基于灰度共生矩陣鑒別前庭神經鞘瘤和橋小腦角區腦膜瘤的應用價值

鞠文萍，梁潔，王現亮，彭雪婷，王劍飛*

作者單位：1.濰坊市人民醫院放射科，濰坊 261041；2.濰坊醫學院醫學影像學院，濰坊 261053

前庭神經鞘瘤(vestibular schwannoma，VS)與腦膜瘤是橋小腦角區(cerebellopontine angle，CPA)最為常見的兩類腫瘤，分別占CPA 腫瘤的70%～90%和5%～10%[1-3]。VS 俗稱聽神經瘤，絕大部分聽神經瘤起源于前庭神經鞘膜，只有極個別起源于耳蝸神經鞘膜，所以用VS 的稱謂更為嚴格、準確[4-6]。橋小腦角區腦膜瘤(cerebellopontine angle meningioma，CPAM)大多起源于巖骨后表面或巖骨-天幕交界處的蛛網膜顆粒，有學者[7]發現蛛網膜顆粒也存在于顱神經出口孔，沿顱神經孔分布，因此CPAM 可延伸至內聽道，也可原發于內聽道內[8-9]，造成內聽道擴大，這給兩種疾病的鑒別增加了困難。在影像學表現上兩者信號相似，VS更易囊變及微小出血，而腦膜瘤可有鈣化，強化更為均勻，可有硬膜尾征[10]。上述影像學表現有助于鑒別兩者，但這些影像學表現又是非特異性的[11-12]，當影像學表現不典型時，兩者鑒別診斷的難度增大，甚至無法鑒別[13](圖1、2)。由于兩種疾病的治療方法、預后及手術方式不同，所以術前準確的鑒別診斷可以為臨床提供重要參考價值[14-15]。灰度共生矩陣(gray-level co-occurrence matrix，GLCM)是最常用的二階紋理分析方法，通過描述兩個相鄰像素強度之間的關系，來反映病變的異質性，從而對人眼不能分辨的圖像內部特征進行定量描述[16]。近幾年有學者[15]應用紋理分析來鑒別CPA這兩種病變，但大部分都是選用單一序列或應用一階(直方圖)紋理分析方法，尋找最優的紋理特征參數及序列是當前研究的重點及難點。經查閱國內外文獻，未見相關報道，本研究首次探討GLCM在VS與CPAM鑒別診斷中的價值。

圖1 女，54 歲，右側橋小腦角區腦膜瘤。T1WI 呈等稍低信號，T2WI 呈等稍高信號，FLAIR 為稍高信號，增強掃描明顯均勻強化。 圖2 男，30 歲，左側前庭神經鞘瘤。T1WI 呈混雜低信號，T2WI 呈混雜高信號，FLAIR為高信號，增強掃描明顯不均勻強化。

1 材料與方法

1.1 一般資料

回顧性分析濰坊市人民醫院2020年1月至2021年6月符合以下標準的住院患者資料。納入標準：(1)手術病理證實為VS 或CPAM；(2)術前14 天內接受顱腦MRI 平掃+強化檢查。排除標準：(1)圖像存在偽影，不符合診斷及進一步圖像分析要求；(2)完全囊變的VS；(3)檢查前接受過放療、化療等其他治療。共41 例患者納入研究，其中23 例VS，18 例CPAM。本研究經濰坊市人民醫院醫學倫理委員會批準(批準文號：2021倫審批第028號)，免除受試者知情同意。

1.2 儀器與方法

采用Siemens Magnetom Skyra 3.0 T MRI 掃描儀，采用頭部相控陣線圈。MRI掃描序列包括平掃橫斷面T1WI、T2WI、液體衰減反轉恢復(fluid attenuated inversion recovery，FLAIR)及增強后橫斷面T1WI。具體參數如下：T1WI：TR 250 ms，TE 9 ms；T2WI：TR 4290 ms，TE 99 ms；FLAIR：TR 9000 ms，TE 94 ms；增強橫斷面T1WI：TR 2000 ms，TE 8 ms。以上序列相同參數：層厚5.0 mm，層間距0 mm，視野220 mm×220 mm。在掃描時采取了關聯掃描模式，使各序列為同一層面。經肘靜脈以2.0 mL/s 速率高壓注射Gd-DTPA 對比劑，劑量為0.2 mmol/kg，然后用20 mL生理鹽水以同樣速率沖洗導管，于注射對比劑后25 s采集橫斷面強化T1WI。

1.3 圖像分析與測量

將MR 各序列圖像分別導入Image J 1.53c 軟件(http://imagej.nih.gov/ij)，測量前應對所有的圖像進行灰階標準化，將軟件參數均設置為系統默認值，像素間距d為1，兩點之間連線與軸的夾角θ為0°。由于增強橫斷面T1WI序列病灶顯示較清晰，在病灶最大橫截面圖像上沿病灶輪廓手動勾畫感興趣區(region of interest，ROI)，然后將勾畫好的ROI保存，隨后將保存的ROI復制粘貼到其他序列，使各序列的ROI保持一致。所有的ROI由兩位影像科高年資主治醫師共同勾畫，當兩人觀點不相同時，通過交流溝通達成一致。由軟件自動生成各ROI內GLCM參數，其中包括角二階矩(即能量)、對比、相關、逆差矩、熵等[17]，對所得數據結果進行比較和分析。

1.4 統計學分析

采用SPSS 20.0 統計學軟件進行分析。采用組內相關系數(intraclass correlation coefficient，ICC)評價兩名測量者內及測量者間所測數據的一致性，ICC＞0.80 為一致性良好。對于計量資料，行正態分布檢驗及方差齊性檢驗，對于符合正態分布的參數以“均數±標準差(xˉ±s)”表示，不符合正態分布的參數以“中位數±四分位數間距”表示。對于符合正態分布且方差齊性的參數運用兩獨立樣本t檢驗，不符合正態分布和(或)方差齊性的參數運用Mann-WhitneyU檢驗進行統計學分析。采用MedCalc 20.0 軟件(http://www.medcalc.org)對差異有統計學意義的參數行受試者工作特征(receiver operating characteristic，ROC)曲線分析，計算ROC 曲線下面積(area under the curve，AUC)及對應的敏感度、特異度，采用DeLong 檢驗比較各GLCM 參數對VS 與CPAM 的鑒別診斷效能。以P＜0.05表示差異存在統計學意義。

2 結果

2.1 病灶一般資料描述

23 例VS 中病灶長徑1.3～5.0 (2.82±1.07) cm；病灶平掃T1WI呈等低信號，T2WI呈等高信號，FLAIR為稍高信號，增強掃描均明顯強化，其中15例病灶信號不均質，強化不均勻；23例病灶邊界均清晰。18 例CPAM 中病灶長徑1.2～9.4 (3.88±2.15) cm；病灶平掃T1WI 呈等低信號，T2WI 呈等稍高信號，FLAIR為稍高信號，增強掃描均明顯強化，其中4例病灶信號不均質，強化不均勻；16例病灶邊界清晰，2例病灶部分邊界欠清。

2.2 VS組與CPAM組GLCM各參數比較

兩組間T2WI序列GLCM參數中的對比、相關和逆差矩差異有統計學意義(表1，P值均＜0.05)，其中對比值VS組明顯大于CPAM組，而相關及逆差矩值CPAM組明顯大于VS組；FLAIR序列GLCM參數中的對比和逆差矩差異有統計學意義(表2，P值均＜0.05)，其中對比值VS組明顯大于CPAM組，而逆差矩值CPAM組明顯大于VS組；增強T1WI序列GLCM參數中的對比和逆差矩差異有統計學意義(表3，P值均＜0.05)，其中對比值VS組明顯大于CPAM組，而逆差矩值CPAM組明顯大于VS組；平掃T1WI序列各GLCM參數兩組間差異無統計學意義(表4，P值均＞0.05)。

表1 T2WI序列VS組與CPAM組GLCM參數比較

表2 FLAIR序列VS組與CPAM組GLCM參數比較

表3 增強T1WI序列VS組與CPAM組GLCM參數比較

表4 平掃T1WI序列VS組與CPAM組GLCM參數比較

2.3 ROC曲線評估

對各序列有統計學意義的GLCM 參數進行ROC 曲線分析，T2WI 序列GLCM 參數中的對比、逆差矩的診斷效能較佳，對比的AUC 值最大，為0.971，敏感度和特異度分別為91.30%、94.44%，對比與相關的AUC 值差異具有統計學意義；FLAIR 序列GLCM參數中的逆差矩診斷效能最佳，AUC值最大，為0.866，敏感度和特異度分別為91.30%、77.78%，對比及逆差矩的AUC值差異具有統計學意義；對比在各序列間AUC 值差異具有統計學意義，以T2WI序列診斷效能最佳；逆差矩在各序列間AUC值差異具有統計學意義，以T2WI 序列AUC 值最大(表5～7，圖3、4、5)。

圖3 T2WI序列差異有統計學意義的灰度共生矩陣(GLCM)參數受試者工作特征(ROC)曲線分析。 圖4 FLAIR序列差異有統計學意義的灰度共生矩陣(GLCM)參數ROC曲線分析。 圖5 強化T1WI序列差異有統計學意義的灰度共生矩陣(GLCM)參數ROC曲線分析。

表5 各序列有統計學意義的GLCM參數ROC曲線分析

表6 各序列有統計學意義的GLCM參數Delong檢驗結果

表7 不同序列間有統計學意義的GLCM參數Delong檢驗結果

3 討論

紋理分析技術是影像組學的一部分，近幾年被廣泛應用于多個系統多種疾病的診斷及鑒別診斷[18-19]。本研究首次提出多序列及二階紋理分析法(GLCM)鑒別VS及CPAM。結果顯示T2WI、FLAIR 及增強T1WI 序列中多個GLCM 參數可以鑒別VS 及CPAM，可以為臨床術前診斷VS及CPAM提供重要幫助。

3.1 GLCM參數意義及結果分析

對比反映圖像紋理溝紋的深淺度，紋理溝紋的深淺度與對比成正相關；逆差矩反映圖像灰度的規則程度及圖像紋理局部變化的多少，規則程度與逆差矩成正相關；相關反映圖像中局部灰度值的相似程度，相似程度與相關成正相關。本研究中VS 組的對比值明顯大于CPAM 組；而CPAM 組的逆差矩及相關值明顯大于VS 組。分析原因可能是VS 與CPAM 組織學特性及病理生理不同，VS 鏡下有兩種組織成分，即致密的Antoni A型和疏松的Antoni B型，Antoni B型區域的存在使VS 細胞基質更為疏松，水分子含量更多，也更易出現囊變；CPAM 細胞排列緊密，核漿比例高，內部血管發育成熟，極少發生囊變。雖然在勾畫ROI 時避開VS 囊變區域，但是在病理上仍存在微囊變。VS Antoni B 型區域的存在及人眼不能觀察的微囊變使其圖像信號不均勻，紋理溝紋較深，局部紋理差異較大，灰度分布不規則，灰度值差別大；而CPAM 內部細胞排列緊密，信號較均勻，紋理溝紋淺，局部紋理差異小，灰度分布更規則，灰度值差別小。相關值在T2WI、FLAIR 及增強T1WI 這3個序列中CPAM組均大于VS組，但只在T2WI序列中差異具有統計學意義，考慮原因是FLAIR 序列抑制了病變內自由水的差異，強化T1WI 序列則更側重于病變內血流狀況的差異，而VS 及CPAM 組織學特性及病理生理差異在T2WI 序列體現地最為明顯，圖像蘊含的紋理信息更多、差異更大，進而提示T2WI序列是鑒別CPA VS及CPAM的最優序列，鑒別診斷價值最高。

能量和熵值可用來描述病變內灰度變化的總體性質，能量反映紋理的一致性，熵反映紋理的復雜度。本研究中能量和熵值在各個序列中的差異均沒有統計學意義。有研究顯示[20]能量及熵在鑒別良惡性病變中差異有統計學意義，猜測是由于本研究中兩者均為良性病變，其內部細胞的異質性沒有良惡性病變大，導致能量及熵值的差異沒有統計學意義，其準確性與否還需要進一步研究。

本研究顯示T2WI序列GLCM參數中的對比、逆差矩的診斷效能較佳，這與國外學者研究相似，Saigal等[10]通過微出血分析T2WI 序列內包含的多種信息(如出血及囊變等)來鑒別CPA病變。有國內學者[15]證明T1WI 序列紋理分析可以用來鑒別CPA 病變，與本研究不符，分析其原因可能是該學者應用一階紋理分析法，其反映的是所有像素的灰度，描述圖像總體的紋理特征，而本研究采用二階紋理分析法，探究圖像局部紋理特征所致。

3.2 本研究不足之處

本研究為回顧性研究，可能存在病例的選擇偏倚；病例數相對較少，后續將增加樣本量進一步分析；僅分析了病灶最大層面的紋理特征，可在后續的研究中使用全容積法進行研究；未考慮腦膜瘤各種病理學亞型對結果的影響，將在進一步的研究中完善。

綜上所述，GLCM 有助于鑒別VS 與CPAM，可以為臨床提供重要參考價值。

作者利益沖突聲明：全部作者均聲明無利益沖突。