對比增強T1加權成像紋理分析鑒別小腦毛細胞型星形細胞瘤與血管母細胞瘤

王新東，沈潮

（1.淮安市腫瘤醫院兒科，江蘇 淮安 223200；2.影像科）

毛細胞型星形細胞瘤（pilocytic astrocytoma，PA）是小腦最常見的腫瘤之一，手術完全切除對降低復發率、提高生存率具有重要作用［1］。血管母細胞瘤（hemangioblastoma，HB）是一種生長緩慢且血液供應豐富的腫瘤，術后復發少見［2-3］。由于PA與HB的治療方案及預后不同，故影像學診斷對臨床具有重要的參考價值。當PA或HB具有特征性影像表現時，兩者的鑒別并不困難，但重疊的影像特征仍常造成誤診［4］。磁共振擴散成像與灌注成像可有效地鑒別小腦PA與HB，但掃描時間較長等原因限制其在臨床中的應用［5］。紋理分析可定量分析圖像內的灰階信息，獲取肉眼無法觀察的灰度分布信息［6］，但尚鮮見運用于小腦PA與HB鑒別的相關報道，本研究嘗試通過基于對比增強T1加權成像（contrast-enhanced T1-weighted imaging，CE-T1W）紋理分析鑒別PA與HB，并與影像特征的鑒別效能比較。

1 資料與方法

1.1 臨床資料 回顧性分析我院2014年1月至2021年6月經組織病理學確診的32例PA和38例HB。納入標準：（1）入院前未進行藥物或手術治療；（2）已完成T1WI、T2WI、擴散加權成像（diffusion weighted imaging，DWI）及CE-T1W掃描；（3）圖像質量良好；（4）無其他腫瘤病史。排除標準：（1）本研究所需序列不齊；（2）圖像內存在運動偽影。本研究經醫院倫理委員會批準，患者均知情同意本研究。

1.2 檢查方法 均采用美國GE公司Discovery MR750 3.0T超導磁共振掃描儀，信號采集使用8通道頭部相控陣表面線圈，采集T1WI、T2WI、DWI及CE-T1W。T1WI：TR 2 000 ms，TE 25 ms，層厚5 mm，層間距1 mm，FOV 240 mm×240 mm，矩陣160×160；T2WI：TR 4 300 ms，TE 100 ms，層厚5 mm，層間距1 mm，FOV 240 mm×240 mm，矩陣160×160；DWI：采用自旋回波平面回波序列，單次激發，TR 3 000 ms，TE 65.5 ms，b值分別為0和1 000 s/mm2，層厚5 mm，層間距1 mm，FOV 240 mm×240 mm，矩陣160×160；CE-T1W：參數同T1WI，采用高壓注射器以流率2.0 ml/s經肘正中靜脈團注釓噴酸葡胺（Gd-DTPA）（廣州康臣藥業有限公司，15 ml∶7.04 g）0.1 mmol/kg。

1.3 紋理分析與影像特征 選出腫瘤CE-T1W序列橫斷面最大層面圖像以DICOM格式導出并轉成BMP格式，由2名放射科醫師分別使用MaZda ver.4.6軟件沿腫瘤邊緣勾畫感興趣區（region of interest，ROI），盡量包含整個腫瘤，避免畫入周圍正常組織。為了平衡圖像之間的亮度和對比度，將圖像標準化為μ±3σ（μ：圖像強度的平均值；σ：標準差）后提取腫瘤的直方圖分析（histogram analysis，HA）、灰度共生矩陣（graylevel co-occurrence matrix，GLCM）、灰度游程矩陣（gray-level run length matrix，GLRLM））、絕對梯度（absolute gradient，AG）、自回歸模型（autoregressive model，AR）和小波變換（wavelet transform，WT）6種紋理特征，GLCM的步長從1～5個像素，GLCM與GLRLM均包含4個方向（0°、45°、90°和135°），共279個參數。腫瘤的影像特征由2名放射科醫師共同分析后得出，包括實性（是或否）、大囊小結節（有或無）、囊內分隔（有或無）、流空血管（有或無）、實性均勻強化（是或否）、囊壁強化（是或否）、瘤周水腫（有或無），見圖1~2。

圖1 1例7歲女性患者左側小腦半球內PA

1.4 統計學分析與模型構建 數據分析、特征篩選及模型建立使用R語言（4.0.3）。使用組內相關系數（intraclass correlation coefficient，ICC）分析2名醫師提取的紋理特征，選取ICC＞0.75重復性良好的特征［7］。組間的特征參數比較取2名醫師提取的平均值，將差異有統計學意義的參數歸一化在（0，1）之間后再通過LASSO回歸分析進一步篩選，LASSO回歸模型的最優λ值通過十折交叉驗證獲得。利用篩選出的特征及影像特征分別構建支持向量機（support vector machine，SVM）模型，分別使用線性核（linear kernel，LK）、多項式核（polynomial kernel，PK）和徑向基函數核（radial basis function kernel，RBFK），驗證方式選擇十折交叉驗證。采用受試者工作特征（ROC）曲線評估模型的效能，模型的AUC比較使用Z檢驗。計量資料以均數±標準差表示，采用獨立樣本t檢驗（通過正態分布與方差齊性檢驗）或以M（P25，P75）表示，采用秩和檢驗；計數資料比較采用χ2檢驗或Fisher確切概率法。P＜0.05為差異有統計學意義。

圖2 1例42歲女性左側小腦半球HB

2 結果

2.1 2組一般資料比較 PA組男19例，女13例，年齡6～27歲，平均（10.09±4.52）歲；HB組男20例，女18例，年齡15～83歲，平均（46.63±19.29）歲，2組年齡比較差異有統計學意義（t=-10.472，P＜0.01），性別差異無統計學意義（χ2=0.320，P＞0.05）。

2.2 構建模型的紋理特征參數 選出重復性良好的173個特征參數，其中2組間差異有統計學意義的特征參數共128個，LASSO選出10個特征參數見表1，圖3右邊的黑色垂直線對應的橫坐標代表模型的最優λ值，此時LASSO模型最精確，圖4代表選出的各特征系數絕對值。

圖3 LASSO模型最優λ值時對應的特征數量

圖4 LASSO模型選出的10個特征參數（直方圖越長，代表系數絕對值越大）

表1 2組篩選出的紋理特征參數的比較［M（P25，P75）］

2.3 2組影像特征比較 相較于PA組，HB組更易形成大囊小結節、存在更多流空血管、實性強化更均勻（P＜0.01），而2組是否呈實性、有無囊內分隔、囊壁是否強化、有無瘤周水腫差異無統計學意義（P＞0.05），見表2。

表2 2組間影像特征比較［n（%）］

2.4 紋理特征與影像特征構建的SVM分類模型效能 紋理特征建立的SVM分類模型中，PK核的模型分類效能最佳，敏感度、特異度、準確率及AUC最優，其中AUC優于以3個影像特征建立的3種SVM分類模型，差異均有統計學意義（Z=2.972、2.561、2.783，P＜0.05），見表3。

表3 紋理特征與影像特征構建的SVM分類模型區分PA與HB的效能

3 討論

PA是兒童最常見的中樞神經系統膠質瘤，屬于Ⅰ級星形細胞瘤，最常發生于小腦，占兒童星形細胞瘤的60%［1，5］，而HB好發于小腦，屬于中樞神經系統血管源性的良性腫瘤，好發于成年女性［2］，本研究結果顯示PA組的年齡低于HB組（P＜0.01），而2組性別比較差異無統計學意義，與既往研究結果［1-2］一致。

影像特征中，大囊小結節在HB中具有特征性，表現為腫瘤光滑的囊壁上出現明顯均勻強化的小結節，而PA中這種特征相對少見且強化程度低，主要由于HB結節內存在豐富的毛細血管網，而PA結節內的毛細血管所占比例不高［8-9］，本研究也發現HB組出現大囊小結節這一特征的比例明顯高于PA組（P＜0.01）。另外，在HB腫瘤實性部分可出現低信號的流空血管信號，并可顯示腫瘤內存在的粗大供血動脈［10］。本研究中HB組內亦多次出現流空血管信號，而PA組內未出現此特征，也印證了HB較PA具有更加豐富的血供。最后，HB實性強化較PA更均勻，推測由于HB主要由薄壁的毛細血管與間質細胞構成［11］，造影劑能順著血管均勻充盈整個腫瘤，而PA的實性部分由增生的膠質、腫瘤細胞及增生的毛細血管等多種成分構成，各種成分比例不恒定使強化方式呈現出多樣化［4-5］，即更易表現出不均勻強化的特征。本研究以2組間差異有統計學意義的影像特征建立SVM分類模型，但3個模型的效能一般，AUC僅分別達0.764、0.726、0.740。

SVM是一種有效的二分類工具，利用醫學圖像的紋理特征建立模型對疾病進行診斷，在臨床研究中已有廣泛運用［12-14］。本研究利用磁共振CE-T1W序列圖像提取279個紋理特征，共篩選出10個特征參數建立了3種SVM分類模型，且均得到了良好的分類效果，其中使用PK核的模型分類效能最佳，與既往研究［13］類似，但與Mahato等［14］的研究結果并不一致，這可能與研究的數據類型不同有關。比較后發現，紋理特征建立的PK核SVM分類模型效能優于以3個影像特征建立的3種SVM分類模型（P＜0.05），說明在PA或HB不具備特征性影像表現時，紋理分析可為PA與HB的鑒別診斷提供重要參考信息。

綜述所述，基于CE-T1W的紋理特征建立的SVM分類模型可有效鑒別小腦PA與HB，且效能優于影像特征所建立的模型。本研究主要的不足之處：納入樣本量較少，仍需擴大樣本量以提高分類模型的可信度；僅分析了CE-T1W序列圖像的紋理特征，而未研究其他序列；僅利用紋理特征建立了SVM分類模型，而未研究其他模型。