灌注成像在腦膠質瘤鑒別和分級診斷中的價值

陳世艷,符芳雄,陳旺生

膠質瘤(glioma,GM)是最常見的原發(fā)性腦腫瘤,確切病因不明確。據2021年WHO中樞神經系統(tǒng)分類第五版,GM分為1～4級[1],預后最差的GBM,中位生存期僅約15個月[2]。GM病理生理學改變與異常血管化密切相關,在一定程度上可反映腫瘤的生物學行為,精準的鑒別和分級診斷是制定治療方案和改善預后的基礎。灌注成像能夠反應組織的血流動力學狀態(tài),是腦GM鑒別和分級診斷的重要參考依據。本文就計算機斷層灌注成像(computed tomography perfusion,CTP)、磁共振灌注成像(perfusion weighted imaging,PWI)在GM的鑒別與分級診斷中的意義和價值的相關研究進展予以綜述。

膠質瘤血管微血管形成機制

GM的血管形成是一個復雜的過程,涉及許多機制、通路和調節(jié)因子,目前所知的腫瘤血管生成(angiogenesis)的細胞機制主要包括:經典的出芽血管生成;血管的共同選擇;血管內陷;血管生成擬態(tài);骨髓來源的血管以及腫瘤干細胞來源的血管等。其中,經典的出芽血管生成是最重要的機制,GM的新生血管在內皮細胞因子(vascular endoth elial growth factor,VEGF)的驅動下,在既有腫瘤血管的基礎上遷移和分化形成新的微血管[3]。

VEGF屬于血小板衍生的生長因子超基因家族,是重要的促血管生成活性的生長因子,是GM血管生成中關鍵的調節(jié)因子。VEGF對內皮細胞具有促有絲分裂和抗凋亡作用,增加血管通透性,促進細胞遷移,VEGF介導的信號傳導也有助于腫瘤發(fā)生,在GM細胞中的陽性表達率遠遠高于正常腦細胞。GM血管的生長受到雙向調節(jié)因子的相互作用,血管生成誘導因子除了上述提到的VEGF之外,還有成纖維細胞生長因子(fibroblast growth factor,FGF)能促進血管內皮細胞的分裂和趨化,參與PI3K/AKT信號通路,抑制內皮細胞的凋亡;組織金屬蛋白酶抑制劑(tissue inhibitorof matrix metallo proteinases,TIMPs)能降解細胞外基質(extracellular matrix,ECM)促進內皮細胞移動與之重建;缺氧誘導因子-1(hypoxia inducible factor-1,HIF-1)被認為是GM血管生成最關鍵的因子,低氧環(huán)境是誘導腫瘤血管生成的驅動因素,腫瘤細胞在增殖初期尚能維持其微血管結構的營養(yǎng)支持。隨著腫瘤組織的直徑達到1～2 mm時表現出高而紊亂的代謝活性,部分瘤體開始處于缺氧狀態(tài)使得HIF-1激活,在腫瘤低氧的初始期HIF-1刺激多種血管誘導因子促進血管內皮細胞的激活、增殖,基膜降解、出芽、細胞遷移、重塑形成管腔樣結構[4]。這些復雜的因素在一定程度上決定了GM血管異質性和侵襲性,是腫瘤進展的主要原因?；谀[瘤脈管系統(tǒng)形成差異,導致不同腫瘤之間和不同分級的GM之間的BBB通透性不盡相同,是灌注成像對膠質瘤進行鑒別和分級診斷的基礎。

計算機斷層灌注成像

1.計算機斷層灌注成像(computed tomography perfusion,CTP)原理

CTP是在靜脈注射對比劑后,對感興趣區(qū)層面進行連續(xù)掃描,從而獲得感興趣區(qū)時間-密度曲線(time-density curve,TDC),利用數學模型(非去卷積法和去卷積法)計算相對腦血流量(relative cerebral blood flow,rCBF)、相對血腦容量(relative cerebral blood volume,rCBV)、平均運輸時間(meantransit time,MTT)、對比劑峰值時間(time to peak,TTP)和滲透表面積乘積(permeability surface area product,PS)等參數,量化反映局部組織血流灌注狀態(tài)以及血管化程度等微循環(huán)信息[5]。

2.CTP在膠質瘤鑒別診斷中的意義和價值

CTP可反映微血管密度和毛細血管通透性狀況,不同腫瘤之間、同一腫瘤不同級別之間的內部血管形態(tài)和分布各異,血流動力學表現不盡相同。因此,在使用灌注參數對GM與PCNSL等常規(guī)影像特征相似的顱腦腫瘤進行對比時,需要先將GM進行鑒別,再選擇不同的對照方式,得出的結果更具有信服力。Schramm等[6]使用Patlak方法基于CTP圖像對GM與PCNSL鑒別,并計算CBF、CBV和Ktrans平均值,結果顯示與正常腦實質相比,LGG的灌注參數并無統(tǒng)計學意義,HGG的灌注參數值均明顯升高,PCNSL的Ktrans值明顯增加;在HGG與PCNSL之間比較,僅有CBV值可作為區(qū)分二者的參數。Xyda等[7]在前者研究的基礎上對腦腫瘤患者進行全腦容積CTP(VCTP)灌注參數評估,LGG與PCNSL相鑒別時,最準確的診斷標志物是Ktrans;HGG與PCNSL相鑒別時,CBF和CBV均可區(qū)分二者,并且,在研究中所有CBF和CBV值高于臨界點的腫瘤實體(CBF=83.3 mL/100 mL/min和CBV=4.80 mL/100 mL),經組織病理學證實均為HGG。

雖然VCTP可分析整個腫瘤血流動力學,但是Patlak模型基于的假設太多,有一定的缺陷,目前已被大部分臨床研究所拋棄。因此,腫瘤鑒別時還是需要注意腫瘤感興趣區(qū)域的選擇。Onishi等[8]鑒別GM、PCNSL、METS時,選取了腫瘤(t)和瘤周(p)區(qū)域的CTP參數(CBV、CBF、MTT和PS),結果發(fā)現rCBVt和rCBFt可以區(qū)分 GBM 和其他腫瘤,并且rCBVt的診斷性能最佳(曲線下面積 = 0.8636)。rCBVt和 rPSt的組合可以區(qū)分 GBM與其它腫瘤(敏感度81.8%和特異度94.1%);METS的rMTTp在統(tǒng)計學上高于GBM和PCNSL,rMTTp和rCBFp聯(lián)合應用也可區(qū)分METS與其它腫瘤(敏感度90.9%和特異度82.1%)。此外,腫瘤區(qū)域的選擇的細化與參數的聯(lián)合應用均有助于腫瘤的鑒別診斷。Lee等[9]也得到類似研究結果,PS和CBV的聯(lián)合分析不僅有助于鑒別GBM與PCNSL,還有助于腦膿腫和HGG之間的鑒別。在以往部分研究中PS在GM、METS和PCNSL相互鑒別時效果甚微[10]。但當PS與CBV相互聯(lián)合卻能發(fā)揮更好的鑒別效果。這種聯(lián)合應用充分發(fā)揮了單一參數各自的價值。

GM除了需要與腦腫瘤相互鑒別,有時和非腫瘤疾病的鑒別也相對困難,腫瘤樣脫髓鞘病變(TDL)在常規(guī)MR成像上表現不典型,與HGG相似甚至在組織病理學上TDL也經常與GM混淆。TDL生物學特征是固有正?；蜓装Y血管,缺乏新生血管,基于此差異或許使用CTP能在一定程度上加以區(qū)分,Jian等[11]比較5名TDL與24名HGG患者的CTP參數顯示了TDL的CBF、CBV和PS明顯低于HGG,雖然該研究樣本量較小,而HGG并非均富血供,但是結果也具有一定的提示作用。

以往CTP研究通常側重于GM在組織病理層面的鑒別,然而隨著GM的基因靶點研究的深入,GM的分子亞型被公認為與惡性程度更相關。Wang等[12]對46名GM患者行CTP掃描,結果表明IDH突變型的rCBV和rPS值低于IDH野生型,MGMT甲基化的rCBF值低于MGMT非甲基化者,TERT野生型組的MVD低于TERT突變組,上述差異均具有統(tǒng)計學意義。這幾種常見的GM標志物( IDH、MGMT和 TERT )均與GM的無進展生存期和總生存期獨立或交互相關,利用CTP成像有助于其鑒別,對GM的治療決策起到至關重要的作用。

3.CTP在膠質瘤分級診斷中的意義和價值

微血管增殖程度是GM病理學分級的最重要依據之一[13],不同級別GM微血管結構變化多樣,CTP參數也隨著GM分級相應變化,在分級診斷中發(fā)揮重要作用。Jain等[14]對GM患者進行分級并比較CTP參數(PS、CBV和CBF),結果表明LGG的平均值低于HGG,且CBV和PS在GM分級中比CBF和MTT有更高的可預測性,尤其在區(qū)分3級和4級GM,PS更為可靠。CTP參數主要基于對微血管增殖和新血管生成的估計,僅憑這一成像基礎可能會忽略其它與分級相關的因素而導致低估非增強腫瘤的分級。因此,有研究將CTP衍生的CBV和雙能 CT 測量的電子密度(ED)相結合,發(fā)現rCBV加rED以及CBV加ED的組合比單獨的參數更準確。GM分級的最重要特征之一是微血管增殖程度,除此之外,還有核異型性、有絲分裂和壞死的特征。HGG的另一個特點是腫瘤細胞密度高,核質比高。無需對比劑或輻射即可分析的ED可反映細胞密度和核質比,因此,它們認為CBV和ED可能是互補的參數,這樣的技術聯(lián)合,既能發(fā)揮CTP的優(yōu)勢,還能彌補CTP的部分局限性[15]。

除了與其它技術的聯(lián)合可以提升GM分級的準確性,CTP參數之間的關聯(lián)性也是分級診斷的一種方式。Jain等[16]評估了CTP參數(rCBV相對于PS變化率和rCBV與PS比率)與GM分級之間的關系,2級GM的rCBV與PS的變化率和比率均最高,其次是3級,然后是4級(變化率分別為1.64、0.91、0.27;比率分別為3.26、2.46、1.41),rCBV與PS的變化率和比率可以作為腫瘤微血管水平發(fā)生變化的影像學關聯(lián),rCBV升高提示微血管密度增加,意味著非滲漏血管增加,PS升高則提示滲漏血管較多,反映了由于腫瘤缺氧導致的促血管生成表達增加,有助于從腫瘤血管生成和血管表型變化的角度理解GM分級。

近年來,AI在醫(yī)學影像的應用愈加廣泛,有研究基于BN-U-net-W網絡模型的128排全腦CTP圖像分割方法,得出CBF、PMB、CVB在HGG與LGG的鑒別中具有統(tǒng)計學意義(P<0.05),而兩組MTT無顯著性差異(P>0.05)[17]。雖然CTP參數在GM分級中的研究結果大多是類似的,但是與人工智能結合借助智能算法規(guī)范圖像感興趣區(qū)域的選擇,可以提高診斷的效率,降低誤診和漏診的風險。

4.CTP在膠質瘤鑒別分級診斷中優(yōu)勢與不足

從1991年Miles[18]提出至今,CTP成像技術已經較為成熟,相對其它灌注技術掃描時間更短,多層面的CTP灌注也大大提高時間分辨率和空間分辨率,此外,CTP不會受到由于腫瘤的出血性元素或礦物質沉積引發(fā)的易感偽影影響,因其廣泛的可用性和低成本而非常適合研究腦腫瘤,能直觀反映灌注參數,客觀量化GM血管分布和血流動力學狀態(tài)。血管增殖和血液供應與灌注加權圖像的對比度增強直接相關,CTP衰減值和對比濃度的線性關系[19],是腦GM的鑒別診斷和分級診斷基礎。但CTP仍存在缺點,對病灶感興趣區(qū)、輸入動脈及輸出靜脈的選擇,缺乏統(tǒng)一的灌注參數標準值等,此外,隨著CTP檢查覆蓋范圍的提高,輻射量也相應增加。隨著功能成像技術的不斷完善和發(fā)展,加上與人工智能的結合,或許能彌補一些由于客觀因素所帶來應用上的缺陷,CTP將在GM的鑒別和分級診斷上將展現更大的價值。

磁共振灌注成像

磁共振灌注成像(perfusion weighted imaging,PWI)利用快速成像序列和圖像后處理技術反映組織的微血管分布及血流灌注情況,具有無輻射、成像范圍更廣、病灶檢出敏感性高等優(yōu)點,可提供腦部血流動力學方面的信息,反映腫瘤內部的異質性更佳。MRI良好的軟組織分辨率,使其對周圍水腫的顯示也更清晰、準確,是GM的鑒別診斷與分級診斷主要檢查方式[20]。

1.PWI原理

PWI采用快速成像技術,通過注射內源性或外源性對比劑,測量血流動力學參數來反映組織的血流灌注及微血管滲透情況。PWI參數可提供腫瘤血管生成和毛細血管通透性的可靠的替代標志物,二者是GM鑒別診斷、分級和預后評估的重要生物學指標。目前,PWI成像主要包括基于T2的動態(tài)磁敏感增強灌注成像(DSC)、基于T1的動態(tài)增強灌注成像(DCE)和動脈自旋標記灌注成像(ASL)。

基于T2的動態(tài)磁敏感增強灌注成像DSC:基于T2加權的DSC成像,外源性對比劑透過腦血管后使血管周圍磁場發(fā)生改變,使T2弛豫時間縮短,T2信號強度顯著降低。利用示蹤劑動力學模型和對比劑稀釋理論可以由從信號強度-時間過程曲線(SI-TCC)和對比劑濃度-時間過程曲線(CC-TCC)獲得相應動力學參數來評估血流動力學測量值。腦部常用的灌注參數為CBV、CBF、MTT、TTP等。

基于T1的動態(tài)增強灌注成像DCE:DCE采用T1加權進行成像,通過注射外源性對比劑后引起周圍組織的T1值縮短,從而導致信號強度改變。DCE不僅能提供組織形態(tài)學信息,也可通過對應后處理技術獲得更多的灌注信息,包括:(1)基于時間-信號強度曲線,對多種指標對組織強化特征進行分析,常用指標有起始強化時間、最大梯度、最大信號強度、TTP和受試者操作特征曲線下面積(area under curve,AUC)等;(2)通過擬合藥代謝動力學模型獲得血管通透性信息,在細胞分子功能水平上反映病變組織內微血管灌注和滲透情況,常用的定量參數有容積轉運常數(ktrans)、速率常數(Kep)、細胞外間隙分數(Ve)、血漿分數(Vp)等[21]。

動脈自旋標記灌注成像ASL:ASL是一種無創(chuàng)性灌注加權成像方法,利用動脈血中的水分子作為內源性示蹤劑,定量測量CBF[22]。由于水在正常組織和腫瘤中的高滲性,ASL不需要使用復雜的泄漏校正算法來獲得定量的結果,而且信噪比、空間分辨率、可容忍的圖像失真量可以與成像時間相互權衡,可重復性好,但是獲取的參數較為單一。

2.PWI在膠質瘤的鑒別診斷中的意義和價值

常規(guī)MRI上區(qū)分GM與其它常見的腦腫瘤性病變相對困難,許多情況下GM與PCNSL表現相似,正確鑒別二者利于疾病的治療及預后。DSC是PWI中應用最廣泛的。Xu等[23]一項薈萃研究表明DSC可能是區(qū)分HGG和PCNSL的最佳技術(AUC=0.9812),靈敏度最高為0.963(95%CI:0.924,0.986)。定量測定DSC獲得的rCBV是GM與其它顱腦腫瘤鑒別最主要的參數,百分比信號恢復(PSR)是一種從 DSC成像中獲得的新灌注參數,被認為是比rCBV更好的用于鑒別腦腫瘤的定量參數。rCBV反映病變新生血管,但不能反映毛細血管通透性信息,而PSR反映毛細血管密度和通透性兩者的相互作用。Surendra等[24]在鑒別LGG、HGG、PCNSL和METS時,也得出PSR比rCBV的鑒別性能更佳的結論。因為rCBV的計算可能會受到對比劑泄漏的影響,雖可通過一些校正方式彌補,但是增加一些計算量。而PSR的計算很簡單,不需要復雜的后處理應用程序,可作為當前常用的DSC參數的補充。除了一些補充參數可提高DSC對GM的鑒別效果,使用動態(tài)紋理參數分析(DTPA),從DSC增強灌注圖的第一次對比階段提取特征,也發(fā)現了多發(fā)性硬化病變(MS)、GBM和PCNSL三者存在顯著差異,認為DTPA結合分類算法用于臨床常規(guī)鑒別這3種疾病有很大潛力[25]。

DSC技術雖然廣泛應用于區(qū)分GM、METS和PCNSL,但DSC存在空間分辨率低以及對出血、鈣化和金屬外科植入物的易感偽影的敏感性高等缺陷。DCE成像對易感性偽影不太敏感,可彌補DSC技術不足,對血管微環(huán)境進行無創(chuàng)分析從而鑒別GM與其它顱腦腫瘤。有報告表明PCNSL的平均Ktrans值與Ve值(0.50±0.18;0.83±0.19)明顯大于HGG(0.25±0.08;0.68±0.25)與METS(0.29±0.10;0.47±0.31),HGG與METS在各滲透率參數上沒有觀測到明顯差別[26],作者解釋PCNSL的Ktrans值之所以可以明顯高于HGG,原因是PCNSL血管壁的外緣被腫瘤細胞浸潤并破壞,并使血管周圍間隙變寬,導致大量對比劑滲漏。但Lin等[27]一項研究卻指出Ktrans在HGG和PCNSL之間沒有差異,他們分析原因認為這兩項研究結果的矛盾可能與使用不同計算參數模型相關。腫瘤的生長是異質的,PCNSL在病理上也會表現為低灌注,因此根據單個DCE參數來判斷腫瘤類型有可能帶來矛盾的結果。DCE基于傳統(tǒng)的對偽彩色圖像灌注程度對腫瘤的判斷,不能用于細化對腫瘤的感知。然而,直方圖分析對腫瘤異質性敏感,可以提取比肉眼看不到的更多信息。Zhang等[28]分析了DCE的AUC和直方圖中HGG和PCNSL之間的差異,發(fā)現基于AUC圖的直方圖特征在PCNSL組總是明顯高于HGG組(P<0.001),因此,DCE與直方圖相結合或能提高GM的鑒別診斷。HGG與METS的鑒別在各滲透率參數上常常不能觀測到明顯差別,由此需要借助其它參數進行區(qū)分,DCE的洗脫對數斜率和信號強度時間曲線的AUC被證明是區(qū)分富血供和乏血供腫瘤的最佳方法。Jung等[29]分析顯示洗脫對數斜率在區(qū)分富血供腫瘤(GBM和黑色素瘤)與乏血供METS的鑒別能力最佳(AUC=0.76),信號強度時間曲線次之(AUC=0.70和0.74)。另有研究在GBM和METS周圍的白質的藥代動力學灌注差異中發(fā)現GBM瘤周白質區(qū)域的對比吸收曲線下的初始面積iAUC和Ktrans在統(tǒng)計學上明顯升高,其中iAUC更適合評估GBM,腫瘤周圍白質iAUC增高一般提示GBM,但是iAUC與GBM的發(fā)生并不是線性關系,這也意味著腫瘤周圍白質iAUC的降低并不能排除GBM[30]。

ASL利用動脈血中的水分子作為內源性示蹤劑定量測量CBF,相比于以上兩種方式,它無需考慮BBB的滲漏效應,對腫瘤血流動力學評估更佳準確。CBF作為ASL最常規(guī)的參數,對GM與METS之間的鑒別仍存在爭議。Fu等[31]進行一項小樣本量(346名患者)的薈萃分析,證明了ASL來源的rCBF在區(qū)分METS和GM方面具有很高的敏感度[0.88(95%CI:0.65,0.96)]、特異度[0.85(95%CI:0.74,0.92)]和AUC[0.92(95%CI: 0.89,0.94)]。除了CBF,還有研究發(fā)現通過ASL與CE+T1WI測量的腫瘤體積差和比值(ROC曲線下的面積=0.865;0.852)也可能對鑒別GBM和METS有價值[32]。CBF可能因為METS的原發(fā)腫瘤而導致GM與METS的鑒別結果的不確定性因素較多,但是在GM與PCNSL的鑒別中CBF可以發(fā)揮有效的作用。證據表明可通過比較ASL絕對腦血流量(aCBF)和正常腦血流(nCBF)來確定在非典型HGG和PCNSL分化中的潛力,Di等[33]的研究結果顯示PCNSL和非典型HGG組中的aCBF、nCBF和腫瘤微血管密度存在顯著差異(P<0.05),并且,aCBF值與腫瘤微血管密度之間有很強的正相關(ρ=0.83,P=0.0029),意味著ASL衍生的aCBF值可能與腫瘤微血管密度直接相關。另一項研究使用3D-PCASL測量GBM(n=21 )和PCNSL(n=118)血流參數,得出ASL在PCNSL和GBM的鑒別診斷中具有很高的敏感度(maxTBFmean=86%,nTBF=95%)和特異度(maxTBFmean=77%,nTBF=73%),這項研究優(yōu)勢在于患者樣本量相比以往類似研究更大以及使用標準化值允許使用不同技術評估腦腫瘤血流,其結果更令人信服[34]。

3.PWI在膠質瘤分級診斷中的意義和價值

DSC通過檢測rCBV和rCBF來評估腫瘤新血管生成和對周圍組織的侵襲,被認為是高度準確的腫瘤分級和預測指標[35],尤其是rCBV作為反映腫瘤血流動力學特性的重要參數,大部分研究證明rCBV可以提高GM分級的準確性[36]。Zhang等[37]在比較LGG和HGG多參數ROC分析時得出標準化平均rCBV(最佳閾值、AUC、敏感度和特異度分別為2.240 mL/100 g、0.844、87.8%和75.9%)。多數文獻顯示HGG最大rCBV明顯大于LGG。但有少數研究存在矛盾的結果,Sahin等[38]發(fā)現LGG與HGG在rCBV上無明顯區(qū)別,產生結果差異可能與實驗對象選取感興趣區(qū)不同或者腫瘤亞型相關。Gaudino等[39]的研究指出rCBV在幕上腫瘤與幕下腫瘤分級中存在最佳閾值(幕上腫瘤3.04,幕下腫瘤1.77),與早期Law等[40]提出的基準值1.75十分接近。但是,Abrigo等[41]使用rCBV閾值<1.75來區(qū)分LGG和非增強HGG時,認為DSC對非增強腦GM分級的診斷性能的證據有限。同樣,其它DSC衍生參數在GM的分級中也存在矛盾的結果,例如,Zhang等[42]認為MTT與GM分級呈正相關,但是,Alkenhal等[43]認為MTT未顯示非增強2級和3級GM之間存在顯著差異。

眾所周知,DSC在GM的分級應用中表現出色,但無論哪種DSC衍生參數都會在類似研究中產生一些矛盾的結果(少數研究結果有所差異),這可能與GM本身的異質性、納入研究的亞型、灌注圖像感興趣區(qū)選取的差異與灌注過程缺乏統(tǒng)一的標準有關。為了盡可能規(guī)避客觀因素帶來的誤差,放射組學與機器學習相結合或能幫助DSC在GM分級中更有信服力。Sudre等[44]基于GM患者的DSC圖像提取了放射組學特征,并采用RF模型預測等級,結果發(fā)現2級和3級分化主要由形狀特征驅動,而紋理和強度特征可以更好區(qū)分3級和4級。另有一項薈萃研究分析利用機器學習算法(MLA)基于GM患者DSC圖像對HGG和LGG的瘤體自動分割,也表現出良好的準確性[45]。

BBB完整時對比劑不能外滲,DCE的定量參數Ktrans、Ve、Kep值近乎為0,GM微血管通透性升高,Ktrans、Ve、Kep隨之增加。有研究在分析幕上2～4級GM的多模態(tài)MRI診斷(T1WI、T2WI、DWI、DTI、DCE、ASL)與病理學的一致性發(fā)現,DCE表現最佳,其敏感度0.92,特異度0.95[46]。Okuchi等[47]的一項薈萃分析認為DCE定量參數可以很好區(qū)分HGG和LGG,敏感度、特異度和曲線下面積分別為0.93、0.90和0.96。但是在GM的具體分級中,DCE還存在缺陷,較多文獻指出Ktrans和Ve難以區(qū)分3級和4級,原因為3級和4級之間新生血管基底膜均不完整,微血管通透性接近[48]。為了更精準的對GM進行分級,有研究利用DCE圖像的紋理特征進行分析3級和4級的差異。DCE可以對表征腫瘤血管系統(tǒng)的灌注參數進行絕對量化,但測量DCE參數圖的異質性仍然存在障礙,因為需要復雜的數學模型生成可量化的參數。相比之下,從動態(tài)時間-信號強度曲線導出的無模型參數不太容易受到數學模型的影響。因此,Xie等[49]在比較DCE無模式和基于模型參數的文本特征在膠質瘤分級中的效能時發(fā)現,在所有4個無模型和基于模型的DCE參數(Max SI、Max Slope、基于Extended Tofts的vp和基于Patlak的vp)中,熵和IDM這兩個常用的紋理特征可以在多次測量中顯著區(qū)分3級和4級并顯示出良好的診斷效率。這也印證了DCE的紋理特征在區(qū)分不同級別的膠質瘤方面顯示出良好的能力。盡管如此,無模型的參數在臨床上的應用并不廣泛,這與其生理基礎不夠明確相關,因此DCE參數圖的異質性并不能簡單解決。近年來,深度卷積神經網絡(CNN)算法在醫(yī)學影像方面應用日趨成熟,CNN算法在進行圖像分割時,自動提取原始圖像特征,這或許可以避免人工提取的失誤,Chen[50]基于CNN對GM的DCE圖像進行特征提取并進行分級,結果表明CNN在DCE圖像分割中具有良好的性能。不同級別膠質瘤的DCE直方圖顯示Ktrans、Kep、Ve 、Vp等指標存在顯著差異。隨著深度學習的發(fā)展,DCE在GM分級中固有的缺陷或將攻克。

ASL可提供絕對CBF量化值,可重復性強。研究表明ASL可以鑒別HGG和LGG,但是腦腫瘤評估的最佳ASL技術尚未達成共識,這種缺乏共識和指南可能導致臨床不愿在常規(guī)中采用ASL對GM進行分級。為了評估ASL區(qū)分腫瘤分級的診斷性能,Delgado等[51]對505名GM患者進行了系統(tǒng)回顧,結果顯示pCASL(AUC=0.88)和PASL(AUC=0.90)計算的CBF在GM分級方面具有較好的性能。但這項出色的結果的前提是排除間變性少突星形細胞瘤對分級的影響。為了更進一步驗證ASL對GM分級的效能,Alsaedi等[52]通過引入相對TBF (rTBF)降低研究中年齡和血液動力學變化相關的風險,以減少了組內的數值散亂,發(fā)現絕對TBF可以區(qū)分HGG和LGG,不能區(qū)分2級和3級以及3級和4級GM,相比之下,rTBF可有效分級,但是對于不同的ASL方法和采集參數,單項研究中報告的定量測量結果應具體分析。目前多數分析ASL灌注參數研究采用傳統(tǒng)方式將GM瘤體區(qū)域與鏡像區(qū)進行對比,結果也證實對GM分級有統(tǒng)計學意義,但是傳統(tǒng)的預測方式的效能和精度不如多參數聯(lián)合人工智能分析效果更佳。劉等[53]基于DSC、3D-ASL和多b值擴散加權成像(DWI)聯(lián)合機器學習進行建模分析,以期構建一種效能最高的膠質瘤術前分級預測模型,通過使用RFE算法預測8個模型(rASL-CBF、DSC-CBV、DSC-CBF、ADCstand、Age、rf、AQP值和ADCslow-bi)效能和精度,結果顯示SVM模型對GM分級預測效能和精度最高[AUC=0.969(95%CI:0.931～1.000)],而采用GM瘤體區(qū)與健側區(qū)的相比等傳統(tǒng)的方法建立的DSC、DWI、3D-ASL常規(guī)預測模型其預測效能和精確度都較低[AUC=0.836 (95%CI:0.724～0.947)]。

4.PWI 3種技術在膠質瘤鑒別和分級診斷中的比較

在對GM的鑒別和分級診斷中,DSC 、 DCE 和ASL技術有其各自特點。DSC主要用于反映GM血管的新生情況,具有時間分辨率高、測量血腦容量精準的優(yōu)勢,在GM鑒別和分級診斷中的應用最廣泛,尤其在GM、PCNSL和METS之間具有較高診斷價值,DSC衍生的rCBV被認為是反映腫瘤血流動力學最佳參數,是3種技術中鑒別HGG和LGG效果最佳的。DSC局限性在于不僅空間分辨率較低,而且T2加權技術可能產生較強的易感偽影,還由于DSC是基于理想的單室模型,對比劑外滲可以導致rCBV產生誤差。

DCE通過測量通過BBB的對比劑泄漏來估計血管通透性,最大的優(yōu)勢是可以減少磁敏感偽影,但是僅憑借腫瘤的滲透性差異在GM的鑒別和分級方面仍不夠精確。雖然DCE基于無模型的參數在區(qū)分3級和4級GM的也表現出良好的能力,但是其生理基礎仍不明確。不僅如此,由于GM的BBB破壞及血管超滲透性等因素,DCE成像部分釓對比劑容易滲漏到血管外細胞外間隙,并且其參數獲取的計算模型復雜,可重復性差。

ASL相較于DSC和DCE最大的優(yōu)勢在于無需外源性對比劑,避免對比劑滲漏的問題,不受BBB完整性的影響,可以準確評估GM微循環(huán)信息,反映腫瘤血管生成情況,從而進行GM鑒別和分級,作為腎功能不全、對比劑過敏等患者的首選。雖然ASL是重復無創(chuàng)監(jiān)測的理想選擇,但是獲取的參數較為單一。而過于單一參數則避免不了在應用上局限,因此ASL引入TBF值或與聯(lián)合其它技術衍生的參數等綜合判斷GM的鑒別和分級,盡可能發(fā)揮ASL的應用價值。

簡而言之,這3種MRI灌注成像技術各有其優(yōu)勢與不足,合理選擇或聯(lián)合應用對GM的鑒別和分級才能發(fā)揮至最大的價值。

總結與展望

基于血流灌注特點的對GM的鑒別和分級診斷,CTP和PWI的參數與GM血管生成、血流動力分布均存在相關性,許多研究均顯示良好的診斷效能。但是由于腫瘤生長的異質性和每種灌注技術固有的缺陷導致有些研究結果并不理想。因此,在對GM進行鑒別和分級診斷時,根據具體需求進行選擇合適的成像技術,能夠將GM與多種疾病予以鑒別并進行分級。雖然目前AI技術在GM的鑒別和分級診斷上還未形成系統(tǒng)的應用標準,隨著放射組學與深度學習算法相結合的AI技術的不斷發(fā)展,將進一步顯示出更大的潛力和價值,可望更接近分子病理診斷結果,成為放射科醫(yī)師的重要輔助診斷手段。