尹進(jìn)學(xué)，盧斌貴，楊佩瑜，鐘 熹，陳志軍，桂 思，洪璇陽，李穎慧，孫紫情，李建生

(廣州醫(yī)科大學(xué)附屬腫瘤醫(yī)院放射科，廣東 廣州 510095)

宮頸癌是女性最常見惡性腫瘤之一，近年來發(fā)病率、死亡率均呈上升趨勢[1]。腫瘤組織學(xué)分級是選擇宮頸癌治療方案及評價(jià)預(yù)后的重要影響因素[2]。常規(guī)MR檢查是目前宮頸癌術(shù)前診斷及分期的主要手段，但不能評價(jià)腫瘤組織學(xué)分級及微觀層面異質(zhì)性表現(xiàn)。紋理分析能量化評價(jià)肉眼無法識別的腫瘤異質(zhì)性，并無創(chuàng)反映組織潛在病理學(xué)改變[3]。近年來，紋理分析圖像后處理技術(shù)已從2D計(jì)算擴(kuò)展到3D計(jì)算，并廣泛用于腫瘤病理分級[4-5]。既往研究[6]顯示，2D紋理分析方法用于分析腫瘤特異性有所不足，3D紋理特征具有更高診斷效能。本研究探討基于T2WI的3D紋理特征模型預(yù)測宮頸癌組織學(xué)分級的價(jià)值。

1 資料與方法

1.1 一般資料 回顧性分析2016年1月—2019年5月175例于廣州醫(yī)科大學(xué)附屬腫瘤醫(yī)院確診的宮頸癌患者，年齡25～79歲，平均(52.2±9.3)歲；根據(jù)國際婦產(chǎn)科聯(lián)盟2009年標(biāo)準(zhǔn)，臨床分期IB期90例，IIA期41例，IIB期29例，III期15例；病理分型鱗癌145例、腺癌22例、腺鱗癌8例；高分化41例(高分化組)，中分化76例(中分化組)，低分化58例(低分化組)。納入標(biāo)準(zhǔn)：①經(jīng)手術(shù)病理明確診斷并分期；②于術(shù)前2周內(nèi)接受盆腔常規(guī)MR檢查；③初診患者，未經(jīng)任何治療。排除標(biāo)準(zhǔn)：①合并其他惡性腫瘤；②因各種偽影導(dǎo)致圖像質(zhì)量不佳；③癌灶最大徑<1 cm，無法準(zhǔn)確勾畫病灶。

1.2 儀器與方法 采用Philips Achieve 1.5T MR儀，SENSE-body體線圈?；颊呷⊙雠P位，掃描范圍包含整個(gè)盆腔。掃描序列及參數(shù)：軸位T1W，TR 496 ms，TE 10 ms；軸位T2W，TR 2 528 ms，TE 100 ms；冠狀位脂肪抑制T2W，TR 2 402 ms，TE 80 ms；矩陣均為244×333，NSA 2，F(xiàn)OV 380 mm×380 mm，層厚5 mm，層間距1 mm。增強(qiáng)掃描采用Gd-DTPA為對比劑，經(jīng)肘靜脈以2.5 ml/s流率團(tuán)注0.2 ml/kg體質(zhì)量后行T1W掃描。

1.3 圖像分析 以DICOM格式將軸位T2WI導(dǎo)入ITK-SNAP軟件(www.itksnap.org)，由2名具有婦科腫瘤MRI診斷經(jīng)驗(yàn)的副主任醫(yī)師分析圖像，意見不一致時(shí)經(jīng)協(xié)商達(dá)成共識，避開腫瘤壞死、囊變區(qū)及腫瘤最上、最下層面手動(dòng)逐層勾畫病灶，獲取3D 感興趣體積(volume of interest，VOI)(圖1)。將軸位T2WI和3D VOI圖像導(dǎo)入影像組學(xué)特征計(jì)算軟件LIFEx 4.0(www.lifexsoft.org)進(jìn)行配準(zhǔn)，共41個(gè)最終獲得6類紋理特征參數(shù)，包括4個(gè)形態(tài)(Shape)參數(shù)、5個(gè)直方圖(Histogram)、7個(gè)灰度共生矩陣(grey level co-occurrence matrix，GLCM)、3個(gè)鄰域灰度差分矩陣(neighborhood grey-level different matrix， NGLDM)、11個(gè)灰度游程矩陣(grey-level run length matrix，GLRLM)和11個(gè)灰度區(qū)長度矩陣(grey-level zone length matrix，GLZLM)參數(shù)。采用LIFEx軟件對ROI進(jìn)行空間重采樣，將體素強(qiáng)度離散到128個(gè)灰度級別，對ROI內(nèi)信號強(qiáng)度在平均值±3×標(biāo)準(zhǔn)差之間進(jìn)行標(biāo)準(zhǔn)化。

圖1 患者女，56歲，低分化宮頸鱗癌，勾畫病灶ROI示意圖 A.軸位T2WI； B～D.分別為軸位、矢狀位、冠狀位ROI，箭示病灶； E.3D ROI體積； F.直方圖

1.4 統(tǒng)計(jì)學(xué)分析 采用SPSS 22.0和SAS 9.3統(tǒng)計(jì)分析軟件。對計(jì)量資料先行正態(tài)性檢驗(yàn)及方差齊性檢驗(yàn)。對于不同組織學(xué)分級組間紋理參數(shù)，方差齊者以±s表示，組間比較采用單因素方差分析，否則以中位數(shù)(上下四分位數(shù))表示，采用Kruskal-Wallis秩和檢驗(yàn)；組間兩兩比較采用LSD-t檢驗(yàn)或Mann-WhitneyU檢驗(yàn)。將組間差異有統(tǒng)計(jì)學(xué)意義的參數(shù)與宮頸癌組織學(xué)分級進(jìn)行Spearman相關(guān)性分析。對組間差異有統(tǒng)計(jì)學(xué)意義的紋理參數(shù)采用多因素Logistic回歸構(gòu)建模型。以ROC曲線分析紋理參數(shù)及回歸構(gòu)模型的診斷效能。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 低、中、高分化組間基于T2WI的3D紋理特征參數(shù)比較 低、中、高分化組間區(qū)域灰度不均勻度(GLNUz)、區(qū)長度不均勻度(ZLNU)、能量(GLCM-Energy)、強(qiáng)度(Busyness)、游程灰度級不均勻度(GLNUr)、游程長度不均勻度(RLNU)、體積(Volume-vx)及容積(Volume-ml)8個(gè)參數(shù)差異有統(tǒng)計(jì)學(xué)意義(P均<0.05)。低分化組與高分化組間8個(gè)紋理參數(shù)差異均有統(tǒng)計(jì)學(xué)意義(P均<0.05)，中分化與高分化組間Energy、GLNUz、ZLNU差異有統(tǒng)計(jì)學(xué)意義(P均<0.05)；低分化與中分化組間紋理參數(shù)差異均無統(tǒng)計(jì)學(xué)意義(P均>0.05)，見表1。

表1 不同分化程度宮頸癌基于T2WI 3D紋理特征參數(shù)比較

2.2 相關(guān)性 低、中、高分化組間差異有統(tǒng)計(jì)學(xué)意義的8個(gè)紋理參數(shù)均與組織學(xué)分級相關(guān)(|r|=0.491～0.567)，與Energy呈正相關(guān)，與其他參數(shù)均呈負(fù)相關(guān)，見表2。

表2 不同分化程度宮頸癌之間差異有統(tǒng)計(jì)學(xué)意義的紋理參數(shù)及與組織學(xué)分級的相關(guān)性

2.3 診斷效能 低分化與高分化組間8個(gè)差異有統(tǒng)計(jì)學(xué)意義的紋理參數(shù)鑒別二者的AUC為0.711～0.774，以此構(gòu)建的Logistic回歸模型的AUC為0.875，敏感度87.50%，特異度77.78%；中分化與高分化組間3個(gè)差異有統(tǒng)計(jì)學(xué)意義的紋理參數(shù)的AUC為0.685～0.717，以此構(gòu)建的Logistic回歸模型的AUC為0.753，敏感度78.75%，特異度72.92%，見表3、4及圖2。

表3 紋理特征參數(shù)及其模型鑒別低分化與高分化宮頸癌的診斷效能

表4 紋理特征參數(shù)及其模型鑒別中分化與高分化宮頸癌的診斷效能

圖2 紋理參數(shù)及回歸模型鑒別宮頸癌組織學(xué)分級的ROC曲線 A.低分化與高分化； B.中分化與高分化

3 討論

組織病理學(xué)分析是確定腫瘤異質(zhì)性的金標(biāo)準(zhǔn)。腫瘤紋理特征與病理分級具有相關(guān)性[7]，腫瘤分化程度越低，組織內(nèi)部成分越復(fù)雜，異質(zhì)性越高。紋理分析可從影像學(xué)圖像中提取用于量化像素或體素的參數(shù)來反映腫瘤的微觀特征，不同紋理參數(shù)代表腫瘤不同異質(zhì)特征。2D紋理分析基于分割腫瘤體積單個(gè)層面創(chuàng)建2D二進(jìn)制掩碼，通過計(jì)算分析ROI的異質(zhì)性。3D紋理分析則針對整個(gè)腫瘤ROI體積，分析計(jì)算每個(gè)體素的灰度值分布[5]，可更大程度捕獲腫瘤異質(zhì)性，優(yōu)化提取紋理參數(shù)的準(zhǔn)確性，反映腫瘤病理生理變化的效能較2D紋理分析更高[8-9]。

本研究采用基于T2WI的3D紋理分析術(shù)前評估宮頸癌組織學(xué)分級，結(jié)果顯示8個(gè)紋理參數(shù)與宮頸癌組織學(xué)分級相關(guān)，雖然各自反映腫瘤不同特征，但均提示腫瘤分化程度與內(nèi)部異質(zhì)性具有一定共線性，與既往研究[10]結(jié)果相符。

紋理參數(shù)本身存在某些共性，可在一定程度上代表某種共同生理或病理機(jī)制[11]；紋理參數(shù)組合可以互補(bǔ)，并提供更多數(shù)據(jù)維度，有助于彌補(bǔ)單一參數(shù)不足以全面反映細(xì)微結(jié)構(gòu)特征信息的不足。聯(lián)合應(yīng)用多種紋理參數(shù)可顯著提高腦膜瘤分級效能[12]。譚紅娜等[13]分析乳腺癌X線圖像紋理特征，以預(yù)測腋窩淋巴結(jié)轉(zhuǎn)移，發(fā)現(xiàn)聯(lián)合構(gòu)建模型的診斷效能優(yōu)于單一參數(shù)。本研究低分化與中分化組間紋理參數(shù)差異均無統(tǒng)計(jì)學(xué)意義，可能與中、低分化宮頸癌的癌灶存在較明顯核分裂象，且細(xì)胞密集，易發(fā)生壞死、囊變，導(dǎo)致T2WI所示體素內(nèi)異質(zhì)性不明顯有關(guān)；8個(gè)紋理參數(shù)在低分化與高分化組間差異均有統(tǒng)計(jì)學(xué)意義，表明低分化較高分化腫瘤內(nèi)部異質(zhì)性更為顯著；ROC曲線分析顯示8個(gè)參數(shù)聯(lián)合構(gòu)建回歸模型的AUC為0.875，高于單一參數(shù)的診斷效能。采用中分化與高分化組間差異有統(tǒng)計(jì)學(xué)意義的3個(gè)紋理參數(shù)聯(lián)合構(gòu)建回歸模型的AUC為0.753，同樣顯示聯(lián)合模型的診斷效能優(yōu)于單參數(shù)。此外，紋理特征GLZLM中的GLNUz用于鑒別低分化與高分化、中分化與高分化宮頸癌的敏感度均較高，但特異度較低，原因可能在于GLNUz主要代表圖像中每個(gè)灰度級均勻區(qū)域的大小，反映T2WI中VOI內(nèi)像素之間灰度值的分布，但并不能完全顯示整個(gè)腫瘤的異質(zhì)性特征。

本研究的局限性：①單中心樣本，存在選擇偏倚；②手動(dòng)勾畫VOI，界定體積受評估者經(jīng)驗(yàn)影響；③未驗(yàn)證病灶紋理參數(shù)測量的可重復(fù)性。

綜上所述，基于T2WI的3D紋理參數(shù)可評價(jià)腫瘤異質(zhì)性，用于術(shù)前預(yù)測宮頸癌病理組織學(xué)分級有一定價(jià)值；由各參數(shù)聯(lián)合構(gòu)建的回歸模型可提高診斷效能，有利于術(shù)前臨床決策。