肝細胞癌（Hepatocellular Carcinoma, HCC）是全球范圍內最常見的惡性腫瘤之一，其預后與治療方案的選擇高度依賴于腫瘤的生物學行為，其中微血管浸潤（Microvascular Invasion, MVI）是一個關鍵的獨立不良預后因素。MVI指在顯微鏡下于癌旁門靜脈分支內發現癌細胞巢，其存在顯著增加了術后復發和轉移的風險。MVI的確診通常依賴于術后病理檢查，屬于有創且滯后性評估。因此，術前無創、精準地預測MVI狀態，對于指導個體化治療策略（如手術范圍、輔助治療決策）具有至關重要的臨床價值。
磁共振功能成像技術，特別是擴散加權成像（DWI）及其擴展模型——擴散峰度成像（Diffusion Kurtosis Imaging, DKI），在肝臟腫瘤的微觀結構評估中展現出巨大潛力。與傳統DWI的單指數模型假設水分子擴散符合高斯分布不同，DKI模型考慮了生物組織內復雜微結構（如細胞膜、細胞器）對水分子擴散的限制，使其擴散行為偏離高斯分布，這種偏離程度用峰度（Kurtosis）來量化。DKI能夠提供更豐富的參數，包括平均擴散系數（Mean Diffusivity, MD）和平均峰度（Mean Kurtosis, MK）。其中，MK值反映了組織微觀結構的異質性和復雜性，值越高，表明水分子擴散受限越嚴重，組織越復雜。
在評估HCC的MVI方面，研究表明，存在MVI的HCC腫瘤往往具有更強的侵襲性、更高的細胞密度以及更紊亂的微血管網絡。這些病理特征理論上會導致水分子擴散運動受到更顯著的非高斯限制。因此，基于DKI的MK參數被廣泛研究用于區分MVI陽性與陰性的HCC。多項研究證實，MVI陽性HCC的MK值通常顯著高于MVI陰性者。高MK值可能對應著腫瘤內部更高的細胞增殖活性、更密集的細胞排列以及可能存在的微小壞死灶周圍的細胞擁擠區域，這些都間接反映了腫瘤侵襲性增強和MVI風險升高。
為了將DKI技術更高效、標準化地應用于臨床科研與實踐，專業的影像后處理與分析平臺變得不可或缺。MK分析平臺正是這樣一個集成了圖像預處理、模型擬合、參數圖生成、感興趣區（ROI）勾畫、特征提取與統計分析于一體的軟件系統。其核心工作流程通常包括：
- 數據導入與預處理：平臺支持導入原始DKI序列圖像，并進行必要的運動校正、配準和噪聲過濾，確保數據質量。
- DKI模型擬合與參數圖計算：平臺內置算法（如非線性擬合）對每個體素的信號強度與多個b值的關系進行DKI模型擬合，快速生成全腦或全肝的MK圖、MD圖等參數映射圖。這些彩圖直觀地顯示了微觀結構異質性在空間上的分布。
- 腫瘤分割與特征提取：醫生或研究者可以在平臺界面上，基于T2WI、增強掃描等參考圖像，在MK圖上精準勾畫整個腫瘤的ROI。平臺自動提取該ROI內的多項特征，如MK平均值、最大值、最小值、百分位數、偏度、峰度（統計意義上的）以及紋理特征（如熵、均勻性）等。這些定量特征構成了評估MVI的影像組學數據基礎。
- 統計分析建模：平臺可能集成基礎統計工具，或支持數據導出，便于研究者將提取的MK特征與臨床病理結果（如MVI狀態）進行關聯分析。通過單因素分析、多因素邏輯回歸、機器學習（如支持向量機、隨機森林）等方法，構建基于MK及其衍生特征的MVI預測模型，并評估其診斷效能（如靈敏度、特異度、AUC值）。
- 可視化與報告生成：平臺提供強大的可視化功能，如多參數圖融合顯示、直方圖分析、特征分布對比圖等，并能夠生成結構化的分析報告。
利用MK分析平臺進行研究，優勢在于實現了分析流程的自動化與標準化，減少了人為誤差，提高了研究效率與可重復性。未來的發展方向包括：開發更魯棒的擬合算法以應對肝臟DKI信噪比較低的挑戰；整合多參數MRI（如DKI與動態增強DCE-MRI）特征，構建融合模型以提升預測準確性；以及探索基于深度學習的人工智能方法，實現從原始圖像到MVI風險分級的端到端自動預測，并推動其向臨床決策支持系統的轉化。
DKI技術，尤其是其核心參數MK，為無創評估HCC微血管浸潤提供了新的重要視角。而專業的MK分析平臺作為強大的技術工具，正加速著相關研究成果向臨床應用的邁進，有望在未來實現HCC患者術前風險的精準分層與個性化管理。
