王敏紅，馮 湛

(1.皖南醫(yī)學(xué)院第一附屬醫(yī)院醫(yī)學(xué)影像中心，安徽 蕪湖 241001；2.浙江大學(xué)附屬第一醫(yī)院放射科，浙江 杭州 310006)

MR紋理分析鑒別診斷腦膠質(zhì)母細(xì)胞瘤和單發(fā)轉(zhuǎn)移瘤的價值

王敏紅1，馮 湛2*

(1.皖南醫(yī)學(xué)院第一附屬醫(yī)院醫(yī)學(xué)影像中心，安徽 蕪湖 241001；2.浙江大學(xué)附屬第一醫(yī)院放射科，浙江 杭州 310006)

目的探討MR紋理分析鑒別腦膠質(zhì)母細(xì)胞瘤和單發(fā)轉(zhuǎn)移瘤的價值。方法收集我院病理或臨床證實(shí)為腦膠質(zhì)母細(xì)胞瘤患者35例、腦單發(fā)轉(zhuǎn)移瘤患者40例。所有患者均接受常規(guī)MR平掃及增強(qiáng)檢查，包括T1 FLAIR、T2WI、T2 FLAIR、DWI及增強(qiáng)T1WI。采用MaZda軟件于DWI及增強(qiáng)T1WI序列最大層面上手動勾畫腫瘤ROI,提取病變的紋理特征。結(jié)果腦膠質(zhì)母細(xì)胞瘤和單發(fā)轉(zhuǎn)移瘤的直方圖紋理參數(shù)中增強(qiáng)T1WI的偏度，灰度共生矩陣參數(shù)中增強(qiáng)T1WI自相關(guān)、均值，DWI自關(guān)性差異有統(tǒng)計學(xué)意義。基于這些紋理參數(shù)構(gòu)建多變量Logistic回歸分析顯示該模型的ROC曲線下面積為0.834。結(jié)論紋理分析為鑒別腦膠質(zhì)母細(xì)胞瘤和單發(fā)轉(zhuǎn)移瘤，提供可靠、可以量化的客觀依據(jù)。

膠質(zhì)母細(xì)胞瘤；腫瘤轉(zhuǎn)移；磁共振成像；紋理分析

膠質(zhì)母細(xì)胞瘤和腦轉(zhuǎn)移瘤是顱內(nèi)較常見的惡性腫瘤，當(dāng)腦轉(zhuǎn)移瘤為單發(fā)灶且缺乏原發(fā)腫瘤病史時，與高級別腦膠質(zhì)細(xì)胞瘤的影像表現(xiàn)非常相似，鑒別診斷困難[1]。目前MR是診斷腦腫瘤的主要影像學(xué)方法，主要序列為常規(guī)MR平掃、DWI、MR灌注成像和動態(tài)對比增強(qiáng)MRI，但MR的鑒別診斷腦腫瘤主要依賴影像醫(yī)師肉眼觀察，主觀性強(qiáng)[2-7]。近年，紋理分析逐漸成為影像圖像量化的熱點(diǎn)，分析醫(yī)學(xué)圖像的灰階信息，如灰度分布、體素間空間關(guān)系等，可提供許多肉眼無法觀察到的圖像信息[8]。本研究旨在探討DWI序列及增強(qiáng)T1WI紋理分析鑒別診斷腦膠質(zhì)母細(xì)胞瘤和單發(fā)轉(zhuǎn)移瘤的價值。

1 資料與方法

1.1 一般資料 收集我院2012年6月—2017年6月經(jīng)手術(shù)病理或臨床證實(shí)為腦膠質(zhì)母細(xì)胞瘤患者35例和腦單發(fā)轉(zhuǎn)移瘤患者40例。35例腦膠質(zhì)母細(xì)胞瘤中，男27例、女8例，年齡20～70歲，平均(55.0±13.7)歲；40例腦單發(fā)轉(zhuǎn)移瘤中，男29例、女11例；年齡36～77歲，平均(59.3±9.6)歲；其中原發(fā)腫瘤為肺癌26例、乳腺癌4例、胃腸道腫瘤6例、鼻咽癌1例、腎癌2例、胰腺癌1例。納入標(biāo)準(zhǔn)：①35例腦膠質(zhì)母細(xì)胞瘤和17例腦單發(fā)轉(zhuǎn)移瘤均經(jīng)手術(shù)病理證實(shí)，23例腦單發(fā)轉(zhuǎn)移瘤為已知原發(fā)腫瘤患者，初檢時頭顱MR檢查未見異常，治療隨訪中出現(xiàn)新發(fā)灶；②所有患者均在我院接受MR平掃+增強(qiáng)檢查，掃描序列為軸位T1 FLAIR、T2WI、T2 FLAIR、DWI和增強(qiáng)T1WI。

1.2 儀器與方法 采用GE Signa HDxt 3.0T超導(dǎo)MR掃描儀，8通道相控陣頭顱正交線圈。掃描序列：平掃軸位T1 FLAIR、T2WI，T2 FLAIR、DWI以及增強(qiáng)軸位、冠狀位和矢狀位T1WI。掃描參數(shù)：T1 FLAIR序列，TI 800～900 ms，TR 2 000～2 500 ms，TE 20～25 ms；T2W序列，TR 4 000～4 500 ms，TE 100～110 ms；T2 FLAIR序列，TI 2 000～2 100 ms，TR 8 000～8 600 ms，TE 150～170 ms。FOV 240 mm×240 mm，層厚6 mm，層間距2 mm，矩陣256×256。DWI(SE-EPI序列)：TR 4 500～5 500 ms，TE 70～80 ms，F(xiàn)OV 240 mm×240 mm，層厚6 mm，層間距2 mm，矩陣160×160。采用高壓注射器經(jīng)肘靜脈快速注射對比劑Gd-DTPA，劑量0.1 mmol/kg體質(zhì)量，流率2 ml/s，之后以20 ml生理鹽水沖洗，行軸位、冠狀位和矢狀位T1WI掃描。增強(qiáng)掃描參數(shù)：TR 2 000～2 500 ms，TE 20～25 ms。

1.3 圖像分析

1.3.1 圖像選擇 將所有患者M(jìn)R圖像以DICOM格式導(dǎo)出。由2名具有豐富神經(jīng)影像診斷經(jīng)驗(yàn)的中、高級職稱醫(yī)師在不知病理情況下，在軸位DWI及軸位增強(qiáng)T1WI的圖像上分別選出病灶最大層面的圖像。

1.3.2 紋理分析 采用MaZda軟件，2名醫(yī)師在DWI及增強(qiáng)T1WI序列最大層面上手動勾畫腫瘤ROI并提取病變的紋理特征參數(shù)(圖1、2)。本研究僅選擇最常見的直方圖(平均值、方差、峰度、百分位數(shù)值、偏度值)與灰度共生矩陣(能量、對比度、熵、均勻性、均值、方差、非相似度、自相關(guān))這兩類紋理參數(shù)進(jìn)行分析。

1.4 統(tǒng)計學(xué)分析 使用R語言進(jìn)行統(tǒng)計建模。首先進(jìn)行數(shù)據(jù)特征選擇，對紋理數(shù)據(jù)進(jìn)行正態(tài)性(Shapiro正態(tài)性檢驗(yàn))和方差齊性檢驗(yàn)(Bartlett檢驗(yàn))，滿足正態(tài)分布的紋理參數(shù)，采用Kruskal-Wallis檢驗(yàn)(P<0.05)進(jìn)行特征選擇。由于很多紋理參數(shù)之間存在較強(qiáng)的相關(guān)性，回歸分析時共線性嚴(yán)重，故需進(jìn)一步進(jìn)行共線性檢驗(yàn)去冗余(Pearson相關(guān)性分析，相關(guān)系數(shù)取0.8)。特征篩選后建立多元Logistic回歸模型，自變量為特征選擇后的紋理參數(shù)，分類響應(yīng)變量為腦膠質(zhì)母細(xì)胞瘤和腦單發(fā)轉(zhuǎn)移瘤。以ROC曲線評估模型效能，并對2名醫(yī)師勾畫ROI的紋理參數(shù)進(jìn)行組內(nèi)相關(guān)系數(shù)的一致性評估。

2 結(jié)果

紋理特征篩選后，腦單發(fā)轉(zhuǎn)移瘤和膠質(zhì)母細(xì)胞瘤的直方圖紋理參數(shù)中增強(qiáng)T1WI的偏度值，灰度共生矩陣參數(shù)中增強(qiáng)T1WI自相關(guān)、均值及DWI自相關(guān)差異均有統(tǒng)計學(xué)意義(表1)。2名醫(yī)師提取的上述4個紋理參數(shù)組內(nèi)相關(guān)系數(shù)分別為0.95、0.93、0.92、0.90、0.94，一致性高，故后續(xù)分析采用第1名醫(yī)師提取的數(shù)據(jù)?；谏鲜黾y理參數(shù)進(jìn)行多變量Logistic回歸分析示腦單發(fā)轉(zhuǎn)移瘤和膠質(zhì)母細(xì)胞瘤僅灰度共生矩陣DWI自相關(guān)差異有統(tǒng)計意義。ROC曲線示多變量Logistic回歸模型鑒別腦膠質(zhì)母細(xì)胞瘤和腦單發(fā)轉(zhuǎn)移瘤的敏感度為82.5%，特異度為85.7%，曲線下面積 (area under curve, AUC)為0.834(圖3)。

3 討論

膠質(zhì)母細(xì)胞瘤和腦單發(fā)轉(zhuǎn)移瘤的臨床病程、處理方法及預(yù)后完全不同，故術(shù)前正確診斷非常重要[9]。紋理分析是定量分析圖像灰階分布特征、像素間關(guān)系和空間特征的一種方法，可提供大量肉眼無法識別的物體表面特征信息。與常規(guī)影像學(xué)方法相比，紋理分析提供的病變圖像信息客觀且能進(jìn)一步量化，不依賴影像醫(yī)師的主觀因素及臨床經(jīng)驗(yàn)，可用于多種影像圖像的分析，包括CT、MR及PET等，其中最常用于CT和MR圖像分析，尤其在一些常規(guī)CT及MR鑒別困難的病變中，紋理分析突顯優(yōu)勢[10-11]。

表1 腦膠質(zhì)母細(xì)胞瘤與腦單發(fā)轉(zhuǎn)移瘤紋理分析結(jié)果[中位數(shù)(上下四分位數(shù))]

圖1 患者男，63歲，腦膠質(zhì)母細(xì)胞瘤 A.術(shù)前MR增強(qiáng)T1WI見右側(cè)額葉病灶邊界欠清，呈花環(huán)樣強(qiáng)化，內(nèi)部強(qiáng)化不均勻; B.MaZda軟件中ROI測量示意圖; C.DWI示內(nèi)部呈低信號，周邊呈稍高信號; D.病理鏡下見腫瘤細(xì)胞呈多形性，可見柵欄狀壞死(HE，×100) 圖2 患者男，64歲，腦單發(fā)轉(zhuǎn)移瘤 A.術(shù)前MR增強(qiáng)T1WI見右側(cè)額頂葉病變邊界欠清，大部分強(qiáng)化; B.MaZda軟件中ROI測量示意圖; C.DWI呈稍高信號，周邊見環(huán)狀低信號; D.病理鏡下見腫瘤細(xì)胞浸潤，細(xì)胞相對致密，間質(zhì)纖維組織增生(HE，×100)

圖3 基于紋理特征的多變量Logistic回歸分析的ROC曲線

基于直方圖的一階紋理分析已應(yīng)用于腦腫瘤的鑒別診斷[12-14]、膠質(zhì)瘤對化療藥物的治療反應(yīng)評估及生存狀況分析等[15-16]。本研究顯示腦膠質(zhì)母細(xì)胞瘤和腦單發(fā)轉(zhuǎn)移瘤的直方圖增強(qiáng)TlWI的偏度值差異有統(tǒng)計學(xué)意義(P<0.05)。偏度是描述病變特征值分布對稱性的統(tǒng)計量，為相對于平均值的分布不對稱程度。由于膠質(zhì)母細(xì)胞瘤惡性程度高，生長速度快，成分混雜，有壞死、液化、囊變、出血，致密度不均；而腦轉(zhuǎn)移瘤保持原發(fā)腫瘤的組織特性，癌細(xì)胞多均勻分布，結(jié)構(gòu)致密，相對均質(zhì)，因此密度相對較均勻[14,17]，故兩者直方圖分布的對稱性不同。Rahman等[15]發(fā)現(xiàn)，膠質(zhì)母細(xì)胞瘤ADC直方圖的偏度可用于對復(fù)發(fā)膠質(zhì)母細(xì)胞瘤患者總體生存時間的分層。張勝等[13]同樣以增強(qiáng)T1WI直方圖鑒別診斷膠質(zhì)母細(xì)胞瘤和腦轉(zhuǎn)移瘤，但其僅勾畫腫瘤強(qiáng)化部分，并憑經(jīng)驗(yàn)將出血、壞死等部分排除在外。本研究客觀勾畫了腫瘤最大層面，包括壞死、出血、囊變等，腫瘤異質(zhì)性正是其特性之一，將其排除則遺漏了重要信息。

灰度共生矩陣是研究灰度的空間相關(guān)特性，也是最常見的二階紋理分析方法。本研究顯示腦膠質(zhì)母細(xì)胞瘤和腦轉(zhuǎn)移瘤的灰度共生矩陣參數(shù)中增強(qiáng)T1WI自相關(guān)、均值及DWI自相關(guān)差異均有統(tǒng)計學(xué)意義。均值反應(yīng)紋理的規(guī)則程度，紋理雜亂無章、難以描述的，值較小；規(guī)律性強(qiáng)、易描述的值則較大。自相關(guān)是一種描述灰度共生矩陣中行或列元素之間的相似程度，反映某灰度值沿某方向的延伸長度，若延伸越長則相關(guān)性越大，反應(yīng)紋理的走向。因此相關(guān)值大小反應(yīng)了圖像中局部灰度的相關(guān)性。膠質(zhì)母細(xì)胞瘤惡性度高，常見壞死、出血、囊變，異質(zhì)性程度較高，圖像的規(guī)律性較差；而腦轉(zhuǎn)移瘤的異質(zhì)性相對較低，規(guī)律性較強(qiáng)。多變量Logistic回歸模型顯示圖像的自相關(guān)性在海量的紋理參數(shù)中最具有診斷價值，這也給今后的工作提供了重要線索。

本研究的局限性：①為回顧性分析而非前瞻性研究；②由于軟件特征僅分析病變最大層面的二維特征，未能分析腫瘤整體的三維屬性，需今后進(jìn)一步完善；③樣本量不夠大，尤其是腦轉(zhuǎn)移瘤患者，原發(fā)病為肺癌較多，可能引起偏倚。

綜上所述，紋理分析可量化提取紋理特征，捕獲腫瘤內(nèi)在的異質(zhì)性，避免不同影像醫(yī)師主觀經(jīng)驗(yàn)不同而造成診斷的差異，為鑒別腦膠質(zhì)母細(xì)胞瘤和單發(fā)腦轉(zhuǎn)移瘤提供可靠、量化的客觀依據(jù)。

[1] Bauer AH, Erly W, Moser FG, et al. Differentiation of solitary brain metastasis from glioblastoma multiforme: A predictive multiparametric approach using combined MR diffusion and perfusion. Neuroradiology, 2015,57(7):697-703.

[2] Maurer MH, Synowitz M, Badakshi H, et al. Glioblastoma multiforme versus solitary supratentorial brain metastasis: Differentiation based on morphology and magnetic resonance signal characteristics. Rofo, 2013,185(3):235-240.

[3] Choi YS, Kim DW, Lee SK, et al. The added prognostic value of preoperative dynamic contrast-enhanced MRI histogram analysis in patients with glioblastoma: Analysis of overall and progression-free survival. AJNR Am J Neuroradiol, 2015,36(12):2235-2241.

[4] Choi YS, Ahn SS, Kim DW, et al. Incremental prognostic value of ADC histogram analysis over MGMT promoter methylation status in patients with glioblastoma. Radiology, 2016,281(1):175-184.

[5] 張皓，沈天真，陳星榮，等．MR灌注成像在鑒別單發(fā)腦轉(zhuǎn)移瘤與高級別膠質(zhì)瘤中的價值．中華放射學(xué)雜志，2006，40(4)：393-396．

[6] 王萍，翟昭華，唐光才，等．?dāng)U散加權(quán)成像鑒別診斷惡性膠質(zhì)瘤與單發(fā)腦轉(zhuǎn)移瘤的b值優(yōu)化．中國醫(yī)學(xué)影像學(xué)雜志，2014，22(7)：487-490．

[7] 陳杰云，林曉瑩，陳向榮，等．MR灌注加權(quán)成像鑒別診斷單發(fā)腦轉(zhuǎn)移瘤與高級別膠質(zhì)瘤．中國醫(yī)學(xué)影像技術(shù)，2015，31(2)：215-218．

[8] Castellano G, Bonilha L, Li LM, et al. Texture analysis of medical images. Clin Radiol, 2004,59(12):1061-1069.

[9] Peters S, Kn?? N, Wodarg F, et al. Glioblastomas vs. lymphomas: More diagnostic certainty by using susceptibility-weighted imaging (SWI). Rofo, 2012,184(8):713-718.

[10] Zacharaki EI, Wang S, Chawla S, et al. Classification of brain tumor type and grade using MRI texture and shape in a machine learning scheme. Mag Reson Med, 2009,62(6):1609-1618.

[11] Orphanidou-Vlachou E, Vlachos N, Davies NP, et al. Texture analysis of T1-and T2-weighted MR images and use of probabilistic neural network to discriminate posterior fossa tumours in children. NMR Biomed, 2014,27(6):632-639.

[12] 陳鑫，魏新華，楊蕊夢，等．常規(guī)MRI紋理分析鑒別腦膠質(zhì)母細(xì)胞瘤和單發(fā)轉(zhuǎn)移瘤的價值．中華放射學(xué)雜志，2016，50(3)：186-190．

[13] 張勝，李玉林，黃送．增強(qiáng)T1WI直方圖在膠質(zhì)母細(xì)胞瘤及腦單發(fā)轉(zhuǎn)移瘤鑒別診斷中的應(yīng)用．中國醫(yī)學(xué)影像學(xué)雜志，2017，25(2)：89-92．

[14] Yang G, Jones TL, Howe FA, et al. Morphometric model for discrimination between glioblastoma multiforme and solitary metastasis using three-dimensional shape analysis. Mag Reson Med, 2016,75(6):2505-2516.

[15] Rahman R, Hamdan A, Zweifler R, et al. Histogram analysis of apparent diffusion coefficient within enhancing and nonenhancing tumor volumes in recurrent glioblastoma patients treated with bevacizumab. J Neurooncol, 2014,119(1):149-158.

[16] Zolal A, Juratli TA, Linn J, et al. Enhancing tumor apparent diffusion coefficient histogram skewness stratifies the postoperative survival in recurrent glioblastoma multiforme patients undergoing salvage surgery. J Neurooncol, 2016,127(3):551-557.

[17] 盧昊，馮全志，程乾勝，等．DSC-MRI鑒別診斷膠質(zhì)母細(xì)胞瘤、單發(fā)腦轉(zhuǎn)移瘤及腦淋巴瘤．中國醫(yī)學(xué)影像技術(shù)，2017，33(8)：1185-1189．

MRtextureanalysisindifferentialdiagnosisofglioblastomaandsolitarymetastaticbraintumor

WANGMinhong1,FENGZhan2*

(1.MedicalImagingCenter,theFirstAffiliatedHospitalofWannanMedicalCollege,Wuhu241001,China;2.DepartmentofRadiology,theFirstAffiliatedHospitalofZhejiangUniversity,Hangzhou310006,China)

ObjectiveTo explore the value of MR texture analysis in differential diagnosis of glioblastoma and solitary metastasis.MethodsThirty-five patients with brain glioblastomas and forty patients with brain metastases confirmed by pathology or clinic were enrolled. All patients underwent conventional MR scan and enhanced examination, including T1 FLAIR, T2WI, T2 FLAIR, DWI, and enhanced T1WI. Texture features of the lesions were extracted with MaZda software by manually drawing ROI on the maximum level of tumor delineation in DWI and enhanced T1WI.ResultsThere were statistical differences between glioblastoma and solitary metastasis of enhanced T1WI skewness in the histogram class texture parameters, gray co-occurrence matrix parameters including enhanced T1WI image correlation, mean and DWI correlation.Logisticregression analysis showed the area under ROC curve of the model was 0.834.ConclusionTexture analysis can provide reliable and quantified objective basis for differential diagnosis of glioblastoma and solitary metastatic brain tumor.

Glioblastoma; Neoplasm metastasis; Magnetic resonance imaging; Texture analysis

R739.41; R445.2

A

1003-3289(2017)12-1784-04

皖南醫(yī)學(xué)院中青年科研基金自然科學(xué)類資助項目(WK2016F24)。

王敏紅(1984—)，女，安徽安慶人，碩士，主治醫(yī)師。研究方向：中樞神經(jīng)系統(tǒng)影像診斷。E-mail: wangminhong518@163.com

馮湛，浙江大學(xué)附屬第一醫(yī)院放射科，310006。E-mail: gerxyuan@126.com

2017-10-24

2017-11-09

10.13929/j.1003-3289.201710102