分享:
分享到微信朋友圈
X
综述
MRI纹理分析在前列腺癌诊疗中的应用及研究进展
蔚纳 吴慧 牛广明

Cite this article as: Yu N, Wu H, Niu GM. Application and research progress of MRI texture analysis in the diagnosis and treatment of prostate cancer. Chin J Magn Reson Imaging, 2019, 10(12): 951-954.本文引用格式:蔚纳,吴慧,牛广明. MRI纹理分析在前列腺癌诊疗中的应用及研究进展.磁共振成像, 2019, 10(12): 951-954. DOI:10.12015/issn.1674-8034.2019.12.018.


[摘要] 凭借大数据及深度学习使得以纹理分析为代表的影像组学迅猛发展。其在前列腺癌的早期诊断、精准治疗、预测复发等方面发挥着积极作用,迎合了新时代的个性化诊疗。笔者对以上方面的研究进展进行综述,以期为我国前列腺癌影像学研究提供新思路,为精准医疗提供循证支持。
[Abstract] With big data and deep learning, image grouping represented by texture analysis has developed rapidly. It plays an active role in the early diagnosis, accurate treatment and prediction of recurrence of prostate cancer, and caters to the personalized diagnosis and treatment in the new era. The author reviews the research progress in the above aspects in order to provide new ideas for the imaging research of prostate cancer in China and evidence-based support for accurate medical treatment.
[关键词] 前列腺肿瘤;纹理分析;磁共振成像
[Keywords] prostatic neoplasms;texture analysis;magnetic resonance imaging

蔚纳 内蒙古医科大学附属医院影像诊断科,呼和浩特 010050

吴慧 内蒙古医科大学附属医院影像诊断科,呼和浩特 010050

牛广明* 内蒙古医科大学附属医院影像诊断科,呼和浩特 010050

通信作者:牛广明,E-mail:Cjr.niuguangming@vip.163.com

利益冲突:无。


基金项目: 内蒙古自治区自然科学基金项目 编号:2017MS (LH)0837
收稿日期:2019-05-10
中图分类号:R445.2; R737.25 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2019.12.018
本文引用格式:蔚纳,吴慧,牛广明. MRI纹理分析在前列腺癌诊疗中的应用及研究进展.磁共振成像, 2019, 10(12): 951-954. DOI:10.12015/issn.1674-8034.2019.12.018.

       前列腺癌(prostate cancer,PCa)指发生在前列腺的上皮性恶性肿瘤,同时也是泌尿系统发病率最高的恶性肿瘤。最新研究资料表明前列腺癌的发病率在美国所有男性癌症中居首位,我国每年前列腺癌的发病率呈现持续走高趋势,尤其是相对发达地区[1]。目前,在被诊断为局限性前列腺癌的男性中,主要的危险分层方法是从活检标本中进行病理分级、血清前列腺特异抗原(prostate specific antigen,PSA)水平和临床分期[2]。然而,解剖结构上的困难和有限的组织采集导致在使用标准活检技术时的空间取样偏差。许多研究表明,当活检是随机获取时,近38%~46%的患者低估了其本身的病理分级,而根据影像学发现进行靶向活检时,误诊率可降到23%[3,4,5]。这种较高的误判率可能是由于病变内形态生长模式的空间异质性所致[6,7]。总之,欠采样的生物异质性可能导致局部疾病的风险评估降低,因此有必要进行充分采样或补充目前对疾病特征的分析方法。基于影像图像的纹理分析应用而生,它的诞生为影像领域疾病的诊断注入了新鲜的血液和活力,同时也为影像科的发展带来了新思路。

1 纹理分析概述

       荷兰学者Lambin等[8]在2012年正式提出影像组学的概念,基于计算机辅助诊断(computer aided diagnosis,CAD)技术将传统医学影像转化为大量可挖掘的数据信息,并对此进行高通量定量分析。其基本流程包括数据收集、图像分割、特征提取、特征筛选和构建模型及数据分析,而目前应用最为广泛的则是纹理分析。

       影像组学特征包括一阶统计特征、空间几何特征、纹理特征和小波特征4大类[9]。图像纹理分析技术作为影像组学内的主要组成成分可将图像中体素或像素的灰度值特征、变化趋势、分布状态等进行数据提取,进而可定量描述该图像内肿瘤的异质性。近年来,以基于电子计算机断层扫描(computed tomography ,CT)、正电子发射计算机断层显像(positron emission tomography-CT,PET-CT)、MRI纹理分析技术为代表的影像组学飞速发展,使影像组学集影像、分子与基因、临床等信息于一体,迎合了个性化和精准医学为临床治疗提供了更优化的选择。

2 纹理分析在前列腺癌方面的研究进展

       纹理分析的概念提出之后,引起了国际上肿瘤学、影像研究和图像分析领域众多专家的重视。于是,国内外学者纷纷将纹理分析为代表的影像组学应用到前列腺癌的检测与发现、分级与分期、复发预测及疗效评估等领域,以期能够提高诊断水平。

2.1 纹理分析在前列腺癌检出的应用

       纹理分析对于前列腺癌的诊断具有显著的优势。许岗等[10]通过对前列腺MRI轴位高分辨率T2加权成像(T2-weighted image,T2WI)图像进行纹理特征分析,比较前列腺癌和良性前列腺增生(benign prostatic hyperplasia,BPH)间纹理分析定量参数的差异,结果发现前列腺癌组和良性增生组间熵、平均值、标准差、不均匀度和峰值5个参数的差异具有统计学意义(t值分别为5.466、6.023、3.767、3.182、-2.818,P均<0.05)。Sidhu等[11]提取整个前列腺移行带(其中显著的肿瘤包括在TZ-ROI中)的纹理特征,发现可以通过降低表观扩散系数(apparent diffusion coefficient,ADC)直方图的峰度值来区分显著的前列腺癌。虽然双参数MRI (biparametric-MRI,bpMRI)包括T2加权成像和扩散加权图像是定位PCa的准确工具,但评价经雄激素剥夺治疗(androgen deprivation therapy,ADT)后是否有活性,其价值尚未明确。Daniel等[12]回顾性分析了28例经ADT治疗(14例)和未经ADT治疗(14例)的患者,研究分析发现在非ADT组中纹理特征(熵值、能量值、惯性值、相关值等)获得的灵敏度更高,而直方图参数(偏度、峰度、均值、第95百分数等)的特异性更高;在ADT组中,纹理特征在特异性和敏感性方面都优于常规直方图参数。这些结果有希望推动更多患者进一步研究,促进前列腺癌患者放射治疗的体积勾画,而且ADT患者是否需要局部放射治疗的纳入和排除标准完全可以借助纹理特征来定义。另外,其他几项也研究了晚期前列腺癌患者用各种方法增强前列腺内显性病变的可行性,这表明显性病变的局部控制法对前列腺癌的治疗更好[13,14,15]。放射基因组学因可能避免活检诊断过程中的侵入性过程而崭露头角,它是一门将放射组学所描述的肿瘤形态学与基因组数据所描述的基因组联系起来的学科,它有可能衍生出与现有的经验证的基因组风险分层生物标记相关或补充的"放射表型"。Bates等[16]比较配准后的前列腺特异性膜抗原(prostrate specific membrane antigen,PSMA) PET/MR影像,验证MR纹理分析(MR texture analysis,MRTA)对于移形带(transformed zone,TZ)前列腺癌的检出。获得30个纹理特征,比较TZ的纹理特征和相应PET图像上的PSMA表达。结果发现TZ内PSMA的表达异常与16个T2WI上的纹理特征改变相关,验证了MR纹理分析对TZ内前列腺癌的检出。Kesch等[17]使用染色体拷贝数改变(chromosomal copy number alterations,CNAs)的数量作为判断前列腺肿瘤侵袭性的标准,并提取多参数MRI和Ga-PSMA-PET/CT的315个纹理特征。结果发现较低的平均ADC值与肿瘤侵袭性增加有明显的关联,同时发现建立的放射学模型与基因组指数病变有很强的对应关系,因此放射学模型与基因组的结合在未来可能有助于更好地区分惰性和侵袭性PCa。这些研究对前列腺癌进行准确检出与评估均朝着个性化精准治疗和提高肿瘤控制概率的总体目标前进,使患者更加受益。

2.2 纹理分析模型对前列腺癌诊断效能的评估

       第2版前列腺影像报告和数据系统(prostate imaging reporting and data system version 2,PI-RADS V2)是一个应用多参数磁共振成像(multiparametric magnetic resonance imaging,mpMRI)检查进行前列腺临床显著癌诊断的影像学规范,许多学者探讨了基于放射学模型与PI-RADS V2评估前列腺癌的侵袭性及分化程度,比较两种模型的诊断效能。Niu等[18]探讨了基于双参数MRI纹理分析(textureanalysis,TA)在前列腺移行带及外周带建立了基于TA的Logistic回归模型,比较了PI-RADS V2系统评分与TA模型的诊断效能。结果发现,相比于PI-RADS V2系统TA模型的诊断效能明显提高,而且在移行带区熵值与高级别的癌有着良好的相关性,在外周带区熵值和惯性值与Gleason分级有着良好的相关性,这些值可作为评估病变侵袭性的辅助工具。同样,Chen等[19]也探讨了基于放射学模型与PI-RADS V2两种模型的诊断效能,结果发现基于放射学模型鉴别癌与非癌,低级别与高级别癌的诊断明显优于PI-RADS V2系统。Rozenberg等[20]研究探讨了全肿瘤ADC直方图和纹理分析定量预测前列腺癌Gleason分级为3+4=7是否会升级。研究中54例Gleason评分为3+4=7的患者中14例经根治性前列腺切除术(radical prostatectomy,RP)后通过大体病理验证肿瘤升级为4+3=7。全病灶的平均ADC、ADC比值、ADC直方图分析均不能预测GS 3+4=7升级的病理改变,但结合ADC纹理特征(标准差、偏斜度、峰度和熵)的回归模型改进了对GS分级的预测,提高了精度,为治疗方案提供了更好的选择。

2.3 前列腺癌的复发预测与疗效评估

       前列腺癌的常规筛查和先进的治疗方案降低了相关死亡率,但治疗后的结果仍存在很大差异。Shiradkar等[21]提取了T2WI和ADC图的放射学特征来预测前列腺癌的生化复发,结果发现ADC图的梯度局部各向异性特征和T2WI基于Haralick算法的纹理特征中的偏度和峰度值与训练组的前列腺癌生化复发(biochemical recurrence,BCR)呈显著相关(P<0.05),结合临床参数(PSA/GS/PI-RADS V2)和放射学特征可提高对训练组的预测能力[曲线下面积(area under curve,AUC)=0.91];但是,在验证集上只观察到性能的微小改善(AUC=0.74)。结果显示,治疗前双参数MRI (T2WI和ADC图)的放射学特征可预测前列腺癌BCR。Gnep等[22]同样探讨了T2WI基于Haralick算法的组织特征与外周带前列腺癌放疗后生化复发的相关性。结果发现T2WI和ADC成像的一阶特征(均值、中位数和标准差)与生化复发显著相关(P <0.05)。因此,在治疗前先进行生化复发的风险评估,然后再进行个体化的精准诊疗可能会使患者受益。

       目前,前列腺癌放疗的主要缺点是泌尿毒性,它可以长期影响患者出现不同的症状(尿频、排尿困难、夜尿、尿急、出血或尿失禁)。Hamid等[23]通过MR-T2加权图像中总共提取了274个纹理特征分析评估接受强调放射治疗的前列腺癌患者膀胱壁的结构变化,评估并描述了辐射剂量和纹理特征变化之间的关系。实验表明放射性特征可以预测辐射毒性和特征,包括s5.0sumvarnc、s2.2sumvarnc、s1.0angscmom、s0.4sumaverg和s5._ 5invdfmom在受试者工作特征(receiver operating characteristic,ROC)曲线下的面积分别为0.75、0.69、0.65、0.63和0.62,与毒性相关性最高。这些放射性特征可以被识别为潜在的重要成像生物标志物,也可以评估辐射诱发膀胱损伤的机制。Scalco等[24]探讨纹理分析在前列腺癌放疗前及放疗结束后12个月获得的T2WI及T1WI图像定量分析闭孔内肌成分局部辐射效应的潜力,并认为这些邻近器官可能参与尿毒性。

3 困境与未来

       直方图及纹理分析在肿瘤和非肿瘤学中以显示出广阔的应用前景,但在临床广泛应用前仍面临诸多问题和挑战。一是图像分割方式的多种多样造成处理结果的偏差。手动分割准确度高但受不同研究者之间主观行为差异的影响,因此可以通过计算机辅助来自动选定勾画兴趣区,以减少人为主观上对结果的影响。Cohen等[25]研究表明,软件自动分割能有效分割肺部磨玻璃结节和亚实性结节中的实性成分,敏感度和特异度分别为88%和70%,且在选择合适的窗宽窗位的情况下,自动分割可提高诊断精确度并具有可重复性。二是影像数据的来源标准不一样,尤其是多中心核磁的数据。MRI纹理分析比使用CT和PET数据集的放射组学更复杂,部分原因是MRI的标准化和校准在本质上比基于光子检测的技术更复杂[26]。与CT和PET相比,其他MRI结构分析复杂性的因素包括采集协议和空间分辨率的可变性。因而可以通过对不同系统获得的MRI数据进行后处理,消除患者间强度范围的差异,并重新采样至均匀的体素大小。三是一些研究中共同的问题是由于过度采样而产生潜在的偏差,即提取的特征多于参与者。测试许多特性需要进行统计校正,以消除Ⅰ类错误,但是使用复杂的回归模型发现重要特征的同时也增加了数据过拟合的风险。四是现大多数已发表的研究都具有回顾性和小规模的特点,因此很难得出有意义的结论。在转化为常规临床实践之前,还需要进行更大规模的前瞻性研究来验证在前列腺癌诊断方面的潜力。

       随着时代的变迁,医学的发展经历了从经验医学、循证医学到现在以人工智能和大数据为代表的智能化诊疗的演变过程。纹理分析能够深入挖掘图像生物学本质评估肿瘤异质性并提供临床决策支持,在疾病诊断、治疗、预后等方面具有重要的指导意义,实现了智能化的辅助诊断,拥有广阔的应用前景。

[1]
Mottet N, Bellmunt J, Bolla M, et al. EAU-ESTRO-SIOG guidelines on prostate cancer. Part 1: screening, diagnosis, and local treatment with curative intent. Eur Urol, 2017, 71(4): 618-629.
[2]
Thompson I, Thrasher JB, Aus G, et al. Guideline for the management of clinically localized prostate cancer: 2007 update. J Urology, 2007, 177(6): 2106-2131.
[3]
Fernandes ET, Sundaram CP, Long R, et al. Biopsy gleason score: how does it correlate with the final pathological diagnosis in prostate cancer?. Bju Inter, 2015, 79(4): 615-617.
[4]
Kvle R, Mller B, Wahlqvist R, et al. Concordance between gleason scores of needle biopsies and radical prostatectomy specimens: A population-based study. Bju Inter, 2010, 103(12): 1647-1654.
[5]
Siddiqui MM, Rais-Bahrami S, Turkbey B, et al. Comparison of MR/Ultrasound fusion-guided biopsy with ultrasound-guided biopsy for the diagnosis of prostate cancer. JAMA, 2015, 313(4): 390-397.
[6]
Aihara M, Wheeler TM, Ohori M, et al. Heterogeneity of prostate cancer in radical prostatectomy specimens. Urology, 1994, 43(1): 60-66.
[7]
El-Shater Bosaily A, Valerio M, Hu Y, et al. The concordance between the volume hotspot and the grade hotspot: a 3-D reconstructive model using the pathology outputs from the PROMIS trial. Prostate Cancer Prostatic Dis, 2016, 19(3): 258-263.
[8]
Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: Extracting more information from medical images using advanced feature analysis. Eur J Cancer, 2012, 48(4): 441-446.
[9]
Rahmim A, Schmidtlein CR, Jackson A, et al. A novel metric for quantification of homogeneous and heterogeneous tumors in PET for enhanced clinical outcome prediction. Phys Med Biol, 2016, 61(1): 227-242.
[10]
Xu G, Zhao WL, Li MJ, et al. Preliminary application of mr-t2wi texture analysis in the diagnosis of prostate cancer. J Med Imaging, 2019, 29(3): 458-462.
许岗,赵文露,李梦娟,等. MR-T2WI纹理分析在前列腺癌诊断中初步应用.医学影像学杂志, 2019, 29(3): 458-462.
[11]
Sidhu HS, Benigno S, Ganeshan B, et al. Textural analysis of multiparametric MRI detects transition zoneprostate cancer. Eur Radiol, 2017, 27(6): 2348-2358.
[12]
Daniel M, Kuess P, Andrzejewski P, et al. Impact of androgen deprivation therapy on apparent diffusion coefficient and T2w MRI for histogram and texture analysis with respect to focal radiotherapy of prostate cancer. Strahlenther Onkol, 2019, 195(5): 402-411.
[13]
Andrzejewski P, Kuess P, Knäusl B, et al. Feasibility of dominant intraprostatic lesion boosting using advanced photon-, proton- or brachytherapy. Radiother Oncol, 2015, 117(3): 509-514.
[14]
Thomas L, Kantz S, Hung A, et al. 68Ga-PSMA-PET/CT imaging of localized primary prostate cancer patients for intensity modulated radiation therapy treatment planning with integrated boost. Eur J Nucl Med Mol Imaging, 2018, 45(7): 1-9.
[15]
Perera M, Krishnananthan N, Lindner U, et al. An update on focal therapy for prostate cancer. Nat Rev Urol, 2016, 13(11): 641-653.
[16]
Bates A, Miles K, Huang LX. Prostate-specific membrane antigen PET/MRI verification for detection of metastatic prostate cancer by MR texture analysis. Inter J Med Radiol, 2008, 41(1): 124.
Bates A, Miles K, 黄黎香. MR纹理分析检测移行带前列腺癌的前列腺特异性膜抗原PET/MRI验证.国际医学放射学杂志, 2018, 41(1): 124.
[17]
Kesch C, Radtke JP, Wintsche A, et al. Correlation between genomic index lesions and mpMRI and Ga-PSMA-PET/CT imaging features in primary prostate cancer. Sci Rep, 2018, 8(1): 16708.
[18]
Niu XK, Chen ZF, Chen L, et al. Clinical application of biparametric MRI texture analysis for detection and evaluation of high-grade prostate cancer in zone-specific regions. AJR Am J Roentgenol, 2018, 210(3): 549-556.
[19]
Chen T, Li M, Gu YF, et al. Prostate cancer differentiation and aggressiveness: Assessment with a radiomic-based model vs. PI-RADS v2. J Magn Reson Imaging, 2019, 49(3): 875-884.
[20]
Rozenberg R, Thornhill RE, Flood TA, et al. Whole tumor quantitative apparent diffusion coefficient histogram and texture analysis to predict gleason score upgrading in intermediate-risk 3+4=7 prostate cancer. AJR Am J Roentgenol, 2016, 206(4): 775-782.
[21]
Shiradkar R, Ghose S, Jambor I, et al. Radiomic features from pretreatment biparametric MRI predict prostate cancer biochemical recurrence: Preliminary findings. J Magn Reson Imaging, 2018, 48(6): 1626-1636.
[22]
Gnep K, Fargeas A, Ricardo E, et al. Haralick textural features on T2- weighted MRI are associated with biochemical recurrence following radiotherapy for peripheral zone prostate cancer. J Magn Reson Imaging, 2017, 45(1): 103-117.
[23]
Hamid A, Kiarash T, Bahram M, et al. MRI radiomic analysis of IMRT- induced bladder wall changes in prostate cancer patients: A relationship with radiation dose and toxicity. J Med Imaging Radiat Sci, 2019, 50(2): 252-260.
[24]
Scalco E, Rancati T, Pirovano I, et al. Texture analysis of T1-w and T2-w MR images allows a quantitative evaluation of radiation-induced changes of internal obturator muscles after radiotherapy for prostate cancer. Med Phys, 2018, 45(4): 1518-1528.
[25]
Cohen JG, Goo JM, Yoo RE, et al. Software performance in segmenting ground-glass and solid components of subsolid nodules in pulmonary adenocarcinomas. Eur Radiol, 2016, 26(12): 4465-4474.
[26]
Limkin EJ, Sun R, Dercle L, et al. Promises and challenges for the implementation of computational medical imaging (radiomics) in oncology. Ann Oncol, 2017, 28(6): 1191-1206.

上一篇 磁共振成像在前列腺癌诊断中的研究进展
下一篇 磁共振三维动脉自旋标记技术研究进展及临床应用
  
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