分享:
分享到微信朋友圈
X
综述
功能磁共振成像技术与Ki-67标记指数对脑胶质瘤恶性度评估的研究进展
谢佳培 肖亮

Cite this article as: Xie JP, Xiao L. The progress of functional magnetic resonance imaging and Ki-67 labeling index in the assessment of malignancy in gliomas. Chin J Magn Reson Imaging, 2020, 11(6): 462-465.本文引用格式:谢佳培,肖亮.功能磁共振成像技术与Ki-67标记指数对脑胶质瘤恶性度评估的研究进展.磁共振成像, 2020, 11(6): 462-465. DOI:10.12015/issn.1674-8034.2020.06.016.


[摘要] 脑胶质瘤是颅内最常见的恶性肿瘤,其恶性程度越高,级别越高,预后越差。因此,脑胶质瘤恶性度的评估对肿瘤分级、生物学行为及预后具有重要意义。Ki-67是一种反映细胞增殖和恶性程度的蛋白,Ki-67标记指数越高,增殖活性越强,恶性程度越高,然而Ki-67标记指数需要通过活检或外科手术切除获得组织,因此无创性地预测Ki-67标记指数对脑胶质瘤的增殖活性及恶性度评估具有非常重要的意义。影像学作为一种非侵入性技术可以无创性地预测Ki-67标记指数,对脑胶质瘤恶性度的评估具有不可替代的作用。笔者就功能磁共振技术及Ki-67标记指数在脑胶质瘤恶性度评估中的应用进行综述。
[Abstract] Brain gliomas are the most common intracranial malignant tumor, the higher the degree of malignancy, the higher the grade, the worse the prognosis. The assessment of brain gliomas malignancy is important to predict tumor grade, tumor behavior and prognosis. Ki- 67 is a protein reflecting cellular proliferation and malignancy; higher Ki-67 labeling index correspond to higher proliferation and greater malignancy. However, the assessment of Ki- 67 labeling index requires biopsy or surgical removal, a noninvasive method to predict Ki-67 labeling index would be of great importance for the assessment of proliferative potential and malignancy of brain glioma. Using noninvasive magnetic resonance imaging techniques to predict the Ki-67 labeling index is indispensable for the assessment of tumor malignancy. In the paper, we review the contribution of functional magnetic resonance and Ki-67 labeling index for the assessment of the gliomas malignancy.
[关键词] 胶质瘤;肿瘤分级;Ki-67标记指数;功能磁共振成像;恶性度
[Keywords] brain glioma;neoplasm grading;Ki-67 labeling index;functional magnetic resonance imaging;malignancy

谢佳培 中国医科大学附属第四医院,沈阳 110000

肖亮* 中国医科大学附属第四医院,沈阳 110000

通信作者:肖亮,E-mail:xiaoliang_cmu@163.com

利益冲突:无。


基金项目: 国家自然科学基金 编号:81471763
收稿日期:2020-02-28
接受日期:2020-04-12
中图分类号:R445.2; R739.41 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2020.06.016
本文引用格式:谢佳培,肖亮.功能磁共振成像技术与Ki-67标记指数对脑胶质瘤恶性度评估的研究进展.磁共振成像, 2020, 11(6): 462-465. DOI:10.12015/issn.1674-8034.2020.06.016.

1 脑胶质瘤概述

       脑胶质瘤(brain glioma,BG)是颅内最常见的原发肿瘤,起源于神经上皮组织,是一种发病率高,复发率高,预后差的恶性肿瘤。在组织病理学分析中,神经胶质瘤根据其生物学行为分为4个等级。根据WHO分类系统,Ⅰ级和Ⅱ级被认为是低级别胶质瘤(low-grade gliomas,LGG),Ⅲ级和Ⅳ级被认为是高级别胶质瘤(high-grade gliomas,HGG)[1]。脑胶质瘤级别越高,恶性程度也越高,因此,脑胶质瘤的分级对其恶性度的评估有着重要的意义。肿瘤的增殖活性也是判断恶性度的重要指标[2],增殖活性越高,恶性程度越高。目前对脑胶质瘤分级以及增殖活性的评估主要是通过组织病理学的评估,这是一种侵入性操作,有必要使用非侵入性工具来评估其增殖活性及分级[3]。本文将对扩散、灌注、磁共振波谱(magnetic resonance spectroscopy,MRS)、酰胺质子转移(amide proton transfer,APT)成像等功能磁共振参数与Ki-67标记指数(Ki-67 labeling index,Ki-67 LI)的关系进行综述,探讨功能磁共振技术及Ki-67 LI在脑胶质瘤恶性度评估中的应用。

2 脑胶质瘤恶性度的评估

2.1 Ki-67 LI在脑胶质瘤恶性度评估中的应用

       肿瘤细胞的增殖活性是肿瘤侵袭及进展的原因之一,也是判断恶性程度的重要指标[2]。Ki-67是一种增殖细胞相关的核抗原,存在于细胞周期的所有活动阶段,但在细胞周期的静止阶段不表达。研究发现Ki-67的表达水平在正常大脑中非常低,而在脑胶质瘤患者中明显高于正常人[4]。Ki-67作为一种表达肿瘤细胞增殖活性的生物标志物[5],已经被用来提供肿瘤生物学行为、治疗反应和预后等信息[6]。Su等[7]发现LGG的Ki-67 LI明显低于HGG,即Ki-67 LI越高,胶质瘤级别越高,恶性程度越高。Bai等[8]发现Ki-67 LI不仅可以区分HGG与LGG,并在Ⅲ、Ⅳ级之间存在显著差异。Skjulsvik等[4]则认为Ki-67 LI在区分Ⅰ、Ⅱ级或Ⅲ、Ⅳ级时有一定的限度,Ki-67 LI不应单独作为胶质瘤分级的标志,而应与组织学特征结合使用,但是他们也肯定了Ki-67 LI对脑胶质瘤的分级是有用的。

       尽管Ki-67 LI对脑胶质瘤的分级、恶性度评估有一定的意义,但Ki-67 LI的评估需要通过活检或外科手术切除获得组织,且受到肿瘤非均匀性抽样误差的影响,限制了其诊断准确性,尤其是在立体活检等小样本中[4]。因此,无创地预测Ki-67 LI在不同肿瘤区域的表达水平具有非常重要的意义。近年来,研究者以Ki-67 LI为细胞增殖活性及恶性程度的依据,应用功能磁共振成像技术探讨了影像学参数与Ki- 67 LI之间的相关性,有助于无创地预测脑胶质瘤的恶性程度。总的来说,Ki-67 LI不仅可以对脑胶质瘤增殖活性进行评估,并与影像学参数具有一定的相关性,对脑胶质瘤恶性度的无创性评估起到一定的作用。

2.2 影像学在脑胶质瘤恶性度评估中的应用

       临床上,影像学检查是大多数脑胶质瘤的主要诊断方法。脑胶质瘤的生物学特性是异质血管生成、细胞增殖、细胞侵袭和凋亡,这在影像学上表现为不同程度的增强、水肿和坏死,使影像学分级的准确评估具有挑战性。尤其是常规MRI由于缺乏标准的、可量化的参数,在评估肿瘤恶性度方面存在局限性。因此,越来越多的学者探讨了功能磁共振成像技术在脑胶质瘤恶性度评估中的应用。

2.2.1 扩散加权成像

       扩散加权成像(diffusion weighted imaging,DWI)是一种对生物组织中水分子扩散敏感的成像技术[9],其主要成像参数为ADC值[10]。脑胶质瘤的恶性程度越高,细胞数目越多,细胞间隙越小,导致水分子扩散受限,DWI信号升高,ADC值变小。因此,ADC值越低提示肿瘤恶性程度越高,而较高的ADC值则提示低度恶性的肿瘤。

       多项研究表明ADC值有助于脑胶质瘤分级及恶性度评估。Surov等[11]进行了一项关于ADC值与Ki-67 LI在不同肿瘤中相关性的Meta分析,发现在脑胶质瘤中ADC值与Ki-67 LI呈负相关(r=-0.51)。通常,进行DWI扫描时多采用中等扩散敏感系数(b=1000 s/mm2),而Zeng等[12]对高b值DWI进行了评估,他们发现ADC3000(b=3000 s/mm2)图谱在评估脑胶质瘤分级、增殖活性和预后等方面比ADC1000图谱更有价值,在脑胶质瘤术前评估中可能是较好的影像学生物标志物。Wang等[13]对64例星形细胞瘤患者行DWI检查,用ADC图进行纹理分析,发现在整个肿瘤ROI中,HGG和LGG的非均匀性存在显著差异,且非均匀性与Ki-67 LI在肿瘤整体部分ROI (r=0.628)和实体部分ROI (r=0.470)中呈显著正相关,表明ADC值的不均匀性可对脑胶质瘤进行分级并预测细胞的增殖活性,因此,ADC图的纹理分析可作为评估脑胶质瘤增殖活性及恶性度的新手段。综上所述,ADC值有可能作为评估脑胶质瘤增殖活性的影像学生物标志物,对肿瘤的增殖活性进行评估,进一步对肿瘤的恶性度进行评估。为脑胶质瘤恶性度的评估提供了无创的分析方法,同时为脑胶质瘤的术前分级提供了补充信息。

       传统的DWI只有两个b值,通过单指数模型计算出ADC值,然而ADC值并非随b值的升高呈直线衰减,它受微循环灌注和扩散的双重影响,不能真实地反映组织扩散信息。1986年,Bihan等[14]首次提出了应用双指数模型——体素内不相干运动(intravoxel incoherent motion,IVIM)来对DWI参数进行拟合,IVIM模型对多个b值的信号衰减进行双指数拟合,允许同时获得扩散和灌注成像[15]。IVIM的主要参数有真实扩散系数(D)、假扩散系数(D*)和灌注分数(f)。D值代表真实扩散,可以反映病变的细胞密度,D*值可以反映组织的灌注信息,而f值反映体素内快速扩散所占的体积分数。Federau等[16]在对21例胶质瘤患者的研究中报道,HGG的f值高于LGG,可以帮助区分高、低级别胶质瘤。Bisdas等[17]发现HGG的f值和D*值均高于LGG,差异有统计学意义。Togao等[15]发现f值和D值可以对脑胶质瘤进行分级,其中D值与胶质瘤分级呈负相关。Zhang等[18]绘制了IVIM参数ROC曲线发现,f值曲线下面积最大、其次为D值,也就是说对于高、低级别胶质瘤的诊断以D值、f值为最佳参数。Qu等[19]发现在IVIM参数中,HGG的D*值高于LGG,而D值与f值差异无统计学意义。这些结果不一致的原因之一可能在于b值的选择。综上所述,IVIM灌注分数可以无创地检测胶质瘤的扩散及灌注信息,对高、低级别胶质瘤的鉴别有一定的临床价值。

       扩散张量成像(diffusion tensor imaging,DTI)最常用的参数为各向异性分数(fractional anisotropy,FA),FA可反映扩散的方向和大脑白质纤维的完整性[20]。FA与Ki-67 LI相关性的研究结果各不相同,Fudaba等[21]对32例脑胶质瘤患者行DTI评估,发现FA值与Ki-67 LI之间没有相关性。与该研究一致,Zhao等[22]也未发现FA值与Ki-67 LI之间的相关性。也有研究发现,FA比值与Ki-67 LI呈显著正相关。Zikou等[23]发现在胶质母细胞瘤(glioblastoma,GBM)中Ki-67 LI与FA比值(r=0.589)显著相关,肯定了FA比值作为脑胶质瘤增殖活性评估指标的临床应用价值。Alexious等[24]对25例脑胶质瘤患者(其中GBM有18例)行DTI发现,FA比值与Ki-67 LI之间存在显著相关(r=0.489)。这些不一致可能是由于ROI的放置位置不同或者是病例选择的差异性导致的。Zhang等[2]也报道了FA的组内相关系数(intraclass correlation correlation,ICC)很低,他们认为主要是由于肿瘤实体部分FA值分布的异质性较高;不同的ROI可能会导致非常不同的结果。然而DTI具有能清楚地显示脑胶质瘤瘤周白质纤维束因占位效应所致的位置异常,瘤体与周围组织的关系的优点,对脑胶质瘤的术前计划、术中处理和术后评估起着重要的指导作用。

2.2.2 扩散峰度成像

       扩散峰度成像(diffusion kurtosis imaging,DKI)是一种非高斯扩散成像技术,可以得到更全面的参数,包括传统的DTI扩散参数以及轴向峰度(axial kurtosis,Ka)、径向峰度(radial kurtosis,Kr)和平均峰度(mean kurtosis,MK)[25]。近年来,DKI被用于脑胶质瘤的分级、细胞增殖活性及恶性程度等的评估,得到了较一致的结果。Zhao等[22]发现在所有参数中,Ka对脑胶质瘤分级和细胞增殖活性评估的诊断价值最高,并与Ki-67 LI有较强的相关性(r=0.72)。同时,DKI参数对脑胶质瘤分级的诊断准确性、特异性和敏感性均高于DTI参数,这表明DKI在术前脑胶质瘤综合评估方面优于DTI。Zhang等[2]发现MK在脑胶质瘤Ⅱ、Ⅲ级之间,Ⅲ、Ⅳ级之间有显著差异,且随级别的增加而增加,在评估肿瘤增殖活性时,MK与Ki-67 LI呈较强的相关性,他们认为MK在预测脑胶质瘤增殖活性方面具有相当大的潜力。Li等[25]比较了脑胶质瘤不同区域的MK比值,发现MK在区分低、高级别胶质瘤时表现出较高的敏感性(80%)和特异性(100%),同时发现MK与Ki-67 LI显著相关(r=0.766)。

       因此,Ka及MK在预测脑胶质瘤增殖活性方面具有较大的潜力,可为胶质瘤恶性程度的评估提供有用的信息。由于微观结构环境的复杂性,水分子的扩散实际上偏离了高斯分布,限制了传统DWI和DTI检测微观结构变化的能力。而DKI属于非高斯扩散成像技术,更适合脑胶质瘤的微观结构变化,能够更准确地反映组织细胞结构,它在术前脑胶质瘤综合评估方面优于DTI与DWI。

2.2.3 磁共振灌注成像

       MRI灌注成像主要反映组织微观血流动力学的信息,根据其成像原理分为外源性和内源性两种方法。

       动脉自旋标记(arterial spin lableing,ASL)是一种无需外源性对比剂的磁共振灌注成像技术,可获得脑血流量(cerebral blood flow,CBF)图[26],包括连续ASL、脉冲式ASL和伪连续ASL。不同种类的ASL研究表明,ASL衍生的CBF图在脑胶质瘤分级、血管生成、恶性度评估及预测进展方面具有潜在价值。Zeng等[26]对58例脑胶质瘤患者术前行三维连续ASL检查,发现CBF最大值(CBFmax)与相对CBF最大值(rCBFmax)均可区分HGG、LGG,其ROC曲线下面积分别为0.828和0.863,而CBFmax、rCBFmax与Ki-67 LI均无相关性。Fudaba等[21]发现rCBF是脑胶质瘤恶性程度的潜在指标,rCBFmax可将GBM与其他级别胶质瘤进行分类,其敏感性和特异性分别为92.9%和83.3%。Bai等[8]发现CBF值不能对脑胶质瘤进行分级,且与Ki-67 LI无相关性。这与Roy等[27]的结果一致,Roy等[27]认为三维伪连续ASL方法定量的CBF值受动脉穿行时间、转换效率和误差大小等因素的影响,使CBF值的量化不准确,从而导致这些不一致的结果。ASL对脑胶质瘤的分级及恶性度的评估可能有一定的限度,但由于其具有无需外源性对比剂、不受血脑屏障破坏影响的优点,在脑胶质瘤分级及恶性度评估中仍具有重要的意义。

       动态磁敏感对比增强MRI (dynamic susceptibility contrast MRI,DSC-MRI)和动态对比增强MRI (dynamic contrast enhanced MRI,DCE-MRI)是基于静脉注射对比剂的两种灌注MRI成像方法,可用于研究脑肿瘤的血流灌注[28]。脑部常用的灌注参数为脑血容量(cerebral blood volume,CBV)、CBF、平均通过时间(mean transit time,MTT)、体积转移常数(volume transfer constant,Ktrans)和部分细胞外血管外间隙容积(extracellular extravascular volume fraction,Ve)等,其中CBV可反映新生血管的形成数量。研究发现,外源性灌注MRI在区分LGG和HGG方面比其他MRI技术表现的更好,相对脑血容量(relative CBV,rCBV)测量是预测脑胶质瘤分级的最佳灌注参数[29]。Alexious等[24]发现,rCBV值能够对胶质瘤进行分级,且rCBV值与Ki-67 LI呈显著正相关(r=0.853)。一项17例GBM患者的研究发现,rCBV值和相对MTT (rMTT)值与Ki-67 LI呈显著相关(r=0.628、0.644),这表明DSC-MRI有望无创地预测GBM的增殖活性[23]。Jain等[1]采用DCE-MRI,基于预先定义的rCBV截止值3(rCBV≥3为HGG,rCBV<3为LGG),对胶质瘤进行前瞻性分级,其敏感性和特异性分别为97.22%和100%。同时,Ki-67 LI与rCBV值显著相关(r=0.580)。Ktrans和Ve为DCE-MRI的主要参数,反映对比剂分子通过血管壁的能力,以此评估肿瘤血管的破坏程度,从而间接评价肿瘤的恶性程度[30]。最近的一项关于DCE-MRI的研究发现,Ktrans和Ve在所有肿瘤(r=0.710、0.742)和HGG (r=0.628、0.654)中均与Ki-67 LI显著相关[31]。Jia等[30]发现HGG的Ktrans、Ve与Ki-67 LI均呈正相关,而LGG的Ktrans、Ve与Ki-67 LI均无相关性,这可能与LGG新生血管少,血脑屏障比较完整,微血管渗透不明显有关系。Falk等[28]发现DCE-MRI参数Ktrans和DSC-MRI参数rCBF的直方图参数可用于脑肿瘤的术前评估,有效地区分II级和III级脑胶质瘤。研究发现,在DCE-MRI中,Ktrans的偏斜度在所有脑胶质瘤Ⅱ级和Ⅲ级鉴别中都有优势(AUC=0.76),在DSC-MRI中,rCBF的标准偏差在鉴别II级和Ⅲ级脑胶质瘤上有优势(AUC=0.80)。DSC-MRI和DCE-MRI对脑胶质瘤的分级及增殖活性的无创性预测,有利于脑胶质瘤的恶性度评估,从而为脑胶质瘤的治疗、预后等提供有用的信息。

2.2.4 MRS

       MRS利用共振现象和化学位移作用测量不同化学环境下的原子核的共振频率来测量不同代谢物的含量,其主要研究参数为胆碱(Cho)、肌酸(Cr)、N-乙酰天冬氨酸(NAA)和乳酸(Lac),对这些代谢物浓度的定量评估有助于评估肿瘤组织的代谢特征[32]。Cho是细胞膜密度和完整性的代谢标志物,反映细胞增殖和肿瘤进展[7,33]。NAA被认为是神经元功能的标志物,Cr参与能量代谢[34]

       许多研究表明H-MRS在脑胶质瘤术前分级、肿瘤增殖活性及恶性度评估中起着重要作用[21,34]。以往有研究将Ki-67 LI作为细胞增殖活性标志物,报道过MRS参数与Ki-67 LI之间的相关性,发现Cho/Cr与Ki-67 LI呈正相关,NAA/Cho与Ki-67 LI呈负相关[33]。Fudaba等[21]发现,MRS对预测脑胶质瘤的分级是有用的,同时发现Cho/Cr及Lac/Cr与Ki-67 LI呈正相关(r=0.461、0.418)。Chen等[35]的一项动物研究发现,达可米替尼可抑制脑胶质瘤细胞的增殖活性,达可米替尼组大鼠Ki-67 LI明显低于未治疗组,同时,达可米替尼治疗组大鼠的Cho/Cr明显低于未治疗组,也就是说达可米替尼治疗后,Ki-67 LI与Cho/Cr均降低,这表明MRS参数与脑胶质瘤的增殖活性密切相关。Bradac等[32]以完全切除肿瘤所得组织学参数为金标准,使用立体定向活检技术取最大Cho/Cr点的肿瘤组织活检,将所得组织学参数与金标准相比,发现MRS指导活检的诊断准确率为84%。由此可见,MRS在无创性地预测脑胶质瘤的级别及其增殖活性中具有重要的作用,同时,由于MRS对脑胶质瘤恶性度的评估具有一定的意义,因此,MRS对脑胶质瘤的活检也具有一定的指导意义。

2.2.5 APT

       APT成像是Zhou等[36]发展起来的一种基于化学交换饱和转移技术的磁共振成像方法。胞质中游离蛋白质和多肽中的酰胺质子是APT信号的主要来源,用这种方法可以检测生物组织中的内源性游离蛋白和多肽[8,36]。肿瘤等疾病常伴有异常蛋白质和多肽浓度的增加,APT成像则可以敏感地监测到这种变化,进而识别肿瘤组织的存在。

       Togao等[37]前瞻性地评估了APT预测成人弥漫性脑胶质瘤分级的能力,结果发现APT信号强度(signal intensity,SI)对于鉴别HGG、LGG具有良好的敏感性(93%)和特异性(100%)。Su等[7]对42例脑胶质瘤患者进行了APT成像研究,发现在3.5 ppm时的不对称磁化转移比[asymmetric magnetization transfer ratio at 3.5 ppm,MTRasym (3.5 ppm)]的值与肿瘤级别、Ki-67 LI均呈正相关(r=0.506、0.502),也就是说,MTRasym (3.5 ppm)越高,增殖活性越强,肿瘤的级别越高,恶性程度越高。Suh等[38]进行了一项Meta分析,发现APT SI与Ki-67 LI的相关系数在0.430~ 0.597,呈中度相关。这些发现为APT参数作为评估肿瘤增殖活性及恶性程度的非侵入性生物标志物提供了进一步的支持。Bai等[8]发现在脑胶质瘤分级中APT优于DWI和脉冲式ASL。Park等[39]则发现,APT成像参数与MRS参数相关性较好,在区分低、高级别胶质瘤时,APT成像与MRS的Cho/Cr相当,但在鉴别手术及放化疗后的肿瘤进展和治疗引起的相关变化方面,APT成像的诊断性能明显优于MRS。这些研究结果表明APT是预测脑胶质瘤分级和恶性度的一种最有前途的方法。

3 展望与小结

       功能磁共振技术与Ki-67 LI在脑胶质瘤恶性度评估中起着不可估量的作用,本文以Ki-67 LI作为肿瘤细胞增殖标志物,综述了多种功能磁共振技术参数与Ki-67 LI之间的相关性,这些参数有可能预测Ki-67的表达水平,进而有助于脑胶质瘤的恶性度评估、组织学活检、治疗方案制定及预后评价。其中DWI、DKI、DSC-MRI、DCE-MRI、MRS、APT参数均得到了一致性较好的结果,为脑胶质瘤的恶性程度提供了较为可靠的、非侵入性的评估指标,ASL由于具有无需外源性对比剂、不受血脑屏障破坏影响的优势,在脑胶质瘤恶性度评估中仍具有重要的意义。同时,越来越多的研究已不仅仅针对一项功能磁共振技术,多参数的联合应用可以提高脑胶质瘤恶性度评估的准确性。非侵入性的评估方式将成为脑胶质瘤恶性度评估的必然趋势。

[1]
Jain KK, Sahoo P, Tyagi R, et al. Prospective glioma grading using single-dose dynamic contrast-enhanced perfusion MRI. Clin Radiol, 2015, 70(10): 1128-1135.
[2]
Zhang J, Chen XW, Chen D, et al. Grading and proliferation assessment of diffuse astrocytic tumors with monoexponential, biexponential, and stretched-exponential diffusion-weighted imaging and diffusion kurtosis imaging. Eur J Radiol, 2018, 109(2018): 188-195.
[3]
Server A, Kulle B, Gadmar OB, et al. Measurements of diagnostic examination performance using quantitative apparent diffusion coefficient and proton MR spectroscopic imaging in the preoperative evaluation of tumor grade in cerebral gliomas. Eur J Radiol, 2011, 80(2): 462-470.
[4]
Skjulsvik AJ, Mørk JN, Torp MO, et al. Ki-67/MIB-1 immunostaining in a cohort of human gliomas. Int J Clin Exp Pathol, 2014, 7(12): 8905-8910.
[5]
Ryoo I, Choi SH, Kim JH, et al. Cerebral blood volume calculated by dynamic susceptibility contrast-enhanced perfusion MR imaging: preliminary correlation study with glioblastoma genetic profiles. PLoS One, 2013, 8(8): 1-9.
[6]
Richards-Taylor S, Ewings SM, Jaynes E, et al. The assessment of Ki-67 as a prognostic marker in neuroendocrine tumours: a systematic review and meta-analysis. J Clin Pathol, 2016, 69(7): 612-618.
[7]
Su C, Liu C, Zhao L, et al. Amide proton transfer imaging allows detection of glioma grades and tumor proliferation: Comparison with Ki-67 expression and proton MR spectroscopy imaging. AJNR Am J Neuroradiol, 2017, 38(9): 1702-1709.
[8]
Bai Y, Lin YS, Zhang W, et al. Noninvasive amide proton transfer magnetic resonance imaging in evaluating the grading and cellularity of gliomas. Oncotarget, 2017, 8(4): 5834-5842.
[9]
Sugahara T, Korogi Y, Kochi M, et al. Usefulness of diffusion-weighted MRI with echo-planar technique in the evaluation of cellularity in gliomas. J Magn Reson Imaging, 1999, 9(1): 53-60.
[10]
Brunberg JA, Chenevert TL, McKeever PE, et al. In vivo MR determination of water diffusion coefficients and diffusion anisotropy: Correlation with structural alteration in gliomas of the cerebral hemispheres. AJNR Am J Neuroradiol, 1995, 16(2): 361-371. [11] Surov A, Meyer HJ, Wienke A. Associations between apparent diffusion coefficient (ADC) and Ki67 in different tumors: a meta-analysis. Part 1: ADCmean. Oncotarget, 2017, 8(43): 75434-75444.
[12]
Zeng Q, Dong F, Shi FN, et al. Apparent diffusion coefficient maps obtained from high b value diffusion-weighted imaging in the preoperative evaluation of gliomas at 3.0 T: comparison with standard b value diffusion-weighted imaging. Eur Radiol, 2017, 27(12): 5309-5315.
[13]
Wang S, Meng M, Zhang X, et al. Texture analysis of diffusion weighted imaging for the evaluation of glioma heterogeneity based on different regions of interest. Oncol Lett, 2018, 15(5): 7297-7304.
[14]
Bihan DL, Breton E, Lallemand D, et al. MR imaging of intravoxel incoherent motions application to diffusion and perfusion in neurologic disorders. Radiology, 1986, 161(2): 401-407.
[15]
Togao O, Hiwatashi A, Yamashita K, et al. Differentiation of high-grade and low-grade diffuse gliomas by intravoxel incoherent motion MR imaging. Neuro Oncol, 2016, 18(1): 132-141.
[16]
Federau C, Meuli R, O' Brien K, et al. Perfusion measurement in brain gliomas with intravoxel incoherent motion MRI. AJNR Am J Neuroradiol, 2014, 35(2): 256-262.
[17]
Bisdas S, Koh TS, Roder C, et al. Intravoxel incoherent motion diffusion-weighted MR imaging of gliomas: feasibility of the method and initial results. Neuroradiology, 2013, 55(10): 1189-1196.
[18]
Zhang L, Yang LQ, Gong MF, et al. Value of intravoxel incoherent motion diffusion-weighted MR imaging in preoperative glioma grading. J Third Milli Med Univ, 2016, 38(22): 2407-2412.
[19]
Qu Y, Jiang J, Quan GN. Application of artery spin labeling and intravoxel incoherent motion MR study in the grading of gliomas. Chin J Magn Reson Imaging, 2017, 8(4): 243-247.
[20]
Wang K, Ha TT, Chen XZ, et al. A combined diffusion tensor imaging and Ki-67 labeling index study for evaluating the extent of tumor infiltration using the F98 rat glioma model. J Neurooncol, 2018, 137(2):259-268.
[21]
Fudaba H, Shimomura T, Abe T, et al. Comparison of multiple parameters obtained on 3T pulsed arterial spin-labeling, diffusion tensor imaging, and MRS and the Ki-67 labeling index in evaluating glioma grading. AJNR Am J Neuroradiol, 2014, 35(11): 2091-2098.
[22]
Zhao J, Wang YL, Li XB, et al. Comparative analysis of the diffusion kurtosis imaging and diffusion tensor imaging in grading gliomas, predicting tumour cell proliferation and IDH-1 gene mutation status. J Neurooncol, 2019, 141(1): 195-203.
[23]
Zikou AK, Alexiou GA, Kosta P, et al. Diffusion tensor and dynamic susceptibility contrast MRI in glioblastoma. Clin Neurol Neurosurg, 2012, 114(6): 607-612.
[24]
Alexiou GA, Zikou A, Tsiouris S, et al. Correlation of diffusion tensor, dynamic susceptibility contrast MRI and (99m)Tc-Tetrofosmin brain SPECT with tumour grade and Ki-67 immunohistochemistry in glioma. Clin Neurol Neurosurg, 2014, 116(2014): 41-45.
[25]
Li F, Shi WQ, Wang D, et al. Evaluation of histopathological changes in the microstructure at the center and periphery of glioma tumors using diffusional kurtosis imaging. Clin Neurol Neurosurg, 2016, 151(2016): 120-127.
[26]
Zeng Q, Jiang B, Shi F, et al. 3D pseudocontinuous arterial spin-labeling MR imaging in the preoperative evaluation of gliomas. AJNR Am J Neuroradiol, 2017, 38(10): 1876-1883.
[27]
Roy B, Awasthi R, Bindal A, et al. Comparative evaluation of 3-Dimensional pseudocontinuous arterial spin labeling with dynamic contrast-enhanced perfusion magnetic resonance imaging in grading of human glioma. J Comput Assist Tomogr, 2013, 37(3): 321-326.
[28]
Falk A, Fahlstrom M, Rostrup E, et al. Discrimination between glioma grades II and III in suspected low-grade gliomas using dynamic contrast-enhanced and dynamic susceptibility contrast perfusion MR imaging: a histogram analysis approach. Neuroradiology, 2014, 56(12): 1031-1038.
[29]
Roy B, Gupta RK, Maudsley AA, et al. Utility of multiparametric 3-T MRI for glioma characterization. Neuroradiology, 2013, 55(5): 603-613.
[30]
Jia ZZ, Jiang JS, Shen DD, et al. Quantitative assessment of tumor cell proIiferation in brain gliomas with dynamic contrast-enhanced MRI. Shandong Med J, 2018, 58(39): 17-20.
[31]
Jiang JS, Hua Y, Zhou XJ, et al. Quantitative assessment of tumor cell proliferation in brain gliomas with dynamic contrast-enhanced MRI. Acad Radiol, 2019, 26(9): 1215-1221.
[32]
Bradac O, Vrana J, Jiru F, et al. Recognition of anaplastic foci within low-grade gliomas using MR spectroscopy. Br J Neurosurg, 2014, 28(5): 631-636.
[33]
Tamiya T, Kinoshita K, Ono Y, et al. Proton magnetic resonance spectroscopy reflects cellular proliferative activity in astrocytomas. Neuroradiology, 2000, 42(5): 333-338.
[34]
Gao W, Wang X, Li FY, et al. Cho/Cr ratio at MR spectroscopy as a biomarker for cellular proliferation activity and prognosis in glioma: correlation with the expression of minichromosome maintenance protein 2. Acta Radiol, 2019, 60(1): 106-112.
[35]
Chen WS, Hong L, Wang F, et al. Investigation of dacomitinib on reducing cell necrosis and enhancing cell apoptosis in C6 glioma rat model by MRI. Biosci Rep, 2019, 39(3): 1-10.
[36]
Zhou JY, Payen JF, Wilson DA, et al. Using the amide proton signals of intracellular proteins and peptides to detect pH effects in MRI. Nat Med, 2003, 9(8): 1085-1090.
[37]
Togao O, Yoshiura T, Keupp J, et al. Amide proton transfer imaging of adult diffuse gliomas: correlation with histopathological grades. Neuro Oncol, 2014, 16(3): 441-448.
[38]
Suh CH, Park JE, Jung SC, et al. Amide proton transfer-weighted MRI in distinguishing high- and low-grade gliomas: a systematic review and meta-analysis. Neuroradiology, 2019, 61(5): 525-534.
[39]
Park JE, Kim HS, Park KJ, et al. Pre- and posttreatment glioma: Comparison of amide proton transfer imaging with MR spectroscopy for biomarkers of tumor proliferation. Radiology, 2016, 278(2): 514-523.

上一篇 缺血性脑卒中责任血管在MR管壁成像上的研究进展
下一篇 酰胺质子转移成像在神经退行性疾病中的应用进展
  
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