Sammenligning af modeller for spredning i Wilms' tumorer og normalt kontralateralt nyrevæv

Kontakt:tina.xiang@wecistanche.com

Abstrakt

ObjektivADC (Apparent Diffusion Coefficient) afledt af Diffusion-Weighted Imaging (DWI) har vist sig lovende som en ikke-1invasiv kvantitativ billeddannende biomarkør iWilms' tumorer. Imidlertid kunne mange ikke-Gaussiske modeller anvendes til DWI. Denne undersøgelse havde til formål at sammenligne egnetheden af ​​firediffusionmodeller (monoeksponentiel, IVIM [Intravoxel Incoherent Motion], strakt eksponentiel og kurtosis) i Wilms' tumorer og de upåvirkede kontralateralenyrer.

Materialer og metoder DWI-data blev retrospektivt gennemgået (110 Wilms' tumorer og 75 normale nyredatasæt). Godheden af ​​pasform for hver model blev målt voxel-vist ved hjælp af Akaike Information Criteria (AIC). Gennemsnitlig AIC blev beregnet for hvert tumorvolumen (eller kontralateralt normalt nyrevæv). Envejs ANOVA'er med Greenhouse-Geisser-korrektion og post hoc-tests ved hjælp af Bonferroni-korrektionen evaluerede signifikante forskelle mellem AIC-værdier; den laveste AIC, der angiver den optimale model.

ResultaterIVIM og strakt eksponentiel gav den bedste pasform til Wilms' tumor DWI-data. IVIM gav den bedste pasform til de normale nyredata. Mono eksponentiel var den mindst passende tilpasningsmetode for både Wilms' tumor- og normale nyredata.

DiskussionDet diffusionsvægtede signal indWilms' tumorerog normalnyrevævudviser ikke et mono-eksponentielt henfald og er bedre beskrevet af ikke-Gaussiske diffusionsmodeller.

NøgleordWilms' tumor. Nyrer. Diffusion

For mere information, klik her

Introduktion

Wilms' tumor er den mest almindelige pædiatriske nyretumor [1], og i Europa behandles patienter med kemoterapi før operation for at reducere tumorstørrelse [2]. Efter en hel eller delvis nefrektomi klassificerer histologisk analyse tumoren som en undertype afhængigt af den dominerende celletype [3]. Patienter vil ofte have flere MR-scanninger for at overvåge respons på behandlingen, hvor diffusionsvægtet billeddannelse (DWI) ofte er erhvervet.

Den tilsyneladende diffusionskoefficient (ADC) kan udledes fra DWI ved at anvende en mono-eksponentiel tilpasning (Eq.1) til diffusionsdataene.

(1)S(b)= Se-b.ADC

hvor S(b) er signalet ved en given b-værdi, og S. er signalet uden diffusionsvægtning.

ADC har vist meget lovende som et kvantitativt billeddannende værktøj i Wilms' tumor. For eksempel er ADC blevet brugt til at skelne godartede fra ondartede tumorer (en undergruppe af denne

kohorte, der er Wilms' tumorer)[4], adskil neuroblastom fra Wilms'tumor[5], overvåg kemoterapirespons [6, 7], identificer histologiske undertyper [7] og hjælper med at identificere nekrotisk Wilms' tumorvæv [8].

Mens ADC er en nyttig parameter, er der andre ikke-Gaussiske modeller (VIM[9][ntravoxel Incoherent Motion], strakt eksponentiel [10] og kurtosis [11]), som kan anvendes på DWI-data for at producere en bred vifte af diffusionsmålinger. IVIM(Eq.2) er en bi-eksponentiel model, som ikke kun beskriver vandbevægelser i det ekstravaskulære rum, men også i det tilfældigt orienterede mikrokapillærnetværk. Den producerer parametrene D (diffusionskoefficienten fri for påvirkning af hurtigtstrømmende vand i kapillærnetværket, kaldet langsom diffusion), D*(diffusionskoefficienten på grund af den tilfældigt orienterede bevægelse af vand i blodet i kapillærnetværkshurtig diffusion), og f(volumenfraktionen forbundet med den hurtigtstrømmende komponent). (2)S(b)= Så[(1-f)e(-bD plus fel-b(D plus D')

Den strakte-eksponentielle model (lign. 3) beskriver heterogenitet i diffusion inden for en enkelt voxel, der beskriver afvigelsen fra et mono-eksponentielt henfald. Den producerer parametrene DDC (den distribuerede diffusionskoefficient) og a (strækningsparameteren til at beskrive afvigelsen fra homogen diffusion).

(3)S(b)= S,e(-(b.DDC)")

Kurtosismodellen (Eq.4) beskriver afvigelsen fra forskydningen af ​​vandmolekyler efter en Gauss-fordeling og producerer parametrene D (diffusionskoefficienten korrigeret for den ikke-Gaussiske forskydning) og K (kurtosis).

(4)S(b)= Soe-bD plus b2D,?K/6

Disse modeller har potentiale til at give supplerende information vedrørende vævsmikrostruktur. Derudover har de vist sig at give overlegne beskrivelser af diffusionsdata sammenlignet med den mono-eksponentielle model i rektal cancer [12], prostatacancer knoglemetastaser [13], ovariecancer [14] og sundt nyrevæv [15]. Der er dog begrænset forskning i at anvende disse modeller i Wilms' tumor, hvor de kan være nyttige på grund af tumorvævets meget heterogene cellulære miljø. Endvidere antages det, at på grund af de høje niveauer af perfusion inyrer, og at IVIM er designet til at tage højde for en perfusionsrelateret komponent i diffusionssignalet, kan denne model give en overlegen tilpasning til disse DWI-data [16].

Formålet med denne forskning var at bestemme, om disse modeller (VIM, strakt eksponentiel og kurtosis) giver overlegne tilpasninger til det diffusionsvægtede signal sammenlignet med en mono-eksponentiel model i Wilms' tumorer og den kontralaterale normalenyre. Tilpasningens godhed blev beregnet ved hjælp af Akaike Information Criterion(AIC)[17], som straffer modeller, der indeholder flere frie parametre, end der understøttes af de rå data. Derudover, som et sekundært mål, blev Wilms' tumorer adskilt af histologiske undertyper for at bestemme, om visse modeller favoriserede visse undertyper.

Materialer og metoder Studiepopulation

Institutionel etisk godkendelse blev givet og frafaldt behovet for samtykke til denne enkeltcenterundersøgelse. En 10-årig retrospektiv gennemgang (april 2007-marts 2017) af det røntgenologiske billeddiagnostiske system på vores institution blev udført for alle abdominale MR-data hos børn med en dokumenteret histologisk diagnoseWilms' tumor. Inklusionskriterier var dem med multiple b-værdi DWI-data (herunder en maksimal b-værdi på 1000 s/mm2) og tumorstørrelse, der dækkede mindst 2 aksiale skiver på DWI. DWI med ekstreme bevægelsesartefakter blev også fjernet. MR-data blev indsamlet fra Wilms' tumorpatienter både før og efter kemoterapi. Histologiske undertyper blev bekræftet efter operationen for en undergruppe af tumorerne. Til normale nyredata blev den kontralaterale upåvirkede nyre brugt, undtagen hos patienter med bilateral sygdom.

MR

Al billeddannelse blev udført på en 1,5 T Siemens Magnetom Avanto-scanner udstyret med 40mT/m gradienter. Afhængigt af patientstørrelsen blev der brugt en eller to kropsmatrixspoler for at opnå fuld dækning (6 element design, Siemens). Patienterne var enten vågne eller bedøvede afhængigt af deres alder.

Multipel b-værdi DWI blev opnået for alle patienter og blev erhvervet under fri vejrtrækning. DWI-protokollen var som følger:7 eller 8b værdier i 3 ortogonale retninger(0, 50,100,250,500,750,1000 s/mm²eller 0,50,100,150,200,250,500,100 mm tykkelse TR/TE:2800 ms/89 ms, synsfeltet:350×350 mm, voxelstørrelse:1,4×1,4×6 mm, antal skiver:19, matrixstørrelse:128×96×19. Ni gennemsnit blev opnået for hver værdi, og sporbilleder (gennemsnit over 3 retninger) blev brugt til analyse. Standard kliniske sekvenser blev også erhvervet i forbindelse, inklusive fedt-undertrykte T w før og efter administration af gadolinium-baseret kontrast; fuldstændige detaljer om de kliniske billeddannelsessekvenser kan findes i [18].

Efterbehandling

Diffusiondata blev behandlet ved hjælp af sporbilleder og interne modeltilpasningsrutiner designet i Matlab (version 2019a, MathWorks Inc., Natick, MA, USA) på en voxel-for-voxel-basis ved hjælp af fire forskellige diffusionsmodeller: monoeksponentiel(Eq. 1), IVIM(Eq.2),strakt-eksponentiel (Eq.3) og kurtosis (Eq.4).

I hvert tilfælde var Swas defineret som signalet ved b{{{{10}}}}, og for den mono-eksponentielle model var en lineær tilpasning af In(S/S.) mod alle b-værdier udført. For de ikke-Gaussiske modeller blev tilpasning udført ved hjælp af Levenberg-Mar-quart ikke-lineære mindste kvadraters algoritme (ved brug af 'lsq-curve-fit funktion i Matlab) på tværs af alle b-værdier (undtagen IVIM-modellen). For IVIM-modellen blev for det første en lineær tilpasning af In(S/S.) mod b beregnet ved høje b-værdier (200-1000 s/mm2) for at bestemme værdien af ​​D. Efter dette, D* og f var tilpasset samtidigt (med en fast D). D havde ingen begrænsninger på øvre grænser, og f var begrænset mellem 0 og 1. For den strakte-eksponentielle model havde DDC ingen øvre grænsebetingelser og var begrænset mellem 0 og 1. For kurtosis var hverken Dk eller K begrænset af øvre grænser, og K havde en nedre grænse på 0.

Interesseområder (ROI'er)

ROI'er blev genereret ved hjælp af Mango Software (Research Imaging Institute, UTHSCSA). ROI'er blev tegnet på b{{0}} billederne omkring hele tumorvolumenet, disse blev redigeret og verificeret af en radiolog med speciale i pædiatrisk radiologi (MV3) år dedikeret pædiatrisk radiologi). Normalt nyrevæv blev også defineret på b0-billederne under anvendelse af den kontralaterale nyre (eksklusive dem med bilateral sygdom) omkring hele nyrevolumenet, og områder med høj flow, såsom de områder, der omgiver nyrebækkenet, blev udelukket; et eksempel kan ses i fig. 1. Al analyse vedrørende modelsammenligninger var begrænset til disse ROI'er.

Modelsammenligningsanalyse

AIC blev brugt til at sammenligne de fire modeller (monoeksponentiel, IVIM, strakt eksponentiel og kurtosis). For hver voxel inden for tumor-ROI'er og normale nyre-ROI'er. AIC blev beregnet pr. model. Den gennemsnitlige AIC blev beregnet over hele ROI-volumenet pr. model. Gennemsnitlige AIC-værdier for hver model blev derefter sammenlignet under anvendelse af en en-vejs gentagne målinger ANOVA med en Greenhouse-Geiser-korrektion for at tage højde for ikke-lige varians, og post hoc-test blev udført ved hjælp af Bonferroni-korrektion. En signifikant forskel blev defineret som p<0.05.anovas were="" calculated="" for="" the="" entire="" wilms'tumour="" and="" normal="" kidney="" populations,="" as="" well="" as="" within="" different="" subgroups="" (pre-chemotherapy,="" post-chemotherapy,="" and="" different="" b="" value="" acquisitions="" [7="" and="" 8="" b="" value="" ranges]).="" additionally,="" models="" were="" compared="" between="" wilms'tumour="" histological="" subtypes="" to="" determine="" whether="" a="" certain="" subtype="" favoured="" a="" particular="" model.="" the="" post-chemotherapy="" data="" were="" used="" for="" this="" comparison="" as="" it="" was="" the="" nearest="" time="" point="" to="">

Resultater

Studiepopulation

I alt 11 0 Wilms' tumorer blev inkluderet til sammenligningsanalyse af diffusionsmodeller; bestående af 49 præ-kemoterapi- og 61 post-kemoterapi-tumorer (38 af præ-kemoterapi-tumorerne var inkluderet som en del af de 61 post-kemoterapi-kohorter). Et rutediagram, der beskriver inkluderinger og udelukkelser af tilfælde, kan ses i Fig.2. Gennemsnitsalderen for patienterne ved deres præ-kemoterapiscanning var 2,43 år (SD:2,2), og gennemsnitsalderen ved deres post-kemoterapiscanning var 3,0 år (SD:2,8).

The diffusion data were acquired using either 7 or 8 b values（0,50,100,250,500,750,1000 s/mm²or 0,50,100,150,200,250,500,1000 s/mm>Dette skyldtes, at protokollen blev ændret i løbet af denne undersøgelse, af årsager, der ikke var relateret til denne undersøgelse. 49 tumorer havde 7 b-værdiprotokollen (22 præ-kemoterapi og 27 post-kemoterapi), og 61 tumorer havde 8b-værdi-protokollen (27 præ-kemoterapi og 34 post-kemoterapi).

Af de 61 post-kemoterapi-tumorer havde 56 histologisk bekræftede subtyper: 7 blastemale, 9epiteliale, 13 stromale, 8 regressive, 18 blandede og 1 fuldstændig nekrotisk. Undertyper blev defineret i henhold til SIOP-2001-protokollen [3].

Den kontralaterale upåvirkede nyre blev brugt som de normale nyredata. På grund af behovet for at udelukke bilaterale tilfælde blev i alt 75 normale nyredatasæt inkluderet;38fra patienter, der havde modtaget kemoterapi og 37 fra patienter, der ikke havde fået. Ud af de 75 normale nyredatasæt havde 31 protokollen med 7 b-værdier (15 præ-kemoterapi og 16 post-kemoterapi), og 44 havde 8b-værdiprotokollen (22 præ- og 22 post-kemoterapi).

Wilms' tumor resultater

Envejs ANOVA'er med en Greenhouse-Geisser-korrektion afslørede, at AIC-værdier var signifikant forskellige mellem diffusionsmodeller under alle forhold:hele kohorten:(F(1.08, 117.91)=157.08,p=1.68 ×10-24), præ-kemoterapi:(F(1.05,50.53)=79.35,p=3.11×10-12),post-kemoterapi:( F(1.13,67.92)=85.92,p=1.34×10-14),7b-værdier:(F(1.21,58.16)=76.23,p{ {39}}.10×10-13),og8b-værdier:(F(1.04,62.49)=95.51,p=1.68×10-14).

Figur 3 viser boxplottene for hver tilstand med markante søjler, der fremhæver post hoc-testresultaterne ved hjælp af Bonferroni-korrektionen. Under alle forhold var AIC-værdier for den mono-eksponentielle model signifikant højere end de andre tre modeller, hvilket indikerer, at dette var den mindst passende model for Wilms' tumordata. For hele Wilms' tumor- og postkemoterapi-kohorter var strakt eksponentiel den bedste model til tilpasning af diffusionsdataene, da dette gav de laveste AIC-værdier. Figur 4 viser et eksempel på, hvor godt modellerne passer til diffusionshenfaldssignalet i en enkelt voxel af en Wilms-tumor efter kemoterapi.

For præ-kemoterapi-kohorten, og når data blev opdelt i 7 og 8 b værdiområder, blev både IVIM og strakt eksponentiel anset for at være de mest passende modeller, uden nogen signifikant forskel mellem AIC-værdierne for disse to modeller.

Additionally, one-way ANOVAs were used to investigate whether the best fit model was related to Wilms'tumour histological subtypes, using the post-chemotherapy data as they were the closest timepoints to histology. Only one tumour was classified as necrotic and was therefore removed from this section of the analysis. Figure 5 shows the AIC values for each subtype based on different diffusion models. There were no significant differences between AIC values across the subtypes (blastemal [n=7], epithelial [n=9], mixed [n=18], stromal [n=13], regressive [n=8]), for any of the models (p>0.05).

Normale nyreresultater

Envejs ANOVA'er med en Greenhouse-Geisser-korrektion afslørede også, at AIC-værdier afveg signifikant mellem diffusionsmodeller under alle forhold for de normale nyredata: hele kohorten:(F(1.51,85.2)=276. 07, p=2.57×10-30), præ-kemoterapi:(F(1.43, 41.13)=119.38,p=1.16×{{22} }), postkemoterapi: (F(1.16,42.81)=157.33,p=1.10×10-15,7 b-værdier:(F(1.14,34.10){{ 38}}.49,p=1.06×10-1),og 8b-værdier:(F(1.14,49.10)=193.30,p=1.19× 10-19.

Figur 6 viser boxplottene for hver tilstand, med signifikansbjælker, der fremhæver post hoc-testresultaterne ved hjælp af Bonferroni-korrektionen. De normale nyredata gav lignende resultater som Wilms' tumordata: under alle forhold var AIC-værdier for den mono-eksponentielle model signifikant højere end de andre tre modeller, hvilket indikerer, at dette var den mindst passende model for de normale nyredata. I modsætning til Wilms' tumordata viste de normale nyredata for alle tilstande, at IVIM gav de laveste AIC-værdier, hvilket indikerer, at det var den mest passende model for disse diffusionsdata. Figur 7 viser et eksempel på, hvor godt modellerne passer til diffusionshenfaldssignalet i de kontralaterale normale nyredata fra en Wilms-tumorpatient efter kemoterapi.

Diskussion

Denne undersøgelse sammenlignede fire modeller afdiffusion(monoeksponentiel, IVIM, strakt eksponentiel og kurtosis) baseret på, hvor godt de passer til DWI-signalforfaldet, ifølge AIC. Disse sammenligninger blev foretaget i Wilms' tumorer, både før og efter kemoterapi, og på den kontralaterale upåvirkede nyre, som et mål for normalt nyrevæv. Diffusionsdataene kom fra både 7 og 8 b værdiområder. For Wilms' tumordata blev det vist, at den strakte-eksponentielle model gav den bedste pasform generelt. Dette resultat blev opretholdt, da analysen var begrænset til gruppen efter kemoterapi. Men når analysen var fokuseret på præ-kemoterapidata og adskilt af b-værdierhvervelse, var der ingen signifikante forskelle mellem IVIM og strakt eksponentiel, hvor begge modeller gav de laveste AIC-værdier. Derudover var der ingen særlige modelpræferencer, når tumorerne blev grupperet efter histologisk undertype. For de normale nyredata gav IVIM den bedste pasform i alle analyser. Den mono-eksponentielle model viste sig at være den mindst passende model ifølge AIC; giver konsekvent betydeligt højere AIC-værdier sammenlignet med de andre modeller for bådeWilms' tumorog normale nyredatasæt.

Hovedresultatet fra denne undersøgelse var, at ikke-Gaussiske modeller gav bedre beskrivelser af diffusionsdataene sammenlignet med monoeksponentielle, i både Wilms' tumor og normalt nyrevæv. Afvigelsen fra et mono-eksponentielt henfald er tidligere blevet fremhævet og udforsket: det har vist sig, at der var et hurtigt fald i signalet ved lavere værdier efterfulgt af et mere gradvist fald ved højere b-værdier i leveren [19]. Dette oprindelige fald blev foreslået at skyldes vaskulær perfusion, da lavere b-værdier menes at være følsomme over for signaldæmpning fra perfusion [9], hvilket gør IVIM-modellen velegnet til disse data. Dette har vist sig at være tilfældet i sundt nyrevæv [20,21], hvor signalet blev vist at være bi-eksponentielt i modsætning til monoeksponentielt; da nyren er et godt perfunderet organ. Den nuværende undersøgelse understøtter disse resultater, da IVIM blev favoriseret frem for de andre modeller i normalt nyrevæv. Dette fund blev fastholdt i det normale nyredatasæt efter kemoterapi, hvilket tyder på, at behandlingen ikke påvirkede det normale nyrevæv på en måde, der kunne detekteres af DWI-dataene.

Den strakte eksponentielle model gav en god pasform til DWI Wilms' tumordata. De tidligere nævnte undersøgelser i rektalcancer og sundt rektalvæv[12], prostatacancer knoglemetastaser [13] og ovariecancer[14], viste alle, at denne model giver den bedste tilpasning til DWI-data sammenlignet med IVIM og monoeksponentiel. Den strakte-eksponentielle model giver to parametre, og DDC; mens det nøjagtige fysiologiske grundlag for er ukendt, menes det at repræsentere vævsheterogenitet, med en lavere værdi, der tyder på et mere heterogent miljø [10]. Da Wilms' tumorvæv er meget heterogent, er det ikke overraskende, at den strakte-eksponentielle model beskriver disse data godt.

Ud over den strakte-eksponentielle model gav IVIM en lige så god pasform til præ-kemoterapi Wilms' tumorer, hvorimod dette ikke var tilfældet efter behandling. Efter behandling vil der sandsynligvis være en stigning i nekrotisk væv og dermed et fald i perfusion, derfor kan IVIM (en model, der fokuserer på perfusionseffekter) blive mindre egnet.

Ingen særlig histologisk undertype syntes at favorisere en bestemt model, men antallet i hver gruppe var små. Endvidere er det vigtigt at bemærke, at histologiske undertyper defineres efter kun at have analyseret et underafsnit

af hele tumorvolumen. Wilms' tumorer er meget heterogene og på tværs af en enkelt tumor vil der være områder med forskellige cellulære miljøer. Voxelerne inden for disse distinkte regioner kan have vist variable diffusionsmodelpræferencer. Men på grund af manglen på avanceret histologi var denne analyse ikke mulig.

Brug af ikke-Gaussiske modeller kan ikke kun give bedre tilpasning til dataene, men kan også give yderligere klinisk information. For eksempel er det blevet vist, at D, fra kurtosis, kunne give højere diagnostisk nøjagtighed sammenlignet med ADC til at differentiere tumor fra ikke-tumor i bugspytkirtelkræft [22]. Derudover havde (strakt eksponentiel) højere niveauer af sensitivitet og specificitet, når der skelnes mellem minimalt fedt angiomyolipom og nyrecellekarcinom sammenlignet med ADC [23]. Desuden har både D og f(IVIM) vist lovende med hensyn til at fremhæve nyrefunktionen, hvor begge parametre er relateret til estimeret glomerulær filtrationshastighed hos dem med kronisk nyresygdom [24]. Derfor kan ikke-Gaussiske modeller også have potentialet til at give yderligere information om nyrevævets mikrostruktur.

Mens den mono-eksponentielle model ikke gav den bedste pasform til DWI-dataene, betyder det ikke, at den ikke skal bruges klinisk. Som tidligere nævnt har ADC vist sig at være klinisk nyttig i Wilms' tumor [4-8]. Derudover kræver ADC ikke flere b-værdier, hvilket er en fordel, da mange centre muligvis ikke erhverver DWI med flere b-værdier som standard. Derfor, på trods af at den nuværende undersøgelse viser en afvigelse fra et mono-eksponentielt signalhenfald, er det vigtigt at være opmærksom på, at selvom modellen måske ikke er den bedste beskrivelse af DWI-dataene, er den ikke desto mindre klinisk nyttig.

Metoden til at vælge den model, der gav den bedste pasform, er en potentiel svaghed ved denne undersøgelse. AIC tager højde for kompleksiteten af ​​modellen og god pasform og syntes derfor at være et passende valg til modelsammenligning og -valg. Det er vigtigt at overveje, om én model er klart den bedste for hele vævet, eller om der kun er en lille forskel mellem modellerne. Dette blev tidligere fremhævet af Manikis et al. [25] i endetarmskræft, hvor selv om overordnet mono eksponentiel var foretrukket frem for IVIM, var der høj heterogenitet på tværs af vævet. Dette blev også demonstreret i Wilms' tumorer i denne undersøgelse, hvor både IVIM og strakte-eksponentielle modeller viser gode tilpasninger til dataene. Med dette i tankerne bør man være forsigtig, før man hævder, at en bestemt model bedst passer til dataene, da det kan være, at mange modeller er næsten lige i pasform.

Ydermere kan den maksimale b-værdi på 1000 s/mm² have været en begrænsning for kurtosis-modellen, da den bliver mere følsom ved højere b-værdier [26]. Derfor, med et mere optimeret b-værdiområde, kan denne model have klaret sig bedre end med de nuværende data. I en undersøgelse vedrørende gennemførligheden af ​​kurtosis i nyrerne blev der dog også brugt et maksimum på b=1000 s/mm' [27]. Derudover ønskede denne undersøgelse at fokusere på tilpasning til rutinemæssigt erhvervede kliniske data, som ikke har ekstremt høje b-værdier. Denne følelse er også blevet foreslået i tidligere arbejde, som sammenlignede den mono-eksponentielle model med kurtosis i leveren, også ved at bruge et maksimum på b=1000 s/mm² 【28】.

Generelt viste denne undersøgelse, at den mono-eksponentielle model ikke passer til DWwI-data såvel som IVIM, strakt eksponentiel eller kurtosis i Wilms' tumorvæv eller normalt nyrevæv. Derudover var der ingen modelpræference for

de distinkte cellulære subtyper.IVIM gav den bedste pasform til det normale nyrevæv, og i Wilms' tumorer gav både IVIM og strakt-eksponentielle modeller de bedste deskriptorer af dataene.ADC bruges ofte i klinisk forskning, og derfor er antagelsen, at signalforfald er monoeksponentielt. Disse resultater tyder imidlertid på, at DWI-signalet i Wilms' tumor og normalt nyrevæv ikke udviser et mono-eksponentielt henfald. Derfor kan anvendelse af andre modeller give mere nøjagtige repræsentationer af det underliggende vævsmiljø, og de afledte parametre kan give klinisk nyttig information.

Referencer

1. Pastore G, Znaor A, Spreafco F et al (2006) Maligne nyretumorer forekomst og overlevelse hos europæiske børn (1978-1997): rapport fra projektet Automated Childhood Cancer Information System. Eur J Cancer 42:2103-2114. https://doi. org/10.1016/j.ejca.2006.05.010

2. van den Heuvel-Eibrink MM, Hol JA, Pritchard-Jones K et al (2017) Positionspapir: Begrundelse for behandlingen af ​​Wilms-tumor i UMBRELLA SIOP–RTSG 2016-protokollen. Natur Rev Urol 14:743–752. https://doi.org/10.1038/nrurol.2017.163

3. Vujanić GM, Sandstedt B, Harms D et al (2002) Revised International Society of Pediatric Oncology (SIOP) arbejdsklassifikation af nyretumorer i barndommen. Med Pediatr Oncol 38:79-82

4. Gawande RS, Gonzalez G, Messing S et al (2013) Rolle af diffusionsvægtet billeddannelse i differentiering af benigne og maligne pædiatriske abdominale tumorer. Pediatr Radiol 43:836-845. https:// doi.org/10.1007/s00247-013-2626-0

5. Aslan M, Aslan A, Habibi HA et al (2017) Diffusionsvægtet MR til differentiering af Wilms-tumor fra neuroblastom. Diagn Interv Radiol 23:403–406. https://doi.org/10.5152/dir.2017.16541

6. Littooij AS, Humphries PD, Olsen ØE (2015) Intra- og interobservatørvariabilitet af hel-tumor tilsyneladende diffusionskoefficientmålinger i nefroblastom: en pilotundersøgelse. Pediatr Radiol 45:1651–1660. https://doi.org/10.1007/s00247-015-3354-4

7. Hales PW, Olsen ØE, Sebire NJ et al (2015) En multi-Gaussisk model for tilsyneladende diffusionskoefficient histogramanalyse af Wilms' tumorsubtype og respons på kemoterapi. NMR Biomed 28:948-957. https://doi.org/10.1002/nbm.3337

8. Rogers HJ, Verhagen MV, Shelmerdine SC et al (2018) En alternativ tilgang til kontrastforstærket billeddannelse: difusionsvægtet billeddannelse og T1-vægtet billeddannelse identificerer og kvantificerer nekrose i Wilms-tumor. Eur Radiol. https://doi. org/10.1007/s00330-018-5907-z

9. Le Bihan D, Breton E, Lallemand D et al (1988) Adskillelse af difusion og perfusion i intravoxel usammenhængende bevægelse MR-billeddannelse. Radiologi 168:497–505. https://doi.org/10.1148/radio logy.168.2.3393671

10. Bennett KM, Schmainda KM, Bennett RT et al (2003) Karakterisering af kontinuerligt distribuerede kortikale vanddiffusionshastigheder med en strakt-eksponentiel model. Magn Reson Med 50:727–734. https://doi.org/10.1002/mrm.10581

11. Jensen JH, Helpern JA, Ramani A et al (2005) Diffusional kurtosis billeddannelse: kvantificeringen af ​​ikke-gaussisk vanddiffusion ved hjælp af magnetisk resonansbilleddannelse. Magn Reson Med 53:1432–1440. https://doi.org/10.1002/mrm.20508

12. Zhang G, Wang S, Wen D et al (2016) Sammenligning af ikke-Gaussiske og Gaussiske diffusionsmodeller af diffusionsvægtet billeddannelse af rektalcancer ved 3,0 T MRI. Sci Rep. https://doi. org/10.1038/srep38782

13. Reischauer C, Patzwahl R, Koh DM et al. (2017) Ikke-mono eksponentiel analyse af difusionsvægtet billeddannelse til behandlingsovervågning i prostatacancer-knoglemetastaser. Sci Rep. https://doi.org/10.1038/s41598-017-06246-4

14. Winfield JM, deSouza NM, Priest AN et al (2015) Modellering af DW-MRI-data fra primære og metastatiske ovarietumorer. Eur Radiol 25:2033–2040. https://doi.org/10.1007/s0033 0-014-3573-3

15. Pentang G, Lanzman RS, Heusch P et al (2014) Diffusionskurtosis billeddannelse af den menneskelige nyre: en gennemførlighedsundersøgelse. Magn Reson Imaging 32:413–420. https://doi.org/10.1016/j.mri.2014.01.006

16. Caroli A, Schneider M, Friedli I et al (2018) Diffusionsvægtet magnetisk resonansbilleddannelse til vurdering af diffus nyrepatologi: en systematisk gennemgang og erklæringspapir. Nephrol Dial Transplant 33:ii29–ii40. https://doi.org/10.1093/ndt/gfy163