合成MRI 联合基于复合灵敏度编码弥散加权成像（MUSE-DWI）鉴别子宫内膜良、恶性病变

顾海磊，唐文伟，姚 尧，张新露，黄泽波

（南京医科大学附属妇产医院放射科，江苏 南京 210004）

子宫内膜癌（endometrial cancer，EC）是最常见的围绝经期妇科恶性肿瘤［1］，近年来发病率在全球范围内呈上升趋势［1-2］。早发现、早治疗可有效提高EC 患者生存率。宫腔诊刮活检是术前诊断子宫内膜病变的重要方法，但有创，且不能充分评估病变异质性；术前常规MRI 有时较难鉴别子宫内膜癌与内膜增生及内膜息肉，耗时长、费用高，且存在对比剂过敏等风险。本研究观察以合成MRI 中的MR 图像汇编（magnetic resonance image compilation，MAGiC）联合基于复合灵敏度编码的弥散加权成像（multiplexed sensitivity encoding diffusion weighted imaging，MUSE-DWI）定量参数鉴别子宫内膜癌与内膜良性病变的效能。

1 资料与方法

1.1 研究对象 回顾性分析2021 年11 月—2022 年10 月112 例于南京医科大学附属妇产医院就诊的子宫内膜病变患者资料，年龄21～78 岁、平均（52.2±10.7）岁；其中72 例为国际妇产科联盟（International Federation of Gynecology and Obstetrics，FIGO）Ⅰ～Ⅱ期子宫内膜样腺癌（恶性组），40 例为子宫内膜增生或息肉（良性组）。纳入标准：①术前2 周内接受合成MRI 及MUSE-DWI 检查；②之后手术并经病理确诊。排除标准：①图像质量不佳；②病灶体积小致无法评估；③单纯增生合并非典型增生或局灶癌变。本研究经院伦理审查委员会批准（2023KY-120）。

1.2 仪器与方法 采用GE Signa Architect 3.0T 超导型MR 仪、30 通道自适应线圈。嘱患者适度充盈膀胱后仰卧于检查床，自骨盆入口至耻骨联合下缘进行扫描，采集轴位T1WI、T2WI、T2WI-频率选择反转恢复衰减（spectral attenuated inversion recovery，SPAIR）、MAGiC 及MUSE-DWI 图像及矢状位T2WI、冠状位SPAIR-T2WI；参数：MAGiC 序列合成MRI，采集2 个回波（TE117 ms、TE287 ms），TR 4 000 ms，TI 38 ms，FOV 340 mm×272 mm、矩阵320×256，层厚5 mm，层间距1 mm，回波链长度16，加速因子2.25，扫描时间3 min 30 s；MUSE-DWI b 值取50 s/mm2和800 s/mm2，TE 80 ms，TR 7 000 ms，FOV 280×180 mm，层 厚5 mm，层间距1 mm，加速因子2，扫描时间2 min。

1.3 分析图像 于GE AW 4.4 工作站、利用MAGiC后处理程序（版本100.1.1）合成MRI。由不知晓病理结果、具有3 年妇产MRI 诊断经验的住院医师及14 年经验的主治医师各1 名独立分析显示病变最大面积的轴位图像，以视觉观察避开坏死或囊性区手动绘制病灶ROI；工作站自动得出ROI 定量参数，包括T1 值、T2 值、质子密度（proton density，PD）及表观弥散系数（apparent diffusion coefficient，ADC）。重复上述操作3 次，取平均值作为结果（图1、2）。

图1 患者女，35 岁，子宫内膜增生，轴位平扫定量MRI A.定量ADC 图；B.定量T1 图；C.定量T2 图；D.定量PD 图（圈示病灶）

图2 患者女，52 岁，子宫内膜癌，轴位平扫定量MRI A.定量ADC 图；B.定量T1 图；C.定量T2 图；D.定量PD 图（圈示病灶）

1.4 统计学分析 采用SPSS 27.0 和MedCalc 22.0统计分析软件。以描述正态分布计量资料，组间行独立样本t检验；以中位数（上下四分位数）描述偏态分布计量资料，组间行Mann-WhitneyU检验。采用组内相关系数（intra-class correlation coefficient，ICC）评估观察者间一致性，以ICC＞0.80 为一致性强，0.40～0.80 为一致性中等，＜0.40 为一致性差。以logistic 回归分析评估鉴别子宫内膜良、恶性病变的独立因素，并据以建立单变量及联合模型，以Hosmer-Lemeshow 检验评估模型的拟合优度；绘制受试者工作特征（receiver operating characteristic，ROC）曲线，计算曲线下面积（area under the curve，AUC）评估各模型鉴别子宫内膜病变良、恶性的效能，以DeLong 检验进行比较。P＜0.05 为差异有统计学意义。

2 结果

2.1 基本资料 恶性组患者年龄及病灶长径均大于良性组（P均＜0.05），见表1。

表1 良、恶性子宫内膜病变患者基本资料及病灶MRI 定量参数比较

2.2 MRI 定量参数 定量参数ADC、T1、T2 及PD值观察者间一致性较高，ICC分别为0.94、0.89、0.95和0.93（P均＜0.05）。相比良性组，恶性组ADC、T2及PD 值均较低（P均＜0.05），而组间T1 值差异无统计学意义（P=0.074），见表1。

2.3 诊断效能 根据单因素logistic 回归分析结果构建的预测子宫内膜良、恶性病变单变量模型中，ADC模型、T2 模型及PD 模型的AUC 分别为0.966、0.618及0.664。以多因素logistic 回归分析构建预测子宫内膜良、恶性病变的联合模型中，ADC+T2+PD 模型的AUC 为0.970，最佳截断值相应敏感度为97.18%、特异度92.68%、准确率95.53%；T2+PD 模型的AUC为0.668。见表2。DeLong 检验显示，ADC 单变量模型与ADC+T2+PD 联合模型的AUC 差异无统计学意义（校正P＞0.05），而均高于T2、PD 单变量模型与T2+PD 联合模型（校正P均＜0.05），后三者之间AUC 差异均无统计学意义（校正P均＞0.05），见图3。

表2 以单变量模型或联合模型预测子宫内膜良、恶性病变的ROC 分析结果

图3 以合成MRI 及MUSE-DWI 定量参数单变量模型及联合模型预测子宫内膜良、恶性病变的ROC 曲线

3 讨论

利用合成MRI 能进行快速、可重复的定量分析，准确的弛豫时间（T1、T2）和PD 可反映不同组织的内在特性。作为合成MRI 的一种，MAGiC 可基于组织弛豫特性重建多种对比加权图像［3］，相比传统定量方法明显缩短扫描时间、提高可重复性，且其衍生的定量映射与传统MRI 具有良好相关性，已用于鉴别前列腺肿瘤、乳腺肿瘤、鼻咽癌及宫颈癌等［3-7］，用于肿瘤可视化及影像学评估肿瘤具有明显优势。

T1 值主要反映组织细胞成分及分子微环境等［7-8］。本研究结果显示，子宫内膜良、恶性病变之间的T1 值差异无统计学意义（P=0.074），可能T1WI 组织对比度较低，致其鉴别诊断价值有限。本研究恶性组PD值低于良性组，表明PD 值所反映的水分子含量组间存在差异。T2 值亦可定量反映组织水含量［9］；T2WI具有良好组织对比度和空间分辨率。本研究恶性组T2 与PD 值均低于良性组，可能为恶性肿瘤细胞体积较大、排列更为紧密，细胞外间隙含水量降低所致。上述结果提示T2 及PD 值对于鉴别子宫内膜良、恶性病变均具有一定参考价值。

MUSE-DWI 是基于多点平面回波成像的弥散加权成像（diffusion weighted imaging，DWI）高分辨率编码成像，用于中枢神经系统、乳腺、肝脏及小肠等器官或系统［10-12］可提高几何保真度、减少磁敏感伪影，较传统DWI具有更好的信噪比及更高的空间分辨率［11，13］。本研究结果显示，子宫内膜恶性病变的ADC 低于良性病变（P＜0.001）。ADC低表明分子随机扩散受限，可能恶性病变中的细胞密度较高，限制水分子在其内的扩散［14］。

本研究利用logistic 回归分析建立的单变量模型中，T2 及PD 值模型预测子宫内膜良、恶性病变的效能较低，可能原因如下：①ROI 未能包含整个病变且避开坏死囊变区，导致所测参数未能充分体现肿瘤异质性；②T2 及PD 值反映组织间含水量的差异，子宫内膜良、恶性病变水含量虽有一定差异，但可能并不显著。ADC 可综合反映组织含水量及随机扩散运动并以后者为主，使DWI 鉴别良、恶性肿瘤具有优势。本研究采用的MUSE-DWI 具有更好的信噪比，所获ADC 单变量模型及ADC+T2+PD 联合模型的诊断效能显著高于T2、PD 单变量模型及T2+PD 联合模型。

综上，合成MRI 联合MUSE-DWI 可用于鉴别子宫内膜良、恶性病变；单变量模型中，ADC 用于鉴别子宫良、恶性病变效能相对高，而T2 及PD 值可作为参考以降低假阳性；应用上述模型可减少不必要的有创检查，有望成为鉴别子宫内膜良、恶性病变的有效途径。但本研究为单中心、回顾性分析，病例数较少，且未纳入不典型增生及局灶癌变病例，有待后续通过开展前瞻性、多中心、大样本研究进一步观察。

利益冲突：全体作者声明无利益冲突。

作者贡献：顾海磊研究实施、数据分析、撰写文章；唐文伟指导、研究设计、审阅文章；姚尧图像处理和分析；张新露图像分析；黄泽波图像处理、统计分析。