10秒看全文
DWI圖像分析是一個復(fù)雜的過程,當(dāng)DWI未見明顯異常時,要警惕T2 Washout或T2 blackout效應(yīng)所致的等信號或低信號有可能會掩蓋病灶。
ADC、eADC兩種參數(shù)都可以消除T2效應(yīng),并且能提供量化參數(shù)。文獻發(fā)現(xiàn),兩個參數(shù)診斷效能相當(dāng),并且eADC有更好的圖像對比度。
進行DWI圖像分析時,一定要結(jié)合T2WI、ADC/eADC參數(shù)圖綜合閱片。
上一期推文結(jié)合DWI信號原理闡述了了T2效應(yīng)對DWI圖像的影響(點擊這里閱讀)。本期將介紹如何理解使用ADC、eADC參數(shù),來消除T2效應(yīng)。
為了避免T2效應(yīng)對DWI圖像解釋的干擾,ADC參數(shù)圖的生成是非常必要的,利用GE的后處理軟件Functool,可以很容易生成ADC map,而且GE的后處理軟件平臺還能提供eADC 圖(圖3,4),能夠既去除T2效應(yīng)的干擾,又保留了DWI圖像固有的對比特征。這個eADC是怎么來的呢?我們知道ADC可通過下面的公式得來:
ln(Sb/S0)=-b×ADC
把這個公式變換一下,
Sb/S0=exp[-(b×ADC)]=eADC
ADC與eADC都可以消除T2效應(yīng),且都可以提供量化參數(shù),在對病灶定性等方面,有很多文獻對二者做過比較,發(fā)現(xiàn)這兩個參數(shù)診斷效能相當(dāng),同時發(fā)現(xiàn)eADC圖像上反映了更好的圖像對比度。
圖3 男性,68歲,胃底癌。病灶的DWI、ADC及eADC圖像。病灶區(qū)ADC 1.07X10-3 mm2/s,eADC 0.424。(感謝陸軍總醫(yī)院戈明媚老師提供圖片)
圖4 兩側(cè)頂葉DWI圖像未見明顯異常。ADC及eADC參數(shù)圖顯示了兩側(cè)頂葉后部的病灶區(qū),提示DWI等信號由于T2 Washout所致;eADC圖可剔除T2效應(yīng)。
DWI圖像上除了有T2效應(yīng)的干擾,還需要考慮的因素就是灌注效應(yīng)的影響。DWI圖像上采集的每一個像素內(nèi)實際上包括著不同擴散程度的成分信息,所測得的ADC其實是擴散綜合信息的反映,根據(jù)IVIM理論,在低b值時所反映的是組織內(nèi)灌注信息,即擴散加權(quán)的信號主要反映了毛細血管內(nèi)擴散自由的血液內(nèi)水分子擴散信息,因此ADC值與b值的關(guān)系可近似表達為:
圖5 小腦蚓部占位性病變。采用多b值DWI成像,可見由低b到高b值,采集到不同的圖像對比,反映了不同成分的擴散信息。
綜上所述,作為病灶檢測敏感性較高的DWI序列,其圖像分析是一個復(fù)雜的過程,當(dāng)DWI上顯示高信號時對我們敏感發(fā)現(xiàn)病灶非常有幫助,但是DWI上未見明顯異常的時候,我們需要警惕T2 Washout或T2 blackout效應(yīng)所致的等信號或低信號有可能會掩蓋病灶,因此我們在進行DWI圖像分析時,一定要結(jié)合T2WI圖像和ADC/eADC參數(shù)圖綜合閱片。
聯(lián)系客服