原发性脑肿瘤动态对比增强磁共振成像数据的可靠性:Tofts模型与快门速度模型的比较
本研究对14例原发性脑肿瘤患者的DCE-MRI数据,用Tofts模型、扩展Tofts模型、快门速度模型、扩展快门速度模型及无效应模型进行拟合,以AIC构建三维模型选择图,并用噪声传播评估参数变异系数。结果显示无效应模型在35.5%体素拟合最佳,扩展Tofts模型32%、Tofts模型28.2%、快门速度模型4.3%、扩展快门速度模型<0.1%;以CV<20%为阈值时仅约25%体素稳定。
要点
- 脑肿瘤DCE-MRI中无效应模型在35.5%体素拟合最佳,提示标准模型拟合在超过三分之一体素不成立。
- 以CV<20%为可靠性阈值,仅约25%体素Ktrans稳定,其余75%体素被认为不可靠。
- 快门速度模型仅在4.3%体素最佳,扩展快门速度模型最佳比例<0.1%。
核心结论
- 多数脑肿瘤DCE-MRI研究仅用单一模型和全肿瘤统计量;合适的模型选择结合参数可靠性与稳定性分析对处理稳健的脑肿瘤DCE-MRI数据至关重要。
研究设计与样本
- 前瞻性研究,纳入14例原发性脑肿瘤患者(男7例、女7例,年龄23–73岁,平均40岁),3-T Siemens Verio MRI系统、32通道头线圈,术前采集DCE-MRI,术后组织病理为参考。
诊断标准与关键数值
- 全患者模型选择图显示无效应模型拟合最佳占35.5%体素,扩展Tofts模型占32%,Tofts模型占28.2%,快门速度模型占4.3%,扩展快门速度模型占<0.1%。
临床应用与阅片要点
- 分析脑肿瘤DCE-MRI时应考虑模型选择,纳入组织生物学及其对血脑屏障通透性和交换条件的影响。
- 处理DCE-MRI数据时应评估所计算参数的可靠性和稳定性,而非仅用单一模型和全肿瘤统计量。
局限性
- 原文在讨论中指出多数研究仅用单一药代动力学模型并对全肿瘤体积平均值做统计分析,忽略了脑肿瘤血管和血管通透性的异质性。
- 原文指出药代动力学研究常显示不同且不一致的结果,使该定量技术的可靠性受到质疑。
- 原文指出DCE-MRI数据分析受采集方案(空间与时间分辨率的权衡)和定量过程影响。
全文中译16 节 · 点击展开
引言
动态对比增强磁共振成像(DCE-MRI)是一种非侵入性方法,通过分析在静脉(IV)注射钆基对比剂(CA)之前、期间和之后采集的T1加权MR图像,可对组织灌注和通透性进行量化。
如今,DCE-MRI在广泛的肿瘤学研究中得到应用。在脑肿瘤中,Tofts模型(TM),也称为标准模型,及其扩展版本(EMT),被常规应用[1–6]。文献中有少数将快门速度模型(SSM)应用于脑肿瘤的实例[7, 8],而其主要用于乳腺癌[9]、前列腺癌[10]和肝细胞癌[11]的研究。扩展快门速度模型(ESSM),也称为第二代快门速度模型,或BALDERO(血药浓度依赖和血管外渗弛豫概述),此前仅在肝细胞癌[12]和模拟数据[13]中得到应用。这四种模型假设CA在血管内间隙和组织间质之间自由通过。然而,在血脑屏障(BBB)完整的情况下,该假设不成立,此时渗漏可忽略不计。在这种情况下,CA在团注首过时仅影响血管内T1值。此外,脑肿瘤的血管成分具有异质性,某些区域可能无灌注(如坏死区域)。因此,我们还实施了一种无效应模型(NEM),该模型假设CA对体素T1特性的影响可忽略不计。
在过去十年中,DCE-MRI脑数据的药代动力学研究数量有所增加,因为已发现该量化技术可指示脑肿瘤的恶性分级[14]。然而,在分析DCE-MRI数据时需要考虑两个主要问题。首先,药代动力学研究常显示不同且不一致的结果,从而使该量化技术的可靠性受到质疑[15, 16]。事实上,DCE-MRI数据分析受到以下因素的影响:(a)采集方案(空间分辨率与时间分辨率之间的权衡)[17]和(b)量化流程。此外,大多数研究仅呈现应用单一药代动力学模型的结果以及对整个肿瘤体积评估的平均值的后续统计分析[18–20]。这种方法完全忽略了脑肿瘤血管系统和血管通透性特有的异质性。
在这项前瞻性研究中,我们探讨DCE-MRI脑数据药代动力学建模的稳健性。我们基于Bagher-Ebadian等人[3]的先前工作,提出一种基于模型选择程序识别可靠DCE-MRI数据的方法,并进行稳定性检验:评估五种不同的药代动力学模型(TM、ETM、SSM、ESSM和NEM),并使用赤池信息准则指数进行模型选择;然后,我们通过噪声传播程序,以变异系数(CV)评估从所选模型中提取的每个参数的稳定性。
材料和方法
患者人群
本研究招募了14例原发性脑肿瘤患者(7例男性,7例女性;年龄23–73岁,平均40岁)。当地伦理委员会给予伦理批准,并获得所有患者的知情同意。患者在诊断时、接受任何治疗之前进行了MRI检查。手术后,组织病理学数据显示3例患者为WHO IV级胶质母细胞瘤,2例患者为WHO III级星形细胞瘤,2例患者为WHO III级少突胶质细胞瘤,3例患者为WHO II级星形细胞瘤,3例患者为WHO II级少突胶质细胞瘤,1例患者为WHO I级胚胎发育不良性神经上皮肿瘤。
DCE-MRI数据采集
MR图像在3-T Siemens Verio MRI系统上使用32通道头线圈采集;包括增强前和增强后T1加权图像、T2-FLAIR图像以及具有可变翻转角增强前T1映射采集的DCE序列。DCE-MRI方案包括在五个不同翻转角(2、8、12、15、20、26)下的五个增强前扰相梯度回波(SPGRE)3D vibe序列,以及一个动态3D vibe序列(TR = 3.34 ms,TE = 0.99 ms,翻转角 = 26,FOV 240 × 240 mm,采集矩阵128 × 128,层厚5 mm,层间距1 mm,80个容积)。为了获得对比剂(CA)注射前、注射期间和注射后的采集,在第五次采集时使用动力注射器以3 ml/s的流速注射0.1 mmol/kg体重的钆-二乙烯三胺五乙酸(Gd-DTPA,Gadovist),随后立即注射20 ml盐水溶液。3D采集使我们能够覆盖整个大脑;采集了80个时间点,平均时间分辨率為2.89 s,总采集时间约为4 min。
DCE-MRI数据分析
感兴趣容积(VOI)由一名放射科医生绘制,并由一名顾问神经放射科医生确认,针对每例患者围绕T2-FLAIR高信号区域以及在表现正常的对侧白质中一个直径2 cm的圆形区域绘制。DCE-MRI数据使用MATLAB(Mathworks,R2017a)编写的半自动化内部软件进行分析。在应用任何上述药代动力学模型之前,我们使用在不同翻转角下采集的SPGRE增强前图像集,通过Ernst公式(假设TE < <T2*)计算基线弛豫率(R10)和弛豫信号(M0)作为3D图[21]:其中α为翻转角,取值为[(2、8、12、15、20、26]),TR为3.34 ms。按照Liberman等人在[22]中描述的方法,将Eq. 1重新表述为线性回归系统(y = cx + d),得到:其中 。
因此可以估计斜率c = E和截距d = M0(1 − E),并继续从[22]出发,R10和M0可通过以下公式获得:
然后,使用增强后动态序列的信号强度数据计算每个动态期的4D(x, y, z, t)注射后纵向弛豫率R1(t)图:其中α = 26,A = S(t) − S(0)/M0 sin(α),B = (1 − E)/1 − E · cos(α)。S(0)和S(t)分别为增强前注射信号强度和动态期t的信号[23]。
确定纵向弛豫率以计算CA浓度。这是通过CA浓度[CA]与测得的H2O MR信号之间的校准来完成的。这可以通过如下所述的线性或非线性关系建模。
Tofts模型(TM)
在将Tofts模型应用于脑肿瘤时,我们通过容积转运常数Ktrans表达了示踪剂在两个充分混合的隔室(血液和血管外细胞外间隙)之间的通量[24]。TM也称为标准模型,假设血浆隔室可忽略不计,能够描述血管化较弱的脑组织。更重要的是,它假设R1与[CA]呈线性依赖关系(这等同于假设跨细胞膜水平衡动力学处于快速交换极限(FXL)):其中r1是CA的弛豫率。
对比剂从血浆向血管外细胞外间隙(EES)的外渗通过Kety-Schmidt速率定律来描述[25]:其中Ktrans是血浆向间质CA转运的一级速率常数(min−1),ve是EES容积分数的量度。
Ktrans与ve的比值得到第三个药代动力学参数kep,即回流速率常数(min−1)。[CA0]和[CAp]分别是CA在“外部”间隙(血管外细胞外间隙)和血浆中的浓度。[CAp]也称为动脉输入函数(AIF)。公式6的拟合使用MATLAB内置的fminsearch函数完成,该函数使用Lagarias等人[26]所述的Nelder-Mead单纯形算法。最小化过程以体素为单位进行,以获得每个药代动力学参数的三维图。我们将Ktrans和ve的输入值分别设为0.1和0.01,并以10,000次迭代和10−8的容差运行算法。拟合过程还使用用户开发的MATLAB函数fminsearchbnd进行[27]。该函数考虑了输出值设置中的边界,边界设置为仅考虑正值。通过使用公式7估计每种方法的赤池信息准则(AIC),对两种函数的结果进行了拟合优度比较:其中n是数据点数,k是拟合参数数,RSS是残差平方和[28]。
一般而言,使用AIC进行模型选择时,AIC值最低的模型是在复杂度(即参数数量)和拟合优度(即较低的RSS)之间取得最佳平衡的模型。在本例中,由于参数数量相同,因此仅检验拟合优度。通过比较有界和无界过程的AIC图,可以估计最终的Ktrans、kep和ve图,其中每个体素的值来自拟合优度最佳(AIC最低)的拟合过程(图1)。
快门速度模型(SSM)
TM及其扩展版本(2.3.3)都隐含了一个假设,即跨细胞膜水平的水交换(在细胞内间隙与细胞外血管外间隙之间)处于平衡状态且无限快,或者说系统处于所谓的快速交换极限 [29]。细胞内间隙与细胞外血管外间隙之间的水交换会影响CA引起的T1缩短程度。为了考虑这种效应对脑MRI信号幅度的影响,我们应用了快门速度模型(SSM),该模型引入了一个新的药代动力学参数,即细胞内水分子平均寿命,τi [29]。
在SSM中,式5应用于CA在血液中的分布,而不假设平衡跨细胞膜水交换动力学处于FXL。纵向弛豫率测量为:其中b代表全血,p代表血浆,h代表血细胞比容。然而,血液中约一半的水是细胞内的,CA分子无法直接接触 [30]。因此需要考虑红细胞外的转运,如两个平衡所描述:
常用CA中的平均水分子寿命通常< 10−7 s,线性式5适用于均匀溶液。对于红细胞,对于某些常用测量的[CAp]值,式10也被认为是快速的 [30, 31]。外渗后,CA通常分布到间质细胞外间隙,其速率定义为:其中R1*(t)是血管外水信号的速率常数,r10是间质CA弛豫率,p0是细胞外组织水的分数。将式11应用于生物组织假设间质是均匀溶液且系统保持在快速交换极限。然而,许多研究表明,即使式10中的平衡是快速的,对于团注注射后所有[CA0]值,FXL假设并不成立 [30]。[CA0]取决于实质细胞的尺寸,其实质细胞通常远大于红细胞且细胞膜水通透性较低。此外,组织实质不能被视为单一均匀溶液,单个MRI体素将构成多个隔室。这种隔室化的主要结果由下式给出:其中R1L(t)是快门速度模型的长弛豫率常数。R1i是在没有CA交换时的H2O速率常数,τi是水分子的平均细胞内寿命。SSM通过将式12代入式6使用MATLAB函数fminsearch和fminsearchbnd进行拟合,与TM类似。SSM的Ktrans和ve的初始估计值取自TM的输出,而τi的初始估计值设为0.1 [13]。最终的Ktrans、kep、ve和τi图来自拟合过程,选择最佳拟合(最低AIC值),如Fig. 1所述。
扩展Tofts模型(ETM)
对于高灌注脑组织,我们应用了TM的扩展版本,由Tofts于1999年提出 [32]。ETM用一个额外参数拟合数据:血浆体积分数,vp [32]。该模型能够区分造影剂渗漏效应与血管内造影剂效应。式6变为:
通过使用MATLAB函数fminsearch和fminsearchbnd将式13代入式6来拟合ETM,与TM和SSM类似。ETM的Ktrans和ve的初始估计值再次取自TM的输出,vp的初始估计值设为0.01 [13]。最终的Ktrans、kep、ve和vp图通过如图1所述的最佳拟合(最低AIC)拟合过程获得。
扩展快门速度模型(ESSM)
ESSM考虑了来自脑血浆室的对比剂(CA)的贡献。这包括vb(血容量分数)和τb(血管内水分子寿命)[13]。水信号的贡献来自三个隔室(全血、细胞外间隙和细胞内空间),并由Bloch方程的矩阵形式描述[13]:其中列向量为M = (Mb, Mo, Mi)和C = (Mb0R1b, Mo0R1o, Mi0R1i),1H2O磁化矢量M ≈ 信号S。交换矩阵X由下式给出:
下标b、o和i分别代表血液、细胞外空间和细胞内空间。kbo(= 1/τb)代表水从血液到间质的转移;kio(= 1/τi)代表水从细胞内空间到间质的转移;kob(与1/τo成正比)代表EES到血液的转移,koi代表EES到细胞内的转移[13]。对于SPGR序列,式13的解是Ernst-Anderson关系的矩阵形式[33],该关系假设如果在采集期间[CA]的变化相对较小,则在每个离散数据采集时间点,弛豫时间可使用下式估计:
I是单位矩阵,S0(= (Sb0, So0, Si0))是基线信号。
ESSM通过将测量的信号E(t)视为三个隔室(血液、细胞外空间和细胞内空间)信号的组合来进行拟合[12],使用:
此外,式16简化为:其中列向量为S = (Sb, So, Si)和 。
通过使用MATLAB函数fminsearch将式18代入式17来拟合该模型。SSM模型的输出用作Ktrans和vo的初始估计值,测量信号的三分之一用作Sb0、So0和Si0的初始估计值。此外,kbo、kob、koi和kio的初始估计值取自文献定义值,分别为1.2、1.5、1.1和1.2 [13]。还推导了以下参数:τb = 1/kbo,τi = 1/kio,vb = (kob − koi − ((kio/vo)fw) − kio)/((kbo + kio)/vo),其中fw是可被移动水性溶质接近的组织体积分数(假定为常数并设为0.8),vi = 1 − (vb + vo) [13]。
无效应模型(NEM)
无效应模型描述的是脑体素内[CA]极低以至于不存在渗透性或血管充盈的情况。在这种情况下,假定MR信号不受钆基对比剂注射的扰动,因此纵向弛豫率不偏离其基线值(R10)。因此该系统在所有时间点均由该值描述,使得数据由常数R10拟合。
动脉输入函数(AIF)
在颈外动脉周围额外勾画一个感兴趣区(ROI),用于计算图像衍生的动脉输入函数(AIF)[34](图2)。以对比剂首过前的基线信号强度作为参考,将血细胞比容设为0.45,并从T10图中获取基线血液T1值,通过公式8将信号强度曲线转换为R1-时间曲线。
模型比较
使用AIC进行模型比较,以检验给定体素中的最佳模型。特别是在存在交换的情况下(此时NEM无法描述数据),进行体素水平的模型间比较(ETM和SSM是TM的扩展,ESSM是SSM的扩展),以指示哪个模型在每个体素中使用AIC提供了最佳拟合。选择方法如图3流程图所示。在体积掩模(与原始肿瘤体积掩模尺寸相同)中,选择结果分别以1、2、3、4或5表示TM、ETM、SSM、ESSM和NEM。评估每个掩模中1、2、3、4和5的百分比,以量化模型选择的频率。模型选择图用于构建Ktrans、kep和ve的最终药代动力学图,其中每个体素的值是所选模型(最低AIC)拟合的结果。
药代动力学参数的稳定性
在完成模型选择后,在模拟环境中评估所选模型内各参数的稳定性。从提取的药代动力学参数反向生成组织曲线,并使用公式4的逆公式计算信号强度曲线。以信噪比(SNR)为20向信号强度曲线添加高斯白噪声。模拟数据的SNR值通过使用减影法[35]评估动态采集序列第二期和第三期所获数据的SNR来设定。将模拟的含噪信号强度曲线重新转换为含噪组织浓度曲线,并拟合至所选药代动力学模型。该过程对每个动力学参数重复500次,各参数的变异性以变异系数(CV)表示:即标准差与均值之比的百分比。
结果
模型选择与参数变异性
通过研究每个模型的拟合质量来评估每个模型的表现。输入数据连同拟合曲线均按输入数据的最大值进行归一化,以便比较不同拟合的结果。拟合比较的一个示例如图4所示。对于每个肿瘤,构建了模型间统计比较结果的图谱(图5)。在该图谱中,每种颜色代表体素级AIC值最低的模型:被选为最优模型且占低AIC多数的为NEM(35.5%的体素),其次为ETM(32%)、TM(28.2%)、SSM(4.3%)和ESSM(< 0.1%)。图5显示了针对两个不同病灶评估的模型选择图谱。此外,考虑模型选择程序,构建了Ktrans、kep和ve的最终药代动力学图谱。在最终药代动力学图谱中,每个体素由该体素内拟合最佳(AIC最低)的模型表示。对于这些图谱中的每一个,每个参数和每个病灶的稳定性以CV图谱的形式呈现。表1显示了最终Ktrans图谱的稳定性测试结果。显示了每位患者病灶的体素总数,以及在 whole tumour 上评估的平均Ktrans值。此外,对图谱分别以CV低于10%、20%和50%进行阈值处理,并显示所得的保留体素百分比(及其平均值)。图6显示了两个最终Ktrans图谱及其叠加的CV图谱(A和D)。
讨论
在本研究中,我们发现超过三分之一(35.5%)的脑肿瘤体素中,DCE-MRI数据的标准模型拟合无定论,因此将这些模型拟合到数据上会导致灌注参数不正确。考虑20%的变异系数(CV),仅约25%的剩余体素被认为是可靠的。通过改善定量DCE-MRI中的主要变异来源(采集方法和定量过程)[16],可以提高该技术的可重复性,从而提升其可靠性。然而,在大多数研究中,病变的内在异质性被忽略——即仅用单一药代动力学模型定量灌注,更重要的是,仅对单一全肿瘤统计量(通常为平均值)进行统计分析。在本研究中,我们聚焦于定量分析来探讨DCE-MRI的可靠性。我们考虑了由于血脑屏障(BBB)的存在以及坏死区域的存在所导致的脑肿瘤血管通透性的特别异质性特征,并提供了一种基于模型选择程序和稳定性检验来识别稳健DCE-MRI数据的方法。
DCE-MRI模型
MR扫描仪通常采用后处理灌注工具,使用TM(标准模型)拟合DCE数据。该模型(及其扩展版本[32])考虑系统处于快速交换极限(FXL)[36, 37],假设EES与细胞内空间之间存在无限快的跨细胞膜水交换,这不影响整体信号下降[36, 37]。因此,许多关于细胞膜水渗透系数的研究表明FXL在生理上不合理且不一致[38]。快门速度模型被引入以反映更真实组织环境。该模型考虑了间室间水交换效应,用平均细胞内水分子寿命τi来建模这种非无限快的交换。2005年,Li等人引入了第二代快门速度模型,该模型还考虑了非无限快的跨内皮水交换平衡。
模型比较与稳定性
脑肿瘤中存在的异质性意味着单一模型不足以解释不同肿瘤区域中存在的不同生物学特性。需要多种药代动力学模型才能完整描述组织。模型选择程序证实了这种变异性,该程序显示,在单个肿瘤的单个切片中,多种模型表现更好。这一结果证实了Bagher-Ebadian的研究,他们实施了一种基于嵌套模型的选择方法[3]。他们发现在肿瘤坏死核心中,由于缺乏血流,描述无微血管渗漏的血管充盈(类似于TM)和无血管重吸收的渗漏的模型被选中。他们还假设,描述伴重吸收渗漏的模型(类似于ETM)会在病灶快速生长的边缘区域被选中。我们的结果表明,肿瘤中存在许多区域,CA的外渗被BBB阻止,且CA浓度极低以致缺乏灌注证据。在这种情况下,推荐使用NEM,因为使用不同模型可能只会导致对数据的过拟合。事实上,我们的结果表明,CA无渗漏进入间质以及CA缺乏通过组织的流动,使得NEM成为大多数区域的首选模型,特别是在非强化病灶中(37.5%的体素)。该结果与ETM(32%)非常接近,ETM是强化病灶中的首选模型(54.8%)。这表明,在存在强化的区域,三参数模型表现更好,且选择取决于组织的潜在状态。事实上,ETM和SSM均通过三个参数拟合,但两个模型的第三参数差异很大(ETM的vp描述组织中的血管成分,SSM的τi描述跨细胞膜水交换)。此外,通过实施ESSM,我们发现跨内皮水交换对信号没有任何影响(与通过拟合更简单模型得出的参数相比)。必须考虑到ESSM需要拟合九个参数,而拟合额外参数的代价往往违背简约性原则。事实上,在将数据拟合到噪声受限的数据集时,估计可能非常差,并且依赖于优化过程本身(例如初始条件)[3]。我们比较了不同拟合程序的AIC值,以检验参数更多的模型是否比简单模型更合适。ESSM被< 0.1%的体素选为首选模型,表明三参数模型在描述脑肿瘤方面表现更好,并进一步证实了观察到ESSM模型拟合质量较差。我们的结果与Duan等人的结果一致[39]。使用具有代表性的计算机模拟和临床(宫颈癌)DCE-MRI数据,他们证明了复杂模型(参数> 3)对噪声的敏感性以及在低信噪比数据中被选中的概率降低[39]。
DCE-MRI数据的可靠性不仅取决于所选药代动力学模型的拟合优度,还取决于所提取参数的稳健性。为此,我们针对每个病灶和每个参数评估了变异系数。我们在模拟环境中工作,向信号中加入高斯噪声,并对含噪曲线进行了500次拟合。该过程导致CVs呈异质性分布,且与对比增强无关。事实上,图6展示了四条不同组织活性曲线及其Ktrans值和CV的图,分别来自一个强化肿瘤和一个非强化肿瘤。图6b、c中的曲线属于同一强化病灶,虽然它们对应的Ktrans值相近,分别为0.81和0.52 [1/min],但其变异分别为12%和128%。另一方面,图6e、f中的曲线属于同一非强化病灶,显示既有低变异性(4%)又有高变异性(97%)的区域。
我们为CV设定了三个不同的阈值来评估Ktrans的变异性。表1显示了在每个病灶和每位患者中,不同CV阈值(10%、20%和50%)下的体素百分比及其对应的平均Ktrans值。更高级别的胶质瘤往往有更多低CV的体素,且Ktrans值也更稳定;而对于其他一些患者,Ktrans的平均值受所考虑体素比例的影响很大(P04、P07)。这一结果证实了在脑肿瘤统计比较中不当使用单一平均值的问题。不仅因为所研究组织的异质性,更重要的是因为它受到体素内拟合可靠性的影响。
最后,图6以图形方式展示了这一效应,显示在CV 20%阈值下的Ktrans值仅覆盖25%的体素(为所有患者中评估的平均百分比值)。这一结果表明,只有这一部分体素代表了稳健的值,可用于后续统计分析,更重要的是可用于临床评估。然而,使DCE-MRI具有稳健性的阈值选择取决于所测量的效应量,因此会因研究而异。
本研究的主要局限性在于数据集规模较小。此外,DCE-MRI数据对水交换效应的敏感性因26°翻转角采集(交换最小化方法)而降低[40]。因此,所提取的τi参数的精度可能较低。
总之,DCE-MRI方法在不同病理生理条件下对渗透性和血管特性的无创在体定量评估具有很大前景。它使我们能够识别并定量测量影响血脑屏障(BBB)的病理条件下渗透性的较小变化,而这些变化通过对比增强后T1加权图像的肉眼评估是无法观察到的。不同模型产生不同的药代动力学参数,因此,基于区域组织生物学,特别是渗透性和血管系统,模型选择对于DCE-MRI时间过程的适当分析至关重要。未来的工作需要评估每种模型的生理学基础,以可靠地选择DCE-MRI数据。每种模型的适用性取决于肿瘤及肿瘤微环境的生理学、解剖学和异质性。此外,由于DCE-MRI数据的噪声特性,仅靠模型选择程序是不够的:药代动力学参数需要通过稳定性检验进行验证,以便仅为统计分析和临床评估提供稳健的结果。
引用
- Inglese M, Ordidge KL, Honeyfield L, et al. Reliability of dynamic contrast-enhanced magnetic resonance imaging data in primary brain tumours: a comparison of Tofts and shutter speed models. Neuroradiology. 2019. PMID: 31392385. doi:10.1007/s00234-019-02265-2
- 全文:PMC6848046(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6848046/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。