分享:
分享到微信朋友圈
X
综述
定量动态增强磁共振技术的影响因素分析
杜永浩 牛刚 杨健

杜永浩,牛刚,杨健.定量动态增强磁共振技术的影响因素分析.磁共振成像, 2017, 8(1): 76-80. DOI:10.12015/issn.1674-8034.2017.01.019.


[摘要] 动态增强磁共振成像(dynamic contrast-enhanced MRI ,DCE-MRI)基于快速T1WI,行多期动态增强扫描,获取感兴趣区时间-信号强度曲线,再通过药代动力学模型分析,得到反映组织灌注及血管渗透性的定量参数,已应用于肿瘤诊断、疗效评价、预后评估。作者针对影响DCE-MRI结果的主要因素:扫描方案、动脉输入函数(arterial input functions,AIF)、运动位移、药代动力学模型,进行系统评价,通过提高DCE-MRI参数的可重复性和准确性,为临床应用提供帮助。
[Abstract] DCE-MRI is based on the serial acquisition of the fast T1WI. Through multi-phase contrast enhanced scanning, the time-signal intensity curve of the region-of-interest (ROI) can be acquired. Meanwhile, the quantitative parameters reflecting tissue perfusion and vascular permeability are obtained by selecting the proper pharmacokinetic model. This method has been widely applied in many clinical aspects, including tumor diagnosis, assessment of therapeutic response and prognostic evaluation. In this paper, we conducted a systematic review focused on main factors that may influence DCE-MRI outcomes. These factors include scanning protocol, arterial input functions (AIF), the motion displacement and the pharmacokinetic models. Optimizing these main factors may improve the reproducibility and accuracy of the DCE-MRI results.
[关键词] 磁共振成像;动态增强;定量分析
[Keywords] Magnetic resonance imaging;Dynamic contrast-enhanced;Quantitative analysis

杜永浩 西安交通大学第一附属医院影像科,西安 710061

牛刚* 西安交通大学第一附属医院影像科,西安 710061

杨健 西安交通大学第一附属医院影像科,西安 710061

通讯作者:牛刚,E-mail:niugang369@126.com


基金项目: 陕西省社会发展科技攻关项目 2015SF175
收稿日期:2016-09-03
接受日期:2016-11-20
中图分类号:R445.2 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2017.01.019
杜永浩,牛刚,杨健.定量动态增强磁共振技术的影响因素分析.磁共振成像, 2017, 8(1): 76-80. DOI:10.12015/issn.1674-8034.2017.01.019.

       动态增强磁共振成像(dynamic contrast-enhanced MRI ,DCE-MRI),通过静脉团注顺磁性对比剂,运用快速T1加权成像序列(T1 weighted imaging,T1WI)行多期动态增强扫描,获得感兴趣区时间-信号强度曲线,再基于药代动力学模型分析,得到反映组织灌注及血管渗透性的定量参数:容积转移常数Ktrans (volume transfer constant,min-1)、组织间隙-血浆速率常数Kep (interstitium-to-plasma rate constant,min-1)、细胞外间隙容积分数Ve (fractional extracellular space volume,ml)、血浆容积分数Vp (fractional plasma volume,ml)[1]。DCE-MRI是一种无创性的检查方法,可以定量评价组织血流灌注、渗透性等血管特性,已经成为临床研究的热点。主要的研究方向有:良恶性肿瘤的鉴别、肿瘤恶性程度分级、放化疗的疗效评估、指导活检定位、器官功能评价等方面[2,3,4]。笔者拟通过阐述DCE-MRI的基本原理,分析影响DCE-MRI结果的各个环节,包括扫描方案、数据处理、药代动力学模型选择,旨在提高DCE-MRI结果的可重复性和准确性,规范临床应用。

1 DCE-MRI扫描方案

1.1 DCE-MRI扫描序列及技术原理(T1WI序列)

       DCE-MRI对时间分辨率有一定要求,梯度回波序列(GRE)扫描速度快,适合用于DCE-MRI。应用最广泛的是基于扰相技术的快速梯度回波序列,如通用电气的LAVA序列;西门子的VIBE;飞利浦的THRIVE序列。相比于2D序列,快速3D序列可以实现大范围的薄层扫描,对血流流入效应不敏感以及较少发生层间编码错误等优点,被广泛应用于DCE-MRI扫描。注射对比剂前通过多反转角成像得到组织T1值,注入对比剂后,连续动态扫描得到组织时间-信号强度曲线,再利用药代动力学模型拟合曲线,通过对比剂浓度-时间的变化率间接反映组织血流,从而获取相关的生理参数,如:组织灌注,微血管血管壁通透性和细胞外的体积分数[5]

1.2 T1-mapping对比剂浓度与信号强度的转换

       动态增强扫描前,需要得到组织T1值。有几种不同方法测量T1值,反转恢复成像、多反转角成像等[6]。由于多反转角成像有较高的信噪比、扫描时间较短的优势,是DCE-MRI常用的测量组织T1值的方法。其主要原理是其他参数不变的条件下,利用3个或3个以上反转角,计算T1值[7]。T1值测量的准确与否会对定量参数值有很大影响。信号强度S0的计算公式如下:

       M0代表初始磁矩常量;T10表示基线(注入对比剂前组织本身)纵向弛豫;α是扫描所选择的反转角(一般选择角度小的反转角)。通过拟合方法可以得到S0和T10值。信号强度转换为对比剂浓度,对比剂的渗漏造成局部组织弛豫率的增加,增强的组织与对比剂(Gd-DTPA)浓度线性相关[1]见下式:

       Gd-DTPA对比剂的纵向弛豫比率r1为4.3~5.6 mm-1 s-1,一般选取r1=4.5 mm-1 s-1。Ct为组织对比剂浓度;T10为基线纵向弛豫时间。T1为组织的纵向弛豫时间。

1.3 主磁场B0和线圈B1场强

       主磁场B0和射频B1场强的均匀性对DCE-MRI结果很重要。线圈B1场强的不均匀性可以导致扫描信号不均匀,是测量组织T1值偏差的主要因素,从而导致结果不准确。高场强MRI会提高信噪比,但是也更增加B1的不均匀性[8,9]。因此,保证匀场是获得可靠的DCE-MRI各项参数的先决条件。

1.4 时间分辨率和扫描时间

       时间分辨率及扫描时间在测量DCE-MRI参数中扮演很重要的角色。时间分辨率影响时间-信号强度曲线的采样率,理论上越高越好。时间-信号强度曲线的上升斜率取决于Ktrans值,Ktrans值越高上升斜率越大,Ve与曲线的峰值密切相关。高的时间分辨率可以更准确地采集到曲线的峰值及上升斜率,从而提高Ktrans及Ve的准确性。扫描时间决定曲线轮廓,长的扫描时间更能接近真实曲线。Larsson等[10]研究时间分辨率、总扫描时间对高级别胶质瘤结果的影响,时间分辨率选择2.1~ 68 s,扫描时间1~5 min,发现低时间分辨率导致Ktrans值降低、Vp值升高,时间分辨率>20 s上述变化更明显。检查时间较短,Ktrans、Kep值升高,Vp、Ve值降低。

1.5 对比剂注射方案

       DCE-MRI应选用小分子量对比剂,大分子量对比剂渗透性降低,会影响Ktrans值。对比剂总量、注射速率、对比剂浓度都会对结果产生影响。应严格依据体重计算对比剂总量;如欧乃影按0.1 mmol/kg(相当于0.2 ml/kg)。快速团注更容易得到对比剂浓度的峰值。应当使用高压注射器,可以保证注射速率及稳定性。高压注射推荐1.5~2.5 ml/s,再追注20~40 ml生理盐水[11]。严格的注射方案能够保证DCE-MRI参数的可重复性和可靠性。

2 数据处理:动脉输入函数选择及运动位移

2.1 动脉输入函数(Arterial input function,AIF)

       动脉输入函数AIF即肿瘤供血动脉内对比剂浓度随时间变化的信号强度曲线,只有得到准确的AIF才能精准定量拟和肿瘤组织的血流灌注和渗透性参数。因此,DCE-MR数据处理前提先需要得到动脉输入函数AIF,AIF选择不同的动脉及其感兴趣区(ROI)选择位置是否合理,都将显著影响计算结果[12],从而无法准确评估组织微血管特性。最准确的AIF应该是感兴趣区的直接供血动脉,但是由于空间分辨率受限,常常无法观察到,因此常用扫描范围内的动脉代替。目前,获得AIF的方法主要有以下四种。第一种,AIF金标准:将动脉导管直接选择性插入被检者的动脉,采样血液供分析。这种方法最主要的优势是可以直接得到真实血管内容积(concentration plasma,CP),可以精确地得到AIF。缺点是有创性、并不适合用于临床检查。第二种,Population-based AIF:假设所有被检者AIF曲线都是相似的,首先测一部分群体的AIF,用他们的平均AIF当作标准,计算整个样本的定量参数。这种方法的优势为比较简便,不用测量每一个患者的AIF,可重复性高,但是不能够真实反映个体的生理情况。第三种,个体化AIF:手动勾画病灶临近供血动脉,测量患者自身血液信号强度的变化。这种方法的优势为无创性测量个体本身的AIF,反映患者本身循环状态,可以做到最接近个体真实AIF。缺点是需要包含FOV以内的大血管,图像可能受到部分容积效应和血液流动的影响,不同的ROI对结果影响较大,可重复性受到一定限制;其次,该方法对时间分辨率要求很高(<10 s),要想得到理想的AIF,可能会导致空间分辨率和信噪比降低。第四种,Reference tissue-based AIF,使用Reference模型,选取正常组织(如:肌肉)作参考,取得AIF曲线,所得到的参数都是相对于正常组织来计算[13]。这种方法的优势是能够克服个体化AIF需要对时间分辨率的限制,适合用于时间分辨率较低,感兴趣区内动脉无法识别的数据。缺点是不能够真实反映个体的生理情况[5]。总之,AIF与被检者自身BMI指数、每搏输出量有关,因此个体化AIF是最佳选择,但其对时间分辨率要求较高,提高可重复性是临床应用的关键因素。时间分辨率、空间分辨率较低的情况下,考虑选择Reference模型或者Population AIF。

2.2 运动位移

       运动位移在DCE-MRI数据中普遍存在,如:头颈部,吞咽、舌头及下颚的活动;肺部及乳腺,呼吸运动、心脏跳动;肝、肾,胃肠蠕动等。AIF曲线由于血管运动不能够真正反映对比剂进入体内的全过程。病灶边缘由于运动位移模糊不清,直接影响病灶感兴趣区勾画,进而对拟合病灶时间-信号强度曲线的真实度及准确度产生误差[14,15,16]。因此,运动校准是很有必要的,校准每一个像素点的位置,以保证计算结果的可靠性。数据配准的主要方法有两种:刚性配准和非刚性配准,刚性配准主要针对器官或病灶旋转、移动、收缩或扩张所产生的形状变化,常用于头部动态扫描运动位移的矫正;非刚性配准主要针对器官或病灶收缩、扩张及图像错层,常用于肝脏、肺及肾脏等器官。与刚性配准相比非刚性配准需要花费更多的计算时间,对噪声敏感度差,需要经常调整配准参数[17,18]

3 常用药代动力学模型介绍及应用

3.1 Tofts模型

       Tofts模型是目前应用最广泛的模型,分为单室和双室两种,对时间分辨率及空间分辨率要求较高。

       Standard Tofts-Kety (TK) model为单室模型,是最经典的描述组织与血管对比剂灌注和渗透的模型,只考虑对比剂由动脉进入血管外细胞外间隙,血管内容积忽略不计(Vp=0),可以得到Ktrans、Ve两个参数[1]。单室Tofts模型适用于病灶中微血管密度很低的情况。

       Cp(t) =Ca(t)/(1- Hct) ,Ca(t)代表动脉全血的容积;Hct代表血球容积:成人男性0.40~0.54,成人女性0.36~0.48,成年人大血管平均值约0.45。Hct可以影响Ktrans、Vp值。

       Extended Tofts-Kety model:是双室模型,将病灶处的ROI定义为一个具有血管(血浆)空间(中央室)和EES(周边隔室)的两室模型。考虑到血管的灌注及渗透性,对比剂可以由血管内进入血管外细胞外间隙(extravascular extracellular space,EES),又可以由EES间隙回流至血管内。双室Tofts,除了Ktrans、kep外,还增加了参数Vp,并由公式计算出Ve= Ktrans/kep[19]。选择该模型的前提是需要满足高的空间分辨率及时间分辨率,是目前应用比较广泛的模型。贾龙威等[20]对19例脑胶质瘤患者分析发现:DCE-MRI可以较准确地将高、低级别胶质瘤鉴别开来,同时,DCE-MRI双室渗透模型Extended Tofts Linear是一种稳定、可重复性良好的模型,临床应用价值高。肿瘤具有血管再生能力,由于微血管丰富适合使用双室模型。

3.2 Patlak模型

       Patlak模型是单室模型,该模型可以得到Ktrans、Vp两个定量参数,应用线性回归来进行药物动力学分析,理论上在图像质量不是很好的情况下比其他非线性模型拥有更加稳定的结果。Patlak模型假设,由于低渗透性、短的检查时间(<4 min),对比剂的转运是单向的,只从血管向血管外细胞外间隙(extravascular extracellular space,EES)流动,而没有回流,Kep可以被忽略。在检查时间短、低渗透性情况下适合选择Patlak模型;然而大部分肿瘤Ktrans值都很高,检查时间也难以符合要求。这种假设只有在血液的首过(第一次血液循环)情况下才能成立,因此,如果检查时间较长,会造成结果不准确[18,21]

3.3 Reference模型

       Reference模型,是单室模型。众所周知,标准的AIF选择需要满足很多条件,Reference模型可以不通过AIF而得到各参数,常选取正常肌肉组织当作参考,计算出相对的Ktrans,RR,、Ve,RR值。Reference模型对时间分辨率的要求不高,当扫描时间分辨率、信噪比不能满足时,可以选取Reference模型[22,23]。Reference模型已经被证实能够检测肿瘤内微血管,因此可以用于抗肿瘤的疗效评估[24],可用于乳腺、子宫等。

3.4 Exchange模型

       Exchange模型是双室模型,定义血管和EES分别代表独立的两个室,假设对比剂在Ve与Vp之间的流量相等,血管与EES连接间隙不变。Exchange模型包含血流量、血容量,可以通过药代动力学公式将血流速度(blood flow ,BF)从Ktrans中分离出来,得到反映真实渗透性和血流灌注的参数。Exchange模型可以得到Ktrans、Kep、Ve、Vp四个参数[25],对时间分辨率和信噪比要求较高。

       选择合适的药代动力学模型很关键,对结果的影响大。如何选择适当的药代动力学模型,影响因素有很多,如:扫描方案的选择、对比剂注射方案、时间分辨率、扫描时间、运动位移、图像信噪比等[26]。很多模型对时间分辨率有着限制,时间分辨率会对不同的参数造成不同的结果。一般而言,Exchange模型需要时间分辨率在3 s以内,Tofts模型时间分辨率在6 s以内,而Reference模型对时间分辨率要求相对较低,且针对低信噪比图像有相对较好的效能。Patlak模型扫描只需要持续到对比剂首过时间,而Tofts模型扫描则需要持续到血管内外对比剂渗透达到平衡状态为止[18]

       综上所述,定量DCE-MRI作为一种无创性的影像学检查技术,可以反映组织及病灶血流灌注及微血管通透性情况,提供血流动力学方面信息,临床应用前景广泛。但是,其影响因素较多,根据研究目的选择适宜的扫描方案、数据处理方法及合适的药代动力学模型是得到可靠的定量参数值的关键。

[1]
Tofts PS. Modeling tracer kinetics in dynamic Gd-DTPA MR imaging. J Magn Reson Imaging, 1997, 7(1): 91-101.
[2]
Jackson A, O'Connor JP, Parker GJ, et al. Imaging tumor vascular heterogeneity and angiogenesis using dynamic contrast-enhanced magnetic resonance imaging. Clin Cancer Res, 2007, 13(12): 3449-3459.
[3]
Zahra MA, Hollingsworth KG, Sala E, et al. Dynamic contrast-enhanced MRI as a predictor of tumour response to radiotherapy. Lancet Oncol, 2007, 8(1): 63-74.
[4]
Lu GM. Application and progress of dynamic contrast enhanced MRI. ZhongHuaFangSheXueZaZhi, 2015, 49(6): 406-409.
卢光明.动态对比增强MRI的应用与进展.中华放射学杂志, 2015, 49(6): 406-409.
[5]
Khalifa F, Soliman A, El-Baz A, et al. Models and methods for analyzing DCE-MRI: a review. Med Phys, 2014, 41(12):1-32.
[6]
Studler U, White LM, Andreisek G, et al. Impact of motion on T1 mapping acquired with inversion recovery fast spin echo and rapid spoiled gradient recalled-echo pulse sequences for delayed gadolinium-enhanced MRI of cartilage (dGEMRIC) in volunteers. J Magn Reson Imaging, 2010, 32(2): 394-398.
[7]
Yuan J, Chow SK, Yeung DK, et al. Quantitative evaluation of dual-flip-angle T1 mapping on DCE-MRI kinetic parameter estimation in head and neck. Quant Imaging Med Surg, 2012, 2(4): 245-253.
[8]
Azlan CA, Di Giovanni P, Ahearn TS, et al. B1 transmission-field inhomogeneity and enhancement ratio errors in dynamic contrast-enhanced MRI (DCE-MRI) of the breast at 3 T. J Magn Reson Imaging, 2010, 31(1): 234-239.
[9]
Leach MO, Morgan B, Tofts PS, et al. Imaging vascular function for early stage clinical trials using dynamic contrast-enhanced magnetic resonance imaging. Eur Radiol, 2012, 22(7): 1451-1464.
[10]
Larsson C, Kleppestø M, Rasmussen I Jr, et al. Sampling requirements in DCE-MRI based analysis of high grade gliomas: simulations and clinical results. J Magn Reson Imaging, 2013, 37(4): 818-829.
[11]
Sourbron S. Technical aspects of MR perfusion. Eur J Radiol, 2010, 76(3): 304-313.
[12]
Mendichovszky IA, Cutajar M, Gordon I. Gordon. Reproducibility of the aortic input function (AIF) derived from dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) of the kidneys in a volunteer study. Eur J Radiol, 2009, 71(3): 576-581.
[13]
Cárdenas-Rodríguez J, Howison CM, Matsunaga TO, et al. A reference agent model for DCE MRI can be used to quantify the relative vascular permeability of two MRI contrast agents. Magn Reson Imaging, 2013, 31(6): 900-910.
[14]
Melbourne A, Hipwell J, Modat M, et al. The effect of motion correction on pharmacokinetic parameter estimation in dynamic-contrast-enhanced MRI. Phys Med Biol, 2011, 56(24): 7693-7708.
[15]
Merrem AD, Zöllner FG, Reich M, et al. A variational approach to image registration in dynamic contrast-enhanced MRI of the human kidney. Magn Reson Imaging, 2013, 31(5): 771-777.
[16]
Zöllner FG, Sance R, Rogelj P, et al. Assessment of 3D DCE-MRI of the kidneys using non-rigid image registration and segmentation of voxel time courses. Comput Med Imaging Graph, 2009, 33(3): 171-181.
[17]
Wang Z, Qiu XM, Xu X, et al. The value of DCE-MRI quantitative permeability parameter combined with ADC in differential diagnosis of benign and malignant lung lesions. Chin J Magn Reson Imaging, 2015, 6(8): 585-591.
王珍,邱晓明,徐潇,等. DCE-MRI定量渗透性参数联合ADC值在肺部良恶性病变中鉴别诊断价值.磁共振成像, 2015, 6(8): 585-591.
[18]
Shen J. An expectable wave of clinical studies using quantitative dynamic contrast-enhanced MR imaging. Chin J Magn Reson Imaging, 2015, 6(8): 561-565.
沈君.积极开展定量动态增强磁共振成像研究.磁共振成像, 2015, 6(8): 561-565.
[19]
Tofts PS, Brix G, Buckley DL, et al. estimating kinetic parameters from dynamic contrast-enhanced T1-weighted MRI of a diffusable tracer: standardized quantities and symbols. J Magn Reson Imaging, 1999, 10(3):223-232.
[20]
Jia LW, Niu L, Ma WS, et al. The reproducibility study of the pharmacokinetic model extended tofts linear of the dynamic contrast-enhanced MRI in brain glioma. Chin J Magn Reson Imaging, 2015, 6(8): 571-574.
贾龙威,牛蕾,马文帅,等.血流动力学双室模型Extended Tofts Linear在脑胶质瘤DCE-MRI渗透性定量分析的复测性及有效性研究.磁共振成像, 2015, 6(8): 571-574.
[21]
Sourbron SP, Buckley DL. Classic models for dynamic contrast-enhanced MRI. NMR Biomed, 2013, 26(8): 1004-1027.
[22]
Cárdenas-Rodríguez J, Howison CM, Pagel MD. A linear algorithm of the reference region model for DCE-MRI is robust and relaxes requirements for temporal resolution. Magn Reson Imaging, 2013, 31(4): 497-507.
[23]
Lee J, Platt S, Kent M, et al. An analysis of the pharmacokinetic parameter ratios in DCE-MRI using the reference region model. Magn Reson Imaging, 2012, 30(1): 26-35.
[24]
Yankeelov TE, Luci JJ, Lepage M, et al. Quantitative pharmacokinetic analysis of DCE-MRI data without an arterial input function: a reference region model. Magn Reson Imaging, 2005, 23(4): 519-529.
[25]
Koh TS, Bisdas S, Koh DM, et al. Fundamentals of tracer kinetics for dynamic contrast-enhanced MRI. J Magn Reson Imaging, 2011, 34(6): 1262-1276.
[26]
Duan C, Kallehauge JF, Bretthorst GL, et al. Are complex DCE-MRI models supported by clinical data? Magn Reson Med, 2016. DOI: .

上一篇 臂丛神经损伤神经移位术后脑运动功能区变化的fMRI研究进展
下一篇 阿尔茨海默病和轻度认知障碍磁共振动脉自旋标记脑灌注与神经心理学量表相关性研究
  
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