|
与ASL灌注成像相比，依赖于外源性示踪剂的DSC灌注成像可以提供更多的定量指标，也有众多不同的后处理模型。但是因为每一种模型都内涵了一些不同的假设，而这些假设通常是一种理想状态，它们和实际情况存在着很多出入，所以假设越多最后的结果和实际情况偏差就有可能更大。在DSC灌注成像过程中，由于血管内对比剂浓度和信号变化之间呈非线性，血液内红细胞比容在不同管径的血管内也并非是一个固定的值。所以，要根据DSC所获得的信号变化曲线来获得灌注参数的绝对定量是不太现实的。但根据不同的模型可以根据DSC的相关数据计算出灌注成像的相对指标，这个在临床实际工作中更可行，也更具有实际临床意义。一、DSC灌注成像负性增强积分（Negative Enhancement Integral） 这是最早期的DSC灌注成像后处理方法，在不同公司设备可以具有不同的商品名称，如GE公司设备上的MR Standard就是基于这个后处理模型。相比于后来出现的各种模型，这个负性增强积分模型相对更简单，但它能提供的参数也相对单一。该模型中所能提供的NEI相当于其他模型中的rCBV，它也就是首过期间的负性增强所形成的峰下面积。在后处理过程中需要根据实际获得的信号时间变化曲线，来人为设定对比剂增强前范围以及首过结束的时间点。准确设定增强前氛围实际上就是明确用哪一段数据作为基线数据（Baseline），这个对于后期的计算非常重要。而明确对比剂首过结束的时间点会影响到峰下面积NEI的计算。不同的设定会直接影响最后的结果，使用者应该清醒认识到这些基本点。
图A FSE T2加权像显示左侧额叶一类圆形占位病变，周边水肿明显；图B增强扫描病变明显强化改变，提示血脑屏障破坏较明显，但增强扫描只反映血脑屏障是否存在或者是否破坏，不能代表血供水平；图C为采用NEI方法后处理的DSC灌注成像时间信号变化曲线，其中，粉色曲线是正常对照脑实质信号变化曲线，而绿色曲线是病变区时间信号变化曲线，这里可以看出因为对比剂外渗导致病变首过结束时信号无法达到基线水平；图D是DSC灌注所获得的NEI图，显示肿瘤病变呈高灌注改变。 图1 左额叶肿瘤病变NEI处理呈高灌注改变 二、DSC灌注成像后处理分析中的GVF模型 无论是厂商还是第三方后处理平台都可能会提供一些关于DSC后处理中不同的拟合方法或模型。基于Gamma变异拟合函数（Gamma Variate Fitting Function, GVF）是DSC后处理分析中的一个选择模型。GVF和早期的NEI有些类似，这里它没有引入更多的假设，而是直接利用DSC所获得的原始时间信号变化曲线。不过GVF中有一个假定的时间信号变化曲线形状，根据这一假设形状来拟合实际获得的时间信号变化曲线，从而消除时间信号变化曲线中一些信号跳动对于定量计算的影响。文献报道基于GVF的后处理方法也可以一定程度上校正对比剂外渗对于灌注结果的干扰。采用GVF模型需要准确选择要放弃的数据范围，通常未达到稳态的那部分数据不适合用于基线数据，但如果放弃的数据过多，也会严重干扰最后的计算结果。
图A至D和图1为同一病例，扩散成像病变呈高信号，与T2像对比提示有一定扩散受限，增强扫描病变较明显强化，提示血脑屏障破坏；图E为基于GVF的DSC后处理模型，绿色曲线是实际采集的时间信号变化曲线，而红色曲线则是GVF模型拟合出来的时间信号变化曲线，在拟合的曲线中一定程度上校正了肿瘤病变对比剂外渗所导致的首过时间结束时信号低于基线水平；基于GVF模型可以计算出rCBV，rCBF和MTT等，其中病变区MTT延长，代表血脑屏障破坏。 图2 左额叶肿瘤病变基于GVF后处理相关结果 
图A至D、图E至H为同一脑室内占位病变DSC灌注成像采用GVF模型进行后处理分析，其中，图A至D是将ROI放置于病变区，在信号回升段相应的GVF拟合曲线（红色）明显高于实际的时间信号变化曲线（绿色），提示该病变血脑屏障破坏较明显，GVF拟合曲线一定程度上克服了血脑屏障破坏导致对比剂外渗而引起的灌注水平低估现象；图E至H是将ROI放置在正常脑实质区域，此时GVF拟合的曲线（红色）和实际的时间信号变化曲线比较接近，当仍稍高于实际曲线，提示在正常脑组织也可能存在再次循环所导致的信号下降。 图3 DSC后处理中GVF拟合在不同区域对比 
图A至H为同一病例DSC灌注成像采用GVF后处理模型时不同的基线设置对计算结果产生的不同影响。图B至D显示当放弃较少的稳态基线数据而保留足够的稳态基线数据时GVF可以拟合出相应的曲线并一定程度上补偿因为血脑屏障破坏导致的灌注低估，图D rCBV显示肿瘤呈明显高灌注改变；图F至H显示当人为放弃较多的稳态基线数据时，此时会导致GVF拟合错误，图H中的rCBV可见多个信号丢失区，肿瘤区域明显的信号丢失，无法正确评估肿瘤实际灌注水平。
图4 基于GVF后处理不同基线数据选择对结果的影响 三、DSC灌注成像后处理分析中的AIF模型 基于动脉输入函数AIF(Arterial Input Function, AIF)的DSC后处理模型理论上是可以实现定量的一种后处理方式。但在临床实际工作中并没有办法获得每个受检者个性化的AIF，因为真正的AIF需要在注射对比剂后不断采血并进行测定，这显然是不现实的。目前基于AIF的后处理方法是选定特定的感兴趣区测量其时间信号变化曲线，以此作为AIF的输入函数。所选择的感兴趣区位置、该兴趣区和病变之间的距离都会影响最后的测量结果。另外，在实际处理过程中如何选择感兴趣区也是一个巨大问题。笔者亲自用同一个病例数据进行对比，用自动选择ROI的方法、手动选择ROI的方法对比，可以发现它们获得的灌注定量参数相差非常大。这些实际存在的问题导致不同设备、不同后处理模型、同一病例同一模型不同操作者之间所获得的灌注结果都可能存在着特别大的变异，因此基于AIF的DSC后处理所获得的灌注定量参数不是绝对的定量，也不能简单进行数据之间的对比。同时，笔者强烈建议：对于同一个医院或者检查单位而言，必须坚持相同的处理原则。或者坚持用同一个模型如GVF或者AIF，而采用AIF要坚持或者都用自动选取感兴趣区的方法，或者坚持都用手动选取的方法；如果手动选取要坚持选择同一个区域作为标准。这里，为了实现问题的简化可行，可能自动选取的方法更可以排除人为因素所导致的主观因素干扰。
图A至H为同一病例DSC灌注成像采用AIF后处理模型时不同动脉输入函数设定方法对于计算结果的影响；图B至D为自动设定动脉输入函数的感兴趣区方法，此时后处理软件会自动选择多个点来拟合AIF模型并依此进行灌注参数计算；图F至H为手动设定ROI方法，依此拟合AIF模型并进一步计算相应的灌注成像参数。对比显示，不同的AIF设定方法对于计算结果产生非常大的影响，特别是对于rCBF的影响更明显。 图5 AIF不同的设定方法对灌注参数的影响对比 影响AIF模型灌注结果的因素还包括手动设定时所选择的感兴趣动脉和病变之间的距离，因为随着距离的增加会导致延迟到达和对比剂稀释等诸多影响，也可以理解为此时距离AIF模型的假设偏差有所不同，这种不同也会明显影响到最后的定量结果。
图A至H为同一病例DSC灌注成像采用AIF后处理模型时不同动脉输入函数区域选择对灌注计算结果的影响。图B至D计算中选择右侧大脑中动脉区作为动脉输入函数模型的计算区域，肿瘤病变的rCBF为355；而图F至H选择的是肿瘤病变区域动脉作为动脉输入函数模型的计算区域，肿瘤病变的rCBF为453，不同的选择区域对于计算结果产生较大的影响。 图6
AIF不同的AIF选择区域对于灌注结果的影响 
|
