颅内胶质瘤MRI影像组学评估颅内高级别与低级别胶质瘤

邓慧媛， 杨军， 柯腾飞， 李勤勍， 许泽艳， 丁莹莹， 廖承德

颅内胶质瘤MRI影像组学评估颅内高级别与低级别胶质瘤

邓慧媛， 杨军， 柯腾飞， 李勤勍， 许泽艳， 丁莹莹， 廖承德

目的探讨MRI影像组学在颅内胶质瘤术前分级评估中的应用价值，提高MRI对颅内胶质瘤的诊断效能。方法回顾分析58例经病理证实的颅内胶质瘤患者的MRI资料，使用Matlab软件提取病灶特征并使用Lasso软件(R语言3.4.0版)进行降维处理，降维后的特征再进行Logistic多元回归相关性分析，从而筛选出具有诊断价值且与肿瘤级别显著相关的影像组学特征，运用受试者工作特征(ROC)曲线对特征参数的诊断效能进行分析。结果DWI序列降维后经Logistic多元回归分析筛选出影像组学相关特征为：均值(P=0.04)、RMS(P=0.04)、Percentile-65(P=0.023)、Percentile-70(P=0.03)和Percentile-75(P=0.009)。DWI提取特征中Percentile-75对高、低级别胶质瘤的诊断效能最高，ROC曲线下面积(AUC)为0.793。T2WI序列及T1WI增强序列未筛选出与肿瘤分级相关的参数。在热力图上DWI序列Percentile-75特征与肿瘤分级的相关性较明显。结论在T2WI、DWI和T1WI增强三个序列中，DWI序列对高低级别胶质瘤的鉴别效能较高，该序列上所筛选的特征参数中以Percentile-75的诊断价值最高。

胶质瘤； 脑肿瘤； 影像组学； 磁共振成像； 扩散加权成像； 肿瘤分级

颅内胶质瘤(cerebral glioma)是颅内原发肿瘤中最常见的肿瘤，并且低级别胶质瘤具有高度侵袭性，术后复发率很高，严重危害人类健康。影像组学(radiomics)是对影像图片进行高通量像素特征提取，并经统计分析建模进行诊断的一门科学。近年来影像组学对许多疾病的研究分析日趋丰富，如肺癌、乳腺癌等，但是在对高级别与低级别颅内胶质瘤的的鉴别诊断中的运用较少。本文对经病理证实的58例不同级别的颅内胶质瘤病例，运用组学方法提取MRI影像特征、降维后经Logistic多因素相关分析，并运用ROC曲线对这些特征的诊断效能进行评估，旨在提高影像组学在脑肿瘤中的应用价值。

材料与方法

1.基本资料

将本院2012年9月-2016年12月经病理证实的58例脑胶质瘤患者纳入研究。其中男31例，女27例，年龄10～62岁，平均(45 4)岁。病灶位于左侧大脑半球26例、右侧大脑半球27例、双侧大脑半球3例、小脑及脑干2例。WHO分级为Ⅰ、Ⅱ级者38例(低级别组)，Ⅲ、Ⅳ级者20例(高级别组)。

2.MRI检查方法

使用Siemens Auanto 1.5T磁共振扫描仪。所有患者术前常规行T1WI、T2WI、DWI和对比增强T1WI扫描。扫描序列和参数如下。①横轴面FSE T1WI：TR 195 ms，TE 6 ms，层厚6.0 mm，视野25 cm×25 cm，矩阵512×512，激励次数1；②横轴面FSE T2WI：TR 4000 ms，TE 98 ms，层厚6.0 mm，视野25 cm×25 cm，矩阵512×512，激励次数1；③横轴面DWI：TR 3000 ms，TE 89 ms，层厚5.0 mm，视野25 cm×25 cm，矩阵512×512，激励次数1；④T1WI增强扫描：对比剂采用钆喷葡胺或钆贝葡胺，使用高压注射器，注射流率2.0 mL/s，总量15 mL，延迟时间30 s，其它扫描参数同平扫T1WI。

3.图像分析

将所有图像传输至工作站进行图像后处理，并经PACS系统传输到诊断工作站进行影像诊断。由两位影像医师采用双盲法对所有图像进行分析。在T2WI、DWI和对比增强T1WI上于病灶最大层面在病灶的实性部分勾画感兴趣区(region of inte-rest，ROI)，避开液化坏死区、钙化灶和水肿区(图1～2)[1]。使用改良的Madlab软件提取所有病例3个序列图像上各ROI的影像特征[2]。

改良的Matlab软件提取ROI的影像特征是基于高斯空间带通滤波器(G2)Laplacian(一个二阶微分算子)在不同的空间尺度上通过旋转来获得图像特征，过滤参数一般取0～2.5(0，1.0，1.5，2.0和2.5)[3]。高斯滤波器的拉普拉斯算子(2G)分布的计算公式如下：

(1)

公式中的X、Y为像素的空间坐标，σ为滤波器参数值。综合上述原理，最终获取图像上像素灰度特征的定量参数值，包括平均灰度值(mean value，MV)、均方根灰度值(root mean square，RMS)、65%灰度值(Percentile65)、灰度值70%(Percentile70)和75%灰度值(Percentile75)等。

4.统计处理

使用Lasso软件(R×64；3.4.0；http:// www.Rproject.org)对上述提取到的所有影像组学特征进一步进行降维，得到10个特征。采用二分类逐步回归的Logistic模型，对这10个特征及患者的临床特征与胶质瘤的病理分级进行相关性分析。使用SPSS 23.0软件进行统计分析。对经相关性分析发现的与病理分级有相关性的影像组学特征，采用受试者工作特征(ROC)曲线对其诊断效能进行评估[4]。ROC曲线下面积(area under curve，AUC)>0.5且≤0.7时为诊断效能较低，AUC>0.7且≤0.9时为诊断效能中等，AUC>0.9时为诊断效能较高。

结 果

1.临床变量间相关性分析及结果

所有患者的临床特征与病理分级的相关性分析结果见表1。Logistic回归分析显示，患者的年龄、性别、ADC值、肿块位置、肿块大小与病理分级间均无显著相关性(P>0.05)。

表1 基本临床特征和病灶特征的Logistic回归分析

2.MRI影像组学特征与病理分级的相关性分析

在T1WI增强、T2WI、DWI三个序列图像经特征代表具有脑胶质瘤像素灰度特征的变量分别为：①T1WI增强序列图像特征：Percentile50、Median Intensity、Quantile0.75、Long Run High Grey Level Emphasis_angle45_offset1、HighGreyLevelRunEmphasis_angle135_offset1；②T2WI序列图像特征：Cluster Shade_All Direction_offset4_SD、Inertia_angle45_offset4、Inertia_angle90_offset4、Cluster Shade_All Direction_offset7_SD、Long Run High Grey Level Emphasis_angle90_offset1；③DWI序列图像特征：平均灰度值、RMS、Percentile65、Percentile70和Percentile75。

经Logistic多元回归分析(表2)，T1WI增强扫描和T2WI上的各项影像组学特征与病理分级间均无显著相关性(P>0.05)；DWI序列图像上有5个影像组学特征与胶质瘤的病理分级间均有显著相关性(P<0.05)，包括平均灰度值、RMS、Percentile65和Percentile70和Percentile75。

在热力图中DWI序列的特征参数Percentile75与肿瘤病理分级的相关性较明显，热力图上DWI序列上的5个变量(MV、RMS、Percentile65、Percentile70和Percentile75)所对应区域表现为紫色区域较其它序列更为密集，分布范围更多(图3)。

3.影像组学特征的诊断效能

对颅内胶质瘤病灶的283个特征进行降维及回归分析筛选后，对筛选出的DWI序列上的5个有效影像组学特征进行ROC曲线分析，其中以Percentile75对高低级别胶质瘤的鉴别诊断效能最高，AUC为0.739(图4)。

图1 左枕叶胶质瘤。a) T1WI增强扫描，显示肿瘤呈明显均匀强化； b) T1WI增强扫描，在肿瘤内勾画ROI并用绿色伪彩标记； c) T2WI图像，在肿瘤内勾画ROI并用绿色伪彩标记； d) SWI图像，在肿瘤内勾画ROI并用绿色伪彩标记。 图2 左颞叶胶质瘤。a) T1WI增强扫描，显示肿瘤呈不均匀明显强化； b) T1WI增强扫描，在肿瘤内勾画ROI并用绿色伪彩标记的MRI图像，避开液化坏死区域和水肿区； c) T2WI图像，在肿瘤内勾画ROI并用绿色伪彩标记； d) FLAIR图像，在肿瘤内勾画ROI并用绿色伪彩标记。

表2 DWI影像组学特征Logistic多元回归分析结果

讨 论

1.胶质瘤术前影像特征

胶质瘤占颅内肿瘤的40%～60%[5]，术前对颅内胶质瘤进行影像诊断，不仅存在较高的误诊和漏诊率，对肿瘤分级也有较大困难[6]。主要原因为颅内胶质瘤影像表现多样，常伴水肿、坏死、钙化；其次胶质瘤发病年龄及临床特征不典型，很多患者出现症状时肿块体积已经很大。

大多学者都热衷于对颅内胶质瘤进行细胞信号、生物标记物、基因的研究[7-10]，基于肿瘤图像数据特征的分析报道较少，本研究旨在运用MRI不同序列图像进行影像组学分析。伴随着MRI功能成像序列的不断开发和运用，DWI已经在临床应用较为广泛[11]，扩散加权成像是根据水分子布朗运动原理而成像的一个序列。病灶内自由水布朗运动就越不受限，DWI成像上呈低信号；但是结合水分子布朗运动受限而在DWI成像上呈高信号，颅内胶质瘤因其所含水分大多为结合水，因此DWI呈高信号，液化坏死区域为自由水，而成低信号[12]。颅内胶质瘤因DWI具有鉴别诊断价值，因此术前均扫描DWI序列[13-15]。

2.颅内胶质瘤影像组学诊断优越性

图3 分别从T1WI增强扫描、T2WI和DWI图像中提取病灶的影像组学特征，经降维和统计学方法筛选后获得的影像组学特征的热力图，蓝色代表高级别胶质瘤，紫色代表低级别胶质瘤，与低级别胶质瘤相关性最显著的前5个特征(MeanValue、RMS、Percentile65、Percentile70、Percentile75)均为DWI序列上提取的组学特征，表现为紫色分布区域较其它影像组学特征的分布区域更广。 图4 三个序列图像上提取的影像组学特征鉴别高、低级别胶质瘤的ROC曲线，可见DWI序列上提取的影像组学特征的曲线下面积更大。a) DWI序列； b) T2WI； c) T1WI增强扫描。

影像组学是影像医学的一个新兴研究方向，但目前影像组学对颅内胶质瘤的分析研究尚处于初步探索阶段，颅内胶质瘤纹理分析以及异质性分析报道相对少见[16]。因此本探索运用像素特征提取法，对所得特征进行降维处理及通过相关性分析来进一步明确胶质瘤的分级[17]。

基于单变量分析后的影像组学特性,特征选择和数据降维是通过使用最小绝对收缩和选择算法(Lasso)逻辑回归模型选择最有用的所有相关影像特性确定的预后特征的主要群体。Lasso适用于高维度数据的回归，通过使用R中的“glemnet”软件包，这是一种惩罚的评估方法估计回归系数的限制,以便按比例缩小的绝对值的总和低于某个常数k选择交叉验证[18]。这种算法使得一些回归系数的计算完全为零，因此实现变量选择虽然萎缩，但其余系数远远大于零，但是这样会基于数据的模型选择造成的过度拟合，因此在变量选取过程中相关性较大，既相关系数较大的变量也将会在降维过程中被剔除。每个变量都有一个影像组学评分，患者在各个序列中通过特征选择的线性组合他们各自的系数，为每例患者计算出一个影像组变量的分数。更大的分数意味着更高概率是低级别。

本研究降维选择有效特征10个，同时再次经过下一步相关性分析进一步筛选特征。得出具有诊断意义的影像组学参数。本研究中MRI的三个序列(T2WI、DWI、T1WI增强)中，DWI序列对胶质瘤高低级别鉴别效能较高，该序列所筛选特征(Percentile75)较同序列其它特征对胶质瘤分级更具诊断价值。

3.本研究局限性

本研究仅仅选取MRI的三个常规序列(T1WI增强、T2WI、DWI)进行影像组学特征分析，对于颅内肿瘤诊断仅选取胶质瘤病例，入组的病例未对病理亚型进一步分类研究，入组病例数相对较少。临床资料与高低级别胶质瘤鉴别诊断相关性并未进行统计分析。本研究并未对病例进行训练集和验证集分组。以上不足将在进一步的研究中进行完善。

[1] Divi V,Chen MM,Nussenbaum B,et al.Lymph node count from neck dissection predicts mortality in head and neck cancer[J].J Clin Oncol,2016,34(32):1-7.

[2] Islam AH,Metcalfe A,Macintosh BJ,et al.Greater body mass index is associated with reduced frontal cortical volumes among adolescents with bipolar disorder.[J].J Psychiatry Neurosci,2017,43(1):170041.DOI:10.1503/jpn.170041.[Epub ahead of print]

[3] He L,Huang Y,Ma Z,et al.Effects of contrast-enhancement,reconstruction slice thickness and convolution kernel on the diagnostic performance of radiomics signature in solitary pulmonary no-dule[J/OL].Sci Rep,2016,6(10):34921.DOI:10.1038/srep34921.

[4] Chan AW,Tong JH,Pan Y,et al.Lymphoepithelioma-like hepatocellular carcinoma:an uncommon variant of hepatocellular carcinoma with favorable outcome[J].Am J Surg Pathol,2015,39(3):304-312.DOI:10.1097/PAS.0000000000000376.

[5] Sinnaeve J,Mobley BC.Space invaders:brain tumor exploitation of the stem cell niche[J].Am J Pathol,2017.DOI:10.1016/j.ajpath.2017.08.029.[Epub ahead of print]

[6] Aggarwal A,Godbole T,Mittal H.CNS neoplasm:a missed diagnosis[J].Indian J Pediatr,2011,78(1):116-117.

[7] Garcia MA,Solomon DA.Exploiting molecular biology for diagnosis and targeted management of pediatric low-grade gliomas[J].Fut Oncol (England),2016,12(12):1493-1506.DOI:10.2217/fon-2016-0039.

[8] Vats A,Amit A.Multicentric high grade oligodendroglioma:a rare entity[J].Bri J Neurosurgery,2017.DOI:10.1080/02688697.2017.1396582.[Epub ahead of print]

[9] Hwanho C,Hyunjin P.Classification of low-grade and high-grade glioma using multi-modal image radiomics features[C].Nternational Conference of the IEEE Engineering in Medicine and Biology Society.IEEE,2017:3081-3084.DOI:10.1109/EMBC.2017.8037508.

[10] Van TDV,Hoeben A,Beckervordersandforth JC,et al.Impact of the revised WHO classification of diffuse low-grade glioma on clinical decision making:A case report.[J].Surg Neurol Int,2017,8(1):223.DOI:10.4103/sni.sni_166_17.eCollection 2017.

[11] Toussaint M,Pinel S,Auger F,et al.Proton MR spectroscopy and diffusion MR imaging monitoring to predict tumor response to interstitial photodynamic therapy for glioblastoma[J].The-ranostics,2017,7(2):436-451.DOI:10.1148/rg.2017170056.

[13] Sturm D,Pfister SM.Pediatric gliomas:current concepts on diagnosis,biology,and clinical management[J].J Clin Oncol,2017,35(21):2370-2377.DOI:10.1200/JCO.2017.73.0242.

[14] Dodgshun AJ,Hansford JR.Risk assessment in paediatric glioma-Time to move on from the binary classification[J].Crit Rev Oncol Hematol,2017,111(1):52-59.DOI:10.1016/j.critrevonc.2017.01.012.

[15] Sauwen N,Acou M,Cauter SV,et al.Comparison of unsupervised classification methods for brain tumor segmentation using multi-parametric MRI[J].Neuroimage Clin,2016,12(C):753-764.DOI:10.1016/j.nicl.2016.09.021.

[16] Lubner MG,Smith AD,Sandrasegaran K,et al.CT texture analysis:definitions,applications,biologic correlates,and challenges[J].Radiographics,2017,37(5):1483-1503.

[17] Boylan K,Geschwind K,Koopmeiners JS,et al.A multiplex platform for the identification of ovarian cancer biomarkers[J].Clin Proteom,2017,14(1):34-55.DOI 10.1186/s12014-017-9169-6

[18] Kim JJ,Kim JY,Kang HJ,et al.Computer-aided diagnosis-gene-rated kinetic features of breast cancer at preoperative MR imaging:association with disease-free survival of patients with primary operable invasive breast cancer[J].Radiology,2017,284(1):45-54.DOI:10.1148/radiol.2017162079.

DiagnosisefficacyofMRIradiomicsingradingofcerebralgliomabeforeoperation

DENG Hui-yuan,YANG Jun,KE Teng-fei,et al.

Department of Radiology,the Third Affiliated Hospital of Kunming Medical University,the Tumor Hospital of Yunnan Province,Kunming 650118,China

Objective:Discussing the application of radiomics was used in MRI image by diagnosis cerebral glioma and improving the diagnosis efficacy.MethodsThe research findings 58 cases of cerebral glioma by pathology were analyzed retrospectively.Characteristics were picked up from tumor in two-dimensional planes by Matlab software,and the key factors were retrieved by Lasso package in R-software with 3.4.0 generation.Stepwise multiple logistic regression analysis was used to determin the independent factor that MRI image can diagnosis grading of cerebral glioma.Using box-type and scatter to describe the factor and at the same time using the ROC curve to analysis the key factor diagnosis efficacy.ResultsThe key factors of the lesions on MR-DWI were analyzed by stepwise multiple logistic regression as the best select examination.The correlative factor as following:mean value (P=0.04),RMS (P=0.04),percentile-65 (P=0.023),percentile-70 (P=0.03) and Percentile-75 (P=0.009).The factor of percentile-75 as the dependent correlative factor and it is the highest diagnosis efficacy with the AUC was 0.793.Characteristics of Percentile-75 have high correlation with pathology grading where filling in more area red colore in hotmap of DWI.T1WI with contrast-enhanced and T2WI had not correlation factors.ConclusionsDWI was the highest diagnosis efficacy sequence among T1WI contrast-enhanced with T2WI,and the factor that percentile-75 was the independent correlation factor with the best diagnosis efficacy.

Glioma； Cerebral neoplasm； Radiomics； Magnetic resonance imaging； Diffusion weighted imaging； Tumor grading

650118 昆明，昆明医科大学第三附属医院 云南省肿瘤医院放射科

邓慧媛(1992-)，女，云南文山人，硕士研究生，主要从事头颈部影像学研究工作。

廖承德，E-mail：846681160@qq.com

国家自然科学基金(8126048，81760316，81703155)

R445.2； R737.39

A

1000-0313(2017)12-1229-05

10.13609/j.cnki.1000-0313.2017.12.005

2017-10-28

2017-11-22)