生物识别研究国际。2015; 2015: 237863.
结合DCE-MRI和DW-MRI定量参数进行乳腺病变分类
,1 ,2 ,1 ,1 ,1 ,1 ,三 ,4 ,4 ,4和1,*
罗伯塔·福斯科
1意大利那不勒斯，80131，Via Mariano Semmola，意大利国家肿瘤基金会，IRCCS，诊断成像、辐射和代谢治疗部
马里奥·桑索内
2那不勒斯“Federico II”大学电气工程和信息技术系，意大利那不勒斯80125，Via Claudio 21
Salvatore Filice公司
1意大利那不勒斯，80131，Via Mariano Semmola，意大利国家肿瘤基金会，IRCCS，诊断成像、辐射和代谢治疗部
文森扎·格拉纳塔
1意大利那不勒斯，80131，Via Mariano Semmola，意大利国家肿瘤基金会，IRCCS，诊断成像、辐射和代谢治疗部
奥兰多·加泰拉诺
1意大利那不勒斯，80131，Via Mariano Semmola，意大利国家肿瘤基金会，IRCCS，诊断成像、辐射和代谢治疗部
丹妮拉·玛丽亚·阿马托
1意大利那不勒斯，80131，Via Mariano Semmola，意大利国家肿瘤基金会，IRCCS，诊断成像、辐射和代谢治疗部
毛里齐奥·迪·博尼托
三诊断和实验室病理学系，“意大利肿瘤研究所Giovanni Pascale基金会，IRCCS”，Via Mariano Semmola，80131那不勒斯，意大利
马西米利亚诺·达尤托
4意大利那不勒斯，80131，Via Mariano Semmola，意大利国家杜莫里基金会，IRCCS，老年学系
伊玛科拉塔·卡帕索
4意大利那不勒斯，80131，Via Mariano Semmola，意大利国家杜莫里基金会，IRCCS，老年学系
马西莫·里纳尔多
4意大利那不勒斯，80131，Via Mariano Semmola，意大利国家杜莫里基金会，IRCCS，老年学系
安东内拉·佩蒂略
1意大利那不勒斯，80131，Via Mariano Semmola，意大利国家肿瘤基金会，IRCCS，诊断成像、辐射和代谢治疗部
1意大利那不勒斯，80131，Via Mariano Semmola，意大利国家肿瘤基金会，IRCCS，诊断成像、辐射和代谢治疗部
2那不勒斯“Federico II”大学电气工程和信息技术系，意大利那不勒斯80125，Via Claudio 21
三诊断和实验室病理学系，“意大利肿瘤研究所Giovanni Pascale基金会，IRCCS”，Via Mariano Semmola，80131那不勒斯，意大利
4意大利那不勒斯，80131，Via Mariano Semmola，意大利国家杜莫里基金会，IRCCS，老年学系
学术编辑：Vivian Barak
2014年5月25日收到；2015年4月15日验收。
这是一篇根据知识共享署名许可证分发的开放获取文章，该许可证允许在任何媒体上不受限制地使用、分发和复制，前提是正确引用了原创作品。
摘要
目标我们的研究目的是评估结合动态增强MRI（DCE-MRI）和弥散加权MRI（DW-MRI）的成像方案对可疑乳腺病变患者的诊断价值。材料和方法本研究共纳入26例女性患者的31个乳腺病变（经组织学检查证实为恶性15个，良性16个）。对于DCE-MRI和DW-MRI，在手动分割的ROI上逐像素计算无模型和基于模型的参数。统计程序包括常规线性分析和更先进的良性和恶性病变分类技术。结果我们的发现表明DCE-MRI和DW-MRI参数之间没有很强的相关性。分类分析结果表明，与单一特征相比，结合DCE参数或DW-MRI参数并不能显著提高两种技术的敏感性和特异性。考虑到所有特征的充分组合，获得了最佳性能。此外，结合所有特征的分类结果仅以DCE-MRI特征为主。结论DWI和DCE-MRI的联合应用并没有显示出显著提高乳腺MRI敏感性和特异性的潜力。DCE-MRI单独使用与DW-MRI联合使用具有相同的性能。
1.简介
磁共振成像（MRI）应用，如动态对比增强（DCE）和扩散加权成像（DWI），有潜力提供具有良好空间分辨率和再现性的无创数字生物标记物，适用于乳腺癌的早期检测和治疗评估[1–9]. 总的来说，DCE-MRI对乳腺癌的检测具有很高的敏感性（89-100%）[1–12]而DWI在预测合适的治疗方法和监测反应方面显示出了实用性[13].
DCE-MRI包括静脉注射造影剂前后图像的连续采集；它已经被证明可以提供有关肿瘤内血管通透性的信息[10,11]. 已经提出了不同的DCE-MRI数据分析方法，从时间-强度曲线（TICs）的简单半定量检查到更复杂的示踪剂动力学建模[14–18]. 设计不同的方法从动态MR信号中捕获生物相关成分，并将其与组织中发生的潜在病理生理过程联系起来。原则上，从DCE-MRI推导全定量生理数据应依赖于应用适当的示踪动力学模型来描述系统给药后对比剂的分布。然而，这些技术的应用仍然很复杂，在专家中心之外无法广泛使用。针对这一点，已经描述了许多TIC形状分类的半定量方法，目前在临床环境中使用相对普遍[18–26].
DW-MRI图像对水扩散敏感；临床前和临床数据表明，它可以反映血管结构[12,13]. DW-MRI的近似定量分析可以根据组织的相对信号强度随增加而变化，计算表观扩散系数（ADC）b条值（请参见第2节)或使用腔内非相干运动（IVIM）[27–29]为更准确的定量分析建模，该分析有可能提供有关肿瘤细胞数量和灌注的信息。随着人们对MR造影剂毒性的认识不断提高，DW-MRI可以被认为是一种在不注射造影剂的情况下获得灌注信息的有利替代方案[27–33].
在撰写本文时，只有少数研究探讨了这两种方法之间的相关性，并试图在乳腺癌病例中进行比较；此外，评估它们的独立性或互补性可能很有用。
本研究的目的是评估乳腺癌DCE-MRI和DW-MRI数据之间的相关性；此外，我们试图确定是否适当结合DCE和DW-MRI特征来鉴别乳腺良恶性病变可以提高性能。
2.材料和方法
2.1. 患者特征
本研究包括26例女性患者（平均年龄37.2±10.4岁，范围14-53岁）的31个乳腺病变（经组织学检查证实为恶性15个，良性16个）。恶性病变包括9例浸润性导管癌、3例浸润性小叶癌、1例浸润性小叶癌和2例导管原位癌。良性病变包括11例纤维腺瘤和5例纤维囊性发育不良。
2.2。MR协议
每个受试者的DW-MRI和DCE-MRI数据都是在同一疗程中使用配备乳房专用线圈的1.5 T扫描仪（Magnetom Symphony，Siemens Medical System，Erlangen，Germany）连续采集的。扫描设置报告于。
表1
| 设置 | DCE-MRI公司 | DW-MRI公司 | 单位 |
|---|
| TR/TE公司/α
| 9, 8/4, 76/25 | 7700/129/90 | 毫秒/毫秒/度 |
| 脉冲序列 | T1加权3D FLASH | T2加权SPAIR | — |
| 平面 | 冠状 | 轴向 | — |
| 视野 | 185 × 370 | 183×360 | 毫米2
|
| 矩阵大小 | 128 × 256 | 120 × 236 | 像素 |
| 像素间距 | 1.44 × 1.44 | 1.52 × 1.52 | 毫米2
|
| 切片厚度 | 2 | 4 | 毫米 |
| 切片之间的间隙 | 0 | 2 | 毫米 |
| 切片数 | 80 | 24 | — |
DW-MRI数据包括7个扫描，每个扫描对应不同的b条值（0、50、100、150、400、800和1000 s/mm2).
DCE-MRI数据包括10次连续扫描，两次连续扫描之间的间隔为56秒。在第一次对比扫描开始时，注射对比剂丸，即0.1毫升/千克体重的Gd-DOTA（Dotarem、Guerbet、Roissy CdG Cedex，法国）。使用了自动注射系统（思百吉Solaris EP MR，MEDRAD，Inc.，Indianola，PA）。注射流速为2 mL/s，然后以相同速率冲洗10 mL盐水。
2.3. 卷注册
为了在公共网格上对齐DCE和DW数据，进行了三维线性插值。对齐前，DCE和DW的体素大小为1.44×1.44×2 mm三和1.52×1.52×6毫米三分别是。对齐后，通用空间分辨率为1.5×1.5×6 mm。对于后续分析，只考虑了两个数据集中包含的体素。
2.4. 关注地区
感兴趣区域（ROI）由专业放射科医生在DCE图像上手动绘制，通过从第五次对比后图像中减去预对比度得到虚拟“脂肪抑制”。每个患者只使用了包括病变在内的切片。ROI中的体素从DCE和DW重新对齐的体积数据中提取。计算了DCE数据和DW数据的特征。
2.5. DCE-MRI功能
每个体素从DCE数据中提取20个特征：17个是无模型的，3个是基于模型的。
2.5.1. 基于模型的功能
对比剂浓度的时间过程通常使用扩展的Tofts模型进行建模[22,24]:
哪里C类
吨(吨)是感兴趣组织（体素）内对比剂的浓度；C类
第页(吨)是血浆中对比剂的浓度（也称为动脉输入功能（AIF））；K（K）
反式是从血浆到细胞外-血管外空间（EES）的体积传递常数；k个
电动自行车是EES到等离子体的扩散速率常数；v（v）
第页是等离子体所占的体积分数。这些参数可能与血管生成活性水平有关。特别地，K（K）
反式表示血管渗透率k个
电动自行车与冲刷阶段的持续时间有关[21]. 我们假设了Weinmann等人提出的双指数AIF[34]:
哪里天是给药剂量（mL/kg），一
1=3.99千克/升，一
2=4.78千克/升，米
1=0.144分钟−1、和米
2=0.0111分钟−1使用Schabel等人建议的方法从TIC计算对比剂浓度[35]具有固定的预处理纵向弛豫时间，T型
1,0820ms，适用于乳腺实质。
2.5.2. 无模型功能
对于每个体素，使用之前在[26]：基本信号（SB）、最大信号差（MSD）、啄击时间（TTP）、WI斜率（WIS）、WO斜率，AUCWO/AUCWI比率和高度比（HR）。
此外，在本研究中，灌注指数（PI）由[36]，强度差（SOD）之和，由[37]，以及建议的增强斜率（VES）方差[38]计算。
2.6. DW-MRI特征
对于每个体素，使用体素内非相干运动（IVIM）模型从DW数据中提取3个特征(步骤7）[27–29].
每对特征的Spearman相关系数(第页)在体素逐个体素级别以颜色代码报告。黄色和红色表示正相关；青色和蓝色表示负相关。大多数DCE特征与DW特征不相关；观察到两者之间存在较强的正相关性D类和PI(第页=0.70）之间D类和SOD(第页= 0.60).
DW-MR信号衰减最常用的分析方法是使用单指数模型[26,27]:
哪里S公司
b条是具有扩散加权的MRI信号强度b条,S公司
0是非扩散加权信号强度，ADC是表观扩散系数。
对于具有较大血管分数的体素，MRI数据衰减可能偏离单指数形式，特别是在较低的范围内呈现快速衰减b条盒内非相干运动（IVIM）效应产生的值[27,28]. 因此，除了单指数模型外，还使用了双指数模型来估计与IVIM相关的伪扩散系数参数(D类
第页也用表示D类
∗)，灌注分数(（f）
第页)和组织扩散率(D类):
正如在其他体内IVIM研究中发现的那样，由于样本数量有限、灌注分数较小和/或类似的房室扩散率，双指数模型中三个参数的估计可能经常受到限制[29–33]. 因此，我们执行了如下“两步”分析程序。
通常，D类
第页大于D类[28]; 因此，当b条值明显大于~1/D类
第页（例如，对于D类
第页约10毫米2/毫秒，b条>100秒/毫米2)伪扩散项对信号衰减的贡献可以忽略不计。在这个更高的b条价值体系(三)可以简化为单指数方程(4)，其中D类可以估计：
因此，D类根据高于选定阈值的数据的单指数拟合确定(b条>200秒/毫米2，在本研究中）。确定后D类使用(5),D类
第页,（f）
第页可以使用以下非线性拟合进行估计(4)将剩余平方和最小化的整个数据集。
2.7. 统计分析
我们进行了两种类型的分析：逐体素分析和逐病灶分析。预计逐体素分析的结果应该量化使用DCE和DW信息的组合自动分割图像的可能性。病变分析的结果应显示出区分良性和恶性的能力。因此，计算了体素特征和病变特征（每个病变的所有特征沿所有体素的中值）。总结了23个特征。
表2
| 身份证件 | 符号 | 描述 | 单位 |
|---|
| 1 |
（f）
| 灌注分数 | — |
| 2 |
D类
∗
| 伪扩散系数 | 毫米2 秒−1
|
| 三 |
D类
| 组织扩散系数 | 毫米2 秒−1
|
| 4 | WOS/WIS | 冲刷阶段和冲刷阶段斜率之比（见下文） | — |
| 5 | WOI/WII公司 | 冲刷阶段和冲刷阶段截距之间的比率（见下文） | — |
| 6 | AUCWI公司 | 洗脱阶段钆曲线下面积 | 毫摩尔升−1
|
| 7 | AUCWO公司 | 洗脱阶段钆曲线下面积 | 毫摩尔升−1
|
| 8 | AUCWI/AUCWO公司 | 冲刷和冲刷阶段面积之比 | — |
| 9 | 人力资源 | 高度比 | — |
| 10 | TTP公司 | 达到峰值的时间 | 秒 |
| 11 | 材料安全数据 | 最大信号差 | — |
| 12 | AUC公司 | 曲线下面积 | — |
| 13 | 某人 | 基本信号 | — |
| 14 | WIS（WIS） | 冲入斜坡 | 秒−1
|
| 15 | WII公司 | 冲入截距 | — |
| 16 | 无线办公系统 | 冲刷斜坡 | 秒−1
|
| 17 | WOI公司 | 冲刷截距 | — |
| 18 | 可变作用力转向（VES） | 增强坡度方差 | 秒−1
|
| 19 | 圆周率 | 灌注指数 | — |
| 20 | 草地 | 强度差总和 | — |
| 21 |
K（K）
反式
| 血浆到血管外腔的体积传递常数 | 秒−1
|
| 22 |
k个
电动自行车
| 从细胞外-血管外间隙到血浆的扩散速率常数 | 秒−1
|
| 23 |
v（v）
第页
| 血浆体积分数 | — |
为了评估DCE和DWI之间的相关性，我们在逐体素水平上进行了分析。具体来说，我们计算了每对特征之间的Spearman（非参数）相关系数。预计强相关（或负相关）特征应显示出高相关系数（约为1或-1）。
随后，我们使用逐体素和逐病变分析来评估特征区分良性和恶性体素或病变的能力。我们应用了线性判别分析（LDA）[39]其次是线性分类器，以识别出能够产生最佳分类结果的最佳特征组合。生成了用于分类的ROC曲线。通过最大化ROC曲线下的面积来确定最佳线性分类器；考虑到良性肿瘤的不平衡性，确定了最佳阈值[40,41].
最后，评估了基于体素逐个体素分析的简单病变分类算法的性能：如果病变中的大多数体素被分类为恶性（良性），则病变被分类为良性（恶性）。比较了DCE单独、DW单独和DCE与DW联合分类。在这三个病例中，计算每个病变的正确分类样本的百分比。
3.结果
显示了斯皮尔曼相关系数(第页)在所有特征对之间的体素逐个体素级别。功能的编号如所示可以看出，一般来说，DCE和IVIM参数除PI外均表现出弱相关性&D类(第页=0.70）和SOD&D类(第页= 0.60).
数字和分别显示体素-体素和病变-病变分析中单个特征的接收器工作曲线（ROC）。在一个特定的ROC内，最佳阈值由一个红点表示，考虑到良性和恶性病变之间的不平衡性，对其进行了评估。获得了灵敏度高、特异性好的最大曲线下面积（AUC）k个
电动自行车,K（K）
反式和HR，在逐体素分析的情况下D类
∗、WIS和（f）在病变分析中（由于灵敏度很低，我们放弃了SB）。
在逐体素分析的情况下，单个特征的接收器工作曲线（ROC）。每个功能（请参见)ROC以真阳性率（TPR）和假阳性率（FPR）报告。曲线图按照曲线下面积（AUC）按行降序排列，最大AUC位于左上角。红点表示考虑到良性肿瘤受试者之间的失衡，TRP/FPR之间的最佳折衷。FPR通常很高，除了k个
电动自行车和人力资源。
病变分析中单个特征的受试者操作曲线（ROC）。每个功能（请参见)ROC以真阳性率（TPR）和假阳性率（FPR）报告。曲线图按照曲线下面积（AUC）按行降序排列，最大AUC位于左上角（每个特征的AUC在括号中表示）。红点表示考虑到良性肿瘤受试者之间的失衡，最佳值。
数字和在逐个体素和逐个病变分析的情况下，分别报告LDA分析中所有特征的最佳组合结果。最佳阈值由红点表示，考虑到良性和恶性病变之间的不平衡性，对其进行了评估。
最佳线性组合的ROC分析全部的在逐像素分析的情况下，使用线性判别分析获得的特征。AUC显示在括号中。红点表示考虑到良性肿瘤患者之间的失衡，最佳点：TPR约为0.93，FPR约为0.35。
最佳线性组合的ROC分析全部的在逐病灶分析中使用线性判别分析获得的特征。考虑到良性肿瘤患者之间的失衡，红点表示最佳点。AUC在括号中报告。TPR为1，FPR小于0.1。
显示了通过线性判别分析对每个病变进行正确分类的样本的百分比。使用DCE功能只显示了DCE和DW组合的相同行为。仅使用DCE和仅使用DW的误分类患者数量相同（两种情况下都有9名患者被误分类）。
对良性和恶性病变进行分类的简单算法的结果：使用逐像素分析中的最佳特征组合，可以将病变内的体素分类为良性或恶性：如果病变的恶性体素百分比高于50%，则将其分类为恶性。报告每个患者在ROI中正确分类的体素百分比：如果该百分比高于50%，则可以正确识别病变。可以看出，仅使用DCE（蓝线）只有9个病灶被错误分类。仅使用DW，我们又有9个病灶被错误分类，但它们与之前的不同。此外，DCE和DW的组合仅产生与DCE相同的结果。
桌子和报告体素逐体素分析中提供ROC（AUROC）下最大面积的参数的敏感性和特异性。
表3
逐像素分析中提供ROC（AUROC）下最大面积的参数的敏感性和特异性。
| 参数 | AUROC公司 | 敏感 | 特异性 |
|---|
|
k个
电动自行车
| 0.7 | 0.96 | 0.22 |
|
K（K）
反式
| 0.66 | 0.99 | 0.18 |
| 人力资源 | 0.65 | 0.94 | 0.35 |
表4
病变分析中提供ROC（AUROC）下最大面积的参数的敏感性和特异性。由于灵敏度低，我们放弃了SB。
| 参数 | AUROC公司 | 敏感 | 特异性 |
|---|
|
D类
∗
| 0.7 | 0.73 | 0.75 |
| WIS（WIS） | 0.65 | 0.33 | 0.94 |
|
（f）
| 0.64 | 0.73 | 0.69 |
4.讨论
本研究的目的是评估结合动态增强MRI（DCE-MRI）和弥散加权成像（DWI）的成像方案对可疑乳腺病变患者的诊断价值，并确定DWI提供的附加信息是否可以提高乳腺MRI的诊断价值。
我们的研究结果表明，DCE-MRI和DW-MRI特征之间没有很强的相关性(). 最大值对应于配对PI&D类和SOD&D类可能是因为PI和SOD是描述时间-强度曲线过程整体趋势的唯一两个特征，这两个特征可以在不同类型的病变之间获得最佳的区分。
ROC分析表明，单个特征（DCE和DW）没有很好的区分能力（图和). 此外，我们数据的不平衡不允许确定一个具有高灵敏度和特异性的良好阈值。
线性判别分析结果（图和)表明，与单一特征相比，使用DCE和DW特征的组合具有提高敏感性和特异性的潜力。
然而，使用简单的分类算法（如第2.7节。应进行进一步调查，以找到最佳方式组合来自DCE和DW的信息。
据我们所知，在对两个卷进行自动注册和预处理后，文献中没有任何研究试图将DCE和DW-MRI特征结合起来，包括由DCE-MRI数据评估的无模型参数和基于模型的参数，以及由DW-MRI数据评估的IVIM参数，评估乳腺良恶性病变鉴别的准确性，并评估DW-MRI附加参数对乳腺病变分类中DCE-MRI特征的改善。
最近文献中的几位作者将乳腺癌的DCE和DW-MRI数据结合到不同的目的。Rahbar等人[42]开发了一种结合DCE和DW-MRI特征的模型，包括半模型无参数和ADC，以在体内区分高核级（HNG）和非HNG导管原位癌（DCIS）。这些初步发现表明，DCE和DW-MR成像特征可能有助于识别高危DCIS患者。Kul等人[43]评估DCE和DW-MRI联合成像方案对可疑乳腺病变患者的诊断价值，并确定DWI提供的附加信息是否提高了乳腺MRI的诊断价值。他们得出结论，DWI和DCE-MRI联合有可能提高乳腺MRI的特异性。Partridge等人[44]表明ADC可以提高乳腺MRI对不同类型和大小病变的阳性预测价值。Jena等人[45]试图评估毛细管渗透率的综合影响(K（K）
反式)以及组织细胞数（ADC），通过将这些参数纳入乳腺MRI常规临床方案来区分乳腺良恶性病变的诊断准确性。Wu等人[46]他们的研究报告称，DW-MRI和CE-MRI的联合使用有可能提高新辅助化疗（NAC）监测的诊断性能。Atuegwu等人[47]提出了一种将ADC和动力学DCE-MRI特征结合到肿瘤生长的简单数学模型中的方法，以预测NAC时的肿瘤细胞数量和早期治疗反应。在这篇文章中，结果表明DW-和DCE-MRI数据的整合如何提高特异性和阳性预测值，以在NAC一个周期后将应答者与无应答者分开。值得一提的是蔡等人最近提出的工作[48,49]：他们提出了一种机器学习方法，将扩散加权成像（DWI）、形态学和DCE-MRI动力学特征相结合，以提高乳腺肿块良恶性的鉴别能力。他们检查了分为四组的七个特征：形态特征、纹理特征、动力学特征和一个DWI特征（表观扩散系数）。结合选定的诊断特征，使用各种经典分类方案通过交叉验证方案测试其识别能力。他们得出结论，表征ADC形态、动力学、病理特性和DWI测量的多方面变量可以提高乳腺病变的辨别能力。
然而，必须强调一些缺点：特别是，他们使用了一种将七个特征与支持向量机相结合的非线性分类器，贝叶斯分类器，k个-最近邻法和logistic回归模型，所有这些方法都确定了特征的非线性操作；就特征的线性组合而言，放射科医生不容易理解后者。此外，在我们的研究中，与Cai等人[48,49]，我们结合了由DCE-MRI数据和DW-MRI数据评估的特征，包括无模型参数和基于模型的参数。
需要注意的是：在我们的研究中，使用了基于模型的参数，因为它们与组织的生理特性（灌注）更密切相关。我们没有像Cai等人那样考虑形态特征[48,49]，因为我们只对病变的功能方面感兴趣：这可以解释我们的研究和引用的研究（包括形态学和纹理特征）之间的结果差异。
我们研究的一个主要局限性是人口规模小：需要增加人口数量以提高统计检验的能力，并检测两组之间的统计差异（良性病变和恶性病变）。
虽然不是决定性的，但我们的结果似乎表明，在乳腺病变的分类中，与单独使用DCE-MRI特征相比，联合使用DCE-MRI和DW-MRI并没有显著改善。
工具书类
1Huang W.，Fisher P.R.，Dulaimy K.，Tudorica L.A.，O'Hea B.，Button T.M.乳腺恶性肿瘤检测：提高特异性的MR诊断方案。放射科。2004;232(2):585–591. doi:10.1148/radiol.2322030547。[公共医学][交叉参考][谷歌学者] 2Heywang-Köbrunner S.H.，Viehweg P.，Heinig A.，Küchler C.胸部对比增强MRI：准确性，价值，争议，解决方案。欧洲放射学杂志。1997;24(2):94–108. doi:10.1016/s0720-048x（96）01142-4。[公共医学][交叉参考][谷歌学者] 三。Schnall M.D.、Rosten S.、Englander S.、Orel S.G.、Nunes L.W.乳腺MR图像的结构和动力学联合解释模型。学术放射学。2001;8（7） ：591–597。doi:10.1016/s1076-6332（03）80683-9。[公共医学][交叉参考][谷歌学者] 4Kinkel K.，Helbich T.H.，Esserman L.J.等人。可疑乳腺病变的动态高空间分辨率MR成像：诊断标准和观察者间变异性。美国放射学杂志。2000;175(1):35–43. doi:10.2214/ajr.175.1.1750035。[公共医学][交叉参考][谷歌学者] 5Warren R.M.L.、Pointon L.、Thompson D.等人。乳腺动态对比增强MR图像的阅读协议：敏感性和特异性分析。放射科。2005;236(3):779–788. doi:10.1148/radiol.2363040735。[公共医学][交叉参考][谷歌学者] 6Peters N.H.G.M.、Borel Rinkes I.H.M.，Zuithoff N.P.A.、Mali W.P.T.M.和Moons K.G.M、Peeters P.H.M。乳腺病变诊断中MR成像的Meta分析。放射科。2008年；246(1):116–124. doi:10.1148/radio.2461061298。[公共医学][交叉参考][谷歌学者] 7Nunes L.W.、Schnall M.、Siegelman E.S.等人。乳腺高空间分辨率MR成像揭示的结构特征的诊断性能特征。美国放射学杂志。1997;169(2):409–415. doi:10.2214/ajr.169.2.9242744。[公共医学][交叉参考][谷歌学者] 8Kuhl C.K.、Mielcareck P.、Klaschik S.等。动态乳腺MR成像：信号强度时间历程数据对增强病变的鉴别诊断有用吗？放射科。1999;211(1):101–110. doi:10.1148/radiology.211.1.r99ap38101。[公共医学][交叉参考][谷歌学者] 9Lloyd M.C.、Allam-Nandyala P.、Purohit C.N.等人。使用图像分析作为评估乳腺癌预后和预测生物标记物的工具：其可靠性如何？病理信息学杂志。2010;1、第29条 [PMC免费文章][公共医学][谷歌学者] 10Knopp M.V.、Giesel F.L.、Marcos H.、von Tengg-Kobligk H.、Choyke P.肿瘤动态对比增强磁共振成像。磁共振成像专题。2001;12(4):301–308. doi:10.1097/00002142-200108000-00006。[公共医学][交叉参考][谷歌学者] 11Su M.Y.，Cheung Y.C.，Fruehauf J.P.等。动态增强MRI参数与微血管密度和VEGF的相关性，用于评估乳腺癌血管生成。磁共振成像杂志。2003;18(4):467–477. doi:10.1002/jmri.10380。[公共医学][交叉参考][谷歌学者] 12Gibbs P.、Liney G.P.、Pickles M.D.、Zelhof B.、Rodrigues G.、Turnbull L.W.ADC和T2测量值与3.0特斯拉前列腺癌细胞密度的相关性。放射学研究。2009;44(9):572–576. doi:10.1097/rli.0b013e3181b4c10e。[公共医学][交叉参考][谷歌学者] 13Matsumoto Y.、Kuroda M.、Matsuya R.等人。体外表观扩散系数与细胞数和细胞形态变化关系的实验研究。肿瘤学报告。2009;22(3):641–648. doi:10.3892/或_00000484。[公共医学][交叉参考][谷歌学者] 14Brix G.、Griebel J.、Kiessling F.、Wenz F.基于动态对比增强CT和MRI测量的肿瘤血管生成的示踪动力学建模。欧洲核医学和分子成像杂志。2010;37（补充1）：S30–S51。doi:10.1007/s00259-010-1448-7。[公共医学][交叉参考][谷歌学者] 15Sourbron S.磁共振灌注的技术方面。欧洲放射学杂志。2010;76(3):304–313. doi:10.1016/j.ejrad.2010.02.017。[公共医学][交叉参考][谷歌学者] 16Sansone M.、Fusco R.、Petrillo A.、Petrilo M.、Bracale M.动态对比度增强磁共振成像中同时进行像素分类和示踪剂动力学建模的期望最大化方法。医学生物工程与计算。2011;49(4):485–495. doi:10.1007/s11517-010-0695-x。[公共医学][交叉参考][谷歌学者] 17Fusco R.，Sansone M.，Petrillo M.，彼得利罗A.参数化对DCE-MRI示踪剂动力学建模的影响。医学与生物工程杂志。2014;34(2):157–163. doi:10.5405/jmbe.1097。[交叉参考][谷歌学者] 18Fusco R.、Sansone M.、Maffei S.、Raiano N.、Petrillo A.乳腺癌动态对比增强MRI：分布式和房室示踪剂动力学模型之间的比较。生物医学图形与计算杂志。2012;2(2):23–26. doi:10.5430/jbgc.v2n2p23。[交叉参考][谷歌学者] 19Goto M.、Ito H.、Akazawa K.等。通过对比增强MR成像诊断乳腺肿瘤：动态增强模式与形态学特征的诊断性能比较。磁共振成像杂志。2007;25(1):104–112. doi:10.1002/jmri.20812。[公共医学][交叉参考][谷歌学者] 20Fusco R.、Filice S.、Granata V.等。不确定（II型）时间-强度曲线的半定量评估能否提高乳腺DCE-MRI的诊断？生物医学科学与工程杂志。2013;6(3):418–425. doi:10.4236/jbise.2013.63a052。[交叉参考][谷歌学者] 21Collins D.J.、Padhani A.R.肿瘤灌注的动态磁共振成像。方法和生物医学挑战。IEEE医学与生物工程杂志。2004;23(5):65–83.[公共医学][谷歌学者] 22Tofts P.S.动态Gd-DTPA MR成像中示踪剂动力学建模。磁共振成像杂志。1997;7(1):91–101. doi:10.1002/jmri.1880070113。[公共医学][交叉参考][谷歌学者] 23Yang C.，Karczmar G.S.，Medved M.，Stadler W.M.在动态对比增强MRI研究中使用两个参考组织评估动脉输入功能：基本概念和模拟。医学中的磁共振。2004;52(5):1110–1117. doi:10.1002/mrm.20243。[公共医学][交叉参考][谷歌学者] 24Brix G.、Semmler W.、Port R.、Schad L.R.、Layer G.、Lorenz W.J.中枢神经系统Gd-DTPA增强MR成像中的药代动力学参数。计算机辅助断层扫描杂志。1991;15(4):621–628. doi:10.1097/00004728-199107000-00018。[公共医学][交叉参考][谷歌学者] 25Yankeelov T.E.、Luci J.J.、Lepage M.等人。无动脉输入功能的DCE-MRI数据的定量药代动力学分析：参考区域模型。磁共振成像。2005;23(4):519–529. doi:10.1016/j.mri.2005.02.013。[公共医学][交叉参考][谷歌学者] 26Fusco R.、Petrillo A.、Petrilo M.和Sansone M.使用示踪动力学模型选择DCE-MRI数据分类的半定量特征。应用磁共振。2013;44(11):1311–1324. doi:10.1007/s00723-013-0481-7。[交叉参考][谷歌学者] 27Le Bihan D.、Breton E.、Lallemand D.膀胱内非相干运动的MR成像：在神经疾病扩散和灌注中的应用。放射科。1986;161(2):401–407. doi:10.1148/radiology.161.2.3763909。[公共医学][交叉参考][谷歌学者] 28Le Bihan D.、Breton E.、Lallemand D.、Aubin M.-L.、Vignaud J.、Laval-Jeantet M.血管内非相干运动MR成像中扩散和灌注的分离。放射科。1988;168(2):497–505. doi:10.1148/radiology.168.2.3393671。[公共医学][交叉参考][谷歌学者] 29Luciani A.、Vignaud A.、Cavet M.等人。肝硬化：腔内非相干运动MR成像初步研究。放射科。2008年；249(3):891–899. doi:10.1148/radiol.2493080080。[公共医学][交叉参考][谷歌学者] 30Wirestam R.、Borg M.、Brockstedt S.、Lindgren A.、HoltáS S.、Stáhlberg F.对比动态磁化率对比MR技术测量的CBV和CBF，研究腔内非相干运动MR成像中的灌注相关参数。放射学报。2001;42(2):123–128. doi:10.1080/028418501127346459。[公共医学][交叉参考][谷歌学者] 31Moteki T.，Horikoshi H.使用扩散加权回波平面MR和梯度b因子的三个值评估肝脏病变和肝实质。磁共振成像杂志。2006;24(3):637–645. doi:10.1002/jmri.20682。[公共医学][交叉参考][谷歌学者] 32Callot V.、Bennett E.、Decking U.K.M.、Balaban R.S.、Wen H.使用IVIM方法对犬心肌微循环的体内研究。医学中的磁共振。2003;50(3):531–540. doi:10.1002/mrm.10568。 [PMC免费文章][公共医学][交叉参考][谷歌学者] 33Yao L.，Sinha U.利用扩散加权回波成像技术对肌肉微循环质子部分进行成像。学术放射学。2000;7(1):27–32. doi:10.1016/S1076-6332（00）80440-7。[公共医学][交叉参考][谷歌学者] 34Weinmann H.J.、Laniado M.、Mützel W.健康志愿者静脉注射GdDTPA/二甲氨基葡萄糖后的药代动力学。生理化学、物理和医学核磁共振。1984;16（2） ：167–172。[公共医学][谷歌学者] 35Schabel M.C.、Morrell G.R.、Oh K.Y.、Walczak C.A.、Barlow R.B.、Neumayer L.A.动态乳腺MRI病变分类的药代动力学绘图。磁共振成像杂志。2010;31(6):1371–1378. doi:10.1002/jmri.22179。 [PMC免费文章][公共医学][交叉参考][谷歌学者] 36Sang H.L.、Jong H.K.、Jeong S.P.等。动态对比增强乳腺MRI中病灶灌注体积的纹理分析。第五届IEEE生物医学成像国际研讨会论文集：从纳米到宏观（ISBI’08）；2008年5月；法国巴黎。第1545-1548页。[交叉参考][谷歌学者] 37Twellmann T.、Saalbach A.、Leach M.O.、Nattkemper T.W.动态对比度增强磁共振成像的图像融合。生物医学工程在线。2004;3，第35条doi:10.186/1475-925x-3-35。 [PMC免费文章][公共医学][交叉参考][谷歌学者] 38Lee S.H.、Kim J.H.和Cho N.等。乳腺DCE-MRI肿瘤增强模式分化的时空关联特征的多水平分析。医学物理学。2010;37(8):3940–3956. doi:10.1118/1.3446799。[公共医学][交叉参考][谷歌学者] 39Krzanowski W.J。多元分析原理：用户视角。美国纽约州纽约市：牛津大学出版社；1988[谷歌学者] 40福塞特T。HP实验室技术代表。美国加利福尼亚州帕洛阿尔托：惠普实验室；2003年。ROC图：研究人员注意事项和实际考虑事项。[谷歌学者] 41Schisterman E.F.、Perkins N.J.、Liu A.、Bondell H.使用混合血样区分个体的最佳切点及其相应的Youden指数。流行病学。2005;16(1):73–81.[公共医学][谷歌学者] 42Rahbar H.、Partridge S.C.、DeMartini W.B.等人。导管癌原位分级的体内评估：结合动态对比增强和扩散加权乳腺MR成像参数的模型。放射科。2012;263(2):374–382. doi:10.1148/radiol.12111368。 [PMC免费文章][公共医学][交叉参考][谷歌学者] 43Kul S.、Cansu A.、Alhan E.、Dinc H.、Gunes G.、Reis A.扩散加权成像对动态对比增强MRI在乳腺肿瘤表征中的作用。美国放射学杂志。2011;196(1):210–217. doi:10.2214/ajr.10.4258。[公共医学][交叉参考][谷歌学者] 44Partridge S.C.、DeMartini W.B.、Kurland B.F.、Eby P.R.、White S.W.、Lehman C.D.定量扩散加权成像作为常规乳腺MRI的辅助手段，以提高阳性预测值。美国放射学杂志。2009;193(6):1716–1722. doi:10.2214/ajr.08.2139。[公共医学][交叉参考][谷歌学者] 45Jena A.、Taneja S.、Mehta S.B.综合定量DCE-MRI和DW-MRI来表征乳腺病变。欧洲放射学杂志。2012;81：S64–S65。doi:10.1016/S0720-048X（12）70025-6。[公共医学][交叉参考][谷歌学者] 46Wu L.-M.，Hu J.-N.，Gu H.-Y.，Hua J.，Chen J.，Xu J.-R.磁共振弥散加权成像和对比增强成像能否准确评估和预测乳腺癌患者新辅助化疗的病理反应？乳腺癌研究与治疗。2012;135(1):17–28. doi:10.1007/s10549-012-2033-5。[公共医学][交叉参考][谷歌学者] 47Atuegwu N.C.、Arlinghaus L.R.、Li X.等。通过DW-MRI和DCE-MRI数据参数化肿瘤生长的logistic模型，以预测新辅助化疗期间的治疗反应和乳腺癌细胞数的变化。转化肿瘤学。2013;6(3):256–264. doi:10.1593/tlo.1330。 [PMC免费文章][公共医学][交叉参考][谷歌学者] 48蔡海，刘磊，彭毅，吴毅，李磊。不同成像方案下动态对比增强和弥散加权磁共振对乳腺病变鉴别诊断的评价。BMC癌症。2014;14（1，第366条）doi:10.186/1471-2407-14-366。 [PMC免费文章][公共医学][交叉参考][谷歌学者] 49蔡宏，彭毅，欧灿，陈明，李力。动态增强磁共振弥散加权成像诊断乳腺肿块：一种机器学习方法。公共科学图书馆。2014;9（1） doi:10.1371/journal.pone.0087387。电子87387[PMC免费文章][公共医学][交叉参考][谷歌学者] 
