PLoS ONE: 18F-FDG PET-Derived Textural Indeksit Mieti Tissue-Specific otto Pattern in Non-pienisoluinen keuhkosyöpä Cancer

tiivistelmä

Tarkoitus

laatu indeksit (TI) laskettiin 18F- FDG PET kasvain kuvia lupaavia ennustamiseksi hoitovaste ja selviytymistä. Laskennasta liittyy resampling standardoitujen oton arvoihin (SUV) sisällä kasvain. Tämä resampling voidaan suorittaa eri tavoin ja merkittävästi vaikuttaa TI arvot. Tavoitteena oli tutkia uudelleennäytteistämisen lähestymistapa vaikuttaa kykyyn TI pohtia kudosspesifisiä kuvio aineenvaihdunta.

Methods

18F-FDG PET hankittiin 48 naiivi-hoitoa potilaille, joilla on ei-pienisoluinen keuhkosyöpä ja yhdenmukainen phantom. Tutkimme 7 TI, SUVmax ja aineenvaihdunnan tilavuus (MV) korvikkeeseen, kasvaimet ja tervettä kudosta käyttäen tavanomaista suhteellista resampling (RR) menetelmä ja absoluuttinen resampling (AR) menetelmällä. Erot TI arvojen kudostyyppien ja syövän alatyyppejä tutkittiin käyttämällä Wilcoxonin testejä.

Tulokset

Useimmat RR-pohjainen TI olivat erittäin korreloivat MV kasvaimia alle 60 ml (Spearman korrelaatiokerroin r välillä 0,74 ja 1), kun taas tämä korrelaatio alennettiin AR-pohjainen TI (r välillä 0,06 ja 0,27 paitsi RLNU jossa r = 0,91). Useimmat AR-pohjainen TI oli merkitsevää eroa kasvaimen ja terveen kudoksen (pvalues ​​ 0,01 kaikille 7 TI) ja välillä syövän alatyyppejä (pvalues ​​ 0,05 6 TI). Tervettä kudosta ja adenokarsinoomista esiintyi enemmän homogeeninen rakenne kuin kasvainkudoksen ja levyepiteelikarsinoomia vastaavasti.

Johtopäätös

TI lasketaan käyttämällä AR menetelmää vaihdella kudoksen toimintaa tyypin ja syövän alatyypin enemmän kuin TI liittyy tavallista RR menetelmällä. AR-pohjainen TI voisivat olla hyödyllisiä kasvainten karakterisointiin.

Citation: Orlhac F, Soussan M, Chouahnia K, Martinod E, Buvat I (2015) 18F-FDG PET-Derived Textural Indeksit Mieti Tissue-Specific otto Pattern Non-pienisoluinen keuhkosyöpä. PLoS ONE 10 (12): e0145063. doi: 10,1371 /journal.pone.0145063

Toimittaja: Prasad S. Adusumilli, Memorial Sloan-Kettering Cancer Center, Yhdysvallat |

vastaanotettu: 04 elokuu 2015; Hyväksytty: 29 marraskuu 2015; Julkaistu 15 joulukuuta 2015

Copyright: © 2015 Orlhac et al. 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: Tällä AVICENNE Hospital eettisen komitean sallittu vain Michael Soussan ja hänen avustajansa saada ja työskennellä näiden potilastiedot. Mikä tahansa kolmas osapuoli, joka haluaa käyttää tietoja pitäisi lähettää erityisen pyynnön komitealle, selittää Tutkimuksen tavoite ja kaikkien osallistuvien henkilöiden ([email protected], puheenjohtaja paikallinen eettinen komitea).

Rahoitus: laatijat käsikirjoituksen julistaa ole suhteita tahansa yrityksille, joiden tuotteet tai palvelut voivat liittyä aiheeseen artikkelin. Kirjoittajat eivät tuki ja rahoitus raportoida.

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

Johdanto

tunnusmerkilliset kasvain heterogeenisuus on haaste onkologiaan . Kuten selittää Marusyk ja Polyak [1], sovelletaan erilaisia ​​kloonia kasvain vaikuttaa kehitystä syövän ja olisi otettava huomioon potilaan hoidossa. Laajuuden selvittämiseksi klonaalisen heterogeenisyys voisi siten olla erittäin hyödyllistä valita lupaavimmat terapeuttinen lähestymistapa. Useat ryhmät ovat ominaista kasvain heterogeenisuus käyttäen tekstuurisiin indeksien 18F-FDG PET [2-12], mutta ristiriitaisia ​​tuloksia on raportoitu. Esimerkiksi pään ja kaulan alueen syöpä, Cheng et al [8] osoitti, että kasvain yhtenäisyys indeksi (kutsutaan myös energiaa muut paperit) laskettu esikäsittely 18F-FDG PET kuvien oli ennustetekijä kehittyneiden T-vaiheessa, kun taas El Naqa [3] ei ennustaa hoitovasteen tämän hakemiston avulla. Lisäksi useimmat analyysejä käytetään muuttujan lähestymistapaa ja ei oikeastaan ​​arvioida Lisäysarvo textural mittareita perinteisiin indeksit kuten kasvaimen metabolisen tilavuuden tai FDG ottoa. Lisäksi se on todennut, että tekstuurisiin mittareita tulee käyttää varoen, sillä jotkut tiedot ovat olennaisesti muuttuvan suhteen keräysmoodin ja rekonstruktioparametrien [13], korreloivat voimakkaasti kasvaimen metabolisen määrän [14,15] ja /tai ovat tarpeettomia [14]. Väärinkäsityksiä merkityksessä textural indeksejä peräisin PET kuvat on viime aikoina korostanut, varsinkin kun instrumentaalinen rajoitukset kohdataan PET [16,17]. Tuoreessa tutkimuksessa käyttämällä 18F-FDG PET data, Brooks ja Grigsby [15] osoitti, että alle kasvaimen tilavuus 45 cm

3 (vastaa 700 voxels työssään), entropia mittarit enimmäkseen heijastuu kasvaimen tilavuuden ja ei heterogeenisyys merkkiaineen sisäänottoa kasvain. Tämä tulos siis kyseenalaistaa käyttö textural mittarit monenlaisia ​​kasvaimia ja herättävät epäilyksen edellinen johtopäätökset saadun kasvaimia, joille tilavuus ei ole raportoitu. Viime, monet tutkimukset, jotka osoittivat, että käytettäessä TI erottaa kasvaimen ryhmät eivät oikeastaan ​​ole kunnolla kontrolloida väärien positiivisten määrä johtuu suurten testattujen hypoteesien lukumäärän samanaikaisesti [18]. Lisäksi se, että FDG-PET kuvia voi kuvata kudosspesifisiä tekstuurisiin malli, mikä tarkoittaa, että eri kudoksissa saattaa olla ominaista eri TI arvot, on saanut vähän huomiota kirjallisuudessa. Samoin merkitys ja todellinen vaihtelu TI funktiona kudostyypin ei ole perusteellisesti tutkittu FDG-PET.

TI laskemista vaatii aluksi resampling kasvaimen vokselifantomeita intensiteetin, joka asettaa vokseleiksi samanlaisia ​​ottoa kuin sama arvo täten vähentää melun. Tavallinen resampling menetelmässä skaalataan kasvaimen vokselifantomeita arvojen 0 ja 1 käytetään kiinteää määrää astiat (tyypillisesti 64), siten, että suurin vokselifantomeita arvo kasvain on asetettu 1, kun minimi on asetettu 0. Vaihtoehtoinen resampling järjestelmiä on ehdotettu [19,20]. Määritelmän mukaan tämä resampling vaihe vaikuttaa arvoon TI. Silti, tämä vaikuttaa resampling kykyyn TI heijastaa hyödyllistä tietoa ottoa alueellisen jakautumisen on unohdettu. Päämääränä tutkimus oli siis tutkia Vaikutus resampling askel TI arvot ja kykyyn TI pohtia kudosspesifisiä kuvio aineenvaihdunta. Tätä varten ensin käytetään yhtenäistä FDG täytetty phantom kuvaamaan käyttäytymistä TI funktiona alueella äänenvoimakkuutta, kun ei ole biologista rakenne on läsnä kaksi rs lähestymistapoja. Toiseksi analysoimme kuvia joilla on ei-pienisoluinen keuhkosyöpä (NSCLC) vahvistaa havainnot saatu käyttäen Phantom ja onko alueellisen FDG otto kuvio mitattiin käyttäen erilaisia ​​TI voisi erottaa kudostyyppien ja onko tämä ero riippui rs järjestelmään.

Materiaalit ja menetelmät

Phantom ja potilaat

20 cm korkea sylinteri (16 cm) täytettiin vedellä lukien 103,3 MBq 18F-FDG. Saat kuvan yritysostot, sylinterin akseli oli yhdensuuntainen akselin suunnassa PET /TT-laite.

Potilastiedot ovat jälkikäteen hakea hyväksynnän jälkeen paikallisen toimielimen tarkastelun hallituksen AVICENNE Hospital (Ile-de-France X) , ja vaatimus tietoon perustuvan suostumuksen saamiseen luovuttiin. Potilaan tiedot nimettömiksi ja de-tunnistettu ennen analyysiä. Kahdeksankymmentä-viisi peräkkäistä potilasta NSCLC tehtiin 18F-FDG PET /TT heinäkuun 2008 kesäkuu 2012 ennen leikkausta. Heistä vain 48 potilasta oli mukana tutkimuksessa, jonka ominaisuudet on esitetty yhteenvetona taulukossa 1. Kuten yksityiskohtaisesti kuviossa 1, poissulkemisperusteet olivat: 1) ei selvästi tunnistettavissa kasvaimen PET kuvien (n = 9 potilasta), 2) viive välillä injektion ajan ja hankinta-aika poiketaan [60-90] min välillä (n = 12 potilasta) ja 3) aineenvaihdunnan tilavuus segmentoinnin jälkeen pienempi kuin 2,5 ml (n = 16 potilasta).

Kaikki 48 potilasta kävi läpi 18F-FDG PET /CT ennen hoidon aloitusta. PET /TT tehtiin 75 ± 9 min (vaihteluväli: 60-90 min) injektion jälkeen 18F-FDG (3-3,5 MBq /kg). Kaikilla potilailla, seerumin glukoositaso oli alle 1,4 g /l, kun injektio. Kaikki potilaat leikattiin, ja histologinen analyysi suoritettiin tuumorinäytesylinterin määrittää alatyypin syöpä (taulukko 1). Niistä 48 potilasta, 28 potilasta oli adenokarsinooma, 13 oli okasolusyöpä taas 7 oli muita NSCLC tyyppejä. Suurin osa potilaista oli T2 primäärivamma, 15 potilaalla oli imusolmukemetastaaseja. Yksikään potilas ei ollut etäinen etäpesäke tai aiemmin tunnistettu maksan sairaus.

PET /TT yritysostoja

Kaikki 18F-FDG PET /CT-kuvia saatiin käyttäen Gemini TF PET /TT skanneri (Philips). PET skannaukset suoritettiin käyttäen 1,45 min per vuode asentoon hankinnat (skanneri aksiaalinen field-of-view 18 cm) ja 8-10 sänkyyn kantoja potilaille ja 3 min yksi sänky kanta phantom. PET kuvat rekonstruoitiin käyttämällä listan moodin iteratiivista algoritmia (BLOB-OS-TF, 2 toistojen, 33 subsets) ja vokselifantomeita koko oli 4 mm x 4 mm x 4 mm. Yksi scatter-simulointimalli käytettiin sirontakorjaus. Vaimennusta korjaus, pieniannoksinen TT hankittiin (no jälkeinen jälleenrakennus tasoituksen). CT-kuvia otettiin ilman varjoainetta, ja röntgenputken jännite piikin 120 kV ja 140 kV, 100 mAs ja 32 mAs vastaavasti potilaille ja phantom, joka on 0,69 piki, siivu paksuus 2 mm ja lisäyksellä 1 mm. Vokselifantomeita koko CT oli 0,68 mm x 0,68 mm x 0,68 mm. PET kuvat muutettiin vuonna SUV yksiköissä normalisoidaan potilaan kehon painoa.

Volume kiinnostavat rajauksen

Viisi pallomaisia ​​määriä kohteisiin (VOI-S) keskittyy 5 eri asentoon tehtiin automaattisesti piirretty phantom PET kuvia (kuvio 2A). Pallo halkaisija vaihteli 3-17 voxels (vain parittomat arvoja käytettiin keskittämään pallo on vokselifantomeita), jotta vaikutuksen tutkimiseen alueen äänenvoimakkuutta TI arvoihin.

rajaaminen pallojen korvikkeeseen data (A). Segmentointi kasvaimia on NSCLC potilaalla (B) ja siirtäminen kasvaimen tilavuuden maksassa potilaan.

Kunkin potilaan keuhkojen kasvain rajattiin käyttämällä adaptiivista kynnys [21] kuvatulla aiemmin [14], jolloin tuloksena on VOI-T tilavuus. Tämä VOI (VOI-T) oli sitten muutti hyvin sisällä maksassa (VOI-L) potilaan (kuvio 2B), joka piti olla terve kudos alueen viite. Tämä maksan alue pyyntö on parempana kuin contralateral terveen keuhkoalueessa annettu hyvin alhainen FDG kertymä normaalissa keuhkokudoksessa.

Resampling menetelmiä

Kuten edellä mainittiin, ensimmäinen askel laskea TI on resample vokselifantomeita intensiteettien kiinteän määrän erillisiä arvoja. Tämä vaihe asettaa vokseleiksi kanssa lähellä intensiteetti sama arvo, mikä vähentää melun ja koosta matriisien tarvitaan myöhemmin TI laskentaan. Useimmat aiemmat julkaisut resampled kasvain arvojen pienin (SUVmin) ja maksimi (SUVmax) intensiteetti kasvaimen VOI käyttäen: (1), jossa R1 (x) on resampled arvo voxel x, I (x) on arvo in vokselifantomeita x ennen resampling ja D määrän erillisiä arvoja, otetaan usein yhtä suuri kuin 64. resampling kutsutaan Suhteellinen resampling (RR) jälkeen. Rajoitusten voittamiseksi tämän RR lähestymistapaa (ks Results jakso), testasimme alkuperäisen Absolute Resampling (AR) menetelmä, jossa rajat käytettävien resampling asetettiin 0 ja 20 SUV yksiköt vastaavat tyypillisen kasvaimen maastoautojen potilaillemme , niin että: (2) B

kunkin VOI, me resampled vokselifantomeita intensiteettien RR ja AR, valitsemalla D yhtä kuin 64 erillisiä arvoja [14].

Voit tarkistaa sitkeyden tulokset funktiona korkean sitoutuneen AR menetelmässä, myös laskettu TI käyttäen AR menetelmällä korkea sidottu asetettu 15 tai 25 SUV yksikköä sijasta 20 SUV yksikköä. Nämä kolme lähestymistapoja merkitään AR15, AR20 ja AR25 seuraavassa.

laatu analyysi

Kunkin VOI, metabolinen tilavuus (MV) ja enintään SUV (SUVmax) laskettiin. Sen jälkeen kun RR tai AR rs, kolme tekstuuri matriiseja ohjeiden mukaisesti laskettuna [14]: mukana esiintyminen matriisi (CM), harmaa tason pituuden matriisi (GRLM) ja harmaa-tason vyöhykkeen pituus matriisi (GZLM). Yhteistyössä esiintyminen matriisi laskettiin 13 suuntiin käyttäen etäisyydellä 1 vokselin, ja kukin TI lasketaan tästä matriisi vastaa keskimääräistä arvoa 13 suuntiin. Samoin GRLM laskettiin 13 suuntaan, kun taas GZLM laskettiin suoraan 3 mitat.

Seitsemän TI johdettiin kohti VOI käyttäen kotitekoisia LIFEx (

Paikallinen Kuva Ominaisuudet Extraction

) ohjelmisto , valitsemalla yksi indeksi mittaa luotettavasti segmentointi kussakin ryhmässä korreloi indeksien aikaisemmin tunnistettu [14]: homogeenisuus ja entropian CMM, Short-Run Emphasis (SRE), Long-Run Emphasis (LRE) ja Run Length epäyhtenäisyyttä ( RLNU), joka perustuu GRLM, ja Low Gray tason Zone Emphasis (LGZE) ja High Gray tason Zone Emphasis (HGZE) alkaen GZLM.

tilastollinen

tutkimiseksi vaikutuksen rs menetelmiä suhdetta TI ja alueen tilavuus tai aineenvaihdunta, me piirretty kaikki TI (keskiarvo ja keskihajonta yli 5 alalla tehtävissä korvikkeeseen) funktiona lukumäärän voxels in VOI-S, VOI-T ja Voiman L, ja funktiona SUVmax. Näitä tontteja ominaista Spearman korrelaatiokerroin (r) välillä TI ja alueen tilavuus tai välillä TI ja alueen SUVmax.

Voit selvittää TI voisi erottaa eri otto paikkatietojen jakaumia eri kudosten tyyppejä käytimme Wilcoxonin testeissä. Testit suoritettiin kussakin TI ja kahden uudelleennäytteistämisen menetelmiä erottaa 1) keuhkokasvaimia ja tervettä kudosta ja 2) adenokarsinooma ja levyepiteelikarsinooma.

Tulokset

väliset RR-pohjainen TI ja tilavuus tai SUVmax

keskimääräinen kasvaimen tilavuus segmentoida sopeutuva kynnystystä menetelmää 19,5 ± 26,1 ml (vaihteluväli: [2,8-+119,0 ml]).

tontit RR-pohjainen TI kuin funktio tilavuus (kuvio 3 ja S1 kuvassa) osoittavat, että suurin osa indeksien lisätä tai vähentää alussa käyrän ja sitten saavuttamiseen. Sama suuntaus on havaittavissa korvikkeen datan, keuhkojen kasvaimet ja tervettä kudosta. Suuntaukset nähdään kuviossa 3A ja 3C ja S1A, S1C ja S1G kuvio osoittaa, että nämä TI korreloivat voimakkaasti MV pienille Vois (| r | välillä 0,74 ja 0,99 VOI-T ja VOI-L volyymit). HGZE esittelee toinen trendi suuret vaihtelut pienille Vois (kuvio 3E). RLNU kasvaa lineaarisesti määrä voxels ja koskaan saavuttaa tasanteen (S1E kuvio) (r = 1). Tontit TI funktiona SUVmax (kuvio 3B, 3D ja 3F ja S1B, S1D, S1F ja S1H kuvassa) osoittavat, että RR-pohjainen TI ovat riippumattomia sisäänottoa VOI (| r | 0,01 0,43).

Pinta-homogeenisuus (AB), entropia (CD) ja HGZE (EF) funktiona lukumäärän voxels (A, C, E) tai funktiona SUVmax (B, D, F) että phantom (sininen), keuhkokasvaimia (punainen) ja terveen kudoksen (vihreä) kanssa RR menetelmä TI laskemista.

suhde AR-pohjainen TI ja tilavuuden tai SUVmax

korrelaatiokertoimet välinen AR-pohjainen TI ja tilavuus (kuvio 4A, 4C ja 4E ja S2A, S2C ja S2G kuvassa) olivat huomattavasti alhaisemmat kuin RR-pohjainen TI, jossa | r | välillä 0,06 ja 0,27, lukuun ottamatta RLNU (S2E kuvio, r = 0,91). Silti, AR-pohjainen TI korreloivat SUVmax kanssa | r | välillä 0,47 ja 0,98, lukuun ottamatta phantom tietoja, joiden SUVmax oli lähes vakio.

Pinta-homogeenisuus (AB), entropia (CD) ja HGZE (EF) funktiona lukumäärän voxels (A, C , E) tai funktiona SUVmax (B, D, F) varten phantom (sininen), keuhkokasvaimia (punainen) ja terveen kudoksen (vihreä) kanssa AR20 menetelmä TI laskemista.

TI erot kasvaimissa ja terveessä kudoksessa

Vertasimme arvot RR-pohjainen TI ja AR-pohjainen TI kasvaimen ja terveen kudoksen. Pvalues ​​of Wilcoxonin testin tulokset on esitetty taulukossa 2 ja keskiarvo, ensimmäinen ja kolmas kvartiileihin annetaan S1 taulukossa kahden kudoksen tyyppiä. Homogeenisuus, SRE, LRE, HGZE ja LGZE olivat merkittävästi erilaisia ​​(p 0,05) välillä kasvaimen ja terveen kudoksen alueet, mutta mikään pvalues ​​laskettu RR-pohjainen TI oli alhaisempi kuin saatu SUVmax, mikä viittaa siihen, että yksikään RR -pohjainen TI teki paremmin kuin SUV on erottaa kasvaimen tervettä kudosta alueilla. AR-pohjainen TI, The pvalues ​​olivat aina pienempi kuin saatu RR-pohjainen TI, mikä viittaa parempaan tunnistamiseen kudoksen tyyppejä. Homogeenisuus, entropia, SRE ja LRE tuotti pvalue pienempi kuin SUVmax. Esimerkiksi kuten kuviossa 5A ja 5B, RR-pohjainen entropia ei eroteltu kasvaimen ja terveen kudoksen (pvalue = 0,7621), kun taas sama indeksi lasketaan AR menetelmä voisi erottaa näiden kahden kudoksen tyyppiä (pvalue 0,0001). Tulokset olivat lähes ennallaan välillä AR15, AR20 ja AR25 (taulukko 2).

Boxplots of RR- perustuen entropian (A) ja AR-pohjainen entropia (B) kasvaimen ja terveen kudoksen ja RR-pohjainen homogeenisuus (C ) ja AR-pohjainen homogeenisuus (D) adenokarsinooma ja okasolusyöpä ja pvalues ​​liittyvien Wilcoxonin testejä.

käyttäminen AR menetelmää (taulukko 3), kasvainkudoksen oli korkeampi HGZE kuin tervettä kudosta, kun taas kasvaimet oli alhaisemmat tasalaatuisuuden ja LGZE.

TI eroja adenokarsinomia ja okasolusyöpää

tulokset Wilcoxonin testi suoritettiin sen selvittämiseksi, TI eroavat huomattavasti adenokarsinoomat ( n = 28) ja okasolusyöpää (n = 13), on esitetty taulukossa 4. Kaikki RR-pohjainen TI tuotti pvalues ​​suurempi kuin 0,07, kun AR-pohjainen TI aina johtanut pvalues ​​pienempi kuin tai yhtä suuri kuin 5%. Esimerkiksi homogeenisuus laskettuihin RR menetelmällä ei ollut merkitsevää eroa kahden alatyyppiä syöpä, kun se oli kanssa AR menetelmällä (kuvio 5C ja 5D). Pvalues ​​havaittu homogeenisuus (pvalue = 0,0039), entropia (pvalue = 0,0039), LGZE (pvalue = 0,0083) ja HGZE (pvalue = 0,0076) ovat alemmat kuin saadut SUVmax (pvalue = 0,0108) ja MV (pvalue = 0,1303) kahden alatyypeistä syövän kanssa AR20 menetelmällä. Adenokarsinomia on korkeampi tasalaatuisuus ja pienempi entropia kuin okasolusyöpää (taulukko 3 ja S2 taulukko). Nämä tulokset pysyivät hyvin samankaltaiset AR15 ja AR25 rs järjestelmiä.

Keskustelu

Tässä tutkimuksessa osoitimme, että TI laskettu käyttäen AR menetelmää olivat vähemmän korreloi MV kuin laskettu joiden RR menetelmällä ja osoittivat, että AR-pohjainen TI olivat merkittävästi erilaiset terveillä ja kasvainkudoksessa tai kaksi alatyyppejä keuhkokasvaimia. Nämä erot olivat korkeammat kuin havaitut SUVmax, MV ja RR-pohjainen TI. Olemme havainneet, että keuhkojen kasvainkudoksen esiintyi enemmän heterogeeninen rakenne kuin tervettä kudosta, mikä vastaa alentaa homogeenisuuden ja korkeampi entropia (taulukko 3). Samoin havaitsimme, että okasolusyöpää tuottivat enemmän heterogeeninen kasvain aineenvaihdunta kuin adenokarsinoomia.

Ensimmäinen tavoite Tutkimuksemme oli määrittää vaikutus uudelleennäytteistämisen menetelmää tuloksena TI ja niiden korrelaatio alueen tilavuus ja katumaasturit. Toisin kuin Brooks ja Grigsby [15], käytimme PET kuvia fantomia tasaisesti täynnä FDG meidän kokeita. Tästä phantom, tekstuuri FDG jakelu oli vain, että PET-signaalin, joka on spatiaalisesti korreloivat palautetussa kuvat [22], koska ei ollut ”fysiologinen” tekstuurin korvikkeeseen. Käyttäytymistä TI funktiona tilavuus alueella käytetään laskettaessa se voi siten tutkia ilman häiritsevien tekijä mahdollisesti käyttöön taustalla fysiologisen signaalin. Käytettäessä tavallista RR rs, huomasimme, että muutos entropia (Kuva 3C) kanssa VOI volyymi oli hyvin samanlainen kuin aiemmin raportoitu [15], osoittaa merkitystä meidän phantom tutkimuksen luonnehtia suhdetta TI ja alueen tilavuus. Lisäksi olemme havainneet, että useimmat TI todella käyttäytyä kuin entropian suhteen riippuvuutta kasvaimen tilavuus, korkea riippuvuus volyymin pienet ja sitten vakaa TI arvot yli tietyn määrän. Silti volyymi josta tasanne saavutettiin vaihteli TI toiseen (katso kuvio 3A ja 3C ja S1A, S1C ja S1G kuvassa). Havaitsimme myös, että jotkut TI koskaan saavuttanut tasanteen, jossa vahvistetaan, että nämä indeksit olivat köyhiä kuvaajat tekstuurin (RLNU, katso [14]).

Olemme myös havainneet, että suhde TI ja MV oli samanlainen katkoviivoilla data ja kliiniset tiedot (kuvio 3), mikä osoittaa ensimmäistä kertaa, että phantom lähestymistapa oli tarkoituksenmukaista luonnehtia TI riippuvuus tilavuus kuin potilailla, huolimatta eroista SUV jakeluun (kuva 3) ja signaali-kohina suhteet välillä phantom ja kliiniset tiedot (phantom: 11 kBq /ml tarkistusaika skannataan 3 min; potilas: 3-3,5 kBq /ml tarkistusaika skannataan 1,45 min per vuode asentoon).

niiden tekemistä , Brooks ja Grigsby [15] suositellaan laskemalla entropia vain alueilla yli 45 cm

3, joka merkittävästi rajoittaa käyttöä TI. Vaihtoehtoisia AR resampling järjestelmän ehdotamme todella voittaa tämä rajoitus ja mahdollistaa laskeminen TI aiheuttamatta suurta harhaa liittyy kasvaimen tilavuuden. Perusteet AR menetelmä on, että erilaisia ​​SUV tietyllä kasvain todella jo annetaan tietoja kasvain heterogeenisyys, riippumatta tilajärjestely näiden arvojen sisällä kasvain. Itse asiassa on odotettavissa, että jos kasvaimeen alue sisältää laajan valikoiman SUV-arvot, kasvain on enemmän heterogeeninen kuin jos kaikki SUV ovat samanlaisia. Siksi poistamalla SUV alue tietoja käyttämällä yhtälöä (1) in uudelleennäytteistämisen vaiheessa ei näytä olevan merkitystä arvioitaessa kasvain rakenne. Päinvastoin, se seikka, että TI korreloivat SUV (kuvio 4) ei näy counterintuitive koska välillä SUV kasvaimen todella jo havaittavissa joitakin kasvain heterogeenisyys: esimerkiksi jos SUV vaihtelee 2 ja 10 kasvain, se odotetaan olevan monipuolisempia kuin kasvain, jossa SUV vaihtelee vain välillä 2 3

Resampling kiinteiden matalan ja korkean SUV rajat säilyttää siten hyödyllisiä SUV tietoa TI laskennassa. Olemme mielivaltaisesti valitsi 0 alhaisen sidottu ja 20 niin korkea sidottu, koska tämä on tyypillisesti välillä SUV kohdataan klinikoilla. Vaikutusten arvioimiseksi mielivaltaisen suuren yläraja, tutkimme luotettavuutta tuloksemme vaihdettaessa korkeampi sitoutuneena 15 tai 25 SUV yksikköä (taulukot 2 ja 4) ja totesi, että johtopäätökset pysyi muuttumattomana, mikä osoittaa, että valinta tämän korkean sidottu, ei ole kriittinen.

käyttäminen AR-pohjainen TI, on mahdollista määrittää, onko tekstuurisiin ominaisuudet ovat erilaiset funktiona kudoksen tyyppi, ilman vaikutusta erot tilavuus analysoitiin kudosta. Ensimmäisenä

in vivo

malli, joka voisi toimia lelun malli, ensin tutkitaan, ovatko TI olivat merkittävästi erilaiset terveillä ja kasvainkudoksessa. Vaikka on selvää, että tämä ero ei ole kliinisesti merkittävä, TI pitäisi mahdollistaa eron terveen ja kasvainten kudokset jos niiden odotetaan olevan käyttökelpoisia erottamaan hienoisia eroja kudostyypeissä. Käyttämällä tätä lelu malli, osoitimme, että kaikki 7 TI olivat merkittävästi erilaiset näiden kahden kudoksen tyyppiä käytettäessä AR menetelmää, vaikka tämä ei ollut käytettäessä RR menetelmällä. Tervettä kudosta oli homogeeninen kuin kasvainkudoksen (taulukko 3), kuten on esitetty suurempi homogeenisuus ja pienempi entropia-arvot maksassa verrattuna kasvaimen meidän pienisoluista keuhkosyöpää. Samoin havaitsimme, että kasvaimia sisälsi vähemmän ”matalan harmaa-tason” ja enemmän ”high harmaa-tason” voxels kuin terveessä kudoksessa (taulukko 3), joka vastaa alentaa LGZE ja korkeammat HGZE kasvaimissa, mikä on jälleen mitä voitaisiin intuitiivisesti odottaa. Parhaan tietomme mukaan vain kaksi tutkimuksessa verrattiin erilaisia ​​TI poikki kudostyyppejä toistaiseksi. Käyttämällä 103 hoitamattomien potilaiden luun ja pehmytkudoksen vaurioita, Xu ym [23] osoitti, että TI PET ja TT kuvat voivat erotella pahanlaatuisia ja hyvänlaatuisia vaurioita. He havaitsivat, että entropia peräisin FDG-PET kuvien oli korkeampi pahanlaatuisia kasvaimia kuin hyvänlaatuisia vaurioita. Toisessa tutkimuksessa [24] ilmoitetaan, että kontrasti TI (CMM) oli suurempi maksassa verrattuna kasvaimia 11 potilailla, joilla on rintasyöpä, joka tehtiin fluoritymidiini (FLT) PET-ennen hoitoa. Tutkimuksessamme havaitsimme, että samoja kontrasti-indeksin (tuloksia ei ole esitetty), oli korkeampi keuhkotuumoreissa (mediaani 26,0, vaihteluväli: [1,2-+219,7]) kuin maksakudoksessa (mediaani 1,1, vaihteluväli: [0,5-2,8]). Nämä poikkeavia tulokset voidaan selittää käyttämällä eri merkkiaineiden, alhainen määrä potilaita [24], sisällyttämällä kasvainten hyvin heterogeeninen määriä (2,65-540,99 ml) ilman osuus näiden määrien erojen ja käyttämällä RR sijaan AR. On tärkeää korostaa, että kun käytetään RR, yksikään TI tuotti pvalue pienempi kuin SUVmax, kun taas käytettäessä AR menetelmää, 4 ulos 7 TI teki paremmin kuin SUVmax at erottamaan kasvaimen ja terveen kudoksen, osoittaa merkityksellisyys AR menetelmän. Koska AR-pohjainen TI joiden tuloksista käy ilmi SUV tietoja, pyysimme miten pvalues ​​on Wicoxon n testeistä AR-pohjainen TI verrattuna pvalues ​​yhdistelmän välillä RR-pohjainen TI ja SUVmax (S3 taulukko). Huomasimme, että AR-pohjainen TI johti hyvin samanlaisia ​​tuloksia kuin RR-pohjainen TI liittyy SUVmax käyttäen logistinen regressio alhaisempi pvalues ​​homogeenisuus, entropia, SRE ja LGZE erottaa kasvain ja tervettä kudosta. Käytön etuna AR-pohjainen TI on, että se johdonmukaisesti sisältää TI ja SUV tiedot yhdeksi indeksiin, mikä saattaa helpottaa sen käyttöä kliinisessä ympäristössä verrattuna yhteistyössä analyysi kahden indeksin (RR-pohjainen TI ja SUV).

Kun määritetään, TI olivat erilaiset välillä kasvaimen alatyyppejä, me taas havaittiin, että AR menetelmällä, kasvain alatyyppejä olivat parempia erottaa kuin RR-menetelmällä (taulukko 4). TI heijastuu erot FDG kertymä kuvio adenokarsinooman ja okasolusyöpää: Tällä adenokarsinoomista olivat homogeenisia, korkeammat homogeenisuus ja pienempi entropia, ja oli vähemmän ”high harmaa-tason” voxels kuin okasolusyöpää (taulukko 3). Chi-2 Pearson testit osoittivat, että vain läsnäolo kuolion mitattuna resektoitua näyte oli merkittävästi erilainen kahden alatyyppiä syöpä (pvalue 0,01), toisin kuin T vaiheessa N vaihe ja taso eriyttäminen (taulukko 5). Voimme siis hypoteesina, että AR-pohjainen TI voi kaapata läsnäollessa histologisen kuolion. Heidän tutkimuksessaan, Asamura et al [25] osoittivat, että potilailla, joilla on okasolusyöpää oli huonompi ennuste kuin ne, joilla on adenokarsinoomia, kun kirurginen resektio, joka perustuu 11939 potilasta. Lisäksi okasolukarsinoomia liittyy suuri proliferatiivisen indeksi verrattuna adenokarsinoomista [26]. Kaiken kaikkiaan nämä tulokset viittaavat kuin AR-pohjainen TI saattaisi auttaa objektiivisesti arvioidaan kasvaimen aggressiivisuus tehostamalla yhdistämällä rakenne tiedot ja SUV yhteen indeksiin. Kolmen TI (homogeenisuus, entropia ja LGZE), käyttö AR-pohjainen TI johti parempaan ero kasvaintyypeissä kuin yhdistämällä RR-pohjainen -indekseiksi SUVmax (S3 taulukko).

AR menetelmä on lähellä rs käyttämän menetelmän Leijenaar et al [19], jossa kirjoittajat resampled vokselifantomeita intensiteettiä kiinteä bin leveys 0,5 SUV yksikköä. Niiden lähestymistapa vastaa tosiasiallisesti käyttämällä AR suurimmalla sidottu 32 SUV yksikköä. Joiden suurin sidottu 20 SUV yksikköä ja 64 erillisiä arvoja, bin-leveys on noin 0,3 SUV yksikköä, mikä tekee TI herkkä pienempiin vaihteluihin vokselifantomeita SUV verrattuna bin leveys 0,5 SUV yksikköä. Optimaalinen bin koko voitaisiin tutkia edelleen, mutta jo nyt osoittanut, että meidän tulokset eivät ole vahvasti riippuvaisia ​​(taulukot 2 ja 4).

tulokset on varmistettava käyttämällä suurempia ikäluokat, koska olemme ainoa tutkittu eroa alatyyppien välillä 28 adenokarsinooman ja 13 okasolusyöpää. Lisäksi meidän päätelmät olisi validoitu käyttäen erilaisia ​​syöpätyyppejä, ja seuraava askel on luoda normaaleista TI arvot funktiona kudostyyppi, jotta TI voitaisiin käyttää takautuvasti siitä potilaskohtaisesti arvioida kasvain homogeenisuus, sen sijaan, että käytetään vain retrospektiivinen tutkimukset on toistaiseksi raportoitu.

jatkuva standardointi PET kuvantamisen protokollien pitäisi helpottaa myöhemmin määrittää joitakin yhteisiä sääntöjä TI tulkintaa, myös osuus TI vaihtelu kuin funktio PET mittausmuoto ja rekonstruktioparametrien kuvattu aiemmin Galavis et ai [13]. Kuten edellä korostettiin [14], merkityksellisyyden TI tulisi aina tutkia mittaamalla sen Lisäysarvo kasvainten karakterisointiin suhteen laajalti käytetty SUV ja MV.

Lopuksi textural kuvioita aineenvaihdunta voi mitata ilman jännitetty alue tilavuudeksi käyttäen absoluuttista resampling menetelmä samat kaikille kasvaimia ja säilyttää SUV tiedot, jotka heijastavat jo joitakin kasvain heterogeenisyys. Olemme osoittaneet, että AR-pohjainen TI olivat merkittävästi erilaisia ​​keuhkokasvaimia ja tervettä kudosta ja myös okasolusyöpä ja adenokarsinooma, ja että nämä erot olivat suuremmat kuin havaittu SUVmax tai MV. Nämä tulokset osoittavat, että AR-pohjainen TI kaapata koskevia tietoja amplitudi ja alueellista jakautumista SUV ja saattaa kiinnostaa rikastuttaa kasvain profiloinnin radiomic analyysien [27], että tavoitteena on sellainen kattava luonnehdinta kasvaimia perustuvan kuvan ominaisuuksia.

tukeminen Information

S1 Kuva. RR-pohjainen TI funktiona MV ja SUVmax.

Pinta-SRE (AB), LRE (CD), RLNU (EF) ja LGZE (GH) funktiona lukumäärän voxels (A, C, E , G) tai funktiona SUVmax (B, D, F, H) varten phantom (sininen), keuhkokasvaimia (punainen) ja terveen kudoksen (vihreä) kanssa suhteellisen rs.

doi: 10,1371 /journal. pone.0145063.s001

(TIF)

S2 Kuva. AR-pohjainen TI funktiona MV ja SUVmax.

Pinta-SRE (AB), LRE (CD), RLNU (EF) ja LGZE (GH) funktiona lukumäärän voxels (A, C, E , G) tai funktiona SUVmax (B, D, F, H) varten phantom (sininen), keuhkokasvaimia (punainen) ja terveen kudoksen (vihreä) kanssa absoluuttinen rs.

doi: 10,1371 /journal. pone.0145063.s002

(TIF) B S1 Taulukko. Mean, ensimmäinen ja kolmas kvartiili (Q1, Q3) RR-pohjainen ja AR-pohjainen TI kasvainkudoksen ja terveen kudoksen.

Doi: 10,1371 /journal.pone.0145063.s003

(TIF) B S2 Taulukko.

Vastaa