对DCE-MRI时间强度曲线概况的Voxel-wise映射使得可视化和量化乳腺病变中的血液动力学异质性成为可能
Zhou Liu1, Bingyu Yao2,3, Jie Wen1
1Department of Radiology, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital & Shenzhen Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, 113 Baohe Avenue, 518116, Shenzhen, China.
European radiology
|August 11, 2023
概括
一种新的数据驱动方法绘制了声音智能的动态对比增强MRI (DCE-MRI) 时间强度曲线 (TIC) 配置文件,以量化乳腺病变的血液动力学异质性. 这种方法显著改善了恶性瘤的分化和瘤扩散状态的预测.
科学领域:
- 放射学和医学成像学 医学成像学
- 计算病理学计算病理学
- 生物医学数据科学 生物医学数据科学
背景情况:
- 使用动态对比增强磁共振成像 (DCE-MRI) 准确地描述乳腺病变对于诊断和治疗规划至关重要.
- 传统的DCE-MRI时间强度曲线 (TIC) 概况分析通常依赖于简化模型或半定量参数,可能缺少复杂的损伤内部异质性.
- 量化和可视化乳腺病变中的血液动力学异质性可以提供对瘤生物学和行为的宝贵见解.
研究的目的:
- 引入一种新的,无模型的,数据驱动的计算方法,用于对DCE-MRI TIC配置文件的voxel-wise映射.
- 使用这种新方法量化和可视化损伤内血动力学异质性.
- 验证该方法在区分乳腺病变恶性病变和预测瘤特征方面的临床实用性.
主要方法:
- 对259名患有325例病理确诊乳腺病变的患者的DCE-MRI数据的回顾性分析.
- 在细分的病变中,Voxel-wise TIC 配置文件根据洗进,洗出和稳定性特征被分为 19 个亚型.
- 一个新的特征集 (类型-19) 代表了这些子类型的组成比率,并被用来构建机器学习模型.
主要成果:
- 基于19型特征的模型在区分病变恶性病变时显著超过了使用三种类型的TIC分类和半定量参数的模型 (AUC 0.875与0.831/0.804).
- 类型-19模型在预测瘤扩散状态方面也表现出优异的表现 (AUC 0.890对比 0.548/0.596).
- 在模型之间预测组织学等级方面没有观察到显著差异.
结论:
- 拟议的DCE-MRI TIC配置文件的voxel-wise映射提供了一种新的,无模型的,数据驱动的方法来量化和可视化血液动力学异质性.
- 这种方法可以直观地可视化和量化损伤内部的血液动力学异质性,有助于区分恶性和良性乳腺病变.
- 来自克尔智能TIC配置文件的Type-19特征集显示了改善乳腺病变特征的诊断准确性的巨大潜力.
更多相关视频
08:23A Multimodal Imaging- and Stimulation-based Method of Evaluating Connectivity-related Brain Excitability in Patients with Epilepsy
Published on: November 13, 2016
11.2K
10:25Author Spotlight: Integrating High-Resolution Intravital Imaging and MRI to Enhance Stereotactic Body Radiation Therapy Planning
Published on: April 12, 2024
1.5K
