李小敏,曲 揚,武 文,趙 亮,張少霆,郝永強,戴尅戎,艾松濤
1. 上海交通大學醫(yī)學院附屬第九人民醫(yī)院放射科,上海 200011;2. 上海交通大學醫(yī)學院附屬第九人民醫(yī)院骨科,上海 200011; 3. 上海商湯智能科技有限公司,上海 200030
骨盆區(qū)惡性腫瘤是一種高致死率和致殘率的骨腫瘤[1-2]。術前準確判定腫瘤邊界對于確定截骨范圍至關重要,有助于降低腫瘤局部復發(fā)和重建患肢功能[3-4]。磁共振成像(magnetic resonance imaging,MRI)因軟組織分辨率高,是目前評估骨腫瘤浸潤范圍的主要手段。自1986 年Sundaram 等[5]首次報道骨肉瘤MRI 圖像與術后病理圖像相關性研究以來,諸多研究都證實了MRI 在評估腫瘤浸潤范圍中的重要價值[6-8]。然而,相關研究多是基于單一切面的影像與病理共定位研究,仍缺乏三維病理信息支持,成為骨腫瘤手術精準規(guī)劃并進一步優(yōu)化和發(fā)展的瓶頸。其中,如何實現(xiàn)術后病理圖像和術前MRI 圖像的精準共定位,尤其是對于巨大骨盆腫瘤,是開展相關研究的至關重要的一步。
隨著3D 打印在醫(yī)學領域的廣泛應用[9-11],在影像和病理圖像共定位研究方面,諸多學者展開一些探索,這些研究[12-16]主要集中于前列腺、腦、腎、肝等軟組織疾病。上述切片模具是基于術前圖像的分割建模模型。然而,骨盆腫瘤術前影像圖像建立的腫瘤模型與術中切除標本間存在巨大的差異,相關經(jīng)驗并不能直接用于本研究。因而,本研究嘗試通過骨盆腫瘤術前MRI/CT 圖像與術后腫瘤標本CT 圖像之間的配準,基于術后標本的形態(tài)設計病理切片盒,從而使術前MRI 的掃描方向同病理切片方向一致,探討其應用于骨盆腫瘤共定位的可行性。
本研究包括從2019 年7 月—2020 年7 月經(jīng)活檢證實患骨盆腫瘤的患者,患者均計劃接受保肢切除術。納入標準:①以骨盆或股骨腫瘤收治于上海交通大學醫(yī)學院附屬第九人民醫(yī)院骨科。②術前已行CT 和MRI 增強檢查,且T1 加權脂肪抑制增強序列有橫斷位和冠狀位圖像。③ 能夠獲得手術切除或穿刺手術病理結果的患者。排除標準:①骨盆腹腔內的腫瘤,圖像偽影明顯影響診斷。② 影像學成像方法不符合檢查規(guī)范。③影像學檢查方法缺項的 患者。本研究獲得了上海交通大學醫(yī)學院附屬第九人民醫(yī)院倫理審查委員會的批準(滬九院倫審2018-126-T104 號)。
患者術前行骨盆CT 平掃或雙下肢CT 血管造影術(CT angiography,CTA,用于評估腫瘤與大血管關系)、骨盆增強MRI 和CT 胸部平掃(用于觀察肺轉移情況),患者術后切除的骨腫瘤標本行骨盆CT 平掃和MRI 檢查,并以DICOM 格式保存CT 和MRI 數(shù)據(jù)。
CT 檢查:128 排雙源CT 機(西門子,德國,Somatom Definition FLASH)。掃描參數(shù):管電壓為120 kV,基準管電流與曝光時間乘積為333.0 mAs,探測器準直32 mm× 0.6 mm,螺距0.6,采用D30 重建算法(重建視野360 mm, 層厚1 mm,無間隔)。
MRI 檢 查:3.0T MR 掃 描 儀( 西 門 子, 德 國,MAGNETOM Verio 3.0T MR)。掃描參數(shù)見表1。
表1 MRI 掃描參數(shù)Tab 1 MRI scanning parameters
1.3.1 數(shù)據(jù)建模 將患者術前薄層CT 掃描圖像、術后腫瘤標本薄層CT 掃描圖像的DICOM 數(shù)據(jù)導入SenseCare軟件,對術前勾畫腫瘤范圍、術后切除腫瘤進行三維建模,輸出為STL 文件。
1.3.2 CT、MRI 圖像配準 將術后腫瘤標本三維建模數(shù)據(jù)和術前腫瘤CT 數(shù)據(jù),以其共有的骨性特征作為互信息基礎,結合手工標記方法,以術前CT 坐標系為基準進行領域特征點提取和匹配的點云配準,并結合剛體變換配準算法進一步約束,再將上述配準好的數(shù)據(jù)基于術前MRI數(shù)據(jù)進行配準[17]。
1.3.3 病理切片盒設計與打印 將上述配準后的骨盆腫瘤MRI 數(shù)據(jù)和骨盆腫瘤3D 模型數(shù)據(jù)導入到SenseCare 軟件中,為其做拔模操作。使用編輯器工具設計病理切片時的引導槽。為防止切割引導槽中間的層面在切割時晃動,影響切片的準確性,在切片盒內部添加8 ~10 根細柱進行加固,最后將拔模處理后的切片盒導出為STL文件。用3D 打印機(聯(lián)泰,中國,lite 450Hd)打印病理切片盒。具體方案:打印材料采用光敏樹脂MED 610(Stratasys,以色列),全尺寸打印。
標本用10%甲醛固定后,按照骨組織延伸的方向放入切片盒內,采用病理大切片技術,使用骨組織病理切片機(EXAKT,德國,EXAKT 312 金剛石切骨機),按照3D 打印病理切片盒所設定的坐標系,將原始樣本縱向片狀精密切割,以便后期制片與其在體內的解剖方向相匹配,片狀厚度≤5 mm,然后采用網(wǎng)狀格分切標準樣本,每個樣本4.5 mm×4.5 mm 以內。采用15% EDTA 脫鈣液進行骨組織脫鈣,脫水浸蠟包埋后切片進行蘇木精-伊紅染色(hematoxylin-eosin staining,H-E staining)。切片制作完成后,使用病理數(shù)字化掃描儀進行數(shù)字化掃描,在數(shù)字化病理切片的最小分辨率上,將所有圖像進行旋轉、翻轉、縮放、拉伸等操作后,完成整層病理圖像拼接和三維層次配準及重建。在數(shù)字化病理切片的最大分辨率上,由病理醫(yī)師進行病理分析,選定要分析的腫瘤區(qū)域獲得靶向組織樣本進行放射病理學分析。研究流程見圖1。
圖1 影像病理對照研究Fig 1 Image-pathology control study
本研究共納入骨盆腫瘤患者5 例,其中男性患者4 例,女性患者1 例?;颊吣挲g26 ~65 歲,平均年齡(46.40±15.66)歲,其中良性1 例,惡性4 例;根據(jù)2013 版WHO 骨腫瘤新分型標準[18],骨軟骨瘤1 例,軟骨肉瘤3 例,漿細胞瘤1 例;根據(jù)Enneking 骨盆腫瘤分區(qū)方法,患者累及Ⅰ區(qū)1 例、累及Ⅰ+Ⅱ區(qū)2 例、累及Ⅰ+Ⅱ+Ⅲ區(qū)1 例,累及股骨患者1 例。所有患者均成功地接受了骨腫瘤切除術,并完全切除了骨腫瘤。術后骨腫瘤最大直徑平均值為(13.96±2.42)cm。患者統(tǒng)計資料、腫瘤特征、手術數(shù)據(jù)及病理診斷見表2。
表2 患者臨床資料Tab 2 Information of patients
通過SenseCare 軟件成功重建骨盆腫瘤患者骨盆骨性結構和腫瘤軟組織三維模型,以及設計個體化3D 打印病理切片盒。所有患者打印了患者特異性的個體化3D 打印病理切片盒。病理切片盒平均重約2 500 g,平均成本約為2 500 元(2 000 ~3 000 元)。研究納入的5 例患者的腫瘤標本均能與3D 打印病理切片盒準確擬合。對于第1例患者(圖2),術前MRI 圖像對應層面(圖2D)與術后腫瘤標本MRI 圖像(圖2E)相一致,為其創(chuàng)建的正方體的3D 打印病理切片盒(圖2H),能貼合標本,并且不同病理層面腫瘤區(qū)域獨特的腫瘤特征實現(xiàn)與相應MRI 層面共定位(圖2J)。但正方體的3D 打印病理切片盒需要消耗大量的光敏樹脂材料,打印成本會增加;此外,正方體的3D 打印病理切片盒壁厚,病理切割需要一定的時間。因此,改進實驗設計,對于另外4 例患者,設計打印了貼合腫瘤輪廓的不規(guī)則形3D 打印病理切片盒(圖3H),并對切片盒邊緣進行圓滑處理,打印體積降低,打印成本大幅減少;其次,在保留切片盒一面壁平整的情況下減少了壁的厚度,使病理切割過程快速、便捷。
患者,男性,35 歲,左髖部疼痛半年余,以“左側股骨近端骨腫瘤”收治本院骨科。術前CT、MRI 增強檢查示左側股骨近端巨大腫瘤,股骨頸骨質成膨脹、侵襲樣生長,腫瘤最大直徑12.40 cm;患肢遠端運動、感覺、循環(huán)正常。骨盆CT、MRI 數(shù)據(jù)導入SenseCare 軟件,重建骨盆CT 圖像骨性結構和MRI 圖像軟組織結構,結合患者胸部CT 平掃圖像,評價病變范圍,術前規(guī)劃手術切除范圍,并生成骨腫瘤三維模型,導出STL 文件。手術切除后骨腫瘤標本CT、MRI 數(shù)據(jù)導入SenseCare 軟件,與術前影像數(shù)據(jù)配準,設計個體化3D 打印病理切片盒并打印。將固定好的骨腫瘤標本放入病理盒中,進行切片染色,病理結果為軟骨源性腫瘤,細胞輕度異型,符合軟骨肉瘤Ⅰ級。特定腫瘤區(qū)域組織樣本放射病理學分析如圖3 所示。術后腫瘤標本MRI 圖像(圖3J)與術前患者MRI 圖像對應層面(圖2K)相一致。不同病理層面腫瘤區(qū)域獨特的腫瘤特征實現(xiàn)與相應MRI 層面共定位(圖2J)。在圖4中,骨腫瘤按照骨組織延伸的方向放入切片盒內,因切片盒內頭端(圖4C)和尾端(圖4B)骨性結構,骨腫瘤在切片盒內受到限制,實現(xiàn)骨腫瘤與切片盒的精確貼合,保證術后組織在切片盒中定位的準確性。
圖2 3D 打印病理切片盒病理切片流程圖Fig 2 Pathological section diagram of 3D printing pathological section box
術前準確判定腫瘤邊界是實施骨盆腫瘤精準手術切除的基礎,而病理學信息是衡量影像判定邊界是否準確的依據(jù)。在既往骨腫瘤影像與病理對照的共定位研究中,研究者多選擇最大病理切面同影像圖像比較,這種特定面點對點的對比,獲取的病理信息有限,而且不能實現(xiàn)病理圖像與相應的影像圖像對應。目前,已有學者應用3D 打印技術制作切片盒,以實現(xiàn)MRI 圖像與病理切片三維圖像的準確配準[19-20]。關于使用3D 打印病理切片盒進行MRI 與組織病理學相關性的報道主要局限于前列腺等小的軟組織標本。Costa 等[21]報道了體內MRI 圖像和體外前列腺標本的配準,使用患者特異性MRI 衍生的病理切片盒切片與常規(guī)包埋切片相比,前列腺內部結構的配準也得到了改善,包括周邊區(qū)、移行區(qū)、腫瘤輪廓的勾畫。其次,也有學者在腦、肝臟以及腎臟組織結構方面開展了相關的研究[12-14],并對于提升病理標本和術前影像成像的一致性開展了一定的探索,然而這些研究中用于病理切片盒設計的影像數(shù)據(jù)是術前腫瘤影像圖像分割建模的結果,而腫瘤術后切除標本除了腫瘤本身,還帶有部分正常組織,影響切除標本與病理切片盒的擬合程度,進而影響影像與病理共定位的準確性。
圖3 典型病例的3D 打印病理切片盒在骨腫瘤邊界的應用Fig 3 Application of 3D printing pathological section box to typical cases in the boundary of bone tumor
圖4 3D 打印病理切片盒與骨腫瘤標本的擬合程度的CT 圖像Fig 4 CT images of fitting degree of 3D printing pathological section box and bone tumor specimen
本研究提出的創(chuàng)新病理切片盒,根據(jù)體外CT/MRI 成像與體內CT/MRI 成像配準后圖像設計而成。切片盒定義了特定的切片平面,與MRI 掃描層的骨腫瘤方向和位置相同,將配準問題從3D 問題簡化為2D 問題。骨腫瘤組織可以固定在切片盒內,以支持骨腫瘤的病理檢查,而不改變它,并有助于組織切片后續(xù)配準到體內MRI。我們設計的獨特之處包括允許將組織固定在切片盒中,以保持其體內形狀,一個邊緣光滑處理的外部形狀,適合CT/MRI掃描。切片盒所具有的坐標系,為精確的樣本定位提供指導。這種改進的病理切片盒設計提供了在固定后或固定前使用高分辨率體外CT/MRI 掃描切片盒內骨腫瘤的可能性,從而獲得與體內MRI 具有相同方向和位置的相應體外CT、體外MRI 和組織切片。這為解決各種研究問題提供了許多可能。
本研究基于3D 打印的患者特異性病理切片盒,將同一骨盆腫瘤的MRI 特征與組織病理學特征相關聯(lián)。首先,薄層體外CT 圖像可作為組織學圖像和體內MRI 圖像配準的中間參考圖像?;陬I域特征點提取和匹配的的點云配準并結合剛體變換配準算法剔除錯誤點對的匹配,以實現(xiàn)最佳配準[17]。高細節(jié)的腫瘤標本體外CT 圖像很容易與基于切片盒的體內MRI 圖像進行配準,為指導組織學切片與體內MRI 的非剛性配準提供了一套豐富的影像特征。其次,利用高三維分辨率和對比度的CT掃描切片盒內骨腫瘤,可以驗證切片盒配準的基本假設。再次,切片盒允許在腫瘤區(qū)域收集目標組織樣本,這些區(qū)域在體內表現(xiàn)出特定的特征,如不同的血流、水擴散率或脂肪含量。此外,定量MRI 技術與患者特異性3D 腫瘤病理圖像的結合為基于客觀定量成像和組織數(shù)據(jù)的放射組學、放射基因組學分析、紋理分析和機器學習算法提供了新的機會[22-24]。
本研究還具有一定的局限性。首先,研究中所設計的3D 打印病理切片盒的打印成本通常為2000 元~3000 元不等,而模型打印時間需12 ~14 h。研究相關的成本和時間會隨著3D 打印技術的進步節(jié)省和縮短。其次,術后組織形變影響配準的準確性。研究所采用的圖像配準方法可對領域特征點提取和匹配,并對標本手術體積損失和軸向平面方向進行補償,具有較高的準確性;研究通過在MRI 圖像上顯示術后CT 圖像骨性結構輪廓,觀察2 次配準間的效果,從最大限度上減小所帶來的影響。再次,共定位研究的準確性受術中的形變、組織固定后組織的變形和收縮、切片技術等諸多因素的影響。研究所探究的骨盆腫瘤中的骨組織具有天然支撐作用,可以在一定程度保證術前術后結構的相似性。
綜上所述,本研究提出了一種依據(jù)骨盆腫瘤的CT/MRI 間圖像配準的方法設計特異性3D 打印病理切片盒的解決方案,該方案可保證術前MRI 掃描方向與術后病理切片方向的一致性,從而實現(xiàn)骨盆腫瘤組織病理學信息在體內MRI 圖像中的協(xié)同定位。研究將為術前MRI 圖像判定和骨盆腫瘤邊界準確性評估提供有力工具,并隨著納入病例的增加和組織病理信息的完善,最終為揭示骨盆腫瘤邊界MRI 信號的表現(xiàn)特點以及腫瘤的浸潤生長狀態(tài)提供堅實的數(shù)據(jù)支持,從而進一步規(guī)范骨盆腫瘤診療過程,提升骨盆腫瘤患者預后。
參·考·文·獻
[1] 湯小東, 郭衛(wèi). 骨盆原發(fā)惡性腫瘤的切除與重建[J]. 中華外科雜志, 2008, 46(12): 904-907.
[2] Eilber FR, Grant TT, Sakai D, et al. Internal hemipelvectomy: excision of the hemipelvis with limb preservation. An alternative to hemipelvectomy[J]. Cancer, 1979, 43(3): 806-809.
[3] Jin T, Deng ZP, Liu WF, et al. Magnetic resonance imaging for the assessment of long bone tumors[J]. Chin Med J, 2017, 130(21): 2547-2550.
[4] Putta T, Gibikote S, Madhuri V, et al. Accuracy of various MRI sequences in determining the tumour margin in musculoskeletal tumours[J]. Pol J Radiol, 2016, 81: 540-548.
[5] Sundaram M, McGuire MH, Herbold DR, et al. Magnetic resonance imaging in planning limb-salvage surgery for primary malignant tumors of bone[J]. J Bone Jo Surg Am Vol, 1986, 68(6): 809-819.
[6] 喻紫晨, 肖兢, 徐海聲. 四肢骨肉瘤患者的治療及預后分析[J]. 實用癌癥雜志, 2014, 29(2): 199-201.
[7] Kim TK, Choi BI, Park SW, et al. Gadolinium mesoporphyrin as an MR imaging contrast agent in the evaluation of tumors[J]. Am J Roentgenol, 2000, 175(1): 227-234.
[8] 上官景俊, 徐文堅, 李文, 等. 骨腫瘤與瘤樣病變周圍組織影像表現(xiàn)分析[J]. 中華放射學雜志, 2011, 45(5): 463-467.
[9] 曲揚, 艾松濤, 楊飛, 等. CT 和MRI 圖像配準融合聯(lián)合3D 打印技術在難治性骨盆腫瘤術前規(guī)劃中的應用[J]. 上海交通大學學報(醫(yī)學版), 2017, 37(9): 1238-1244.
[10] 曲揚, 艾松濤, 武文, 等. 3D 打印個體化導板在骨腫瘤經(jīng)皮穿刺活檢中的初步應用[J]. 上海交通大學學報(醫(yī)學版), 2018, 38(9): 1053-1058.
[11] Bastawrous S, Wake N, Levin D, et al. Principles of three-dimensional printing and clinical applications within the abdomen and pelvis[J]. Abdom Radiol, 2018, 43(10): 2809-2822.
[12] Dwivedi DK, Chatzinoff Y, Zhang Y, et al. Development of a patient-specific tumor mold using magnetic resonance imaging and 3-dimensional printing technology for targeted tissue procurement and radiomics analysis of renal masses[J]. Urology, 2018, 112: 209-214.
[13] Absinta M, Nair G, Filippi M, et al. Postmortem magnetic resonance imaging to guide the pathologic cut: individualized, 3-dimensionally printed cutting boxes for fixed brains[J]. J Neuropathol Exp Neurol, 2014, 73(8): 780-788.
[14] Trout AT, Batie MR, Gupta A, et al. 3D printed pathological sectioning boxes to facilitate radiological-pathological correlation in hepatectomy cases[J]. J Clin Pathol, 2017, 70(11): 984-987.
[15] Baldi D, Aiello M, Duggento A, et al. MR imaging-histology correlation by tailored 3D-printed slicer in oncological assessment[J]. Contrast Media Mol Imaging, 2019, 2019: 1071453.
[16] Mikhail AS, Mauda-Havakuk M, Partanen A, et al. Liver-specific 3D sectioning molds for correlating in vivo CT and MRI with tumor histopathology in woodchucks (Marmota monax)[J]. PLoS One, 2020, 15(3): e0230794.
[17] Jauer P, Kuhlemann I, Bruder R, et al. Eきcient registration of high-resolution feature enhanced point clouds[J]. IEEE Trans Pattern Anal Mach Intell, 2019, 41(5): 1102-1115.
[18] 王朝夫, 朱雄增. 第4 版WHO 骨腫瘤分類解讀[J]. 中華病理學雜志, 2013, 42(10): 652-654.
[19] Priester A, Wu H, Khoshnoodi P, et al. Registration accuracy of patient-specific, three-dimensional-printed prostate molds for correlating pathology with magnetic resonance imaging[J]. IEEE Trans Biomed Eng, 2019, 66(1): 14-22.
[20] Wu HH, Priester A, Khoshnoodi P, et al. A system using patient-specific 3D-printed molds to spatially align in vivo MRI with ex vivo MRI and wholemount histopathology for prostate cancer research[J]. J Magn Reson Imaging, 2019, 49(1): 270-279.
[21] Costa DN, Chatzinoff Y, Passoni NM, et al. Improved magnetic resonance imaging-pathology correlation with imaging-derived, 3D-printed, patientspecific whole-mount molds of the prostate[J]. Investig Radiol, 2017, 52(9): 507-513.
[22] Do BH, Langlotz C, Beaulieu CF. Bone tumor diagnosis using a na?ve Bayesian model of demographic and radiographic features[J]. J Digit Imaging, 2017, 30(5): 640-647.
[23] Huang L, Xia W, Zhang B, et al. MSFCN-multiple supervised fully convolutional networks for the osteosarcoma segmentation of CT images[J]. Comput Methods Programs Biomed, 2017, 143: 67-74.
[24] Zhang R, Huang L, Xia W, et al. Multiple supervised residual network for osteosarcoma segmentation in CT images[J]. Comput Med Imaging Graph, 2018, 63: 1-8.