顱內磁共振血管壁成像質量對影像組學模型鑒別癥狀性斑塊的影響

趙海燕,彭雯佳,陳玉坤,王爍,王皓冉,張雪鳳,陳錄廣,陸建平

顱內動脈粥樣硬化性疾病是缺血性腦卒中的主要病因之一[1],對該疾病的影像學評估至關重要。傳統的血管成像方法雖然能夠評估管腔狹窄程度,但無法直觀地評價血管壁,因此這些技術很容易忽略細微的動脈粥樣硬化斑塊等病變。高分辨磁共振血管壁成像(magnetic resonance vessel wall imaging,MR-VWI)已逐漸被用于評估顱內動脈粥樣硬化斑塊特征,如形態、成分及其易損性,對于腦血管病的危險分層和指導治療具有重要的參考價值[2,3]。目前,基于MR-VWI圖像數據的影像組學方法在對顱內動脈責任斑塊和腦卒中復發預測方面也有較大潛力[4]。然而,在臨床實踐中,由于不適當的掃描設置或患者運動,MR-VWI圖像質量并不總是很好。本研究擬通過因圖像質量不佳而重復掃描的數據篩選出對圖像質量比較敏感的影像組學特征,并根據不同圖像質量數據構建癥狀性斑塊預測模型,探討MR-VWI的圖像質量對影像組學分析的影響。

材料與方法

1.一般資料

本研究的第一部分,回顧性搜集2019年1月至2022年11月在海軍軍醫大學第一附屬醫院放射診斷科行顱內動脈MR-VWI檢查的病例,納入標準:①因技師掃描當時發現某個管壁成像序列的圖像質量不佳而當即重復掃描該序列的病例;②顱內動脈粥樣硬化狹窄者。排除標準:①非動脈粥樣硬化性顱內動脈狹窄;②檢查前曾行顱內動脈開放性或介入手術治療者。

本研究的第二部分,回顧性搜集2020年8月至2021年7月在海軍軍醫大學第一附屬醫院放射診斷科行顱內動脈MR-VWI檢查的病例。納入標準:①顱內動脈粥樣硬化狹窄者;②MR-VWI發現一個或多個動脈粥樣硬化斑塊,至少一個斑塊位于大腦中動脈的M1段或M2段近端、或椎動脈顱內段或基底動脈且斑塊負荷>40%;③年齡≥18歲。排除標準:①非動脈粥樣硬化性顱內動脈狹窄;②未見顱內動脈異常;③檢查前曾行顱內動脈開放性或介入手術治療者;④MR檢查序列不全者,包括缺少同期的腦組織DWI序列。據患者臨床表現和腦組織DWI結果,把納入的患者分為有癥狀和無癥狀兩類[5],有癥狀的含義是DWI顯示新發腦梗死且梗死灶對應責任斑塊的供血區或腦缺血病程≤12周患者,無癥狀患者為DWI無新發梗死,并且無腦缺血相關癥狀或病程>12周。

2.儀器與方法

采用德國西門子Skyra 3.0T MR及20通道頭頸聯合線圈進行掃描。三維(three dimensional,3D)MR管壁成像序列采用失狀面空間和化學位移編碼激發(spatial and chemical-shift encoded excitation,SPACE)的T1WI序列(以下簡稱3D SPACE T1WI),參數:TR 900 ms,TE 5.6 ms,視野180 mm×180 mm,矩陣360×360,層厚0.6 mm,層間距0 mm,層數208,回波鏈長度60,空間分辨率0.5 mm×0.5 mm,掃描時間7分41秒。3D SPACE T1WI的增強掃描前通過肘靜脈注入釓對比劑(Gadovist,1.5 mmol/kg)。二維(two dimensional,2D)MR管壁成像采用黑血T2WI快速自旋回波(turbo spin echo,TSE)序列(以下簡稱2D TSE T2WI),掃描方向垂直于單側大腦中動脈的水平段或基底動脈,參數:TR 2890 ms,TE 46 ms,視野100 mm×100 mm,矩陣256×320,層厚2 mm,層間距0.5 mm,層數15,回波鏈長度20,激勵次數6,空間分辨率0.39 mm×0.31 mm,掃描時間3分40秒。掃描順序依次是3D SPACE T1WI平掃、3D SPACE T1WI增強以及2D TSE T2WI序列。

3.圖像質量評價

據MR-VWI序列對斑塊所在血管壁顯示的清晰程度,對圖像質量進行評分(圖1):1分,無法分辨血管壁;2分,血管壁可見,邊緣明顯模糊;3分,血管壁可見,局部邊緣輕中度模糊;4分,血管壁可見,邊緣清晰銳利,可能局部管壁結構輕微模糊。同一個斑塊在不同管壁成像序列的評分,取其中得分最低者作為該斑塊的最終得分。圖像質量的評定由兩位高年資放射科醫生(分別從事血管疾病影像研究12年和10年)獨立進行評分,若存在分歧由兩位醫生協商決定。

圖1 顱內MR-VWI圖像質量評分圖例。3D SPACE T1WI平掃對右側大腦中動脈M1段血管壁的顯示(黃色方框內),評分依次為1～4分。a) 1分; b) 2分; c) 3分; d) 4分。

4.影像組學分析

斑塊勾畫與分類:利用開源軟件ITK-SNAP(version 3.8.0,www.itksnap.org)對3個MR序列分別勾畫目標血管的管腔和管壁輪廓,兩個輪廓之間的區域包含管壁和斑塊、作為感興趣區(region of interest,ROI)。對于有癥狀患者,選擇癥狀側的責任動脈最狹窄一層進行勾畫,歸類為癥狀性斑塊;若有癥狀患者的非責任動脈也存在狹窄,亦選擇該非責任動脈最狹窄一層勾畫,歸類為無癥狀斑塊。對于無癥狀患者,在顱內動脈的最狹窄一層勾畫,歸類為無癥狀斑塊。由一位放射科醫生勾畫,另一位高年資放射科醫生對勾畫的ROI進行審核和修正。

篩選不穩定特征:使用PyRadiomics開源庫(version 3.0.1,https://github.com/AIM-Harvard/pyradiomics)在MR-VWI的3D SPACE T1WI平掃和增強序列以及2D TSE T2WI序列中提取的斑塊ROI進行影像組學特征分析。在第一部分中通過比較同一例患者同一次MR-VWI檢查中同一個序列前后兩次重復掃描的斑塊影像組學特征的原始值,若其差異有顯著性表示該特征不穩定,即該影像組學特征易受圖像質量的影響。本研究中擬納入100個較常用的影像組學特征用于后續特征提取,其中形狀特征9個,一階梯度特征18個,紋理特征73個。

構建預測模型:首先,在第二部分中通過納入的所有數據(無論圖像質量優劣)基于影像組學特征構建癥狀性斑塊的預測模型(模型A)。然后,基于與模型A相同的圖像數據,提前將所有不穩定特征剔除,再基于所有穩定特征進一步構建癥狀性斑塊的預測模型(模型B)。最后,在第二部分納入的病例中剔除圖像質量較低者(1分和2分),再次構建癥狀性斑塊的預測模型(模型C)。

預測模型構建過程中的特征選擇將采用LASSO(Least Absolute Shrinkage and Selection Operator)回歸算法,公式如下:

(1)

其中α為正則化項系數,x和y分別為輸入特征和金標準標簽,m為樣本總量。該算法通過L1正則化使得某些特征的權重為0,從而達到特征稀疏化,實現特征選擇。本研究使用訓練數據估計每個特征對應的LASSO權重系數,權重系數的絕對值越高代表特征重要性越高。本研究根據LASSO權重系數的絕對值從高到低排序,優先選擇LASSO系數絕對值高的特征。

在數據集劃分方面,本研究將使用5折交叉驗證的方法進行模型訓練,即以7:3的比例將勾畫的斑塊數據隨機劃分為訓練集與測試集。本研究使用SMOTE算法對訓練集中的陽性樣本進行插值,產生額外的陽性樣本以緩解類不平衡問題。另外,將隨機森林(random forest,RF)方法作為機器學習的分類算法。

5.統計學分析

統計分析與作圖采用 MedCalc 15.2.2(MedCalc Software Ltd.,Ostend, Belgium)和 Matplotlib (version 3.7.1,https://github.com/matplotlib/matplotlib)進行。重復掃描影像組學特征的比較,據數據是否服從正態分布,采用Wilcoxon符號秩和檢驗?；谟跋窠M學特征的癥狀性斑塊的預測模型的診斷效能采用受試者工作特征曲線(receiver operator characteristic curve,ROC曲線)進行分析,診斷效能高低主要通過曲線下面積(area under ROC curve,AUC)體現,其他表示診斷性能的指標包括準確度、靈敏度、特異度以及F1分數。采用Delong檢驗比較AUC之間的差異。P<0.05為差異具有統計學意義。

結 果

1.一般資料

第一部分,一共搜集到24例因圖像質量不佳而即刻重復掃描的病例,其中3D SPACE T1WI的平掃和增強序列重復掃描各7例,2D TSE T2WI序列重復掃描有10例。第二部分,有102例患者的120個斑塊納入本部分研究,其中無癥狀患者51例,有癥狀患者51例。無癥狀斑塊69個,包含51例無癥狀患者的51個無癥狀斑塊和18例多發狹窄的有癥狀患者的18個無癥狀斑塊。癥狀性斑塊51個,包含33例單發狹窄的有癥狀患者的33個癥狀性斑塊和18例多發狹窄的有癥狀患者的18個癥狀性斑塊。

2.圖像質量評價

第一部分,7例3D SPACE T1WI平掃序列中第一次掃描1分至4分的數量依次是1個、2個、2個以及2個;第二次掃描1分至4分的數量依次是0個、3個、2個以及2個。7例3D SPACE T1WI增強序列中,第一次掃描1分至4分的數量依次是4個、2個、1個以及0個;第二次掃描1分至4分的數量依次是3個、2個、0個以及2個。10例2D TSE T2WI序列中,第一次掃描1分至4分的數量依次是1個、3個、3個以及3個;第二次掃描1分至4分的數量依次是0個、0個、6個以及4個。

第二部分,69個無癥狀斑塊中1分至4分的數量依次是1個、2個、25個以及41個。51個癥狀性斑塊中1分至4分的數量依次是1個、3個、16個以及31個。

3.篩選出的不穩定影像組學特征

比較同一個序列重復掃描的斑塊影像組學特征,發現3D SPACE T1WI序列的形狀特征和一階梯度特征均無明顯差異(P>0.05);紋理特征中有1個差異有顯著性(P=0.027),不穩定特征占比為1/73。3D SPACE T1WI增強序列的形狀特征中有3個差異有顯著性(P<0.05),不穩定特征占3/9;一階梯度特征中有2個差異有顯著性(P<0.05),不穩定特征占2/18;紋理特征中17個差異有顯著性,不穩定特征占17/73。2D TSE T2WI序列的形狀特征中有2個差異有顯著性(P<0.05),不穩定特征占2/9;一階梯度特征中有2個差異有顯著性(P<0.05),不穩定特征占2/18;紋理特征中19個差異有顯著性(P<0.05),不穩定特征占19/73(表1)。

表1 通過比較重復掃描的斑塊影像組學特征篩選的不穩定特征

4.癥狀性斑塊的預測模型

模型A的訓練集有84個斑塊,包含37個癥狀性斑塊和47個無癥狀斑塊;測試集有36個斑塊,包含14個癥狀性斑塊和22個無癥狀斑塊。測試集的AUC為0.708±0.022(圖2,表2)。模型A篩選出的對癥狀性斑塊有診斷價值的影像組學特征有8個,與第一部分篩選出的易受圖像質量影像的不穩定特征比對,其中有3個特征是不穩定特征,分別是3D SPACE T1WI增強序列的形狀特征中的T1C_original_shape2D_MaximumDiameter、2D TSE T2WI序列的紋理特征中的T2_original_glcm_DifferenceAverage以及T2_original_ngtdm_Contrast。

模型B同樣基于第二部分納入的全部圖像,即訓練集和測試集均與模型A相同,但剔除了所有不穩定特征,得到測試集的AUC為0.740±0.007(圖2,表2),模型B和模型A的AUC差異無統計學意義(P=0.480),篩選出的對癥狀性斑塊有診斷價值的影像組學特征有7個。

在第二部分納入的圖像中剔除圖像質量較差(1分的2個,2分的5個)的7個斑塊,構建模型C,其訓練集有79個斑塊,包含34個癥狀性斑塊和45個無癥狀斑塊;測試集有34個斑塊,包含13個癥狀性斑塊和21個無癥狀斑塊。測試集的AUC為0.758±0.013(圖2,表2),模型C預測顱內癥狀性斑塊的AUC高于模型A(P=0.002)和模型B(P=0.005)。模型C篩選出的對癥狀性斑塊有診斷價值的影像組學特征有8個,與第一部分篩選出的不穩定特征比對,這些特征均為穩定特征。模型A、模型B和模型C所提取的影像組學特征名稱及其重要性排序分別見圖3～5。

討 論

基于高場強(3.0 T及以上)MRI的高分辨MR-VWI可以檢測顱內狹窄性和非狹窄性血管壁病變,過去十余年越來越多地用于顱內動脈粥樣硬化疾病的研究,并逐步應用于臨床診斷,現已成為最先進的無創性顯示活體顱內斑塊的檢測手段[6-10]。通過MR-VWI技術可以鑒別顱內動脈狹窄的病因,識別斑塊形態學特征,量化斑塊負荷和重構模式,判別斑塊位置及其與分支或穿支開口的關系等,對腦卒中進行病因檢測和危險程度分層,對指導血管內治療或藥物治療隨訪等方面具有重要的參考價值[11-13]。然而,由于顱內動脈管徑及其斑塊相對微小,受限于目前的成像分辨率和技術方法,對斑塊成分和形態的解釋比較主觀(難以獲得病理印證),斑塊的量化分析也需要經驗豐富的醫生才能確保測量的準確性,使得對顱內斑塊的易損性評估具有挑戰性,迫切需要一種客觀可重復的定量方法來評估癥狀性顱內斑塊的特征。

影像組學運用自動化數據特征提取算法,從醫學影像中提取并量化海里特征數據,進一步對其進行技術分析,從而對臨床決策做出指導,被廣泛地應用于腫瘤診斷、分期和療效預測領域[14]。近年來,影像組學也逐步應用于動脈粥樣硬化疾病的研究。Shi等[15]基于2D MR-VWI的斑塊結構影像組學分析能夠準確區分急性癥狀性和無癥狀的基底動脈斑塊;隨后該團隊基于2D管壁成像技術對顱內大腦中動脈和基底動脈的粥樣斑塊進行研究[5],發現斑塊的直方圖分析中信號強度的離散度可以有效地預測顱內責任斑塊。何建風等[16]對顱內前、后循環動脈粥樣硬化斑塊的研究發現兩組的危險因素、常規MR管壁特征及影像組學特征存在顯著差異,且影像組學的特征差異較常規影像特征更多見。Tang等[17]通過對3D磁共振管壁成像的斑塊影像組學研究,發現影像組學特征有助于預測癥狀性顱內動脈粥樣硬化狹窄患者的卒中復發。最近,李紅霞等[18]基于3D MR-VWI的顱內斑塊影像組學模型可有效預測混合型缺血性卒中機制,研究提示混合型卒中機制患者的顱內斑塊具有更高的強化比率。張歸玲等[19]研究發現影像組學模型在識別大腦中動脈責任斑塊的效能高于臨床影像學特征,尤其是增強后3D MR-VWI影像組學模型較平掃模型在識別責任斑塊方面的效果更好。與傳統視覺影像特征相比,影像組學對挖掘顱內粥樣斑塊的深度信息具有重要價值,這為研究腦血管病發病機制及治療策略提供了新的方法與思路[4]。

影像組學的處理流程可以概括為搜集醫學影像數據、根據特定任務在圖像中勾畫ROI、在ROI內提取大量特征并降維、構建預測模型并進行分類預測。不難假設,如果提供給影像組學分析的醫學圖像質量不佳,那么構建的預測模型恐怕是不準確的。臨床實踐中由于成像設備硬件的參數、成像序列的設計以及被掃描者的依從性等多種因素,皆對圖像質量造成影響。對顱內動脈MR-VWI圖像質量的嚴格控制,是放射醫生和臨床醫生對腦血管疾病做出正確診斷和治療決策的有力保障[7];特別是在影像組學和人工智能時代,良好的圖像質量也是開展精準影像研究的前提。本研究通過對比兩次圖像質量不同的管壁圖像數據,篩選出了斑塊影像組學的不穩定特征;從不穩定特征的分布上看與3D T1WI平掃管壁序列相比,3D T1WI增強和2D T2WI序列的影像組學不穩定特征占比更多,可能是后兩個序列的影像組學特征更易受到圖像質量的影響,也可能是掃描順序靠后和注射對比劑后更易出現運動偽影等導致圖像質量下降所致。在預測顱內癥狀性斑塊方面,本研究進一步證實了圖像質量對影像組學預測模型的影響:如果不考慮圖像質量的因素,預測模型的診斷效能最低;如果剔除了不穩定特征構建預測模型,則診斷效能有所提高;如果一開始就基于較高圖像質量數據(排除較低圖像質量數據)構建預測模型,則其診斷效能可進一步提高。另外,基于較高圖像質量的預測模型提取的影像組學特征都是穩定的,且根據重要性系數排名前三位的特征均來自3D管壁成像序列。這可能提示與2D T2WI管壁成像相比,在確保圖像質量的前提下,高分辨3D T1WI的平掃和增強管壁序列更能夠滿足顱內斑塊影像組學分析的需求;巧合的是,這也與MR-VWI的序列發展趨勢相契合,即覆蓋較大范圍(全顱及頭頸聯合掃描)的3D黑血管壁成像逐漸代替小范圍(針對大腦中動脈水平段或基底動脈掃描)的2D管壁成像序列。

本研究有3個方面的局限性:①本研究是單中心回顧性研究,樣本量相對較小,所有患者均在同一臺MR儀掃描,因此所得到的不穩定的影像組學特征可能不具有普適性。②對于較高圖像質量(3分)和最高圖像質量(4分)分別在預測顱內癥狀性斑塊的差異方面,本研究沒有進一步構建預測模型。主要原因是相關亞組的樣本量很小,推測得到的結果不可靠。③本研究重點關注于圖像質量對影像組學分析的影響,沒有對患者的臨床和傳統影像學指標納入分析。已有研究[13,15-17]證明結合臨床信息、影像表現和影像組學特征共同構建的預測模型的效能最佳。

綜上所述,良好的圖像質量是MR-VWI準確診斷和量化分析的基石,本研究證明顱內斑塊影像組學分析需要嚴格控制圖像質量的要求是合理的。未來隨著磁共振軟硬件系統和管壁成像序列的發展,加之人工智能技術對圖像質量的優化,相信顱內動脈粥樣硬化疾病的精準診斷和影像組學分析能力將會進一步提升。