顱內(nèi)膠質(zhì)瘤MRI影像組學(xué)評估顱內(nèi)高級別與低級別膠質(zhì)瘤

鄧慧媛， 楊軍， 柯騰飛， 李勤勍， 許澤艷， 丁瑩瑩， 廖承德

顱內(nèi)膠質(zhì)瘤MRI影像組學(xué)評估顱內(nèi)高級別與低級別膠質(zhì)瘤

鄧慧媛， 楊軍， 柯騰飛， 李勤勍， 許澤艷， 丁瑩瑩， 廖承德

目的探討MRI影像組學(xué)在顱內(nèi)膠質(zhì)瘤術(shù)前分級評估中的應(yīng)用價值，提高MRI對顱內(nèi)膠質(zhì)瘤的診斷效能。方法回顧分析58例經(jīng)病理證實的顱內(nèi)膠質(zhì)瘤患者的MRI資料，使用Matlab軟件提取病灶特征并使用Lasso軟件(R語言3.4.0版)進行降維處理，降維后的特征再進行Logistic多元回歸相關(guān)性分析，從而篩選出具有診斷價值且與腫瘤級別顯著相關(guān)的影像組學(xué)特征，運用受試者工作特征(ROC)曲線對特征參數(shù)的診斷效能進行分析。結(jié)果DWI序列降維后經(jīng)Logistic多元回歸分析篩選出影像組學(xué)相關(guān)特征為：均值(P=0.04)、RMS(P=0.04)、Percentile-65(P=0.023)、Percentile-70(P=0.03)和Percentile-75(P=0.009)。DWI提取特征中Percentile-75對高、低級別膠質(zhì)瘤的診斷效能最高，ROC曲線下面積(AUC)為0.793。T2WI序列及T1WI增強序列未篩選出與腫瘤分級相關(guān)的參數(shù)。在熱力圖上DWI序列Percentile-75特征與腫瘤分級的相關(guān)性較明顯。結(jié)論在T2WI、DWI和T1WI增強三個序列中，DWI序列對高低級別膠質(zhì)瘤的鑒別效能較高，該序列上所篩選的特征參數(shù)中以Percentile-75的診斷價值最高。

膠質(zhì)瘤； 腦腫瘤； 影像組學(xué)； 磁共振成像； 擴散加權(quán)成像； 腫瘤分級

顱內(nèi)膠質(zhì)瘤(cerebral glioma)是顱內(nèi)原發(fā)腫瘤中最常見的腫瘤，并且低級別膠質(zhì)瘤具有高度侵襲性，術(shù)后復(fù)發(fā)率很高，嚴重危害人類健康。影像組學(xué)(radiomics)是對影像圖片進行高通量像素特征提取，并經(jīng)統(tǒng)計分析建模進行診斷的一門科學(xué)。近年來影像組學(xué)對許多疾病的研究分析日趨豐富，如肺癌、乳腺癌等，但是在對高級別與低級別顱內(nèi)膠質(zhì)瘤的的鑒別診斷中的運用較少。本文對經(jīng)病理證實的58例不同級別的顱內(nèi)膠質(zhì)瘤病例，運用組學(xué)方法提取MRI影像特征、降維后經(jīng)Logistic多因素相關(guān)分析，并運用ROC曲線對這些特征的診斷效能進行評估，旨在提高影像組學(xué)在腦腫瘤中的應(yīng)用價值。

材料與方法

1.基本資料

將本院2012年9月-2016年12月經(jīng)病理證實的58例腦膠質(zhì)瘤患者納入研究。其中男31例，女27例，年齡10～62歲，平均(45 4)歲。病灶位于左側(cè)大腦半球26例、右側(cè)大腦半球27例、雙側(cè)大腦半球3例、小腦及腦干2例。WHO分級為Ⅰ、Ⅱ級者38例(低級別組)，Ⅲ、Ⅳ級者20例(高級別組)。

2.MRI檢查方法

使用Siemens Auanto 1.5T磁共振掃描儀。所有患者術(shù)前常規(guī)行T1WI、T2WI、DWI和對比增強T1WI掃描。掃描序列和參數(shù)如下。①橫軸面FSE T1WI：TR 195 ms，TE 6 ms，層厚6.0 mm，視野25 cm×25 cm，矩陣512×512，激勵次數(shù)1；②橫軸面FSE T2WI：TR 4000 ms，TE 98 ms，層厚6.0 mm，視野25 cm×25 cm，矩陣512×512，激勵次數(shù)1；③橫軸面DWI：TR 3000 ms，TE 89 ms，層厚5.0 mm，視野25 cm×25 cm，矩陣512×512，激勵次數(shù)1；④T1WI增強掃描：對比劑采用釓噴葡胺或釓貝葡胺，使用高壓注射器，注射流率2.0 mL/s，總量15 mL，延遲時間30 s，其它掃描參數(shù)同平掃T1WI。

3.圖像分析

將所有圖像傳輸至工作站進行圖像后處理，并經(jīng)PACS系統(tǒng)傳輸?shù)皆\斷工作站進行影像診斷。由兩位影像醫(yī)師采用雙盲法對所有圖像進行分析。在T2WI、DWI和對比增強T1WI上于病灶最大層面在病灶的實性部分勾畫感興趣區(qū)(region of inte-rest，ROI)，避開液化壞死區(qū)、鈣化灶和水腫區(qū)(圖1～2)[1]。使用改良的Madlab軟件提取所有病例3個序列圖像上各ROI的影像特征[2]。

改良的Matlab軟件提取ROI的影像特征是基于高斯空間帶通濾波器(G2)Laplacian(一個二階微分算子)在不同的空間尺度上通過旋轉(zhuǎn)來獲得圖像特征，過濾參數(shù)一般取0～2.5(0，1.0，1.5，2.0和2.5)[3]。高斯濾波器的拉普拉斯算子(2G)分布的計算公式如下：

(1)

公式中的X、Y為像素的空間坐標(biāo)，σ為濾波器參數(shù)值。綜合上述原理，最終獲取圖像上像素灰度特征的定量參數(shù)值，包括平均灰度值(mean value，MV)、均方根灰度值(root mean square，RMS)、65%灰度值(Percentile65)、灰度值70%(Percentile70)和75%灰度值(Percentile75)等。

4.統(tǒng)計處理

使用Lasso軟件(R×64；3.4.0；http:// www.Rproject.org)對上述提取到的所有影像組學(xué)特征進一步進行降維，得到10個特征。采用二分類逐步回歸的Logistic模型，對這10個特征及患者的臨床特征與膠質(zhì)瘤的病理分級進行相關(guān)性分析。使用SPSS 23.0軟件進行統(tǒng)計分析。對經(jīng)相關(guān)性分析發(fā)現(xiàn)的與病理分級有相關(guān)性的影像組學(xué)特征，采用受試者工作特征(ROC)曲線對其診斷效能進行評估[4]。ROC曲線下面積(area under curve，AUC)>0.5且≤0.7時為診斷效能較低，AUC>0.7且≤0.9時為診斷效能中等，AUC>0.9時為診斷效能較高。

結(jié) 果

1.臨床變量間相關(guān)性分析及結(jié)果

所有患者的臨床特征與病理分級的相關(guān)性分析結(jié)果見表1。Logistic回歸分析顯示，患者的年齡、性別、ADC值、腫塊位置、腫塊大小與病理分級間均無顯著相關(guān)性(P>0.05)。

表1 基本臨床特征和病灶特征的Logistic回歸分析

2.MRI影像組學(xué)特征與病理分級的相關(guān)性分析

在T1WI增強、T2WI、DWI三個序列圖像經(jīng)特征代表具有腦膠質(zhì)瘤像素灰度特征的變量分別為：①T1WI增強序列圖像特征：Percentile50、Median Intensity、Quantile0.75、Long Run High Grey Level Emphasis_angle45_offset1、HighGreyLevelRunEmphasis_angle135_offset1；②T2WI序列圖像特征：Cluster Shade_All Direction_offset4_SD、Inertia_angle45_offset4、Inertia_angle90_offset4、Cluster Shade_All Direction_offset7_SD、Long Run High Grey Level Emphasis_angle90_offset1；③DWI序列圖像特征：平均灰度值、RMS、Percentile65、Percentile70和Percentile75。

經(jīng)Logistic多元回歸分析(表2)，T1WI增強掃描和T2WI上的各項影像組學(xué)特征與病理分級間均無顯著相關(guān)性(P>0.05)；DWI序列圖像上有5個影像組學(xué)特征與膠質(zhì)瘤的病理分級間均有顯著相關(guān)性(P<0.05)，包括平均灰度值、RMS、Percentile65和Percentile70和Percentile75。

在熱力圖中DWI序列的特征參數(shù)Percentile75與腫瘤病理分級的相關(guān)性較明顯，熱力圖上DWI序列上的5個變量(MV、RMS、Percentile65、Percentile70和Percentile75)所對應(yīng)區(qū)域表現(xiàn)為紫色區(qū)域較其它序列更為密集，分布范圍更多(圖3)。

3.影像組學(xué)特征的診斷效能

對顱內(nèi)膠質(zhì)瘤病灶的283個特征進行降維及回歸分析篩選后，對篩選出的DWI序列上的5個有效影像組學(xué)特征進行ROC曲線分析，其中以Percentile75對高低級別膠質(zhì)瘤的鑒別診斷效能最高，AUC為0.739(圖4)。

圖1 左枕葉膠質(zhì)瘤。a) T1WI增強掃描，顯示腫瘤呈明顯均勻強化； b) T1WI增強掃描，在腫瘤內(nèi)勾畫ROI并用綠色偽彩標(biāo)記； c) T2WI圖像，在腫瘤內(nèi)勾畫ROI并用綠色偽彩標(biāo)記； d) SWI圖像，在腫瘤內(nèi)勾畫ROI并用綠色偽彩標(biāo)記。 圖2 左顳葉膠質(zhì)瘤。a) T1WI增強掃描，顯示腫瘤呈不均勻明顯強化； b) T1WI增強掃描，在腫瘤內(nèi)勾畫ROI并用綠色偽彩標(biāo)記的MRI圖像，避開液化壞死區(qū)域和水腫區(qū)； c) T2WI圖像，在腫瘤內(nèi)勾畫ROI并用綠色偽彩標(biāo)記； d) FLAIR圖像，在腫瘤內(nèi)勾畫ROI并用綠色偽彩標(biāo)記。

表2 DWI影像組學(xué)特征Logistic多元回歸分析結(jié)果

討 論

1.膠質(zhì)瘤術(shù)前影像特征

膠質(zhì)瘤占顱內(nèi)腫瘤的40%～60%[5]，術(shù)前對顱內(nèi)膠質(zhì)瘤進行影像診斷，不僅存在較高的誤診和漏診率，對腫瘤分級也有較大困難[6]。主要原因為顱內(nèi)膠質(zhì)瘤影像表現(xiàn)多樣，常伴水腫、壞死、鈣化；其次膠質(zhì)瘤發(fā)病年齡及臨床特征不典型，很多患者出現(xiàn)癥狀時腫塊體積已經(jīng)很大。

大多學(xué)者都熱衷于對顱內(nèi)膠質(zhì)瘤進行細胞信號、生物標(biāo)記物、基因的研究[7-10]，基于腫瘤圖像數(shù)據(jù)特征的分析報道較少，本研究旨在運用MRI不同序列圖像進行影像組學(xué)分析。伴隨著MRI功能成像序列的不斷開發(fā)和運用，DWI已經(jīng)在臨床應(yīng)用較為廣泛[11]，擴散加權(quán)成像是根據(jù)水分子布朗運動原理而成像的一個序列。病灶內(nèi)自由水布朗運動就越不受限，DWI成像上呈低信號；但是結(jié)合水分子布朗運動受限而在DWI成像上呈高信號，顱內(nèi)膠質(zhì)瘤因其所含水分大多為結(jié)合水，因此DWI呈高信號，液化壞死區(qū)域為自由水，而成低信號[12]。顱內(nèi)膠質(zhì)瘤因DWI具有鑒別診斷價值，因此術(shù)前均掃描DWI序列[13-15]。

2.顱內(nèi)膠質(zhì)瘤影像組學(xué)診斷優(yōu)越性

圖3 分別從T1WI增強掃描、T2WI和DWI圖像中提取病灶的影像組學(xué)特征，經(jīng)降維和統(tǒng)計學(xué)方法篩選后獲得的影像組學(xué)特征的熱力圖，藍色代表高級別膠質(zhì)瘤，紫色代表低級別膠質(zhì)瘤，與低級別膠質(zhì)瘤相關(guān)性最顯著的前5個特征(MeanValue、RMS、Percentile65、Percentile70、Percentile75)均為DWI序列上提取的組學(xué)特征，表現(xiàn)為紫色分布區(qū)域較其它影像組學(xué)特征的分布區(qū)域更廣。 圖4 三個序列圖像上提取的影像組學(xué)特征鑒別高、低級別膠質(zhì)瘤的ROC曲線，可見DWI序列上提取的影像組學(xué)特征的曲線下面積更大。a) DWI序列； b) T2WI； c) T1WI增強掃描。

影像組學(xué)是影像醫(yī)學(xué)的一個新興研究方向，但目前影像組學(xué)對顱內(nèi)膠質(zhì)瘤的分析研究尚處于初步探索階段，顱內(nèi)膠質(zhì)瘤紋理分析以及異質(zhì)性分析報道相對少見[16]。因此本探索運用像素特征提取法，對所得特征進行降維處理及通過相關(guān)性分析來進一步明確膠質(zhì)瘤的分級[17]。

基于單變量分析后的影像組學(xué)特性,特征選擇和數(shù)據(jù)降維是通過使用最小絕對收縮和選擇算法(Lasso)邏輯回歸模型選擇最有用的所有相關(guān)影像特性確定的預(yù)后特征的主要群體。Lasso適用于高維度數(shù)據(jù)的回歸，通過使用R中的“glemnet”軟件包，這是一種懲罰的評估方法估計回歸系數(shù)的限制,以便按比例縮小的絕對值的總和低于某個常數(shù)k選擇交叉驗證[18]。這種算法使得一些回歸系數(shù)的計算完全為零，因此實現(xiàn)變量選擇雖然萎縮，但其余系數(shù)遠遠大于零，但是這樣會基于數(shù)據(jù)的模型選擇造成的過度擬合，因此在變量選取過程中相關(guān)性較大，既相關(guān)系數(shù)較大的變量也將會在降維過程中被剔除。每個變量都有一個影像組學(xué)評分，患者在各個序列中通過特征選擇的線性組合他們各自的系數(shù)，為每例患者計算出一個影像組變量的分數(shù)。更大的分數(shù)意味著更高概率是低級別。

本研究降維選擇有效特征10個，同時再次經(jīng)過下一步相關(guān)性分析進一步篩選特征。得出具有診斷意義的影像組學(xué)參數(shù)。本研究中MRI的三個序列(T2WI、DWI、T1WI增強)中，DWI序列對膠質(zhì)瘤高低級別鑒別效能較高，該序列所篩選特征(Percentile75)較同序列其它特征對膠質(zhì)瘤分級更具診斷價值。

3.本研究局限性

本研究僅僅選取MRI的三個常規(guī)序列(T1WI增強、T2WI、DWI)進行影像組學(xué)特征分析，對于顱內(nèi)腫瘤診斷僅選取膠質(zhì)瘤病例，入組的病例未對病理亞型進一步分類研究，入組病例數(shù)相對較少。臨床資料與高低級別膠質(zhì)瘤鑒別診斷相關(guān)性并未進行統(tǒng)計分析。本研究并未對病例進行訓(xùn)練集和驗證集分組。以上不足將在進一步的研究中進行完善。

[1] Divi V,Chen MM,Nussenbaum B,et al.Lymph node count from neck dissection predicts mortality in head and neck cancer[J].J Clin Oncol,2016,34(32):1-7.

[2] Islam AH,Metcalfe A,Macintosh BJ,et al.Greater body mass index is associated with reduced frontal cortical volumes among adolescents with bipolar disorder.[J].J Psychiatry Neurosci,2017,43(1):170041.DOI:10.1503/jpn.170041.[Epub ahead of print]

[3] He L,Huang Y,Ma Z,et al.Effects of contrast-enhancement,reconstruction slice thickness and convolution kernel on the diagnostic performance of radiomics signature in solitary pulmonary no-dule[J/OL].Sci Rep,2016,6(10):34921.DOI:10.1038/srep34921.

[4] Chan AW,Tong JH,Pan Y,et al.Lymphoepithelioma-like hepatocellular carcinoma:an uncommon variant of hepatocellular carcinoma with favorable outcome[J].Am J Surg Pathol,2015,39(3):304-312.DOI:10.1097/PAS.0000000000000376.

[5] Sinnaeve J,Mobley BC.Space invaders:brain tumor exploitation of the stem cell niche[J].Am J Pathol,2017.DOI:10.1016/j.ajpath.2017.08.029.[Epub ahead of print]

[6] Aggarwal A,Godbole T,Mittal H.CNS neoplasm:a missed diagnosis[J].Indian J Pediatr,2011,78(1):116-117.

[7] Garcia MA,Solomon DA.Exploiting molecular biology for diagnosis and targeted management of pediatric low-grade gliomas[J].Fut Oncol (England),2016,12(12):1493-1506.DOI:10.2217/fon-2016-0039.

[8] Vats A,Amit A.Multicentric high grade oligodendroglioma:a rare entity[J].Bri J Neurosurgery,2017.DOI:10.1080/02688697.2017.1396582.[Epub ahead of print]

[9] Hwanho C,Hyunjin P.Classification of low-grade and high-grade glioma using multi-modal image radiomics features[C].Nternational Conference of the IEEE Engineering in Medicine and Biology Society.IEEE,2017:3081-3084.DOI:10.1109/EMBC.2017.8037508.

[10] Van TDV,Hoeben A,Beckervordersandforth JC,et al.Impact of the revised WHO classification of diffuse low-grade glioma on clinical decision making:A case report.[J].Surg Neurol Int,2017,8(1):223.DOI:10.4103/sni.sni_166_17.eCollection 2017.

[11] Toussaint M,Pinel S,Auger F,et al.Proton MR spectroscopy and diffusion MR imaging monitoring to predict tumor response to interstitial photodynamic therapy for glioblastoma[J].The-ranostics,2017,7(2):436-451.DOI:10.1148/rg.2017170056.

[13] Sturm D,Pfister SM.Pediatric gliomas:current concepts on diagnosis,biology,and clinical management[J].J Clin Oncol,2017,35(21):2370-2377.DOI:10.1200/JCO.2017.73.0242.

[14] Dodgshun AJ,Hansford JR.Risk assessment in paediatric glioma-Time to move on from the binary classification[J].Crit Rev Oncol Hematol,2017,111(1):52-59.DOI:10.1016/j.critrevonc.2017.01.012.

[15] Sauwen N,Acou M,Cauter SV,et al.Comparison of unsupervised classification methods for brain tumor segmentation using multi-parametric MRI[J].Neuroimage Clin,2016,12(C):753-764.DOI:10.1016/j.nicl.2016.09.021.

[16] Lubner MG,Smith AD,Sandrasegaran K,et al.CT texture analysis:definitions,applications,biologic correlates,and challenges[J].Radiographics,2017,37(5):1483-1503.

[17] Boylan K,Geschwind K,Koopmeiners JS,et al.A multiplex platform for the identification of ovarian cancer biomarkers[J].Clin Proteom,2017,14(1):34-55.DOI 10.1186/s12014-017-9169-6

[18] Kim JJ,Kim JY,Kang HJ,et al.Computer-aided diagnosis-gene-rated kinetic features of breast cancer at preoperative MR imaging:association with disease-free survival of patients with primary operable invasive breast cancer[J].Radiology,2017,284(1):45-54.DOI:10.1148/radiol.2017162079.

DiagnosisefficacyofMRIradiomicsingradingofcerebralgliomabeforeoperation

DENG Hui-yuan,YANG Jun,KE Teng-fei,et al.

Department of Radiology,the Third Affiliated Hospital of Kunming Medical University,the Tumor Hospital of Yunnan Province,Kunming 650118,China

Objective:Discussing the application of radiomics was used in MRI image by diagnosis cerebral glioma and improving the diagnosis efficacy.MethodsThe research findings 58 cases of cerebral glioma by pathology were analyzed retrospectively.Characteristics were picked up from tumor in two-dimensional planes by Matlab software,and the key factors were retrieved by Lasso package in R-software with 3.4.0 generation.Stepwise multiple logistic regression analysis was used to determin the independent factor that MRI image can diagnosis grading of cerebral glioma.Using box-type and scatter to describe the factor and at the same time using the ROC curve to analysis the key factor diagnosis efficacy.ResultsThe key factors of the lesions on MR-DWI were analyzed by stepwise multiple logistic regression as the best select examination.The correlative factor as following:mean value (P=0.04),RMS (P=0.04),percentile-65 (P=0.023),percentile-70 (P=0.03) and Percentile-75 (P=0.009).The factor of percentile-75 as the dependent correlative factor and it is the highest diagnosis efficacy with the AUC was 0.793.Characteristics of Percentile-75 have high correlation with pathology grading where filling in more area red colore in hotmap of DWI.T1WI with contrast-enhanced and T2WI had not correlation factors.ConclusionsDWI was the highest diagnosis efficacy sequence among T1WI contrast-enhanced with T2WI,and the factor that percentile-75 was the independent correlation factor with the best diagnosis efficacy.

Glioma； Cerebral neoplasm； Radiomics； Magnetic resonance imaging； Diffusion weighted imaging； Tumor grading

650118 昆明，昆明醫(yī)科大學(xué)第三附屬醫(yī)院 云南省腫瘤醫(yī)院放射科

鄧慧媛(1992-)，女，云南文山人，碩士研究生，主要從事頭頸部影像學(xué)研究工作。

廖承德，E-mail：846681160@qq.com

國家自然科學(xué)基金(8126048，81760316，81703155)

R445.2； R737.39

A

1000-0313(2017)12-1229-05

10.13609/j.cnki.1000-0313.2017.12.005

2017-10-28

2017-11-22)