基于MR对比增强T1WI纹理分析鉴别泪腺淋巴瘤与泪腺炎性假瘤

王友红，柳 勇，韩婷婷，韩 雷*

(1.淮安市第一人民医院影像科，江苏 淮安 223300；2.淮安市第二人民医院影像科，江苏 淮安 223001)

眼附属器淋巴瘤约占结外淋巴瘤的8%，其中约1/4发生于泪腺，且发病率逐年升高[1-2]。泪腺炎性假瘤是非特异性炎性病变，其常规MRI表现与淋巴瘤相似[3-4]而治疗方案大为不同[3,5]。已有研究[6-7]将MR弥散成像及灌注成像等技术用于鉴别诊断泪腺炎性假瘤与淋巴瘤。纹理分析可定量分析医学图像中的灰阶信息，获取肉眼无法观察的灰度分布等信息[8]。本研究观察基于MR对比增强T1WI(contrast-enhanced T1WI, CE-T1WI)纹理分析鉴别泪腺淋巴瘤与泪腺炎性假瘤的价值。

1 资料与方法

1.1 一般资料 回顾性分析淮安市第一人民医院及淮安市第二人民医院2013年1月—2021年8月经病理确诊的21例泪腺淋巴瘤(淋巴瘤组)和25例泪腺炎性假瘤(炎性假瘤组)患者。淋巴瘤组男15例，女6例，年龄14～80岁，平均(60.3±12.9)岁；炎性假瘤组男14例，女11例，年龄13～77岁，平均(51.2±10.7)岁。纳入标准：①检查前均未接受药物或手术治疗；②CE-T1WI资料完整且图像质量良好；③无其他肿瘤病史。排除肿块体积较小而无法勾画病灶ROI者。

1.2 仪器与方法 采用GE Discovery MR750 3.0T超导MR仪及Siemens Spectra 3.0T超导MR仪、8通道头颈联合线圈行眼眶扫描。于常规平扫后以快速自旋回波序列采集轴位CE-T1WI，采用高压注射器经肘正中静脉以2.0 ml/s流率团注钆喷酸葡胺(Gd-DTPA，0.1 mmol/kg体质量)后进行扫描，TR 600 ms，TE 6.8 ms，层厚3 mm，层间距0.6 mm，FOV 180 mm×180 mm，矩阵256×256。

1.3 影像学特征与纹理分析 由2名具有10年头颈部影像学诊断经验的主治医师分别阅片，观察病灶影像学特征，包括是否双侧发病、呈分叶状与否、是否包绕眼球及边界清晰与否，评估病灶强化程度(轻/中/重)及强化方式(均匀/不均匀)；双侧均存在病灶时，选取横截面积大者进行分析。以MaZda ver.4.6软件于轴位CE-TIWI显示病灶最大层面图像上沿病灶边缘勾画ROI(图1)，使之包含整个肿瘤；将ROI信号强度标准化为μ±3σ(μ为信号强度平均值，σ为标准差)，之后提取病灶的直方图、灰度共生矩阵(gray-level co-occurrence matrix, GLCM)、灰度游程矩阵(gray-level run length matrix, GLRLM)、绝对梯度、自回归模型和小波变换共6种纹理特征，GLCM步长为1～5个像素，GLCM及GLRLM均包含4个方向(0°、45°、90°和135°)，共获得279个参数，取2名医师提取结果的平均值进行分析。

图1 勾画泪腺淋巴瘤(A)及泪腺炎性假瘤(B)病灶ROI(红线区域)的示意图

1.4 模型构建及统计学分析 采用R语言(4.0.3)分析软件。以中位数(上下四分位数)表示不符合正态分布的计量资料，行秩和检验；对计数资料采用χ2检验进行比较。分别以组内相关系数(intra-class correlation coefficient, ICC)及Kappa检验观察观察者间提取纹理特征及评估病灶MRI表现的一致性，保留一致性良好(ICC>0.75)的纹理特征[9-10]。将组间差异有统计学意义且观察者间一致性良好的纹理特征参数归一化于(0,1)之间，采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归进一步分析，以10折交叉验证获得LASSO回归模型的最优λ值，筛选出最佳纹理特征，构建核函数分别为线性核(linear kernel, LK)、多项式核(polynomial kernel, PK)和径向基函数核(radial basis function kernel, RBFK)的支持向量机(support vector machine, SVM)分类模型，筛选出最优核函数，以相应模型为最优SVM分类模型。采用最优核函数，基于纹理特征、联合组间差异具有统计学意义MRI表现建立联合模型，用于鉴别泪腺淋巴瘤与泪腺炎性假瘤。对3种SVM分类模型及联合模型进行10折交叉验证，采用受试者工作特征(receiver operating characteristic, ROC)曲线评估其诊断效能，计算曲线下面积(area under the curve, AUC)，以Z检验进行比较，P<0.05为差异有统计学意义。

2 结果

2.1 患者一般资料及MRI表现 淋巴瘤组与炎性假瘤组患者年龄(t=1.11，P=0.27)及性别(χ2=1.17，P=0.28)差异均无统计学意义。2名医师评估病灶MRI表现的一致性良好(Kappa均>0.75，P均<0.05)。相比炎性假瘤，淋巴瘤病灶边界更清晰(P<0.01)、强化更均匀(P<0.01)；2组间其余MRI表现差异均无统计学意义(P均>0.05)。见表1。

2.2 筛选纹理特征 共201个纹理特征组间差异具有统计学意义，经ICC检验及LASSO回归分析筛选出10个最佳纹理特征，见表2及图2、3。

2.3 SVM分类模型及联合模型的效能 SVM分类模型中，核函数为PK的SVM模型鉴别泪腺淋巴瘤与泪腺炎性假瘤的效能最佳(AUC最大，为0.93)，其敏感度、特异度、准确率分别为90.47%、88.00%及89.13%，见表3及图4A；联合模型的AUC为0.96，其敏感度、特异度及准确率分别为95.23%、92.00%及93.47% (图4B)。联合模型与最优SVM分类模型的AUC差异无统计学意义(Z=0.98，P=0.33)。

表1 淋巴瘤与炎性假瘤MRI表现比较(例)

表2 淋巴瘤与炎性假瘤的最佳纹理特征比较

图2 以LASSO回归分析及10折交叉验证获得的最优λ值筛选出的最佳纹理特征数量 图3 筛选出的10个最佳纹理特征及其系数绝对值

表3 SVM分类模型鉴别泪腺淋巴瘤与泪腺炎性假瘤的效能

图4 SVM模型及联合模型鉴别泪腺淋巴瘤与泪腺炎性假瘤的ROC曲线 A.3种SVM分类模型； B.联合模型

3 讨论

纹理分析通过提取医学图像中的灰度信息而反映病灶内部的异质性，以评估肿瘤良恶性或疾病的严重程度[11]。增强MRI可反映肿块内血供及血管分布，其纹理特征的分类效能较平扫MRI更佳[12]，且可提高组织对比度，有利于勾画病灶ROI。本研究自泪腺淋巴瘤与炎性假瘤病灶提取的279个纹理特征中，201个纹理特征组间差异具有统计学意义，提示纹理分析可为鉴别诊断二者提供参考依据；采用ICC选取一致性良好的纹理特征进行分析，以保证建立模型所用数据的稳定性。

SVM利用医学图像的纹理特征及各种临床数据建立模型并诊断疾病，现已广泛应用于临床研究[13-15]。CAI等[13]基于胸部CT提取病灶影像组学特征，筛选出6个影像组学特征用于建立SVM模型，以区分表现为纯磨玻璃结节的肺原位腺癌与肺浸润性腺癌，该模型分类效能良好，在训练集和测试集中的AUC均为0.95。HUSSAIN等[14]基于心电图提取时间、光谱及动态变化等多个特征，开发多种模型以自动识别心率变异性降低，其中以LK为内核的SVM模型的效能最佳(AUC=0.97)。本研究基于CE-T1WI提取279个纹理特征，筛选出10个最佳纹理特征，以之建立的3种SVM分类模型均具有良好分类效果；其中采用PK的SVM分类模型鉴别泪腺淋巴瘤与泪腺炎性假瘤的效能最佳，AUC达0.93。

泪腺淋巴瘤恶性程度低，少见向周围组织浸润性生长；影像学上多表现为边界清晰，且不易引起周围骨质压迫与破坏[4,6,16]。泪腺炎性假瘤含大量新生毛细血管，且病灶内组织结构松散，长期慢性炎症使多种炎性物质经过通透性高的血管壁到达周围组织间隙，导致脂肪间隙模糊[3,6]。本研究结果显示，相比泪腺炎性假瘤，泪腺淋巴瘤边界更为清晰，与上述文献结果一致；且淋巴瘤强化更均匀，推测主要原因在于其病灶主要由弥漫性生长的肿瘤细胞构成，少见囊变、坏死及钙化，对比剂更易均匀分布于其内[4,16]。以最佳纹理特征联合泪腺淋巴瘤与泪腺炎性假瘤之间差异有统计学意义的MRI特征建立联合模型可使鉴别效能进一步提高，其AUC达0.96，敏感度、特异度及准确率分别为95.23%、92.00%及93.47%。

综上所述，基于CE-T1WI纹理分析可有效鉴别泪腺淋巴瘤与泪腺炎性假瘤，结合病灶MRI特征可提高诊断效能。本研究的局限性：①样本量较少；②仅基于CE-T1WI提取病灶纹理特征，而未对其他序列图像进行分析；③仅利用纹理特征建立SVM分类模型，有待完善。