3T MRI化学位移编码质子密度脂肪分数评估乳腺密度
该回顾性研究纳入193名女性,采用3T MRI六回波水脂分离序列计算乳腺PDFF,并与乳腺X线视觉评估的ACR BI-RADS密度分级进行相关性分析。
要点
- 全乳腺PDFF与乳腺X线ACR密度分级呈强负相关,可区分四个类别。
- PDFF测量不依赖操作者,且无需电离辐射,易于整合进临床乳腺MRI流程。
- 纤维腺体组织PDFF与年龄相关,结合T2*可追踪乳腺组织构成变化。
关键影像表现/征象
- 全乳腺平均PDFF为76.1%,纤维腺体组织平均PDFF为7.7%。
- PDFF图显示脂肪与纤维腺体组织信号分离,纤维腺体组织表现为低PDFF信号。
诊断标准与关键数值
- 全乳腺PDFF在四个ACR类别间均有显著差异(Bonferroni-Holm校正后)。
临床应用与阅片要点
- PDFF可自动计算,不依赖操作者,适合整合到临床乳腺MRI协议中。
- 结合T2*可追踪乳腺组织构成变化,辅助个体化乳腺癌风险评估。
- 注意硅胶植入物和相位误差校正失败可能导致PDFF图不可评估。
局限性
- 未对PDFF与其他MR脂肪浓度测量方法进行验证。
- 未进行乳腺PDFF可重复性分析。
- 采用双极读出采集,少数数据集因相位误差校正失败而排除。
全文中译8 节 · 点击展开
引言
乳腺癌占女性所有确诊癌症的近25%,并且是全球女性癌症相关死亡的主要原因[1]。在筛查发现和有症状的患者中,高乳腺密度均已被确定为最强的独立危险因素之一,并与乳腺癌发病率增加两倍相关[2–4]。
在临床实践中,乳腺密度通过乳腺X线摄影中目测评估乳腺内不透X线的纤维腺体实质含量来进行评估,并根据美国放射学会(ACR)乳腺影像报告和数据系统®(BI-RADS®,第5版)分为4级:(A)几乎完全脂肪型,(B)散在纤维腺体密度型,(C)不均匀致密型,可能遮蔽小肿块,(D)极度致密型,会降低乳腺X线摄影的敏感性[5]。然而,若干局限性导致基于乳腺X线摄影的乳腺密度测量在读者内和读者间存在不一致的变异性。首先,技术操作需要对乳腺进行压迫,随后暴露于低剂量电离辐射。组织压迫或辐射暴露校准的轻微偏差即可能混淆乳腺密度测量[6]。此外,所得的三维身体二维投影在提供乳腺组成的客观比例方面能力有限[4]。总之,这些因素连同不可忽视的电离辐射有害暴露(尤其是在较年轻时),对乳腺X线摄影在评估乳腺密度和预测癌症风险方面的准确性和可靠性提出了挑战。
磁共振成像(MRI)为无需使用电离辐射即可对乳腺结构组成进行客观的体积量化提供了一种合适的替代方法。标准T1加权成像技术主要用于区分脂肪和纤维腺体乳腺组织[7, 8]。近期使用基于化学位移编码的水脂分离(Dixon成像)的研究改善了乳腺中脂肪与水质子信号分离的对比度。这些方法在区分脂肪和纤维腺体乳腺组织以及测量信号加权乳腺脂肪分数方面取得了良好结果,但依赖于成像方案和乳腺密度分割处理流程[9–11]。一种有前景的组织脂肪浓度定量生物标志物是基于水脂MRI的质子密度脂肪分数(PDFF)。PDFF定义为甘油三酯质子密度与甘油三酯和水质子总密度之比,因此能准确反映该组织内脂肪的浓度。PDFF值直接来源于自动计算的PDFF图,该图对采集参数的变化不敏感,使PDFF成为一种全面且临床实用的生物标志物[12–14]。在既往研究中,PDFF已成功与肌肉、胰腺和肝脏等不同结构组织相关联[15–17],并且仅在最近才被应用于乳腺密度评估[18, 19]。
因此,本研究的目的在于通过将质子密度脂肪分数的结果与临床实践中使用最广泛的乳腺密度测量方法——乳腺X线摄影——进行相关性分析,确立其作为乳腺MRI中脂肪组织浓度定量生物标志物的地位。
材料与方法
研究人群
这项经机构审查委员会批准的回顾性研究最初纳入300名绝经前和绝经后女性,其中193名女性(中位年龄48岁,范围29–81岁)在2020年8月至11月进行MRI扫描前1–15个月(中位9个月)内接受了数字乳腺X线摄影(图1)。乳腺影像学检查的指征为高危患者筛查、癌症患者监测或不明发现的进一步检查。
乳腺密度测量
二维乳腺X线摄影中的定性乳腺密度测量是目前临床实践中最广泛使用的乳腺密度评估方法,被用作临床标准参考。乳腺X线摄影使用全视野数字乳腺X线摄影设备(GE Healthcare)进行。由报告放射科医师(乳腺X线摄影经验4年)以及一名对研究设盲的独立阅片者(乳腺X线摄影经验1年)在同一场次中,在头尾位和内外侧斜位视图上对乳腺组织构成进行视觉评估,并按照美国放射学会(ACR)乳腺影像报告和数据系统®(BI-RADS®)第5版[20]进行分类。阅片者间信度使用Cohen's kappa评估。
此外,由相同的报告放射科医师和独立放射科医师在MR T1加权图像上按照ACR-BIRADS分类进行相同的视觉评估,并对乳腺X线摄影阅片结果设盲。
MR测量
每名女性均采用俯卧位,使用专用7通道乳腺射频(RF)线圈在3.0-T MRI扫描仪(Philips Ingenia,Philips Healthcare)中接受检查。除常规T1和T2加权序列外,常规纳入一个采用轴平面双极成像读出方式的六回波3D扰相梯度回波序列,参数如下:1.7 mm各向同性采集体素大小,视野(FOV,mm):AP = 220,RL = 440,FH = 190,TR/TE/ΔTE = 8.8/1.43/1.1,翻转角 = 3°,扫描时间:每个 stack 2分11秒。基于厂商实现方式(Compressed SENSE,Philips Healthcare)采用灵敏度编码(SENSE)与压缩感知的组合,加速因子等于3。该质子密度Dixon序列是临床常规方案的一部分,用于在注射对比剂前提供无伪影的3D脂肪抑制图像。
相位误差校正后,使用厂商的水脂分离算法(mDixon Quant,Philips Healthcare)在线进行水脂分离。水脂分离基于一个信号模型进行,该模型考虑了单一T2*衰减和预先校准的7峰脂肪谱,以考虑脂肪谱中多个峰的存在。生成所得的容积脂肪-only、水-only图像、PDFF图(图2)和T2*值。PDFF图自动计算为脂肪信号与脂肪和水信号之和的比值。由一名具有10年乳腺MR阅片经验的放射科医师和一名具有1年经验的放射科医师在同一场次中对常规MR原生T1加权图像中的乳腺密度按照BI-RADS分类进行视觉评估,并对研究设盲。
MR图像处理
乳腺密度分析在未受癌症、纤维腺瘤、囊肿、治疗后脂肪坏死或即刻放疗效应影响的乳房上进行,且无乳房增大或植入物,以尽量减少对乳腺密度分析的干扰。使用开源分割程序ITK-Snap(www.itksnap.org,版本3.8.0,图2G)[21],在仅脂肪图像上每隔一层手动勾画胸大肌与乳腺实质之间的边界,进行半自动乳腺分割。使用图像处理工具箱(MATLAB R2020b,The MathWorks)进行k均值聚类,并将FOV分为水、脂肪和背景信号。手动选择的边界通过膨胀步骤连接,并通过在AP方向上投影手动勾画来计算左侧和右侧乳腺的质心。质心位置和边界勾画均有助于使用图像处理工具箱中的“bwselect”将乳腺与胸部区分开。最后,自动提取整个乳腺的平均PDFF,以及分离乳腺中仅纤维腺体组织的平均PDFF和T2*。利用脂肪与纤维腺体组织之间的清晰分界以及20%的脂肪浓度截断值对纤维腺体组织进行分割,因为纤维腺体组织经验上含有极低脂肪信号(0–10%)。所有分割步骤均由同一操作者完成。图像分割的工作流程见图2。
统计分析
所有统计分析均使用开源软件R(R Foundation for Statistical Computing,版本1.3.1056,2020)进行。Shapiro-Wilk正态性检验显示,包括年龄在内的名义变量以及整个乳房和纤维腺体组织的PDFF和T2*呈非高斯分布。左右乳房的计算结果采用组内相关系数(ICC)进行比较,随后进行配对t检验。为减少偏倚,根据排除标准选择每位女性的一侧乳房进行进一步分析(图1)。乳腺X线摄影和基于MRI的乳腺密度估计的读者间信度采用Cohen kappa进行评估。Cohen kappa参考值采用McHugh等人[22]建立的标准。为检验分类乳腺X线摄影与名义MRI-based乳腺密度测量之间的一致性,计算Spearman相关系数r。为检验分类的、视觉估计的乳腺X线摄影与基于MRI的乳腺密度之间的关系,进行独立性卡方检验。将PDFF值相对于四个ACR乳腺密度类别进行绘制。为评估其一致性,进行Kruskal-Wallis检验,随后采用Bonferroni-Holm校正标准对多重比较的p值进行调整,因为其呈非高斯分布。为检验平均测量值的差异,使用配对t检验。双尾p值<0.05认为具有统计学意义。
结果
在138名女性中获得了可评估的PDFF图,因不同来源的伪影排除了55名患者。具体而言,21个数据集因存在硅胶植入物而被排除(当前的Dixon处理未考虑硅胶信号)。此外,34个数据集因脂肪定量中相位误差校正失败而被排除(图1)。相位误差校正步骤失败导致整个视野内脂肪分数值错误,最可能与成像视野大部分区域内肺部缺乏信号所致的相位误差估计错误有关。
患者和乳腺特征见表1。在该患者队列中,91名女性(66%)报告有乳腺癌病史,接受过手术保乳治疗(n = 58)和/或放疗、化疗及额外抗激素治疗的联合治疗(n = 46)。所有癌症患者的MRI随访均正常,无任何复发迹象。对右乳和左乳分别计算显示相似结果,乳腺密度和腺体组织的ICC范围为0.997至0.999(p < .001),配对t检验显示无显著差异(p = .94)。卡方检验显示视觉乳腺X线摄影与常规MRI-based乳腺密度读数之间存在显著关系(p < .001)。乳腺X线摄影乳腺密度评估的读者间信度较低(k = 0.5,95%置信区间[CI] 0.38, 0.62)[22]。常规MRI-based乳腺密度评估的评分者间信度为中等(k = 0.7,95% CI 0.6, 0.79)。有趣的是,乳腺X线摄影与常规MRI-based乳腺密度读数之间的评分者间信度显示最低限度的一致性(k = 0.3,95% CI 0.17, 0.42)。乳腺头尾位与左内外斜位之间的定性乳腺密度无差异(p = .25)。
在所有患者中,整个乳腺的平均PDFF为76.1%,仅纤维腺体组织的平均PDFF为7.7%。图3展示了所有四个ACR类别的乳腺X线摄影与PDFF图的示例性比较。整个乳腺的PDFF与乳腺X线摄影乳腺密度测量呈强负相关(Spearman rho:−0.69,p < .001),并在Bonferroni-Holm校正后显示所有四个ACR类别之间的显著区分(图4,表2)。整个乳腺的PDFF也与MRI-based视觉估计的乳腺密度相关(Spearman rho:−0.56,p < .001)。此外,纤维腺体组织的PDFF与年龄显示相关性(逻辑回归系数−0.02,p = .007,Pearson rho:0.56,p = .03,图5)。纤维腺体组织的平均T2*也与ACR类别增加呈正相关(Spearman rho:0.34,p < .001)。纤维腺体组织的平均T2*与年龄不相关(p = .72,图5),但显示按ACR类别分层时随脂肪浓度增加T2*值缩短的趋势(p < .001)。
讨论
本研究的主要发现是,乳腺PDFF与基于乳腺X线摄影和常规MRI视觉评估的乳腺密度呈强烈负相关。PDFF是乳腺密度的客观定量指标,结合T2*还可提供乳腺结构组成的信息。获取PDFF图仅需数分钟MRI扫描时间,便于其在临床乳腺MR中的应用。总之,PDFF可作为一种稳健、无电离辐射的定量替代方法,用于测量乳腺密度并追踪乳腺组成的结构性改变。因此,PDFF可作为乳腺癌个体化风险评估的参数。
乳腺密度评估已成为评估乳腺癌风险的重点,因为它被确定为乳腺癌最常见的危险因素之一,并被纳入大多数多因素风险评估软件工具中[3, 23, 24]。尽管X线乳腺摄影是临床实践中最广泛使用的乳腺密度测量方法,但其信息价值受限于阅片者内部和阅片者之间可靠性较低。这种不一致受报告放射科医师的经验和技术操作不一致的影响[6, 25, 26]。此外,由此产生的体积组织的二维投影在提供乳腺组成的客观比例方面能力有限,尤其是在致密乳腺中[4]。
估计乳腺密度的临床金标准仍然是乳腺X线摄影,主要因其广泛可用且相对快速便捷。随着BI-RADS分类系统的引入,T1加权MRI图像上乳腺密度的视觉评估已在国际上实现标准化,但仍存在中等程度的评估者间信度问题。所提出的基于水-脂化学位移的质子密度脂肪分数(PDFF)克服了传统乳腺X线摄影的二维投影局限性,提供了一种可靠、客观的组织脂肪和含水量判别指标。既往利用MRI评估乳腺密度的工作依赖于对T1加权图像和Dixon图像的阈值分割[8, 10, 11, 27]。Tagliafico等提出了一种对致密乳腺实质设置强度阈值的半自动方法,该阈值与整个乳腺体积相关[8]。此外,Thomson等使用一个确定的阈值作为提出的基于MRI的乳腺密度指标,计算为表观脂肪分数< 80%的乳腺体素所占比例[27]。这些方法由于对每个乳腺体素赋予锐利的阈值分割而容易受到部分容积效应的影响,最终增加了乳腺密度估计误差。此外,这些方法未考虑T1偏倚,该偏倚可能导致脂肪信号相对于水信号被相对放大。本研究使用低翻转角梯度回波序列来映射PDFF,该序列不依赖于 underlying 弛豫特性,因此减少了T1偏倚。在另一种方法中,Ding等采用使用IDEAL-GRASE序列的Dixon采集,基于每个体素中纤维腺体组织的比例和实际含水量来量化乳腺密度。然而,该序列受限于固有的脂-水信号偏倚,因此需要额外的校准以去除T1和T2加权效应[11]。在本研究中,使用了6回波梯度回波采集,考虑了单次T2*衰减和预先校准的7峰脂肪谱以考虑脂肪谱中多峰的存在,从而减少潜在的混杂成像因素,如近期也有学者提出[18]。此外,扫描时间保持在3分钟以内,使得PDFF成像序列易于纳入临床常规乳腺MRI检查。
已证实质子密度脂肪分数(PDFF)不受场强、扫描仪平台和具体扫描参数的影响,并与实质甘油三酯浓度高度相关[12]。因此,PDFF已成功应用于其他器官,并能可靠地量化组织脂肪浓度的微小变化[15, 28–30]。与信号脂肪分数不同,PDFF反映乳腺内脂肪的实际含量,因此如近期所提出,其可作为乳腺密度潜在可靠的标准化生物标志物[18]。在本研究中,纤维腺体组织的PDFF尤其也与年龄相关,这可能反映乳腺随年龄发生的结构变化[31]。在50–60岁的绝经过渡期最为显著,纤维腺体组织显示致密乳腺组织量随衰老自然下降[32],这也可通过PDFF和T2*测量检测到。观察到的纤维腺体组织T2*与ACR分类的依赖性可能也与水和脂肪成分之间的磁化率差异或纤维腺体组织内腺体成分的变化有关[33]。引入PDFF(联合T2*)可能在筛查患者和随访MRI的个体风险评估过程中提供额外有价值的信息。乳腺越致密、组成越不均匀,患乳腺癌的风险越高,但乳腺X线摄影的检出率越低。如DENSE试验所示,在乳腺X线摄影结果正常但乳腺极度致密的临床筛查检查中额外使用MRI可显著降低间期癌的发生率[34]。通过补充整合PDFF,可对乳腺密度进行客观分类,以实现稳健且标准化的个体风险评估,尤其在乳腺极度致密且组成不均匀的患者中,从而制定个体化筛查方案。此外,可客观追踪随时间发生的结构变化,用于个体化风险评估或癌症发生或抗激素治疗后的治疗反应评估[35, 36]。
本研究存在一些局限性。第一,研究聚焦于乳腺PDFF与乳腺X线摄影及常规MRI密度指标之间的关系。未对所报告的脂肪分数与其他基于MR的脂肪浓度测量进行验证。然而,所采用的PDFF方法已考虑了该方法在其他器官应用中已知的混杂效应。第二,本研究未进行乳腺PDFF可重复性分析。PDFF在志愿者中用于肝脏脂肪含量和乳腺脂肪含量的高可重复性已被证实[13, 37],因此患者乳腺实质脂肪浓度的PDFF预期也会很高。第三,所采用的方法基于双极读出采集,其在定量中考虑了相位误差,但在少数数据集中表现出失败行为。使用单极读出梯度的进一步研究可缓解此类问题[38]。
所提出的乳腺PDFF成图是一种有前景的方法,可用于准确、不依赖用户且无电离辐射的组织脂肪浓度测量,并能直接与视觉乳腺X线摄影及常规基于MRI的乳腺密度评估相比较。其改善了读者可重复性差的问题,具有平台和扫描参数独立性,且PDFF可简单整合到临床常规乳腺MRI检查中,这些可能为临床医生提供一种有价值的工具,用于准确的个体化癌症风险评估以及可靠评估乳腺密度和组成的纵向结构性变化。
引用
- Borde, Wu, Ruschke, et al. Assessing breast density using the chemical-shift encoding-based proton density fat fraction in 3-T MRI. Eur Radiol. 2022. PMID: 36538074. doi:10.1007/s00330-022-09341-x
- 全文:PMC10182116(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10182116/
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。