A gócos májbetegségek korszerű MR-diagnosztikája
Cikk címe: A gócos májbetegségek korszerű MR-diagnosztikája
Szerzők: Prof. Dr. Palkó András
Intézmények: SZTE ÁOK Radiológiai Klinika
Évfolyam: XVII. évfolyam
Lapszám: 2018. / 05. lapszám
Oldal: 39-41
Rovat: KÉPALKOTÓ DIAGNOSZTIKA
Alrovat: KÉPALKOTÓ DIAGNOSZTIKA
Absztrakt:
Az MR számos szöveti és sejtszintű tulajdonság együttes értékelésére képes, azonban képességei teljes kiaknázásához optimalizálni kell a mérési protokollt. A diffúziósúlyozott és a dinamikus kontrasztanyagos mérések ma már kötelező részei a máj MRI-vizsgálatának. A hepatobiliaris kontrasztanyagok elsősorban a karakterizálásban játszanak jelentős szerepet. A kvantitatív mérések jelentős és objektív többletinformációt nyújtanak, amelyek a differenciáldiagnosztikában, de a korszerű daganatterápiák eredményességének megítélésében is döntő fontosságúak.
Abstract:
Up to date MRI diagnostics of focal liver diseases. MRI is able to simultaneously evaluate multiple tissue and cellular characteristics, however, to fully make use its capacities the imaging protocol has to be optimised. Diffusion-weighted and multiphasic contrast-enhanced measurements are compulsory elements of the liver MRI examination today. Hepatobiliary contrast agents play an important role in the characterisation of lesions. Quantitative imaging technics provide significant objective additional information which are indispensable in the differential diagnostics and the evaluation of tumour response to treatment.
XVII. évfolyam
2018. / 05. lapszám / Június
| Szerző | Intézmény |
|---|---|
| Prof. Dr. Palkó András | SZTE ÁOK Radiológiai Klinika |
[1] Kim BR et al: Diagnostic performance of gadoxetic acidenhanced liver MR imaging versus multidetector CT in the detection of dysplastic nodules and early hepatocellular carcinoma, Radiology, 2017, 285:134-146
[2] Sahu S et al: Imaging biomarkers of tumor response in neuroendocrine liver metastases treated with transarterial chemoembolization: can enhancing tumor burden of the whole liver help predict patient survival? Radiology, 2018, 283:883-894
[3] Gonzalez-Guindalini FD et al: Assessment of liver tumor response to therapy: role of quantitative imaging, RadioGraphics 2013, 33:1781–1800.
[4] Yasaka K et al: Deep learning with convolutional neural network for differentiation of liver masses: a preliminary study, Radiology, 2018, 286:887-896
[5] Ta CN et al: Focal liver lesions: computer aided diagnosis, Radiology, 2018, 286:1062-1071