近日，中國科學(xué)院深圳先進(jìn)技術(shù)研究院醫(yī)工所勞特伯生物醫(yī)學(xué)成像中心與中國醫(yī)學(xué)科學(xué)腫瘤醫(yī)院深圳醫(yī)院放射科合作研究工作Voxelwise mapping of DCE-MRI time-intensity-curve profiles enables visualizing and quantifying hemodynamic heterogeneity in breast lesions發(fā)表在醫(yī)學(xué)放射學(xué)領(lǐng)域國際權(quán)威期刊European Radiology上。
該研究創(chuàng)新性地提出一種不基于模型、純數(shù)據(jù)驅(qū)動的DCE圖像定量分析方法，通過逐體素提取時(shí)間信號曲線進(jìn)行自動分類，并將不同類別時(shí)間信號曲線的空間分布和分類占比映射到腫瘤空間內(nèi)部進(jìn)行顏色編碼，實(shí)現(xiàn)了對乳腺癌血流動力學(xué)異質(zhì)性的定量可視化評估。研究發(fā)現(xiàn)該新方法所提取的血流動力學(xué)異質(zhì)性特征對于區(qū)分乳腺腫瘤的良惡性、病理級別、分子亞型和細(xì)胞增殖狀態(tài)均具有顯著的價(jià)值。
近年來，動態(tài)增強(qiáng)磁共振成像（dynamic contrast enhanced MRI, DCE-MRI）作為乳腺MRI中最重要的序列，已廣泛應(yīng)用于乳腺癌的診斷、療效評估和預(yù)后預(yù)測中。DCE-MRI通過連續(xù)監(jiān)測造影劑進(jìn)出腫瘤內(nèi)部后引起的磁共振信號的變化，來反映腫瘤的血流動力學(xué)。迄今為止，從DCE-MRI圖像中提取血流動力學(xué)信息的方法包括定性分析、半定量分析和基于模型的定量分析。由于可操作性強(qiáng)的優(yōu)點(diǎn)，目前定性分析廣泛應(yīng)用于臨床，但它不能分析整個腫瘤，且容易受到感興趣區(qū)域（ROI）選擇隨機(jī)性、信號的平均效應(yīng)、觀察者間的不一致性的影響，且該方法不能反映腫瘤內(nèi)部的空間血流動力學(xué)異質(zhì)性。相比之下，半定量分析通過一些半定量參數(shù)更加定量地表征時(shí)間信號曲線（Time-Signal Intensity-Curve, TIC），但它仍然容易受到ROI選擇的隨機(jī)性、信號的平均效應(yīng)以及定義的不統(tǒng)一的影響，而很少用于臨床。此外，基于模型的定量分析方法可以獲得組織和病變的定量生理信息，但目前分析都是基于理想模型（例如雙室模型），并且由于模型的復(fù)雜性，很容易受到MRI掃描參數(shù)、注射對比劑前組織的基線T1值、動脈輸入函數(shù)和特定組織屬性的影響，此外在濃度曲線擬合過程中也會受到各種偽影、噪聲、變形和/或低時(shí)間分辨率影響而產(chǎn)生錯誤結(jié)果[12]。因此，由于實(shí)驗(yàn)限制和生理模型固有的缺陷，基于模型的定量分析也很難轉(zhuǎn)化到臨床場景中。
針對上述問題，該研究繞開復(fù)雜的生理學(xué)模型，提出一種不基于模型、純數(shù)據(jù)驅(qū)動的DCE圖像定量分析方法，通過逐體素提取時(shí)間信號曲線進(jìn)行自動分類，并將不同類別時(shí)間信號曲線的空間分布和分類占比映射到腫瘤空間內(nèi)部進(jìn)行顏色編碼，實(shí)現(xiàn)了對乳腺癌血流動力學(xué)異質(zhì)性的定量可視化評估。研究發(fā)現(xiàn)該新方法所提取的血流動力學(xué)異質(zhì)性特征對于區(qū)分乳腺腫瘤的良惡性、病理級別、分子亞型和細(xì)胞增殖狀態(tài)均具有顯著的價(jià)值，為研究腫瘤微環(huán)境異質(zhì)性提供了一種新思路和新方法。
研究團(tuán)隊(duì)從2018年12月至2022年7月，回顧性納入了259名接受乳腺動態(tài)增強(qiáng)磁共振成像（DCE-MRI）檢查的患者，共325個病理學(xué)證實(shí)的乳腺病變。基于手動分割的乳腺病變，將整個3D病變內(nèi)每個體素的時(shí)間-信號曲線根據(jù)初始強(qiáng)化速率（未強(qiáng)化、緩慢、中等和快速）、延遲強(qiáng)化狀態(tài)（持續(xù)、平臺和下降）和強(qiáng)化穩(wěn)定性（穩(wěn)定和不穩(wěn)定）分為19類，并計(jì)算每個病變的這19類TIC曲線的組成比作為新的特征集（定義為type-19）。分別用type-19特征、臨床常用的三型TIC（流入型、平臺型和流出型）以及半定量參數(shù)構(gòu)建機(jī)器學(xué)習(xí)模型，用于鑒別病變的良惡性、病理分級、增殖狀態(tài)（Ki-67）和分子亞型（詳見技術(shù)路線圖1）。
結(jié)果顯示，基于Type-19特征構(gòu)建的模型在區(qū)分病變的良惡性（分別為AUC=0.875 vs. 0.831，p=0.01和0.875 vs. 0.804，p=0.03）和預(yù)測腫瘤增殖狀態(tài)（AUC=0.890 vs. 0.548，p=0.006和0.890 vs. 0.596，p=0.020）方面，顯著優(yōu)于基于三型TIC和半定量參數(shù)的模型。
逐體素TIC曲線分類的空間映射參數(shù)圖提供了一種全新的不基于模型和純數(shù)據(jù)驅(qū)動的方法來定量可視化腫瘤血流動力學(xué)異質(zhì)性，該方法不僅能用于乳腺癌，還能轉(zhuǎn)化應(yīng)用到全身多種腫瘤中，具有廣泛的臨床應(yīng)用價(jià)值。
中國科學(xué)院深圳先進(jìn)技術(shù)研究院訪問學(xué)者、腫瘤醫(yī)院劉周博士為論文第一作者，客座學(xué)生姚冰玉為共同第一作者，張娜副研究員、腫瘤醫(yī)院羅德紅主任為論文通訊作者。
圖1 技術(shù)路線流程圖
圖2 四個典型病例的Type-19彩色編碼圖像，包括良性葉狀腫瘤(a)，有大量透明變性的纖維腺瘤(b)，非特殊類型的浸潤性乳腺癌(c)，以及非特殊類型的浸潤性乳腺癌（有壞死區(qū)域） (d)
圖3 使用Type-19特征集區(qū)分乳腺癌病灶的惡性程度。所有良性和惡性乳腺病灶的熱圖分布(a)和條形對比圖(b)，以及良性病灶(c)和惡性病灶(d)Type-19特征集排名條形圖。
圖4 高級別和低級別(a)，高增殖和低增殖狀態(tài)(b)以及四種分子亞型浸潤性乳腺癌(c)的Type-19特征的比較條形圖
附件下載：