分享:
分享到微信朋友圈
X
临床研究
基于颅内斑块影像组学联合传统标志物预测缺血性脑卒中复发风险
王玥 侯晓雯 陈会生 陶霖

WANG Y, HOU X W, CHEN H S, et al. Prediction of the risk of recurrent ischemic stroke based on intracranial plaque radiomics with traditional biomarkers[J]. Chin J Magn Reson Imaging, 2023, 14(8): 1-9.引用本文:王玥, 侯晓雯, 陈会生, 等. 基于颅内斑块影像组学联合传统标志物预测缺血性脑卒中复发风险[J]. 磁共振成像, 2023, 14(8): 1-9. DOI:10.12015/issn.1674-8034.2023.08.001.


[摘要] 目的 对症状性大脑中动脉斑块进行影像组学特征提取,建立Cox回归模型来预测2年随访期间非心源性前循环缺血性脑卒中的复发风险,并评估模型性能。材料与方法 回顾性分析2019年1月至2020年1月完成高分辨磁共振成像(high-resolution magnetic resonance imaging, HRMRI)的首发急性前循环大脑中动脉>50%狭窄的缺血性脑卒中患者,采集其基线数据及2年随访信息,终点事件定义为随访期间非心源性的缺血性脑卒中复发事件,最终纳入82例合格受试者。利用3D-slicer软件连续进行手动分割及Radiomics插件进行斑块纹理提取,在最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)算法回归分析的最优超参数指导下建立Cox回归预测模型,并进一步计算C指数及绘制校准曲线,以进一步评估模型性能。结果 共19例患者在2年内随访期间出现终点事件,平均随访时间19.9个月,缺血性脑卒中复发率为13.9/100人年。本文根据最优超参数(logλmin=0.0886)所确定的前4个主成分(二阶纹理特征、斑块内出血、熵及低密度脂蛋白胆固醇),将其纳入多因素Cox回归分析并校正基线协变量,发现斑块二阶纹理特征(即灰度共生矩阵)对模型贡献价值最大,即每增加1个风险积分,2年内缺血性脑卒中复发风险升高约5倍[校正风险比(adjusted hazard ratio, aHR):5.379,95%置信区间(confidence interval, CI):1.716~16.859,P=0.004,权重=40.23%];然而,斑块内出血(aHR:2.226,95% CI:0.821~6.040,P=0.116,权重=20.86%)、熵(aHR:1.324,95% CI:0.769~2.278,P=0.311,权重=16.13%)及低密度脂蛋白胆固醇(aHR:1.485,95% CI:0.877~2.516,P=0.142,权重=22.78%)对终点事件预测呈相对较弱的正相关趋势。进一步在模型评价方面,文中建立的Cox风险预测模型展现了优秀的模型性能(区分度C指数=0.8296;贝叶斯校正的曲线显示贴合45°对角线)。结论 本研究建立的脑卒中复发的风险预测模型有助于筛选高复发风险的缺血性脑卒中患者,其中灰度共生矩阵对于复发风险的预测价值最大,这可能为未来精准治疗及开展大规模前瞻临床研究提供重要证据。
[Abstract] Objective To develop Cox proportional hazards regression model for prediction of the recurrence risk of non-cardiogenic anterior circulation ischemic stroke during 2-year follow-up based on radiomic approach by extracting texture features from a symptomatic middle cerebral artery (MCA) plaque, and to further evaluate the developed model performance.Materials and Methods In our retrospective study from January 2019 to January 2020, a total of 82 eligible patients with first-ever ischemic stroke and middle cerebral artery >50% luminal stenosis underwent baseline intracranial high-resolution magnetic resonance imaging (HRMRI) followed up for 2 year when recurrent non-cardiogenic ischemic stroke in the territory of MCA served as an endpoint event were finally enrolled in current analyses. HRMRI-based radiomic features were manually extracted from an index MCA plaque using 3D-Slicer software package. Multivariable Cox regression analysis was used to develop the predicting model where multi-dimensional parameters were selected by LASSO (least absolute shrinkage and selection operator) regression analysis, for which the performance was further assessed with respect to its calibration, discrimination.Results Of which, 19 cases with endpoint events occurred during the 2-year follow-up period with 13.9 per 100 person-years of the recurrence rate of ischemic stroke. Multivariable Cox regression included top 4 parameters with nonzero coefficients defined by logλmin of LASSO regression (i.e., second-order texture feature, plaque hemorrhage, entropy and low density lipoprotein cholesterol). In the prediction model adjusting for baseline covariants, the gray level co-occurrence matrix was found to be the major contributor to the event endpoint [adjusted hazard ratio (aHR): 5.379, 95% confidence interval (CI): 1.716-16.859, P=0.004, weight=40.23%]. However, plaque hemorrhage (aHR: 2.226, 95% CI: 0.821-6.040, P=0.116, weight=20.86%), entropy (aHR: 1.324, 95% CI: 0.769-2.278, P=0.311, weight=16.13%) and low density lipoprotein cholesterol (aHR: 1.485, 95% CI: 0.877-2.516, P=0.142, weight=22.78%) just showed a trend towards significance. Additionally, the developed prediction model showed a good discrimination with a C-index of 0.8296 and good calibration.Conclusions The findings suggest that our developed prediction model can target a potential sub-population at high risk of recurrent ischemic stroke in which gray level co-occurrence matrix may account for the major contributing, although this must be confirmed in future.
[关键词] 缺血性脑卒中;动脉粥样硬化;颅内狭窄性斑块;影像组学;磁共振成像
[Keywords] ischemic stroke;atherosclerosis;intracranial stenosis plaques;radiomics;magnetic resonance imaging

王玥 1   侯晓雯 2   陈会生 1   陶霖 3*  

1 北部战区总医院神经内科,沈阳 110000

2 沈阳医学院公共卫生学院,沈阳 110034

3 沈阳医学院树人国际学院,沈阳 110034

通信作者:陶霖,E-mail:1939908868@qq.com

作者贡献声明:陶霖设计本研究的方案,对稿件重要的学术内容进行了修改;王玥起草和撰写稿件,获取、分析或解释本研究的数据;侯晓雯、陈会生获取、分析或解释本研究的数据,对稿件的重要学术内容进行了修改。全体作者均同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


收稿日期:2022-10-19
接受日期:2023-07-21
中图分类号:R445.2  R743.3 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2023.08.001
引用本文:王玥, 侯晓雯, 陈会生, 等. 基于颅内斑块影像组学联合传统标志物预测缺血性脑卒中复发风险[J]. 磁共振成像, 2023, 14(8): 1-9. DOI:10.12015/issn.1674-8034.2023.08.001.

0 前言

       颅内动脉粥样硬化性狭窄(intracranial atherosclerotic stenosis, ICAS)是世界范围内脑卒中最常见的病因之一,尽管给予ICAS患者标准二级预防治疗方案,但仍有70%~99% ICAS相关的脑卒中患者在1年内再发脑卒中的风险超过20%[1]。所以,寻找与缺血性脑卒中高复发风险相关的颅内斑块标志物并进行靶向干预,可能是减少首发脑卒中后再发或加重致残的最为有效的二级预防策略。

       目前基于颅内斑块高分辨磁共振成像(high-resolution magnetic resonance imaging, HRMRI)前瞻队列或回顾性研究显示,斑块高危特点主要包括大脂质核薄纤维帽[2, 3, 4]、斑块破裂及侵蚀[2, 3, 5]、斑块内出血[2, 3, 4]、正性重塑[6, 7, 8],这些特征均被证实与临床事件密切相关。但对这些特征评估是基于人类视觉定性或简单斑块形态测量,而集成这些特征的权重总和也可能只是解释了对于缺血性脑卒中高复发风险的部分贡献价值。然而,影像二阶纹理分析[9, 10, 11],即病变内灰度空间的复杂关系,却是人类目前无法用视觉定性判断的,可能对于高复发风险脑卒中人群的评估提供了额外的重要信息[12, 13]

       2012年LAMBIN等[14]首次提出影像组学的概念,其凭借对海量影像数据信息进行更深层次的挖掘,实现精准化治疗。影像组学通过对病灶的分割、特征数据提取、数据库的建立和个体化数据的分析逐步实现信息挖掘,而纹理分析是特征数据提取中的重要一类,其可以解码隐含在医学影像中极其庞大的数字化信息,并客观化应用于临床诊治、预后分析的过程中。近年,纹理分析在神经系统研究方面,主要集中在脑出血[15, 16, 17]、多发性硬化[18, 19]、阿尔茨海默病[20, 21]。但在脑血管病领域,所涉及研究主要集中在斑块一阶组学特征(即直方图特信息),如YU等[22]发现症状侧大脑中动脉斑块T2-HRMRI信号强度高于非症状侧,而SHI等[23]则得出阴性结论,另外一项基于颅内后循环系的研究[24]应用T1-HRMRI发现基底动脉责任斑块信号强度更显著。但这些研究缺乏生存信息,均为病例对照的横断面研究,即在发病后责任斑块特征(纤维帽已破裂)才被评估,而掩盖了发病前斑块易损特点(纤维帽未破裂,但存在高危易损特点),此外,这几项研究缺乏斑块高阶纹理数据[如灰度共生矩阵(gray-level co-occurrence matrix, GLCM)],不能充分表征病变内部空间信息。至目前,少数高阶纹理研究集中在冠状动脉斑块层面,发现较单独应用传统斑块标志物,联合高阶冠脉斑块组学特征能够检测与心脏病发作等不良事件风险增加相关的易损斑块[25, 26]。综上,在脑血管病领域,尤其在缺血性脑血管病复发风险预测方面,应用颅内斑块高阶纹理特征联合传统标志物进行生存分析的相关研究,处于空白阶段。

       基于此,本文针对症状性大脑中动脉狭窄性斑块所致首发急性脑梗死这类人群,基于影像组学特征提取,构建缺血性脑卒中复发风险的预测模型,这有助于筛选高卒中复发风险的靶向人群,填补该领域的空白,对未来开展大规模前瞻性临床研究有深远意义。

1 材料与方法

1.1 研究对象

       本研究回顾性分析2019年1月至2020年1月完成头颅HRMRI的首发急性缺血性脑卒中患者。纳入标准:(1)发病到完成头颅HRMRI时间在1周内;(2)头颅磁共振弥散加权成像(diffusion-weighted imaging, DWI)确认病灶为单侧大脑中动脉供血区支配;(3)头颅磁共振血管造影(magnetic resonance angiography, MRA)确认责任侧大脑中动脉存在>50%管腔狭窄;(4)美国国立卫生院神经功能缺损评分(National Institute of Health Stroke Scale, NIHSS)<16分(考虑到重度致残,可能掩盖同侧新发脑梗死引起的临床症状)。排除标准:(1)出血性脑卒中;(2)既往缺血性脑卒中病史;(3)动静脉溶栓或者颅内血管介入治疗(如取栓、球囊扩张);(4)心源性因素(近期心肌梗死<3周,心房纤颤、心脏瓣膜病变、扩张性心肌病、病态窦房结综合征、急性心内膜炎、卵圆孔未闭或严重心脏功能不全,如射血分数<30%);(5)颅外血管成像(CT血管成像或颈部血管彩超)确认责任侧颈内动脉存在>50%管腔狭窄度;(6)病因疑似非动脉粥样硬化性病变(夹层、血管炎、烟雾病、血管痉挛、放射性血管病或药物滥用);(7)严重系统性疾病者: 肿瘤、感染性疾病、严重贫血,肝脏、肾脏功能不全等;(8)颅内HRMRI可辨度差及临床资料缺失。根据影像组学积分(直方图及GLCM),将符合纳排标准的受试者分为两组(基于中位数划分为低积分组和高积分组),比较组间对应基线及磁共振斑块常规特征分布的差异。对于基线一般资料的采集指标:性别、年龄、吸烟、饮酒、高血压、糖尿病、冠心病、基线NIHSS、糖化血红蛋白、血清总胆固醇和低密度脂蛋白胆固醇。本研究受试者来自北部战区总医院,该研究遵循《赫尔辛基宣言》,经北部战区总医院伦理委员会批准,免除受试者知情同意,批准文号:伦审K(2018)44。

1.2 磁共振参数协议

       使用GE Discover 750 3.0 T 磁共振扫描仪(美国通用电器公司)及标准头部8通道专用线圈进行扫描。所有入组受试者接受磁共振扫描,包括常规磁共振平扫、DWI、3D TOF MRA和HRMRI [高分辨率自旋回波T2WI及T1WI]。DWI扫描参数如下:TR 3000 ms,TE 65.3 ms,b值=1000 s/mm2,FOV 240 mm×240 mm,矩阵160×160,层厚6 mm;3D TOF MRA扫描参数:TR 20.0 ms,TE 3.4 ms,FOV 24.0 cm×21.1 cm,层厚1.4 mm,激励次数(number of excitations, NEX)1;高分辨率自旋回波T1WI序列参数如下:TR 500~600 ms,TE 15~18 ms,FOV 130 mm×130 mm,矩阵160×160,层厚0.8 mm;高分辨率自旋回波T2WI参数如下:TR 2500~3600 ms,TE 50~56 ms,FOV 130 mm×130 mm,矩阵160×160,层厚1.5 mm,层间距0.2 mm。

1.3 生存资料的采集

       本研究终点事件为24个月随访期间内缺血性脑卒中事件复发,定义为新的临床症状出现及伴有持续24 h以上的神经系统功能缺损或者NIHSS评分增加≥4分(与首次发病间隔至少1个月,且新的脑梗死病灶所在区域为首发时症状侧大脑中动脉支配区)。本研究的随访期为基线入院治疗结束后至24个月,并每6个月±2周由门诊神经专科医生或病房管床医生与患者或其直系亲属进行面对面访视或者电话及手机视频方式随访。本研究需要采集如下生存资料:是否发生终点事件、发生终点事件的时间(以月为单位)、删失情况、随访期间是否发生阵发性房颤、其他血管事件(如脑出血及下肢静脉血栓等)。由经验丰富的临床专科医生根据最新脑血管病诊疗指南进行终点事件(缺血性脑卒中事件复发)评估,对于随访期间复发脑卒中的患者,必须至少有责任事件相关的头颅CT影像作为排除脑出血的证据,另外,疑似存在脑卒中模拟病或精神心理因素等情况,须及时与心理门诊专科医生协同评估,如最终无法达成共识及不能排除功能性因素导致等情况,将最终从本研究分析中剔除。

1.4 斑块影像分割及影像组学特征提取

       将患者责任侧大脑中动脉斑块图像(T2序列)以DICOM格式从PACS工作站导入3D-slicer图像后处理软件(版本4.11,美国国立研究院,www.slicer.org)。由2名工作年限为7~11年的神经专科主治医师在不知晓终点事件发生情况的前提下,使用Segmentation组件对责任侧大脑中动脉最狭窄处的斑块(视觉评估)进行逐层手动分割并以3D形式展示(图1A),同时应避免将管腔及血管外壁结构置入感兴趣区内。本研究中,斑块组学特征提取是应用pyradiomics插件(http://github.com/Radiomics/pyradiomics),自动计算每个感兴趣区内对应的影像组学特征,包括一阶直方图特征以及二阶纹理特征之一的GLCM(图1B)。注意,GLCM同时考虑像素强度和空间关系,并由此衍生出灰度游程长度矩阵等。本研究只选择了GLCM作为代表性的重要参数,是考虑到建模时若纳入其他衍生的参数,变量彼此之间存在强相关性,会显著削弱统计效能。

图1  本研究数据处理及建模流程。1A示斑块影像资料采集,1B示放射组学特征提取,1C示建模过程,1D示模型性能评价。LASSO:最小绝对收缩和选择算子;AUROC:受试者工作特征曲线下面积。
Fig. 1  Data process and modeling method. 1A indicates image data collection and plaque extraction; 1B indicates radiomics feature extraction; 1C indicates the optimal tuning parameters and development of model; 1D indicates model performance evaluation. LASSO: least absolute shrinkage and selection operator; AUROC: area under the receiver operating characteristic curve.

1.5 基于磁共振的常规斑块参数

       将患者HRMRI-T1及HRMRI-T2序列影像导入DICOM浏览器,选择责任侧颅内大脑中动脉最狭窄处病变为责任斑块,相邻近端层面的正常管壁作为参照,手动勾画最狭窄处及参照层面(责任斑块相邻近端无斑块层面作为参考,这是考虑到远端层面接近血管分叉处)的血管外壁轮廓并测量其血管面积[2]。(1)血管重塑指数[2]=最狭窄处血管面积/参考平面血管面积,重塑类型被划分为三类:分别为正性重塑,即重塑指数>1.05;负性重塑,即重塑指数<0.95;中间状态,即重塑指数在0.95~1.05之间;(2)斑块内出血[2, 27],基于HRMRI-T1序列,定义为斑块内部最亮处的信号强度数值至少是血管壁旁脑实质的信号强度1.5倍,反之为非高信号斑块;(3)斑块纤维帽破裂[2],定义为斑块腔面不连续;(4)腔狭窄度=(1-颅内血管最狭窄处管腔的直径/相邻正常颅内血管管腔的直径)×100%。相关参数评估由上述两名医师在对临床资料及梗死类型不知情条件下独立完成,对于存在异议的图像共同商讨后决定。

1.6 统计学分析

       本研究应用R(版本4.0,GNU项目,www.r-project.org)进行统计分析。利用3D-slicer软件,采集斑块直方图特征及纹理特征(熵、峰度、偏度、均像素值、集群显著性、集群阴影、集群趋势及对比度)。

       首先,本研究比较不同影像组学积分组(基于中位数分为低积分组和高积分组)对应基线资料及基于磁共振斑块常规特征分布的差异,正态参数用均数±标准差表示,并用独立样本t检验;偏态数据以中位数(四分位间距)表示,并用秩和检验;二分类资料以n(%)表示并用卡方或Fisher确切概率法检验。影像组学积分的计算,采用标准化回归系数的加权求和方法,得出每例患者对应评分R(版本4.0,GNU项目,www.r-project.org)。对于一阶直方图特征,每例患者的直方图积分=权重a×熵+权重b×偏度+权重c×峰度+权重d×均像素值,权重为各变量的标准化回归系数;同样,GLCM积分=权重e×集群显著性+权重f×集群阴影+权重g×集群趋势+权重h×对比度。

       然后,使用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)算法Cox回归分析进行终点事件预测,纳入的变量共计19个,分别为性别、年龄、吸烟、饮酒、高血压、糖尿病、冠心病、基线NIHSS、糖化血红蛋白、血清总胆固醇、低密度脂蛋白胆固醇、腔狭窄度、正性重塑、斑块内出血、熵、峰度、偏度、均像素值、GLCM。并进一步执行LASSO 5-folds交叉验证,目的是对基线变量进行降维处理,以提升模型性能,根据正则化调谐参数logλmin确定拟合最优的Cox回归模型的非零系数的种类,并绘制最优分类器受试者工作特征(receiver operating characteristic, ROC)曲线及曲线下面积(area under the curve, AUC)判断模型性能。另外,本文还将全集按0.5∶0.5随机抽样方式划分为训练集和测试集,并将训练集的预测效果泛化至测试集,进一步来验证模型性能。

       构建Cox回归模型以及绘制基于生存资料的列线图。根据先前确定的非零系数种类,本文将其纳入多因素Cox回归分析,以计算对随访期间终点事件预测的风险[采用校正协变量的风险比(adjusted hazard ratio, aHR)及95%置信区间(confidence interval, CI)],其中校正的协变量包括性别、年龄、吸烟、饮酒、高血压、糖尿病、冠心病、基线NIHSS。这里为便于临床解读,文中统一对纳入的自变量进行合理转换,即对于正态资料予以标准化转化(即每1-SD增长),偏态数据予以Log2转换(即每2倍增长)。另外,集群显著性、集群阴性、集群趋势及对比度各自权重等于各参数标准化回归系数的归一化结果。此外,为了临床实用性及预测模型的泛化性,进一步绘制基于生存资料的列线图(图1C)。

       关于Cox回归分析模型(或列线图)性能的评价。本文执行基于生存函数时间序列的预测模型的区分度C指数(concordance index)比较,以及绘制校准曲线并采用Bootstrap重抽样1000次进行交叉验证(图1D)。

       最后,对于影像组学观察者间测量一致性分析,采用组内相关系数(intraclass correlation coefficient, ICC)来进一步评估。双尾P<0.05时为差异有统计学意义。

2 结果

2.1 简要流程及基线分布特征

       本研究最初纳入88例在发病1周内完成颅内HRMRI检查、均为单侧大脑中动脉支配区分布且>50%管腔狭窄的首发急性脑梗死患者。其中,3例在随访期间出现房颤被剔除;2例疑因焦虑抑郁状态,无法判断是否模拟卒中发病被剔除;1例原因不明猝死,缺乏相关检查被剔除。最终,本研究经严格筛选及评估后,共纳入82例合格受试者,所有纳入的受试者在随访期间遵医嘱接受标准二级预防用药[其中抗板药物为阿司匹林100 mg日一次/氯吡格雷75 mg日一次,以及他汀治疗(阿托伐他汀20~40 mg或瑞舒伐他汀5~10 mg)],其中19例在24个月随访期间出现终点事件(缺血性卒中复发,与首发责任侧血管支配区一致),复发率为13.9/100人年,平均随访时间为19.9个月。根据基线斑块影像组学积分中位数分为高低风险组,组间临床资料及基于磁共振斑块特征的比较见表1图2

图2  基于不同缺血性脑卒中复发风险对应的斑块二阶纹理特征统计量。2A展现随访期间发生终点事件(缺血性脑卒中再发)患者对应基线时大脑中动脉责任斑块纹理特征提取及量化;2B展现未发生终点事件患者对应基线时大脑中动脉责任斑块纹理特征提取及量化。HRMRI:高分辨磁共振成像。
Fig. 2  Quantitative plaque second-order texture feature based on different ischemic stroke recurrence risk. 2A presents the texture feature extraction and quantification on a symptomatic plaque of middle cerebral artery at baseline in a patient who underwent a recurrent ischemic stroke during follow-up. 2B shows the extraction and quantification of texture features of the middle cerebral artery culprit plaque at baseline for patients without endpoint events. HRMRI: high-resolution magnetic resonance imaging.
表1  基线资料与影像组学特征积分
Tab. 1  Baseline characteristics and radiomics scores

2.2 基于生存资料的LASSO回归分析

       对于预测终点事件,采用5折交叉验证的LASSO Cox回归分析(图3),结果显示在超参数logλmin=0.0886时,模型性能最优。此时,被确定的4个非零系数(即对模型贡献top 4主成分的参数),依次为GLCM(非零系数=0.8120)、斑块内出血(非零系数=0.1020)、熵(非零系数=0.0485)、低密底脂蛋白C(非零系数=0.0040)。同时,基于LASSO生存分析构建模型的最优分类器ROC曲线下面积AUC为0.8296(图4),提示模型性能优秀;另外将训练集的模型预测力泛化至测试集,显示AUC为0.7557(图4),也提示具有较好的模型预测能力。

图4  最优超参数的受试者工作特征曲线。4A:全集内部K折交叉验证;4B:训练集预测效果泛化至测试集(训练集和测试集基于全集0.5∶0.5随机抽样生成)。AUROC:受试者工作特征曲线下面积。
Fig. 4  Receiver operating characteristic curve of optimal hyperparameter. 4A: The diagnostic performance evaluation in the complete set via K-fold cross validation; 4B: The diagnostic performance evaluation in the test set as a ratio of 0.5∶0.5 generated from random sampling. AUROC: area under the receiver operating characteristic curve.
图3  最小绝对收缩和选择算子(LASSO)Cox回归调谐参数(λ)。3A展现使用5折交叉验证来选择正则化LASSO回归模型中的超参数(λ),与LASSO回归交叉验证模型的二项式偏差绘制成log(λ)的函数。上方数字代表选择的特征数,右侧灰色虚线位置分别为根据最小标准logλmin确定的最优拟合模型和1-标准误差规则logλ(1-SE)标准所对应的临床最简化模型。3B显示19个特征参数随着超参数(λ值)的变化,不同参数LASSO系数的变化情况。
Fig. 3  Least absolute shrinkage and selection operator (LASSO) Cox regression analysis for identifying on-zero parameter. 3A presents that non-zero parameters are selected using the LASSO Cox regression model where the penalty term (λ) in the LASSO model is selected through 5-fold cross-validation based on minimum criteria (gray dotted line on the left). The right gray dotted line means the clinically simplest model based on logλ (1-standard error). Y-axis means binomial deviances. X-axis means the log (λ), Up-X-axis means the average number of predictors. The red dots indicate average deviance values for each λ that different models have different deviance. 3B shows LASSO coefficient profiles of the 19 features where logλmin resulted in 4 non-zero coefficients.

2.3 Cox回归模型建立及绘制列线图

       将先前确定的top 4非零参数纳入Cox生存分析,多因素Cox回归分析结果显示(表2),在调整协变量后,GLCM对模型贡献价值最大,即每增加1个风险积分,2年随访期间缺血性脑卒中复发风险升高5.379倍(aHR:5.379,95% CI:1.716~16.859,P=0.004,权重=40.23%),而斑块内出血(aHR:2.226,95% CI:0.821~6.040,P=0.116,权重=20.86%)、熵(aHR:1.324,95% CI:0.769~2.278,P=0.311,权重=16.13%)及低密度脂蛋白胆固醇(aHR:1.485,95% CI:0.877~2.516,P=0.142,权重=22.78%)三者尽管对模型也有一定贡献价值,但CI相对较宽(覆盖Null)。此外,基于GLCM的4个统计特征,即集群显著性、阴影、趋势及对比度,其各自权重比例分别见表3。为提升模型应用泛化性,本研究额外创建了列线图R(版本4.0,GNU项目,www.r-project.org),结果见图5

图5  预测终点事件的列线图。
Fig. 5  Nomogram for predicting an endpoint event.
表2  多因素Cox回归分析预测缺血事件复发风险
Tab. 2  Multivariate Cox regression analysis for prediction of recurrent ischemic stroke
表3  基于灰度共生矩阵特征量预测缺血事件复发风险
Tab. 3  Gray-level co-occurrence matrix for prediction of recurrent ischemic stroke

2.4 预测模型性能的评价

       关于模型区分度(图6A),引入影像组学特征建立的列线图预测模型的区分度(以C指数水平衡量),要好于常规模型(仅纳入斑块内出血+低密度脂蛋白胆固醇)。同样,两种模型拟合度Ominbus检验显示,列线图预测模型的对数似然比值=140.163,χ2=19.261,P=0.001;常规预测模型(斑块内出血+低密度脂蛋白胆固醇)对数似然比值=153.593,χ2=5.831,P=0.054;提示与常规特征的预测模型比较,列线图解释能力更强,即至少有一个自变量对模型有重要贡献和影响。关于模型校准(图6B),文中采用Bootstrap重抽样1000次进行交叉验证,结果显示,贝叶斯校正的曲线贴合45°对角线,说明建立的列线图的预测效能优越。

图6  模型性能评价。6A:基于时序的列线图预测模型区分度比较。X轴代表随访的时序,Y轴代表区分度(C指数)。黑色线条代表引入影像组学特征建立的列线图预测模型(熵+灰度共生矩阵+斑块内出血+低密度脂蛋白胆固醇)的区分度;红色线条代表常规模型(斑块内出血+低密度脂蛋白胆固醇)。6B:列线图预测模型的校准曲线。校准曲线描述了列线图预测随访期缺血性脑卒中复发的风险与实际观察到的值之间的一致性的校准。X轴为模型预测得到的结局可能性,而Y轴为实际观察得到的值,并采用Bootstrap重抽样1000次进行交叉验证。其中绿色实线为贝叶斯校正曲线,而对角虚线为最理想曲线。校正曲线与理想曲线之间越相近,说明模型的预测能力越好。
Fig. 6  Model performance evaluation. 6A: Comparison of discrimination of nomogram based on time series. The X axis represents the time sequence of follow-up, and the Y axis represents the differentiation (C index). The black line represents the differentiation of the nomogram prediction model (including entropy, gray-level co-occurrence matrix, intraplaque hemorrhage and low density lipoprotein cholesterol) by adding the radiomics signatures. The red line represents the conventional model (intraplaque hemorrhage and low density lipoprotein cholesterol). 6B: Calibration curve of nomogram. Calibration curve shows the calibration of the nomogram in terms of agreement between the predicted vs. observed risk of recurrent ischemic stroke during follow-up. The X axis is the predictive probability of outcome event by the developed model, while the Y axis is the actual observed probability, and the Bootstrap resampling 1000 times is used for cross validation. The green solid line is the Bayesian correction curve, and the diagonal dotted line is the most ideal curve. The closer the correction curve is to the ideal curve, the better predictive ability of the developed model has.

2.5 可重复性分析

       对本研究涉及斑块影像组学及HRMRI斑块参数,应用ICC进行观察者间的一致性评价。结果显示观察者间,具良好或优秀的测量一致性(表4)。

表4  可重复性分析
Tab. 4  The reproducible analysis

3 讨论

       本研究是首次基于生存资料,对基线颅内大脑中动脉症状性斑块分割及影像组学数据的提取,并在最优超参数指导下构建首发缺血性脑卒中后的复发风险预测模型并绘制列线图。结果显示,本研究开发的预测模型具有优秀的区分度和校准度,优于传统模型。其中GLCM对模型预测效果的权重最大(约40%),提示每增加1个风险积分,2年随访期间缺血性脑卒中复发风险升高约5倍。这有助于筛选高复发风险的缺血性脑卒中患者,为未来精准治疗及随访治疗效果提供重要证据。

3.1 传统斑块标志物的局限及影像组学的优势

       传统颅内斑块定性或定量特征,被证实与临床卒中事件密切相关[2, 3, 4],然而,基于二分类定性及斑块形态测量,可能会受到观察者主观倾向及专业技术能力等影响。而影像组学具有良好且稳定的可重复性,提供了不因主观因素影响的客观指标,并且可检测出临床医生无法肉眼分辨的“不可知”特征[14]。目前涉及影像组学研究集中在斑块直方图特征上(例如,平均值、最大值、最小值、方差和峰度),且为自身对照(梗死同侧vs.对侧大脑中动脉斑块)。例如,YU等[22]发现症状侧大脑中动脉斑块T2-HRMRI信号强度高于非症状侧,而SHI等[23]则得出阴性结论,而这几项研究缺乏生存信息[22, 23],极大削弱了发病前斑块高危易损特点,导致不能提前预判及靶向干预治疗,同时缺少斑块高阶纹理特征分析(如GLCM),也不能充分挖掘影像组学所蕴含的高维度及深层次潜在重要信息。此外,在脑血管病领域尚无应用颅内斑块高阶纹理特征联合传统标志物进行生存分析的相关研究。本研究的发现可能填补这一空缺。

3.2 本研究与既往研究在一阶影像组学方面的差异

       不同于上述讨论的既往研究[22, 23],本文是探讨斑块特征与未来缺血性脑卒中再发事件之间的关联。本研究在超参数确定下,仅熵被提示为非零参数,这提示斑块的其他直方图特征(如偏度、峰度及均像素值)均与终点事件无显著关联。熵增[28, 29, 30]作为一阶影像组学特征,其代表病变内部信号混乱程度,从生物学角度分析,斑块熵增表示斑块内部信号异质性的程度高,可能与潜在斑块内出血(T2混杂信号)有关[2],尽管本文中熵的变化对终点事件有一定解释度,但CI相对较宽(95% CI:0.769~2.278,包含Null)。这可能与直方图表征信息能力的局限性有关,直方图信息本质上代表病变内部单个灰度i分布的描述符,局限在二维平面目标区域的信息,而不能充分体现三维空间区域内灰度i与灰度j之间的相互关系[14, 31]。既往观点认为,相对于正常老化,阿尔茨海默病患者发生熵增的年龄更早[32]。然而,目前尚无熵增与脑血管系统疾病关系的研究,具体机制仍不清楚。

3.3 高阶影像组学在预测复发性脑血管病方面的重要作用及潜在机制

       GLCM代表二阶影像组学特征,是目前主要的纹理分析方法之一,有着广泛的应用[14, 31]。它描述空间区域内灰度强度(i,j)之间的相互关系,这些特征是从矩阵中计算出来的,表示强度i的像素在与相邻强度j的特定空间关系中出现的频率(即所有可能的组合灰度值出现次数)。为了量化GLCM,衍生出一些统计量来提取它所反映的纹理特点,如集群显著性、集群阴影、集群趋势及对比度等[14]。在本研究构建的Cox回归模型中,发现对预测效果起到主要贡献作用的变量为GLCM(权重约40%),这可能提示与缺血性脑卒中再发事件相关的斑块内部隐藏着高度异质性的纹理特征,背后机制仍不清楚。笔者推测如下,首先,既往研究[2]发现20%~30%症状性颅内斑块存在滋养血管破裂出血情况,这将导致斑块内的脱氧血红蛋白(T2高信号)与脂质核(T2低信号)形成鲜明对比,相邻像素(i,j)组合频率的分布变异增大,由此映射到GLCM上的分布模式随之发生改变,呈现背离对角线的离散趋势,如果这种离散度越高,对应的特征统计量的数值越大,提示斑块易损;此外,还可能与斑块表面侵蚀程度相关[33],如侵蚀的易损斑块易导致斑块表面红色血栓富集(脱氧血红蛋白成分,T2高信号),进而与内部脂质核成分(T2低信号)形成灰度反差;另外,还可能与斑块内散在多发钙化斑点有关,钙化在T2序列由于顺磁作用表现为极低信号,与周围所覆盖的脂质核(T2低信号)也形成灰度反差,如分布广泛可能致斑块内部组织结构失稳态[34]

3.4 高阶影像组学的优势及本研究的临床价值

       上述这些提示,GLCM可以根据斑块影像信息提取低水平的、不可感知的定量特征[35],不仅更胜于视觉定性及测量,还优于一阶直方图逐像素分析,可以在病理层面上,更充分表征与脑卒中复发事件相关的斑块易损特征。至目前,少数高阶纹理研究集中在冠状动脉斑块层面,例如LI等[25]提出了一种无创、便捷的基于放射组学的诊断方法,基于影像组学的模型在易损性预测方面,可以胜过基于传统特征的视觉诊断;近期在另一项基于心脏冠脉影像组学分析中[26],发现该模型能够检测与心脏病发作等主要不良心脏事件风险增加相关的易损斑块,在三年的随访中,放射组学高阶特征与这些事件独立相关。这些表明,传统斑块影像参数联合影像组学特征,虽然提高了诊断效能,但在预测未来卒中风险相关研究仍缺乏,尤其是高阶纹理分析应用于缺血性脑卒中领域,这还需要更多的前瞻性研究来挖掘斑块影像组学的作用。本文初步的研究结果,可能进一步拓展了颅内斑块HRMRI特征联合纹理特征,在预测未来缺血性脑卒中再发高危人群方面的应用与价值,提供了潜在治疗干预靶点及随访参数选择。

3.5 斑块内出血的预测价值及不足

       斑块内出血是缺血性脑卒中的一个强有力的独立预测因子,这一点已被广泛证实[36, 37]。在脂质核介导的炎症刺激下形成的新生血管容易破裂出血造成斑块内出血,其对斑块进展有直接及长期的作用,它通过积聚的红细胞膜促进游离胆固醇的沉积,及通过扩张坏死核心使得斑块趋于不稳定。先前研究[36]发现,非狭窄性颈动脉斑块合并斑块内出血的患者,在随后一年半的随访中发生脑卒中的风险从0.7%增加到9.0%。ALKHALIL等[37]的结果显示,接近一半的症状性患者伴有斑块内出血。尽管本研究发现,斑块内出血的存在导致缺血性脑卒中事件复发的风险增加约2倍,但未达到统计的显著性。对这一解释,本研究认为,目前绝大部分研究是来源于颅外颈动脉斑块,既往研究[2]已证实颅内动脉缺乏滋养血管,仅20%~30%症状性颅内斑块存在斑块内出血情况,所以颅内斑块出血对于脑卒中事件再发的贡献度可能是有限的,需要联合其他临床或影像特征来提高对于结局风险预测的价值,正如本文所构建的混合预测模型效能显著高于仅纳入斑块内出血并低密度脂蛋白胆固醇模型。

3.6 低密度脂蛋白胆固醇的预测价值

       此外,本研究中还发现血液标志物的低密度脂蛋白胆固醇每增加1个标准差,缺血性脑卒中事件复发的风险增加约1.5倍,但这种关联度较弱。这可能与该研究队列的患者在随访期间内均经标准他汀治疗有关,这会导致某种程度削弱了基线低密度脂蛋白胆固醇的组间差异对于2年内再发缺血性脑卒中事件的影响。

3.7 本研究的局限性

       首先,由于本研究严格的纳排标准,导致相对偏少的样本量,然而在模型性能评价及超参数调优方面,本文除了对全集进行5折交叉验证,还基于全集随机抽样,将训练集预测能力泛化至测试集,同样得到较好的区分度,此外,本文还采用bootstrap重抽样1000次进行交叉验证并绘制了校准曲线,提示曲线贴合45°对角线。另外,在斑块参数可重复性方面,ICC结果显示出良好或优秀的观察者间测量的一致性。尽管如此,本研究结果仍然有待开展大型前瞻性临床研究来进一步验证。此外,本研究针对HRMRI-T2序列进行斑块特征提取,因为T2序列对斑块各组分信号最为敏感,纤维、脂质及血红蛋白更容易被区分,相反T1序列为抑脂Cube序列,这导致脂质核与纤维成分在T1序列上均表现为相似的等信号强度,进而不能被区分或形成鲜明对比[38]。最后,本研究未纳入后循环急性脑梗死人群,由于这类人群梗死涉及脑干,病情相对较重,多数不能配合HRMRI检查,故本研究只纳入前循环人群。

4 结论

       总之,本研究是基于影像组学特征分析,建立首发大脑中动脉粥样硬化性缺血性脑卒中的复发风险预测模型,该模型集成了GLCM、斑块内出血、熵及低密度脂蛋白胆固醇,其中GLCM对模型的贡献价值最大。这些发现有助于筛选高复发风险的缺血性脑卒中患者,可能为未来精准治疗及开展大规模前瞻性临床研究提供重要证据。

[1]
GUTIERREZ J, TURAN T N, HOH B L, et al. Intracranial atherosclerotic stenosis: risk factors, diagnosis, and treatment[J]. Lancet Neurol, 2022, 21(4): 355-368. DOI: 10.1016/S1474-4422(21)00376-8.
[2]
TAO L, LI X Q, HOU X W, et al. Intracranial atherosclerotic plaque as a potential cause of embolic stroke of undetermined source[J]. J Am Coll Cardiol, 2021, 77(6): 680-691. DOI: 10.1016/j.jacc.2020.12.015.
[3]
TAO L, DAI Y J, SHANG Z Y, et al. Atrial cardiopathy and non-stenotic intracranial complicated atherosclerotic plaque in patients with embolic stroke of undetermined source[J]. J Neurol Neurosurg Psychiatry, 2022, 93(4): 351-359. DOI: 10.1136/jnnp-2021-327517.
[4]
SHANG Z Y, TAO L, LI X Q, et al. The characteristics of intracranial plaques of unilateral, anterior circulation embolic stroke of undetermined source: an analysis of different subtypes based on high-resolution imaging[J]. Eur J Neurol, 2022, 29(9): 2654-2663. DOI: 10.1111/ene.15409.
[5]
LEE H S, JUNG J M, YANG H B, et al. Predicting Stenosis aggravation in follow-up high-resolution magnetic resonance images of patients with intracranial atherosclerosis[J]. Cerebrovasc Dis, 2022, 51(5): 608-614. DOI: 10.1159/000523725.
[6]
LI S, SONG X Y, HU Q M, et al. Association of plaque features with infarct patterns in patients with acutely symptomatic middle cerebral artery atherosclerotic disease[J/OL]. J Stroke Cerebrovasc Dis, 2021, 30(5): 105724 [2022-10-18]. https://pubmed.ncbi.nlm.nih.gov/33714918/. DOI: 10.1016/j.jstrokecerebrovasdis.2021.105724.
[7]
LI L, TANG M, YAN X J, et al. Plaque characteristics in young adults with symptomatic intracranial atherosclerotic Stenosis: a preliminary study[J/OL]. Front Neurol, 2022, 13: 825503 [2022-10-18]. https://pubmed.ncbi.nlm.nih.gov/35222253/. DOI: 10.3389/fneur.2022.825503.
[8]
LIU S, TANG R W, XIE W W, et al. Plaque characteristics and hemodynamics contribute to neurological impairment in patients with ischemic stroke and transient ischemic attack[J]. Eur Radiol, 2021, 31(4): 2062-2072. DOI: 10.1007/s00330-020-07327-1.
[9]
SZYCHOT E, YOUSSEF A, GANESHAN B, et al. Predicting outcome in childhood diffuse midline gliomas using magnetic resonance imaging based texture analysis[J]. J De Neuroradiol, 2021, 48(4): 243-247. DOI: 10.1016/j.neurad.2020.02.005.
[10]
KUNIMATSU A, YASAKA K, AKAI H, et al. Texture analysis in brain tumor MR imaging[J]. Magn Reson Med Sci, 2022, 21(1): 95-109. DOI: 10.2463/mrms.rev.2020-0159.
[11]
KUNCAN F, KAYA Y, TEKIN R, et al. A new approach for physical human activity recognition based on co-occurrence matrices[J]. J Supercomput, 2022, 78(1): 1048-1070. DOI: 10.1007/s11227-021-03921-2.
[12]
QIU L, ZHANG X P, MAO H X, et al. Comparison of comprehensive morphological and radiomics features of subsolid pulmonary nodules to distinguish minimally invasive adenocarcinomas and invasive adenocarcinomas in CT scan[J/OL]. Front Oncol, 2021, 11: 691112 [2022-10-18]. https://pubmed.ncbi.nlm.nih.gov/35059308/. DOI: 10.3389/fonc.2021.691112.
[13]
ZWANENBURG A, VALLIÈRES M, ABDALAH M A, et al. The image biomarker standardization initiative: standardized quantitative radiomics for high-throughput image-based phenotyping[J]. Radiology, 2020, 295(2): 328-338. DOI: 10.1148/radiol.2020191145.
[14]
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.
[15]
SHEN Q J, SHAN Y N, HU Z Y, et al. Quantitative parameters of CT texture analysis as potential markersfor early prediction of spontaneous intracranial hemorrhage enlargement[J]. Eur Radiol, 2018, 28(10): 4389-4396. DOI: 10.1007/s00330-018-5364-8.
[16]
LI H, XIE Y L, LIU H, et al. Non-contrast CT-based radiomics score for predicting hematoma enlargement in spontaneous intracerebral hemorrhage[J]. Clin Neuroradiol, 2022, 32(2): 517-528. DOI: 10.1007/s00062-021-01062-w.
[17]
DUAN C F, LIU F, GAO S, et al. Comparison of radiomic models based on different machine learning methods for predicting intracerebral hemorrhage expansion[J]. Clin Neuroradiol, 2022, 32(1): 215-223. DOI: 10.1007/s00062-021-01040-2.
[18]
ZURITA M, MONTALBA C, LABBÉ T, et al. Characterization of relapsing-remitting multiple sclerosis patients using support vector machine classifications of functional and diffusion MRI data[J/OL]. Neuroimage Clin, 2018, 20: 724-730 [2022-10-18]. https://pubmed.ncbi.nlm.nih.gov/30238916/. DOI: 10.1016/j.nicl.2018.09.002.
[19]
HOSSEINPOUR Z, JONKMAN L, OLADOSU O, et al. Texture analysis in brain T2 and diffusion MRI differentiates histology-verified grey and white matter pathology types in multiple sclerosis[J/OL]. J Neurosci Methods, 2022, 379: 109671 [2022-10-18]. https://pubmed.ncbi.nlm.nih.gov/35820450/. DOI: 10.1016/j.jneumeth.2022.109671.
[20]
SØRENSEN L, IGEL C, HANSEN N L, et al. Early detection of Alzheimer's disease using MRI hippocampal texture[J]. Hum Brain Mapp, 2016, 37(3): 1148-1161. DOI: 10.1002/hbm.23091.
[21]
ZHOU K, LIU Z, HE W G, et al. Application of 3D whole-brain texture analysis and the feature selection method based on within-class scatter in the classification and diagnosis of Alzheimer's disease[J]. Ther Innov Regul Sci, 2022, 56(4): 561-571. DOI: 10.1007/s43441-021-00373-x.
[22]
YU Y N, LIU M W, VILLABLANCA J P, et al. Middle cerebral artery plaque hyperintensity on T2-weighted vessel wall imaging is associated with ischemic stroke[J]. AJNR Am J Neuroradiol, 2019, 40(11): 1886-1892. DOI: 10.3174/ajnr.A6260.
[23]
SHI Z, LI J, ZHAO M, et al. Quantitative histogram analysis on intracranial atherosclerotic plaques: a high-resolution magnetic resonance imaging study[J]. Stroke, 2020, 51(7): 2161-2169. DOI: 10.1161/STROKEAHA.120.029062.
[24]
SHI Z, ZHU C C, DEGNAN A J, et al. Identification of high-risk plaque features in intracranial atherosclerosis: initial experience using a radiomic approach[J]. Eur Radiol, 2018, 28(9): 3912-3921. DOI: 10.1007/s00330-018-5395-1.
[25]
LI X N, YIN W H, SUN Y, et al. Identification of pathology-confirmed vulnerable atherosclerotic lesions by coronary computed tomography angiography using radiomics analysis[J]. Eur Radiol, 2022, 32(6): 4003-4013. DOI: 10.1007/s00330-021-08518-0.
[26]
CHEN Q, PAN T, WANG Y N, et al. A coronary CT angiography radiomics model to identify vulnerable plaque and predict cardiovascular events[J/OL]. Radiology, 2023, 307(2): e221693 [2022-10-18]. https://pubmed.ncbi.nlm.nih.gov/36786701/. DOI: 10.1148/radiol.221693.
[27]
TAO L, WANG Y H, SHANG Z Y, et al. Vulnerable plaque of the petrous internal carotid artery in embolic stroke of undetermined source[J]. Eur J Neurol, 2023, 30(3): 648-658. DOI: 10.1111/ene.15655.
[28]
UEDA K, SHIRAYA T, ARAKI F, et al. Changes in entropy on polarized-sensitive optical coherence tomography images after therapeutic subthreshold micropulse laser for diabetic macular edema: a pilot study[J/OL]. PLoS One, 2021, 16(9): e0257000 [2022-10-18]. https://pubmed.ncbi.nlm.nih.gov/34516553/. DOI: 10.1371/journal.pone.0257000.
[29]
LAU Z J, PHAM T, ANNABEL CHEN S H A, et al. Brain entropy, fractal dimensions and predictability: a review of complexity measures for EEG in healthy and neuropsychiatric populations[J]. Eur J Neurosci, 2022, 56(7): 5047-5069. DOI: 10.1111/ejn.15800.
[30]
MAKOWSKI D, TE A S, PHAM T, et al. The structure of chaos: an empirical comparison of fractal physiology complexity indices using NeuroKit2[J/OL]. Entropy, 2022, 24(8): 1036 [2022-10-18]. https://pubmed.ncbi.nlm.nih.gov/36010700/. DOI: 10.3390/e24081036.
[31]
FENG Q, DING Z X. MRI radiomics classification and prediction in Alzheimer's disease and mild cognitive impairment: a review[J]. Curr Alzheimer Res, 2020, 17(3): 297-309. DOI: 10.2174/1567205017666200303105016.
[32]
KURAKIN A, BREDESEN D E. Alzheimer's disease as a systems network disorder: chronic stress/dyshomeostasis, innate immunity, and genetics[J]. Aging, 2020, 12(18): 17815-17844. DOI: 10.18632/aging.103883.
[33]
VERGALLO R, CREA F. Atherosclerotic plaque healing[J]. N Engl J Med, 2020, 383(9): 846-857. DOI: 10.1056/NEJMra2000317.
[34]
HSU J J, TINTUT Y, DEMER L L. Lipids and cardiovascular calcification: contributions to plaque vulnerability[J]. Curr Opin Lipidol, 2021, 32(5): 308-314. DOI: 10.1097/MOL.0000000000000777.
[35]
THANGARAJOO R G, REAZ M B I, SRIVASTAVA G, et al. Machine learning-based epileptic seizure detection methods using wavelet and EMD-based decomposition techniques: a review[J/OL]. Sensors, 2021, 21(24): 8485 [2022-10-18]. https://pubmed.ncbi.nlm.nih.gov/34960577/. DOI: 10.3390/s21248485.
[36]
NIES K P H, SMITS L J M, KASSEM M, et al. Emerging role of carotid MRI for personalized ischemic stroke risk prediction in patients with carotid artery Stenosis[J/OL]. Front Neurol, 2021, 12: 718438 [2022-10-18]. https://pubmed.ncbi.nlm.nih.gov/34413828/. DOI: 10.3389/fneur.2021.718438.
[37]
ALKHALIL M, CHOUDHURY R P. Intraplaque hemorrhage as a marker of stroke risk[J]. JACC Cardiovasc Imaging, 2020, 13(2Pt 1): 407-409. DOI: 10.1016/j.jcmg.2019.05.004.
[38]
BAPST B, AMEGNIZIN J L, VIGNAUD A, et al. Post-contrast 3D T1-weighted TSE MR sequences (SPACE, CUBE, VISTA/BRAINVIEW, isoFSE, 3D MVOX): Technical aspects and clinical applications[J]. J De Neuroradiol, 2020, 47(5): 358-368. DOI: 10.1016/j.neurad.2020.01.085.

上一篇 磁共振脂肪量化的研究进展及应用
下一篇 磁共振弥散白质定量分析在观察脑低级别胶质瘤相关性癫痫白质变化中的应用
  
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