基于常規MRI紋理分析技術鑒別良惡性軟組織腫瘤

丁治民，翟建，陳基明，俞詠梅，張崢嶸

軟組織腫瘤(soft tissue tumor，STT)種類繁多，病理類型復雜。良、惡性STT的治療方式和預后不同，確定病變形式是治療STT的首要步驟。MRI是STT的首選檢查方法，但多數STT無特異性影像表現，且良惡性STT的影像特征存在重疊[1-2]，術前定性診斷較困難。故利用新的手段鑒別良惡性STT具有實際意義，值得研究。本研究旨在探討基于常規MRI的紋理分析在STT鑒別診斷中的價值。

材料與方法

1.臨床資料

在本院數據庫搜集2015年1月-2019年9月經手術病理確診的STT患者的臨床和MRI資料。納入標準：①術前2周內行MRI掃描，掃描序列包括橫軸面T1WI、脂肪抑制質子密度加權像(fat-suppression proton density weighted imaging，FS-PDWI)、冠狀面及矢狀面FS-PDWI；②有明確病理組織學結果。排除標準：①檢查前行局部或全身治療，包括手術、放化療等；②病灶短徑小于1 cm，不利于紋理特征提取；③圖像質量不能滿足紋理分析要求。最終將91例患者納入本研究，男44例、女47例；年齡5～82歲，平均(59±12)歲。良性STT 43例，男19例、女24例；年齡9～82歲，平均(44±15)歲；包括神經鞘瘤19例、神經纖維瘤11例、腱鞘巨細胞瘤3例、血管球瘤及肌間血管瘤各2例、孤立性纖維瘤和肌內黏液瘤各1例、其它4例。惡性STT 48例，男25例、女23例；年齡5～81歲，平均(53±19)歲；包括脂肪肉瘤8例、未分化肉瘤7例、纖維肉瘤5例、滑膜肉瘤4例、侵襲性纖維瘤10例、惡性黑色素瘤2例、平滑肌肉瘤及上皮樣肉瘤各1例、多形性未分化肉瘤1例、惡性神經鞘瘤及淋巴瘤、轉移瘤各1例及其它6例。

2.檢查方法

使用GE Signa HDx 3.0T MR掃描儀，關節線圈或柔軟線圈，背部近中線區病灶使用脊柱線圈。掃描序列及參數如下。橫軸面FSE T1WI：TR 400～620 ms，TE 10～16 ms；橫軸面、冠狀及矢狀面FS-PDWI：TR 1800～3400 ms，TE 24～34 ms；層厚3～5 mm，層距2 mm，矩陣320×192～320×256，視野16 cm×16 cm～22 cm×22 cm。22例增加了T2WI、增強或顯示病灶最佳的斜位掃描。

3.紋理分析方法

從PACS工作站將所有研究對象的MRI資料以BMP格式導出用于分析，為確保研究結果的可靠性，導出時統一T1WI和FS-PDWI圖像的窗寬/窗位分別為1240/460和1050/340。由2位MRI診斷經驗豐富的高年資醫師共同選出最能顯示病灶特征的最大層面及其前后連續層面共3層圖像用于分析和測量，意見不一致時經協商達成一致。

選取顯示病灶邊界最清晰的序列確定病灶范圍，以其為標準，其它序列ROI與之保持一致。在兩位高年資醫師的指導下，由1位醫師沿病灶邊界手動勾畫ROI(圖1～2)，包括病灶最大層面及其前后各一層共3層圖像用于紋理參數的計算，取其平均值用于分析。分析軟件為MaZda軟件4.7(http://www.ele-tel.p.lodz.pl/mazda/)。為減小亮度和對比度變化對結果的影響，在提取紋理特征前，將圖像灰階在[μ-3δ，μ+3δ](μ：平均灰度值，δ：標準差)范圍進行標準化處理。利用MaZda軟件計算ROI內直方圖和灰度共生矩陣(the gray-level co-occurrencematrix, GLCM)參數，直方圖參數包括均值、變異度、偏度、峰度及第1、10、50、90和99百分位數(percentile，P)；GLCM參數包括能量、對比度、相關性、平方和、逆差矩、均和、和方差、和熵、熵、差方差和差熵。

圖1 男，62歲，左腘窩神經鞘瘤。a) 術前矢狀面FS-PDWI，顯示腫瘤呈高信號，邊界較清晰； b) MaZda軟件中ROI測量圖。 圖2 女，68歲，左大腿多形性未分化肉瘤。a) 冠狀面T1WI，顯示左大腿上段橢圓形病灶，信號不均勻，邊界尚清晰； b) MaZda軟件中ROI測量圖。

4.統計學方法

使用SPSS 22.0軟件進行統計學分析。使用Kolmogorov-Smirnov檢驗對計量資料進行正態性分析，符合正態分布的資料行Levene方差齊性檢驗，正態分布的數據采用均數±標準差來描述，偏態分布的數據用中位數(四分位間距)來描述。良、惡性組間資料的比較使用t檢驗、LSD法(方差齊)或Mann-WhitneyU檢驗(方差不齊)。定性資料進采用卡方檢驗。選擇差異有統計學意義的參數繪制ROC曲線并計算ROC下面積，確定區分良惡性STT的最佳診斷閾值，評價其診斷效能。構建基于一階及二階紋理特征的多因素Logistic回歸模型，分析得出判斷STT良、惡性的獨立預測因素。由于紋理參數間可能有較強相關性，回歸分析時共線性嚴重，故行Pearson相關性分析(相關系數界值取0.8)共線性檢驗去冗余，繪制ROC曲線評估模型的診斷效能。以P<0.05為差異有統計學意義。

結 果

1.一般資料

良惡性STT組間患者性別和年齡的差異均無統計學意義(χ2=0.566，P=0.452；t=-1.894，P=0.064)。良性和惡性STT的直徑分別為(3.35±0.89)和(3.82±1.11) cm，組間差異有統計學意義(t=-2.250，P=0.027)。

2.一階直方圖參數和二階GLCM參數

良惡性組中基于T1WI和FS-PDWI提取的一階直方圖參數值和二階GLCM參數值及組間比較結果見表1。良性組中基于T1WI和FS-PDWI測量的對比度、差方差和差熵均低于惡性組，相關性和逆差矩均高于惡性組，差異均有統計學意義(P<0.05)；其余6個GLCM參數及所有9個直方圖參數值在兩組間的差異均無統計學意義(P>0.05)。

3.診斷效能分析

對組間差異有統計學意義的5個紋理參數，進一步采用ROC曲線分析其診斷效能，結果見表2、圖3～4。其中以FS-PDWI上的對比度和相關性的鑒別效能較高。FS-PDWI上的逆差矩的診斷敏感度最高，達94.1%，但其特異度僅37.5%；而T1WI上逆差矩的診斷特異度較高，達90.5%，但其敏感度僅44.4%。基于FS-PDWI的紋理參數中，除差熵的AUC低于T1WI外，對比度、相關性、逆差矩和差方差的AUC均高于T1WI上的相應參數。

4.多因素Logistic回歸分析

以病理結果的良、惡性為因變量，采用逐步回歸分析篩選自變量，采用共線性檢驗去冗余，構建基于一階及二階紋理特征的多因素Logistic回歸模型，最終入選的變量為T1WI的差熵和FS-PDWI的差方差和差熵(P值分別為0.033、0.030和0.031)，提示上述參數是判斷STT良、惡性的獨立預測因素。基于這3個參數的Logistic回歸模型的ROC下面積為0.811，鑒別診斷的敏感度為82.4%、特異度為71.4%(圖5)。

討 論

STT好發于四肢及軀干，病種繁多，MRI是重要檢查手段，但良惡性STT影像表現有重疊，鑒別有一定困難。術前準確定性對治療方案的選擇及預后意義重大。

圖3 基于FS-PDWI和T1WI的對比度、差方差和差熵的ROC曲線，ROC下面積分別為0.853 vs. 0.761、0.807 vs. 0.723和0.710 vs. 0.714。 圖4 基于FS-PDWI和T1WI的相關性和逆差矩的ROC曲線，ROC下面積分別為0.849 vs. 0.742和0.750 vs. 0.714。 圖5 基于紋理參數的多因素Logistic回歸方程的ROC曲線，ROC下面積為0.811，敏感度為82.4%，特異度為71.4%。

表1 基于T1WI和FS-PDWI提取的良惡性STT的紋理參數值及比較結果

注：a統計量為F值；b統計量為Z值。

表2 紋理參數對良惡性STT的鑒別效能

注：括號內為95%置信區間。

紋理分析通過計算圖像中像素的灰度變化來量化腫瘤異質性[3]。 作為一種新興技術，其在影像圖像特征提取中應用廣泛，能對腫瘤的鑒別、分級及療效預測等提供量化依據[4]。MaZda軟件可對圖像中勾畫的ROI做紋理分析，常用的是一階直方圖和二階GLCM。一階紋理特征通過直方圖分析來評估ROI內像素的灰度頻率分布情況，而二階紋理特征評估像素的位置與空間關系[5]。GLCM是最常用的二階紋理特征提取方法，且被證實對多種腫瘤的治療反應有預測價值[6-7]。

本研究旨在探討基于常規MRI序列(T1WI和FS-PDWI)的紋理分析在良、惡性STT鑒別診斷中的價值。關于紋理分析對腫瘤的鑒別診斷和分級評估方面的報道多集中在中樞神經系統或腹盆腔臟器[8-9]，采用紋理分析方法來鑒別STT良惡性的相關報道較少。本研究結果顯示良惡性STT組基于T1WI和FS-PDWI的GLCM參數中，對比度、相關性、逆差矩、差方差和差熵這5個紋理參數的組間差異具有統計學意義(P均<0.05)，其余6個參數及所有9個直方圖參數的組間差異均無統計學意義(P>0.05)。在二階紋理特征中，對比度、差方差和逆差矩是反映腫瘤異質性的指標[10]，對比度或差方差的值越高，提示腫瘤的異質性越強，而逆差矩則相反，其值越高代表腫瘤越均質[10-11]。相關性與組織異質性無直接關系[10]。本研究中良性組T1WI和FS-PDWI上的對比度和差方差均低于惡性組，相關性和逆差矩均高于惡性組，提示惡性STT的異質性更明顯，紋理特征更復雜。本研究結果與以往對宮頸癌及直腸癌等其它部位腫瘤的紋理分析結果基本一致[12-14]。熵作為描述病變異質性的代表性紋理參數之一，已有較多研究證實其對良惡性病變的鑒別具有較高價值，它反應病灶的非均勻程度，熵值大提示病變異質性強[15-16]。本研究結果示良性STT的熵、和熵及差熵的均值均較惡性組低，但僅差熵在良惡性STT間的差異有統計學意義，與文獻報道不完全一致[12-16]。筆者分析原因可能是上述研究的病灶都集中于某一特定部位，病變組織起源單一，而本研究中STT的部位分布廣泛，種類繁多，病理組織學類型復雜多樣，導致紋理特征的分布更加無規律且在良惡性STT間有重疊。除差熵外，基于FS-PDWI的對比度、相關性、逆差矩和差方差的ROC下面積(AUC)均高于T1WI上相應參數，其中以對比度的AUC最大，提示在良惡性STT的鑒別中，總體而言FS-PDWI優于T1WI。可能的原因是FS-PDWI的信噪比較高，減少了T1和T2效應的影響，突出組織的質子密度，含有更多細節信息。多因素Logistic回歸分析進一步篩選出預測STT良惡性的影響因素，采用Pearson相關性分析共線性檢驗去冗余后，基于T1WI的差熵和FS-PDWI的差方差、差熵構建的Logistic回歸模型提高了鑒別診斷效能。

本研究分析了基于T1WI和FS-PDWI的直方圖參數和GLCM參數，結果顯示所有9個直方圖參數在良惡性STT組間的差異均無統計學意義(P>0.05)。Chee等[14]的研究結果亦顯示直腸癌新輔助放化療后的反應組與無反應組的基線ADC圖上的一階紋理參數間的差異無統計學意義。分析原因可能是一階紋理參數只能分析ROI內像素的灰度頻率分布情況，而不能像二階參數那樣能評估腫瘤內的空間與位置關系，因此在反映STT異質性方面不及二階紋理參數。

紋理分析可無創性地為STT定性提供額外的輔助診斷信息，且無需額外的掃描序列及時間。除了腫瘤實質，考慮到壞死、囊變、出血等也是腫瘤的特征，故本研究ROI覆蓋了腫瘤輪廓之內的所有部分，且選擇了病灶最大層面及其前后各一層共3層圖像的ROI用于紋理參數的計算，取其平均值用于分析，這樣既可以更加客觀全面地反映腫瘤的不均質性，也可盡量避免局部選擇性勾畫ROI造成的抽樣誤差，為腫瘤的鑒別提供更多定量信息[17]。

本研究的局限性：第一，STT的組織學分型繁多，本研究只將STT按良、惡性分成兩組進行分析比較，未做各病理亞型之間的比較，在今后可行不同組織學類型STT的比較分析；第二，由于STT發病部位的廣泛性和特殊性，部分部位的病灶沒有合適的線圈或恰當的體位，造成圖像分辨率較低，而且常規平掃時部分病灶與鄰近組織間的信號差異不大，因而較難明確界定腫瘤的邊界，部分病例參照了對比增強T1WI或T2WI來界定腫瘤的范圍，但難以避免不同序列的圖像間的配準問題，擬在今后的研究中引入圖像融合技術加以解決。

綜上所述，基于常規MRI序列(T1WI和FS-PDWI)的紋理參數(對比、相關、逆差矩、差方差、差熵)能為STT良惡性的鑒別提供參考，尤其是基于FS-PDWI的紋理參數中的對比度具有較高的診斷效能。基于T1WI的差熵和FS-PDWI的差方差、差熵構建的Logistic回歸模型具有較好的鑒別診斷效能。