分享:
分享到微信朋友圈
X
综述
脑膜瘤分级分型MRI扩散成像研究进展
罗建 汪银华 谭艳

Cite this article as: Luo J, Wang YH, Tan Y. Research advances in MRI diffusion imaging on grading and typing of meningiomas[J]. Chin J Magn Reson Imaging, 2022, 13(1): 140-142, 150.本文引用格式:罗建, 汪银华, 谭艳. 脑膜瘤分级分型MRI扩散成像研究进展[J]. 磁共振成像, 2022, 13(1): 140-142, 150. DOI:10.12015/issn.1674-8034.2022.01.032.


[摘要] 脑膜瘤起源于蛛网膜帽状细胞,是颅内最常见的非神经上皮来源肿瘤,2016年WHO中枢神经系统肿瘤分类中将其分为Ⅰ、Ⅱ、Ⅲ级共15个亚型,2021年WHO中枢神经系统肿瘤分类中以1、2、3级代替以往的Ⅰ、Ⅱ、Ⅲ级,同时强调定义不典型或间变性(即2级和3级)脑膜瘤的标准应适用于任何潜在亚型,一些分子标志物也和脑膜瘤分级分型相关。不同级别脑膜瘤的治疗方式和预后存在差异,MRI扩散成像如扩散加权成像、体素内不相干运动加权成像、扩散张量成像和扩散峰度成像可以用于脑膜瘤分级分型,结合了MRI扩散成像的影像组学方法也展现出良好的效能,这对患者和临床医生选择处理方式和评估预后是有利的。本文基于以往国内外相关研究,将对脑膜瘤分级分型MRI扩散成像研究进展进行综述。
[Abstract] Meningioma originated from arachnoid cap cells and is the most common non-neuroepithelial tumor in the brain. In 2016, the WHO Classification of Tumors of the Central Nervous System divided meningiomas into 15 subtypes of grade Ⅰ, Ⅱ and Ⅲ. In 2021, the WHO Classification of Tumors of the Central Nervous System replaced previous grades Ⅰ, Ⅱ and Ⅲ with grades 1, 2 and 3, emphasizing that the criteria for defining atypical or anaplastic (grades 2 and 3) meningiomas should apply to any potential subtype and that some molecular markers are also associated with the grading and typing of meningiomas. Different grades of meningiomas have different treatment and prognosis, MRI diffusion imaging, such as diffusion weighted imaging, intravoxel incoherent motion weighted imaging, diffusion tensor imaging and diffusion kurtosis imaging, can be used to grade meningiomas and distinguish subtypes. The radiomics method combined with MRI diffusion imaging has showed good performance also, which is beneficial for patients and clinicians to select treatment methods and evaluate prognosis. Based on previous studies at home and abroad, this paper will summarize the research advances in MRI diffusion imaging on grading and typing of meningiomas.
[关键词] 脑膜瘤;分级;分型;磁共振扩散成像;影像组学
[Keywords] meningioma;grade;subtype;diffusion magnetic resonance imaging;radiomics

罗建 1   汪银华 2   谭艳 2*  

1 山西医科大学医学影像学院,太原 030001

2 山西医科大学第一医院影像科,太原 030001

谭艳,E-mail:tanyan123456@sina.com

全部作者均声明无利益冲突。


基金项目: 国家自然科学基金 81701681,82071893 山西省留学人员科技活动择优资助项目 20200003 山西医科大学第一医院青年创新基金 YC1426
收稿日期:2021-08-10
接受日期:2021-12-21
中图分类号:R445.2  R739.45 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.01.032
本文引用格式:罗建, 汪银华, 谭艳. 脑膜瘤分级分型MRI扩散成像研究进展[J]. 磁共振成像, 2022, 13(1): 140-142, 150. DOI:10.12015/issn.1674-8034.2022.01.032

       脑膜瘤起源于蛛网膜帽状细胞,是颅内最常见的非神经上皮来源肿瘤,2016年WHO中枢神经系统肿瘤分类中将其分为Ⅰ、Ⅱ、Ⅲ级共15个亚型1。2019年美国中央脑肿瘤登记处的统计报告显示,脑膜瘤约占所有颅内肿瘤的37.6%,其中WHO Ⅰ级脑膜瘤约占80.5%,WHO Ⅱ级、Ⅲ级脑膜瘤分别约占17.7%、1.7%2。2021年WHO中枢神经系统肿瘤分类(WHO CNS5)更新,脑膜瘤被认为是单一类型,其15个亚型反映了广泛的形态学谱,该版以阿拉伯数字1、2、3级代替了2016版的Ⅰ、Ⅱ、Ⅲ级,同时强调了定义不典型或间变性(即2级和3级)脑膜瘤的标准应适用于任何潜在亚型,一些分子标志物如SMARCE1 (透明细胞型)、BAP1 (横纹肌样和乳头状型)、KLF4/TRAF7 (分泌型)突变等也和脑膜瘤分级分型相关3,这意味着脑膜瘤2级和3级的比例可能会发生变化。

       无症状的1级脑膜瘤常不手术,需要手术的患者术后主要选择随访观察,5年总生存率为85.5%;2级脑膜瘤需要手术切除,并酌情分次放疗,5年总生存率为75.9%;3级脑膜瘤不仅需要手术,还须辅以分次放疗、化疗,5年总生存率为55.4%4, 5。由于不同级别脑膜瘤的治疗方式和预后存在上述差异,而病理学分级分型基于有创性的切除或活检,无创的MRI扩散成像如扩散加权成像、体素内不相干运动加权成像、扩散张量成像和扩散峰度成像可以用于脑膜瘤分级和分型,结合了MRI扩散成像的影像组学方法也展现出良好的效能,这对患者和临床医生选择处理方式和评估预后是有利的。本文基于以往国内外相关研究,将对脑膜瘤分级分型MRI扩散成像研究进展进行综述。

1 扩散加权成像(diffusion weighted imaging,DWI)

       DWI技术是检测活体组织内水分子扩散运动的无创方法,可分析不同等级和亚型的脑膜瘤内水分子扩散运动及其受限程度,通常以表观扩散系数(apparent diffusion coefficient,ADC)作为定量分析的指标。

       在DWI上低级别(WHO 1级)脑膜瘤通常表现为低、等或稍高信号,而高级别(WHO 2、3级)脑膜瘤常呈高信号,高级别脑膜瘤的ADC值比低级别脑膜瘤的更低6。Abdel等7将ADC平均值0.79×10-3 mm2/s作为区分低级别和高级别脑膜瘤的阈值,敏感度为81.2%,特异度为91.7%,准确度为89.3%。Atalay等8将ADC最小值0.634×10-3 mm2/s作为阈值,敏感度为86%,特异度为57%。汪红梅等9以rADC值诊断低级别组、高级别组脑膜瘤的最佳阈值为1.035×10-3 mm2/s,其敏感度为88.5%,特异度为87.5%。Bozdağ等10将rADCmean阈值确定为1.09×10-3 mm2/s,AUC为0.750,敏感度为66.67%,特异度为86.36%。Haghighi等11应用多参数线性回归分析显示ADC直方图参数模型用于区分Ⅰ级和Ⅱ级脑膜瘤的AUC为0.852,敏感度为79.6%,特异度为84.3%;用于区分Ⅱ级和Ⅲ级脑膜瘤的AUC为0.833,敏感度为70.9%,特异度为80.8%。虽然以上研究认为用ADC值区分脑膜瘤等级是有价值的,但是不同研究选取的ADC参数、阈值以及获得的准确度、敏感度和特异度各不相同。另外,不是所有研究都认为ADC对脑膜瘤分级有效,Lu等12认为Ⅰ、Ⅱ级脑膜瘤间ADC值无显著差异,於帆等13认为ADC、标准化ADC值在低、高级别脑膜瘤间均无显著差异,但在Ⅰ级脑膜瘤不同亚型间存在差异,其中血管瘤样脑膜瘤的ADC值最高,分泌型脑膜瘤次之,过渡型、脑膜上皮型及纤维型脑膜瘤ADC值则较低。秦响等14认为将ADC值联合增强扫描有助于在术前诊断血管瘤型脑膜瘤。脊索样型脑膜瘤被分为WHO 2级,其ADC值却较1级和其他2级脑膜瘤高,Baal等15认为这与脊索样型脑膜瘤细胞外的透明质酸和黏液基质有关,将ADC≥1.33×10-3 mm2/s和标准化ADC≥1.63作为截止值时,识别脊索样型脑膜瘤的总体准确度、敏感度和特异度分别达到了96.8%、96.3%和100.0%。微囊型脑膜瘤的囊变部分在DWI上呈网状,T1增强和DWI上的网状表现以及较低的ADC值可作为微囊型脑膜瘤的诊断标志16。但实际工作中,微囊型脑膜瘤与非典型脑膜瘤在常规MRI上并不容易鉴别,Ke等17研究认为ADCmean,ADCmin在前者中显著高于后者,以ADCmean阈值为0.91×10-3 mm2/s时,AUC为0.967,敏感度为86.67%,特异度为100.00%,准确度为88.89%,这说明DWI有助于区分这两类脑膜瘤。另外,WHO 2级的非典型脑膜瘤和WHO 3级的间变型脑膜瘤鉴别起来也相对困难,而在韩涛等18的研究中DWI定量参数(ADCmean、ADCmin和rADC)对于二者的鉴别都有较好的价值,其中ADCmean阈值取 0.822×10-3 mm2/s时,鉴别二者的敏感度为84.1%,特异度为87.5%。由此可见,大多数研究认为DWI对脑膜瘤分级具有价值,但还没有统一、高效的ADC参数及阈值;不同亚型的脑膜瘤间ADC值也存在差异,DWI对于一些具有特点的脑膜瘤亚型有一定的鉴别价值。

2 体素内不相干运动(intravoxel incoherent motion, IVIM)加权成像

       1988年Le Bihan等19提出了IVIM成像,这是一种获得扩散和灌注的独立图像的方法,运用多组b值、双指数拟合算法得出区分单纯水分子扩散运动和血流灌注的量化参数,如慢扩散系数D、快扩散系数D*和灌注分数f。

       Lin等20发现从双指数模型DWI中获得的D有助于区分高级别和低级别脑膜瘤,阈值为0.522时,AUC为0.880,敏感度为71.79%,特异度为93.33%。Sacco等21认为高级别脑膜瘤的平均ADC、D、D*和f较低级别脑膜瘤更低。Zampini等22认为低级别和高级别脑膜瘤的差异存在于所有IVIM参数,其中f的第75百分位值AUC最高(0.96),而包括f和D的两个参数的逻辑回归模型AUC提升至0.972,包括f、D和D三个参数的模型AUC提升至1。但Bohara等23评价IVIM直方图分析在鉴别低级别脑膜瘤和高级别脑膜瘤中的作用,发现二者之间ADC和D的平均值和百分位数没有显著差异,而D值的标准差(SD)和f值的变异系数(CV)区分二者的AUC值分别为0.752和0.737。Lu等12确定用D值区分低级别和高级别脑膜瘤的阈值为0.479,敏感度为90.9%,特异度为76.7%;同时他们发现非典型脑膜瘤的标准化D值明显低于其他亚型,而分泌型和血管瘤样脑膜瘤的标准化D值、f值和标准化f值高于其他亚型。IVIM参数对脑膜瘤分级具有一定诊断价值,尤其是D值,它代表着纯粹的水分子扩散运动,排除了肿瘤内血流灌注对传统ADC的干扰。不过,IVIM参数在脑膜瘤分型中的诊断效能需要进一步探索。

3 扩散张量成像(diffusion tensor imaging,DTI)和扩散峰度成像(diffusion kurtosis imaging,DKI)

       DTI是利用DWI技术改进和发展起来的磁共振弥散成像新技术,以三维立体角度定量分析组织内水分子在不同方向上弥散的差异,定量的参数有ADC、各向异性分数(fractional anisotropy,FA)、径向扩散张量(radial diffusivity,D⊥)、轴向扩散张量(axial diffusivity,D//)、平均扩散系数(mean diffusivity,MD)等。DKI是DTI技术的进一步发展,基于水分子扩散的非高斯分布模型,相较DWI和DTI而言更加符合人体内水分子的实际扩散方式,不仅可获得常规DTI参数,还可获得径向峰度(radial kurtosis,K⊥)、轴向峰度(axial kurtosis,K//)、平均峰度(mean kurtosis,MK)等扩散峰度参数。

       Zikou等24认为高级别脑膜瘤的标准化FA值较低级别脑膜瘤更低,以阈值为0.32区分二者,敏感度为89.0%,特异度为62.5%。然而Aslan等25研究认为高级别脑膜瘤和低级别脑膜瘤相比,DTI参数FA和相对FA显著更高,D⊥和D//则显著更低,其中D⊥鉴别二者的AUC最大(0.778),而结合ADCmin、FA和D⊥的诊断AUC、敏感度和特异度分别高达0.96,92.3%和100.0%。在Lin等26的研究中DTI参数FA在高级别和低级别脑膜瘤间却无显著差异,MD在高级别脑膜瘤中更低,DKI参数K⊥、K//和MK则在高级别脑膜瘤中更高,其中MK较MD有明显更好的诊断效能(MK最佳诊断阈值为0.99,敏感度为95.24%,特异度为66.67%)。Xing等27也认为在低级别和高级别脑膜瘤间DTI参数FA无显著差异,D//、标准化D//、标准化MD则有显著差异,相比之下DKI参数MK对区分二者有更高的诊断能力(阈值为0.875,AUC为0.780,敏感度为70%,特异度为89%);同时他们发现DTI参数(FA、D⊥、标准化FA、标准化D⊥、标准化MD)和DKI参数(K⊥、K//和标准K//)在纤维型、砂粒体型、脑膜上皮细胞型与过渡型(均为WHO 1级)间有一定的鉴别意义。Chen等28利用直方图分析认为用MK的第90百分位值鉴别低级别和高级别脑膜瘤AUC最大(0.870),阈值为1.01,敏感度为66.9%,特异度为88.9%;另外MD、FA和MK的直方图参数在纤维型、过渡型和非典型脑膜瘤间具有鉴别价值。从目前的研究结果来看,DTI参数对脑膜瘤分级分型的价值尚不明确;DKI的参数MK是脑膜瘤分级有价值的影像标志物,但DKI扫描时间长,一定程度上限制了其在脑膜瘤分级分型中的应用。

4 基于MRI扩散成像的影像组学

       影像组学是一种大数据分析方法,由荷兰学者Lambin29于2012年首次提出该概念。目前影像组学通常经历图像分割、特征提取、特征筛选和模型建立4个主要步骤,主要用于肿瘤的病理分级分型、鉴别诊断、疗效评估及预后预测。

       在脑膜瘤分级的应用中,已有学者结合MRI扩散成像和其他MRI技术,应用影像组学的方法进行了研究;而在脑膜瘤分型方面,相关研究还有待开展。虞芯仪等30的研究中评价了ADC图的直方图和纹理参数对低级别与高级别脑膜瘤的鉴别效能,ADC图纹理参数中熵值的AUC为0.768,高于T2WI纹理参数熵值的AUC (0.705)。Laukamp等31基于不同机构和扫描机器的脑膜瘤MRI图像,选取ADC图像的纹理特征,结合肿瘤形状特征、FLAIR和T1增强图像的纹理特征组合的逻辑回归模型用于区分Ⅰ级和Ⅱ级脑膜瘤的AUC为0.91,敏感度为79%,特异度为89%。Hu等32提取常规MRI (cMRI)、ADC图和SWI的影像组学特征,使用随机森林(Random Forest,RF)分类器建立的cMRI+ADC+SWI模型获得的AUC为0.84。Park等33综合分析T1增强、ADC图和FA图的纹理和形态特征,结合RF和支持向量机(support vector machine,SVM)分类算法构建的脑膜瘤分级模型中最佳AUC为0.86,准确度为89.7%,敏感度为75.0%,特异度为93.5%。Hamerla等34基于5个中心的138例脑膜瘤患者比较RF、SVM、极端梯度增强(XGBoost)和多层感知器(Multilayer Perceptron,MLP)建立的分级模型,结果XGBoost结合ADC、T1、T1增强(T1c)、减影图(T1c-T1)、FLAIR和瘤周水肿的ADC影像组学特征,获得最佳结果(AUC为0.97,敏感度为100%,特异度为97%)。事实上,基于大数据的影像组学方法可以较好地避免偶然性和片面性,使这些研究获得的结果更加可靠。

5 局限性与前景展望

       MRI扩散成像技术在脑膜瘤的分级分型中已经表现出较好的效能,但研究的方向主要集中在DWI,而IVIM、DTI、DKI的相关研究相对较少,尤其是在脑膜瘤分型方面;在MRI扩散成像参数和阈值的选择以及相应的诊断效能方面,学术界尚不统一,其中DTI参数应用于脑膜瘤分级分型的具体价值尚未得到完全阐明;另外,一些研究中勾画小面积的感兴趣区获得的参数也难以准确、全面地反映肿瘤内部的总体情况,这可能会导致结果的不准确。结合了MRI扩散成像的影像组学方法在脑膜瘤分级分型的研究中诊断效能更加优越,但目前影像组学步骤相对复杂,在临床上的应用还比较困难。

       目前还没有将超高b值DWI成像、拉伸指数模型扩散加权成像应用于脑膜瘤分级分型,未来可以开展相关研究;本文综述的相关研究均基于2016版中枢神经系统肿瘤分类,2021年WHO CNS5更新,脑膜瘤分级分型与一些分子标记物相关,MRI扩散成像与这些分子标记物的相关性值得进一步探索;影像组学方法前景广阔,通过更多大样本、多中心的影像组学研究,MRI扩散成像将会在脑膜瘤分级分型中起到更大作用,进而为患者和临床医生选择处理方式和评估预后提供可靠依据。

[1]
Louis DN, Perry A, Reifenberger G, et al. The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary[J]. Acta Neuropathol, 2016, 131(6): 803-820. DOI: 10.1007/s00401-016-1545-1.
[2]
Ostrom QT, Cioffi G, Gittleman H, et al. CBTRUS Statistical Report: Primary Brain and Other Central Nervous System Tumors Diagnosed in the United States in 2012-2016[J]. Neuro Oncol, 2019, 21(Suppl 5): v1-v100. DOI: 10.1093/neuonc/noz150.
[3]
Louis DN, Perry A, Wesseling P, et al. The 2021 WHO Classification of Tumors of the Central Nervous System: a summary[J]. Neuro Oncol. 2021, 23(8): 1231-1251. DOI: 10.1093/neuonc/noab106.
[4]
Goldbrunner R, Stavrinou P, Jenkinson MD, et al. EANO guideline on the diagnosis and management of meningiomas[J]. Neuro Oncol., 2021, 23(11): 1821-1834. DOI: 10.1093/neuonc/noab150.
[5]
Rydzewski NR, Lesniak MS, Chandler JP, et al. Gross total resection and adjuvant radiotherapy most significant predictors of improved survival in patients with atypical meningioma[J]. Cancer, 2018, 124(4): 734-742. DOI: 10.1002/cncr.31088.
[6]
Sohu DM, Sohail S, Shaikh R. Diagnostic accuracy of diffusion weighted MRI in differentiating benign and malignant meningiomas[J]. Pak J Med Sci, 2019, 35(3): 726-730. DOI: 10.12669/pjms.35.3.1011.
[7]
Abdel-Kerim A, Shehata M, Sabaa B EI, et al. Differentiation between benign and atypical cranial Meningiomas. Can ADC measurement help? MRI findings with hystopathologial correlation[J]. The Egyptian Journal of Radiology and Nuclear Medicine, 2018, 49(1): 172-175. DOI: 10.1016/j.ejrnm.2017.10.004.
[8]
Atalay B, Ediz SS, Ozbay NO. Apparent Diffusion Coefficient in Predicting the Preoperative Grade of Meningiomas[J]. J Coll Physicians Surg Pak, 2020, 30(11): 1126-1132. DOI: 10.29271/jcpsp.2020.11.1126.
[9]
汪红梅, 谢强, 廖琴, 等. MRI弥散加权成像表观扩散系数在低、高级别脑膜瘤鉴别诊断中的应用[J]. 中华解剖与临床杂志, 2020, 25(04): 344-349. DOI: 10.3760/cma.j.cn101202-20200304-00063.
Wang HM, Xie Q, Liao Q, et al. Application of apparent diffusion coefficient of MRI diffusion-weighted imaging in the differential diagnosis of low- and high-grade meningiomas[J]. Chin J Anat Clin, 2020, 25(04): 344-349. DOI: 10.3760/cma.j.cn101202-20200304-00063.
[10]
Bozdağ M, Er A, Ekmekçi S. Association of apparent diffusion coefficient with Ki-67 proliferation index, progesterone-receptor status and various histopathological parameters, and its utility in predicting the high grade in meningiomas[J]. Acta Radiol, 2021, 62(3): 401-413. DOI: 10.1177/0284185120922142.
[11]
Haghighi Borujeini M., Farsizaban M., Yazdi SR. et al. Grading of meningioma tumors based on analyzing tumor volumetric histograms obtained from conventional MRI and apparent diffusion coefficient images[J]. Egypt J Radiol Nucl Med, 2021, 52: 167. DOI: 10.1186/s43055-021-00545-7.
[12]
Lu YP, Kawai S, Wen JB, et al. Evaluation parameters between intra-voxel incoherent motion and diffusion-weighted imaging in grading and differentiating histological subtypes of meningioma: A prospective pilot study[J]. J Neurol Sci, 2017, 372: 60-69. DOI: 10.1016/j.jns.2016.11.037.
[13]
於帆, 单艺, 赵志莲, 等. 磁共振扩散加权成像在脑膜瘤分级诊断中的价值[J]. 医学影像学杂志, 2019, 29(8): 1257-1262.
Yu F, Shan Y, Zhao ZL, et al. Application of MR DWI in differential diagnosis of low- and high- grade meningioma[J]. J Med Imaging, 2019, 29(8): 1257-1262.
[14]
秦响, 王小龙, 郭楠, 等. MR扩散加权成像ADC值联合增强扫描在血管瘤型脑膜瘤的术前诊断价值[J]. 临床放射学杂志, 2020, 39(4): 782-786. DOI: 10.13437/j.cnki.jcr.2020.04.034.
Qin X, Wang XL, Guo N, et al. Value of MR Diffusion-Weighted Imaging Combined with Enhanced Scan in Preoperative Diagnosis of Angiomatous Meningioma[J]. J Clin Radiol, 2020, 39(4): 782-786. DOI: 10.13437/j.cnki.jcr.2020.04.034.
[15]
Baal JD, Chen WC, Solomon DA, et al. Preoperative MR Imaging to Differentiate Chordoid Meningiomas from Other Meningioma Histologic Subtypes[J]. AJNR Am J Neuroradiol, 2019, 40(3): 433-439. DOI: 10.3174/ajnr.A5996.
[16]
Terada Y, Toda H, Okumura R, et al. Reticular Appearance on Gadolinium-enhanced T1- and Diffusion-weighted MRI, and Low Apparent Diffusion Coefficient Values in Microcystic Meningioma Cysts[J]. Clin Neuroradiol, 2018, 28(1): 109-115. DOI: 10.1007/s00062-016-0527-y.
[17]
Ke XA, Zhou Q, Han L, et al. Differentiating microcystic meningioma from atypical meningioma using diffusion-weighted imaging[J]. Neuroradiology, 2020, 62(5): 601-607. DOI: 10.1007/s00234-020-02374-3.
[18]
韩涛, 张婧, 刘显旺, 等. MRI基本征象结合DWI参数鉴别非典型脑膜瘤和间变型脑膜瘤[J]. 磁共振成像, 2021, 12(4): 12-16. DOI: 10.12015/issn.1674-8034.2021.04.003.
Han T, Zhang J, Liu XW, et al. Differential diagnosis of atypical meningiomas and anaplastic meningiomas by MRI basic signs and DWI parameters[J]. Chin J Magn Reson Imaging, 2021, 12(4): 12-16. DOI: 10.12015/issn.1674-8034.2021.04.003.
[19]
Le Bihan D, Breton E, Lallemand D, et al. Separation of diffusion and perfusion in intravoxel incoherent motion MR imaging[J]. Radiology, 1988, 168(2): 497-505. DOI: 10.1148/radiology.168.2.3393671.
[20]
Lin L, Xue Y, Duan Q, et al. Grading meningiomas using mono-exponential, bi-exponential and stretched exponential model-based diffusion-weighted MR imaging[J]. Clin Radiol, 2019, 74(8): 651.e15-651.e23. DOI: 10.1016/j.crad.2019.04.007.
[21]
Sacco S, Ballati F, Gaetani C, et al. Multi-parametric qualitative and quantitative MRI assessment as predictor of histological grading in previously treated meningiomas[J]. Neuroradiology, 2020, 62(11): 1441-1449. DOI: 10.1007/s00234-020-02476-y.
[22]
Zampini MA, Buizza G, Paganelli C, et al. Perfusion and diffusion in meningioma tumors: a preliminary multiparametric analysis with Dynamic Susceptibility Contrast and IntraVoxel Incoherent Motion MRI[J]. Magn Reson Imaging, 2020, 67: 69-78. DOI: 10.1016/j.mri.2019.12.003.
[23]
Bohara M, Nakajo M, Kamimura K, et al. Histological Grade of Meningioma: Prediction by Intravoxel Incoherent Motion Histogram Parameters[J]. Acad Radiol, 2020, 27(3): 342-353. DOI: 10.1016/j.acra.2019.04.012.
[24]
Zikou A, Alexiou GA, Goussia A, et al. The role of diffusion tensor imaging and dynamic susceptibility perfusion MRI in the evaluation of meningioma grade and subtype[J]. Clin Neurol Neurosurg, 2016, 146: 109-115. DOI: 10.1016/j.clineuro.2016.05.005.
[25]
Aslan K, Gunbey HP, Tomak L, et al. The diagnostic value of using combined MR diffusion tensor imaging parameters to differentiate between low- and high-grade meningioma[J]. Br J Radiol, 2018, 91(1088): 20180088. DOI: 10.1259/bjr.20180088.
[26]
Lin L, Bhawana R, Xue Y, et al. Comparative Analysis of Diffusional Kurtosis Imaging, Diffusion Tensor Imaging, and Diffusion-Weighted Imaging in Grading and Assessing Cellular Proliferation of Meningiomas[J]. AJNR Am J Neuroradiol, 2018, 39(6): 1032-1038. DOI: 10.3174/ajnr.A5662.
[27]
Xing F, Tu N, Koh TS, et al. MR diffusion kurtosis imaging predicts malignant potential and the histological type of meningioma[J]. Eur J Radiol, 2017, 95: 286-292. DOI: 10.1016/j.ejrad.2017.08.019.
[28]
Chen X, Lin L, Wu J, et al. Histogram analysis in predicting the grade and histological subtype of meningiomas based on diffusion kurtosis imaging[J]. Acta Radiol, 2020, 61(9): 1228-1239. DOI: 10.1177/0284185119898656.
[29]
Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer, 2012, 48(4): 441-446. DOI: 10.1016/j.ejca.2011.11.036.
[30]
虞芯仪, 耿承军, 冯银波, 等. 基于常规MRI图像的纹理分析对脑膜瘤术前分级的临床价值[J]. 中华放射学杂志, 2018, 52(5): 356-362. DOI: 10.19732/j.cnki.2096-6210.2019.05.011.
Yu XY, Geng CJ, Feng YB, et al. Clinical value of MRI texture analysis for preoperative grading of meningiomas based on conventional MRI images[J]. Chin J Radiol, 2018, 52(5): 356-362. DOI: 10.19732/j.cnki.2096-6210.2019.05.011.
[31]
Laukamp KR, Shakirin G, Baeßler B, et al. Accuracy of Radiomics-Based Feature Analysis on Multiparametric Magnetic Resonance Images for Noninvasive Meningioma Grading[J]. World Neurosurg, 2019, 132: e366-e390. DOI: 10.1016/j.wneu.2019.08.14.
[32]
Hu J, Zhao Y, Li M, et al. Machine learning-based radiomics analysis in predicting the meningioma grade using multiparametric MRI[J]. Eur J Radiol, 2020, 131: 109251. DOI: 10.1016/j.ejrad.2020.109251.
[33]
Park YW, Oh J, You SC, et al. Radiomics and machine learning may accurately predict the grade and histological subtype in meningiomas using conventional and diffusion tensor imaging[J]. Eur Radiol, 2019, 29(8): 4068-4076. DOI: 10.1007/s00330-018-5830-3.
[34]
Hamerla G, Meyer HJ, Schob S, et al. Comparison of machine learning classifiers for differentiation of grade 1 from higher gradings in meningioma: A multicenter radiomics study[J]. Magn Reson Imaging, 2019, 63: 244-249. DOI: 10.1016/j.mri.2019.08.011.

上一篇 腹膜后血管淋巴管瘤一例
下一篇 磁共振成像技术在帕金森病震颤诊断及脑刺激治疗中的研究进展
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2