基于磁共振常規(guī)序列的紋理分析在鑒別四肢軟組織腫瘤良惡性中的應用價值

馮茜茜 韓福剛 肖 燕 何曉鵬

四肢軟組織腫瘤（soft tissue tumors，STTs）種類較多，組織學類型多樣，診斷困難［1］。雖然MRI在四肢軟組織腫瘤的診斷與鑒別中發(fā)揮著重要的作用［2］，但由于軟組織腫瘤生長具有時間和空間的異質(zhì)性，其影像學表現(xiàn)缺乏特異性，常規(guī)MRI成像序列難以有效鑒別四肢軟組織腫瘤的良惡性［3］。本研究搜集四肢良惡性軟組織腫瘤的MRI?T2WI壓脂圖像進行紋理分析，旨在探討基于MRI圖像的紋理分析鑒別四肢軟組織腫瘤良惡性的能力。

方 法

1.臨床資料

收集2017年5月—2020年4月在我院就診并且均經(jīng)病理證實的四肢軟組織腫瘤患者。納入標準：①具有完整的臨床及病理資料；②在術(shù)前均行MRI掃描，掃描序列包括T2WI壓脂序列。排除標準：①圖像有偽影，影響觀察；②病灶太小不易勾畫；③入院前進行相關(guān)治療；④病理結(jié)果參照2013年版WHO軟組織腫瘤分類標準［4］屬于中間性腫瘤。最終納入79例四肢軟組織腫瘤患者進行研究，其中男性41例，女性38例；年齡12～76歲，平均年齡（45.65±16.91）歲。所有腫瘤根據(jù)病理結(jié)果分為良性組和惡性組：良性組共35例，包括血管瘤12例、神經(jīng)鞘瘤9例、結(jié)節(jié)性筋膜炎5例、腱鞘巨細胞瘤3例、骨化性肌炎2例、肌內(nèi)黏液瘤1例、淋巴管瘤2例、脂肪母細胞瘤1例；惡性組共44例，包括平滑肌肉瘤5例、滑膜肉瘤6例、泡狀軟組織肉瘤2例、脂肪肉瘤8例、未分化肉瘤5例、纖維黏液肉瘤2例、橫紋肌肉瘤4例、惡性神經(jīng)鞘瘤2例、纖維肉瘤3例、血管肉瘤2例、肌纖維母細胞肉瘤2例、高級別低分化肉瘤3例。

2.掃描方法及設(shè)備

所有患者均在3.0 T超導磁共振（荷蘭飛利浦公司）機器上進行MRI掃描，MRI?T2WI壓脂序列掃描參數(shù)：短時反轉(zhuǎn)恢復序列（STIR），重復時間（TR）2 500~3 500 ms，TI 100~200 ms，回波時間（TE）20~50 ms，層厚3.0~5.0 mm，視野（FOV）120 mm×120 mm~300 mm×300 mm，矩陣256×256。

3.圖像后處理與紋理特征提取

通過ITK?SNAP 3.8.0軟件對患者的MRI?T2WI壓脂圖像進行感興趣區(qū)（region of interest，ROI）的勾畫。由1名診斷經(jīng)驗豐富的放射科醫(yī)生在病灶面積最大的層面勾畫ROI，勾畫內(nèi)容包含病灶實性、出血、囊變、壞死區(qū)域（圖1）。應用A.K紋理分析軟件（Artificial Intelligence Kit；GE公司）提取紋理特征，共提取出紋理特征共387個，包括144個灰度共生矩陣特征（grey level co?occurrence matrix，GLCM）、180個灰度游程矩陣特征（run length matrix，RLM）、42個直方圖特征（histogram）、10個Haralick特征（Haralick）、11個灰度區(qū)域大小矩陣特征（grey level size zone matrix，GLSZM）。其中GLCM與RLM均勾選1、4、7步長進行計算。對所有參數(shù)進行預處理：①將異常值替換為所在列的中位數(shù)；②參照公式x'=（x-μ）/σ進行標準化處理（x表示單個特征數(shù)據(jù)，μ表示該列數(shù)據(jù)的平均值，σ表示該列數(shù)據(jù)的標準差）。

4.統(tǒng)計學分析

采用SPSS 25.0統(tǒng)計學軟件分析，正態(tài)分布數(shù)據(jù)以均數(shù)±標準差（±s）表示，偏態(tài)分布數(shù)據(jù)以中位數(shù)（上四分位數(shù)，下四分位數(shù)）表示；定性資料采用卡方檢驗，定量資料采用兩獨立樣本t檢驗或Mann?WhitneyU檢驗。通過R 3.6.2軟件運用Spearman相關(guān)分析方法去除冗余（設(shè)置閾值為0.8），再運用最小絕對收縮與選擇算子（LASSO）回歸方法降維，最后采用多因素邏輯回歸逐步分析方法建立預測模型。采用MedCalc 15.2.2軟件繪制受試者操作特征（ROC）曲線，根據(jù)曲線下面積（AUC）評價模型中各紋理特征及預測模型鑒別良惡性四肢軟組織腫瘤的診斷效能。以P<0.05表示差異具有統(tǒng)計學意義。

結(jié) 果

1.一般資料

良惡性四肢軟組織腫瘤患者組間比較結(jié)果顯示：2組患者年齡、性別的差異均無統(tǒng)計學意義（t=0.616，P=0.540；χ2=0.143，P=0.705）。

2.紋理特征分析結(jié)果

經(jīng)LASSO回歸分析降維及多因素邏輯回歸分析（結(jié)果見表1）后，T2WI壓脂預測模型的組成特征如下。3個直方圖參數(shù)：總體素值（Voxel Value Sum）、峰度（Kurtosis）、偏度（Skewness）；2個共生矩陣參數(shù)：全角慣性_步長1_標準差（Inertia_All Direction_offset1_SD）、0度相關(guān)性_步長7（Correlation_angle0_offset7）；1個游程矩陣參數(shù)：135度短游程優(yōu)勢_步長4（Short Run Emphasis_angle135_offset4）。預測模型對應的回歸方程：Ln［p/（1-p）］=-1.082-2.582×峰度+0.539×總體素值+1.009×偏度+1.154×全角慣性_步長1_標準差+0.836×0度相關(guān)性_步長7-1.948×135度短游程優(yōu)勢_步長4。

表1 基于T2WI壓脂圖像紋理特征多因素邏輯回歸分析結(jié)果

預測模型中紋理特征參數(shù)在四肢軟組織腫瘤良惡性組間比較，差異均具有統(tǒng)計學意義（P<0.05），良性組的總體素值、偏度、0度相關(guān)性_步長7均低于惡性組，良性組的峰度、全角慣性_步長1_標準差、135度短游程優(yōu)勢_步長4均高于惡性組。詳見表2。

表2 預測模型中紋理參數(shù)在四肢軟組織腫瘤良惡性組間比較結(jié)果

3.ROC曲線分析結(jié)果

總體素值、峰度、偏度、全角慣性_步長1_標準差、0度相關(guān)性_步長7、135度短游程優(yōu)勢_步長4鑒別四肢軟組織腫瘤良惡性的ROC曲線下面積（AUC）分別為0.778、0.671、0.681、0.695、0.711、0.683，其中總體素值的診斷效能最高。T2WI壓脂預測模型鑒別四肢軟組織腫瘤良惡性的曲線下面積為0.925，相較于單個特征參數(shù)診斷效能更高，特異度為83.34%，靈敏度為90.91%。詳見表3、圖2。

圖2 T2WI壓脂預測模型中單個紋理特征參數(shù)及預測模型的ROC曲線

表3 T2WI壓脂預測模型中單個紋理特征參數(shù)及預測模型ROC曲線分析結(jié)果

討 論

雖然一部分四肢良惡性軟組織腫瘤容易被鑒別，但Crim等［5］學者發(fā)現(xiàn)：在MRI影像中，邊緣、信號強度、大小、周圍高信號、明顯的神經(jīng)血管束包繞或移位以及骨侵犯區(qū)分四肢良惡性軟組織腫瘤并不可靠，仍然需要依靠病理活檢來診斷其組織學類型或者分級［6-7］。紋理分析是一種先進的計算機輔助技術(shù)，可通過定量評估腫瘤的紋理粗糙程度及像素分布來量化腫瘤的組織異質(zhì)性，以達到對腫瘤進行分級和良惡性判斷的目的［8］。

Mayerhoefer等［9］學者發(fā)現(xiàn)由STIR圖像提取出的最具鑒別意義的10個紋理特征均屬于灰度直方圖特征，其中第1個和第10個灰度百分位特征是鑒別軟組織腫瘤良惡性的最優(yōu)特征（Fisher系數(shù)＞1）。本研究結(jié)果顯示，由T2WI壓脂圖像提取出的最具鑒別意義的紋理特征也有部分屬于灰度直方圖特征，即總體素值、峰度和偏度。總體素值表示ROI中包含的體素的總和，本研究中良性組總體素值明顯低于惡性組，可能與惡性腫瘤的面積更大，更易出血、液化、壞死有關(guān)。本研究結(jié)果顯示良性組的峰度明顯高于惡性組，這與Nakajo等［10］的研究結(jié)果不一致。峰度值是描述樣本構(gòu)成分布的陡緩程度的統(tǒng)計量，反映了該樣本構(gòu)成分布的平坦度或尖銳度，本研究中惡性組的峰度值小于良性組，分布平坦，這種現(xiàn)象可能跟惡性腫瘤生長較快，其內(nèi)部成分較良性腫瘤更復雜有關(guān)。偏度表示平均值分布的不對稱性，本研究結(jié)果顯示，良性組為負偏態(tài)分布，惡性組為正偏態(tài)分布。慣性反映了圖像的清晰度，值越大表示圖像越清晰，值越小表示圖像越模糊；相關(guān)性反映了圖像中局部灰度的相關(guān)程度，值越大表示矩陣元素值相似，值越小表示矩陣元素值相差很大；本研究中良性組全角慣性_步長1_標準差高于惡性組，良性組0度相關(guān)性_步長7明顯低于惡性組，均提示四肢良性軟組織腫瘤的圖像灰度值變化較小，病灶異質(zhì)性低。短游程優(yōu)勢的值越大表示圖像的紋理更精細，本研究結(jié)果顯示良性組135度短游程優(yōu)勢_步長4高于惡性組，提示良性腫瘤的紋理更規(guī)則、均勻。

本研究ROC曲線分析結(jié)果顯示，基于T2WI壓脂圖像預測模型的紋理參數(shù)中，鑒別四肢良惡性軟組織腫瘤的診斷效能最高的紋理特征是總體素值（AUC=0.778），且特異度最高（82.00%）；診斷效能最低的紋理特征是峰度（AUC=0.671），且特異度最低（42.86%）。本研究應用多因素邏輯分析方法建立相應的預測模型，并通過ROC曲線分析預測模型的診斷效能，結(jié)果顯示，預測模型的AUC均高于單個特征參數(shù)的AUC，診斷效能更高（AUC=0.925，靈敏度=90.91%，特異度=80.00%），這表明納入多個參數(shù)進行聯(lián)合診斷大大提高了鑒別能力。

本研究的局限性：本研究只選擇腫瘤面積最大的層面繪制ROI，只能反映腫瘤的部分信息，且人為勾畫ROI時存在誤差，在今后的研究中需盡量減少這些誤差；另外，本研究為回顧性研究，在病例選擇上容易出現(xiàn)偏倚，并且本研究樣本量不足，需進一步擴大樣本量。

綜上所述，基于T2WI壓脂圖像提取的6個最優(yōu)紋理特征（總體素值、峰度、偏度、全角慣性_步長1_標準差、0度相關(guān)性_步長7、135度短游程優(yōu)勢_步長4）在鑒別四肢軟組織腫瘤良惡性中均存在一定價值，其中以總體素值的診斷效能較好，但最優(yōu)的單個紋理特征的診斷效能仍低于預測模型的診斷效能，提示基于T2WI壓脂圖像建立的預測模型在鑒別四肢良惡性軟組織腫瘤中具有巨大的潛力。