分享:
分享到微信朋友圈
X
综述
扩散磁共振成像振荡梯度自旋回波原理及其在脑胶质瘤中的应用进展
陆珏 汪晶

Cite this article as: LU J, WANG J. The principle of oscillating gradient spin echo in diffusion magnetic resonance imaging and its application in gliomas[J]. Chin J Magn Reson Imaging, 2024, 15(6): 185-189.本文引用格式:陆珏, 汪晶. 扩散磁共振成像振荡梯度自旋回波原理及其在脑胶质瘤中的应用进展[J]. 磁共振成像, 2024, 15(6): 185-189. DOI:10.12015/issn.1674-8034.2024.06.029.


[摘要] 脑胶质瘤作为成人最常见的恶性中枢神经系统肿瘤,具有高病死率及侵袭性强的特点。脑胶质瘤的肿瘤分级及遗传表型异质性将影响治疗方案制订及预后,治疗后疗效评估及肿瘤复发早期诊断有助于提高患者生存期。基于振荡梯度自旋回波(oscillating gradient spin echo, OGSE)的扩散MRI是一种新型扩散MRI技术,它通过探测细胞直径、细胞密度、细胞内外体积分数等微结构特征,在脑胶质瘤影像诊断上具有广阔的应用前景。本文就OGSE成像的技术原理、OGSE成像在脑胶质瘤分类分级、分子分型预测、疗效评估、鉴别诊断中的研究进展及OGSE成像的应用现状进行综述,为脑胶质瘤的术前诊断及术后评估提供新思路。
[Abstract] Gliomas are the most common primary central nervous system tumors in adults with high mortality rate and strong invasiveness. The tumor grading and genetic phenotype heterogeneity of gliomas will affect the formulation of treatment plans and prognosis inference. Post-treatment efficacy evaluation and early diagnosis of tumor recurrence can help improve patient survival. Diffusion magnetic resonance imaging based on oscillatory gradient spin echo (OGSE) is a novel diffusion MRI technique that has broad application prospects in the imaging diagnosis of gliomas by detecting microstructure features, such as cell diameter, cell density, intracellular and extracellular volume fraction. This paper reviewed the technical principles of OGSE imaging, research progress in classification, prediction of molecular type, response evaluation and differential diagnosis of brain glioma and limitations of OGSE imaging applications, providing a new perspective for preoperative diagnosis and postoperative evaluation of glioblastoma.
[关键词] 脑胶质瘤;振荡梯度自旋回波;扩散磁共振成像;磁共振成像;微结构成像;肿瘤分级;分子分型预测;疗效评估
[Keywords] glioma;oscillating gradient spin echo;diffusion magnetic resonance imaging;magnetic resonance imaging;microstructure imaging;tumor grading;molecular typing prediction;response evaluation

陆珏 1, 2   汪晶 1, 2*  

1 华中科技大学同济医学院附属协和医院放射科,武汉 430022

2 湖北省分子影像重点实验室,武汉 430030

通信作者:汪晶,E-mail:xhwangjing@hust.edu.cn

作者贡献声明::汪晶设计本研究的方案,对稿件重要内容进行了修改,获得了国家自然科学基金项目的资助;陆珏起草和撰写稿件,获取、分析和解释本研究的数据;全体作者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: 国家自然科学基金项目 82371945
收稿日期:2024-03-08
接受日期:2024-06-03
中图分类号:R445.2  R730.264 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2024.06.029
本文引用格式:陆珏, 汪晶. 扩散磁共振成像振荡梯度自旋回波原理及其在脑胶质瘤中的应用进展[J]. 磁共振成像, 2024, 15(6): 185-189. DOI:10.12015/issn.1674-8034.2024.06.029.

0 引言

       脑胶质瘤是成人最常见的原发性中枢神经系统恶性肿瘤,约占所有脑恶性肿瘤的80.8% [1]。脑胶质瘤具有高致残率、高复发率特征,严重威胁患者生命,影响生存质量。2021年发布的《世界卫生组织中枢神经系统肿瘤分类指南》整合了脑胶质瘤的组织学特征和分子表型,提出了新的肿瘤分类分级标准[2]。脑胶质瘤的类型、级别不同,患者的预后及治疗方案也不同,据统计,胶质母细胞瘤的中位生存期最低(约8个月),且具有侵袭性强及易复发的特点,少突胶质细胞瘤及其他低级别胶质瘤的中位生存期则可高达15年[3]。目前,MRI作为脑胶质瘤患者最常用的术前诊断方法,具有无创性、多参数、多维度的优点,能够显示肿瘤出血、坏死、水肿组织等不同信号强度差异及占位效应,但就明确肿瘤浸润范围、提供分子分型信息能力较差。基于振荡梯度自旋回波(oscillating gradient spin echo, OGSE)的扩散磁共振成像(difussion MRI, dMRI)作为一种全新的MRI检查方法,通过施加振荡梯度波,有效缩短水分子扩散时间,进行数学建模定量测定细胞直径、细胞密度、细胞内外体积分数等微结构特征参数[4],反映肿瘤微环境及肿瘤细胞内异质性。随着OGSE的不断成熟,运用OGSE来获取脑胶质瘤微结构信息成为临床研究的热点,本文就OGSE在肿瘤分级、分子分型预测、疗效评估及鉴别诊断中的应用研究进展进行综述,以望指导临床诊断及治疗,改善患者预后。

1 OGSE成像的技术原理

       临床常规MRI在脑胶质瘤诊断中起着重要作用,通常包括T1WI、T2WI、液体衰减反转恢复(fluid attenuated inversion recovery, FLAIR)序列成像和钆增强T1加权成像(Gd-T1WI)。T1WI、T2WI和FLAIR勾勒肿瘤实体和水肿轮廓,Gd-T1WI显示血脑屏障破坏区域。部分良恶性肿瘤、脑组织炎性病变与脑胶质瘤的影像可表现为近似的信号特征及强化方式,常规MRI难以进行区分。其他成像技术例如扩散加权成像(diffusion weighted imaging, DWI)、灌注加权成像(perfusion weighted imaging, PWI)、磁共振波谱成像(magnetic resonance spectroscopy, MRS)等对脑胶质瘤诊断应用仅可提供部分有限信息,DWI受限于b值的选择,脑胶质瘤异质性高,单纯利用常规DWI单个b值成像难以满足脑胶质瘤影像表现多样化的分级研究,PWI依赖于血脑屏障的完整性,但胶质瘤患者的血脑屏障均伴有一定程度的破坏,PWI在识别脑胶质瘤边界仍有一定的局限性,MRS可有效反映脑组织中的局部代谢情况,其局限性包括单体素成像方法容易产生部分体积效应,并且其检测小病灶的能力有限。

       MRI微结构成像可弥补这方面的不足。传统dMRI是当前最有前景的微结构成像方法之一,它通常使用脉冲梯度自旋回波(pulsed gradient spin echo, PGSE)进行。PGSE使用两个脉冲梯度波,当单个梯度波的持续时间远小于两个梯度波的时间间隔(∆)时,则水分子的有效扩散时间依赖于∆[5],通过后期处理计算表观扩散系数(apparent diffusivity coefficients, ADC),将dMRI图像与ADC值结合使用从而反映组织扩散受限情况及评估肿瘤实体范围。ADC值受到多重因素的影响,炎症、细胞增殖、坏死或凋亡、慢性缺氧等病理因素导致的水分子运动受限均可表现为ADC值的降低[6],无法准确提供有关肿瘤细胞的特定微结构信息。且ADC值的应用在分子诊断领域中价值有限,最近的一项研究[7]报道了在未经治疗的成人型弥漫性胶质瘤中,使用dMRI测量的ADC值区分MGMT启动子甲基化和非甲基化的能力有限。

       由于临床人体MRI系统的限制,在PGSE施加的梯度场下水分子的有效扩散时间多大于30 ms,即PGSE对大于13 μm的细胞尺寸更敏感[5]。绝大多数脑肿瘤细胞直径约为10~20 μm,且正常脑细胞平均细胞直径约为5.26 μm[8, 9],因此PGSE难以准确区分不同尺寸细胞。为了弥补PGSE的短板,OGSE将双脉冲梯度波改为具有一定振荡周期(T)的振荡波,例如选定一定振荡频率(f)的余弦梯度波,水分子的有效扩散时间则不再依赖∆,而高度依赖于T(T=1/f),即振荡频率越高,振荡周期越快,水分子有效扩散时间越短[4, 5]。因此,OGSE可以在硬件条件限制下探测更短的扩散时间,以揭示PGSE无法获得的小细胞尺度的信息,这方面的应用包括探测细胞直径[10, 11, 12, 13]、细胞密度[14]、细胞内外体积分数[12]及其他微结构特征。最近,HERRERA等[15]利用OGSE成功推断人脑胼胝体中1~2 μm级别的轴突直径,组织学结果证实了OGSE预测模型有效性。动物实验证明经OGSE测得的细胞大小与体积分数和经电子显微镜测得值具有高度一致性,OGSE提供的参数信息可深入了解肿瘤微环境[16]

2 OGSE在诊断胶质瘤中的应用

2.1 脑胶质瘤分级

       世界卫生组织于2021年发布的第五版《中枢神经系统肿瘤分类指南》进一步将分子分型纳入脑胶质瘤分级标准,分子生物标志物的预测为脑胶质瘤的术前分级带来全新挑战[1]。脑胶质瘤手术治疗原则是最大范围安全切除,但由于高级别脑胶质瘤的浸润特性,实现病理上完全切除肿瘤常较困难,因此术前准确评估肿瘤等级、预估浸润范围至关重要。一项回顾性研究表明,IDH突变型肿瘤患者相比,IDH野生型肿瘤患者的首次手术更常采用活检手术方式[17];欧洲神经肿瘤协会的临床指南指出,术后放疗和化疗是大多数脑胶质瘤患者标准治疗的一部分,且根据具有不同分子特征的肿瘤级别,治疗方案明显不同。因此,脑胶质瘤准确分级对临床术前规划、术式选择及术后治疗具有重要意义[18]

       脑胶质瘤术前常规影像学诊断标准基于传统的T1增强序列,大量研究表明肿瘤的强化程度依取决于肿瘤区血脑屏障的破坏程度,周围炎症、新生血管、肿瘤侵袭均可影响强化程度[19, 20],因此仅通过常规MRI对脑胶质瘤进行术前分级存在不足。

       肿瘤微结构特征与肿瘤的分级密切相关。高级别胶质瘤相较于低级别胶质瘤有着更小的细胞直径、更密集的细胞团、更显著的血脑屏障破坏及更广泛的血管增殖[21, 22],OGSE图像能够反映肿瘤微结构特征,它可为胶质瘤分级提供更有效的影像学信息。MAEKAWA等[21]发现在高级别脑胶质瘤中利用OGSE计算得出的ΔADC(扩散时间分别为6.5 ms和35.2 ms的ADC的差值)和rADC(ΔADC与扩散时间为35.2 ms的ADC的百分比)的最大值明显高于低级别脑胶质瘤,提示相较于基于PGSE的常规ADC,在6.5~35.2 ms扩散时间下的ΔADC与rADC在脑胶质瘤术前分级中更具优势,不同级别胶质瘤的微结构特征有着更强的分级诊断能力。ZHANG等[14]通过对OGSE的直方图分析发现,相较于低级别儿童胶质瘤,高级别胶质瘤的细胞密度指数的AUC值达到0.911,而传统的ADC值、T1图像和T2图像的AUC分别为0.906、0.885和0.886。ZHU等[23]对2例脑胶质瘤术前患者及3例脑胶质瘤术后患者的研究发现,基于多个振荡频率的OGSE的ADC比值(不同振荡频率下的ADC与振荡频率为0 Hz时的ADC的比值)在高级别脑胶质瘤中增强性肿瘤实体区域及疑似非增强性浸润性肿瘤区域明显升高,这些区域与经病理活检证实的肿瘤内高体积分数和高细胞密度区域高度一致。最新的一项研究采用三室模型拟合OGSE图像信号,定量分析显示随着脑胶质瘤等级的增加,肿瘤核心内的细胞内分数值呈升高趋势,低级别脑胶质瘤的细胞外分数值稍高于高级别脑胶质瘤[22]

       相对于活检而言,OGSE所提供的肿瘤微观结构特征,可以更好地识别脑胶质瘤肿瘤实体和瘤周区域,有助于脑胶质瘤术前分级。同时OGSE成像涵盖整个肿瘤区域,减少活检靶向性不充分所造成的误差,以望更精准地定位活检部位。

2.2 OGSE在脑胶质瘤分子分型的临床研究进展

       第五版《中枢神经系统肿瘤分类指南》结合了对中枢神经系统肿瘤分子发病机制的理解和组织病理学的进展[24, 25, 26],分子标志物对脑胶质瘤的个体化治疗及临床预后判断具有重要意义,并确保更多患者符合纳入靶向药物临床试验的指标,促进有效治疗的发展[26]

       肿瘤微结构特征与脑胶质瘤的分子分型联系密切。基因状态改变很大程度上预示着肿瘤良恶程度及预后改变,恶性程度上升及疗效反应不佳与肿瘤细胞增殖能力增强、细胞内异质性增高及治疗后肿瘤细胞残存等密切相关[27],因此基于OGSE的细胞直径、细胞密度及细胞内外扩散率等微观结构特征可以提高对脑胶质瘤分子亚型的诊断能力。ZHANG等[14]在69例儿童弥漫中线型胶质瘤中的研究发现,与野生型相比,H3K27突变型的儿童弥漫中线型胶质瘤表现出ADC值、细胞直径和细胞外扩散率的明显降低,肿瘤体积分数和细胞数量增加,并具有轻微的区域异质性,其中细胞直径参数显示出最高的判别能力,受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under the curve, AUC)为0.918,准确度、敏感度、特异度为84.6%、95.0%、73.7%,且细胞直径和细胞外扩散率的组合进一步将AUC提高到0.929,而传统的T1图像和T2图像的AUC分别为0.821和0.808,提示在诊断儿童弥漫中线型胶质瘤及预测H3K27突变方面,基于OGSE的微观结构特性优于常规MRI参数,并且不同的微观结构特征显示出互补的优势。

       不同的组织学和分子亚型表现出独特的微观结构特性(细胞数量或细胞大小),相较于常规MRI、标准DWI及ADC值,OGSE可以更加准确地提供肿瘤微结构信息,为脑胶质瘤分子分型提供新思路。

2.3 OGSE在脑胶质瘤疗效评估中的研究进展

       目前,胶质瘤标准治疗方案为最大限度地安全切除病灶[28, 29],再辅以放疗或同步放化疗。脑胶质瘤疗效反应评估采用RANO标准,影像学采集方案为标准化脑肿瘤成像方案(Brain Tumor Imaging Protocol, BTIP),包括T1WI、T2WI/FLAIR、DWI及Gd-T1WI图像[30, 31]。Gd-T1WI是评估脑肿瘤较敏感且可重复性高的方法,其在区分不同组织病理区域的特异性存在不足[30, 32, 33],例如,增强性病变既可代表肿瘤残留及新生血管生成,也可代表由放射性坏死所致的广泛的纤维蛋白样坏死和与治疗效果相关的血管扩张[33, 34, 35];T2信号异常的非增强性病变既可以代表浸润性肿瘤,也可以代表血管源性水肿[20, 23]。临床上肿瘤假性进展表现为同步放化疗结束后前6个月内肿瘤的强化程度暂时性增加,类似肿瘤复发或进展,但这些改变在治疗结束后会逐渐消失或保持稳定[36, 37]。目前的影像方法对于区分肿瘤复发、放疗后组织坏死及肿瘤假性进展的能力是有限的,肿瘤进展与治疗反应的诊断不确定性可能导致不必要的干预或延迟干预,因此对组织微环境改变敏感和特异的OGSE有益于脑胶质瘤患者的临床管理。

       在接受辅助治疗后,相较于肿瘤整体体积和密度的改变,肿瘤单个细胞微结构的改变则更早出现[4]。OGSE可以在1~20 μm级别上反映细胞异质性,具有在治疗早期分辨出肿瘤细胞浸润、放疗后组织坏死及肿瘤假性进展的能力。在一项小鼠胶质母细胞瘤动物模型实验中[38],基于OGSE的ADC值在健康组织和肿瘤区域之间表现出高对比度,在放疗早期即可显示ADC的增加,且在不同放疗阶段 ΔADC(不同放疗阶段的ADC与未经治疗的ADC的差值)显著升高,而基于PGSE的ADC显示健康组织和肿瘤区域对比度普遍较差,不同治疗阶段对 ΔADC 的影响很小或没有影响,因此OGSE比传统的PGSE能够更早、更可靠地检测到放疗后的肿瘤区域显著微观结构变化,且经病理证实治疗诱导的细胞成分(细胞和细胞核大小)的变化多与OGSE的ADC变化密切相关。另一项大鼠脑原位胶质瘤动物模型实验中[39],采用中高频率(120 Hz和240 Hz)的OGSE能够在化疗24小时内揭示肿瘤实体区域ADC的显著差异(P值分别为0.04和0.024),从而更早地反映治疗差异,但PGSE的ADC值变化不显著(P=0.13)。ZHU等[23]通过直方图分析发现,胶质瘤术后患者的直方图分布较窄,肿瘤增强部分及肿瘤真性进展区的ADC比值(多个振荡频率下的ADC与振荡频率为0 Hz时的ADC的比值)明显高于假性进展区;对于瘤周非增强部分,肿瘤真性进展区及可疑肿瘤浸润区比值稍高于可疑水肿区,表明OGSE对于区别术后肿瘤实体部分、治疗后肿瘤进展强化灶、疑似浸润性肿瘤区域有良好评价。

       OGSE能够有效揭示肿瘤微观结构特征,与PGSE相比,可以更好地识别高细胞密度区域,将辅助治疗后组织坏死区和血管源性水肿区有效鉴别复发肿瘤和非增强性浸润性肿瘤,在早期评估治疗疗效、辅助临床医生制订诊疗计划方面具有巨大潜能。此外,对于无法接受多次病理活检的患者,OGSE具有无创、连续随访的潜在优势。

2.4 脑胶质瘤的鉴别诊断

       中枢神经系统肿瘤复杂多样,脑胶质瘤作为最常见的原发性中枢神经系统恶性肿瘤,可发生于脑内各部位。因其影像学表现多样性,脑胶质瘤与部分颅内恶性肿瘤、脑组织炎性病变可表现为近似的信号特征及强化方式,包括颅内转移瘤、脑膜瘤、室管膜瘤、淋巴瘤、脉络丛肿瘤等[40]

       基于OGSE的微结构特征在脑胶质瘤鉴别诊断中具有指导意义。一项研究发现OGSE对脑膜瘤、听神经瘤和垂体腺瘤的鉴别诊断有所价值,基于OGSE的ADC值在这三种颅内肿瘤中具有显著性差异,当有效扩散时间介于6.5 ms和35.2 ms之间时,垂体腺瘤的ADC差值(基于OGSE的ADC与基于PGSE的ADC的差值)最为明显,表明垂体腺瘤内具有更多可使扩散受限的微观结构[41]。该机构的另一项研究[21]发现在非典型畸胎瘤/横纹肌样肉瘤肿中,肿瘤中的ADC值在短有效扩散时间(6.5 ms)下比在长时(35.2 ms)更高,且肿瘤内液体成分在两种有效扩散时间下都具有高ADC值,利用ADC减影图可以实现对肿瘤实体的更好描绘。近期一项回顾性研究涉及65例胶质母细胞瘤患者和27例脑转移瘤患者,该研究发现发现脑转移瘤的平均ADC差值(振荡频率分别为50 Hz和0 Hz时的ADC平均差值)和相对ADC差值(平均ADC差值与振荡频率为0 Hz时ADC的百分比)均显著高于胶质母细胞瘤,提示基于OGSE的ADC值可用于鉴别脑转移瘤和胶质母细胞瘤[42]。FIGINI等[22]使用VERDICT(Vascular, Extracellular, and Restricted DIffusion for Cytometry in Tumours)MRI框架比较了转移性脑肿瘤(黑色素瘤)和胶质母细胞瘤的区别,同样证实了脑转移瘤的细胞内体积分数较胶质母细胞瘤明显升高(P=0.05),细胞外分数值则明显降低(P=0.03)。

       OGSE也可用于其他颅内原发良性肿瘤、感染性病变及头颈部良恶性肿瘤的鉴别诊断。ANDICA等[43]及MAEKAWA等[44]的两项研究均表明颅内囊肿(表皮样囊肿及脉络丛囊肿)在不同振荡频率下的ADC值具有明显差异,可有效区分脑脊液及囊肿实体。MAEKAWA等[45]的另一项对两例脑脓肿患者的研究表明有效扩散时间越短,脑脓肿区域基于OGSE的ADC越高,表明脑脓肿区域的ADC不仅受基质黏度影响,而且可能受限于病变内微结构的改变。IIMA等[46]的研究表明,在不同有效扩散时间下,基于OGSE的ADC值可有效区分头颈部良恶性肿瘤,包括鼻咽癌、淋巴瘤、神经鞘瘤、多形性腺瘤等,恶性肿瘤的ADC值显著降低,且一些衍生参数的组合可能具有更好诊断性能,例如相对ADC值(基于OGSE与PGSE的ADC差值与PGSE的ADC的百分比)具有更高的特异度(96.0%),AUC达0.97。

3 OGSE的应用限制

       OGSE能够有效反映肿瘤微环境改变及揭示肿瘤细胞微结构特征,但OGSE在临床上的应用仍面临诸多挑战。第一,相对于PGSE,相对较长的梯度持续时间(通常大于30 ms)和回波时间(通常大于100 ms)限制了OGSE采集的信噪比(signal to noise ratio, SNR)[5]。有多项研究致力于优化OGSE图像质量,如WU等[47]提出的扩散预备3D梯度和自旋回波技术,或BORSOS等[48]研究的频率调谐双极梯度,以进一步降低回波时间及提高SNR。第二,由于MRI系统的梯度振幅及转换率的限制,无法实现高OGSE编码频率,从而难以进一步缩短扩散时间来表征脑胶质瘤的组织微观结构,且目前OGSE扫描时间约为10分钟,难以到达较短的临床应用时间,开发更为先进的梯度系统、提高转换率或改进OGSE序列的编码设计有望使OGSE更好地应用到脑胶质瘤的研究中。第三,OGSE的应用目前更多局限于术前诊断与术后疗效评估,对于脑胶质瘤预后评估并未做过多深入研究,OGSE评估脑胶质瘤患者生存期的能力值得进一步探索。最后,扩散参数如依赖扩散时间的ADC值、细胞直径、细胞密度及细胞内外体积分数的生物学意义需要充分阐明,未来有必要与病理结果及基因数据相结合,以提供更多可解释的信息。

4 小结

       目前,随着研究的不断深入,OGSE将不断发展成熟,初步的动物实验及临床试验已在脑胶质瘤分级、分子分型、疗效评估及鉴别诊断等方面展现出较为广阔的临床应用前景。先进的病理基因检测技术为脑胶质瘤遗传背景和发展机制的探索提供新途径,OGSE微结构参数与生物学信息结合势在必行,为进一步挖掘潜在的分子影像信息创造可能。随着机器学习及影像组学的蓬勃发展,将OGSE及其微结构参数进行特征提取从而建立脑胶质瘤分子分级预测模型,有望实现更为精准快速的OGSE联合应用,与PWI、DTI、MRS等技术共同为脑胶质瘤的术前评估、诊疗预后提供更全面的信息,为神经分子影像开拓全新的临床应用场景。

[1]
OSTROM Q T, CIOFFI G, WAITE K, et al. CBTRUS statistical report: primary brain and other central nervous system tumors diagnosed in the United States in 2014–2018[J]. Neuro Oncol, 2021, 23: iii1-ii105. DOI: 10.1093/neuonc/noab200.
[2]
LOUIS D N, PERRY A, WESSELING P, et al. The 2021 WHO Classification of Tumors of the Central Nervous System: a summary[J]. Neuro Oncol, 2021, 23(8): 1231-1251. DOI: 10.1093/neuonc/noab106.
[3]
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]. Neuro Oncol, 2022, 24(Suppl 5): v1-v95. DOI: 10.1093/neuonc/noac202.
[4]
张新利, 汪晶. 基于振荡梯度自旋回波的扩散磁共振成像研究进展[J]. 磁共振成像, 2023, 14(9): 198-202. DOI: 10.12015/issn.1674-8034.2023.09.036.
ZHANG X L, WANG J. Advances in diffusion MRI based on oscillating gradient spin echo[J]. Chin J Magn Reson Imaging, 2023, 14(9): 198-202. DOI: 10.12015/issn.1674-8034.2023.09.036.
[5]
XU J. Probing neural tissues at small scales: Recent progress of oscillating gradient spin echo (OGSE) neuroimaging in humans[J/OL]. J Neurosci Methods, 2021, 349: 109024 [2024-03-08]. https://pubmed.ncbi.nlm.nih.gov/33333089/. DOI: 10.1016/j.jneumeth.2020.109024.
[6]
PARK J E, KIM H S, PARK S Y, et al. Identification of early response to anti-angiogenic therapy in recurrent glioblastoma: Amide proton transfer-weighted and perfusion-weighted MRI compared with diffusion-weighted MRI[J]. Radiology, 2020, 295(2): 397-406. DOI: 10.1148/radiol.2020191376.
[7]
MA X, CHENG K, CHENG G, et al. Apparent diffusion coefficient as imaging biomarker for identifying IDH mutation, 1p19q codeletion, and MGMT promoter methylation status in patients with glioma[J]. J Magn Reson Imaging, 2023, 58(3): 732-738. DOI: 10.1002/jmri.28589.
[8]
SHASHNI B, ARIYASU S, TAKEDA R, et al. Size-based differentiation of cancer and normal cells by a particle size analyzer assisted by a cell-recognition PC software[J]. Biol Pharm Bull, 2018, 41(4): 487-503. DOI: 10.1248/bpb.b17-00776.
[9]
LIU Y, ZHU W, ZHU H, et al. Characterization of orthotopic xenograft tumor of glioma stem cells (GSCs) on MRI, PET and immunohistochemical staining[J/OL]. Front Oncol, 2022, 12: 1085015 [2024-03-08]. https://pubmed.ncbi.nlm.nih.gov/36591483/. DOI: 10.3389/fonc.2022.1085015.
[10]
XU J, JIANG X, DEVAN S P, et al. MRI-cytometry: Mapping nonparametric cell size distributions using diffusion MRI[J]. Magn Reson Med, 2021, 85(2): 748-761. DOI: 10.1002/mrm.28454.
[11]
DEVAN S P, JIANG X, LUO G, et al. Selective cell size MRI differentiates brain tumors from radiation necrosis[J]. Cancer Res, 2022, 82(19): 3603-3613. DOI: 10.1158/0008-5472.CAN-21-2929.
[12]
XING S, LEVESQUE I R. A simulation study of cell size and volume fraction mapping for tissue with two underlying cell populations using diffusion-weighted MRI[J]. Magn Reson Med, 2021, 86(2): 1029-1044. DOI: 10.1002/mrm.28694.
[13]
HOFFMANN E, GERWING M, NILAND S, et al. Profiling specific cell populations within the inflammatory tumor microenvironment by oscillating-gradient diffusion-weighted MRI[J/OL]. J Immunother Cancer, 2023, 11(3): e006092 [2024-03-08]. DOI: 10.1136/jitc-2022-006092.
[14]
ZHANG H, LIU K, BA R, et al. Histological and molecular classifications of pediatric glioma with time-dependent diffusion MRI-based microstructural mapping[J]. Neuro Oncol, 2023, 25(6): 1146-1156. DOI: 10.1093/neuonc/noad003.
[15]
HERRERA S L, SHEFT M, MERCREDI M E, et al. Axon diameter inferences in the human corpus callosum using oscillating gradient spin echo sequences[J]. Magn Reson Imaging, 2022, 85: 64-70. DOI: 10.1016/j.mri.2021.10.014.
[16]
REYNAUD O, WINTERS K V, HOANG D M, et al. Pulsed and oscillating gradient MRI for assessment of cell size and extracellular space (POMACE) in mouse gliomas[J]. NMR Biomed, 2016, 29(10):1350-1363. DOI: 10.1002/nbm.3577.
[17]
WIJNENGA M M J, FRENCH P J, DUBBINK H J, et al. The impact of surgery in molecularly defined low-grade glioma: an integrated clinical, radiological, and molecular analysis[J]. Neuro Oncol, 2018, 20(1): 103-112. DOI: 10.1093/neuonc/nox176.
[18]
WELLER M, VAN DEN BENT M, PREUSSER M, et al. EANO guidelines on the diagnosis and treatment of diffuse gliomas of adulthood[J]. Nat Rev Clin Oncol, 2021, 18(3): 170-186. DOI: 10.1038/s41571-020-00447-z.
[19]
DISSAUX G, DISSAUX B, KABBAJ O E, et al. Radiotherapy target volume definition in newly diagnosed high grade glioma using 18F-FET PET imaging and multiparametric perfusion MRI: A prospective study (IMAGG)[J]. Radiother Oncol, 2020, 150: 164-171. DOI: 10.1016/j.radonc.2020.06.025.
[20]
HU L S, HAWKINS-DAARUD A, WANG L, et al. Imaging of intratumoral heterogeneity in high-grade glioma[J]. Cancer Lett, 2020, 477: 97-106. DOI: 10.1016/j.canlet.2020.02.025.
[21]
MAEKAWA T, HORI M, MURATA K, et al. Differentiation of high-grade and low-grade intra-axial brain tumors by time-dependent diffusion MRI[J]. Magn Reson Imaging, 2020, 72: 34-41. DOI: 10.1016/j.mri.2020.06.018.
[22]
FIGINI M, CASTELLANO A, BAILO M, et al. Comprehensive brain tumour characterisation with VERDICT-MRI: Evaluation of cellular and vascular measures validated by histology[J]. Cancers (Basel), 2023, 15(9): 2490 [2024-03-08]. https://pubmed.ncbi.nlm.nih.gov/37173965/. DOI: 10.3390/cancers15092490.
[23]
ZHU A, SHIH R, HUANG R Y, et al. Revealing tumor microstructure with oscillating diffusion encoding MRI in pre-surgical and post-treatment glioma patients[J]. Magn Reson Med, 2023, 90(5): 1789-1801. DOI: 10.1002/mrm.29758.
[24]
GRITSCH S, BATCHELOR T T, GONZALEZ CASTRO L N. Diagnostic, therapeutic, and prognostic implications of the 2021 World Health Organization classification of tumors of the central nervous system[J]. Cancer, 2022, 128(1): 47-58. DOI: 10.1002/cncr.33918.
[25]
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.
[26]
NABORS L B, PORTNOW J, AHLUWALIA M, et al. Central Nervous System Cancers, Version 3.2020, NCCN Clinical Practice Guidelines in Oncology[J]. J Natl Compr Canc Netw, 2020, 18(11): 1537-1570. DOI: 10.6004/jnccn.2020.0052.
[27]
NILSSON M, ENGLUND E, SZCZEPANKIEWICZ F, et al. Imagingbrain tumour microstructure[J]. Neuroimage, 2018, 182: 232-250. DOI: 10.1016/j.neuroimage.2018.04.075.
[28]
WEN P Y, WELLER M, LEE E Q, et al. Glioblastoma in adults: a Society for Neuro-Oncology (SNO) and European Society of Neuro-Oncology (EANO) consensus review on current management and future directions[J]. Neuro Oncol, 2020, 22(8): 1073-1113. DOI: 10.1093/neuonc/noaa106.
[29]
YOUNG J S, MORSHED R A, HERVEY-JUMPER S L, et al. The surgical management of diffuse gliomas: Current state of neurosurgical management and future directions[J]. Neuro Oncol, 2023, 25(12):2117-2133. DOI: 10.1093/neuonc/noad133.
[30]
WEN P Y, VAN DEN BENT M, YOUSSEF G, et al. RANO 2.0: Update to the Response Assessment in Neuro-Oncology Criteria for High- and Low-Grade Gliomas in Adults[J]. J Clin Oncol, 2023, 41(33): 5187-5199. DOI: 10.1200/JCO.23.01059.
[31]
ELLINGSON B M, BENDSZUS M, BOXERMAN J, et al. Consensus recommendations for a standardized brain tumor imaging protocol in clinical trials[J]. Neuro Oncol, 2015, 17(9): 1188-1198. DOI: 10.1093/neuonc/nov095.
[32]
WAMELINK I J H G, AZIZOVA A, BOOTH T C, et al. Brain tumor imaging without gadolinium-based contrast agents: Feasible or fantasy?[J/OL]. Radiology, 2024, 310(2): e230793 [2024-03-08]. https://pubmed.ncbi.nlm.nih.gov/38319162/. DOI: 10.1148/radiol.230793.
[33]
CECCON G, LOHMANN P, WERNER J M, et al. Early Treatment Response Assessment Using 18F-FET PET Compared with Contrast-Enhanced MRI in Glioma Patients After Adjuvant Temozolomide Chemotherapy[J]. J Nucl Med, 2021, 62(7): 918-925. DOI: 10.2967/jnumed.120.254243.
[34]
WERNER J M, WELLER J, CECCON G, et al. Diagnosis of pseudoprogression following lomustine-temozolomide chemoradiation in newly diagnosed glioblastoma patients using FET-PET[J]. Clin Cancer Res, 2021, 27(13): 3704-3713. DOI: 10.1158/1078-0432.CCR-21-0471.
[35]
BARAJAS R F, HAMILTON B E, SCHWARTZ D, et al. Combined iron oxide nanoparticle ferumoxytol and gadolinium contrast enhanced MRI define glioblastoma pseudoprogression[J]. Neuro Oncol, 2019, 21(4): 517-526. DOI: 10.1093/neuonc/noy160.
[36]
YOUNG J S, AL-ADLI N, SCOTFORD K, et al. Pseudoprogression versus true progression in glioblastoma: what neurosurgeons need to know[J]. J Neurosurg, 2023, 139(3): 748-759. DOI: 10.3171/2022.12.JNS222173.
[37]
SIDIBE I, TENSAOUTI F, GILHODES J, et al. Pseudoprogression in GBM versus true progression in patients with glioblastoma: A multiapproach analysis[J/OL]. Radiother Oncol, 2023, 181: 109486 [2024-03-08]. https://pubmed.ncbi.nlm.nih.gov/36706959/. DOI: 10.1016/j.radonc.2023.109486.
[38]
BONGERS A, HAU E, SHEN H. Short diffusion time diffusion-weighted imaging with oscillating gradient preparation as an early magnetic resonance imaging biomarker for radiation therapy response monitoring in glioblastoma: A preclinical feasibility study[J]. Int J Radiat Oncol Biol Phys, 2018, 102(4): 1014-1023. DOI: 10.1016/j.ijrobp.2017.12.280.
[39]
COLVIN D C, LOVELESS M E, DOES M D, et al. Earlier detection of tumor treatment response using magnetic resonance diffusion imaging with oscillating gradients[J]. Magn Reson Imaging, 2011, 29(3): 315-323. DOI: 10.1016/j.mri.2010.10.003.
[40]
SCHAFF L R, MELLINGHOFF I K. Glioblastoma and other primary brain malignancies in adults: A review[J]. JAMA, 2023, 329(7): 574-587. DOI: 10.1001/jama.2023.0023.
[41]
MAEKAWA T, HORI M, MURATA K, et al. Investigation of time-dependent diffusion in extra-axial brain tumors using oscillating-gradient spin-echo[J]. Magn Reson Imaging, 2023, 96: 67-74. DOI: 10.1016/j.mri.2022.11.010.
[42]
KAMIMURA K, KAMIMURA Y, NAKANO T, et al. Differentiating brain metastasis from glioblastoma by time-dependent diffusion MRI[J/OL]. Cancer Imaging, 2023, 23(1): 75 [2024-03-08]. https://pubmed.ncbi.nlm.nih.gov/37553578/. DOI: 10.1186/s40644-023-00595-2.
[43]
ANDICA C, HORI M, KAMIYA K, et al. Spatial restriction within intracranial epidermoid cysts observed using short diffusion-time diffusion-weighted imaging[J]. Magn Reson Med Sci, 2018, 17(3): 269-272. DOI: 10.2463/mrms.cr.2017-0111.
[44]
MAEKAWA T, HORI M, MURATA K, et al. Choroid plexus cysts analyzed using diffusion-weighted imaging with short diffusion-time[J]. Magn Reson Imaging, 2019, 57: 323-327. DOI: 10.1016/j.mri.2018.12.010.
[45]
MAEKAWA T, HORI M, MURATA K, et al. Time-dependent diffusion in brain abscesses investigated with oscillating-gradient spin-echo[J]. Magn Reson Med Sci, 2022, 21(4): 525-530. DOI: 10.2463/mrms.ici.2021-0083.
[46]
IIMA M, YAMAMOTO A, KATAOKA M, et al. Time-dependent diffusion MRI to distinguish malignant from benign head and neck tumors[J]. J Magn Reson Imaging, 2019, 50(1): 88-95. DOI: 10.1002/jmri.26578.
[47]
WU D, LIU D, HSU Y C, et al. Diffusion-prepared 3D gradient spin-echo sequence for improved oscillating gradient diffusion MRI[J]. Magn Reson Med, 2021, 85(1): 78-88. DOI: 10.1002/mrm.28401.
[48]
BORSOS K B, TSE D H Y, DUBOVAN P I, et al. Tuned bipolar oscillating gradients for mapping frequency dispersion of diffusion kurtosis in the human brain[J]. Magn Reson Med, 2023, 89(2): 756-766. DOI: 10.1002/mrm.29473.

上一篇 MRI影像组学在垂体神经内分泌肿瘤中的研究进展
下一篇 MR扩散张量成像预测脑胶质瘤级别及基因型的研究进展
  
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