Analysis of Mice Tumor Models Using Dynamic MRI Data and a Dedicated Software Platform*

Zusammenfassung

Einleitung: In dieser Studie wurde eine Softwareplattform zur Analyse funktioneller MRT-Datensätze entwickelt und an Xenografttumormodellen der Maus evaluiert. Methode: Die im Rahmen dieses Projekts entwickelte und getestete Softwareplattform ermöglicht das Einlesen, Nachverarbeiten und die Auswertung von funktionellen MRT-Datensätzen. Quantitative Analysen von Anreicherungskurven, pixelbasierte Falschfarbendarstellungen unterschiedlicher Parameter, der direkte Vergleich von zu unterschiedlichen Zeitpunkten erhobenen Datensätzen und 3-D-Darstellungen sind möglich. Ebenso wurden ein Zwei-Kompartimenten-Modell zur Modellierung der Gewebsperfusion und eine Bewegungskorrektur implementiert. Wir untersuchten mit dieser Software Datensätze, die nach i. v.-Injektion von Gd-DTPA an 14 tumortragenden Mäusen (Pankreaskarzinomzelllinien: BxPC3 und ASPC1) mittels dynamischer MRT gewonnen wurden. Eine histopathologische Korrelation der Befunde wurde vorgenommen. Ergebnisse: Die Analyse der Datensätze war mit der Softwareplattform in ca. 15 Minuten gut zu erledigen. Die Möglichkeit, unterschiedliche ROIs in verschiedenen Schichtebenen eines Datensatzes anzulegen, macht einen Vergleich des Anreicherungsverhaltens unterschiedlicher Organe sehr einfach. Die implementierte Bewegungskorrektur war in der Lage, größere und kleinere Bewegungsartefakte in den Datensätzen mit gutem Ergebnis zu korrigieren. Die Analyse der dynamischen MRT zeigte eine ausgeprägte Tumorinhomogenität der unterschiedlichen Perfusionsparameter, was mit der Histopathologie der Tumoren gut korreliert. ASPC1-Tumoren zeigten ein stärker vaskularisiertes Anreicherungverhalten, mit steilerem Wash-in und gering ausgeprägterem Wash-out, im Vergleich zu BxPC3-Tumoren. Dies korreliert mit dem beobachteten biologischen Verhalten der Tumoren. Diskussion: Mit der hier vorgestellten Softwareplattform ist eine rasche und flexible Analyse funktioneller MRT-Datensätze - auch an kleinen Untersuchungsobjekten - möglich. Sie stellt damit ein wertvolles Werkzeug für die experimentelle und klinische Analyse von Gewebsperfusionen dar. Die von uns erhobenen Daten korrelierten mit der Histopathologie und dem biologischen Tumorverhalten.

Abstract

Purpose: To implement a software platform (DynaVision) dedicated to analyze data from functional imaging of tumors with different mathematical approaches, and to test the software platform in pancreatic carcinoma xenografts in mice with severe combined immunodeficiency disease (SCID). Materials and Methods: A software program was developed for extraction and visualization of tissue perfusion parameters from dynamic contrast-enhanced images. This includes regional parameter calculation from enhancement curves, parametric images (e. g., blood flow), animation, 3D visualization, two-compartment modeling, a mode for comparing different datasets (e. g., therapy monitoring), and motion correction. We analyzed xenograft tumors from two pancreatic carcinoma cell lines (BxPC3 and ASPC1) implanted in 14 SCID mice after injection of Gd-DTPA into the tail vein. These data were correlated with histopathological findings. Results: Image analysis was completed in approximately 15 minutes per data set. The possibility of drawing and editing ROIs within the whole data set makes it easy to obtain quantitative data from the intensity-time curves. In one animal, motion artifacts reduced the image quality to a greater extent but data analysis was still possible after motion correction. Dynamic MRI of mice tumor models revealed a highly heterogeneous distribution of the contrast-enhancement curves and derived parameters, which correlated with differences in histopathology. ASPC1 tumors showed a more hypervascular type of curves with faster and higher signal enhancement rate (wash-in) and a faster signal decrease (wash-out). BXPC3 tumors showed a more hypovascular type with slower wash-in and wash-out. This correlated with the biological properties of the tumors. Conclusion: With the described software, it was possible to analyze tissue perfusion parameters in small xenograft tumor models in mice. Our data correlated with histopathological data, and the qualitative and quantitative perfusion parameters could distinguish two tumor entities with different growth characteristics.

Magnetic resonance (MR) - neoplasms - data analysis - experimental study - pancreas

References

• 1 Marx J. Building better mouse models for studying cancer.  Science. 2003;  299 1972-1975
• 2 Alfke H, Nocken F, Heverhagen J T. et al . Molekulare Radiologie. Teil II: Molekulare Bildgebung.  Fortschr Röntgenstr. 2001;  173 391-398
• 3 Weissleder R. Scaling down imaging: Molecular mapping of cancer in mice.  Nat Rev Cancer. 2002;  2 1-8
• 4 Gillies R J, Raghunand N, Karczmar G S. et al . MRI of the tumor microenviroment.  J Magn Reson Imaging. 2002;  16 430-450
• 5 Degani H, Gusis V, Weinstein D. et al . Mapping pathophysiological features of breast tumors by MRI at high spatial resolution.  Nat Med. 1997;  3 780-782
• 6 Knopp M V, Giesel F L, Marcos H. et al . Dynamic contrast-enhanced magnetic resonance imaging in oncology.  Top Magn Reson Imaging. 2001;  12 301-308
• 7 Tofts P S, Kermode A G. Measurement of the blood-brain barrier permeability and leakage space using dynamic MR imaging. 1. Fundamental concepts.  Magn Reson Med. 1991;  17 357-367
• 8 Brix G, Schreiber W, Hoffmann U. et al . Methodische Ansätze zur quantitativen Beurteilung der Mikrozirkulation im Gewebe mit der dynamischen Magnetresonanztomographie.  Radiologe. 1997;  37 470-480
• 9 Rueckert D, Sonoda L I, Hayes C. et al . Nonrigid registration using free-form deformations: application to breast MR images.  IEEE Trans Med Imaging. 1999;  18 712-721
• 10 Choyke P L, Dwyer A J, Knopp M V. Functional imaging with dynamic contrast-enhanced magnetic resonance imaging.  J Magn Res Imaging. 2003;  17 509-520
• 11 Heywang-Kobrunner S H, Viehweg P, Heinig A. et al . Contrast-enhanced MRI of the breast: accuracy, value, controversies, solutions.  Eur J Radiol. 1997;  24 94-108
• 12 Kuhl C K, Schild H H. Dynamic image interpretation of MRI of the breast.  J Magn Reson Imaging. 2000;  12 965-974
• 13 Wasser K, Klein S K, Fink C. et al . Evaluation of neoadjuvant chemotherapeutic response of breast cancer using dynamic MRI with high temporal resolution.  Eur Radiol. 2003;  13 80-87
• 14 Evelhoch J L. Key factors in the acquisition of contrast kinetic data for oncology.  J Magn Reson Imaging. 1999;  10 254-259
• 15 Daldrup H, Shames D M, Wendland M. et al . Correlation of dynamic contrast-enhanced MR imaging with histologic tumor grade: comparison of macromolecular and small-molecular contrast media.  Am J Roentgenol. 1998;  171 941-949