基于CT平扫图像纹理分析预测高血压脑出血早期血肿扩大的可行性研究

江瑞信，叶浩翊，刘志锋，阮耀钦，申忱，伍志华

高血压脑出血患者约28%～70%可发生早期血肿扩大，并且是病情早期迅速恶化的主要原因［1］。超急性期及时行临床干预，可以预防血肿扩大与改善患者预后［2］。然而，目前临床对高血压脑出血患者预后评估常用主观性较强的神经功能评分，另外镇静药物或亚低温亦会影响神经功能评分结果［3］。寻找一种客观的精准的评估方法尤为迫切。基于CT图像的纹理分析可对图像中像素的分布量化，从而获取不同性质病灶的纹理特征［4，5］。本研究拟探讨基于头颅CT平扫图像纹理分析预测高血压脑出血患者早期血肿扩大的可行性。

1 资料与方法

1.1 一般资料

回顾分析2019年8月～2020年5月在我院74例行头颅CT平扫图像、血糖、血压、格拉斯哥昏迷评分（GCS）、脑出血家族史等资料，并确诊为高血压脑出血，且24小时复查头颅CT平扫，并记录所有患者入院CT检查前血糖、收缩压、舒张压、格拉斯哥昏迷评分（GCS）。入组标准：①高血压病史；②CT确诊为脑出血患者。排除标准：外伤性脑出血、脑肿瘤、血管病变等患者。本研究已通过医院伦理委员会审核，所有参与患者均签署知情同意书。

1.2 分组方法与设备

1.2.1 分组方法 脑血肿早期扩大：24小时复查CT血肿体积超过基线CT的33%或6 mL。根据血肿是否扩大分两组，A组：血肿扩大，B组：血肿无扩大。

1.2.2 设备使用西门子64排128层螺旋CT，层厚0.625 mm，螺距0.9，FOV：12 cm×12 cm，自动mAs技术，120 kV管电压，机架转运速度2 r/s。

1.3 血肿征象与体积测量

由2名高年资CT诊断医师在西门子后处理工作站独立测量，选取血肿层面为3D-ROI（图1），测量结果取两者平均值。血肿征象评估包括黑洞征、漩涡征、混合征、岛征：“黑洞征”定义为血肿内相对高密度区域完全包裹相对低密度区域，后者可呈圆形、椭圆形或短棒状，边界清楚且不与周围脑组织相连。“漩涡征”定义为血肿高密度区内的低密度区或等密度区，其形状变化多样，可以是圆形、条状或不规则形状等。“混合征”定义为血肿内同时存在相对高密度和低密度区域，二者之间界限明确，CT值相差18 HU以上。“岛征”定义为平扫CT上血肿周边的小血肿，要求个数为3及以上；如全部或部分与血肿相连，要求个数为4个或以上。

1.4 纹理特征提取

使用Omni-Kinetics软件勾画血肿3D-ROI，并提取67个纹理特征，包括灰度直方图、空间灰度共生矩阵和灰度游程步长矩阵等。

1.5 统计学分析

采用SPSS19软件统计，计量资料进行正态性检验，符合正态分布采用独立样本t检验，用均数与标准差表示（x±s）；不符合正态分布采用秩和检验，用中位数与四分位间距表示M（Q1，Q3）。临床资料比较采用卡方检验进，P＜0.05为差异有统计学意义。纹理特征值使用一致性检验，ICC＞0.8，为诊断试验的可重复性较好。对单因素分析具有统计学差异的参数纳入二元Logistics回归分析，运用受试者工作特征曲线（ROC）分析诊断效能。

2 结果

两组临床资料结果如表1。首诊CT平扫图像共提取67个纹理特征，其中两组ICC＞0.8的特征比较如表2。二元logistics回归方程结果显示sumEntropy与Compactness为高血压脑出血患者早期血肿扩大的独立风险因素（表4），其预测模型为：Logit（P）=-43.929+sumEntropy×81.731+Compactness×-1.300，Logit（P）的ROC曲线下面积为0.921，取阈值为0.694时，敏感度90.5%，特异性83.0%。

表1 两组患者一般资料比较（x±s）

3 讨论

本研究比较两组患者血肿基于CT图像的纹理特征，发现A组患者sumEntropy特征值明显低于B组，而Compactness特征值明显高于B组。二元Logistics回归分析结果显示以上两个纹理特征早期血肿扩大的独立风险因素。

脑血肿形成是不断地从红细胞悬液到血凝块形成的过程，这是血肿密度异质性的病理基础［6］。基于CT平扫图像纹理分析是近年来新兴的一种图像分析技术，通过提取图像纹理特征而获取一系列肉眼无法识别的异质性参数，可以对不同血肿类型内部的纹理特征进行可视化提取，达到预测早期血肿扩大的目的［7］。本研究中A组患者高阶特征sumEntropy明显低于B组，当高血压脑出血出现一个或多个活动性出血点时，新鲜出血与稳定血肿的位置和出血量不断变化，在CT图像上反映血肿的异质性的纹理特征（如：灰度直方图分布的对称性、纹理的粗细及均匀度等）亦不断变化［8］。李惠［9］等108例脑出血早期血肿扩大的影像组学研究发现多个高阶特征皆可以预测血肿早期扩大，最高AUC为0.9060，结果与本研究类似，但本研究建立多因素logistics回归预测模型其AUC可达0.921。本研究中基于多纹理参数建立logistics回归方程结果显示sumEntropy、Compactness2为高血压脑出血早期血肿扩大的独立风险因素，并且以预测模型为：Logit（P）=-43.929+sumEntropy×81.731+Compactness×-1.300，Logit（P）的ROC曲线下面积为0.921，取阈值为0.694时，敏感度及特异性分别为（90.5%、83.0%）。傅璠［10］等对80例脑出血患者进行回顾性分析发现，黑洞征、卫星征可判断高血压脑出血早期血肿扩大，本研究中黑洞征、混合征、岛征、漩涡征均不具有统计学意义，表明单纯CT征象预测脑出血早期血肿扩大存在主观因素影响大、可重复性不强的问题，本研究采用图像纹理特征为定量数据，可更加客观评估CT图像信息，因此，我们认为基于CT平扫图像的纹理分析能够预测血肿扩大。本次研究的不足主要在于样本容量偏小且ROI为纯血肿区域，其次对于高血压脑出血水肿范围的纹理分析需要进一步研究。

表2 两组患者差异具有统计学意义纹理特征比较 M（Q1，Q3）

表3 CT平扫图像征象主观评价结果

表4 CT平扫图像纹理特征参数二元logistics回归分析

图1 男性高血压患者，65岁，右侧基底节区脑出血。勾画血肿3D-ROI提取纹理特征

图2 A：男性，62岁，CT平扫图像为混合征，未发生脑出血早期扩大；B：男性，77岁CT平扫图像为为岛征，发生脑出血早期扩大；C：男性，68岁CT平扫图像为为黑洞征，发生脑出血早期扩大；D：女性，71岁CT平扫图像为为漩涡征，未发生脑出血早期扩大。

图3 单因素分析具有统计学意义的参数与Logistics回归模型ROC图其中预测模型诊断效能最佳

综上所述，基于CT平扫图像纹理分析有助于预测高血压脑出血早期血肿扩大，且预测模型判断高血压脑出血早期血肿扩大效能最高。