Dual-time-point的两篇文献浅学
introduction
Malignent Lymphoma （ML）恶性淋巴瘤是最常见的血液系统恶性肿瘤之一。
?PET/CT offers advantages over converntional imaging techniques, because it can demonstrate abnormal netabolic activity and extension of malignant diseases.
PET相比传统的技术更有优势，因为它可以显示异常的代谢活动和恶性疾病的扩展
?However, many inflammatory lesions such as pneumonia, sarcoidosis, rheumatoid arthritis, etc., also have elevated F-18 FDG uptake in PET, leading to false-positive results.
然而许多炎症病变，如肺炎、结节病、类风湿性关节炎等，在PET中的f-18 FDG的摄取也会升高，产生假阳性的结果。
本研究的目的就是评估，dual-time-point F-18 FDG PET/CT scan在恶性淋巴瘤初期诊断中的有效性，并分析早期50分钟扫描和100分钟延迟扫描的SUVmax的值。
Patient population
这个入组人群的描述挺好的。我觉得可以学习一下：
image.png
F-18 FDG PET/CT scans
这个描述机器和扫描的，也可以学习一下：
image.png
image.png
image analysis
这里文章很老是2012年的，采用的分类方式也是four-score visual scale。
这里值得一提的是SUV的计算方式写的很标准：
image.png
除了SUV，还用到了一个指标，RI-SUV, we tried to evaluate an usefulness of difference between early SUV max and delayed SUVmax in this study as a more simple index:
image.png
statistical analysis
?A paired 2-tailed t test was used to compare differences bwtween ML and BLN in those indices.
关于统计的部分先留着坑，之后填。
- 文章转自微信公众号：机器学习炼丹术
- 笔记：陈亦新
- 参考论文: Correlation Between dual-time-point FDG PET and Tumor Microenvironment Immune Types in Non-small cell lung Cancer
image.png
这一篇和深度学习其实关系不大，目的还是学习dual-time-point和一些统计方法。
method概述
本文retrospective回顾性分析了91例病人。分解计算了metabolic parameters （MPs），包含：
- early scan：eSUVmax，eSUVmean，eMTV，eTLG
- delay scan也是这四个参数
- 还计算了两个时间点之间的MPs，DSUVmax，DSUVmean，DMTV，DTLG。
statistical analysis
- the distribution of variable was checked using Shapiro-Wilk test
- For continuous data, the differences between two groups were assessed using Mann-Whitney U test or Student's t-test
- Differences among multi-group were compared using one-way analysis of variance (ANOVA) or Kruskal-Walls H test
MTV and TLG
- MTV：metabolic tumor volume
- TLG：total lesion glycolysis
image.png
- Shapiro-Wilk test：进行正态分布的检验
- Mann-Whitney U test， MWW检验，对独立样本进行的一种不要求正态分布的t-test检验方式。主要对来自除了总体均值外完全相同的两个总体，检验其是否显著差异。
- ANOVA是方差分析的方法，用来解决多组样本之间的平均值是否有显著差异的问题。