一、异质性

异质性（heterogeneity）是指局部组织或肿瘤内部的细胞结构或代谢方面的不均匀或不一致性特点。肿瘤在初期常是比较均匀的，但随着级别的提高，肿瘤会变得越来越不均匀，不同区域组织的分化可不一，这种不均匀/异质性体现了肿瘤的动态发展过程^[26]。肿瘤的异质性已经成为影像研究新的指标，可用于良恶性判断或疗效预测。

DCE-MRI的多种参数（metrics）为评价局部组织的异质性提供了很好的手段。异质性的评价也有不同的方法：①通过在不同参数图中选取ROI来实现，这种选取ROI的方法能够针对性地评价部分特征性组织的特点，例如肿瘤强化最明显（hot-spot）的区域，利用这些局部区域的特征值来进行肿瘤的良恶性判断，而不是看整个肿瘤的情况。②另一类分析方法是对全部肿瘤组织进行评价，提取整个肿瘤的异质性指标（heterogeneity metrics）。通过这种方法，能够评价整个肿瘤的内部组织特点，包括坏死区、乏氧区、肿瘤活性区和水肿区等的分布情况。

肿瘤内部的异质性可以通过直方图的分布来体现。恶性肿瘤常表现为K^trans在高值区域的偏态分布；肿瘤内部灌注差的乏氧区常表现为直方图中几个不同的峰值（peak）；而肿瘤的进展往往伴随着直方图中分布向高值区扩张，并且峰值部分变宽、降低。而有效的治疗则会让参数分布向低值区移动，同时峰值变尖，整个直方图更倾向于正态分布^[27，28]。

计算机自主学习和人工智能也促进了图像纹理分析的发展，图像的纹理主要包含灰度共生（grey level co-occurrence metrics，GLCM）和游程（run-length metrics，RLM）等参数，这些抽象的指标更多基于计算机自主学习进行，医学的大数据也会推动这方面的研究。