宋超，朱望舒，石思雅，石廣滋，程子亮，曾偉科，吳卓

MRI是乳腺癌篩查、診斷的主要檢查手段之一，其中多種定量模型的發(fā)展使乳腺病變的診斷和分析從定性診斷向客觀量化分析轉化[1]。根據美國放射協(xié)會2013年推薦的乳腺影像報告和數據系統(tǒng)(BI-RADS)分類，乳腺病變的影像學表現可分為點狀強化、腫塊型強化和非腫塊型強化 (non-mass enhancement，NME)三類。NME病變因其組織分布較松散，且病灶中間夾雜正常的纖維腺體和脂肪組織，常規(guī)增強MRI對病變良惡性的鑒別亦缺乏特征性表現，故不能完全用分析腫塊型強化病變的參數作為診斷依據，否則容易造成診斷不足或過度診斷。定量動態(tài)對比增強MRI (quantitative dynamic contrast enhanced MRI,qDCE-MRI) 是通過病灶的血供情況間接反映病變性質的影像技術[2]。該技術基于血流動力學模型分析，模擬出血管內外對比劑的分布情況，通過雙輸入-雙室模型獲得定量參數，能準確而客觀地反映乳腺腫物血流灌注狀態(tài)和微血管環(huán)境，具有較高的敏感性和特異性，可精確、無創(chuàng)地預測腫瘤惡性程度。本研究對病變感興趣區(qū)(ROI)進行三維分割并提取參數，旨在探討qDCE-MRI在乳腺NME病變中的定性診斷價值。

材料與方法

1.患者材料

回顧性分析2016年7月-2017年10月本院符合以下標準的患者。納入標準：①MR檢查前未予穿刺活檢、放化療等；②乳腺DCE-MRI表現為NME；③術前MR圖像、術后病理資料完整。排除標準：①圖像質量不佳，無法用于分析；②MR檢查前已進行手術或其他治療。83例患者納入研究，患者均為女性，年齡20～66歲，中位年齡44歲。最終83例患者納入研究。

2．MR圖像采集

采用Siemens Magnetom Avanto 1.5T超導磁共振儀，8通道專用乳腺表面相控陣線圈(Siemens Medical Solutions,Erlangen,Germany)，受檢者取俯臥位，讓雙乳自然下垂于線圈中。掃描序列及參數：①常規(guī)橫軸面和矢狀面脂肪抑制FSE T2WI：TR 3920 ms，TE 68 ms，TI 170 ms，翻轉角150°，層厚5 mm，層間距0 mm，視野350 mm×350 mm，矩陣256×256，體素大小0.5 mm×0.5 mm×5.0 mm；②常規(guī)橫軸面Dixon T1WI：TR 6.86 ms，TE 2.39 ms，翻轉角15°， 視野360 mm×360 mm，體素大小0.9 mm×0.9 mm×2.0 mm,層厚2.00 mm，層間距0.1 mm；③乳腺橫軸面DCE-MRI：首先利用多翻轉角技術進行T1-mapping掃描，TR 4.87 ms，TE 2.4 ms，翻轉角2°、4°、6°、8°、10°、12°，矩陣380 mm×380 mm；隨后進行DCE-MRI，DCE-MRI采用橫軸面T1WI-VIBE序列，TR 4.87 ms，TE 2.4 ms，翻轉角10°，視野380 mm×380 mm，像素大小0.5 mm×0.5 mm×3.0 mm，層厚3.00 mm，層間距1.5 mm，40個期相，每期8 s；于第2個動態(tài)增強時相開始前采用高壓注射器經肘靜脈注射對比劑釓雙胺(歐乃影，GE)，劑量0.1 mmol/kg，注射流率為2 mL/s，對比劑注射完后用20 mL生理鹽水沖管，注射流率為2 mL/s；動態(tài)增強掃描結束后再行冠狀面、橫軸面T1WI脂肪抑制序列等常規(guī)增強掃描。

3．圖像分析

qDCE-MRI掃描獲得的多翻轉角各序列圖像及動態(tài)增強橫軸面圖像傳輸到血流動力學軟件Omni Kinetics (GE healthcare)進行圖像處理分析。首先將多翻轉角各序列圖像進行T1-mapping計算，將多期動態(tài)增強圖像由時間-亮度信號轉變?yōu)闀r間-對比劑濃度信號；然后在動態(tài)增強圖像上以降主動脈為輸入動脈，手動勾畫面積為3～5個像素的ROI(ROI應勾畫在血管橫截面的管腔內)，獲得動脈輸入函數(arterial input function，AIF)；采用Extended Tofts Linear模型擬合計算定量滲透性參數，利用半定量模型計算T1灌注半定量參數。定量參數包括：容量轉移常數(Ktrans)、速率常數(Kep)、血管外細胞外間隙容積比(Ve)和血管(血漿)間隙容積分數(Vp)，其中，Kep= Ktrans/Ve。半定量參數包括：達峰時間 (TTP)、最大濃度(Max Con)、濃度-時間曲線下面積(area under the concentration-time curve，AUC)和最大斜率(Max Slope)。ROI由2名影像學診斷經驗豐富及熟練掌握Omni Kinetics軟件的高年資醫(yī)師勾畫。觀察乳腺DCE-MRI圖像上的影像學改變，手動勾畫每層乳腺NME病變，ROI范圍稍小于病灶范圍，盡量避開血管、囊變及壞死區(qū)；待逐層勾畫完成后融合多層ROI為三維ROI(3D-ROI)。

4．統(tǒng)計學分析

采用SPSS 13.0軟件進行統(tǒng)計學分析。計量資料采用均數±標準差表示。計算內部相關系數(ICC)比較兩名醫(yī)師對qDCE-MRI參數評估的一致性，<0.4表示一致性較差，0.4～0.75表示中等符合度，>0.75表示一致性較好。采用獨立樣本t檢驗(正態(tài)分布及方差齊性數據)或Mann-Whitney U檢驗(偏態(tài)分布或方差不齊)比較定量參數Ktrans、Kep、Ve、Vp及半定量參數TTP、Max Con、AUC、Max Slope在NME良惡性病變間的差異。單因素回歸分析各參數的獨立診斷效能，多因素回歸分析最終診斷方程。繪制ROC曲線評估qDCE-MRI參數對NME良惡性病變的鑒別診斷效能。P<0.05為差異具有統(tǒng)計學意義。

1．臨床及病理結果

83例患者中，單發(fā)病灶58例，多發(fā)病灶25例。多發(fā)病灶者選取最大病灶。乳腺惡性病變63例：浸潤性導管癌42例(圖1)，導管原位癌15例，浸潤性乳頭狀癌6例，年齡(45.51±7.71)歲；良性病變20例：纖維囊性乳腺病11例，導管內乳頭狀瘤1例，乳腺炎2例，乳腺膿腫4例(圖2)，放射狀疤痕2例，年齡(39.5±8.67)歲。

2．NME良惡性病變的影像學表現

根據BI-RADS分類分析83例NME病變患者的影像學表現。分布方式包括局灶、線樣、段樣、區(qū)域、多區(qū)域及彌漫。內部強化方式包括均勻、不均質、集簇狀及成簇環(huán)狀。病灶短徑、內部強化方式、分布方式在良惡性NME病變間均具有統(tǒng)計學差異(P均<0.05)，時間信號強度曲線(TIC)類型在NME良惡性病變間無統(tǒng)計學差異(P=0.816，表1)。

3．NME良惡性病變的qDCE-MRI參數

表1 乳腺NME良惡性病變的影像學和qDCE-MRI參數比較

表2 qDCE-MRI參數對乳腺NME病變的鑒別診斷效能

兩名醫(yī)師評估qDCE-MRI參數的ICC值分別為：0.912(Ktrans)、0.853(Kep)、0.798(Ve)、0.819(Vp)、0.784(TTP)、0.861(Max Con)、0.898(AUC)、0.903(Max Slope)，提示兩名醫(yī)師評估乳腺NME病變的一致性較好。

NME病變良惡性組間的Ktrans、 Kep、Vp、TTP、Max Slope差異均具有統(tǒng)計學意義(P均<0.05)，惡性病變的Ktrans、 Kep、Vp、Max Slope值大于良性病變，而TTP值小于良性病變(表1)。經單因素回歸分析后，上述指標均具有統(tǒng)計學意義，其中Ktrans值的診斷效能最高，ROC曲線下面積(AUC)為0.790(P<0.05，表2)。

4．qDCE-MRI參數鑒別乳腺NME良惡性病變的診斷效能

共線性診斷表明各指標之間不具有共線性，多因素回歸分析后Ktrans及TTP進入最后方程。最終方程對NME病變良惡性鑒別診斷的AUC為0.831(P<0.05，表2，圖3)。

討 論

1．常規(guī)MR掃描序列對NME病變良惡性的鑒別診斷效能

乳腺癌是女性最常見的惡性腫瘤。乳腺病變依據美國放射學院推薦的BI-RADS分類進行良惡性評分，這種規(guī)范性的診斷標準顯著提高了影像檢查對乳腺病變的診斷效能。乳腺NME病變表現特殊，在常規(guī)T1WI、T2WI上顯示不清晰，普通增強掃描圖像上常表現為小范圍或廣泛的片狀強化，對于病變良惡性的鑒別不夠準確。本文根據BI-RADS分類對于病變的分布形式及內部強化方式進行分類并統(tǒng)計學檢驗，結果表明病灶的分布方式及內部強化方式可對NME良惡性病變進行鑒別；另外，成簇環(huán)狀強化在本組惡性病變中有5例，而在良性病變中為0例，這與Sakamoto等[3]的研究結果相似。常用的MRI診斷分析指標還包括TIC類型和DWI[4,5]，但由于上述指標在一定程度上具有主觀性，且NME病變內?；祀s一定量的正常纖維腺體及脂肪組織等，導致DWI及TIC所選取的ROI 內不全為病灶成分，從而影響ADC值及TIC類型對NME良惡性病變的鑒別準確率。另外，部分惡性NME病變如導管原位癌，病變尚局限在乳腺導管內，導致水分子活動變化不夠顯著，DWI檢查常出現假陰性；而部分良性NME病變如乳腺炎性病變，在累及皮膚及周圍脂肪時，炎癥區(qū)域的血管壁通透性增加,小血管擴張血流增加，從而影響峰值時間及對比劑廓清時間的觀測，導致良惡性病變間無顯著性差異[6-8]。本文結果顯示乳腺NME良惡性病變間的TIC無明顯統(tǒng)計學差異。NME良惡性病變診斷的準確性決定后續(xù)治療方案的制定及臨床預后，但目前尚缺乏一種較好的對NME良惡性病變進行定量評估的方法。

2．3D-ROI分割與應用

既往研究常在病變的最大層面勾畫病灶。越來越多的研究表明，腫瘤的異質性與腫瘤的惡性程度等密切相關[9]，單層面的勾畫往往無法反映腫瘤的性質[10]。目前僅少數研究使用3D-ROI勾畫獲得定量和/或半定量參數用于乳腺病變的鑒別診斷[11，12]。使用3D-ROI勾畫一方面可獲得整個腫瘤的體積參數，避免因選取位置的不同而帶來的選擇偏倚；另一方面可排除體積因素的影響，能更好的體現腫瘤的異質性[13]。本文采用Omni Kinetics軟件對NME病灶進行勾畫，從勾畫單個層面到完成3D-ROI的融合平均需5min，提供病灶全容積qDCE-MRI的定量信息，有助于腫瘤整體的形態(tài)觀察，能更準確、全面反映腫瘤性質。雖然本文中兩位醫(yī)師勾畫、測量的qDCE-MRI參數一致性較好，但今后工作中有待優(yōu)化軟件功能，實現3D-ROI的自動分割，進一步縮短后處理時間，提高結果的可重復性。

3.qDCE-MRI參數對NME病變的良惡性鑒別效能

qDCE-MRI是通過采用不同的血流動力學模型，根據對比劑經血管進入病變組織或/及被廓清的速度和幅度變化情況測量Ktrans、Kep、Ve、Vp等定量參數，來確定病變組織的血供微循環(huán)的生理學特性。相對于非定量動態(tài)增強掃描[14]，qDCE-MRI能獲得更多的病變血流動力學信息，從而更好的反映病變的性質。既往有關乳腺腫塊型強化病變良惡性的qDCE-MRI研究表明，qDCE-MRI參數在乳腺良惡性病變間存在明顯統(tǒng)計學差異，尤其是Ktrans、Kep的診斷效能較高，通過qDCE-MRI參數及部分非定量參數構建模型，最終的準確率可達95.6%。qDCE-MRI可作為術前診斷乳腺腫塊型病變良惡性的重要工具[15]，但qDCE-MRI對于乳腺NME病變的診斷意義尚不明確。本文結果顯示，在乳腺NME病變的良惡性鑒別中，qDCE-MRI的參數Ktrans、Kep及Vp值差異均具有統(tǒng)計學意義，這與既往研究報道結論相似[16，17]。惡性病變細胞生長快，內皮細胞生長不完整，血管壁通透性增加，從血管外間隙回流入血管內的速度亦加快，Ktrans及Kep值均增大。王瑞等[2]研究表明非腫塊型乳腺癌的Ktrans、Kep低于腫塊型乳腺癌，這與病變夾雜不同程度的導管原位癌成分及非腫瘤成分有關。本研究中，qDCE-MRI掃描的像素大小為0.5 mm×0.5 mm×3.0 mm，層厚為3.00 mm，達到BI-RADS分類2013標準中的乳腺MR掃描技術要求；同時，本文在降低部分空間分辨率的條件下，圖像質量仍可用于乳腺病變形態(tài)、大小等的診斷，且3D-ROI的勾畫亦保證信息的完整性。qDCE-MRI參數對于病變內微小的血流動力學變化較為敏感，雖然勾畫的ROI中包括病變內部少量難以分割的非異常強化成分，但qDCE-MRI參數仍可較好鑒別NME病變的良惡性；另外，夾雜在病變中的正常組織部分的血管灌注情況和通透性也可能受相鄰病變的影響發(fā)生一定變化，從而影響NME良惡性病變間的差異性，有待進一步研究；qDCE-MRI在乳腺NME良惡性病變的鑒別診斷效能較高，特異度高達95%，體現出良好的臨床應用前景。

4.本研究的局限性

本研究存在一定的局限性。樣本數偏少，且病理類型較局限，不能排除因病理學變化造成的偏倚，qDCE-MRI參數與病理的相關性有待今后收集更多病例，擴大樣本量加以證實。

綜上所述，由qDCE-MRI參數所構建的模型可用于乳腺NME良惡性病變的鑒別；qDCE-MRI可為臨床提供更客觀的定量數值，為臨床制定及調整治療方案提供參考。

利益沖突:本研究過程和結果均未受到相關設備、材料、藥品企業(yè)的影響。