基于全腫瘤ADC圖紋理特征診斷腦膠質瘤分級

梅東東，羅 燕，龔靜山*，彭全洲，成志強

(1.暨南大學附屬第二臨床醫學院 深圳市人民醫院放射科，2.病理科，廣東 深圳 518020)

膠質瘤是顱內最常見的原發惡性腫瘤，具有侵襲性及較高異質性，預后差[1]。早期、分級診斷腦膠質瘤對選擇治療方案及判斷預后有重要作用。WHO將膠質瘤分為Ⅰ～Ⅳ級[2]，其中Ⅰ、Ⅱ級為低級別膠質瘤(low grade glioma， LGG)，Ⅲ、Ⅳ級為高級別膠質瘤(high grade glioma， HGG)。由于膠質瘤異質性較高，組織病理學檢查、特別是活檢獲得的組織標本存在取樣誤差。MRI是腦膠質瘤的首選檢查方法，具有無創、軟組織分辨率高且可進行功能成像的優點，已越來越多地應用于腦膠質瘤分級；但不同級別腦膠質瘤間影像學表現重疊較多，僅靠傳統的圖像分析方式難以對膠質瘤進行準確分級。近年來，隨著計算機科學的發展，從影像大數據中高通量提取大量、肉眼無法捕捉的圖像高級信息，并通過分析這些信息用于診斷疾病和建立預測模型，即放射組學，已成為具有廣闊應用前景的技術手段，更有望成為醫學影像學與精準醫療間的橋梁[3]。ADC值是DWI的定量參數，可用于分級診斷膠質瘤，但存在較大爭議，原因可能是單純ADC平均值和直方圖難以反映腫瘤異質性[1,4]。紋理特征分析可通過分析圖像像素或體素灰度值分布和相關性來定量評價腫瘤的異質性[5]。本研究采用放射組學軟件高通量提取腦膠質瘤全腫瘤ADC圖的紋理特征，分析紋理特征與膠質瘤級別的相關性，旨在為臨床在體分級診斷膠質瘤提供影像學生物標記，以協助制定和實施個性化治療方案。

1 資料與方法

1.1 一般資料 收集2010年1月—2018年6月我院經病理證實的66例腦膠質瘤患者，男38例，女28例，年齡18～72歲，平均(42.7±14.0)歲。納入標準：①術前1個月內接受MR掃描，且掃描序列齊全；②未接受放化療；③病理診斷為腦膠質瘤，且有分級結果。排除標準：①患者年齡<18歲；②圖像質量差，達不到后處理要求；③所有序列圖像均無法明確腫瘤邊界。66例中，WHOⅡ級25例(LGG組)；Ⅲ、Ⅳ級分別15例、26例(HGG組，n=41)，無Ⅰ級者。

1.2 儀器與方法 采用Siemens Magnetom Skyra 3.0T和Magnetom Avanto 1.5T MR系統，20通道、8通道相控陣頭顱線圈。平掃序列包括脂肪抑制快速梯度回波序列T1W，TR 500 ms，TE 2.5 ms，FOV 220 mm×230 mm，層厚5 mm；脂肪抑制快速自旋回波序列T2W，TR 6 000 ms，TE 97 ms，FOV 200 mm×230 mm，層厚 5mm；T2-FLAIR，TR 8 000 ms，TE 85 ms，FOV 220 mm×230 mm，層厚5 mm；DWI，TR 4 300 ms，TE 73 ms，FOV 230 mm×230 mm，層厚5 mm，b值為0和1 000 s/mm2。增強掃描：經靜脈注射釓噴酸葡胺，0.1 mmol/kg體質量，采集軸位、矢狀位、冠狀位T1WI，參數同平掃。

1.3 圖像特征提取 由2名工作經驗分別為3年和5年的影像科醫師在不知曉病理結果的情況下獨立完成圖像特征提取。將MRI以DICOM格式導入3DSlicer軟件(Version3.9.0，http://www.slicer.org)中進行腫瘤分割，具體步驟(圖1)：①參照T1WI、T2WI及增強掃描圖像，在ADC圖像上逐層勾畫腫瘤邊界，軟件自動分割整個腫瘤體積[6]；②采用開源Pyradiomics軟件包(https://github.com/Radiomics/pyradiomics)自動提取分割腫瘤的影像組學特征，最終獲取107個紋理特征，包括形態特征14個，一階統計特征18個，灰度共生矩陣特征(gray level co-occurrence matrix， GLCM)24個，灰度游程矩陣特征16個，灰度大小區域特征16個，鄰域灰度差分矩陣特征5個，灰度相關矩陣14個。

1.4 統計學分析 采用SPSS 13.0統計分析軟件。對年齡、組學特征參數進行K-S正態檢驗，不符合正態分布的計量資料以中位數(上下四分位數)表示，符合正態分布者以±s表示。采用組內相關系數(intraclass correlation coefficient， ICC)評價2名醫師提取特征的一致性，ICC>0.75為一致性好。剔除ICC≤0.75的紋理特征，對一致性好的特征取2名醫師測量數據的平均值；采用Mann-WhiteneyU檢驗比較LGG與HGG組間差異。由于放射組學特征較多，對P值進行Bonferroni校正，P<0.05/96≈0.000 5為差異有統計學意義。

圖1 腫瘤分割示意圖 A.原始ADC圖； B.手動勾畫腫瘤邊緣； C.手動填充勾畫的區域，包含整個腫瘤體積； D.軟件自動分割的腫瘤體積

圖2 患者女，67歲，左側頂枕葉HGG，WHO Ⅲ級，ADC圖示信號不均，存在低ADC值(長箭)和高ADC值(短箭)區域，全腫瘤的區域熵為7.41 圖3 患者女，50歲，右側顳葉LGG，WHO Ⅱ級，ADC圖示信號不均，存在低ADC值(長箭)和高ADC值(短箭)區域，全腫瘤的區域熵為5.75

LGG組與HGG組間性別比較采用χ2檢驗；年齡符合正態分布，比較采用兩獨立樣本t檢驗。將2組間差異有統計學意義的參數納入Logistic回歸分析模型，以似然比前進法篩選出預測HGG的獨立危險因素；繪制ROC曲線評價最終篩選的相關特征對HGG的診斷效能。P<0.05為差異有統計學意義。

2 結果

HGG組與LGG組患者年齡、性別差異均有統計學意義(P均<0.05，表1)。107個影像組學特征中，96個特征2名醫師測量值一致性好(ICC>0.75)。對這96個影像組學特征取平均值，經Bonferroni校正，HGG組與LGG組間表面體積比、總能量及區域熵差異有統計學意義(P均<0.000 5，表1，圖2、3)。

Logistic多因素回歸分析結果顯示，年齡[P=0.002，優勢比(odds ratio，OR)=1.090，95%CI(1.033，1.149)]和區域熵[P=0.003，OR=2.984，95%CI(1.440，6.183)]為預測HGG的獨立危險因素。

ROC曲線結果顯示，區域熵鑒別HGG與LGG的ROC曲線下面積為0.752(P=0.001)，臨界值為6.78，敏感度為63.4%，特異度為72.0%；區域熵聯合年齡鑒別HGG與LGG的ROC曲線下面積為0.844(P<0.001)，敏感度為75.6%，特異度為88.0%(圖4)。

3 討論

腦膠質瘤的級別是影響治療方案選擇及預后的重要因素[7-8]。對LGG通常進行手術治療，且患者預后較好；對HGG則需在手術切除之外加行放射治療或化學治療，且患者5年生存率較低[9]。腫瘤惡性程度越高，細胞的密集度越高，內部成分越復雜，其異質性越高。膠質瘤的空間異質性較高，而組織病理學檢查、特別是活檢獲得組織標本有限，存在取樣誤差。MRI無創、無輻射、無骨骼偽影，有良好的軟組織分辨力，是診斷和隨訪膠質瘤的首選影像學方法。DWI能夠在體觀察水分子擴散運動，其參數ADC值可直接定量反映體素內水分子擴散運動受限的程度，進而評價腫瘤的良惡性。目前有關ADC值評價膠質瘤分級的研究結果存在分歧，Murakami等[10]認為最小ADC值對應膠質瘤高級別區域，而極差(最大值與最小值差)增大與整個腫瘤的分級相關；然而也有報道[11-12]稱LGG和HGG的最小ADC值差異無統計學意義，根據ADC值無法區分LGG和HGG，可能與膠質瘤具有較高異質性、腫瘤在空間上存在分化程度不一致有關[5]。

圖4 區域熵和區域熵聯合年齡鑒別HGG與LGG的ROC曲線

表1 LGG組與HGG組患者一般資料和腫瘤影像組學特征比較

放射組學首次被Lambin等[13]定義為從影像圖中高通量提取大量影像特征以評價腫瘤的異質性；之后其概念完善為通過影像學手段(CT、MRI、PET等)高通量地提取大量影像信息，將視覺影像信息轉化為深層次的紋理特征，如一階特征、形狀特征、GLCM特征等[14]，憑借對影像大數據信息進行更深層次的挖掘、預測和分析，來輔助醫師做出最準確的診斷。近年來，放射組學逐漸用于肺腫瘤、頭頸部腫瘤、乳腺腫瘤、直腸腫瘤等研究領域，在預測腫瘤治療效果、預后及復發轉移和術前評估淋巴結轉移等方面取得了明顯成果[14]。在膠質瘤方面，Kang等[15]比較不同級別膠質瘤全腫瘤ADC值的直方圖參數，發現根據ADC的累計頻數分布圖的50%位數能夠較好地區分HGG和LGG。Ryu等[4]分析40例腦膠質瘤ADC圖的GLCM特征，結果表明熵能較好地鑒別HGG和LGG。

本研究分析腦膠質瘤全腫瘤ADC圖的多階紋理特征，共獲得107個特征，可全面反映整個腫瘤的異質性。為保證研究的可比性，采用開源軟件提取膠質瘤ADC圖的多階紋理特征，通過單因素及多因素分析進行特征降維，最終確定區域熵與膠質瘤分級的相關性最高，為預測HGG的獨立危險因素(P=0.003，OR=2.984)。區域熵為更為高階紋理特征，表示區域大小及灰度的不確定性或隨機性，反映圖像的不均勻性，其值越大，表示腫瘤的異質性越高。腫瘤異質性與內部空間變異、血管生成、細胞外間質和壞死區有關[5]。HGG惡性程度高，易發生囊變壞死，內部結構比LGG更為復雜，異質性高于LGG。本研究顯示區域熵鑒別HGG與LGG具有中等診斷效能，ROC曲線下面積為0.752；患者年齡是HGG的危險因素，與Tian等[16-17]研究結果一致；聯合應用區域熵和年齡鑒別HGG與LGG，ROC曲線下面積為0.844，敏感度為75.6%，特異度為88.0%,表明聯合紋理特征與臨床特征能比單獨使用紋理特征更好地鑒別HGG與LGG。

由于放射組學特征較大，且算法不統一，對特征的篩選和降維是尚未解決的關鍵問題之一[18]。Berenguer等[19]研究CT圖像的放射組學特征，發現約91%的組學特征具有可重復性，但大部分特征冗余。本研究經一致性檢驗發現，基于ADC值獲得的全腫瘤組學特征中，89.72%(96/107)的特征在2名醫師間有較好的一致性。由于組學特征變量較多，本研究對單因素分析結果進行Bonferroni校正，對特征進行較為嚴格的篩選，盡量剔除重復冗余的特征，最后有3個組學特征進入多因素Logistic回歸模型。

本研究的局限性：①為回顧性分析，樣本存在選擇性偏倚；②未根據圖像特征重新進行多點取材，以明確判斷病理分級：③對于數量龐大的組學特征，僅采用單因素及多因素分析進行特征篩選，未采用相對復雜的算法進行降維和對研究結果進行驗證。

綜上所述，根據ADC圖的紋理特征可以很好地鑒別HGG與LGG，聯合臨床特征后具有較高診斷效能，有望為臨床提供新的無創且能量化圖像信息技術手段，用于精確評價腦膠質瘤分級，具有廣闊的應用前景。