol, 2019, 37(10): 694-700. DOI: 10.1007/s11604-019-00862-y.
[27]
Feng M, Zhang M, Liu Y, et al. Texture analysis of MR images to identify the differentiated degree in hepatocellular carcinoma: a retrospective study[J/OL]. BMC Cancer, 20(1) [2022-04-20]. https://bmccancer.biomedcentral.com/articles/10.1186/s12885-020-07094-8. DOI: 10.1186/s12885-020-07094-8.
[28]
董俊伊, 苗延巍, 刘双, 等. 基于常规MRI图像的纹理分析鉴别:血管周细胞瘤/孤立性纤维瘤与血管瘤型脑膜瘤[J]. 磁共振成像, 2018, 9(4): 258-264. DOI: 10.12015/issn.1674-8034.2018.04.004.
Dong JY, Miao YW, Liu S, et al. Texture analysis of conventional MRI parameters for differentiating between hemangioma meningioma and hemangiopericytoma based on whole tumor measurement[J]. Chin J Magn Reson Imaging, 2018, 9(4): 258-264. DOI: 10.12015/issn.1674-8034.2018.04.004.

上一篇 基于颅脑MRI/MRA影像学的烟雾综合征急性脑梗死模式与血管狭窄特征的相关性研究
下一篇 磁共振成像对乳腺BI-RADS 4类病变诊断效能的研究
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2