基于CT平掃圖像紋理分析預測高血壓腦出血早期血腫擴大的可行性研究

江瑞信，葉浩翊，劉志鋒，阮耀欽，申忱，伍志華

高血壓腦出血患者約28%～70%可發生早期血腫擴大，并且是病情早期迅速惡化的主要原因［1］。超急性期及時行臨床干預，可以預防血腫擴大與改善患者預后［2］。然而，目前臨床對高血壓腦出血患者預后評估常用主觀性較強的神經功能評分，另外鎮靜藥物或亞低溫亦會影響神經功能評分結果［3］。尋找一種客觀的精準的評估方法尤為迫切。基于CT圖像的紋理分析可對圖像中像素的分布量化，從而獲取不同性質病灶的紋理特征［4，5］。本研究擬探討基于頭顱CT平掃圖像紋理分析預測高血壓腦出血患者早期血腫擴大的可行性。

1 資料與方法

1.1 一般資料

回顧分析2019年8月～2020年5月在我院74例行頭顱CT平掃圖像、血糖、血壓、格拉斯哥昏迷評分（GCS）、腦出血家族史等資料，并確診為高血壓腦出血，且24小時復查頭顱CT平掃，并記錄所有患者入院CT檢查前血糖、收縮壓、舒張壓、格拉斯哥昏迷評分（GCS）。入組標準：①高血壓病史；②CT確診為腦出血患者。排除標準：外傷性腦出血、腦腫瘤、血管病變等患者。本研究已通過醫院倫理委員會審核，所有參與患者均簽署知情同意書。

1.2 分組方法與設備

1.2.1 分組方法 腦血腫早期擴大：24小時復查CT血腫體積超過基線CT的33%或6 mL。根據血腫是否擴大分兩組，A組：血腫擴大，B組：血腫無擴大。

1.2.2 設備使用西門子64排128層螺旋CT，層厚0.625 mm，螺距0.9，FOV：12 cm×12 cm，自動mAs技術，120 kV管電壓，機架轉運速度2 r/s。

1.3 血腫征象與體積測量

由2名高年資CT診斷醫師在西門子后處理工作站獨立測量，選取血腫層面為3D-ROI（圖1），測量結果取兩者平均值。血腫征象評估包括黑洞征、漩渦征、混合征、島征：“黑洞征”定義為血腫內相對高密度區域完全包裹相對低密度區域，后者可呈圓形、橢圓形或短棒狀，邊界清楚且不與周圍腦組織相連。“漩渦征”定義為血腫高密度區內的低密度區或等密度區，其形狀變化多樣，可以是圓形、條狀或不規則形狀等。“混合征”定義為血腫內同時存在相對高密度和低密度區域，二者之間界限明確，CT值相差18 HU以上。“島征”定義為平掃CT上血腫周邊的小血腫，要求個數為3及以上；如全部或部分與血腫相連，要求個數為4個或以上。

1.4 紋理特征提取

使用Omni-Kinetics軟件勾畫血腫3D-ROI，并提取67個紋理特征，包括灰度直方圖、空間灰度共生矩陣和灰度游程步長矩陣等。

1.5 統計學分析

采用SPSS19軟件統計，計量資料進行正態性檢驗，符合正態分布采用獨立樣本t檢驗，用均數與標準差表示（x±s）；不符合正態分布采用秩和檢驗，用中位數與四分位間距表示M（Q1，Q3）。臨床資料比較采用卡方檢驗進，P＜0.05為差異有統計學意義。紋理特征值使用一致性檢驗，ICC＞0.8，為診斷試驗的可重復性較好。對單因素分析具有統計學差異的參數納入二元Logistics回歸分析，運用受試者工作特征曲線（ROC）分析診斷效能。

2 結果

兩組臨床資料結果如表1。首診CT平掃圖像共提取67個紋理特征，其中兩組ICC＞0.8的特征比較如表2。二元logistics回歸方程結果顯示sumEntropy與Compactness為高血壓腦出血患者早期血腫擴大的獨立風險因素（表4），其預測模型為：Logit（P）=-43.929+sumEntropy×81.731+Compactness×-1.300，Logit（P）的ROC曲線下面積為0.921，取閾值為0.694時，敏感度90.5%，特異性83.0%。

表1 兩組患者一般資料比較（x±s）

3 討論

本研究比較兩組患者血腫基于CT圖像的紋理特征，發現A組患者sumEntropy特征值明顯低于B組，而Compactness特征值明顯高于B組。二元Logistics回歸分析結果顯示以上兩個紋理特征早期血腫擴大的獨立風險因素。

腦血腫形成是不斷地從紅細胞懸液到血凝塊形成的過程，這是血腫密度異質性的病理基礎［6］。基于CT平掃圖像紋理分析是近年來新興的一種圖像分析技術，通過提取圖像紋理特征而獲取一系列肉眼無法識別的異質性參數，可以對不同血腫類型內部的紋理特征進行可視化提取，達到預測早期血腫擴大的目的［7］。本研究中A組患者高階特征sumEntropy明顯低于B組，當高血壓腦出血出現一個或多個活動性出血點時，新鮮出血與穩定血腫的位置和出血量不斷變化，在CT圖像上反映血腫的異質性的紋理特征（如：灰度直方圖分布的對稱性、紋理的粗細及均勻度等）亦不斷變化［8］。李惠［9］等108例腦出血早期血腫擴大的影像組學研究發現多個高階特征皆可以預測血腫早期擴大，最高AUC為0.9060，結果與本研究類似，但本研究建立多因素logistics回歸預測模型其AUC可達0.921。本研究中基于多紋理參數建立logistics回歸方程結果顯示sumEntropy、Compactness2為高血壓腦出血早期血腫擴大的獨立風險因素，并且以預測模型為：Logit（P）=-43.929+sumEntropy×81.731+Compactness×-1.300，Logit（P）的ROC曲線下面積為0.921，取閾值為0.694時，敏感度及特異性分別為（90.5%、83.0%）。傅璠［10］等對80例腦出血患者進行回顧性分析發現，黑洞征、衛星征可判斷高血壓腦出血早期血腫擴大，本研究中黑洞征、混合征、島征、漩渦征均不具有統計學意義，表明單純CT征象預測腦出血早期血腫擴大存在主觀因素影響大、可重復性不強的問題，本研究采用圖像紋理特征為定量數據，可更加客觀評估CT圖像信息，因此，我們認為基于CT平掃圖像的紋理分析能夠預測血腫擴大。本次研究的不足主要在于樣本容量偏小且ROI為純血腫區域，其次對于高血壓腦出血水腫范圍的紋理分析需要進一步研究。

表2 兩組患者差異具有統計學意義紋理特征比較 M（Q1，Q3）

表3 CT平掃圖像征象主觀評價結果

表4 CT平掃圖像紋理特征參數二元logistics回歸分析

圖1 男性高血壓患者，65歲，右側基底節區腦出血。勾畫血腫3D-ROI提取紋理特征

圖2 A：男性，62歲，CT平掃圖像為混合征，未發生腦出血早期擴大；B：男性，77歲CT平掃圖像為為島征，發生腦出血早期擴大；C：男性，68歲CT平掃圖像為為黑洞征，發生腦出血早期擴大；D：女性，71歲CT平掃圖像為為漩渦征，未發生腦出血早期擴大。

圖3 單因素分析具有統計學意義的參數與Logistics回歸模型ROC圖其中預測模型診斷效能最佳

綜上所述，基于CT平掃圖像紋理分析有助于預測高血壓腦出血早期血腫擴大，且預測模型判斷高血壓腦出血早期血腫擴大效能最高。