分享:
分享到微信朋友圈
X
综述
术前MRI预测乳腺癌腋窝淋巴结转移的研究进展
马芹芹 冯雯 陈圆圆 王莎 雷军强

Cite this article as: Ma QQ, Feng W, Chen YY, et al. Research progress in predicting axillary lymph node metastasis of breast cancer by preoperative MRI[J]. Chin J Magn Reson Imaging, 2022, 13(9): 151-155.本文引用格式:马芹芹, 冯雯, 陈圆圆, 等. 术前MRI预测乳腺癌腋窝淋巴结转移的研究进展[J]. 磁共振成像, 2022, 13(9): 151-155. DOI:10.12015/issn.1674-8034.2022.09.036.


[摘要] 腋窝淋巴结转移(axillary lymph node metastasis, ALNM)是影响乳腺癌术后复发或远处转移的重要因素之一,对患者治疗方案的选择和远期生存质量影响深远。目前已经提出了较多基于MRI方法学、影像组学和基因组学等用于ALNM的预测研究,其结论具有明确的科研与临床意义。本文就术前多参数MRI、基于MRI的影像组学以及机器学习预测乳腺癌腋窝淋巴结(axillary lymph node, ALN)状态的研究进展予以综述。
[Abstract] Axillary lymph node metastasis (ALNM) is one of the important factors affecting postoperative recurrence or distant metastasis of breast cancer, and has a profound impact on the choice of treatment options and long-term quality of life for patients. At present, many prediction studies for ALNM based on MRI methodology, radiomics, and genomics have been proposed, and their conclusions have clear scientific and clinical significance. This article reviews the research progress of preoperative multiparametric MRI, MRI-based radiomics and machine learning in predicting axillary lymph node (ALN) status in breast cancer.
[关键词] 乳腺癌;腋窝淋巴结转移;磁共振成像;扩散加权成像;影像组学;预测
[Keywords] breast cancer;axillary lymph node metastasis;magnetic resonance imaging;diffusion weight imaging;radiomics;predicting

马芹芹 1   冯雯 1   陈圆圆 1   王莎 1   雷军强 2*  

1 兰州大学第一临床医学院,兰州 730000

2 兰州大学第一医院放射科,兰州 730000

*雷军强,E-mail:leijq2011@126.com

作者利益冲突声明:全部作者均声明无利益冲突。


基金项目: 兰州大学第一医院院内基金 ldyyyn2021-76
收稿日期:2022-05-06
接受日期:2022-08-10
中图分类号:R445.2  R737.9 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.09.036
本文引用格式:马芹芹, 冯雯, 陈圆圆, 等. 术前MRI预测乳腺癌腋窝淋巴结转移的研究进展[J]. 磁共振成像, 2022, 13(9): 151-155. DOI:10.12015/issn.1674-8034.2022.09.036

       近年来乳腺癌发病率显著增加,已经成为全球女性最常见的恶性肿瘤及癌症死亡的主要原因[1]。腋窝淋巴结(axillary lymph node, ALN)是乳腺癌最常见的转移部位,局部ALN受累程度是影响乳腺癌预后的重要因素。ALN状态在乳腺癌的分期、诊疗及预后中起着重要作用[2, 3],因此关于乳腺癌腋窝淋巴结转移(axillary lymph node metastasis, ALNM)的研究具有重要临床意义及价值。ALNM必须通过病理证实,最常见的检查手段是前哨淋巴结(sentinel lymph node, SLN)活检和ALN清扫,但手术可造成感染、神经损伤、肩部功能障碍、手臂麻木、上肢淋巴结水肿、植入转移等并发症,给患者的后期生存质量带来巨大影响[4, 5, 6]。此外,有研究报道SLN活检约有6.6%假阴性率[7],美国外科医生学会肿瘤学组Z0011随机临床试验表明,只有约27.3%的1或2个SLN阳性患者有非SLN转移,并且对于临床ALN阴性且有1~2个SLN转移的患者应被归类为低风险,不应该进行ALN活检[8],然而过度医疗给患者造成了一定的负担。因此为了减少不必要的外科SLN活检及ALN清扫,术前探索一种具有高诊断准确率、高临床适用性的非侵入性检查技术预测ALN状态的需要更为迫切。

       无创评估ALN状态的影像学手段众多,如超声、钼靶、CT、MRI及核医学检查等,其中MRI检查具有无辐射、无创伤及软组织分辨率高等优势,能够更有效、更早期发现病变,是诸多临床医生及患者的最佳选择。并且MRI新技术发展迅速,研究者们不仅从大小、形状、脂肪门及皮质厚度等常规影像特征评估ALN状态,还利用功能成像获得有关肿瘤细胞的扩散和灌注信息[9, 10],探讨了ALN本身以及乳腺癌原发病灶与ALN之间的深层联系。新兴的影像组学、影像学联合人工智能、机器学习以及直方图分析可以获得更多定量参数,并在ALNM的研究中取得了一定科研及临床价值[11, 12]。众多MRI研究技术及分析方法层出不穷,使术前ALNM影像学诊断不再拘泥于定性的层面,朝着精准影像的方向又挺进一步,为领域内的进步添加了浓墨重彩的一笔,亦为临床工作中的个体化诊疗带来了更多选择。本文就术前各类MRI参数、影像组学及机器学习预测乳腺癌ALN状态的研究进展予以综述。

1 各类MRI参数术前预测乳腺癌ALNM研究进展

       MRI参数众多,且各有所长,在预测评估ALNM的研究中,多种参数联合的多模态MRI,能够提供更多影像信息。

1.1 ALN及原发病灶的形态学特征

       MRI可以通过检测ALN形态学特征,如长短径、脂肪门、皮质厚度、形状、边缘及淋巴结比率等的变化,非侵入性地检测ALNM。Meinel等[13]在多模态成像的基础上开发了一种计算机测量方法进行术前无创乳腺癌分期,在MRI上测量可疑ALN的长轴、短轴和最大皮质厚度,研究显示短轴>7 mm、长轴>10 mm和最大皮质厚度>3 mm对MRI的敏感度为90%、100%和100%,特异度分别为33%、50%和83%。同样地,Baltzer等[14]发现淋巴结边缘这一形态学参数与ALNM相关。有研究表明至少有一个淋巴结显示病理结果阳性的患者有短轴>5 mm、轮廓不规则、脂肪门最长轴与最短轴的比值<1.5及皮质异常等特征[15]

       此外,有学者发现乳腺癌原发病灶大小、同侧ALN最大皮质厚度可作为独立预测因子,联合细胞周期蛋白D1高表达诊断性能较高,其受试者工作特征曲线下面积(area under the curve, AUC)为0.751,可以用来预测ALN状态[16]。虽然MRI通过形态学特征评估ALN状态有一定价值,但较小的有微转移的ALN可能无法与正常淋巴结区分开来,结合原发病灶的形态学特点可提高诊断性能。

1.2 MRI扩散加权成像及其衍生序列

1.2.1 扩散加权成像

       扩散加权成像(diffusion-weighted imaging, DWI)是利用水分子的扩散运动特性进行成像,反映了人体组织的微观几何结构以及细胞内外水分子的转运。正常人体内水分子状态接近自由水,无扩散受限,而病理生理过程可影响水分子的这一运动,称为扩散受限。表观扩散系数(apparent diffusion coefficient, ADC)值可以量化这一过程。DWI已常规用于乳腺病变的诊断。Kettunen等[17]通过四种方法比较肿瘤和瘤周ADC的最小值、平均值和最大值,即带状感兴趣区(region of intreast, ROI)、整个肿瘤周围ROI、顺时针多个ROI及ROI选择的视觉评估,将瘤周/肿瘤ADC比率与ALN状态进行比较,发现除顺时针多个ROI外,所有方法获得的瘤周/肿瘤ADC比率均与ALNM呈正相关,这是确定不良预后的因素,可能与乳腺癌生物学侵袭性有关。有学者[18]在管腔A型乳腺癌ALNM的研究中发现,ALN阳性的乳腺癌最小ADC值的最佳截止值为852.2×10-6 mm2/s,并且与阳性ALN数量之间存在中度的、统计学上显著的负相关(rs=-0.447,P=0.002)。得出原发病变的最小ADC值预测临床淋巴结阴性的管腔A型乳腺癌ALNM具有高敏感性和高阴性预测值的结论。同时,有研究报道了不同结果。Surov等[19]分析了661例浸润性乳腺癌的ADC与ALN状态的相关性,结果显示ADC无法区分N0和N+肿瘤,并且N0、N1、N2和N3肿瘤之间的ADC值差异无统计学意义。此外,在不同受体状态的亚组中,ADC不能预测N分期。DWI在术前预测ALNM有重要意义,但尚存在诸多争议,目前仍需进一步探讨其价值。

1.2.2 体素内不相干运动

       DWI信号强度衰减是以单指数模型线性拟合而成,这可能会错误计算水分子运动与微循环灌注的关系,高估ADC值,不能真实反映病变扩散受限情况[20]。体素内不相干运动(intravoxel incoherent motion, IVIM)由Le等[21]首次提出,是一种基于DWI的衍生技术,其成像过程可以区分毛细血管内水分子的不相干运动和血管外空间的分子扩散,包含真实扩散系数、伪扩散系数以及使用多个b值的双指数模型生成的灌注分数[22],其中伪扩散系数也可用快速ADC分数表示。IVIM在乳腺疾病的研究广泛,在肿瘤分类、良恶性病变鉴别、识别淋巴结转移、组织学分级、HER-2和Ki-67状态以及新辅助化疗后的评估方面均有涉及[23]。有学者[24]评估了常规MRI和IVIM特征预测乳腺癌患者ALNM的临床价值,研究发现快速ADC分数(AUC=0.818)预测性能优于常规MRI(AUC=0.722)。一项研究[9]对转移性ALN和非转移性ALN影像学分析显示,伪扩散系数可作为其预测因子,AUC为0.613。一篇关于IVIM成像定量鉴别乳腺肿瘤的Meta分析显示,与淋巴结阴性病变相比,淋巴结转移病变中可以观察到高的伪扩散系数(P=0.009)和灌注分数值(P=0.001)[25]。虽然IVIM参数可反映病变内部真实扩散,而不受灌注相关扩散的影响,但在IVIM模型中应用更大数值和更高b值将显著延长扫描时间,并引入运动和敏感性伪影,故而寻求标准的、稳定的扫描参数将可能是未来的研究方向。

1.2.3 扩散张量成像

       扩散张量成像(diffusion tensor imaging, DTI)是DWI的扩展,除ADC外,可以在更多方向上分析水的运动,以表征扩散方向[26]。生物组织内的水扩散通常是各向异性的,这是由于微观结构的定向限制所造成的。正常乳腺导管可允许水沿着平行于导管壁的方向自由地扩散,而乳腺癌肿瘤细胞通过阻塞导管减少了扩散的各向异性[27, 28]。Ozal等[29]获取了63例浸润性乳腺癌的DTI数据(b值为0和1000 s/mm2),通过勾画ROI,经机器自动计算获得分数各向异性、平均扩散率、相对各向异性和体积比值,分析得出ALNM患者的平均扩散率显著低于无ALNM患者(P=0.018)。有研究[30]得出了类似的结论。作为ADC的补充,DTI参数提供扩散方向和各向异性的信息,有可能进一步表征乳腺组织病变。

1.2.4 非高斯扩散MRI

       水分子在组织中的分布近似高斯扩散,由于纤维腺体组织和癌性病变微观环境的复杂性,乳腺组织和病变的扩散行为呈非高斯分布。非高斯扩散MRI有助于显示水分子与组织特征,在单一高斯扩散系数之外捕获这种扩散行为需要在高扩散加权(b值为1000~2000 s/mm2)下进行采样[31]。当前非高斯扩散最常用的方法为扩散峰度成像(diffusion kurtosis imaging, DKI),在鉴别乳腺良恶性病变及预后评估中已有研究,被证明比单纯ADC提供更多的信息和更准确的诊断[32, 33]。Huang等[34]在3.0 T时扩散峰度作为乳腺癌体内成像标记物与预后因素的相关分析中发现,ALN受累者平均扩散峰度显著高于未受累者[(1.335±0.172)vs.(1.198±0.211),P=0.016]。有学者[35]在基于肿瘤体积IVIM和非高斯扩散MRI直方图分析中发现ALNM阳性组平均扩散率的熵低于阴性组[(2.20±0.25)vs.(2.98±0.15),P=0.040],淋巴结鉴别的AUC为0.587。尽管关于非高斯分布在ALNM的研究很少,但初步研究表明结合IVIM模型或可能在乳腺癌预后生物标志物中探讨更多价值。

1.2.5 Q空间轨迹成像

       Q空间轨迹成像(Q-space trajectory imaging, QTI)是一种分析方法,它使用多b值和b张量形状编码的数据,将总扩散方差分解为“各向异性方差”和“各向同性方差”两个分量[36]。在QTI中,组织被设想为有许多非交换的隔间,而张量值扩散编码可以提供DTI受限的乳腺癌微观结构间隔的额外信息[37, 38]。Cho等[39]通过张量值扩散编码实现的扩散方差分解来研究浸润性导管癌的潜在微观结构,获得了基于张量值扩散编码的QTI参数,分析得出淋巴结转移组的总平均峰度、各向异性平均峰度和各向异性微观分数显著高于转移阴性组(P<0.05),并提出了各向异性微观分数可能成为一种乳腺癌术前评估的影像生物标记物。基于张量扩散编码的QTI参数可能有助于更深入地探讨乳腺癌组织微观结构和瘤内异质性与ALNM之间的关系。

1.3 磁共振波谱成像

       氢质子磁共振波谱(1H-magnetic resonance spectroscopy, 1H-MRS)能够定量分析活体内细胞代谢及化合物含量。肿瘤发生、进展和转移中可有多种酶参与,1H-MRS可以通过测定总胆碱(total choline, tCho)含量评估肿瘤生长代谢及预后,tCho含量来自病变内多种胆碱化合物,所以这是一种复合共振[40]。一项研究[41]通过建立关于1H-MRS的两种阅读器测量乳腺癌原发灶tCho含量振幅,研究表明,tCho含量可显著预测淋巴结状态,AUC分别为0.760、0.788,tCho<2.4 mmol/L时,未观察到转移淋巴结,因此两种阅读器的敏感度均为100%、特异度均为39.1%。1H-MRS测量易受到磁场不均匀、病变体积小以及扫描时间长等诸多因素的影响,造成结果不稳定,近年由于磁场和线圈性能的改善,其可行性得到极大提高,在诊断恶性肿瘤和淋巴结转移风险方面有一定潜能。

1.4 动态对比增强MRI

       动态对比增强MRI(dynamic contrast enhanced-MRI, DCE-MRI)是诊断乳腺癌和评估治疗效果的重要方法[42]。通过利用与肿瘤灌注和通透性相关的参数,定量DCE能够揭示肿瘤血管生成的细节[43],DCE药代动力学参数包括Ktrans、Kep、Ve、TTP、Peak、Washin、Washout,Kep为对比剂从细胞外转移到血管内的速率常数[44]。近期有学者[10]分析了不同时间点原发病灶的动态增强各定量及半定量参数值对ALNM的预测性能,多变量分析中,DCE-MRI在第5个时间点的AUC(0.656,P<0.05)显示出预测乳腺癌ALNM的能力,为其独立预测因子。CAIPIRINHA-Dixon-TWIST-VIBE(CDTV)是一种新开发的利用高加速系数和k空间数据共享的技术,确保DCE扫描具有相对较高的时空分辨率[45, 46]。Sun等[11]通过在线CDTV-DCE获得的全病灶直方图和参数纹理分析中发现淋巴结阳性(1.93±0.95)和淋巴结阴性(1.53±0.84)乳腺癌的Kep偏度有显著差异(P=0.007)。DCE-MRI药代动力学参数显示出预测乳腺癌ALNM的能力,但研究尚处于初步阶段,今后需改进研究方法深入探讨并验证药代动力学参数预测ALNM的价值。

1.5 多模态MRI

       近年来,研究者们通过整合多种MRI参数的多模态MRI预测乳腺癌ALNM,获得了较好的成果。Xue等[47]在预测早期浸润性乳腺癌的研究中结合临床病理因素与MRI特征,在ALN阳性相关因素的多变量分析,肿瘤位置、大小、多灶性、MRI报告的可疑ALN、ADC值及淋巴管浸润(lymphatic vessel invasion, LVI)被确定为独立危险因素,并以此创建了ALNM的列线图,AUC为0.88,列线图表现良好。有研究[48]基于T1WI、T2WI、DWI的多参数MRI乳腺癌图像对感兴趣的病变区域图像进行裁剪,并将其发送至预训练的网络,然后将结果发送到分类器进行集成学习,以构建多参数MRI的ALNM预测模型。最终获得了7种不同模型,在基于单序列的模型中,T2WI表现最好,而多序列整合模型中T1WI+T2WI+DWI最佳,AUC及准确率分别为0.996、96.8%。多参数联合建立的多模态MRI预测模型提高ALNM诊断质量的研究已有众多,并获得了较好的预测效果,但大多都存在单中心、样本量少及性能不稳定的缺陷,不足以推行到临床中去。因此,今后的研究应该致力于优势临床指标、可靠影像参数及良好的机器学习模型的组合。

2 影像组学术前预测乳腺癌ALNM的研究进展

       影像组学是一个新的研究领域,它从影像中高通量提取大量信息,并实现肿瘤分割、特征提取与模型建立,将视觉影像信息转化为深层次的特征来进行量化研究,辅助医师做出最准确的诊断。一项基于DCE-MRI影像组学乳腺癌ALNM列线图的研究结果表明,组织学分级、多灶性、MRI报告淋巴结状态和影像组学指标升高与ALNM显著相关,影像组学列线图显示出很好的辨别力,在训练组和验证组中,AUC分别为0.907和0.874,并得出DCE-MRI图像的原发肿瘤区域提取的影像组学特征可作为预测ALNM潜在生物标志物的结论[12]。瘤内—瘤周纹理转换是一种新的影像组学方法,包括一系列代表肿瘤内外差异的图像特征的定量测量。Zhan等[49]选择注射对比剂后的90 s期手工勾画肿瘤内及瘤周体积,并提取定量特征进行分析,通过增加瘤内—瘤周纹理转换特征,在乳腺癌患者术前预测ALN状态的测试数据集中,肿瘤内影像组学模型的AUC值从0.824增加到0.855。一篇Meta分析就基于机器学习的DCE-MRI影像组学在预测ALNM和SLN转移诊断性能进行分析,发现纳入研究之间存在显著的异质性。亚组分析结果显示,与深度学习、1.5 T、ROI包括乳腺肿瘤、半自动扫描和SLN相比,机器学习、3.0 T、手动绘制的ROI包括ALN、ALN和SLN组合,可略微提高诊断性能[50]

       相较单序列影像组学模型,多序列的模型预测能力表现得更加稳健。Qiu等[51]基于乳腺原发肿瘤和ALN的MRI影像特征、临床病理特征和MRI形态学发现建立四个模型,即一个影像组学特征、一个MRI临床列线图和两个MRI临床影像组列线图,以预测腋窝非SLN状态。使用5倍交叉验证方法选择每个模型中的最佳预测因子(最大ALN的短径、CA153、LVI、DWI纹理特征),加上超声报告中的ALN状态,构建最终模型,有CA153的MRI临床影像组学列线图AUC达到了最高(0.862,P<0.01),提示此列线图在临床上是有用的。有学者[52]在基于MRI影像组学预测术前ALNM的一项多中心研究中,应用机器学习的随机森林算法选择关键的术前MRI影像特征,再通过支持向量机算法开发ALN和肿瘤影像特征,并结合临床病理信息,构建了多组学特征。结果显示,包括ALN和肿瘤影像特征的模型显示出很高的预测质量,训练队列的AUC为0.88。在训练队列、外部验证队列和前瞻性—回顾性验证队列中,结合肿瘤和淋巴结MRI影像组学、临床和病理特征以及分子亚型的多组特征在预测性能上取得了更好的表现,AUC分别为0.90、0.91和0.93。影像组学特征的加入明显提高了MRI对ALNM的预测水平,但由于影像组学的复杂性和不同研究方法之间的异质性,以及大部分研究缺乏外部验证,因而降低了模型的临床适用性,因此今后的研究应该着重于临床适用方面。

3 总结与展望

       综上所述,ALNM是乳腺癌远处转移的门户,其在乳腺癌的分期、诊疗及预后中扮演着重要角色。各类影像学方法尤其是多参数MRI及影像组学联合机器学习的方法在预测ALNM中的研究,集各参数之长,并能够挖掘人眼不可见的影像特征,为临床实践中ALNM的推进提供了新的方法。但目前仍未确立统一标准及相对稳定的预测模型,这还需要通过在未来的研究中发挥多中心、多参数、大样本的优势,并以科学严谨的研究设计建立完善的系统来预测ALNM。

[1]
Sung H, Ferlay J, Siegel RL, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2021, 71(3): 209-249. DOI: 10.3322/caac.21660.
[2]
Rose BS, Jiang W, Punglia RS. Effect of lymph node metastasis size on breast cancer-specific and overall survival in women with node-positive breast cancer[J].Breast Cancer Res Treat, 2015, 152(1): 209-216. DOI: 10.1007/s10549-015-3451-y.
[3]
To B, Isaac D, Andrechek ER. Studying lymphatic metastasis in breast cancer: current models, strategies, and clinical perspectives[J]. J Mammary Gland Biol Neoplasia, 2020, 25(3): 191-203. DOI: 10.1007/s10911-020-09460-5.
[4]
Giuliano AE. Axillary dissection vs No axillary dissection in women with invasive breast cancer and sentinel node metastasis[J]. JAMA, 2011, 305(6): 569-575. DOI: 10.1001/jama.2011.90.
[5]
Lyman GH, Temin S, Edge SB, et al. Sentinel lymph node biopsy for patients with early-stage breast cancer: American Society of Clinical Oncology clinical practice guideline update[J]. J Clin Oncol, 2014, 32(13): 1365-1383. DOI: 10.1200/JCO.2013.54.1177.
[6]
Kootstra J, Hoekstra-Weebers JEHM, Rietman H, et al. Quality of life after sentinel lymph node biopsy or axillary lymph node dissection in stage Ⅰ/Ⅱ breast cancer patients: a prospective longitudinal study[J]. Ann Surg Oncol, 2008, 15(9): 2533-2541. DOI: 10.1245/s10434-008-9996-9.
[7]
Liang Y, Yi L, Liu P, et al. CX3CL1 involves in breast cancer metastasizing to the spine via the Src/FAK signaling pathway[J]. J Cancer, 2018, 9(19): 3603-3612. DOI: 10.7150/jca.26497.
[8]
Giuliano AE, Ballman KV, McCall L, et al. Effect of axillary dissection vs No axillary dissection on 10-year overall survival among women with invasive breast cancer and sentinel node metastasis: the ACOSOG Z0011 (alliance) randomized clinical trial[J]. JAMA, 2017, 318(10): 918-926. DOI: 10.1001/jama.2017.11470.
[9]
Liu YY, Luo HB, Wang CH, et al. Diagnostic performance of T2-weighted imaging and intravoxel incoherent motion diffusion-weighted MRI for predicting metastatic axillary lymph nodes in T1 and T2 stage breast cancer[J]. Acta Radiol, 2022, 63(4): 447-457. DOI: 10.1177/02841851211002834.
[10]
Gao Y, Feng W, Lu XR, et al. Difference of DCE-MRI parameters at different time points and their predictive value for axillary lymph node metastasis of breast cancer[J]. Acad Radiol, 2022, 29(Suppl 1): S79-S86. DOI: 10.1016/j.acra.2021.01.013.
[11]
Sun K, Zhu H, Chai WM, et al. Whole-lesion histogram and texture analyses of breast lesions on inline quantitative DCE mapping with CAIPIRINHA-Dixon-TWIST-VIBE[J]. Eur Radiol, 2020, 30(1): 57-65. DOI: 10.1007/s00330-019-06365-8.
[12]
Song DL, Yang F, Zhang YJ, et al. Dynamic contrast-enhanced MRI radiomics nomogram for predicting axillary lymph node metastasis in breast cancer[J/OL]. Cancer Imaging, 2022, 22(1) [2022-05-03]. https://doi.org/10.1186/s40644-022-00450-w. DOI: 10.1186/s40644-022-00450-w.
[13]
Meinel LA, Abe H, Bergtholdt M, et al. Multi-modality morphological correlation of axillary lymph nodes[J].Int J Comput Assist Radiol Surg, 2010, 5(4): 343-350. DOI: 10.1007/s11548-010-0421-z.
[14]
Baltzer PA, Dietzel M, Burmeister HP, et al. Application of MR mammography beyond local staging: is there a potential to accurately assess axillary lymph nodes? evaluation of an extended protocol in an initial prospective study[J]. AJR Am J Roentgenol, 2011, 196(5): W641-W647. DOI: 10.2214/AJR.10.4889.
[15]
Luciani A, Dao TH, Lapeyre M, et al. Simultaneous bilateral breast and high-resolution axillary MRI of patients with breast cancer: preliminary results[J]. AJR Am J Roentgenol, 2004, 182(4): 1059-1067. DOI: 10.2214/ajr.182.4.1821059.
[16]
季娟, 盛美红, 汤卫霞, 等. 多参数MRI与细胞周期蛋白D1在乳腺癌腋窝淋巴结转移预测中的应用[J]. 磁共振成像, 2021, 12(10): 1-5, 11. DOI: 10.12015/issn.1674-8034.2021.10.001.
Ji J, Sheng MH, Tang WX, et al. Application of multi-parameter MRI and Cyclin D1 in predicting axillary lymph node metastasis of breast cancer[J]. Chin J Magn Reson Imaging, 2021, 12(10): 1-5, 11. DOI: 10.12015/issn.1674-8034.2021.10.001.
[17]
Kettunen T, Okuma H, Auvinen P, et al. Peritumoral ADC values in breast cancer: region of interest selection, associations with hyaluronan intensity, and prognostic significance[J]. Eur Radiol, 2020, 30(1): 38-46. DOI: 10.1007/s00330-019-06361-y.
[18]
Kato F, Kudo K, Yamashita H, et al. Predicting metastasis in clinically negative axillary lymph nodes with minimum apparent diffusion coefficient value in luminal A-like breast cancer[J]. Breast Cancer, 2019, 26(5): 628-636. DOI: 10.1007/s12282-019-00969-0.
[19]
Surov A, Chang YW, Li LH, et al. Apparent diffusion coefficient cannot predict molecular subtype and lymph node metastases in invasive breast cancer: a multicenter analysis[J/OL]. BMC Cancer, 2019, 19(1) [2022-05-03]. https://doi.org/10.1186/s12885-019-6298-5. DOI: 10.1186/s12885-019-6298-5.
[20]
Liu CL, Wang K, Chan Q, et al. Intravoxel incoherent motion MR imaging for breast lesions: comparison and correlation with pharmacokinetic evaluation from dynamic contrast-enhanced MR imaging[J]. Eur Radiol, 2016, 26(11): 3888-3898. DOI: 10.1007/s00330-016-4241-6.
[21]
Le Bihan D, Breton E, Lallemand D, et al. MR imaging of intravoxel incoherent motions: application to diffusion and perfusion in neurologic disorders[J]. Radiology, 1986, 161(2): 401-407. DOI: 10.1148/radiology.161.2.3763909.
[22]
Suo ST, Cheng F, Cao MQ, et al. Multiparametric diffusion-weighted imaging in breast lesions: association with pathologic diagnosis and prognostic factors[J]. J Magn Reson Imaging, 2017, 46(3): 740-750. DOI: 10.1002/jmri.25612.
[23]
Feng W, Gao Y, Lu XR, et al. Correlation between molecular prognostic factors and magnetic resonance imaging intravoxel incoherent motion histogram parameters in breast cancer[J]. Magn Reson Imaging, 2022, 85: 262-270. DOI: 10.1016/j.mri.2021.10.027.
[24]
Zhao M, Wu Q, Guo LL, et al. Magnetic resonance imaging features for predicting axillary lymph node metastasis in patients with breast cancer[J/OL]. Eur J Radiol, 2020, 129 [2022-05-03]. https://doi.org/10.1016/j.ejrad.2020.109093. DOI: 10.1016/j.ejrad.2020.109093.
[25]
Liang JY, Zeng SH, Li ZP, et al. Intravoxel incoherent motion diffusion-weighted imaging for quantitative differentiation of breast tumors: a Meta-analysis[J/OL]. Front Oncol, 2020, 10(8) [2022-05-03]. https://doi.org/10.3389/fonc.2020.585486. DOI: 10.3389/fonc.2020.585486.
[26]
Le Bihan D, Mangin JF, Poupon C, et al. Diffusion tensor imaging: concepts and applications[J]. J Magn Reson Imaging, 2001, 13(4): 534-546. DOI: 10.1002/jmri.1076.
[27]
Furman-Haran E, Grobgeld D, Nissan N, et al. Can diffusion tensor anisotropy indices assist in breast cancer detection?[J]. J Magn Reson Imaging, 2016, 44(6): 1624-1632. DOI: 10.1002/jmri.25292.
[28]
Partridge SC, Ziadloo A, Murthy R, et al. Diffusion tensor MRI: preliminary anisotropy measures and mapping of breast tumors[J]. J Magn Reson Imaging, 2010, 31(2): 339-347. DOI: 10.1002/jmri.22045.
[29]
Ozal ST, Inci E, Gemici AA, et al. Can 3.0 Tesla diffusion tensor Imaging parameters be prognostic indicators in breast cancer?[J]. Clin Imaging, 2018, 51: 240-247. DOI: 10.1016/j.clinimag.2018.03.022.
[30]
Kim JY, Kim JJ, Kim S, et al. Diffusion tensor magnetic resonance imaging of breast cancer: associations between diffusion metrics and histological prognostic factors[J]. Eur Radiol, 2018, 28(8): 3185-3193. DOI: 10.1007/s00330-018-5429-8.
[31]
Iima M, Yano K, Kataoka M, et al. Quantitative non-Gaussian diffusion and intravoxel incoherent motion magnetic resonance imaging: differentiation of malignant and benign breast lesions[J]. Invest Radiol, 2015, 50(4): 205-211. DOI: 10.1097/RLI.0000000000000094.
[32]
Wang WW, Zhang XD, Zhu LM, et al. Prediction of prognostic factors and genotypes in patients with breast cancer using multiple mathematical models of MR diffusion imaging[J/OL]. Front Oncol, 2022, 12 [2022-05-03]. https://doi.org/10.3389/fonc.2022.825264. DOI: 10.3389/fonc.2022.825264.
[33]
Meng N, Wang XJ, Sun J, et al. A comparative study of the value of amide proton transfer-weighted imaging and diffusion kurtosis imaging in the diagnosis and evaluation of breast cancer[J]. Eur Radiol, 2021, 31(3): 1707-1717. DOI: 10.1007/s00330-020-07169-x.
[34]
Huang Y, Lin Y, Hu W, et al. Diffusion kurtosis at 3.0T as an in vivo imaging marker for breast cancer characterization: correlation with prognostic factors[J]. J Magn Reson Imaging, 2019, 49(3): 845-856. DOI: 10.1002/jmri.26249.
[35]
You C, Li JW, Zhi WX, et al. The volumetric-tumour histogram-based analysis of intravoxel incoherent motion and non-Gaussian diffusion MRI: association with prognostic factors in HER2-positive breast cancer[J/OL]. J Transl Med, 2019, 17(1) [2022-05-03]. https://doi.org/10.1186/s12967-019-1911-6. DOI: 10.1186/s12967-019-1911-6.
[36]
Szczepankiewicz F, van Westen D, Englund E, et al. The link between diffusion MRI and tumor heterogeneity: mapping cell eccentricity and density by diffusional variance decomposition (DIVIDE)[J]. Neuroimage, 2016, 142: 522-532. DOI: 10.1016/j.neuroimage.2016.07.038.
[37]
Özarslan E, Westin CF, Mareci TH. Characterizing magnetic resonance signal decay due to Gaussian diffusion: the path integral approach and a convenient computational method[J]. Concepts Magn Reson Part A Bridg Educ Res, 2015, 44(4): 203-213. DOI: 10.1002/cmr.a.21354.
[38]
Lundell H, Nilsson M, Dyrby TB, et al. Multidimensional diffusion MRI with spectrally modulated gradients reveals unprecedented microstructural detail[J/OL]. Sci Rep, 2019, 9 [2022-05-03]. https://doi.org/10.1038/s41598-019-45235-7. DOI: 10.1038/s41598-019-45235-7.
[39]
Cho E, Baek HJ, Szczepankiewicz F, et al. Clinical experience of tensor-valued diffusion encoding for microstructure imaging by diffusional variance decomposition in patients with breast cancer[J]. Quant Imaging Med Surg, 2022, 12(3): 2002-2017. DOI: 10.21037/qims-21-870.
[40]
Glunde K, Penet MF, Jiang L, et al. Choline metabolism-based molecular diagnosis of cancer: an update[J]. Expert Rev Mol Diagn, 2015, 15(6): 735-747. DOI: 10.1586/14737159.2015.1039515.
[41]
Sodano C, Clauser P, Dietzel M, et al. Clinical relevance of total choline (tCho) quantification in suspicious lesions on multiparametric breast MRI[J]. Eur Radiol, 2020, 30(6): 3371-3382. DOI: 10.1007/s00330-020-06678-z.
[42]
Pickles MD, Lowry M, Manton DJ, et al. Prognostic value of DCE-MRI in breast cancer patients undergoing neoadjuvant chemotherapy: a comparison with traditional survival indicators[J]. Eur Radiol, 2015, 25(4): 1097-1106. DOI: 10.1007/s00330-014-3502-5.
[43]
Yi B, Kang DK, Yoon D, et al. Is there any correlation between model-based perfusion parameters and model-free parameters of time-signal intensity curve on dynamic contrast enhanced MRI in breast cancer patients?[J]. Eur Radiol, 2014, 24(5): 1089-1096. DOI: 10.1007/s00330-014-3100-6.
[44]
Drisis S, Metens T, Ignatiadis M, et al. Quantitative DCE-MRI for prediction of pathological complete response following neoadjuvant treatment for locally advanced breast cancer: the impact of breast cancer subtypes on the diagnostic accuracy[J]. Eur Radiol, 2016, 26(5): 1474-1484. DOI: 10.1007/s00330-015-3948-0.
[45]
Gruber L, Rainer V, Plaikner M, et al. CAIPIRINHA-Dixon-TWIST (CDT)-VIBE MR imaging of the liver at 3.0T with gadoxetate disodium: a solution for transient arterial-phase respiratory motion-related artifacts?[J]. Eur Radiol, 2018, 28(5): 2013-2021. DOI: 10.1007/s00330-017-5210-4.
[46]
Li ZW, Ai T, Hu YQ, et al. Application of whole-lesion histogram analysis of pharmacokinetic parameters in dynamic contrast-enhanced MRI of breast lesions with the CAIPIRINHA-Dixon-TWIST-VIBE technique[J]. J Magn Reson Imaging, 2018, 47(1): 91-96. DOI: 10.1002/jmri.25762.
[47]
Xue M, Che SN, Tian Y, et al. Nomogram based on breast MRI and clinicopathologic features for predicting axillary lymph node metastasis in patients with early-stage invasive breast cancer: a retrospective study[J/OL]. Clin Breast Cancer, 2022, 22(4) [2022-05-03]. https://doi.org/10.1016/j.clbc.2021.10.014. DOI: 10.1016/j.clbc.2021.10.014.
[48]
Wang ZJ, Sun H, Li J, et al. Preoperative prediction of axillary lymph node metastasis in breast cancer using CNN based on multiparametric MRI[J]. J Magn Reson Imaging, 2022, 56(3): 700-709. DOI: 10.1002/jmri.28082.
[49]
Zhan CN, Hu YQ, Wang XR, et al. Prediction of Axillary Lymph Node Metastasis in Breast Cancer using Intra-peritumoral Textural Transition Analysis based on Dynamic Contrast-enhanced Magnetic Resonance Imaging[J]. Acad Radiol, 2022, 29(Suppl 1): S107-S115. DOI: 10.1016/j.acra.2021.02.008.
[50]
Zhang J, Li LC, Zhe X, et al. The diagnostic performance of machine learning-based radiomics of DCE-MRI in predicting axillary lymph node metastasis in breast cancer: a Meta-analysis[J/OL]. Front Oncol, 2022, 12 [2022-05-03]. https://doi.org/10.3389/fonc.2022. DOI: 10.3389/fonc.2022.799209.
[51]
Qiu Y, Zhang X, Wu ZY, et al. MRI-based radiomics nomogram: prediction of axillary non-sentinel lymph node metastasis in patients with sentinel lymph node-positive breast cancer[J/OL]. Front Oncol, 2022, 12 [2022-05-03]. https://doi.org/10.3389/fonc.2022.811347. DOI: 10.3389/fonc.2022.811347.
[52]
Yu YF, He ZF, Ouyang J, et al. Magnetic resonance imaging radiomics predicts preoperative axillary lymph node metastasis to support surgical decisions and is associated with tumor microenvironment in invasive breast cancer: a machine learning, multicenter study[J/OL]. EBioMedicine, 2021, 69 [2022-05-03]. https://doi.org/10.1016/j.ebiom.2021.103460. DOI: 10.1016/j.ebiom.2021.103460.

上一篇 磁共振非对比增强三维冠状动脉成像研究进展
下一篇 功能磁共振成像技术评估肝细胞癌生物学行为的研究进展
  
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