CT值联合纹理特征建模对脑膜瘤质地的评估价值

李 颖，陈基明，高 静，张爱娟

(皖南医学院弋矶山医院医学影像中心,安徽 芜湖 241001)

脑膜瘤是最常见的原发性颅脑肿瘤，占所有原发性中枢神经系统肿瘤的36.6%[1]。手术切除脑膜瘤是目前最有效的治疗手段，根据肿瘤的生长部位、肿瘤分级及瘤体质地不同，来选择不同的手术方式[2-3]。瘤体质地对选择手术方式十分重要[4]，质地较软的脑膜瘤可利用抽吸或超声外科吸引器(Cavitron Ultrasonic Surgical Aspirator，CUSA)较易完全切除，而质韧的肿瘤难以从血管、神经等细微结构中分离，质地越韧剥离越困难，手术难度越大。计算机断层扫描(Computed Tomography，CT)及磁共振成像(Magnetic Resonance Imaging，MRI)现是诊断脑膜瘤的常用方法，但预判肿瘤质地的能力十分有限。纹理分析是对图像的空间分布特点及像素强度进行数学分析，通过客观数据来提供肉眼无法观察到的图像信息，目前已广泛运用于肿瘤的分级、鉴别诊断及预测预后等方面[5-7]。本研究旨在探讨CT平扫图像的CT值联合纹理特征参数在术前评估脑膜瘤质地中的价值。

1 资料与方法

1.1 一般资料回顾性分析我院医学影像中心2013年1月至2019年7月间经手术病理证实的55例脑膜瘤患者的完整资料。纳入标准：(1)所有患者术前均行CT平扫检查，CT检查与手术间隔时间≤2周；(2)均为颅内单发脑膜瘤。排除标准：(1)术后复发或合并其它颅内肿瘤者；(2)肿瘤内含巨大囊变、坏死、钙化；(3)图像质量不佳无法准确提取纹理参数者。最终55例患者纳入研究，男性16例，女性39例，年龄26～78岁，平均(59.1±10.4)岁。幕上者：大脑凸面17例、镰旁17例、侧脑室内2例；颅底：鞍区4例、前中颅窝底及跨中后颅窝者8例、后颅窝7例。根据WHO分级Ⅰ级脑膜瘤51例，Ⅱ级脑膜瘤4例。所有患者均知悉并同意进行该项检查。

1.2 CT检查采用Siemens Somatom Emotion 16层螺旋CT扫描仪。嘱患者去除头部金属异物，取仰卧位，以听眦线为扫描基线做横轴位扫描。扫描范围为听眦线向上连续扫至头顶。扫描参数：管电压为120 kV，管电流为260 mA，矩阵为512×512，层厚及层间距均为10 mm。

1.3 脑膜瘤质地判定根据术中对肿瘤质地的评估，质软组：术中可用吸引器和刮匙较易剔除；质韧组：不能或很难吸出或刮除，需要以锐器切割分离，逐步减容切除。

1.4 图像的选取及纹理特征参数的筛选由两名诊断经验丰富的放射科医师(具有5年和15年工作经验)选取肿瘤实性部分最大层面图像手动勾画ROI，分别测量其平均CT值。将所有患者CT图像资料以.dicom格式从图像储存与传输(Picture archiving and communication system，PACS)系统导出，运用ITK-SNAP(Version 3.6)软件，沿肿瘤实性部分最大层面边界手动勾画感兴趣区(Region of interest，ROI)(图1)，而后将图像导入AK(GE Healthcare Analysis Kit)软件自动提取ROI的各项纹理特征参数，最终获得直方图特征、形态特征、灰度共生矩阵特征、游程矩阵特征和哈塔里克特征5大类，共1044个纹理特征参数。利用最小冗余最大相关(minimum redundancy and maximum redundancy，mRMR)算法去除冗余和不相干特征，进一步采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)回归方法对特征降维。勾画ROI时尽量避开囊变、坏死和出血。

图1 选取脑膜瘤最大层面沿病灶边缘勾画ROI

1.5 统计学分析采用SPSS 22.0软件和R语言(Version 3.6.1)统计分析软件。计量资料采用Kolmogorov-Smirnov检验进行正态性检验，对符合正态分布的计量资料用“均数±标准差”表示，采用独立样本t检验；不符合正态分布的用中位数(上、下四分位数)表示，采用Mann-Whitney U检验；多因素Logistic回归构建预测模型。通过绘制ROC曲线来评估各参数及模型预测效能；Hosmer-Lemeshow检验评价模型的拟合度(P>0.05为拟合度较好)。以组内相关系数(intracclass correlation coefficients，ICC)评估2名医师测量CT值和提取纹理特征参数的一致性，以P<0.05为差异具有统计学意义。

2 结果

2.1 患者一般资料质软组17例：男性3例，女性14例，年龄26～78岁，平均(56.4±14.0)岁；质韧组38例：男性13例，女性25例，年龄42～75岁，平均(60.3±8.3)岁。

2.2 单因素分析结果两名医师测量CT值和提取纹理特征参数的一致性较好，ICC值分别为0.876，95%CI(0.751，0.941)和0.883，95%CI(0.764，0.944)。质软组与质韧组间的CT值差异具有统计学意义(P=0.017)。AK软件提取的1044个纹理参数，利用mRMR和LASSO回归分析进行纹理参数降维、筛选，偏度、45度惯性_步长8和全角高灰度游程优势_步长8_标准差在两组间差异具有统计学意义(均P<0.05)，见表1。

表1 质软组与质韧组脑膜瘤CT值与纹理特征参数比较

2.3 多因素Logistic回归分析对具有统计学意义的3个纹理特征参数行多因素Logistic回归分析建立纹理特征模型：Y=-3.542×偏度-0.002×(45度惯性_步长8)+0.001×(全角高灰度游程优势_步长8_标准差)；将CT值与3个有统计学意义的纹理特征参数共同行多因素Logistic回归，得到CT值联合纹理特征模型如下：Y=-12.169×偏度-0.027×CT值+0.368×10-3×(45度惯性_步长8)+0.279×10-3×(全角高灰度游程优势_步长8_标准差)。ROC曲线分析显示纹理特征模型(AUC 0.825)和CT值(AUC 0.813)均具有较高预测脑膜瘤质地的效能，CT值联合纹理特征模型可进一步提高预测效能(AUC 0.928)，见表2、图2。经Hosmer-Lemeshow检验，CT值联合纹理特征模型拟合度较好(P=0.285)。

表2 CT值、纹理特征参数及其模型预测脑膜瘤质地ROC曲线分析结果

图2 CT值、纹理特征参数及其模型预测脑膜瘤质地ROC曲线

3 讨论

临床对脑膜瘤多采用手术治疗的方式，研究发现第一次手术是否彻底切除肿瘤对患者的预后至关重要，肿瘤的切除程度低，复发率升高明显[8-9]。相关研究表明[4，10，15]，脑膜瘤的质地对肿瘤切除程度的影响具有重要意义，肿瘤质软，吸引器易吸除，较易完成全切，而肿瘤质韧，对其进行切除时容易损伤周围血管、神经等精细结构，故完成全切较困难；若勉强追求全切，则可能造成严重的并发症或致患者死亡，此时放疗则是一种更好的选择。因此，在术前通过无创方法准确的预测脑膜瘤的质地，对临床医生选择术式和患者预后均十分重要。脑膜瘤的质地与其病理学性质密切相关[11]，如纤维母细胞型脑膜瘤和砂粒体型细胞瘤，分别因其内富含纤维和钙化成分质地较为坚韧，而富含细胞成分的上皮型脑膜瘤质地相对较软。目前临床上常采用常规MRI图像对脑膜瘤的质地进行评估，但通过T2WI序列来评估肿瘤质地的准确性有较大争议[12-15]。CT是诊断脑膜瘤的常用检查方法，其密度分辨率高，CT值能直接反映体素的密度，能较好的反映病灶内囊变、坏死、钙化等信息。CT纹理分析是一种先进的图像后处理技术，它是对选定区域内像素灰度值的结构特征、变化规律及分布模式进行客观评价、定量测量，能得到量化病灶异质性的参数，揭示肿瘤与组织病理学之间潜在的联系[16-18]，现已有利用CT纹理分析研究垂体瘤质地的相关报道[19]。

本研究采用CT纹理分析预测脑膜瘤质地，偏度、45度惯性_步长8和全角高灰度游程优势_步长8_标准差在质韧组与质软组间差异具有统计学意义(t=-2.733、-2.492、-2.283；P=0.009、0.016、0.026)。有研究发现，病变像素灰度值分布的偏斜程度越大，图像纹理越细致、光滑[20]，本研究中质韧组的偏度、45度惯性_步长8和全角高灰度游程优势_步长8_标准差均大于质软组，表示质地较硬的肿瘤内部空间结构更加致密，可能与肿瘤内部含有较多成分致密的纤维或钙化有关。偏度、45度惯性_步长8和全角高灰度游程优势_步长8_标准差这三个纹理特征参数作为独立预测因子，其预测效能均不高，但联合三个参数共同建立的纹理特征模型预测效能较高，这可能与多个纹理特征参数能更为全面地反映肿瘤的特点有关。本研究质软组与质韧组脑膜瘤之间的CT值差异具有统计学意义(t=-2.558、P=0.017)，预测脑膜瘤质地的效能较高；CT值联合纹理特征模型预测脑膜瘤质地的AUC最高(0.928)，偏度和CT值均为联合纹理特征模型的独立预测因子。CT值虽然反映的是病灶平均密度，但对体素的密度分辨率高；纹理特征可以综合地、客观地反映组织内部的不均质性及密度分布情况，可以获取更全面的反映病灶异质性的信息，CT值和纹理特征多因素联合可更全面揭示病灶的特征，具有更高预测能力。

本研究尚存在几点不足：(1)采用回顾性研究，纳入样本量不足，质软组脑膜瘤数量相对较少；(2)本研究选取肿瘤最大层面勾画ROI不能获得肿瘤的全部信息；(3)医师术中判断肿瘤质地具有一定的主观性。

综上所述，常规CT平扫图像密度联合部分纹理参数能有效地评估脑膜瘤的质地，有助于临床术式的选择。