基于MR對比增強T1WI紋理分析鑒別淚腺淋巴瘤與淚腺炎性假瘤

王友紅，柳 勇，韓婷婷，韓 雷*

(1.淮安市第一人民醫院影像科，江蘇 淮安 223300；2.淮安市第二人民醫院影像科，江蘇 淮安 223001)

眼附屬器淋巴瘤約占結外淋巴瘤的8%，其中約1/4發生于淚腺，且發病率逐年升高[1-2]。淚腺炎性假瘤是非特異性炎性病變，其常規MRI表現與淋巴瘤相似[3-4]而治療方案大為不同[3,5]。已有研究[6-7]將MR彌散成像及灌注成像等技術用于鑒別診斷淚腺炎性假瘤與淋巴瘤。紋理分析可定量分析醫學圖像中的灰階信息，獲取肉眼無法觀察的灰度分布等信息[8]。本研究觀察基于MR對比增強T1WI(contrast-enhanced T1WI, CE-T1WI)紋理分析鑒別淚腺淋巴瘤與淚腺炎性假瘤的價值。

1 資料與方法

1.1 一般資料 回顧性分析淮安市第一人民醫院及淮安市第二人民醫院2013年1月—2021年8月經病理確診的21例淚腺淋巴瘤(淋巴瘤組)和25例淚腺炎性假瘤(炎性假瘤組)患者。淋巴瘤組男15例，女6例，年齡14～80歲，平均(60.3±12.9)歲；炎性假瘤組男14例，女11例，年齡13～77歲，平均(51.2±10.7)歲。納入標準：①檢查前均未接受藥物或手術治療；②CE-T1WI資料完整且圖像質量良好；③無其他腫瘤病史。排除腫塊體積較小而無法勾畫病灶ROI者。

1.2 儀器與方法 采用GE Discovery MR750 3.0T超導MR儀及Siemens Spectra 3.0T超導MR儀、8通道頭頸聯合線圈行眼眶掃描。于常規平掃后以快速自旋回波序列采集軸位CE-T1WI，采用高壓注射器經肘正中靜脈以2.0 ml/s流率團注釓噴酸葡胺(Gd-DTPA，0.1 mmol/kg體質量)后進行掃描，TR 600 ms，TE 6.8 ms，層厚3 mm，層間距0.6 mm，FOV 180 mm×180 mm，矩陣256×256。

1.3 影像學特征與紋理分析 由2名具有10年頭頸部影像學診斷經驗的主治醫師分別閱片，觀察病灶影像學特征，包括是否雙側發病、呈分葉狀與否、是否包繞眼球及邊界清晰與否，評估病灶強化程度(輕/中/重)及強化方式(均勻/不均勻)；雙側均存在病灶時，選取橫截面積大者進行分析。以MaZda ver.4.6軟件于軸位CE-TIWI顯示病灶最大層面圖像上沿病灶邊緣勾畫ROI(圖1)，使之包含整個腫瘤；將ROI信號強度標準化為μ±3σ(μ為信號強度平均值，σ為標準差)，之后提取病灶的直方圖、灰度共生矩陣(gray-level co-occurrence matrix, GLCM)、灰度游程矩陣(gray-level run length matrix, GLRLM)、絕對梯度、自回歸模型和小波變換共6種紋理特征，GLCM步長為1～5個像素，GLCM及GLRLM均包含4個方向(0°、45°、90°和135°)，共獲得279個參數，取2名醫師提取結果的平均值進行分析。

圖1 勾畫淚腺淋巴瘤(A)及淚腺炎性假瘤(B)病灶ROI(紅線區域)的示意圖

1.4 模型構建及統計學分析 采用R語言(4.0.3)分析軟件。以中位數(上下四分位數)表示不符合正態分布的計量資料，行秩和檢驗；對計數資料采用χ2檢驗進行比較。分別以組內相關系數(intra-class correlation coefficient, ICC)及Kappa檢驗觀察觀察者間提取紋理特征及評估病灶MRI表現的一致性，保留一致性良好(ICC>0.75)的紋理特征[9-10]。將組間差異有統計學意義且觀察者間一致性良好的紋理特征參數歸一化于(0,1)之間，采用最小絕對收縮和選擇算子(least absolute shrinkage and selection operator, LASSO)回歸進一步分析，以10折交叉驗證獲得LASSO回歸模型的最優λ值，篩選出最佳紋理特征，構建核函數分別為線性核(linear kernel, LK)、多項式核(polynomial kernel, PK)和徑向基函數核(radial basis function kernel, RBFK)的支持向量機(support vector machine, SVM)分類模型，篩選出最優核函數，以相應模型為最優SVM分類模型。采用最優核函數，基于紋理特征、聯合組間差異具有統計學意義MRI表現建立聯合模型，用于鑒別淚腺淋巴瘤與淚腺炎性假瘤。對3種SVM分類模型及聯合模型進行10折交叉驗證，采用受試者工作特征(receiver operating characteristic, ROC)曲線評估其診斷效能，計算曲線下面積(area under the curve, AUC)，以Z檢驗進行比較，P<0.05為差異有統計學意義。

2 結果

2.1 患者一般資料及MRI表現 淋巴瘤組與炎性假瘤組患者年齡(t=1.11，P=0.27)及性別(χ2=1.17，P=0.28)差異均無統計學意義。2名醫師評估病灶MRI表現的一致性良好(Kappa均>0.75，P均<0.05)。相比炎性假瘤，淋巴瘤病灶邊界更清晰(P<0.01)、強化更均勻(P<0.01)；2組間其余MRI表現差異均無統計學意義(P均>0.05)。見表1。

2.2 篩選紋理特征 共201個紋理特征組間差異具有統計學意義，經ICC檢驗及LASSO回歸分析篩選出10個最佳紋理特征，見表2及圖2、3。

2.3 SVM分類模型及聯合模型的效能 SVM分類模型中，核函數為PK的SVM模型鑒別淚腺淋巴瘤與淚腺炎性假瘤的效能最佳(AUC最大，為0.93)，其敏感度、特異度、準確率分別為90.47%、88.00%及89.13%，見表3及圖4A；聯合模型的AUC為0.96，其敏感度、特異度及準確率分別為95.23%、92.00%及93.47% (圖4B)。聯合模型與最優SVM分類模型的AUC差異無統計學意義(Z=0.98，P=0.33)。

表1 淋巴瘤與炎性假瘤MRI表現比較(例)

表2 淋巴瘤與炎性假瘤的最佳紋理特征比較

圖2 以LASSO回歸分析及10折交叉驗證獲得的最優λ值篩選出的最佳紋理特征數量 圖3 篩選出的10個最佳紋理特征及其系數絕對值

表3 SVM分類模型鑒別淚腺淋巴瘤與淚腺炎性假瘤的效能

圖4 SVM模型及聯合模型鑒別淚腺淋巴瘤與淚腺炎性假瘤的ROC曲線 A.3種SVM分類模型； B.聯合模型

3 討論

紋理分析通過提取醫學圖像中的灰度信息而反映病灶內部的異質性，以評估腫瘤良惡性或疾病的嚴重程度[11]。增強MRI可反映腫塊內血供及血管分布，其紋理特征的分類效能較平掃MRI更佳[12]，且可提高組織對比度，有利于勾畫病灶ROI。本研究自淚腺淋巴瘤與炎性假瘤病灶提取的279個紋理特征中，201個紋理特征組間差異具有統計學意義，提示紋理分析可為鑒別診斷二者提供參考依據；采用ICC選取一致性良好的紋理特征進行分析，以保證建立模型所用數據的穩定性。

SVM利用醫學圖像的紋理特征及各種臨床數據建立模型并診斷疾病，現已廣泛應用于臨床研究[13-15]。CAI等[13]基于胸部CT提取病灶影像組學特征，篩選出6個影像組學特征用于建立SVM模型，以區分表現為純磨玻璃結節的肺原位腺癌與肺浸潤性腺癌，該模型分類效能良好，在訓練集和測試集中的AUC均為0.95。HUSSAIN等[14]基于心電圖提取時間、光譜及動態變化等多個特征，開發多種模型以自動識別心率變異性降低，其中以LK為內核的SVM模型的效能最佳(AUC=0.97)。本研究基于CE-T1WI提取279個紋理特征，篩選出10個最佳紋理特征，以之建立的3種SVM分類模型均具有良好分類效果；其中采用PK的SVM分類模型鑒別淚腺淋巴瘤與淚腺炎性假瘤的效能最佳，AUC達0.93。

淚腺淋巴瘤惡性程度低，少見向周圍組織浸潤性生長；影像學上多表現為邊界清晰，且不易引起周圍骨質壓迫與破壞[4,6,16]。淚腺炎性假瘤含大量新生毛細血管，且病灶內組織結構松散，長期慢性炎癥使多種炎性物質經過通透性高的血管壁到達周圍組織間隙，導致脂肪間隙模糊[3,6]。本研究結果顯示，相比淚腺炎性假瘤，淚腺淋巴瘤邊界更為清晰，與上述文獻結果一致；且淋巴瘤強化更均勻，推測主要原因在于其病灶主要由彌漫性生長的腫瘤細胞構成，少見囊變、壞死及鈣化，對比劑更易均勻分布于其內[4,16]。以最佳紋理特征聯合淚腺淋巴瘤與淚腺炎性假瘤之間差異有統計學意義的MRI特征建立聯合模型可使鑒別效能進一步提高，其AUC達0.96，敏感度、特異度及準確率分別為95.23%、92.00%及93.47%。

綜上所述，基于CE-T1WI紋理分析可有效鑒別淚腺淋巴瘤與淚腺炎性假瘤，結合病灶MRI特征可提高診斷效能。本研究的局限性：①樣本量較少；②僅基于CE-T1WI提取病灶紋理特征，而未對其他序列圖像進行分析；③僅利用紋理特征建立SVM分類模型，有待完善。