マウス脳腫瘍モデルの血管薬物動態パラメーターの深い学習定量化

背景：動的造影剤（DCE）MRIは、癌の血管灌流と透過性を評価するために広く使用されています。小動物用途では、DCE MRI画像からの薬物動態（PK）パラメーターの従来のモデリングは複雑で時間がかかります。この研究は、運動パラメーターマップ、KTRAN（体積移動係数）、およびVP（血漿量比）の生成を完全に自動化するための深い学習アプローチを開発することを目的としています。DCE MRI。 方法：7T MRIを使用して、DCE MRIは、ヌードマウスで正所的に成長しているU87神経膠腫異種移植片で実施されました。血管透過性KtransおよびVPマップは、古典的なToftsモデルと拡張トフストモデルを使用して生成されました。これらの血管透過性マップは、24層の畳み込みニューラルネットワーク（CNN）のターゲット画像として処理されました。CNNは、ソース画像としてT1強調DCE画像でトレーニングされ、マルチスケール機能をキャプチャするための並列デュアルパスウェイで設計されました。さらに、乳がん脳転移（BCBM）マウスモデルでこの神経膠腫訓練CNNの移動研究を実施し、代替脳腫瘍のネットワークの可能性を評価しました。 結果：我々のデータは、ターゲットPKパラメーターマップと膠腫のそれぞれのCNNマップの間で生成されたKTRANとVPマップの両方に適した一致を示しました。ピクセルごとの分析により、CNNモデルとPKモデルの間で一貫した腫瘍内透過性が明らかになりました。深い学習アプローチの有用性は、BCBMの転送研究でさらに実証されました。 結論：複雑な数学的モデリングなしでDCE動的画像から直接血管PKパラメーターを迅速かつ正確に推定するため、ディープラーニングアプローチは、小動物脳腫瘍の研究を促進するための腫瘍血管透過性を評価する効率的なツールとして役立ちます。

BACKGROUND: Dynamic contrast-enhanced (DCE) MRI is widely used to assess vascular perfusion and permeability in cancer. In small animal applications, conventional modeling of pharmacokinetic (PK) parameters from DCE MRI images is complex and time consuming. This study is aimed at developing a deep learning approach to fully automate the generation of kinetic parameter maps, Ktrans (volume transfer coefficient) and Vp (blood plasma volume ratio), as a potential surrogate to conventional PK modeling in mouse brain tumor models based on DCE MRI. METHODS: Using a 7T MRI, DCE MRI was conducted in U87 glioma xenografts growing orthotopically in nude mice. Vascular permeability Ktrans and Vp maps were generated using the classical Tofts model as well as the extended-Tofts model. These vascular permeability maps were then processed as target images to a twenty-four layer convolutional neural network (CNN). The CNN was trained on T1-weighted DCE images as source images and designed with parallel dual pathways to capture multiscale features. Furthermore, we performed a transfer study of this glioma trained CNN on a breast cancer brain metastasis (BCBM) mouse model to assess the potential of the network for alternative brain tumors. RESULTS: Our data showed a good match for both Ktrans and Vp maps generated between the target PK parameter maps and the respective CNN maps for gliomas. Pixel-by-pixel analysis revealed intratumoral heterogeneous permeability, which was consistent between the CNN and PK models. The utility of the deep learning approach was further demonstrated in the transfer study of BCBM. CONCLUSIONS: Because of its rapid and accurate estimation of vascular PK parameters directly from the DCE dynamic images without complex mathematical modeling, the deep learning approach can serve as an efficient tool to assess tumor vascular permeability to facilitate small animal brain tumor research.