常规MR联合DWI成像鉴别小脑原发性中枢神经系统淋巴瘤与高级别胶质瘤的价值

边毓尧,石向明

(河北中石油中心医院 1.急诊科;2.影像科,河北 廊坊065000)

原发性中枢神经系统淋巴瘤(PCNSL)相对罕见,约占全部颅内肿瘤的3%～5%的原发性脑瘤[1],其中大多数患者的肿瘤发生在幕上,仅7%左右的病例发生在后颅窝[1-2]。PCNSL和高级别(HGG)都是成人恶性肿瘤,然而这些肿瘤的治疗和预后有很大不同,因此准确的术前诊断至关重要。小脑的PCNSL和HGG发生率都很低,使得鉴别诊断非常困难。尽管常规MRI在脑肿瘤的诊断和术后监测中显示出巨大潜力,但PCNSL和HGG的MRI特征具有多变性和很大的重叠性[3],单纯的常规MRI很难将它们区分开。扩散加权成像(DWI)已被广泛用于脑肿瘤评估中。先前的研究表明,ADC值可以帮助区分PCNSL和HGG[4-6]。然而,DWI分析是否能有效区分小脑中PCNSL和HGG尚不明确。因此,我们的目的是探讨常规MR和DW成像的组合在鉴别PCNSL和HGG的诊断性能。

1 材料与方法

1.1 研究对象

本研究回顾性收集2013年3月至2022年5月期间经病理证实的16例PCNSL和28例HGG患者的资料。纳入标准:(1)MRI扫描前无脑活检或手术治疗、类固醇激素治疗;(2)经病理证实的PCNSL或HGG;(3)患者均进行常规磁共振和弥散加权序列扫描,图像清晰,无明显伪影。16例PCNSL,男性7例,女性9例;平均年龄54.46±12.4岁;28例HGG,男性12例,女性16例;平均年龄50.06±11.6,两组详细的临床信息见表1。

表1 PNCSLs与HGG基本资料比较

1.2 MRI扫描方案

全脑MRI检查在Siemens Verio 3．0T和Avanto 1．5T超导磁共振扫描仪,使用十二通道头部线圈。MRI平扫:SE序列横断面T1WI((TR/TE,440 ms/2.46 ms;矩阵,256×256;FOV,22 cm×22 cm;厚度/层间距,4.5 mm/0.45 mm)、T2WI((TR/TE,7140 ms/98 ms;矩阵,384×384;FOV,22 cm×22 cm;厚度/层间距,4.5 mm/0.45 mm)、T2-FLAIR(TR/TE,6,500 ms/91 ms;矩阵,256×256;FOV,22 cm×22 cm;厚度/层间距,4.5 mm/0.45 mm);矢状位T2WI(TR/TE,4 000～6 000 ms/100～150 ms,层厚层间距,5～6 mm/1～2 mm)。DWI采用横断面脂肪抑制单次激发平面回波序列,b值取0、1000 s/mm2。通过肘静脉注射Gd-DTPA对比剂进行MRI增强扫描,采用SE序列横断面、矢状面、冠状面T1WI扫描(TR 450～640 ms,TE 14～22 ms),注射剂量0．2 ml/kg体重。

1.3 图像处理

由2名从事神经系统影像诊断工作经验超过10年的医师进行阅片。阅片前他们对患者病理结果不知情。常规MR图像分析:包括肿瘤大小,对比增强,囊性,出血,水肿和脑表面受累情况。参照横轴位T1WI增强图像,于ADC图上测肿瘤实体部分ADC值,选取较低ADC值区域,每个病例选取5个感兴趣区进行测量,取其平均值。

1.4 统计方法

采用SPSS 21.0软件进行统计分析,计量资料均用均数±标准差表示,两组间的ADC值比较采用独立样本t检验(正态分布)或Mann-WhitneyU检验(偏态分布);χ2检验比较两组MR特征参数的差异。采用多因素logistic回归分析确定最有价值的预测PCNSL的变量。构建ROC曲线分析评估重要变量的诊断效能,P<0.05表示差异有统计学意义。

2 结果

2.1 PNCSLs与HGG基本资料比较

表1显示患者的基本资料特征。结果显示,PNCSL组和HGG组在年龄、性别及临床表现上没有明显统计学差异。16例PNCSL中弥漫性大B细胞淋巴瘤14例,2例结外NK/T细胞淋巴瘤;28例HGG中成胶质细胞瘤14例,间变性星形细胞瘤12例、间变性少突胶质细胞瘤2例。

2.2 PNCSLs与HGG的常规MRI特征比较

常规MR特征比较见表2。PCNSL和HGG组比较,肿瘤大小,增强方式,囊性存在,水肿程度和条纹样水肿之间存在显着差异(均P<0.01)。PCNSL患者的肿瘤最大直径和平均直径均小于HGG(最大直径:2.61±1.21 Vs 3.94 ±2.08 cm,P=0.001;平均直径:2.22±1.05 vs 3.22±2.01 cm,P=0.002)。16名PNCSL患者中均表现为均质性强化,而28例HGG病变均表现为异质性强化(P<0.001)。此外,在11例(68.75%)PNCSL患者中出现沿着白质纤维走行的分支状强化,而在HGG中未发现。3例(18.75%)PCNSL患者存在囊变,而26例(92.85%)HGG患者存在囊变(P<0.001)。就水肿程度而言,PCNSL表现轻度,中度和重度水肿的分别4(25.0%),8(50.0%)和4(25.0%)例,而HGG中分别为24(85.72%),2(7.14%),2例(7.14%)。水肿形态,在9例PNCSL患者中发现了条纹状水肿,而在HGG患者中未观察到(P<0.01)。瘤内出血和脑表面受累均无明显统计学差异。两组之间在出血的存在和脑表面受累方面无显着差异(分别为P=0.657和0.157)。5例(31.25%)PCNSL和9例(32.14%)。PCNSL侵及脑表面出现8例(50.0%),其中2例伴有脑膜浸润,室管膜浸润4例;HGG中16例侵及脑表面(57.14%)),伴有脑膜浸润2例,室间隔浸润4例。

表2 PNCSLs与HGG的MRI特征比较

PCNSL 组患者中 DWI 呈均匀高信号为 11 例(68.75%),稍高信号为4例(25%),等信号为1例(6.25%);HGG组患者中 DWI 呈均匀高信号为 15 例(53.57%),稍高信号为 12 例(42.85%),等信号为1例(16.67%)。PCNSL 组肿瘤实质平均 ADC 值明显低于 HGG 组((0.69±0.15×10-3mm2vs 1.20±0.61×10-3mm2;P<0.05)。

图1 女,52岁,弥漫大B细胞淋巴瘤。轴位T2W(A)示右侧小脑见团块稍高信号,周围见中度条纹样水肿信号;DWI图(B)肿块呈均匀稍高信号;矢状位增强T1W示肿块均匀强化,边缘见分支样强化。

图2 男,44岁,间变性星形细胞瘤。轴位T2W(A)示左侧小脑见混杂囊实现肿块,囊性成分呈高信号,实性成分呈稍高信号,周围见轻度水肿;轴位T1W增强(B)示不规则结节、样环形强化。

2.3 多因素分析结果

根据单因素分析结果将肿瘤大小,强化方式,囊性存在和条纹样水肿及ADC值指标纳入 Logistic回归多因素分析。结果显示,增强模式,囊性存在,水肿程度,条纹样水肿及ADC值是PCNSL独立预测因素,见表3。据此结果,建立联合预测模型,绘制ROC曲线,结合显示联合常规MR特征和ADC值诊断准确性能提升至0.937,见表4。

表3 Logistic回归多因素分析结果

表4 预测模型鉴别PCNSL和HGG的诊断效能

3 讨论

小脑PCNSL和HGG在成人脑肿瘤中都是极其罕见的[7],准确的术前诊断对于治疗选择至关重要。本研究分析了成人小脑PCNSL和HGG的常规MR和DW影像特征。我们发现PCNSL和HGG患者在ADC值、肿瘤大小、强化方式、囊性情况和条纹样水肿方面存在显著差异。这些结果提示常规MR联合DW成像对鉴别小脑PCNSL和HGG有重要价值。

先前的研究报道,ADC值有助于PCNSL和GBM的鉴别,PCNSL的ADC值明显低于GBM[8-9]。这是因为ADC值与细胞密度呈负相关,而PCNSL的细胞密度和核浆比明显高于GBM[9]。同样,在本研究中,我们发现PCNSL的ADC值明显低于HGG。在实际测量中,ADC值明显依赖于ROI画取。而ADC值往往反映了异质性肿瘤细胞密度最高的区域或肿瘤增生最严重的部分。本研究采用两种方法提取ADC值,以求出肿瘤的相对最小ADC值和整个肿瘤的平均ADC值,并对二者进行了比较。结果证实PCNSL和HGG的最小ADC和数个肿瘤的平均ADC值均有显著差异,这可能有助于鉴别这两种类型的肿瘤。虽然ADC有助于区分PCNSL和HGG,但在实际操作中,两者的ADC仍存在很大重叠性,单独使用ADC值很难将两者区分。

磁共振作为脑肿瘤常规检查方法,其形态学特征对PCNSL和HHG诊断具有重要价值。在本研究中,两组的肿瘤大小、增强方式、囊性改变和条纹水肿有显著差异。HGG患者的最大直径和平均直径明显大于PNSSL患者。增强模式是PCNSL与HGG2最主要的区别。与文献相比[10-12],我们研究中的PCNSL患者均呈均匀强化,而所有HGG患者均呈不均匀强化,主要原因是HHG的肿瘤存在大量囊变、出血、坏死所致。由于该队列中的所有PCNSL都是免疫活性患者,没有出现囊性改变,增强后成像显示均匀强化。此外,66.7%的PCNSL有分支状强化,而HGG患者则没有。组织学上,PCNSL残留神经胶质细胞GFAP阳性,提示肿瘤细胞沿白质纤维生长,这可能是PCNSL沿白质纤维呈分支状强化的主要原因[12]。因此,分支状强化可能是PCNSLs的特征性征象。本研究中,我们检测到58.3%的PCNSLs出现条纹状水肿,而HGG患者则没有。组织学上,PCNSL的肿瘤细胞沿白质纤维浸润,导致瘤周水肿也沿白质纤维分布[2-3]。根据解剖组织学,皮质表面的许多平行沟将小脑分成许多横向的叶,小脑的白质被皮质包裹。因此,沿着白质的瘤周水肿也被脑沟隔开,在轴位MR图像上表现为条纹状征象[2,11]。

本研究引入Logistic回归分析,为了从众多MR特征中筛选对因变量有重要影响的变量。最终,Logistic回归分析筛选出增强模式,囊性存在,水肿程度,条纹样水肿及最小ADC值作为PCNSLs独立预测因素。多变量 logistic 回归诊断模型显示较高的准确性,灵敏度、特异度及AUC分别达到87.5%、88.0%、0.913。

综上所述,常规的MR特征,如增强方式、分枝状强化和条纹状水肿,可能有助于小脑PCNSL和HGG的鉴别,并结合ADC值的定量测量,进一步提高诊断准确率,为正确的治疗策略提供更好的指导。