ADC直方图鉴别诊断原发性中枢神经系统淋巴瘤、多形性胶质母细胞瘤与单发转移瘤

马 桢，程敬亮，任 琦，张 勇，汪卫建

(郑州大学第一附属医院磁共振科，河南 郑州 450052)

原发性中枢神经系统淋巴瘤(primary central nervous system lymphoma， PCNSL)、多形性胶质母细胞瘤(glioblastoma multiform， GBM)和单发脑转移瘤(solitary brain metastasis， SMT)是3种较常见的脑内恶性肿瘤，术前正确诊断在临床分期、制定手术和治疗计划等方面具有重要意义[1-3]。但上述3种肿瘤的影像学表现存在部分重叠，如环状强化并伴瘤周水肿[4]，术前鉴别困难。直方图分析是一种基于像素分布的图像分析方法，可为鉴别肿瘤或分级诊断提供更多定量信息，现已用于诊断中枢神经系统[5]、肾脏[6]、膀胱[7]等部位的肿瘤。本研究探讨基于ADC图的直方图分析方法鉴别诊断上述3种脑内肿瘤的价值。

1 资料与方法

1.1 一般资料 收集2013年5月—2017年10月我院经手术病理证实的95例患者，其中PCNSL组38例，男18例，女20例，年龄33～81岁，平均(57.1±12.5)岁；GBM组29例，男13例，女16例，年龄10～69岁，平均(51.2±14.5)岁；SMT组28例，男15例，女13例，年龄36～76岁，平均(59.8±12.5)岁。PCNSL中弥漫性大B细胞淋巴瘤37例，浆细胞性淋巴瘤1例。28例脑转移瘤患者，原发肿瘤部位包括肺(腺癌18例、神经内分泌癌4例、鳞癌2例)、乳腺(浸润性导管癌1例，原发病理类型不明1例)及胃(腺癌2例)。患者临床表现主要为头痛、头晕、呕吐等颅内压增高症状和局灶性症状，如偏瘫、偏身感觉障碍等。所有患者术前均在我院接受MR平扫和增强扫描，影像学资料完整。

1.2 仪器与方法 采用Siemens Skyra 3.0T MR成像系统，32通道头部线圈。扫描时嘱患者仰卧，保持自然放松状态，鼻根部与线圈十字中心线纵轴平行。平扫获取轴位及矢状位T1WI、轴位T2WI、液体衰减反转恢复(fluid attenuated inversion recovery， FLAIR)序列及轴位DWI图像。扫描参数：T1WI，TR 260 ms，TE 2.46 ms；T2WI，TR 3 800 ms，TE 93.0 ms；FLAIR，TR 4 500 ms，TE 93 ms；DWI扫描采用SE-EPI序列，b值为0、1 000 s/mm2，TR 3 500 ms，TE 119 ms；FOV 23 cm×23 cm，层厚 5 mm，层间距0.3 mm，层数20。增强扫描对比剂采用Gd-DTPA，剂量0.2 mmol/kg体质量，获取矢状位、轴位及冠状位T1WI，扫描参数同前。

1.3 图像分析 将MRI以.BMP格式从PACS工作站导出，导出时确保所有图像的窗宽、窗位保持一致，以ADC图为基础行全域直方图分析。采用MaZda软件，参考常规平扫和增强图像，在ADC图像中于每一层含有肿瘤的层面沿肿瘤边缘手动勾画ROI(图1)，软件自动生成ROI的灰度直方图，计算获得以下参数：方差、均值、偏度、峰度及第1、10、50、90、99百分位数。由1名医学影像学研究生在2名主治医师指导下完成所有ROI的勾画。

图1 肿瘤ROI勾画示意图 红色区域为肿瘤ROI

1.4 统计学分析 采用SPSS 21.0统计分析软件。对符合正态分布的计量资料以±s表示，不符合正态分布者则采用中位数(上下四分位数)表示。对正态分布、方差齐性资料的多组间比较采用单因素方差分析，两两比较采用LSD-t检验；数据不满足正态分布或方差不齐的多组间比较采用Kruskal-WallisH检验，两两比较采用Bonferroni检验。对3组间有统计学差异的参数以Medcalc软件建立ROC曲线，计算AUC，确定临界值，评价其对3种肿瘤两两之间的鉴别诊断效能。P<0.05为差异有统计学意义。

2 结果

3种肿瘤间方差、均值、偏度、峰度及第1、10、50、90、99百分位数总体差异均有统计学意义(P均<0.05)，其中GBM与PCNSL组间9个参数差异均有统计学意义(P均<0.05)，GBM与SMT组间均值、偏度和第1、10及50百分位数差异有统计学意义(P均<0.05)，PCNSL与SMT组间均值、方差、偏度和第50、90及99百分位数差异有统计学意义(P均<0.05)，见表1、图2。

采用有统计学差异的灰度直方图参数对PCNSL、GBM、SMT两两肿瘤间鉴别诊断的ROC曲线见图3，其诊断临界值、AUC、敏感度和特异度结果见表2～4。

表1 PCNSL、GBM、SMT组的ADC全域灰度直方图参数结果

表2 ADC全域灰度直方图参数鉴别GBM与PCNSL的ROC分析结果

表3 ADC全域灰度直方图参数鉴别GBM与SMT的ROC分析结果

表4 ADC全域灰度直方图参数鉴别PCNSL与SMT的ROC分析结果

3 讨论

在MRI的纹理特点中，中位数及灰度的不均一性、百分位数等特点有助于区分诊断过程中不易鉴别的疾病。全域直方图分析可基于平扫、增强或ADC等图像进行分析，对提取出的病变图像ROI内各层像素值灰度的分布情况进行统计分析，从而得到与疾病相关的参数，并可提供进一步鉴别肿瘤所需的具体分类方案。目前已有研究[8-10]报道全域直方图分析法用于在某些疾病或肿瘤的分级、分类等，如Ryu等[8]应用ADC全肿瘤直方图分析评价肿瘤的异质性，Li等[9]对肝脏占位性病变进行基于T2WI的直方图分析，均取得了满意的结果。本研究探讨灰度直方图分析方法鉴别PCNSL、GBM与SMT的价值。

PCNSL、GBM及SMT是脑内较常见的3种恶性肿瘤，常规MRI可用于鉴别，但其表现多有重叠，如增强MRI均表现为不规则、均匀或不均匀环形强化等，故对鉴别PCNSL、GBM与SMT具有局限性。直方图是在每个强度等级中具有相同强度像素数量的函数，以简单方式描述图像中包含的统计信息。大多数直方图分析使用描述性参数，以定量方式表征和比较肿瘤生物标志物的分布。描述性分析包括以下定量指标：平均值、标准差、模式、最大值和最小值、峰度、偏度和百分位等[11]。ADC全域灰度直方图分析方法为鉴别肿瘤提供了一个更全面的评估手段，降低了根据常规ADC图像特征鉴别肿瘤所产生的局限性；且DWI无需注入对比剂，具有简便、经济的优势。既往进行关于直方图分析时，仅于一层或数层肿瘤图像中勾画ROI[12]，所获数据仅能反映肿瘤的局部，不能代表肿瘤整体。本研究采用勾画全部肿瘤，行代表肿瘤全域的灰度直方图分析，所获结果反映肿瘤整体的数据，可避免由于勾画局部区域ROI而导致的抽样误差[13]，更加可靠和精确。

图2 3种肿瘤的ADC图及灰度直方图 A～C.分别为PCNSL、GBM、SMT的ADC图； D～F.分别为PCNSL、GBM、SMT的灰度直方图，横坐标为ROI内不同灰度值，纵坐标为各灰度值出现的频率

本研究评价峰度、偏度、均值、标准差、百分位数等9个灰度直方图参数对3种脑内常见恶性肿瘤的鉴别诊断价值，结果显示均值、方差、偏度、峰度、第1、10、50、90及99百分位数在三者间差异均有统计学意义(P均<0.05)，其中第50百分位数鉴别诊断GBM与PCNSL的ROC曲线的AUC最大，为0.90，其诊断敏感度为84.21%，特异度为86.21%；GBM与SMT间，均值和第50百分位数的AUC均为0.79，其敏感度均为96.43%，特异度均为55.17%；PCNSL与SMT间，第90和99百分位数的AUC均为0.81，敏感度均为92.86%，特异度均为63.16%。以上结果提示ADC灰度直方图分析方法对鉴别诊断脑内恶性肿瘤具有一定临床意义，可作为脑内常见恶性肿瘤的新型辅助诊断方法，更有助于选择临床治疗方式和预后。

本研究的主要不足：①为回顾性研究，可能存在样本选择性偏倚；②PCNSL、GBM和SMT的发病率较低，特别是PCNSL，故样本量有限；③GBM有野生型和突变型两种，未对其进行分型观察。

图3 各灰度直方图参数对PCNSL、GBM、SMT进行两两鉴别的ROC曲线 A.GBM与PCNSL(AUC前6位的参数)； B.GBM与SMT； C.PCNSL与SMT

综上所述，ADC全域灰度直方图分析可为鉴别诊断PCNSL、GBM与SMT提供可靠的客观依据。