基于灰度共生矩陣紋理特征分析鑒別膠質(zhì)母細(xì)胞瘤與原發(fā)性中樞神經(jīng)系統(tǒng)淋巴瘤

史云峰，錢麗霞，郭曉媛

(1.山西醫(yī)科大學(xué)醫(yī)學(xué)影像學(xué)系，山西 太原 030001；2.山西醫(yī)科大學(xué)附屬山西大醫(yī)院磁共振科，山西 太原 030032)

膠質(zhì)母細(xì)胞瘤(glioblastoma multiform， GBM)和原發(fā)性中樞神經(jīng)系統(tǒng)淋巴瘤(primary central nervous system lymphoma， PCNSL)分別約占顱內(nèi)腫瘤的15%和3%～6%[1-2]，均為血供豐富、侵襲性強(qiáng)的腫瘤，難以鑒別。紋理分析可定量評(píng)價(jià)目標(biāo)ROI內(nèi)灰度空間變化和分布，相比于視覺分析，可更客觀、詳細(xì)地評(píng)估病變特征[3-4]。本研究探討基于灰度共生矩陣(gray level co-occurrence matrix， GLCM)的紋理特征分析對(duì)GBM與PCNSL的鑒別診斷價(jià)值。

1 資料與方法

1.1 一般資料 回顧性分析2014年3月—2019年3月山西醫(yī)科大學(xué)附屬山西大醫(yī)院收治的46例GBM患者(GBM組)和36例PCNSL患者(PCNSL組)的術(shù)前影像學(xué)資料。GBM組男27例，女19例，年齡39～74歲，平均(57.3±10.6)歲。PCNSL組男21例，女15例，年齡21～73歲，平均(54.4±13.6)歲，病理類型均為彌漫性大B細(xì)胞淋巴瘤，且均無自身免疫缺陷疾病。納入標(biāo)準(zhǔn)：①經(jīng)病理確診為GBM或PCNSL；②在本院接受平掃+增強(qiáng)MR掃描，圖像質(zhì)量佳；③MR檢查前患者均未接受激素、手術(shù)、放射及化學(xué)治療等。

1.2 儀器與方法 采用Siemens Avanto 1.5T MR機(jī)。先行T1WI、T2WI平掃，采用SE序列采集軸位T1WI(TR 1 650 ms, TE 10 ms)及軸位T2WI(TR 3 500 ms，TE 85 ms)；以單次激發(fā)SE-EPI序列采集DWI圖像，b=0、1 000 s/mm2，TR 4 000 ms，TE 106 ms，由設(shè)備自帶后處理軟件分析DWI數(shù)據(jù)后生成ADC圖；掃描層厚均為5.5 mm，層間距1.3 mm，F(xiàn)OV 230 mm×230 mm。之后以2～3 ml/s流率按劑量0.1 mmol/kg體質(zhì)量經(jīng)肘靜脈注入釓噴酸葡胺行增強(qiáng)掃描，參數(shù)：TR 2 000 ms，TE 42 ms，層厚5.5 mm，層間距1.3 mm，F(xiàn)OV 230 mm×230 mm。

1.3 圖像分析 以“DICOM”格式從工作站導(dǎo)出所有圖像，調(diào)整窗寬、窗位。選擇增強(qiáng)T1WI及ADC圖像行紋理特征分析。以增強(qiáng)T1WI為參照，在圖像顯示病灶最大層面，通過MaZda軟件(Version 4.6)，避開病灶周圍水腫區(qū)域、血管、增強(qiáng)的腦膜及靜脈竇等，沿病灶邊緣手動(dòng)勾畫ROI(包括壞死、囊變及出血區(qū)，圖1、2)，軟件自動(dòng)生成包括角二次矩能量(簡稱能量)、熵、對(duì)比、相關(guān)及逆差矩在內(nèi)的多項(xiàng)紋理特征參數(shù)；重復(fù)3次，以平均值為最終結(jié)果。

1.4 統(tǒng)計(jì)學(xué)分析 采用SPSS 20.0統(tǒng)計(jì)分析軟件。正態(tài)分布計(jì)量資料以±s表示，采用獨(dú)立樣本t檢驗(yàn)比較組間差異；以中位數(shù)(上下四分位數(shù))表示偏態(tài)分布資料，采用Mann-WhitneyU檢驗(yàn)進(jìn)行比較。以差異有統(tǒng)計(jì)學(xué)意義的紋理參數(shù)作為自變量，GBM和PCNSL為分類變量，采用enter法選擇變量，建立Logistic回歸模型，繪制ROC曲線并計(jì)算AUC，評(píng)估增強(qiáng)T1WI及ADC圖像的紋理參數(shù)及Logistic回歸模型對(duì)GBM與PCNSL的鑒別診斷效能。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

GBM組與PCNSL組間增強(qiáng)T1WI紋理特征參數(shù)中能量、對(duì)比、相關(guān)、熵，ADC圖像紋理特征參數(shù)中能量、相關(guān)、熵差異均有統(tǒng)計(jì)學(xué)意義(P均<0.01)，見表1、2。將上述組間差異有統(tǒng)計(jì)學(xué)意義的參數(shù)納入二元Logistic回歸分析，得到Logistic回歸模型：p=1/(1+e-x)，其中x=13.29+82.52×能量(增強(qiáng)T1WI)-7.04×相關(guān)(增強(qiáng)T1WI)-3.25×熵(增強(qiáng)T1WI)-7.15×相關(guān)(ADC)。 ROC曲線結(jié)果顯示，增強(qiáng)T1WI紋理參數(shù)中，熵的約登指數(shù)最大，為0.56，鑒別GBM與PCNSL的效能最強(qiáng)，AUC為0.81，敏感度為78.26%，特異度為77.78%；ADC圖像紋理參數(shù)中亦以熵的約登指數(shù)最大，為0.38，鑒別GBM與PCNSL的效能最強(qiáng)，AUC為0.72，敏感度為56.52%，特異度為80.56%；Logistic回歸模型鑒別診斷GBM與PCNSL的AUC為0.92，敏感度為91.30%，特異度為83.33%。見表3、圖3。

圖1 患者男，55歲，GBM A.軸位增強(qiáng)T1WI； B.手動(dòng)勾畫ROI 圖2 患者女，64歲，PCNSL A.軸位增強(qiáng)T1WI； B.手動(dòng)勾畫ROI

3 討論

GBM是惡性程度最高的膠質(zhì)瘤，多發(fā)生于50歲以上的中老年人。PCNSL是少見且高度惡性的非霍奇金淋巴瘤，發(fā)病高峰年齡為40～50歲。對(duì)于GBM，首選治療方法為最大限度將腫瘤安全切除后給予替莫唑胺化學(xué)治療并輔助放射治療[5]；而對(duì)PCNSL，手術(shù)對(duì)預(yù)后的改善并不明顯，還可能增加神經(jīng)功能損害風(fēng)險(xiǎn)[6]，通常首先采用氨甲蝶呤為主的化學(xué)治療聯(lián)合放射治療[7]，但緩解持續(xù)時(shí)間通常較短。明確鑒別診斷對(duì)于選擇治療方案意義重大。

GBM和PCNSL的生物學(xué)行為使其具有不同的影像學(xué)特征，但存在部分重疊，常規(guī)MRI難以區(qū)分。GBM血供豐富，腫瘤進(jìn)展快，增強(qiáng)掃描多呈不規(guī)則花環(huán)樣強(qiáng)化；實(shí)性、無明顯壞死者可與PCNSL相似。PCNSL T1WI可表現(xiàn)為腦灰質(zhì)樣等信號(hào)或稍低信號(hào)，T2WI等信號(hào)或稍高信號(hào)，類似腦膜瘤樣腦灰質(zhì)信號(hào)，增強(qiáng)掃描可見握拳征、開環(huán)征、臍凹征、棘征及蝶翼征等；病灶中心出現(xiàn)囊變、壞死時(shí)，可與GBM相似。

紋理分析技術(shù)不依賴影像學(xué)醫(yī)師的經(jīng)驗(yàn)及主觀判斷，可全方位、客觀、穩(wěn)定及無創(chuàng)分析腫瘤固有的生物學(xué)特征，檢測人類視覺系統(tǒng)無法觀察到的腦腫瘤異質(zhì)性變化。紋理參數(shù)是病灶的固有屬性特征，可反映組織生理病理變化；不同病灶的病理類型不同，即便影像學(xué)表現(xiàn)相似，其紋理特征也存在差異[8-9]。隨著紋理分析技術(shù)的推廣及應(yīng)用，目前基于MRI的紋理分析已用于顱內(nèi)腫瘤分級(jí)[10]、鑒別診斷[11]和治療后效果評(píng)估[12]等方面。GLCM為灰度級(jí)空間依賴矩陣，除反映圖像灰度信息外，還可表達(dá)特定像素值在給定空間關(guān)系中的出現(xiàn)頻率。本研究基于GBM與PSNCL腫瘤生物學(xué)行為及病理類型不同，嘗試通過紋理分析技術(shù)加以鑒別。本研究增強(qiáng)T1WI中的能量、熵、對(duì)比、相關(guān)，ADC圖像中的能量、相關(guān)、熵組間差異有統(tǒng)計(jì)學(xué)意義，提示增強(qiáng)T1WI能提取更多紋理特征信息。增強(qiáng)T1WI中能量和熵對(duì)鑒別診斷GBM與PSNCL的AUC分別為0.76、0.81，均高于ADC圖像能量和熵的AUC(分別為0.69、0.72)，可能是因?yàn)樵鰪?qiáng)圖像具有灌注及強(qiáng)化特征等信息，且組織間對(duì)比度更為明顯。

表1 2組增強(qiáng)T1WI紋理特征參數(shù)比較

表2 2組ADC紋理特征參數(shù)比較

表3 紋理參數(shù)及回歸模型鑒別診斷GBM與PCNSL的ROC曲線結(jié)果

圖3 紋理參數(shù)及回歸模型鑒別診斷GBM與PCNSL的ROC曲線

能量反映圖像灰度均勻分布度及紋理粗細(xì)度，灰度分布均勻、規(guī)則且顆粒較粗時(shí)，能量值大，反之則小。對(duì)比反映相鄰像素灰度反差程度和紋理溝紋深淺度，紋理溝紋越深，其值越大。相關(guān)用于評(píng)估圖像紋理局部變化，反映圖像中局部紋理灰度的相似性和一致性，即紋理趨勢。熵代表灰度分布的不可預(yù)測性及復(fù)雜性，熵值較大意味著其內(nèi)元素分布比較分散、紊亂，提示腫瘤內(nèi)紋理信息越復(fù)雜。本研究增強(qiáng)T1WI紋理參數(shù)中，GBM組的能量小于PCNSL組，GBM組的對(duì)比、相關(guān)、熵大于PCNSL組；ADC圖像紋理參數(shù)中，GBM組的能量小于PCNSL組，GBM組的相關(guān)、熵大于PCNSL組，多數(shù)紋理參數(shù)值并未隨圖像采集方式改變而改變。GBM常發(fā)生囊變、壞死及出血，灰度分布不均勻、反差大，且紋理相對(duì)紊亂、復(fù)雜，惡性度高、異質(zhì)性強(qiáng)；而PCNSL紋理相對(duì)均質(zhì)，異質(zhì)性較低；故2種腫瘤的相關(guān)紋理參數(shù)存在差異。

本研究中以單項(xiàng)紋理參數(shù)鑒別GBM與PCNSL的敏感度及特異度均不高，以增強(qiáng)T1WI中熵的AUC最大，為0.81，提示紋理參數(shù)熵可提供較多診斷信息，與王敏紅等[13]研究結(jié)果一致；基于各項(xiàng)紋理參數(shù)的Logistic回歸模型鑒別2種腫瘤的診斷效能均高于各單項(xiàng)紋理參數(shù)，鑒別診斷GBM與PCNSL的AUC為0.92，敏感度為91.30%，特異度為83.33%。

本研究的主要不足之處：①僅分析腫塊最大層面圖像，未納入腫塊全部信息；②樣本量偏小，可能存在選擇偏倚；③采用手動(dòng)勾畫ROI，而部分腫塊邊界難以界定，影響到勾畫的準(zhǔn)確性，可能使紋理參數(shù)測量值存在偏差；④僅針對(duì)增強(qiáng)T1WI及ADC圖像進(jìn)行分析，未分析其他序列的MR圖像；⑤應(yīng)用對(duì)比劑， 增加了不良反應(yīng)風(fēng)險(xiǎn)。

綜上所述，基于GLCM的紋理特征分析有助于鑒別診斷GBM與PCNSL。隨著人工智能的開發(fā)及應(yīng)用，紋理分析技術(shù)的價(jià)值將進(jìn)一步得到體現(xiàn)。