European Radiology：DCE-MRI时间-强度曲线的体素绘制使乳腺病变的血流动力学异质性得以可视化和量化

2020年，乳腺癌已经成为全球最常见的癌症之一，占所有女性恶性肿瘤的三分之一，年死亡率高达15%。乳腺肿瘤是一组具有高度异质性的肿瘤，具有不同的组织学亚型、分级、组织化学生物标志物、增殖状态、基因突变和免疫微环境。具体来说，不成熟的新生血管和各种病理变化，如出血、囊性变、坏死或钙化导致血流动力学的不均一性。

MRI能提供乳腺癌的结构和功能信息，因此常用于乳腺癌的诊断。动态增强磁共振成像 (DCE-MR）已成为最不可缺少的序列，能够显示整个肿瘤的三维血流动力学异质性，从而可以对病变进行极好的描述和定性。然而，迫切需要一种新的计算方法，使肿瘤血流动力学异质性的可重复量化和直观可视化。

近日，发表在European Radiology杂志上的一篇研究提出了一种基于DCE-MRI时间-强度曲线(TIC)剖面体素映射的新型无模型数据驱动方法，该方法可用于量化和可视化血流动力学异质性，并验证其潜在的临床应用。

本项研究回顾性纳入了2018年12月至2022年7月259例经病理证实的乳腺病变325例，所有患者均接受了乳腺DCE-MRI检查。在手工分割乳腺病变的基础上，将三维全病变内各体素的TIC根据廓清率(非增强、慢、中、快)、廓清增强(持续、平稳、下降)、廓清稳定性(稳定、不稳定)划分为19个亚型，并计算每个病变这19个亚型的构成比作为一个新的特征集(type-19)。利用TIC三类型分类、半定量参数和19型特征构建机器学习模型，识别病变恶性程度，并对病变的组织学分级、增殖状态和分子亚型进行分类。

基于19型特征的模型在区分病变恶性程度上显著优于基于三类TIC方法的模型和基于半定量参数的模型（AUC = 0.875vs. 0.831, p = 0.01, 0.875vs.0.804, p = 0.03)，预测肿瘤增殖状态(AUC = 0.890 vs. 0.548, p = 0.006, 0.890 vs. 0.596, p = 0.020)，但无法预测组织学分级(p = 0.820, 0.970)。

 表 常规三型分类法比较

本项研究表明，除了传统方法外，本研究提出的计算方法提供了一种新颖的、无模型的、数据驱动的方法来量化和可视化血流动力学异质性，可用于区分乳腺恶性和良性病变。

原文出处：

Zhou Liu,Bingyu Yao,Jie Wen，et al.Voxel-wise mapping of DCE-MRI time-intensity-curve profiles enables visualizing and quantifying hemodynamic heterogeneity in breast lesions.DOI:10.1007/s00330-023-10102-7