瘤體最大層面ADC圖紋理分析鑒別鼻腔鼻竇小圓與非小圓細(xì)胞惡性腫瘤

彭媛媛，任翠萍，程敬亮，文寶紅

(鄭州大學(xué)第一附屬醫(yī)院磁共振科，河南 鄭州 450052)

鼻腔鼻竇惡性腫瘤少見，其異質(zhì)性較高[1-2]，病理學(xué)上含小圓細(xì)胞惡性腫瘤(small round cell malignant tumor, SRCMT)與非小圓細(xì)胞惡性腫瘤(non-SRCMT)。SRCMT包括神經(jīng)外胚層腫瘤(如嗅神經(jīng)母細(xì)胞瘤)、間葉性腫瘤(如橫紋肌肉瘤及惡性黑色素瘤)、上皮性腫瘤(如神經(jīng)內(nèi)分泌癌)及淋巴造血系統(tǒng)腫瘤(如淋巴瘤及漿細(xì)胞瘤)等[3]，鱗癌及腺樣囊性癌則屬non-SRCMT。SRCMT與non-SRCMT病理學(xué)表現(xiàn)、治療方法和預(yù)后均不同，術(shù)前鑒別對臨床診治指導(dǎo)意義較大[4-5]。由DWI生成的ADC圖可反映水分子運動受限情況，評價病變性質(zhì)，有助于鑒別診斷頭頸部良惡性腫瘤[6-7]，亦可鑒別鼻腔鼻竇SRCMT與non-SRCMT[4]。本研究探討基于腫瘤最大層面ADC圖紋理特征鑒別鼻腔鼻竇SRCMT與non-SRCMT的價值。

1 資料與方法

1.1 一般資料 回顧性收集2014年3月—2020年4月經(jīng)病理確診的105例鼻腔鼻竇腫瘤患者。SRCMT 50例，男38例，女12例，年齡9～91歲，平均(48.1±22.8)歲，包括淋巴瘤18例(NK/T細(xì)胞型14例、彌漫大B細(xì)胞型4例)、橫紋肌肉瘤9例、神經(jīng)內(nèi)分泌癌5例、惡性黑色素瘤10例、嗅神經(jīng)母細(xì)胞瘤6例及漿細(xì)胞瘤2例； non-SRCMT 55例，男31例，女24例，年齡20～89歲，平均(56.6±15.5)歲，包括鱗癌36例、腺樣囊性癌19例。105例中，10例雙側(cè)病變，45例左側(cè)、50例右側(cè)單側(cè)病變，直徑均>1 cm；腫瘤中心位于鼻腔30例，上頜竇35例，篩竇34例，蝶竇6例；主要臨床表現(xiàn)包括鼻塞、血涕、疼痛、鼻中隔偏曲及異物感，晚期因累及部位不同而出現(xiàn)不同癥狀。MR檢查前患者未經(jīng)任何抗腫瘤治療，MR圖像質(zhì)量佳；剔除偽影累及病灶者。

1.2 儀器與方法 采用Siemens Skyra 3.0T超導(dǎo)MR掃描儀，相控陣頭部線圈。常規(guī)MR掃描序列及參數(shù)：軸位快速自旋回波T1W，TR 2 000 ms，TE 9 ms，矩陣256×256；軸位快速自旋回波T2W及脂肪抑制序列，TR 5 000 ms，TE 117 ms，矩陣256×256；DWI采用自旋回波-平面回波成像(spin echo-echo planar imaging, SE-EPI)序列，b值為0、1 000 s/mm2，TR 3 200 ms，TE 70 ms，矩陣160×160，反轉(zhuǎn)角90°；FOV 24 cm×24 cm，層厚5 mm，層間距1 mm。增強掃描所用對比劑為Gd-DTPA，劑量0.1 mmol/kg體質(zhì)量，注射流率2 ml/s，之后采集矢狀位、軸位及冠狀位T1WI，參數(shù)同前。

1.3 圖像處理及紋理分析 在圖像存儲與傳輸系統(tǒng)(picture archiving and communications system, PACS)調(diào)整MRI窗寬、窗位，使其保持一致，以.BMP格式保存至存儲設(shè)備。打開MaZda軟件(Version 4.6)并導(dǎo)入圖像，進(jìn)行圖像標(biāo)準(zhǔn)化(μ±3δ)；分別設(shè)SRCMT、non-SRCMT為ROI 1(紅色)，ROI 2(綠色)。參考平掃T1WI、T2WI及增強T1WI，在高b值A(chǔ)DC圖像上沿病灶邊緣手動勾畫腫瘤各層面，根據(jù)紋理分析報告，選取腫瘤最大面積層面為ROI(圖1)，生成包括灰度直方圖、共生矩陣、游程矩陣、絕對梯度、自回歸模型和小波變換等特征類型的參數(shù)報告。分別以Fisher系數(shù)、聚類偏差概率結(jié)合平均關(guān)聯(lián)系數(shù)(probability of classification error and average correction coefficient, POE+ACC)、協(xié)同信息(mutual information, MI)及其聯(lián)合采用3種方法 (MI+PA+F)篩選出10、10、10及30個最佳紋理參數(shù)，以MaZda軟件自帶B11分析工具對上述4種方法的最佳紋理參數(shù)集進(jìn)行人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)分類及1-鄰近分類分析，計算其鑒別SRCMT與non-SRCMT的錯判率；依據(jù)錯判率將分類結(jié)果分為優(yōu)秀(錯判率≤10%)、良好(10%<錯判率≤20%)、中等(20%<錯判率≤30%)、一般(30%<錯判率≤40%)和較差(錯判率>40%)[8]。

圖1 勾畫ROI示意圖 A、B及C、D.分別為SRCMT(淋巴瘤、橫紋肌肉瘤)和non-SRCMT(鱗癌、腺樣囊性癌)的ADC圖像； E、F及G、H.分別為手動勾畫的SRCMT(淋巴瘤、橫紋肌肉瘤)和non-SRCMT(鱗癌、腺樣囊性癌)的ROI 1(紅色)和ROI 2(綠色)

1.4 統(tǒng)計學(xué)分析 采用SPSS 25.0統(tǒng)計分析軟件。符合正態(tài)分布的計量資料以±s表示，否則以中位數(shù)(上下四分位數(shù))表示。采用獨立樣本t檢驗或Mann-WhitneyU檢驗進(jìn)行SRCMT與non-SRCMT組間參數(shù)比較。以ROC曲線評價相關(guān)參數(shù)鑒別診斷SRCMT與non-SRCMT的效能。P<0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

對Fisher、POE+ACC、MI、MI+PA+F篩選的特征集進(jìn)行ANN分類，所得錯判率分別為20.00%(21/105)、12.38%(13/105)、21.90%(23/105)及7.62%(8/105)；行1-鄰近分類所得錯判率分別為27.62%(29/105)、38.10%(40/105)、26.67%(28/105)及33.33%(35/105)。

以錯判率最低的ANN分類分析的MI+PA+F篩選所得30個最佳紋理參數(shù)，其中包含7個直方圖參數(shù)、18個共生矩陣參數(shù)、2個游程矩陣參數(shù)和絕對梯度參數(shù)、自回歸模型參數(shù)和小波變換參數(shù)各1個；16個參數(shù)在SRCMT與non-SRCMT組間差異均有統(tǒng)計學(xué)意義(P均<0.05)，包括6個灰度直方圖參數(shù)、9個共生矩陣參數(shù)及1個小波變換參數(shù)，見表1；相應(yīng)AUC為0.645～0.722，以灰度直方圖參數(shù)鑒別診斷效能較高，見表2。

表1 基于MI+PA+F方法篩選的SRCMT與non-SRCMT組間差異有統(tǒng)計學(xué)意義的參數(shù)

表2 紋理特征參數(shù)鑒別SRCMT與non-SRCMT的ROC曲線結(jié)果

8例被ANN分類分析MI+PA+F錯判，包括SRCMT 3例(橫紋肌肉瘤、神經(jīng)內(nèi)分泌癌及惡性黑色素瘤各1例)和non-SRCMT 5例(均為鱗癌)。

3 討論

MaZda軟件是重要的紋理分析軟件之一，所生成的大量紋理特征參數(shù)可用于診斷、鑒別診斷疾病及療效評估[9]；其自帶的B11模塊中的1-鄰近分類與ANN分類分析本質(zhì)上是機器學(xué)習(xí)方法，可實現(xiàn)紋理分析與機器學(xué)習(xí)相結(jié)合，進(jìn)而充分挖掘圖像中肉眼不可識別的特征[10-11]。1-鄰近分類表示K=1時的K鄰近分類，代表最小分類錯誤，可用于對不同疾病進(jìn)行分類、識別或鑒別，如肺癌亞型分類[12]及鑒別良惡性腫瘤[13]等。ANN是受中樞神經(jīng)系統(tǒng)啟發(fā)而研發(fā)出來的復(fù)雜非線性模型，其以自學(xué)習(xí)方式獲取輸入層數(shù)據(jù)的內(nèi)在規(guī)則，并對相關(guān)數(shù)據(jù)做出判別(錯判率)[14-15]，具有處理非線性問題能力強、處理信息速度快、自學(xué)習(xí)能力等優(yōu)勢，近年來被越來越多地用于疾病診斷、預(yù)測預(yù)后及風(fēng)險分層等[16-17]，其鑒別診斷價值甚至優(yōu)于影像科醫(yī)師主觀閱片[18]。

本研究采用MaZda軟件對ADC圖像腫瘤區(qū)域的6類293種參數(shù)(包括直方圖、灰度共生矩陣、游程檢驗、絕對梯度、自回歸模型及小波變換)進(jìn)行特征篩選及分類分析，觀察其對鼻腔鼻竇SRCMT與non-SRCMT的鑒別診斷能力；結(jié)果顯示對Fisher、POE+ACC、MI、MI+PA+F篩選出的特征集進(jìn)行ANN分類所得錯判率均小于1-鄰近分類，提示ANN分類統(tǒng)計鑒別鼻腔鼻竇SRCMT與non-SRCMT更具有優(yōu)勢。MI+PA+F特征篩選結(jié)合ANN分類分析的錯判率最低、鑒別診斷價值最佳，可能與其所含紋理特征較全面、相對其他3種方法訓(xùn)練更充分及具備最穩(wěn)定超平面權(quán)值等優(yōu)勢有關(guān)；該法鑒別SRCMT與non-SRCMT時出現(xiàn)8例錯誤判斷，其中SRCMT 3例、non-SRCMT 5例，可能與腫瘤異質(zhì)性過高，或與周圍組織對比度過高及樣本量較小致ANN過擬合有關(guān)[18-19]。

本研究對具有最小錯判率的MI+PA+F特征篩選結(jié)合ANN分類分析相應(yīng) 30個特征參數(shù)進(jìn)行組間比較，并對差異有統(tǒng)計學(xué)意義的參數(shù)進(jìn)行ROC曲線分析，結(jié)果顯示6個灰度直方圖參數(shù)、9個共生矩陣參數(shù)及1個小波變換參數(shù)共3類、16種紋理特征組間差異存在統(tǒng)計學(xué)意義，相應(yīng)AUC為0.645～0.722，以灰度直方圖參數(shù)鑒別診斷效能較好?；叶戎狈綀D參數(shù)為一階特征，描述像素值的灰度分布情況。本研究中SRCMT直方圖參數(shù)均值均小于non-SRCMT，ADC圖上SRCMT信號明顯低于non-SRCMT，與薛康康等[4]的結(jié)果相符，提示SRCMT較non-SRCMT腫瘤細(xì)胞更致密，水分子擴散更受限。直方圖參數(shù)中又以Mean和Perc.50%的鑒別診斷效能最佳，AUC均為0.722，敏感度分別為72.00%和72.73%，特異度分別為70.00%和70.91%，表明紋理分析對鑒別鼻腔鼻竇SRCMT與non-SRCMT具有一定價值，有助于治療前進(jìn)行鑒別診斷。

本研究主要不足之處：①為回顧性分析，樣本量較小，存在選擇性偏倚；②僅對腫瘤最大層面進(jìn)行紋理分析，造成部分信息缺失；③手動勾畫ROI，難以避免誤差。

綜上所述，瘤體最大層面ADC圖紋理分析可用于鑒別鼻腔鼻竇SRCMT與non-SRCMT；MI+PA+F與ANN組合錯判率最小，所獲紋理參數(shù)具有較高診斷效能。