乳腺动态增强MRI中动脉输入函数的盲估计与直接测量比较

《MAGNETIC RESONANCE IN MEDICINE》：Blind Estimation Versus Direct Measurement of the Arterial Input Function in Dynamic Contrast-Enhanced MRI of the Breast

　　

准确的动脉输入函数（AIF）对于定量动态对比增强（DCE）MRI至关重要，然而直接测量存在诸多挑战，且群体平均AIF忽略了个体特异性变异。盲去卷积提供了一种替代方案，可直接从组织数据中估计个体特异性AIF，但仅能达到比例因子级别。本研究在乳腺DCE-MRI中比较了盲估计AIF与精心测量的主动脉AIF。研究分析了25例乳腺癌患者的数据，每例均有精心测量的AIF。利用Perflab工具包中的模型约束去卷积，分别基于Tofts-Kety（TK）模型和两室交换（2CXM）模型获取盲AIF估计。为单独分析AIF形态，盲AIF通过心输出量进行标定。通过尺度无关和尺度相关指标比较盲AIF与测量AIF的相似性。所有25例患者均成功获得两种组织模型的盲AIF估计。与测量AIF相比，基于2CXM的盲估计在所有指标上均显示出更强的一致性，但尺度相关指标的弱相关性提示心标定策略存在局限性。在乳腺DCE-MRI中，基于2CXM的盲AIF估计比TK模型能更可靠地恢复AIF形态和弥散特征。尽管盲去卷积在估计局部个体特异性AIF方面具有应用前景，但实践中可能需要采用其他标定策略。

本研究发表于《MAGNETIC RESONANCE IN MEDICINE》，旨在评估乳腺DCE-MRI中AIF盲估计方法的性能，通过比较盲估计AIF与测量AIF的形态特征，探讨盲去卷积在临床实践中的应用价值。

研究背景方面，T₁加权动态对比增强（DCE）MRI广泛应用于评估组织及肿瘤血流动力学特征，包括灌注和毛细血管通透性。定量分析DCE-MRI需要AIF来描述供血动脉中对比剂（CA）浓度随时间的变化。理想情况下，AIF应在靠近目标组织的动脉中测量，但实际操作中常难以实现。准确测量AIF面临诸多技术限制：动脉可能超出视野（FOV）、T₂^*效应（降低AIF峰值高度）、部分容积效应、流入伪影、低时间分辨率以及有限的信噪比（SNR）等。作为折中方案，群体平均AIF常被用来近似典型输入，但这种方法因忽略了个体特异性变异而引入系统性偏差。近年来，盲去卷积作为一种从组织数据中直接估计个体特异性AIF的技术逐渐受到关注。该技术的优势在于估计的AIF相对于组织感兴趣区域（ROI）是局域性的，相当于从直接供血动脉测量获得，而大血管（如降主动脉）中测量的全局AIF可能因血流延迟和弥散引入系统性误差。然而，盲去卷积仅能估计出比例不确定的AIF，需要额外的标定步骤。

研究人员评估了现有盲去卷积实现方法的性能，该研究采用专门设计的乳腺DCE-MRI数据集，在获取图像时即采取措施最小化常见误差源以测量降主动脉AIF。研究使用尺度无关和尺度相关指标进行AIF比较：对于尺度相关指标，采用心输出量（CO）标定方法，利用首次通过峰下面积与CO的反比关系对盲AIF进行标定；研究比较了单室Tofts-Kety（TK）模型和两室交换（2CXM）模型两种组织模型在盲估计中的表现。

研究纳入30例患者数据，最终25例符合分析条件（排除2例缺少反转恢复数据和3例肿瘤体积过小者）。采用1.5 T Siemens Aera MR扫描仪配合双侧乳腺线圈成像，视野涵盖双乳、心脏、主动脉弓及部分降主动脉。AIF测量在降主动脉内手动勾画ROI获得，肿瘤ROI依据既定流程勾画。盲去卷积通过Perflab网络应用程序实现，采用模型约束的多通道交替最小化算法，以代表性AIF进行初始化。组织数据通过k-means聚类自动分组，基于轮廓分数选择最优聚类数，形成用于盲去卷积的通道。AIF采用Horsfield参数化函数形式约束，包括振幅A_n、衰减常数λ_n、形状参数α、尺度参数β、最小再循环时间τ等参数；组织模型方面，TK为单室模型，2CXM包含血浆流量F_p、血管外细胞外容积分数v_e、血浆容积分数v_p等参数，两模型为嵌套关系。

比较指标包括尺度无关指标：动脉弥散度AD（首次通过峰下面积与峰值之比，反映峰宽）和标准化峰值幅度NPM（量化再循环峰突出程度）；尺度相关指标：尾部浓度Tail（末五个时间点的平均值）和AIF下总面积A_tot。考虑到局部AIF预期比主动脉AIF更弥散，研究采用单侧阈值（10%）评估盲估计的生理学合理性。

研究结果表明，25例患者均成功获得两种模型的盲AIF估计。中位SNR为22.7（范围7.2-88.3），中位通道数为8（范围5-17）。基于预设阈值，TK模型7/25例、2CXM模型20/25例的AD和NPM同时落在可接受范围内；9/25例TK和1/25例2CXM的双指标均超出阈值。敏感性分析显示模型和阈值均为良好结果的显著预测因子，模型与阈值的交互作用不显著，表明2CXM consistently优于TK的结果对阈值选择具有稳健性，精确McNemar检验在所有阈值下均证实2CXM显著优于TK模型。

各指标具体分析：AD指标上，TK和2CXM均与主动脉测量值强相关，但2CXM产生的AD更长；NPM指标上，仅2CXM与测量AIF相关，TK盲AIF无相关性；Tail指标上，两者均呈弱相关，盲AIF普遍高估；A_tot指标上，两者均与主动脉值相关，但2CXM系统性高估。总体而言，2CXM盲AIF在所有指标上与测量AIF的一致性更强。

讨论部分，研究人员指出这是首个在获取阶段即主动采取措施测量AIF以验证盲估计的临床研究，克服了既往研究AIF测量序列设计不当或缺少测量AIF的局限。关于模型选择，研究未采用文献广泛应用的扩展TK模型，因其介于TK与2CXM之间，若作为首选组织模型可被2CXM涵盖；且当血容量项不可忽略时，该模型从理论和实践角度均难以用于高时间分辨率DCE-MRI实体肿瘤分析。

数据质量方面，盲AIF估计质量受SNR和通道数影响。即使高SNR情况下，盲去卷积的不适定性仍可能导致系统性误差。低SNR和较少通道（如患者CH37，SNR 8.1、6通道）的病例表现出更差的估计性能。通道多样性虽未定量评估，但定性观察显示其可能影响结果。

指标解读方面，列联表分析明确显示2CXM generally优于TK，与下游AIF预期弥散增加一致。典型案例分析表明：当两模型均恢复生理学合理CHIP（Figure 4a），曲线彼此及与测量AIF视觉相似；当组织曲线存在明显血管期（Figure 4b），TK因模型灵活性不足导致补偿性产生过高尖峰和显著再循环峰；低SNR或通道数条件下（Figure 4c），两模型均可能偏离测量AIF；部分满足阈值但2CXM过度弥散的情况（Figure 4d）提示分组方案未惩罚过度弥散的局限，可能源于低SNR和少通道使复杂模型难以收敛，但也可能是真实AIF更接近该估计。

CO标定方面，尾部浓度和总面积的高估提示可能需要替代标定方法（如基于测量AIF尾部标定）。CO标定对首次通过峰变化非常敏感，易受T₂^*效应峰值低估或盲估计峰值高估的影响。

临床意义与局限性方面，局部AIF理论上优于上游全局AIF，盲估计可提供此类局部AIF，但准确性依赖通道数、SNR和模型选择。研究局限性包括：聚类步骤的选择可能影响结果，不同聚类算法或通道数可能改变输出；测量AIF缺乏金标准，尽管已采取措施最小化误差；Horsfield模型灵活性可能导致过拟合。这些局限凸显了进一步验证研究和谨慎考虑聚类技术的必要性。

研究结论指出，基于2CXM的盲AIF估计通常能更可靠地估计AIF结构和弥散特征。模型性能受数据质量和组织特性影响，模型选择应据此决定，但需进一步研究如何系统性地利用这些因素指导实践。此外，CO标定可能高估盲AIF幅度，若能解决此类局限，盲局部AIF估计可在直接AIF测量不可行时支持更准确的临床灌注建模。