腦膜瘤分級分型影像學研究進展

韓濤，周俊林

作者單位：1.蘭州大學第二醫院放射科，蘭州 730030；2.蘭州大學第二臨床醫學院，蘭州 730000；3.甘肅省醫學影像重點實驗室，蘭州 730030

腦膜瘤常起源于蛛網膜帽狀細胞，是中樞神經系統第二大常見腫瘤[1]，僅次于膠質瘤，占所有顱內腫瘤的36.7%[2]。根據組織病理學特征，WHO 將腦膜瘤分為3 個級別，15 種亞型[3]，良性腦膜瘤(WHOⅠ級，9個亞型，約占65%～80%)，多數生長緩慢，術后不易復發；非典型腦膜瘤(WHOⅡ級，3 個亞型，約占20%～35%)和惡性腦膜瘤(WHO Ⅲ級，3 個亞型，約占3%)，侵襲性高，分化差，易復發和轉移。既往研究[4]表明與WHOⅡ級相比，WHO Ⅲ級腦膜瘤具有更高的侵襲性且預后差(總生存期為2～3 年)。良性腦膜瘤可保守治療，惡性腦膜瘤以手術聯合放化療為主。因此，術前準確分級分型，可減少不必要的手術風險和患者的經濟負擔。隨著影像技術的不斷發展，不同級別腦膜瘤的影像特征得以細化，可以更好地指導臨床，下面將從CT、MR功能成像、分子影像及人工智能等影像新技術方面對腦膜瘤分級分型進行綜述。

1 CT影像在腦膜瘤術前分級分型中的應用

1.1 能譜CT

CT 是腦腫瘤的常用檢查方法，CT 平掃及增強通過腫瘤的形態、密度及血供情況等對腦膜瘤的診斷和鑒別診斷有一定的價值。能譜CT 以多參數、多個單一能量成像為特點，通過單能量圖像、能譜曲線、直方圖和有效原子序數圖等參數提供更多的組織病理學信息[5]，對病灶進行定量定性分析。能譜CT彌補了傳統CT定性診斷中樞神經系統腫瘤的局限性，對顱內腫瘤的診斷有重要臨床價值。岳松虹等[6]研究發現CT能譜成像中低能量水平(40～70 keV)對應的單能量CT值及能譜衰減曲線斜率對腦膜瘤的分級診斷有顯著價值；病灶在低能量水平(40～60 keV)測得的單能量CT 值有助于WHOⅠ級腦膜瘤分型。

1.2 CT灌注

CT 灌注成像可測量腦膜瘤、對側腦組織及不同級別腦膜瘤局部組織血液灌注[7]，其灌注狀態與腫瘤微血管密度密切相關，了解血流動力學變化，揭示腫瘤病理生理學特征，對明確腫瘤的性質、治療方案的選擇提供依據。典型腦膜瘤表現為類圓形均勻紅色高灌注；不典型腦膜瘤可見小片狀低灌注區，提示壞死；惡性腦膜瘤壞死、囊變明顯，呈藍綠色或黑色。既往研究發現[7-8]腦膜瘤灌注程度與組織學類型有關，血管瘤型腦膜瘤血供豐富，腦血容量(cerebral blood volume，CBV)和腦血流量(cerebral blood flow，CBF)明顯高于其他亞型，而平均通過時間(mean transit time，MTT)較低。纖維型腦膜瘤的CBF、CBV 在各型腦膜瘤中最低，呈等灌注表現，與其組織病理學中以成纖維細胞增生為主，結構緊密，血供相對較少有關。不同亞型之間的表面通透性(permeability surface，PS)差異有統計學意義，尤以血供豐富的血管瘤型腦膜瘤PS值高。張永生等[9]研究發現CT灌注成像腦膜瘤臨床診斷分型符合率達91.03%，可用于診斷不同類型腦膜瘤。

雖然CT成像技術已廣泛用于發現和診斷腦膜瘤,但是鑒別良惡性仍存在一定的困難，良性和惡性腦膜瘤的各種亞型，通過CT檢查很難做出準確的診斷。

2 MRI在腦膜瘤術前分級分型中的應用

常規MRI 檢查是診斷腦膜瘤的有效手段，可以明確腫瘤發生的部位、形態和數目等特征以及病變向鄰近腦實質侵犯的程度和范圍，典型腦膜瘤呈等或(和)稍長T1、等或(和)稍長T2 信號，常可顯示完整的包膜。增強掃描因腫瘤內部新生血管通透性不同呈不同程度強化，由于腫瘤組織的強化程度與腫瘤的惡性程度不完全一致,導致MRI 常規檢查在腦膜瘤分級分型方面仍存在一定的困難。近年來，MRI 新技術的出現，能夠幫助臨床診斷腦膜瘤并預測及評估腫瘤預后。

2.1 MRI灌注

MR 灌注成像反映活體組織微血管及局部血流灌注情況[10]，其定量評價指標包括平均通過時間、腦血流量、腦血容量[11-12]等，以相對腦血容量在臨床上應用較為廣泛。腦膜瘤屬于顱內腦外腫瘤，無血腦屏障，CBV 表現為高灌注[13]。惡性腦膜瘤的rCBV平均值高于良性腦膜瘤[14]。良性腦膜瘤各組織亞型rCBV 平均值由高到低為血管瘤型＞腦膜皮細胞型＞過渡型＞纖維細胞型，rMTT 平均值由高到低為血管瘤型＞腦膜皮細胞型＞纖維細胞型和過渡型[15]。Zikou 等[16]研究31 例WHOⅠ級腦膜瘤和8 例WHO Ⅱ、Ⅲ級腦膜瘤，發現病灶/正常腦組織rCBV 和瘤周/正常腦組織rCBV 有助于鑒別Ⅰ級和Ⅱ、Ⅲ級腦膜瘤。動脈自旋標記(arterial spin labeling，ASL)CBF 圖的定性評價有助于鑒別顱內良性腦膜瘤(WHOⅠ級)與較高級別(WHO Ⅱ、Ⅲ級)腦膜瘤[17]。既往研究[18]表明瘤周水腫最大rCBV 為2.5 mL/100 g 時鑒別良、惡性腦膜瘤的敏感度為75%，特異度為84.6%，準確度為83.3%。Todua 等[19]對術前行灌注加權成像(perfusion weighted imaging，PWI)檢查的29 例腦膜瘤患者研究發現，PWI 有助于鑒別良、惡性腦膜瘤，瘤周水腫的最大rCBV 和相應的rMTE 值隨腫瘤分級的不同而不同。

總之，MRI 灌注能綜合評價組織灌注、血容量及血管的滲透性，有助于術前評估腦膜瘤微血管狀態，PWI 可作為研究腦膜瘤分級和進展的有用影像學指標。

2.2 MRI擴散成像技術

磁共振擴散成像是在平面回波成像技術基礎上發展而來的一種新的成像方法，可以定量測量平均表觀擴散系數(apparent diffusion coefficient，ADC)及部分各向異性分數(fractional anisotropy，FA)[12]，獲得體素內水分子的各向異性程度和擴散情況，FA清晰的顯示白質纖維的形態、與周圍組織的解剖關系。平均擴散峰度(mean kurtosis，MK)通過間接預測細胞增殖情況，在腦膜瘤分級上有更大的潛力。

擴散加權成像(diffusion weighted imaging，DWI)是一種基于測量組織內水分子擴散的非侵入性技術，它提供了組織的微觀結構信息，這對腫瘤的術前分級很重要。既往研究表明腦膜瘤的ADC 值與其組織學分級、腫瘤細胞計數、腫瘤增殖指數呈負相關[18-19]，對腦膜瘤分級有意義的獨立因素是腦膜瘤的ADCmin值，即腦膜瘤ADCmin低，b值高，提示腦膜瘤為高級別腦膜瘤，Ⅱ、Ⅲ級腦膜瘤的ADC均值低于Ⅰ級腦膜瘤，ADC均值可用于鑒別良性腦膜瘤和不典型惡性腦膜瘤。Surov 等[20]研究49例腦膜瘤，發現Ⅱ、Ⅲ級腦膜瘤的ADC均值低于Ⅰ級腦膜瘤，ADC均值與腫瘤增殖指數呈負相關，ADCmin與腫瘤細胞計數呈負相關，ADC均值可用于鑒別良性腫瘤和不典型/惡性腫瘤。有人研究[21]389 例腦膜瘤發現閾值ADC 值為0.85×10-3mm2/s可以區分Ⅰ級腦膜瘤和Ⅱ、Ⅲ級腦膜瘤。有人研究[17]發現Ⅰ級腦膜瘤的FA 值明顯高于Ⅱ、Ⅲ級腦膜瘤。擴散峰度成像(diffusion kurtosis imaging，DKI)是一種先進的非高斯擴散成像技術。作為DTI 的延伸，它能更好地表征病理組織的微結構復雜性[22]。DKI提供傳統的擴散張量度量，包括各向異性分數(fractional anisotropy，FA)和平均擴散率(mean diffusion，MD)，并生成額外的峰度度量，Xing 等[23]研究發現MK 取0.875×10-3mm2/s 時，鑒別良惡性腦膜瘤的敏感度和特異度分別為70%和89%，曲線下面積為0.780。DKI直方圖分析有助于腦膜瘤分級和亞型的鑒別。MK 的第90 個百分位數可作為預測腦膜瘤分級的最佳參數，DKI 直方圖各參數與Ki-67標記指數呈正相關(P＜0.05)[24]。

腦膜瘤患者術前行磁共振擴散成像，結合ADC 值、FA 值、MK 有助于術前評估腦膜瘤良惡性、腫瘤與周圍白質纖維解剖關系，指導手術及評估預后。由ADCmin、FA 值等組成的MRI 擴散參數聯合應用可以鑒別高級別和低級別腦膜瘤，診斷準確率為96.2%。

2.3 MRS

磁共振波譜(magnetic resonance spectroscopy，MRS)是基于MRI 的又一新型功能分析診斷方法，通過腫瘤內部組織細胞代謝反映其病理改變，有助于腫瘤性病變的超早期診斷和監測。常用代謝物包括N-乙酰天冬氨酸(N-acetylaspartic acid，NAA)、肌酸(creatine，Cr)和膽堿(choline，Cho)[25]，腦膜瘤屬于腦外腫瘤，不含神經元，常表現為高膽堿峰，NAA 和Cr 峰檢測不到，以此鑒別星型細胞瘤；丙氨酸缺失可作為診斷腦膜瘤的另一重要特征。

Lin 等[26]研究13 例高度惡性腦膜瘤(WHO Ⅱ、Ⅲ級)和22 例低度惡性腦膜瘤(WHOⅠ級)，結果表明Cho/NAA 在高級別和低級別腦膜瘤之間有顯著差異。1H-MRS定量分析有助于鑒別腦膜瘤的不同亞型[27]。既往研究發現[28-29]，良性腦膜瘤與惡性腦膜瘤相比，Cr濃度升高，Cho濃度和Cho/Cr比值降低，良性腦膜瘤各亞型間代謝產物NAA、Cho無明顯差異，而Cr濃度、NAA/Cr、Cho/Cr、NAA/Cho 比 值 有 顯 著 差 異。Chernov 等[30]認為1H-MRS 雖然可用于高增殖活性腦膜瘤的鑒別診斷，但不能為這些腫瘤的其他惡性放射學預測指標增加實質性的診斷信息。既往研究結果存在差異，可能與病例較少有關。

MRS可以反映腦膜瘤患者的病理生理及生物代謝情況，有效地檢測出神經遞質、氨基酸代謝和脂肪代謝等微量代謝物，有助于腦膜瘤術前定性、分級診斷。

3 分子影像在腦膜瘤分級分型中的應用進展

正電子發射計算機斷層(positron emission tomography，PET)是一種分子成像技術[31]，PET 應用F-18-FDG、C-11、N-13 等顯像劑，可以顯示人體內細胞、分子或者基因水平的生物學、病理學過程，進一步實現疾病早期定量與定性診斷。PET-CT的出現，使形態影像學與功能影像學得到了良好的結合，更有利于對腦膜瘤進行全面的評價。

Okuchi等[32]比較18F-脫氧葡萄糖(18F-deoxyglucose，FDG)-PET和鉈-201 (Tl)-SPECT (single photon emission computed tomography)對腦膜瘤的分級能力，發現低級別腦膜瘤與高級別腦膜瘤之間SUVmax、SUVRmax、TURmean和TURmax均有顯著性差異；AUC 分別為0.817 (SUVmax)、0.781 (SUVRmax)、0.810 (TURmean)和0.831 (TURmax)；低、高級別腦膜瘤敏感度為72.7%、71.4%，特異度 為90.9%、87.5%。既往 研 究發 現[33]，FDG PET-CT 較MET PET-CT 對診斷WHOⅠ、Ⅱ級腦膜瘤具有較高的敏感度，FDG 和MET 攝取均可用于評估腦膜瘤的腫瘤增殖情況。18F-脫氧葡萄糖(18F-FDG)PET主要用于鑒別腦膜瘤的良、惡性。Slot等[34]的Meta 分析顯示，WHOⅡ、Ⅲ級與WHOⅠ級的平均標準化攝取值(standardized uptake value，SUV)分別為2.51 (1.36，3.66)和0.42 (0.12，0.73)，而WHOⅡ、Ⅲ級的SUV 為95%CI(1.36，3.66)，腫瘤與正常組織比率(T/N 比率)存在差異。Mitamura 等[35]發現，WHOⅡ級腦膜瘤的SUVmax和最大T/N 比率顯著高于WHOⅠ級腦膜瘤，也有研究發現WHOⅠ、Ⅱ級腦膜瘤之間無明顯差異。

18F-FDG-PET 的SUV 和T/N 比率有助于無創性鑒別腦膜瘤的良、惡性。T/N 比率對高級別腦膜瘤的診斷有較高的特異度。目前，對其他PET 示蹤劑的研究太少，無法得出明確的結論。

4 基于MRI 的影像組學與深度學習在腦膜瘤分級分型中的應用進展

影像組學可以從醫學影像圖像中提取高通量的特征對腫瘤等病變進行量化和分析，通過深度挖掘數據，建立影像與腫瘤異質性、細胞及基因水平之間的聯系，進而提供更為精準的臨床決策。目前腦膜瘤的影像組學研究多基于MR 成像方法，可以提取腫瘤形態特征、灰度直方圖特征、表征腫瘤異質性的紋理特征和高階特征等，已廣泛應用于腦膜瘤的分級分型。深度學習[36]是人工智能研究中最熱門的領域，在處理大數據和提取有效信息方面具有優勢，因此逐漸成為分析醫學影像圖像的首選方法，近年來許多學者將人工神經網絡[37](artificial neural network，ANN)應用到MR 快速成像中，為研究腦腫瘤提供了全新途徑。目前腦膜瘤定性的標準是建立在組織病理學分析的基礎上，發展一種有效的、無創的術前預測腦膜瘤分級分型的神經影像學方法具有重要意義，這將為臨床準確診斷和患者咨詢提供有價值的信息[38]。

Chu 等[39]將82 例低度惡性腦膜瘤(WHOⅠ級)和16 例高度惡性腦膜瘤(WHOⅡ級7例，WHOⅢ級9例)按7∶3的比例隨機分為訓練組和試驗組，篩選出9 個特征參數，建立了腦膜瘤分級的放射組學預測模型。發現基于增強T1WI 圖像的放射組學在腦膜瘤分級預測中有較好的臨床應用價值。Coroller等[40]研究發現放射學特征分類器和語義特征分類器能顯著預測腦膜瘤的分級，將二者結合進一步提高了分類能力。研究發現[41]基于多參數MRI 的放射組學特征的機器學習在腦膜瘤分級中能夠獲得高AUC 評分，并具有高敏感度和高特異度。Laukamp 等[42]研究發現FLAIR 形狀圓度、FLAIR/T1CE 灰度級、DWI/ADC-灰度級變異性和FLAIR/T1CE-灰度級能量四個統計獨立的放射組學特征對較高級別的腦膜瘤有最強的預測價值，在多變量Logistic 回歸模型中，這些特征的組合區分Ⅰ級和Ⅱ級腦膜瘤的AUC 為0.91。總之，基于影像組學的特征對腦膜瘤的常規分級是可行的，多因素Logistic 回歸模型具有更強的分類性能。Park 等[43]研究了136 例基于整個腫瘤體積的增強后T1 (T1 contrast，T1C)加權圖像、ADC 和FA 圖的放射組學特征在腦膜瘤分級和組織亞型鑒別中的作用，結果表明基于機器學習分類器的放射組學特征T1C、ADC及FA對腦膜瘤分級很有用。Chen等[44]從T1C圖像中提取40個紋理參數，經特征選擇和分類器建模，結果顯示基于LDA 的模型比基于SVM的模型表現出更好的診斷性能。總之，從T1C圖像中提取紋理特征的機器學習算法有可能作為腦膜瘤術前分級的輔助成像生物標志物。Hale 等[45]研究發現機器學習算法(machine learning，ML)較傳統的統計模型(如Logistic回歸)對腦膜瘤的分級更具預測性，具有更高的判別能力。Niu等[38]基于增強MRI 與放射組學對3 種亞型腦膜瘤鑒別進行了初步研究，該研究對T1C 圖像提取的385 個放射組學特征進行Fisher 判別分析，采用留一交叉驗證法對模型進行驗證。研究者將241 例3 種亞型腦膜瘤(80 例上皮性腦膜瘤，80 例纖維性腦膜瘤，81 例移行腦膜瘤)分為4 組(上皮與纖維、纖維性與移行性、上皮與移行性、上皮與纖維、移行性)，第1、2、3、4組的判別準確率分別為99.4%、98.8%、100%、100%，1、2、3、4 組留一交叉驗證結果分別為91.3%、95.0%、100%、94.2%，綜上所述，影像組學在腦膜瘤亞型的鑒別診斷中提供令人滿意的表現，因此具有潛在的臨床應用價值。

5 總結與展望

腦膜瘤術前準確分級對其預后及治療方式的選擇具有重要意義，MRI功能成像及分子影像對腦膜瘤的術前分級和診斷提供了部分信息。精準醫療已成為醫學發展的趨勢，腦膜瘤影像組學與深度學習分析是基于人工智能的一個很有前途的新研究領域，目前的研究主要集中在影像表型和腦膜瘤分級之間。隨著影像組學與深度學習分析過程中不斷克服困難，它在腦膜瘤中的應用將會有很大的擴展，從風險分層到精確的診斷、預后和治療。

作者利益沖突聲明：全體作者均聲明無利益沖突。