分享:
分享到微信朋友圈
X
综述
基于生境成像的多序列磁共振成像在成人型弥漫性胶质瘤中的研究意义
刘岩昊 高阳

LIU Y H, GAO Y. Implications of habitat imaging-based multisequence MRI in adult-type diffuse glioma[J]. Chin J Magn Reson Imaging, 2023, 14(9): 119-124.引用本文:刘岩昊, 高阳. 基于生境成像的多序列磁共振成像在成人型弥漫性胶质瘤中的研究意义[J]. 磁共振成像, 2023, 14(9): 119-124. DOI:10.12015/issn.1674-8034.2023.09.022.


[摘要] 成人型弥漫性胶质瘤是中枢神经系统肿瘤中最常见的恶性肿瘤,尽管手术切除联合放化疗会延长患者的生存时间,但其五年生存率仍然较低。胶质瘤所涵盖的遗传异质性、表观遗传异质性及环境异质性极大程度影响了患者治疗方案的有效性。以达尔文进化动力学为基础的生境成像可以结合定量MRI较为明确地反映出肿瘤的时空异质性。生境分析所生成的各亚区是肿瘤内不同环境选择力及细胞适应差异的表现。本综述首先阐述了肿瘤微环境异质性研究的重要性以及生境成像的优势,随后探索了建立生境地图的不同聚类方法及优缺点,随后总结了该技术在预测患者生存周期、评估肿瘤基因亚型、监测治疗后反应等领域的应用,最后对该研究方向面临的技术难点及未来的发展趋势做出了深入思考和前瞻性展望,旨在为成人型弥漫性胶质瘤患者的基因分型、预后预测、靶向穿刺及个体化治疗提供帮助。
[Abstract] Adult-type diffuse glioma is the most common malignancy among central nervous system tumors, and although surgical resection combined with radiotherapy and chemotherapy prolongs patient survival, its 5-year survival rate remains low. The genetic heterogeneity, epigenetic heterogeneity and environmental heterogeneity encompassed by gliomas greatly affect the effectiveness of patient treatment options. Habitat imaging based on Darwinian evolutionary dynamics can be combined with quantitative MRI to reflect the spatial and temporal heterogeneity of tumors more clearly. The subregions generated by the habitat analysis are expressions of different environmental selective forces and cellular adaptation differences within the tumor. In this review, we first describe the importance of tumor microenvironment heterogeneity studies and the advantages of habitat imaging. Different clustering methods for building habitat maps and their advantages and disadvantages were explored. The application of this technology in the areas of predicting patient survival cycles, assessing tumor genetic subtypes, and monitoring post-treatment response is then summarized. Finally, the technical difficulties faced in this research direction and the future development trend are given in-depth consideration and forward-looking outlook. This will help in genotyping, prognosis prediction, targeted puncture and individualized treatment of adult-type diffuse glioma patients.
[关键词] 胶质瘤;生境成像;磁共振成像;灌注成像;扩散成像
[Keywords] glioma;habitat imaging;magnetic resonance imaging;perfusion imaging;diffusion imaging

刘岩昊    高阳 *  

内蒙古医科大学附属医院影像诊断科,呼和浩特 010059

通信作者:高阳,E-mail:1390903990@qq.com

作者贡献声明:高阳提出研究方向,设计研究方案,对稿件的结构及重要的智力内容进行了修改,获得了内蒙古自治区科技计划基金项目的基金资助;刘岩昊查阅文献,起草并撰写稿件,对本文相关引用文献进行解释及总结;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 内蒙古自治区科技计划项目 2019GG047
收稿日期:2023-02-12
接受日期:2023-06-28
中图分类号:R445.2  R730.264 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2023.09.022
引用本文:刘岩昊, 高阳. 基于生境成像的多序列磁共振成像在成人型弥漫性胶质瘤中的研究意义[J]. 磁共振成像, 2023, 14(9): 119-124. DOI:10.12015/issn.1674-8034.2023.09.022.

0 前言

       成人型弥漫性胶质瘤是中枢神经系统肿瘤中最常见的恶性肿瘤,约占所有脑肿瘤的18.8%,但占死亡人数的绝大部分[1]。2021年,世界卫生组织(World Health Organization, WHO)中枢神经系统肿瘤分类第五版基于不同的分子机制及信号通路对成人型弥漫性胶质瘤进行了更合理的划分[2]。成人型弥漫性胶质瘤所涵盖的遗传异质性、表观遗传异质性及环境异质性[3]极大程度影响了患者治疗方案的有效性。因此,为了改善患者的预后水平,需要我们更清晰地理解胶质瘤微环境的空间异质性。

       基于达尔文进化动力学的生境成像分析技术,可以结合定量MRI较为明确地反映出肿瘤的时空异质性[4]。由生境分析所生成的各亚区是肿瘤内不同环境选择力及细胞适应差异的表现。该技术在预测患者生存周期的表现中尤为突出[5, 6, 7, 8]。且在评估肿瘤基因亚型、监测治疗后反应等多个领域[9, 10]也均有涉及。近年来,多序列MRI愈发成熟[11, 12],包括灌注成像模型、扩散成像模型、磁共振波谱成像及核医学成像等。而选择合理的模型组合及生境算法将会极大程度影响生境地图的可解释性与鲁棒性。本文就实现生境分析的不同聚类方法、基于生境分析的多序列MRI研究现状作一综述,旨在为临床工作中成人型弥漫性胶质瘤患者的基因分型、预后预测、靶向穿刺及个体化治疗提供帮助。

1 胶质瘤微环境异质性与生境分析的研究意义

1.1 成人型弥漫性胶质瘤的微环境

       成人型弥漫性胶质瘤是一种极其复杂的具有动态变化的脑恶性肿瘤。其进化演变受遗传基因和肿瘤微环境的共同影响[13]。尽管基因型的鉴定拥有重大意义,但它并不足以充分表征肿瘤进化动力学。这是因为肿瘤演变主要受环境选择力与细胞表型相互作用的影响,而非基因型。肿瘤微环境涵盖了复杂多样的细胞成分,如胶质瘤干细胞、胶质细胞、肿瘤相关巨噬细胞等[14]。不同的细胞适应性会产生不同的环境选择力,而环境差异又会反过来影响细胞的存活与诱导因子的表达。例如,在胶质瘤的进化演变过程中,需要形成广泛的微血管来满足癌细胞增殖所需的氧气和营养需求,血管周围星形胶质细胞和癌细胞便会分泌大量促血管生成生长因子以生成所需要的微环境。而功能失调的脉管系统会使血流减少从而导致肿瘤内出现缺氧区域,并最终导致血管塌陷后出现假栅栏状坏死[15]。缺氧的微环境会进一步激活缺氧诱导因子使肿瘤细胞增殖。肿瘤微环境的异质性表现与肿瘤进展存在明显的关联。因此,需要我们对肿瘤细胞的不同栖息环境进行可视化。

1.2 生境成像分析方法的优势

       生境成像分析技术源于景观生态学[4]。在一个共有的庞大的生态系统中,存活着多种多样的物种。每个物种生活于不同的栖息地,即不同的子生境。基于达尔文进化动力学,每个子生境均在时间与空间维度不停地发生演变[16]。而景观生态学家可以通过观察和量化多维度生境地图(如雷达、红外线成像),反映某些物理特征的异质性对生物种群与其环境之间存在的相互影响[17]。每个肿瘤同样不只由一个单一系统构成,而是多个栖息地的拼凑,每个栖息地都有一套独特的环境选择力和细胞进化策略。这样的分析模型可以很容易地应用于肿瘤的放射学研究。生境分析方法可以在放射学观察到的宏观肿瘤特征与微观癌细胞群的分子、细胞及微环境之间建立明确且可预测的联系。

       当前,研究胶质瘤异质性的“金标准”依然是病理学检测,但是这种有创性的操作可能会导致永久性神经功能缺损或死亡。并且,对于多中心及无法耐受的患者,进行病理取材,通常是难以实现的。因此,我们需要一种有效的非侵入性的方法来探索肿瘤的异质性。单一定量参数、直方图分析或放射组学分析通过计算体素来量化异质性和复杂性,这样的方式往往侧重于现有数据的统计描述,而忽略了肿瘤遗传基因与生存环境之间存在潜在联系[18]。使用多序列MRI[19]结合生境成像技术可以捕获与代谢、血管分布和细胞构成差异有关的肿瘤亚区。生境成像分析已应用于胶质瘤以外的多种疾病,例如新型冠状病毒相关的癌症[20]、非小细胞肺癌[21]、乳腺癌[22]等,它们可能提供与治疗相关的靶点,反映更细微和更具体的生物学信息。

2 生境成像模型算法

       具有深厚理论基础的生境分析图像分割方法,将会极大程度影响肿瘤子生境的可解释性。近年来,随着人工智能领域的快速发展,肿瘤的图像分割方式引起了机器学习和深度学习社区的广泛关注[23]。国际医学图像计算和计算机辅助干预协会设定的多模式脑肿瘤图像分割基准已应用于多项中枢神经系统肿瘤研究中[24, 25]。下文主要介绍当前生境分析中较为常见的算法。

2.1 Otsu阈值法

       Otsu阈值法是由Nobuyuki Otsu提出的一种动态阈值分割算法,又名大津法或最大类间方差法。该技术依据图像的灰度等级分成两个部分,使得两个部分之间的灰度值差异最大,每个部分之内的灰度差异最小。通过方差的计算可以寻找一个合适的灰度级别对图像进行划分,即阈值。多名学者[10,12,26]使用非参数Otsu分割方法对胶质瘤感兴趣区(region of interest, ROI)进行划分。以这种方式可以获得每个映射的高表达簇和低表达簇。然后,通过将每个可能的簇组合,定义为不同的生境,就可以在每个患者的图像中绘制空间生境地图。但基于阈值的方法存在局限性。PARK等[27]研究发现,当噪声过大时会影响图像的分割,且很难用异质性标记所有组织体素,这会导致组织出现“灰色地带”。

2.2 K-means聚类法

       K-means聚类法是一种基于距离最小化准则的无监督非结构化分区聚类技术[28]。其目的是将数据空间X划分为多个簇,使得X的每个观测值都属于离质心最近的簇。研究人员[7]发现该技术既不需要事先假设,且不受正常脑组织标准化采集的影响。这对于上文中提到的最小化灰色区域组织是一种补充。KIM等[29]使用K-means聚类法对胶质母细胞瘤(glioblastoma, GBM)对比增强的肿瘤实体部分进行分割,包含以下几种:(1)高脑血容量(cerebral blood volume, CBV)值和低表观扩散系数(apparent diffusion coefficient, ADC)值的高血管细胞生境;(2)低CBV值和低ADC值的低血管细胞生境;(3)低CBV值和高ADC值的非活组织生境。该方法不仅适用于肿瘤实体的研究,还可用于肿瘤周围水肿区的探索。YANG等[28]基于体素的K-means聚类程序应用于瘤体及瘤周进行区域分割。GBM的瘤周水肿区被自动划分为几个空间上不同的子生境,每个生境都表现出一种相干的信号强度模式。虽然K-means聚类法有着较为明显的优势,但也同样受到图像噪声和伪影的影响。此外,仅基于数据信号强度驱动的技术仍然存在一定不足,这会产生具有广泛分散和混合子生境的非直观结果。

2.3 马尔可夫随机场模型

       马尔可夫随机场(Markov random field, MRF)模型是依据马尔可夫特性所构建的随机场。通过该方法可以捕获组织强度的非参数分布、邻近区域相关性和信号不均匀性[30],这对MRI图像尤为重要。通过隐MRF可以反映出某些不直接可见但受状态影响的变量参数。在CUI等[5]的研究中,基于每位患者的T1对比增强和T2液体衰减反转恢复(fluid attenuated inversion recovery, FLAIR)序列图像,使用隐MRF模型和期望最大化算法将肿瘤分为四个子生境。这种使具有相似的信号强度模式体素分组在一起的方法可以避免在分割过程中形成大量不相连的子区域,为多区域图像分析保留有用的空间信息。

2.4 混合模型

       随着人工智能及科学技术的进步,我们发现单一数学模型所构建的图像分割方式已不足以精确反映肿瘤细微的病理生理变化。多种模型结合的混合算法不仅可以弥补既往模型中存在的一些问题,还可以更准确地描述胶质瘤复杂的空间异质性。JUAN-ALBARRACÍN等[31]开发了一种用于描述GBM的解剖学特性和血管生成相关异质性的图像分割技术,称为血液动力学组织特征(hemodynamic tissue signature, HTS)。该方法是高斯混合模型与连续MRF结合的混合算法,仍然是无监督学习中较为先进的方法之一。HTS的四个子生境是通过rCBV和相对脑血流量(cerebral blood flow, CBF)确定。该研究团队以此为基础,进一步建立了用以分析GBM血管异质性的在线系统——ONCOhabitats[31]。ONCOhabitats主要提供两项服务,其一是基于卷积神经网络的高级别胶质瘤组织分割;其二是通过HTS评估GBM的血管异质性。已有多项研究使用该系统探讨弥漫性胶质瘤患者的基因分型、预后生存情况[32, 33, 34]。ONCOhabitats系统已在胶质瘤领域中展示出独特的优势。

3 基于生境成像的多序列MRI研究现状

       多序列MRI不仅超越传统MRI可以表征肿瘤大小和解剖结构,还可以评估患者的组织代谢和病理生理情况。往常我们仅使用独立或组合的MRI序列评估病灶ROI的平均参数,这会丢弃重要的空间信息[18]。尽管影像组学可提取大量被计算机识别和量化的放射组学特征,但这种高通量的数据往往产生于整个肿瘤区域,无法与潜在的肿瘤微环境相联系起来。因此,结合多序列MRI和生境成像技术可以帮助我们更好地理解胶质瘤的病理生理变化。

       胶质瘤在其独特微环境的影响下不停地发生演变。SLAVKOVA等[35]依据扩散联合灌注序列在小鼠模型中建立生境地图,一定程度上阐述了胶质瘤病理生理的过渡趋势。广泛的微血管生成是肿瘤生长初始阶段的核心特征[15],这可以满足癌细胞增殖所需要的供能物质(如氧气、营养物质等)。该阶段是由血管周围星形胶质细胞和癌细胞分泌过量的促血管生成生长因子所致[36],其符合高血管高细胞生境的特点。随着肿瘤继续生长,高血管高细胞生境逐渐失去脉管系统,但其细胞结构尚未发生死亡,此时过渡到低血管高细胞生境。到达肿瘤生长后期,生境内的脉管系统已无法满足大量的细胞存活,这会发生缺氧导致细胞数量减少及坏死,完成向低血管低细胞生境的过渡。但这并不代表肿瘤演变的结束,缺氧细胞会继续诱导缺氧诱导因子使癌细胞获得侵袭性生长模式以克服缺氧应激[37]。并且,缺氧细胞也会分泌各种促血管生成因子用来恢复氧气水平[38],这不只会缓解自身的“窘迫”状态,也可能会对其他生境产生影响。因此,拥有时间和空间双重信息的生境地图会对胶质瘤病理生理变化的解释性产生帮助。同时,这提示我们多序列MRI联合生境成像在获取肿瘤组织病理特征方面具有一定潜力,如生境引导的肿瘤采样。已有研究[12]证实生境地图可以导入神经外科所使用的神经导航软件,这可能会减少采样组织之间的空间异质性。目前,基于生境成像的多序列MRI在预测患者生存周期、评估肿瘤基因亚型及监测治疗后反应等方面已有一定深度的研究,但高级成像模型鲜有涉及。

3.1 预测患者生存周期

       星形胶质细胞和癌细胞通过释放过量血管生成因子促进局部血管生成,从而导致血管系统紊乱和渗漏[15]。这会对局部生存环境产生深远的影响,以形成应用于癌细胞的进化选择压力。JUAN-ALBARRACÍN等[6]基于上述原理,首次提出在动态磁敏感对比增强(dynamic susceptibility contrast, DSC)-MRI的基础上使用HTS算法分割肿瘤子生境,并预测接受标准治疗和护理患者的总生存周期。HTS法由增强区高血管生境(high angiogenic tumor, HAT)、增强区低血管生境(low angiogenic tumor, LAT)、瘤周浸润性水肿生境(potentially infiltrated peripheral edema, IPE)及瘤周血管源性水肿生境(vasogenic peripheral edema, VPE)构成。Kaplan-Meier生存分析表明,在HAT和LAT生境中,不同人群的存活率之间差异有统计学意义。这是因为rCBV所代表的新生血管生成程度及rCBF反映的组织中毛细血管流量均是胶质瘤血管生态区(perivascular niche, PVN)的重要信息。PVN在肿瘤进化发展中起着重要作用,增加的微血管密度与患者较短的生存期存在关联[15]。FUSTER-GARCIA等[33]使用HTS灌注标记物与临床、人口统计学及形态学特征构建的多参数预后模型进一步证明了上述结论的可靠性。

       此外,JUAN-ALBARRACÍN等[6]发现IPE生境中灌注参数的COX回归分析存在统计学意义(P<0.05),这表明在瘤周水肿内也包含着有关患者生存的相关信息。但IPE和VPE对于预测患者生存周期并无价值(P>0.05)。这与另一项研究结果相矛盾。DEL MAR ÁLVAREZ-TORRES等[39]通过多中心机构继续验证HTS模型对于预测胶质瘤生存周期的再现性和鲁棒性,发现IPE标记物与患者预后之间存在密切关联。这可能是由于ROI的描绘差异产生了不同的结果。YANG等[28]对瘤周水肿生境进行重点研究,通过K-means聚类法,将该区划分为不同的生境并提取影像组学特征建立模型。结果表明瘤周水肿内确定的高风险生境与GBM患者的预后存在关联。胶质瘤瘤体周围的浸润性水肿是高复杂性且高侵犯性的,与炎症、瘤细胞浸润、血管源性水肿、细胞外基质[40]等多种因素有关。并且,该区也是手术切除后的高复发区域,可以一定程度上反映患者的预后情况。胶质瘤瘤内和瘤周的空间异质性值得深入探讨,提示未来还需更大规模的研究。

3.2 评估肿瘤基因亚型

       WHO中枢神经系统肿瘤分类第五版中强调,准确诊断和评估胶质瘤的分子特征有助于个体化治疗方法及评估预后[41]。异柠檬酸脱氢酶(isocitrate dehydrogenase, IDH)突变在弥漫性胶质瘤中起着重要的诊断作用[42],且IDH野生型与突变型胶质瘤患者的生存率之间有着明显的差异[43]。WU等[34]依据WHO分级将胶质瘤分为三组,通过血管异质性建立四个子生境并比较了IDH突变型和野生型患者之间的参数差异。研究表明,与野生型相比,突变型患者的HAT和LAT的rCBV值显著降低。该研究证明了生境分析对高级别胶质瘤患者的IDH状态具有很高的预测能力。O6-甲基鸟嘌呤-DNA甲基转移酶(O6-methylguanine-DNA methyltransferase, MGMT)基因的启动子甲基化状态可增加胶质瘤对替莫唑胺的敏感性[44],从而延长患者的生存周期[45]。CUI等[9]基于T1对比增强和扩散加权成像(diffusion-weighted imaging, DWI)图像确定了一个具有高强化低ADC值的生境,并用基因组数据评估预后价值和生物学意义。结果表明MGMT未甲基化患者的生存期明显缩短。YANG等[28]基于生境分析的影像组学进一步佐证了这一结论。但ÁLVAREZ-TORRES等[32]未发现长期生存者和短期生存者之间MGMT甲基化方面存在差异(P>0.05)。胶质瘤中MGMT甲基化可能与RNA的转录后调节[44]、神经胶质瘤胞嘧啶鸟嘌呤岛甲基化表型[46]、BET蛋白[47]等多种因素有关,这会导致表达的不一致性。生境分析对于胶质瘤基因组的评估仍然不够充分,未来应结合多种手段及基因数据库继续完善诊疗过程。

3.3 监测治疗后反应

       利用非侵入性成像方式准确评估早期治疗反应会对胶质瘤治疗后的结果产生深远影响[48]。并且治疗所导致肿瘤生境的时间与空间变化可能会产生独特的图像生物标记物。PARK等[7]通过DWI与DSC-MRI建立空间生境,并评估这些生境的时空变化与GBM患者治疗后反应的关联。研究表明低血管细胞生境的增加可以预测肿瘤进展部位。该研究团队在此基础上进一步加入电特性断层成像(electrical properties tomography, EPT)来评估GBM治疗后的反应[49]。EPT不仅可以显示肿瘤的组织电导率差异,而且不需要施加电极,没有能量沉积于体内[50]。该研究发现由低EPT和低CBV反映的低血管低电导率生境可以预测肿瘤进展,并且与其他生境相比,显示出最高的诊断性能。但此研究仍存在一定局限,低血管中间生境在ADC或EPT中无法显示异质性,可能需要其他参数来明确该组织的性质。此外,一个新兴领域是考虑将正电子发射断层显像(positron emission tomography, PET)与MRI结合,以识别具有代谢活动和细胞结构及血管的不同组合生境。PET图像的药代动力学可以测量局部葡萄糖消耗[51],通常早于MRI/CT即可发现病灶所在。已有研究证明,通过功能MRI和PET的生境成像可以预测患者治疗后的肿瘤反应[52]。但多序列MRI/PET仍存在一些问题,如不同序列的图像配准、ROI的画取等,提示我们还需要进一步的研究予以解决。

3.4 高级模型的应用价值

       目前,大部分既往研究中所使用的MRI序列仍然是较为基础的常规MRI(如对比增强T1成像、T2-FLAIR序列、DWI等)。这可能不足以解释成人型弥漫性胶质瘤复杂的微环境。不同的高级MRI模型可以更精准地反映肿瘤的不同“特性”。动态对比增强MRI基于药物代谢动力学,可以获得组织的灌注参数与渗透参数[53]。DSC-MRI通过监测对比剂在受检组织中的动态变化以反映病变的血管生成程度和血管通透性[54]。扩散张量成像通过多个不同方向对扩散信号进行采样,可用于确定平均扩散率和扩散各向异性程度,并且通过后处理技术对白质纤维束可视化[55]。扩散峰度成像提供了对水扩散受限过程的高阶描述,其参数可以表征具有复杂成分和结构组织中的非高斯扩散特性[56]。磁共振波谱成像根据进动频率对水溶性脑代谢物进行评估,如肌酐、N-乙酰天冬氨酸、胆碱、乳酸等。胆碱存在于细胞膜中,代表了细胞增殖程度。N-乙酰天冬氨酸只存在于神经元中,可定义细胞密度和细胞活力。既往研究[57]表明该技术在多个领域均有很高的准确性与稳定性,包括肿瘤分级,鉴别真假性进展等。高级模型所映射的肿瘤微观信息更加详细与准确,但结合生境成像的研究涉及鲜少,提示我们在这一领域还需要更深入的探索与尝试。

4 总结与展望

       基于生境成像的多序列MRI是一个相对新颖的领域,需要我们深入研究以解决现有的一些问题。首先,在成人型弥漫性胶质瘤患者中使用生境分析并研究其与相关病理生理、分子特征的现有研究并不全面或稳定,需要对生境地图的建立过程及后续组织学验证进行合理安排。其次,对于肿瘤总体的划分。一些研究尚未将肿瘤实体和瘤周水肿同时纳入ROI范围。每个生境都包含了更敏感和更具体的微环境信息,提示我们应予以重视。此外,现有的生境分析模型算法可能无法充分解释胶质瘤复杂的空间异质性,确定一种或几种适用于胶质瘤生境的图像分割基准亟待解决。

       该综述旨在为临床工作中成人型弥漫性胶质瘤患者的基因分型、预后预测、靶向穿刺及个体化治疗提供帮助。生境成像联合多序列MRI可能是一种更好的方法,用于评估成人型弥漫性胶质瘤潜在的病理生理变化、反映细胞表型及信号通路、监测与治疗相关的反应。生境各亚区特征可能与肿瘤的分子变化相关,这可以非侵入性地帮助患者进行新辅助治疗。恶性程度最高的生境亚区可引导神经外科医生进行更合适的病理穿刺活检或最小化手术切除范围,以最大化减少对患者带来的损伤。综上所述,基于生境成像的多序列MRI在成人型弥漫性胶质瘤的研究中拥有广阔前景。

[1]
OSTROM Q T, PRICE M, NEFF C, et al. CBTRUS Statistical Report: Primary Brain and Other Central Nervous System Tumors Diagnosed in the United States in 2015-2019[J/OL]. Neuro-Oncology, 2022, 24(Suppl 5): v1-v95 [2023-02-10]. https://academic.oup.com/neuro-oncology/article/24/Supplement_5/v1/6742201?login=false. DOI: 10.1093/neuonc/noac202.
[2]
LOUIS D N, PERRY A, WESSELING P, et al. The 2021 WHO Classification of Tumors of the Central Nervous System: a summary[J/OL]. Neuro-Oncology, 2021, 23(8): 1231-1251 [2023-02-10]. https://academic.oup.com/neuro-oncology/article/23/8/1231/6311214?login=false. DOI: 10.1093/neuonc/noab106.
[3]
NICHOLSON J G, FINE H A. Diffuse Glioma Heterogeneity and Its Therapeutic Implications[J]. Cancer Discov, 2021, 11(3): 575-590. DOI: 10.1158/2159-8290.CD-20-1474.
[4]
GATENBY R A, GROVE O, GILLIES R J. Quantitative imaging in cancer evolution and ecology[J]. Radiology, 2013, 269(1): 8-15. DOI: 10.1148/radiol.13122697.
[5]
CUI Y, THA K K, TERASAKA S, et al. Prognostic Imaging Biomarkers in Glioblastoma: Development and Independent Validation on the Basis of Multiregion and Quantitative Analysis of MR Images[J]. Radiology, 2016, 278(2): 546-553. DOI: 10.1148/radiol.2015150358.
[6]
JUAN-ALBARRACÍN J, FUSTER-GARCIA E, PÉREZ-GIRBÉS A, et al. Glioblastoma: Vascular Habitats Detected at Preoperative Dynamic Susceptibility-weighted Contrast-enhanced Perfusion MR Imaging Predict Survival[J]. Radiology, 2018, 287(3): 944-954. DOI: 10.1148/radiol.2017170845.
[7]
PARK J E, KIM H S, KIM N, et al. Spatiotemporal Heterogeneity in Multiparametric Physiologic MRI Is Associated with Patient Outcomes in IDH-Wildtype Glioblastoma[J]. Clin Cancer Res, 2021, 27(1): 237-245. DOI: 10.1158/1078-0432.CCR-20-2156.
[8]
BEIG N, BERA K, PRASANNA P, et al. Radiogenomic-Based Survival Risk Stratification of Tumor Habitat on Gd-T1w MRI Is Associated with Biological Processes in Glioblastoma[J]. Clin Cancer Res, 2020, 26(8): 1866-1876. DOI: 10.1158/1078-0432.CCR-19-2556.
[9]
CUI Y, REN S, THA K K, et al. Volume of high-risk intratumoral subregions at multi-parametric MR imaging predicts overall survival and complements molecular analysis of glioblastoma[J]. Eur Radiol, 2017, 27(9): 3583-3592. DOI: 10.1007/s00330-017-4751-x.
[10]
LEE J, NARANG S, MARTINEZ J, et al. Spatial Habitat Features Derived from Multiparametric Magnetic Resonance Imaging Data Are Associated with Molecular Subtype and 12-Month Survival Status in Glioblastoma Multiforme[J/OL]. PloS One, 2015, 10(9): e0136557 [2023-02-10]. https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0136557. DOI: 10.1371/journal.pone.0136557.
[11]
ZHANG L, PAN H, LIU Z, et al. Multicenter clinical radiomics-integrated model based on [18F]FDG PET and multi-modal MRI predict ATRX mutation status in IDH-mutant lower-grade gliomas[J]. Eur Radiol, 2023, 33(2): 872-883. DOI: 10.1007/s00330-022-09043-4.
[12]
BAILO M, PECCO N, CALLEA M, et al. Decoding the Heterogeneity of Malignant Gliomas by PET and MRI for Spatial Habitat Analysis of Hypoxia, Perfusion, and Diffusion Imaging: A Preliminary Study[J/OL]. Front Neurosci-Switz, 2022, 16: 885291 [2023-02-10]. https://www.frontiersin.org/articles/10.3389/fnins.2022.885291/full. DOI: 10.3389/fnins.2022.885291.
[13]
VARN F S, JOHNSON K C, MARTINEK J, et al. Glioma progression is shaped by genetic evolution and microenvironment interactions[J/OL]. Cell, 2022, 185(12): 2184-2199.e16 [2023-02-10]. https://linkinghub.elsevier.com/retrieve/pii/S0092-8674(22)00536-0. DOI: 10.1016/j.cell.2022.04.038.
[14]
TOMASZEWSKI W, SANCHEZ-PEREZ L, GAJEWSKI T F, et al. Brain Tumor Microenvironment and Host State: Implications for Immunotherapy[J/OL]. Clin Cancer Res, 2019, 25(14): 4202-4210 [2023-02-10]. https://aacrjournals.org/clincancerres/article/25/14/4202/81960/Brain-Tumor-Microenvironment-and-Host-State. DOI: 10.1158/1078-0432.CCR-18-1627.
[15]
ERBANI J, BOON M, AKKARI L. Therapy-induced shaping of the glioblastoma microenvironment: Macrophages at play[J/OL]. Semin Cancer Biol, 2022, 86(Pt 3): 41-56 [2023-02-10]. https://linkinghub.elsevier.com/retrieve/pii/S1044-579X(22)00112-2. DOI: 10.1016/j.semcancer.2022.05.003.
[16]
FENDERSON L E, KOVACH A I, LLAMAS B. Spatiotemporal landscape genetics: Investigating ecology and evolution through space and time[J]. Mol Ecol, 2020, 29(2): 218-246. DOI: 10.1111/mec.15315.
[17]
TORQUETTI C G, DE CARVALHO T P, DE FREITAS R M P, et al. Influence of landscape ecology and physiological implications in bats from different trophic guilds[J/OL]. Sci Total Environ, 2023, 857(Pt 3): 159631 [2023-02-10]. https://www.sciencedirect.com/science/article/abs/pii/S0048969722067316?via%3Dihub. DOI: 10.1016/j.scitotenv.2022.159631.
[18]
O'CONNOR J P B, ROSE C J, WATERTON J C, et al. Imaging intratumor heterogeneity: role in therapy response, resistance, and clinical outcome[J]. Clin Cancer Res, 2015, 21(2): 249-257. DOI: 10.1158/1078-0432.CCR-14-0990.
[19]
赵焕, 白岩, 王梅云. 多模态磁共振成像技术在脑胶质瘤基因分型及预后评估中的研究进展[J]. 磁共振成像, 2021, 12(9): 98-102. DOI: 10.12015/issn.1674-8034.2021.09.025.
ZHAO H, BAI Y, WANG M Y. Progress of multimodality magnetic resonance imaging in genotyping and prognostic evaluation of gliomas[J]. Chin J Magn Reson Imaging, 2021, 12(9): 98-102. DOI: 10.12015/issn.1674-8034.2021.09.025
[20]
AMINU M, YADAV D, HONG L, et al. Habitat Imaging Biomarkers for Diagnosis and Prognosis in Cancer Patients Infected with COVID-19[J]. Cancers, 2022, 15(1): 275. DOI: 10.3390/cancers15010275.
[21]
CHEN L, LIU K, ZHAO X, et al. Habitat Imaging-Based 18F-FDG PET/CT Radiomics for the Preoperative Discrimination of Non-small Cell Lung Cancer and Benign Inflammatory Diseases[J/OL]. Front Oncol, 2021, 11: 759897 [2023-02-10]. https://www.frontiersin.org/articles/10.3389/fonc.2021.759897/full. DOI: 10.3389/fonc.2021.759897.
[22]
WU J, CAO G, SUN X, et al. Intratumoral Spatial Heterogeneity at Perfusion MR Imaging Predicts Recurrence-free Survival in Locally Advanced Breast Cancer Treated with Neoadjuvant Chemotherapy[J]. Radiology, 2018, 288(1): 26-35. DOI: 10.1148/radiol.2018172462.
[23]
RANJBARZADEH R, CAPUTO A, TIRKOLAEE E B, et al. Brain tumor segmentation of MRI images: A comprehensive review on the application of artificial intelligence tools[J/OL]. Comput Biol Med, 2023, 152: 106405 [2023-02-10]. https://linkinghub.elsevier.com/retrieve/pii/S0010-4825(22)01113-1. DOI: 10.1016/j.compbiomed.2022.106405.
[24]
FAGHANI S, KHOSRAVI B, MOASSEFI M, et al. A Comparison of Three Different Deep Learning-Based Models to Predict the MGMT Promoter Methylation Status in Glioblastoma Using Brain MRI[J]. J Digit Imaging, 2023, 36(3): 837-846. DOI: 10.1007/s10278-022-00757-x.
[25]
REHMAN M U, RYU J, NIZAMI I F, et al. RAAGR2-Net: A brain tumor segmentation network using parallel processing of multiple spatial frames[J/OL]. Comput Biol Med, 2023, 152: 106426 [2023-02-10]. https://linkinghub.elsevier.com/retrieve/pii/S0010-4825(22)01134-9. DOI: 10.1016/j.compbiomed.2022.106426.
[26]
STRINGFIELD O, ARRINGTON J A, JOHNSTON S K, et al. Multiparameter MRI Predictors of Long-Term Survival in Glioblastoma Multiforme[J]. Tomography, 2019, 5(1): 135-144. DOI: 10.18383/j.tom.2018.00052.
[27]
PARK J E, KIM H S, GOH M J, et al. Pseudoprogression in Patients with Glioblastoma: Assessment by Using Volume-weighted Voxel-based Multiparametric Clustering of MR Imaging Data in an Independent Test Set[J]. Radiology, 2015, 275(3): 792-802. DOI: 10.1148/radiol.14141414.
[28]
YANG Y, HAN Y, ZHAO S, et al. Spatial heterogeneity of edema region uncovers survival-relevant habitat of Glioblastoma[J/OL]. Eur J Radiol, 2022, 154: 110423 [2023-02-10]. https://linkinghub.elsevier.com/retrieve/pii/S0720-048X(22)00273-X. DOI: 10.1016/j.ejrad.2022.110423.
[29]
KIM M, PARK J E, KIM H S, et al. Spatiotemporal habitats from multiparametric physiologic MRI distinguish tumor progression from treatment-related change in post-treatment glioblastoma[J/OL]. Eur Radiol, 2021, 31(8): 6374-6383 [2023-02-10]. https://link.springer.com/article/10.1007/s00330-021-07718-y. DOI: 10.1007/s00330-021-07718-y.
[30]
SONG J, YUAN L. Brain tissue segmentation via non-local fuzzy c-means clustering combined with Markov random field[J]. Math Biosci Eng, 2022, 19(2): 1891-1908. DOI: 10.3934/mbe.2022089.
[31]
JUAN-ALBARRACÍN J, FUSTER-GARCIA E, GARCÍA-FERRANDO G A, et al. ONCOhabitats: A system for glioblastoma heterogeneity assessment through MRI[J]. Int J Med Inform, 2019, 128: 53-61. DOI: 10.1016/j.ijmedinf.2019.05.002.
[32]
ÁLVAREZ-TORRES M D M, FUSTER-GARCÍA E, REYNÉS G, et al. Differential effect of vascularity between long- and short-term survivors with IDH1/2 glioblastomawild-type.[J/OL]. Nmr Biomed, 2021, 34(4): e4462 [2023-02-10]. https://analyticalsciencejournals.onlinelibrary.wiley.com/doi/10.1002/nbm.4462. DOI: 10.1002/nbm.4462.
[33]
FUSTER-GARCIA E, JUAN-ALBARRACÍN J, GARCÍA-FERRANDO G A, et al. Improving the estimation of prognosis for glioblastoma patients by MR based hemodynamic tissue signatures.[J/OL]. Nmr Biomed, 2018, 31(12): e4006 [2023-02-10]. https://analyticalsciencejournals.onlinelibrary.wiley.com/doi/10.1002/nbm.4006. DOI: 10.1002/nbm.4006.
[34]
WU H, TONG H, DU X, et al. Vascular habitat analysis based on dynamic susceptibility contrast perfusion MRI predicts IDH mutation status and prognosis in high-grade gliomas[J]. Eur Radiol, 2020, 30(6): 3254-3265. DOI: 10.1007/s00330-020-06702-2.
[35]
SLAVKOVA K P, PATEL S H, CACINI Z, et al. Mathematical modelling of the dynamics of image-informed tumor habitats in a murine model of glioma[J/OL]. Sci Rep, 2023, 13(1): 2916 [2023-02-10]. https://www.nature.com/articles/s41598-023-30010-6. DOI: 10.1038/s41598-023-30010-6.
[36]
AHIR B K, ENGELHARD H H, LAKKA S S. Tumor Development and Angiogenesis in Adult Brain Tumor: Glioblastoma[J]. Mol Neurobiol, 2020, 57(5): 2461-2478. DOI: 10.1007/s12035-020-01892-8.
[37]
MONTEIRO A R, HILL R, PILKINGTON G J, et al. The Role of Hypoxia in Glioblastoma Invasion[J]. Cells, 2017, 6(4): 45. DOI: 10.3390/cells6040045.
[38]
DOMÈNECH M, HERNÁNDEZ A, PLAJA A, et al. Hypoxia: The Cornerstone of Glioblastoma[J/OL]. Int J Mol Sci, 2021, 22(22): 12608 [2023-02-10]. https://www.mdpi.com/1422-0067/22/22/12608. DOI: 10.3390/ijms222212608.
[39]
DEL MAR ÁLVAREZ-TORRES M, JUAN-ALBARRACÍN J, FUSTER-GARCIA E, et al. Robust association between vascular habitats and patient prognosis in glioblastoma: An international multicenter study[J]. J Magn Reson Imaging, 2020, 51(5): 1478-1486. DOI: 10.1002/jmri.26958.
[40]
FERRER V P, MOURA NETO V, MENTLEIN R. Glioma infiltration and extracellular matrix: key players and modulators[J]. Glia, 2018, 66(8): 1542-1565. DOI: 10.1002/glia.23309.
[41]
BERGER T R, WEN P Y, LANG-ORSINI M, et al. World Health Organization 2021 Classification of Central Nervous System Tumors and Implications for Therapy for Adult-Type Gliomas: A Review[J]. JAMA Oncol, 2022, 8(10): 1493-1501. DOI: 10.1001/jamaoncol.2022.2844.
[42]
蒋健, 张学凌, 周俊林. 胶质瘤异柠檬酸脱氢酶基因型与影像学研究进展[J]. 磁共振成像, 2021, 12(5): 103-106. DOI: 10.12015/issn.1674-8034.2021.05.025.
JIANG J, ZHANG X L, ZHOU J L. Research progress on isocitrate dehydrogenase genotype and imaging of glioma[J]. Chin J Magn Reson Imaging, 2021, 12(5): 103-106. DOI: 10.12015/issn.1674-8034.2021.05.025.
[43]
HAN S, LIU Y, CAI S J, et al. IDH mutation in glioma: molecular mechanisms and potential therapeutic targets[J]. Brit J Cancer2020, 122(11): 1580-1589. DOI: 10.1038/s41416-020-0814-x.
[44]
BUTLER M, PONGOR L, SU Y T, et al. MGMT Status as a Clinical Biomarker in Glioblastoma[J/OL]. Trends Cancer, 2020, 6(5): 380-391. DOI: 10.1016/j.trecan.2020.02.010.
[45]
陈思璇, 许悦, 叶梅萍, 等. MRI不同影像组学模型预测胶质瘤MGMT启动子甲基化状态的研究[J]. 磁共振成像, 2022, 13(3): 1-5, 36. DOI: 10.12015/issn.1674-8034.2022.03.001.
CHEN S X, XU Y, YE M P, et al. Prediction of MGMT promoter methylation in gliomas with different radiomics models based on MRI[J]. Chin J Magn Reson Imaging, 2022, 13(3): 1-5, 36. DOI: 10.12015/issn.1674-8034.2022.03.001.
[46]
MUR P, RODRÍGUEZ DE LOPE Á, DÍAZ-CRESPO F J, et al. Impact on prognosis of the regional distribution of MGMT methylation with respect to the CpG island methylator phenotype and age in glioma patients[J]. J Neuro-Oncol, 2015, 122(3): 441-450. DOI: 10.1007/s11060-015-1738-9.
[47]
TANCREDI A, GUSYATINER O, BADY P, et al. BET protein inhibition sensitizes glioblastoma cells to temozolomide treatment by attenuating MGMT expression[J]. Cell Death Dis, 2022, 13(12): 1037. DOI: 10.1038/s41419-022-05497-y.
[48]
ZOMER A, CROCI D, KOWAL J, et al. Multimodal imaging of the dynamic brain tumor microenvironment during glioblastoma progression and in response to treatment[J/OL]. iScience, 2022, 25(7): 104570 [2023-02-10]. https://linkinghub.elsevier.com/retrieve/pii/S2589-0042(22)00842-2. DOI: 10.1016/j.isci.2022.104570.
[49]
PARK J E, KIM H S, KIM N, et al. Low conductivity on electrical properties tomography demonstrates unique tumor habitats indicating progression in glioblastoma[J]. Eur Radiol, 2021, 31(9): 6655-6665. DOI: 10.1007/s00330-021-07976-w.
[50]
KATSCHER U, VAN DEN BERG C A T. Electric properties tomography: Biochemical, physical and technical background, evaluation and clinical applications[J/OL]. NMR Biomed, 2017, 30(8) [2023-02-10]. https://pubmed.ncbi.nlm.nih.gov/28543640/. DOI: 10.1002/nbm.3729.
[51]
GIRARD A, LE RESTE P J, METAIS A, et al. Combining (18)F-DOPA PET and MRI with perfusion-weighted imaging improves delineation of high-grade subregions in enhancing and non-enhancing gliomas prior treatment: a biopsy-controlled study.[J]. J Neuro-Oncol, 2021, 155(3): 287-295. DOI: 10.1007/s11060-021-03873-w.
[52]
JOHN F, BOSNYÁK E, ROBINETTE N L, et al. Multimodal imaging-defined subregions in newly diagnosed glioblastoma: impact on overall survival.[J]. Neuro-Oncology, 2019, 21(2): 264-273. DOI: 10.1093/neuonc/noy169.
[53]
BRENDLE C, HEMPEL J M, SCHITTENHELM J, et al. Glioma Grading and Determination of IDH Mutation Status and ATRX loss by DCE and ASL Perfusion[J]. Clinical Neuroradiol, 2018, 28(3): 421-428. DOI: 10.1007/s00062-017-0590-z.
[54]
VAN SANTWIJK L, KOUWENBERG V, MEIJER F, et al. A systematic review and meta-analysis on the differentiation of glioma grade and mutational status by use of perfusion-based magnetic resonance imaging[J]. Insights Imaging, 2022, 13(1): 102. DOI: 10.1186/s13244-022-01230-7.
[55]
BRANCATO V, NUZZO S, TRAMONTANO L, et al. Predicting Survival in Glioblastoma Patients Using Diffusion MR Imaging Metrics-A Systematic Review[J/OL]. Cancers, 2020, 12(10): E2858 [2023-02-10]. https://www.mdpi.com/2072-6694/12/10/2858. DOI: 10.3390/cancers12102858.
[56]
SMITS M. MRI biomarkers in neuro-oncology[J]. Nat Rev Neurol, 2021, 17(8): 486-500. DOI: 10.1038/s41582-021-00510-y.
[57]
OVERCAST W B, DAVIS K M, HO C Y, et al. Advanced imaging techniques for neuro-oncologic tumor diagnosis, with an emphasis on PET-MRI imaging of malignant brain tumors[J]. Curr Oncol Rep, 2021, 23(3): 34. DOI: 10.1007/s11912-021-01020-2.

上一篇 定量磁化率成像技术在认知功能障碍中的研究进展
下一篇 MRI在甲状腺相关性眼病活动性评估方面的研究进展
  
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