基于常规MRI纹理分析技术鉴别良恶性软组织肿瘤

丁治民，翟建，陈基明，俞咏梅，张峥嵘

软组织肿瘤(soft tissue tumor，STT)种类繁多，病理类型复杂。良、恶性STT的治疗方式和预后不同，确定病变形式是治疗STT的首要步骤。MRI是STT的首选检查方法，但多数STT无特异性影像表现，且良恶性STT的影像特征存在重叠[1-2]，术前定性诊断较困难。故利用新的手段鉴别良恶性STT具有实际意义，值得研究。本研究旨在探讨基于常规MRI的纹理分析在STT鉴别诊断中的价值。

材料与方法

1.临床资料

在本院数据库搜集2015年1月-2019年9月经手术病理确诊的STT患者的临床和MRI资料。纳入标准：①术前2周内行MRI扫描，扫描序列包括横轴面T1WI、脂肪抑制质子密度加权像(fat-suppression proton density weighted imaging，FS-PDWI)、冠状面及矢状面FS-PDWI；②有明确病理组织学结果。排除标准：①检查前行局部或全身治疗，包括手术、放化疗等；②病灶短径小于1 cm，不利于纹理特征提取；③图像质量不能满足纹理分析要求。最终将91例患者纳入本研究，男44例、女47例；年龄5～82岁，平均(59±12)岁。良性STT 43例，男19例、女24例；年龄9～82岁，平均(44±15)岁；包括神经鞘瘤19例、神经纤维瘤11例、腱鞘巨细胞瘤3例、血管球瘤及肌间血管瘤各2例、孤立性纤维瘤和肌内黏液瘤各1例、其它4例。恶性STT 48例，男25例、女23例；年龄5～81岁，平均(53±19)岁；包括脂肪肉瘤8例、未分化肉瘤7例、纤维肉瘤5例、滑膜肉瘤4例、侵袭性纤维瘤10例、恶性黑色素瘤2例、平滑肌肉瘤及上皮样肉瘤各1例、多形性未分化肉瘤1例、恶性神经鞘瘤及淋巴瘤、转移瘤各1例及其它6例。

2.检查方法

使用GE Signa HDx 3.0T MR扫描仪，关节线圈或柔软线圈，背部近中线区病灶使用脊柱线圈。扫描序列及参数如下。横轴面FSE T1WI：TR 400～620 ms，TE 10～16 ms；横轴面、冠状及矢状面FS-PDWI：TR 1800～3400 ms，TE 24～34 ms；层厚3～5 mm，层距2 mm，矩阵320×192～320×256，视野16 cm×16 cm～22 cm×22 cm。22例增加了T2WI、增强或显示病灶最佳的斜位扫描。

3.纹理分析方法

从PACS工作站将所有研究对象的MRI资料以BMP格式导出用于分析，为确保研究结果的可靠性，导出时统一T1WI和FS-PDWI图像的窗宽/窗位分别为1240/460和1050/340。由2位MRI诊断经验丰富的高年资医师共同选出最能显示病灶特征的最大层面及其前后连续层面共3层图像用于分析和测量，意见不一致时经协商达成一致。

选取显示病灶边界最清晰的序列确定病灶范围，以其为标准，其它序列ROI与之保持一致。在两位高年资医师的指导下，由1位医师沿病灶边界手动勾画ROI(图1～2)，包括病灶最大层面及其前后各一层共3层图像用于纹理参数的计算，取其平均值用于分析。分析软件为MaZda软件4.7(http://www.ele-tel.p.lodz.pl/mazda/)。为减小亮度和对比度变化对结果的影响，在提取纹理特征前，将图像灰阶在[μ-3δ，μ+3δ](μ：平均灰度值，δ：标准差)范围进行标准化处理。利用MaZda软件计算ROI内直方图和灰度共生矩阵(the gray-level co-occurrencematrix, GLCM)参数，直方图参数包括均值、变异度、偏度、峰度及第1、10、50、90和99百分位数(percentile，P)；GLCM参数包括能量、对比度、相关性、平方和、逆差矩、均和、和方差、和熵、熵、差方差和差熵。

图1 男，62岁，左腘窝神经鞘瘤。a) 术前矢状面FS-PDWI，显示肿瘤呈高信号，边界较清晰； b) MaZda软件中ROI测量图。 图2 女，68岁，左大腿多形性未分化肉瘤。a) 冠状面T1WI，显示左大腿上段椭圆形病灶，信号不均匀，边界尚清晰； b) MaZda软件中ROI测量图。

4.统计学方法

使用SPSS 22.0软件进行统计学分析。使用Kolmogorov-Smirnov检验对计量资料进行正态性分析，符合正态分布的资料行Levene方差齐性检验，正态分布的数据采用均数±标准差来描述，偏态分布的数据用中位数(四分位间距)来描述。良、恶性组间资料的比较使用t检验、LSD法(方差齐)或Mann-WhitneyU检验(方差不齐)。定性资料进采用卡方检验。选择差异有统计学意义的参数绘制ROC曲线并计算ROC下面积，确定区分良恶性STT的最佳诊断阈值，评价其诊断效能。构建基于一阶及二阶纹理特征的多因素Logistic回归模型，分析得出判断STT良、恶性的独立预测因素。由于纹理参数间可能有较强相关性，回归分析时共线性严重，故行Pearson相关性分析(相关系数界值取0.8)共线性检验去冗余，绘制ROC曲线评估模型的诊断效能。以P<0.05为差异有统计学意义。

结 果

1.一般资料

良恶性STT组间患者性别和年龄的差异均无统计学意义(χ2=0.566，P=0.452；t=-1.894，P=0.064)。良性和恶性STT的直径分别为(3.35±0.89)和(3.82±1.11) cm，组间差异有统计学意义(t=-2.250，P=0.027)。

2.一阶直方图参数和二阶GLCM参数

良恶性组中基于T1WI和FS-PDWI提取的一阶直方图参数值和二阶GLCM参数值及组间比较结果见表1。良性组中基于T1WI和FS-PDWI测量的对比度、差方差和差熵均低于恶性组，相关性和逆差矩均高于恶性组，差异均有统计学意义(P<0.05)；其余6个GLCM参数及所有9个直方图参数值在两组间的差异均无统计学意义(P>0.05)。

3.诊断效能分析

对组间差异有统计学意义的5个纹理参数，进一步采用ROC曲线分析其诊断效能，结果见表2、图3～4。其中以FS-PDWI上的对比度和相关性的鉴别效能较高。FS-PDWI上的逆差矩的诊断敏感度最高，达94.1%，但其特异度仅37.5%；而T1WI上逆差矩的诊断特异度较高，达90.5%，但其敏感度仅44.4%。基于FS-PDWI的纹理参数中，除差熵的AUC低于T1WI外，对比度、相关性、逆差矩和差方差的AUC均高于T1WI上的相应参数。

4.多因素Logistic回归分析

以病理结果的良、恶性为因变量，采用逐步回归分析筛选自变量，采用共线性检验去冗余，构建基于一阶及二阶纹理特征的多因素Logistic回归模型，最终入选的变量为T1WI的差熵和FS-PDWI的差方差和差熵(P值分别为0.033、0.030和0.031)，提示上述参数是判断STT良、恶性的独立预测因素。基于这3个参数的Logistic回归模型的ROC下面积为0.811，鉴别诊断的敏感度为82.4%、特异度为71.4%(图5)。

讨 论

STT好发于四肢及躯干，病种繁多，MRI是重要检查手段，但良恶性STT影像表现有重叠，鉴别有一定困难。术前准确定性对治疗方案的选择及预后意义重大。

图3 基于FS-PDWI和T1WI的对比度、差方差和差熵的ROC曲线，ROC下面积分别为0.853 vs. 0.761、0.807 vs. 0.723和0.710 vs. 0.714。 图4 基于FS-PDWI和T1WI的相关性和逆差矩的ROC曲线，ROC下面积分别为0.849 vs. 0.742和0.750 vs. 0.714。 图5 基于纹理参数的多因素Logistic回归方程的ROC曲线，ROC下面积为0.811，敏感度为82.4%，特异度为71.4%。

表1 基于T1WI和FS-PDWI提取的良恶性STT的纹理参数值及比较结果

注：a统计量为F值；b统计量为Z值。

表2 纹理参数对良恶性STT的鉴别效能

注：括号内为95%置信区间。

纹理分析通过计算图像中像素的灰度变化来量化肿瘤异质性[3]。 作为一种新兴技术，其在影像图像特征提取中应用广泛，能对肿瘤的鉴别、分级及疗效预测等提供量化依据[4]。MaZda软件可对图像中勾画的ROI做纹理分析，常用的是一阶直方图和二阶GLCM。一阶纹理特征通过直方图分析来评估ROI内像素的灰度频率分布情况，而二阶纹理特征评估像素的位置与空间关系[5]。GLCM是最常用的二阶纹理特征提取方法，且被证实对多种肿瘤的治疗反应有预测价值[6-7]。

本研究旨在探讨基于常规MRI序列(T1WI和FS-PDWI)的纹理分析在良、恶性STT鉴别诊断中的价值。关于纹理分析对肿瘤的鉴别诊断和分级评估方面的报道多集中在中枢神经系统或腹盆腔脏器[8-9]，采用纹理分析方法来鉴别STT良恶性的相关报道较少。本研究结果显示良恶性STT组基于T1WI和FS-PDWI的GLCM参数中，对比度、相关性、逆差矩、差方差和差熵这5个纹理参数的组间差异具有统计学意义(P均<0.05)，其余6个参数及所有9个直方图参数的组间差异均无统计学意义(P>0.05)。在二阶纹理特征中，对比度、差方差和逆差矩是反映肿瘤异质性的指标[10]，对比度或差方差的值越高，提示肿瘤的异质性越强，而逆差矩则相反，其值越高代表肿瘤越均质[10-11]。相关性与组织异质性无直接关系[10]。本研究中良性组T1WI和FS-PDWI上的对比度和差方差均低于恶性组，相关性和逆差矩均高于恶性组，提示恶性STT的异质性更明显，纹理特征更复杂。本研究结果与以往对宫颈癌及直肠癌等其它部位肿瘤的纹理分析结果基本一致[12-14]。熵作为描述病变异质性的代表性纹理参数之一，已有较多研究证实其对良恶性病变的鉴别具有较高价值，它反应病灶的非均匀程度，熵值大提示病变异质性强[15-16]。本研究结果示良性STT的熵、和熵及差熵的均值均较恶性组低，但仅差熵在良恶性STT间的差异有统计学意义，与文献报道不完全一致[12-16]。笔者分析原因可能是上述研究的病灶都集中于某一特定部位，病变组织起源单一，而本研究中STT的部位分布广泛，种类繁多，病理组织学类型复杂多样，导致纹理特征的分布更加无规律且在良恶性STT间有重叠。除差熵外，基于FS-PDWI的对比度、相关性、逆差矩和差方差的ROC下面积(AUC)均高于T1WI上相应参数，其中以对比度的AUC最大，提示在良恶性STT的鉴别中，总体而言FS-PDWI优于T1WI。可能的原因是FS-PDWI的信噪比较高，减少了T1和T2效应的影响，突出组织的质子密度，含有更多细节信息。多因素Logistic回归分析进一步筛选出预测STT良恶性的影响因素，采用Pearson相关性分析共线性检验去冗余后，基于T1WI的差熵和FS-PDWI的差方差、差熵构建的Logistic回归模型提高了鉴别诊断效能。

本研究分析了基于T1WI和FS-PDWI的直方图参数和GLCM参数，结果显示所有9个直方图参数在良恶性STT组间的差异均无统计学意义(P>0.05)。Chee等[14]的研究结果亦显示直肠癌新辅助放化疗后的反应组与无反应组的基线ADC图上的一阶纹理参数间的差异无统计学意义。分析原因可能是一阶纹理参数只能分析ROI内像素的灰度频率分布情况，而不能像二阶参数那样能评估肿瘤内的空间与位置关系，因此在反映STT异质性方面不及二阶纹理参数。

纹理分析可无创性地为STT定性提供额外的辅助诊断信息，且无需额外的扫描序列及时间。除了肿瘤实质，考虑到坏死、囊变、出血等也是肿瘤的特征，故本研究ROI覆盖了肿瘤轮廓之内的所有部分，且选择了病灶最大层面及其前后各一层共3层图像的ROI用于纹理参数的计算，取其平均值用于分析，这样既可以更加客观全面地反映肿瘤的不均质性，也可尽量避免局部选择性勾画ROI造成的抽样误差，为肿瘤的鉴别提供更多定量信息[17]。

本研究的局限性：第一，STT的组织学分型繁多，本研究只将STT按良、恶性分成两组进行分析比较，未做各病理亚型之间的比较，在今后可行不同组织学类型STT的比较分析；第二，由于STT发病部位的广泛性和特殊性，部分部位的病灶没有合适的线圈或恰当的体位，造成图像分辨率较低，而且常规平扫时部分病灶与邻近组织间的信号差异不大，因而较难明确界定肿瘤的边界，部分病例参照了对比增强T1WI或T2WI来界定肿瘤的范围，但难以避免不同序列的图像间的配准问题，拟在今后的研究中引入图像融合技术加以解决。

综上所述，基于常规MRI序列(T1WI和FS-PDWI)的纹理参数(对比、相关、逆差矩、差方差、差熵)能为STT良恶性的鉴别提供参考，尤其是基于FS-PDWI的纹理参数中的对比度具有较高的诊断效能。基于T1WI的差熵和FS-PDWI的差方差、差熵构建的Logistic回归模型具有较好的鉴别诊断效能。