Krooninen sairaus

tiivistelmä

Tavoitteet

Diffusion painotettu magneettikuvaus (DW-MRI) ja kuvantaminen glukoosiaineenvaihdunnan positroniemissiotomografialla (FDG-PET) antaa määrällistä tietoa kudosten ominaisuuksista. Yhdistämällä kaksi menetelmää voisi tarjota uusia oivalluksia kasvain heterogeenisyys ja biologia. Tässä esittelemme ratkaisun analysoida ja visualisoida suhdetta näennäinen diffuusiokerroin (ADC) ja glukoosiaineenvaihdunnan on tilallisesti ratkaistu voxel-by-vokselilta perusteella käyttäen omistettu määrällisiä ohjelmistoa.

Materiaalit ja menetelmät

12 potilasta, joilla pienisoluinen keuhkosyöpä (NSCLC), primaarikasvaimen tai etäpesäkkeitä tutkittiin DW-MRI ja PET käyttäen

18F-fluorodeoksiglukoosia (FDG). ADC: n DW-MRI korreloivat standardoituja-oton-arvot on voxel-by-vokselilta perusteella käyttäen mittatilaustyönä ohjelmisto (Anima M

3P). Klusterin analyysi, käytimme etukäteen määriteltyjen kynnysarvojen

18F-FDG ja ADC määrittää kasvaimen erilaisia ​​alueita biologinen aktiivisuus.

Tulokset

Yhdistetty analysointi ja visualisointi ADC karttojen ja PET data oli mahdollista kaikilla potilailla. Spatial analyysi osoitti suhteellisen homogeenisia ADC arvot koko kasvaimen alueella, kun taas FDG oli laskeva ottoa kohti kasvain keskustaa. Kuten odotettua, rajoitettu vesi diffuusion oli huomattava alueilla, missä korkea glukoosiaineenvaihdunnan mutta havaittiin myös alueilla, joilla on alhaisempi glukoosiaineenvaihdunnan. Yksityiskohtaisesti, 72% kaikista vokseleiden oli pieni ADC-arvot ( 1.5×10

-3 mm

2 /s) ja korkea merkkiaineen sisäänottoa

18F-FDG (SUV 3,6). Kuitenkin 83% vokseleiden alhainen FDG kertymä osoitti myös alhainen ADC arvot, yhä enemmän kasvain keskustaa.

Johtopäätökset

moniparametrisissä analysointi ja visualisointi DW-MRI ja FDG-PET on mahdollista on tilallisesti ratkaistu voxel-by-vokselilta vastaavasti klusterin perusteella käyttäen omistettu kuvantamisen ohjelmistoja. Alustavien tietojen mukaan veden diffuusion ja glukoosiaineenvaihdunnan metastasoitunut NSCLC eivät välttämättä korreloi kaikilla kasvain alueilla.

Citation: Metz S, Ganter C, Lorenzen S, van Marwick S, Holzapfel K, Herrmann K, et al. (2015) moniparametrisissä MR ja PET kuvantaminen kasvaimensisäisenä Biological heterogeenisuus metastasoituneen Keuhkosyöpä käyttäminen Voxel-by-Voxel Analysis. PLoS ONE 10 (7): e0132386. doi: 10,1371 /journal.pone.0132386

Editor: Arrate Muñoz-Barrutia, Universidad Carlos III Madrid, Espanja

vastaanotettu: 24 elokuu 2014; Hyväksytty: 13 Kesäkuu 2015; Julkaistu: 17 heinäkuu 2015

Copyright: © 2015 Metz et ai. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään

Data Saatavuus: kaikki asiaankuuluvat tiedot kuuluvat paperin ja sen tukeminen Information tiedostoja.

Rahoitus: Tätä työtä tukivat Saksan Research Foundation (DFG) puitteissa SFB aloitteen 824 (tutkimusyhteistyö keskus 824) ”Imaging valinta, seuranta ja yksilöllistäminen Cancer Therapies ”(SFB 824, projekti C5), ja Saksan Research Foundation (DFG) ja Technische Universität München sisällä rahoitusohjelman Open Access Publishing. Rahoittajat ollut mitään osuutta tutkimusasetelma, tietojen keruun ja analysoinnin, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

Koska kehitys kuvantamisen tekniikkaa, on yhä mahdollisuuden suorittaa moniparametrisissä onkologian kuvantaminen jolloin niissä on useita määrällisiä parametreja, jotka heijastavat erilaisia ​​näkökohtia tuumoribiologiassa. Tämä moniparametrisissä lähestymistapa mahdollistaa invasiivisen fenotyypitykseen tuumoribiologiassa jotka yhdistämällä erilaisia ​​toiminnallisia ja molekyylikuvantaminen menetelmiä, saattaa johtaa tarkkuutta kasvainten havaitsemiseen, ennustetekijöiden kerrostuneisuus, koepala ja hoito suunnitteluun sekä vasteen ennustaminen ja varhaisen reagoinnin arviointi syöpä potilailla [1] [2]. Tässä yhteydessä molekyylikuvantamisen tiettyjen biomarkkerit tuumoribiologiassa on useita etuja verrattuna histopatologista analyysia ja siten voisi olla mielenkiintoinen lisä histopatologia koska kuvantamisen antaa in vivo tietoja ilman kudosvaurioita, kun se ei ole helposti kasvain osia, ja myös siinä voidaan arvioida, ajalliset muutokset määrällisten biomarkkereita järjestysnumeroa kuvantaminen. Lisäksi se mahdollistaa visualisoinnin biologisen heterogeenisyys kasvaimia.

Yksi lupaava menetelmä kuvantamiseen tuumoribiologiassa on diffuusio-painotettu magneettikuvaus (DW-MRI), jota käytetään yhä enemmän leesioiden havaitsemiseen, lavastus ja vasteen arviointi syöpäpotilailla [3] [4]. Koska PET biomarkkereiden biologisen kasvain aktiivisuuden merkkiaine

18F-fluorodeoksiglukoosia (FDG) on laajalti käytetty kasvaimen lavastus ja vasteen arviointi [5].

18F-FDG arvioi kasvain sokeriaineenvaihduntaan ja korreloi elintärkeää kasvainkudoksen ja aggressiivisuus [6]. Yhdistetty käyttö DW-MRI ja FDG-PET kuluessa kuvantamisen istunto saattaa tulla yhä käyttää vastikään käyttöön hybridi PET /MR skannerit [7] [8]. Vaikka tietty päällekkäisyys tietojen

18F-FDG PET ja DW-MRI voidaan arveltu, molemmat parametrit perustuvat täysin eri biofysiologisen prosesseja, joten niiden yhdistelmä voisi antaa täydentävää tietoa tuumoribiologiassa ja heterogeenisuus [2].

tässä tekninen raportti, esitämme ohjelmisto ratkaisu voxel-by-vokselilta korrelaatiota DW-MRI ja FDG-PET data analysoida alueellinen jakautuminen ja korrelaatio parametrien johdettu molemmat kuvantamismodaliteeteilla. Lisäksi se mahdollistaa visualisoinnin yhdistetyn datan ja overlay yli anatomiset tiedot. Näkökulma on käyttää tätä menetelmää hybridi PET /MR skannerit tarkemmin arvioida tätä uutta yhdistetyn parametrin tuumoribiologiassa, esim. arvioimiseksi potilaan ennustetta, hoidon suunnittelu tai vasteen arvioinnissa.

Näin ollen tässä tutkimuksessa, esittelemme ratkaisun analysoida ja visualisoida suhdetta näennäinen diffuusiokerroin (ADC) ja glukoosiaineenvaihdunnan on tilallisesti ratkaistu voxel -by-vokselifantomeita perusteella käyttäen omistettu määrällisiä ohjelmistoa.

Materiaalit ja menetelmät

Potilaat

tutkimus hyväksynyt eettinen komitea on Technische Universität München. Tietoon kirjallinen suostumus saatiin kaikilta potilailta. 12 kemiallis-naiivit Histologisesti todettu metastasoitunut NSCLC otettiin mukaan tutkimukseen (4 naista, 8 miestä, keski-ikä 65 ± 2 vuotta alue 52-80 vuotta). Tämä on alapopulaatio potilaalta kollektiivinen, mikä oli myös osa entisen tutkimuksen [9] [10]. Edelleen sisällyttämiskriteerit olivat ikä yli 18 vuotta ja kyky antaa ja tietoinen suostumus. Hylkäämisperusteet olivat raskauden, imetyksen aikana, ja munuaisten vajaatoiminta (seerumin kreatiniinitaso 1,2 mg /dl). Keskimääräinen aikaväli molemmat tutkimukset oli 2,2 päivää.

DW-MRI

Kaikki MR mittaukset suoritettiin kliininen 1,5 T skanneria (Magnetom Avanto; Siemens Medical Solutions, Erlangen, Saksa) kanssa vaiheistettujen array elin keloja. DW kuvat hankittiin käyttäen yhden kuvan echo-tasokuvantamismenetelmiä sekvenssi (SSEPI). Diffuusion painotuskertoimet (

b

arvot) olivat 50, 300, ja 600 s /mm

2. Tekniset parametrit olivat seuraavat: kaikuajan 76 ms; echo junan pituus 175; echo väli 0,83 ms; spektrin rasvaa värikylläisyyttä näkökenttä 262 x 350 mm; matriisi 108 x 192; NSA 1; § 5 mm; no kuilu. Lyhentämiseksi kaiun junan pituus, integroitu rinnakkain kuvantamismenetelmiä (IPAT) avulla yleistynyt autocalibrating osittain rinnakkain hankinnat (GRAPPA), jossa on 2-kertainen kiihtyvyyden käytettiin. Hengitysteiden laukaisu, mahdollisille hankinta korjaus (PACE) toteutettiin. Tiedot hankittiin aikana end-uloshengityksen vaiheessa. Näennäinen diffuusiokerroin (ADC) kartat automaattisesti rekonstruoitiin kaikille diffuusio-painotettu kuvia. ADC-arvot laskettiin käyttäen signaali-intensiteetit on

b

= 50 s /mm

2 ja

b

= 600 s /mm

2 kuvaa kaavan mukaisesti: missä SI

50 ja SI

600 ovat signaali-intensiteetit on

b

= 50 s /mm

2 ja

b

= 600 s /mm

2 kuvia, vastaavasti.

Radiofarmaseuttisia

synteesi esiasteen ja myöhemmät

18F-merkitseminen FDG suoritettiin kuten aiemmin on kuvattu [11] [12].

18F-FDG PET Imaging

otto

18F-FDG määritettiin kanssa Biograph Sensation 16 PET /TT-laite, joka sisältää ACCEL PET-järjestelmä (CTI /Siemens) ja 16-siivu multidetector CT (Siemens, Forchheim, Saksa). Merkkiaine (456 ± 25 MBq) injektoitiin potilaille jälkeen 6 tunnin paaston. Kukaan potilaista oli diabetes tai oli veren paastoglukoositaso yli 120 mg /dl. Tietojen hankinta aloitettiin 64 ± 3 min kuluttua

18F-FDG annon. Päästö skannaus suoritettiin pään lantioon (kolmiulotteinen tila; 7-8 sänky kantoja, 2 minuuttia per vuode asentoon). Myöhemmin, joka on tehostamattomiin pieniannoksisen TT (120 kV, 26 mAs, collimation 16×0.75 mm) suoritettiin-out matalissa päättymistä. Vaimennusta korjaus, CT tietoja muunnetaan Hounsfield yksikköä (HU) ja lineaarinen vaimennuksen kertoimia 511 keV yhdellä CT energian skaalaus perustuva menetelmä bilineaarinen muutosta. Päästötiedot korjattiin randoms, kuollut aika, hajottaa ja vaimennus sekä sama rekonstruointialgoritmi levitettiin tavanomaisen PET data.

Kuva-analyysi

Korjattu päästöt skannaukset kalibroitiin vakioitujen oton arvot (SUV; mitattu aktiivisuuskonsentraation (Bq /ml) x paino (g) /ruiskutetaan aktiivisuus (Bq)) [13]. Tietojen analysointi suoritettiin käyttäen mukautetun ohjelmiston kehittänyt meidän laitoksen puoleen tehokkaasti hallita mielivaltainen, tomografiseen monitoiminen tietokokonaisuuksia (Anima M

3P) [14] [10]. Käytetty ohjelmisto käsittelee kaikki tietonsa niiden todellinen, todellinen 3-ulotteinen koordinaattiavaruuden (metriset yksiköt), mikä pitää paikkansa mitat ehjä, vaikka mielivaltaisia ​​monitoiminen tietoja. Kuva fuusio muuttujan ADC kartat

18F-FDG PET aineistoja suoritettiin samassa ikkunassa, nostamalla PET tiedot samassa muodossa resoluution ADC karttojen lineaarisesti interpoloimalla. Tämä ei tietenkään tarkoita tiettyjä epätäsmällisyys tietojen analysoinnin, mutta se takaa parhaan mahdollisen laskeminen MRI perustuvan tilastollisia arvoja. Kuva fuusio tehtiin käsin ja sisäisesti sovitettu matemaattisella trilineaarinen interpoloimalla. Viite anatomiset manuaalisesti Hyväksytty ja sulatettu. Myöhemmin kiinnostuksen kohteena olevan alueen (ROI) vedettiin käsin kattaa koko kasvaimen alueella useita osia. Ohjelmisto antaa sitten jakautuminen määrällisten muuttujien kunkin kuvantamismenetelmä on voxel-by-vokselilta pohjalta kasvaimen ROI, joka voidaan näyttää korrelaatio ADC: n DW-MRI ja SUV: t

18F-FDG PET sirontakuviona (kuvio 1). Vokselifantomeita pohjainen parametritietoja laskettiin ja säästettiin vertaileva analyysi.

Kasvain näkyy suhteellisen homogeeninen alhaiset ADC arvoja ja korkea

18F-FDG oton (B kuva fuusio

18F-FDG PET ja ADC kartta) noin fokuspisteitä. ROI on sijoitettu ympäri kasvain (C) ja Anima M

3P ohjelmisto näyttää sirontakuvaajan on voxels sisällä ROI (D). Kynnysarvot matalan ja korkean merkkiaineen ottoa (y-akseli) ja matalan ja korkean ADC arvot (x-akseli) on määritelty (SUV = 3.6

18F-FDG ja ADC 1,5 x10

-3 mm² /s) ja lokalisoinnin vokseleiden kunkin kvadrantin (keltainen: SUV

korkea /ADC

alhainen, punainen: SUV

korkea /ADC

korkea, sininen: SUV

pieni /ADC

alhainen ; harmaa: SUV

pieni /ADC

korkea) voidaan näyttää fuusio kuva (D). Huomaa, useimmat kasvain osat osoittavat voimakasta glukoosiaineenvaihdunnan rajoitetusti vedellä diffuusion (keltainen), mutta joitakin kohtia kasvaimen osoittavat myös voimakas glukoosiaineenvaihdunnan huolimatta vapaampaa vettä diffuusion (punainen).

Cluster Analysis

mahdollisille määrittelystä kynnys matala ja korkea merkkiaineen ottoa, käytimme tiedot aikaisemmista tutkimuksista [9]. Päätimme käyttää alempaa 25

persentiili aiemmin ilmoitetut tiedot merkkiaineen jakamisesta

18F-FDG kynnykseksi määritelmä alhainen merkkiaineen ottoa. Tämä johti kynnyksen SUV 3.6

18F-FDG. ADC, keskimääräinen tietojen raportoitu kirjallisuudessa keuhkosyövän ovat 1,22 ± 0,19 x 10

-3 mm

2 /s Chemo-naiivi ja 1,76 ± 0,47 x 10

-3 mm

2 /s kemoterapian jälkeen [15]. Niinpä päätimme käyttää 1.5×10

-3 mm

2 /s kuin kynnys, korkeammat arvot määritellään (mikro-) nekroottista kudosta. Määritelmä kynnysarvojen on kuitenkin jossain määrin mielivaltainen ja sitä voidaan muuttaa käyttäjän mukaan tarkennuksen ja Analyysin tarkoituksena. Tällä lähestymistavalla koko kasvain alue jaettiin vuonna jopa neljä kasvain alueita, joilla on erilaiset ”biologinen aktiivisuus”: alueet, joilla on suuri

18F-FDG otto ja korkea ADC arvot (SUV

korkea /ADC

korkea) alueet, joilla on joko korkea

18F-FDG otto ja alhainen ADC arvot (SUV

korkea /ADC

alhainen) tai päinvastoin (SUV

pieni /ADC

korkea), ja lopuksi alueet alhainen

18F-FDG otto ja alhainen ADC arvot (SUV

pieni /ADC

alhainen).

Voxel rengas analyysi

syrjiä perifeerinen keskustasta kasvain alueilla, joka vokselifantomeita oli yksilöllinen kokonaisluku, määritetään minimaalinen etäisyys (voxels) ulkopuolelta kasvainta kuin kuvioissa 2A ja 3A. Numerot laskettiin mittatilaustyönä alue kasvaa algoritmi, kirjoitettu Matlab 7,10 (MathWorks, Inc., Natick, MA).

riippuen kasvaimen koon, jopa 12 vokselifantomeita renkaita voitaisiin määritellä varten suurin kasvaimia. Vuodesta koko kohortin potilaiden tiedot kunkin vokselifantomeita rengas on esitetty ADC (B) ja

18F-FDG (C) (harmaat palkit: mediaani, valkoiset pylväät: kahdeskymmenesviides-seitsemäskymmenesviides persentiili). Huomaa, että koska osittainen tilavuus vaikutuksia, on kasvua SUV ensimmäisellä noin 4 vokselifantomeita renkaat (harmaa-valkoinen tummennetut, joka jätettiin pois edelleen analyysi), jonka jälkeen tasanne. Myöhemmin SUV vähitellen vähenevän keskeisemmällä kasvain osia. Tämä viittaa siihen, että glukoosiaineenvaihdunnan on voimakkaampi perifeerisen kasvain osat ja vähemmän kasvaimen keskelle. Kuitenkin ADC arvot tasaisemmin jakautunut kasvaimen.

värit (A): llä lokalisoinnin vokseleiden (punaisesta: kehältä siniseksi: keskusta). Vokseleiksi korkea oton

18F-FDG ja alempi ADC-arvot löytyvät kaikki kasvaimen osaa (B). Yllättävää kyllä, on olemassa huomattava määrä voxels alhainen oton

18F-FDG ja alempi ADC arvot, sijaitsevat pääasiassa keskiosiin, ehkä johtuen tiheän soluja, joilla on alhainen kasvaimen aktiivisuus tai alhaisen tiheyden kasvainsolujen mutta tiheä kasvaimen strooman aiheuttama desmoplastic reaktiot (B). Suuremmille ADC arvot 1,5 x 10-3 mm² /s

18F-FDG arvot ovat levinneet laajalti (B).

Tilastollinen

määrälliset tiedot esitetään välineet ja standardi keskivirhe tai näkyvät baarissa kaavioiden mediaani ja 25

th-75

persentiili. Jakelu Rasia ja hiuksenhienosti analyyseja kaikista n = 12 eri kasvaimia paljastui yksi harha (kaukana arvo suurempi kuin yläkvartiili plus 3 kertaa kvartiiliväli) kanssa SUV

18F-FDG 17,6, joka oli jätetty regressioanalyysillä . Sillä lineaarisella regressioanalyysillä, spearmanin järjestyskorrelaatiokerroin r ja p-arvo on johdettu kaksisuuntaista Studentin t-jakauma laskettiin. Tilastollinen merkittävyys osoitettu p 0,05. Laskelmat suoritettiin käyttäen MedCalc (MedCalc Software, Mariakerke, Belgia).

Tulokset

Kasvain tiedot

kokonaismäärä 12 kasvainten (yksi per potilas; n = 7 keuhko , n = 3 luu, n = 1 lisämunuaisen, ja n = 1 imusolmuke) arvioitiin useita osia per kasvain (yhteensä n = 76, keskiarvo 6,3, vaihteluväli 3-10). Keskimääräinen kasvaimen kokoon CT kuvantaminen oli 5,9 cm (vaihteluväli 4-10 cm). Kaikkiaan 43224 voxels arvioitiin (S1 File), joiden keskimääräinen jakso kokoa 540 voxels (vokselifantomeita resoluutio 2.4×1.8×5 mm

3). Keskimääräinen lukumäärä vokselin renkaita osioista oli 7,9, vaihtelevat 3-12. Seuraavat keskiarvot kaikista vokseleiden määritettiin: ADC = 1,12 ± 0.01×10

-3 mm² /s ja SUV

18F-FDG = 6,9 ± 0,2.

korrelaatio analyysi keskimääräisen koko kasvain data

Mitä keskiarvo datan koko kasvain, ei merkittävää korrelaatio löytyi ADC ja molekyylitason PET data (ADC vs. SUV

18F-FDG:

r

= 0,3,

P

= 0,37).

Spatial heterogeenisyys analyysi

maantieteellinen jakautuminen eri määrällisten muuttujien kussakin vokselifantomeita sormuksen kasvaimen reuna (vokselifantomeita rengas 1) kasvaimen keskusta ( maksimi 12) näkyy kuvassa 2. ADC arvot osoitti vertailukelpoisella homogeeninen jakautuminen keskimääräinen koko kasvain, jossa mediaani välillä 0.96-1.23×10

-3 mm² /s.

Mitä radiomerkkiaineen otto oli kasvua oton merkittäviä kaikkein reuna-kasvain osia, mikä johtuu todennäköisesti osittain volyymien rajalla kasvainten ympäröivään kudokseen. Siten 4 eniten kehärenkaiden jätettiin pois vokselifantomeita-by-vokselilta analyysi minimoimiseksi systemaattiseen aliarviointiin oheislaitteiden SUV (vokselifantomeita rengas 1-4).

Näiden syrjäisimpien kasvain osia,

18F-FDG merkkiaineen ottoa järjestelmällisesti pienenee kohti kasvain keskustaa. Yksityiskohtaisesti arvot nousevat aluksi vokselifantomeita rengas 1 (mediaani SUV = 4.5) maksimiin vokselifantomeita rengas 9 (mediaani SUV = 8,8), joiden kaltevuus ensimmäisen 4 vokselin rengasta. Keskeisen 3 vokselifantomeita renkaat (10-12) arvoja pienenee minimiin mediaani SUV 2,3 keskustassa.

Voxel-by-vokselilta korrelaatioanalyysiä kunnioittaa alueellista jakautumista

Ensimmäinen 4 vokselifantomeita renkaat jätettiin analyysin kuin SUV arvoihin saattaa tulla liian korkeaksi osatilavuudelle vaikutuksia PET kuvantaminen. Kaikista potilaista, 13723 voxels olivat mukana.

Pienemmillä ADC arvojen 1.5×10

-3 mm² /s, laaja jakelu PET vokseleiden voidaan todeta. 9888 voxels sijaitsevat SUV

korkea klusterin (72% kaikista vokseleiden), mikä osoittaa erittäin tärkeää kasvaimen tiheässä elinkelpoisten syöpäsoluja. Yllättäen 83% SUV

pieni klusteri voxels, jotka sijaitsevat pääasiassa kasvain keskustassa, osoitti myös alempi ADC-arvot ( 1.5×10

-3 mm

2 /s). Suuremmille ADC arvot 1.5×10

-3 mm² /s, sekä korkea ja matala

18F-FDG arvot löytyvät (kuvio 3).

alakonserni vokselifantomeita-by-vokselilta korrelaatioanalyysiin primääri keuhkokasvaimia vain

kokonaismäärä 7 ensisijaisen keuhkotuumoreiden vain voitiin arvioida, joka sisältää 22060 voxels. Mitä keskiarvo datan koko kasvain, ei merkittävää korrelaatio löytyi ADC ja molekyylitason PET data (ADC vs. SUV

18F-FDG:

r

= 0,25,

P

= 0,62). Seuraavat keskiarvot kaikista vokseleiden määritettiin: ADC = 1,21 ± 0.02×10

-3 mm² /s ja SUV

18F-FDG = 7,3 ± 0,01.

Lisäanalyysiä, ensimmäinen 4 vokselifantomeita renkaat jätettiin kuin SUV arvoihin saattaa tulla liian korkeaksi osatilavuudelle vaikutuksia PET kuvantaminen. Siten kaikkien ensisijainen keuhkotuumoreita, 8318 voxels olivat mukana. Jakauma datapisteiden sirontakuvaajaan on verrattavissa kuvioon 3 kaikille vaurioita. Jälleen, useimmat tilavuusalkioiden (75%) sijaitsevat SUVhigh /ADClow klusteri (kuvio 4). Kuva esimerkki on esitetty kuvioissa 1 ja 5.

Ei korrelaatio

18F-FDG ottoa ja ADC voidaan osoittaa. Jakamisesta voxel data on verrattavissa kuvioon 3 ja 75% vokseleiden sijaitsevat SUVhigh /ADClow klusteri.

On korkea

18F-FDG sisäänottoa kehällä kasvain ja myös siirtyminen vyöhyke, jossa heikosti käyttöön keskellä (B kuva fuusio

18F-FDG PET ja ADC kartta). ROI on sijoitettu ympäri kasvain (C, sininen ympyrä) ja Anima M

3P ohjelmisto näyttää sitten sirontakuvaajan on voxels sisällä ROI (D). Kynnysarvot matalan ja korkean merkkiaineen ottoa (y-akseli) ja matalan ja korkean ADC arvot (x-akseli) on määritelty (SUV = 3.6

18F-FDG ja ADC 1,5 x10

-3 mm² /s) ja lokalisoinnin vokseleiden kunkin kvadrantin (keltainen: SUV

korkea /ADC

alhainen, punainen: SUV

korkea /ADC

korkea, sininen: SUV

pieni /ADC

alhainen ; harmaa: SUV

pieni /ADC

korkea) voidaan näyttää yhdistetyssä kuva (C). Mahdolliset biologiset korrelaatti kunkin neljän ryhmän näkyy (D).

Ryhmittelyanalyysi

Jokainen vokselin on määritetty mukaan kynnykset yksi neljästä klustereita (SUV

korkea /ADC

alhainen, SUV

korkea /ADC

korkea, SUV

pieni /ADC

alhainen, ja SUV

pieni /ADC

korkea). Koska kokonaismäärä voxels pienenee kehältä keskustaan ​​suhteellinen vokselifantomeita määrä (%) kutakin vokselifantomeita rengas esitetään kuvassa 6. SUV

korkea /ADC

pieni, enintään 78% voidaan löytyä vokselifantomeita rengas 5 vähentämällä keskustaan ​​vähintään 31% vokselifantomeita rengas 12. Vastakkain, SUV

pieni /ADC

alhainen lisääntyi jatkuvasti keskustaan ​​enintään 60% voxel rengas 12. SUV

pieni /ADC

korkea, korkeimmat arvot löytyvät Keski kasvaimen osissa (vokselifantomeita rengas 8-12). Korkein määrä SUV

korkea /ADC

korkea klusteri voxels voidaan nähdä sisällä muutosvyöhykkeellä (vokselin rengas 5 ja 6).

Tässä suhteellinen jakauma (%) eri klusterin kasvain kehältä keskustaan ​​on esitetty. Suhteellinen määrä voxels korkea oton

18F-FDG ja alempi ADC arvot (keltainen, elintärkeä kasvain) pienenee kasvain keskus, vastakkain varten vokseleiksi alhaisen oton

18F-FDG ja alempi ADC arvot (turkoosi , korkea tiheys solujen vähäinen antituumorivaikutus tai alhaisen tiheyden kasvainsolujen mutta tiheä kasvain strooman aiheuttama desmoplastic reaktiot). Voxels päässä klustereiden vapaampaa vedellä diffuusion (SUV

korkea vastaavasti SUV

matala) löytyy kaikissa kasvaimen osissa, ohjeellinen joko hypoksian (SUV

korkea, punainen) tai kuolio (SUV

matala, valkoinen). Kuitenkin korkein määrä voxels päässä SUV

korkea /ADC

korkea klusteri löytyy muutosvyöhykkeellä, kun taas vokselin SUV

pieni /ADC

korkea klusterin kasvua Keski kasvaimen osia.

keskustelu

tässä raportissa menestyksekkäästi käyttöön uusi ohjelmistoalusta yhteenlaskettu tilallisesti ratkaista vokselifantomeita-by-vokselilta analysointi ja visualisointi määrällisten MRI ja PET kuvien ja testattu sen DW-MRI ja FDG-PET data. Tuloksemme osoittivat, että veden diffuusion ja glukoosiaineenvaihdunnan NSCLC eivät välttämättä korreloi, mikä viittaa siihen, että yhdistelmä DW-MRI ja FDG-PET voi antaa täydentävää tietoa tuumoribiologiassa. Tämä uusi yhdistetty parametri tuumoribiologiassa voidaan nyt analysoida ja visualisoida käyttämällä esitti omistettu kuvankäsittelyohjelma, erityisesti tulevaa käyttöä hybridi PET /MR järjestelmiä.

Spatially ratkaistu klusterianalyysin PET ja DW-MRI data

analyysi moniparametrisissä, multimodaalisuutta kuvatiedon, käytimme omistettu kuvankäsittelyohjelma käsittelemään erityisesti kasvaimen heterogeenisyys on voxel-by-vokselilta pohjalta. Tissue heterogeenisyys tunnustetaan yhä olevan suuri merkitys oikein kuvataan tuumoribiologiassa by molekyylikuvantaminen [16]. Käytettäessä yksinkertaista ROI lähestymistavat kattaa laajoja alueita kasvain, signaali esim. enimmäkseen nekroottisen alueet ja aktiivisempaa ja elinkelpoinen alueet voidaan sekoittaa ja tuloksena oleva signaali on sekoitus biologisesti täysin eri alueilla. Sillä spatiaalinen analyysi, vokselilta kasvava alkulähtöarvoja reunoilta kasvain joka antaa tilavuusalkiosta renkaita. Tällä lähestymistavalla kiteytämme tiedot perifeeristen kasvain osia riippumatta kasvaimen koon, olettaen samanlainen biologinen käyttäytyminen.

Tutkimuksessamme käytimme yhdistelmä

18F-FDG otto ja veden diffuusion sen määrittää enintään neljä aluetta tietyn kasvaimen eri biologiset ominaisuudet: alueet, joilla on suuri

18F-FDG otto ja alhainen ADC arvot, joko korkea

18F-FDG ja korkeat ADC arvoja ja päinvastoin, ja lopuksi alueet alhainen

18F-FDG otto ja korkea ADC-arvot (taulukko 1).

alueet, joilla on korkea sokeriaineenvaihduntaan ja rajoitettu veden diffuusion osoittavat elintärkeille kasvaimen tiheässä elinkelpoisten kasvainsoluja ja käänteinen korrelaatio välillä ADC DW-MRI ja SUV

18F-FDG oletetaan. Näin ollen meidän tutkimuksessa 72% kaikista vokseleiden osoitti alemmat ADC-arvot ( 1.5×10

-3 mm

2 /s) ja korkea merkkiaineen sisäänottoa

18F-FDG (SUV 3,6), mutta ei korrelaatio löytyi keskimääräisen ADC ja SUV tiedot. Tulokset olivat samanlaiset kaikille vauriot ja analysoitaessa vain primäärikasvaimissa erikseen. Tämä on linjassa muiden tulokset tutkimuksista NSCLC [17], mutta merkittävä käänteinen korrelaatio todettiin muita ADC ja SUV laskelmia, kuten ADCmin ja SUVmax [17] ja vastaavat tulokset raportoidaan tutkimuksissa muiden neoplastisia vaurioita [18 ] [19] [20]. Kuitenkin alueellisesti ratkaista vokselifantomeita-by-vokselilta klusterianalyysillä tutkimuksessamme heijastuu kasvain heterogeenisyys ja havaitaan lisäalueita eri ilmaisuja voxel fenotyypit, joita ei voida saavuttaa tiivistää tiedot kaikista tuumorileesioissa.

Lisäksi maantieteellinen jakautuminen analyysi paljasti, että merkkiaineen ottoa

18F-FDG oli huomattavampi reuna-kasvain osien ja järjestelmällisesti vähentyneet kohti kasvain keskustaa osoittavat laskua biologinen kasvain aktiivisuuden keskeisemmällä kasvaimen osia, mikä ei ole odottamatonta. Yleensä keskeisemmällä kasvaimen osia erityisesti suuremmissa kasvaimia ovat vähemmän perfuusio ja saattaa sisältää vähemmän aktiivisia tai ei-elinkelpoisia tuumorisoluja, selittää laskua

18F-FDG oton. Päinvastoin, ADC-arvot suhteellisen homogeenisesti jakautunut keskimääräinen koko kasvaimen alueella. Tutkimuksessamme olemme mukana kemiallis-naiivi kasvaimia ja jakelua ADC-arvot osoittavat ei (makro-) nekroottinen alueita on keskeisemmällä kasvain osia. Niinpä SUV

pieni /ADC

korkea klusterin ohjeelliset makroskooppista kuolion, käsitti vain pieni määrä voxels, kasvaa yhä kohti kasvain keskustaa (katso myös kuvio 6).

useita mahdollisia hypoteettisia selityksiä läsnäolon alemman ADC arvoja ja siten rajoitetaan veden diffuusion myös harvaan kasvaimen aktiivisuudesta ja keskeisempi kasvaimen osat (taulukko 1). Yhtäältä tämä saattaa johtua suhteellisen pieni määrä elintärkeitä kasvainsolujen sisällä tiheä kasvain strooman aiheuttamia desmoplastic reaktioita. Toinen selitys voisi olla suhteellisen suuri määrä syöpäsoluja verrattain alhainen glukoosin kulutus per solu ja alentavat kasvaimen aktiivisuus, esim. johtuen vähäisestä perfuusiota ja rajoitettu pääsy ravinteiden keskeisemmällä kasvaimen osia. Tämä on jatkettava tulevissa mahdollisille tutkimuksissa histopatologisia korrelaatio.

Äännettyinä siirtymävaiheen vyöhykkeellä, löysimme klusterin suurempi ADC arvojen 1.5×10

-3 mm² /s ja korkea ottoa

18F-FDG. Tämä osoittaa, että myös alueilla, joilla on rajoittunut diffuusion ja siten mahdollisesti solujen turvotus tai pienempi tiheys kasvainsolujen korkea glukoosiaineenvaihduntaan löytyy (taulukko 1). Jälleen mitään varmaa selitystä ei voida esittää, mutta tämä yhteensopimattomuus saattavat viitata mukauttamista hypoksia ( ”Warburg vaikutus”). Hypoksian indusoiman käyttäytymisen syöpäsolujen välittää heterodimeerinen transkriptiotekijä, hypoksian indusoima tekijä 1α (HIF-1), joka johtaa muiden joukossa voimistunut glykolyysin ja lisääntynyt angiogeneesi [21] [22]. HIF-1 lisää ilmentymistä Glut-1 glukoositransporttereita ja heksokinaasilla, jotka ovat tärkeimpiä tekijöitä glukoosin oton ja aineenvaihduntaa, joka voidaan suoraan kuvantaa käyttämällä

18F-FDG PET. Tämä saattaa selittää, että vaikka mahdollisesti pienempi tiheys syöpäsoluja,

18F-FDG otto on edelleen kova. Tämä olisi myös linjassa havainto, että tämä yhdistelmä oli pääasiallisesti löytyi siirtymäkauden välisellä vyöhykkeellä reuna ja kasvaimen keskustasta ja mahdollisesti suuri solu kääntää, mutta ei niin paljon, että keskeisin kasvain itse osiin.

Rajoitukset

Yksi merkittävä rajoitus tulkinnasta tietojemme on näkökohta käsikirjan kuvafuusion suoritetaan data-analyysin nykyinen lähestymistapa. Lisäksi johtuen eri potilaalle tehtävissä MRI ja PET, tarkka kongruenssi eri kasvain alueet analysoidaan ei voida taata, mikä rajoittaa potentiaalisesti tulkintaa tietomme. Lisäksi ole asianmukaista hengityksen liikkeen korjausta käytettiin PET kuvantamisen. Myös pieni määrä potilaita mukana Tutkimuksemme ja arviointiin primaarikasvainten sekä etäpesäkkeitä rajoittaa sähkön meidän tuloksia. Kuitenkin monet rajoitukset voitaisiin ratkaista tulevaisuudessa äskettäin käyttöön hybridi koko kehon PET /MR skannerit [8].

Päätelmät ja tulevaisuudennäkymät

Multimodaalisuus kuva fuusio ja moniparametrisissä vokselifantomeita -by-vokselifantomeita analyysi kasvaimia on toteutettavissa kanssa omistettu kuvantamisen ohjelmistoja käytetään tutkimuksessamme. Lähestymistapamme käsittelemään tällaisia ​​moniparametrisissä aineistot sisälsivät tilallisesti ratkaistu voxel-by-vokselilta ja ryhmäanalyysi. Tällaiset moniparametrisissä indeksit tuumoribiologiassa saattaa olla kliinistä merkitystä suhteessa arvioida paremmin kasvaimen invasiivisuus, metastaattisen potentiaalin ja potilaan ennustetta ja saattaa kiinnostaa kohdistamiseen koepaloja tai sädehoitoa suunnitteluun. Monet rajoitukset retrospektiivinen kuvafuusion käytettiin tässä tutkimuksessa voitaisiin ratkaista yhdistetyn PET /MR skannerit, joita käytetään yhä enemmän esikliinisesti ja kliinisesti [23].

tukeminen Information

S1 File. Aineisto on voxels.

Doi: 10,1371 /journal.pone.0132386.s001

(TXT) B