基于腐蝕操作對腦膜瘤術前MRI瘤周浸潤量化的初步研究

戴偉才 余 娟 顧文晶 張小青

1.深圳市龍崗區第五人民醫院放射科，廣東深圳 518000；2.深圳市第二人民醫院醫學影像科，廣東深圳 518000

腦膜瘤是顱內最常見的原發腫瘤之一，發病率占顱內原發腫瘤的36%[1-2]。《2016年中樞神經系統腫瘤WHO分類》將腦膜瘤分為WHO Ⅰ、Ⅱ、Ⅲ級[3]。既往研究[4-5]表明，低級別腦膜瘤（WHO Ⅰ級腦膜瘤）的增殖活性較低，侵襲性較弱，預后大部分較好；高級別腦膜瘤（WHO Ⅱ～Ⅲ級腦膜瘤）增殖活性高，侵襲性強，表現出腫瘤邊界模糊、向周圍組織浸潤、手術治療后易復發和存活率下降等，較低級別腦膜瘤預后差。隨著研究的深入，發現伴瘤周腦組織浸潤的WHO Ⅰ級與WHOⅡ級腦膜瘤復發率和病死率相當[6]。了解腦膜瘤瘤周浸潤的情況，對臨床治療方式選擇及切除范圍的評估具有極大的價值。目前對腦膜瘤瘤周浸潤情況的評估方式主要是術前的影像學評估及術后的病理學評估（金標準）。但術前影像學評估主要通過醫生自身的經驗性判斷，尚無規范、定量的標準描述，不同資歷的醫生對同一患者的MRI圖像可能做出不一樣的判斷，結論具有主觀性。腐蝕操作是最基本的形態學操作，主要用途是消除噪聲、分割出獨立的圖像元素，在圖像中連接相鄰的元素、尋找圖像中明顯的極大值或極小值區、求出圖像的梯度[7-8]。本研究旨在探尋腦膜瘤術前MRI中瘤周浸潤的有效量化方法，為腦膜瘤的術前評估提供一種新的方式。

1 資料與方法

1.1 一般資料

回顧性收集2014年1月至2020年12月深圳市第二人民醫院（我院）就診的腦膜瘤患者的術前MRI圖像及術后病理資料。納入標準：術后組織病理學均確診為腦膜瘤；患者均在術前行頭顱MRI檢查。排除標準：組織病理學結果不明確，包括腦膜瘤診斷不肯定、侵襲性判斷不肯定的患者；MRI圖像資料偽影明顯，難以辨認；所需圖像序列不齊全。本研究共納入323例患者，其中男92例，女231例，年齡20～82歲，平均（51.36±7.46）歲，全部患者均為首次手術，且術前未進行其他治療。其中WHO Ⅰ級腦膜瘤289例，WHO Ⅱ級腦膜瘤29例，WHO Ⅲ級腦膜瘤5例；術后病理提示有瘤周浸潤82例，包含WHO Ⅰ級腦膜瘤48例，WHO Ⅱ～Ⅲ級腦膜瘤34例；未見瘤周浸潤的241例，均為WHO Ⅰ級腦膜瘤。本研究符合醫院醫學倫理委員會病理資料收集規范。

1.2 量化算法設計及操作流程

1.2.1 圖像數據初步處理 研究的圖像序列選取常規平掃T1WI序列橫斷位，層面選擇為腫瘤最大徑層面，圖像均去除患者的個人信息等標識，僅保留灰度圖像。采用Matlab軟件將.DICOM格式的MRI圖像轉化為halcon軟件能夠讀取的.BMP格式。

1.2.2 人工閱片 在未知病理結果的情況下，由兩位職稱為副主任醫師的影像科醫生，采用雙盲法閱讀患者MRI圖像（僅T1WI序列），閱片前所有病例隨機打亂不分組，未知侵襲性情況及病理情況，僅根據自身經驗及觀察到的影像學表現，評估是否具有侵襲性。

1.2.3 腫瘤區域的標定 將所有圖像導入halcon軟件（版本20.05），在圖像操作界面中進行手工標定腫瘤區域ROI，為了避免人為操作因素、個人經驗等導致的誤差，要求由至少兩名醫生一起閱片觀察，取得一致意見后確定ROI。

1.2.4 圖像分割 采用動態閾值分割算法[9]，對原始圖BMP進行動態閾值分割操作，所有像素差小于T的所有點集將被分割作為前景，即為1，而像素差大于T的所有點集將被分割作為背景，即為0，得到二值圖A，設動態閾值為T，可表示為：T=T[x，y，f（x，y），p（x，y）]其中，f（x，y）為點（x，y）的灰度值，p（x，y）為點（x，y）鄰域的局部特征。動態閾值T不僅與f（x，y）、p（x，y）有關，還與像素所在點的坐標有關。本研究設定的像素差為5。

1.2.5 腐蝕操作及算法設計 （1）針對ROI范圍內操作，通過比例縮小的方式，提取腫瘤的內部特征之一（信號強度）作為初始模板，尋找所有與原始圖中所有與腫瘤內部特征相同的像素，在相應的二值圖A中則為白色部分，即為1，其他背景為二值圖中的黑色部分，即為0。（2）尋找與腫瘤內部特征鄰域關系相同的點：①以腫瘤內部特征作為初始模板，對腫瘤區域ROI的最外層進行腐蝕操作，分層尋找與初始模板特征相同的點集，點集對應二值圖A 相應的點，即收集像素寬度為1 的對應點集Ai；②如果A 中沒有值為1 的點，證明該層中不存在與腫瘤信號強度特征相同的點，則輸出結果為0，否則對A 繼續進行腐蝕操作，收集所有與腫瘤信號強度特征一致的點集；③計算出上述點集Ai 中所有相鄰的點，相鄰的點所在的點集用Bi 表示，計算的方法是：找到Ai 點集中某一個值為1 的點，即Ai（k，1）=1，假設另一個點B（i-1）（k，1）=1，而且同時存在臨近的點Bi（，t）=1，使其滿足公式：

即假設某一點a（0，0），令其值為二值圖中的1（某一個腫瘤信號強度特征一致的點），尋找其周圍四個方位的四個點（0，1）、（0，-1）、（-1，0）、（1，0），只要這四個點中的其中一個點與a 點在坐標上差值絕對值≤1，則證明該點與點A 是連續的點，圖像中則表現為延續的像素，反之，如果四個點中找不到值為1 的點，那么證明a 點與周圍的點均無延續性。圖像上即令腫瘤組織的某一點為點a，尋找周圍與其相連續的像素點，如果存在某一點或多個點與之相延續，則證實周圍的像素點也為腫瘤組織的成分，反之，證明a 點周圍的組織中無腫瘤的成分；④令Bi=Σk，jA（k，j）/Σk，jB（k，j）令Bs=Bs+Bi。即通過卷積運算，求取所有相連續的點的總和。令i=i+1，返回上述操作。（3）求取點集Bi在點集Ai 的占比，結果輸出為ABs，即為腦膜瘤侵襲性的量化參數。（4）每個病例重復三次上述操作，求取所有的ABs 均值。

1.3 觀察指標及評價標準

①統計腦膜瘤瘤周浸潤量化結果。②通過繪制腦膜瘤瘤周浸潤量化受試者工作特性曲線（receiverop eratingcharacteristiccurve，ROC）確定最佳臨界值，作為有無瘤周浸潤的最佳截斷值，并計算診斷效能。③統計醫師1、醫師2的閱片結論，并對兩位醫生閱片結論的一致性進行檢驗。④比較醫師1、醫師2的閱片結論與量化算法診斷效能，包括敏感度、特異度、陽性預測值、陰性預測值、準確度。敏感度=真侵襲例數/（真侵襲+假侵襲）例數；特異度=真無侵襲例數/（假侵襲+真無侵襲）例數；陽性預測值=真侵襲例數/（真侵襲+假侵襲）例數；陰性預測值=真無侵襲例數/（真無侵襲+假無侵襲）例數；準確度=（真侵襲+真無侵襲）例數/總例數。⑤計算量化算法對WHOⅠ級腦膜瘤侵襲性的診斷敏感度、特異度。

1.4 統計學方法

采用SPSS 22.0統計學軟件進行相關數據統計分析，計量資料采用均數±標準差（）表示，三組間計量資料比較采用F檢驗，兩兩比較采用q檢驗，計數資料以[n（%）]表示，采用χ2檢驗，采用Kappa進行一致性檢查。P＜ 0.05為差異有統計學意義。

2 結果

2.1 腦膜瘤瘤周浸潤量化結果

無瘤周浸潤組、WHO Ⅰ級組、WHO Ⅱ～Ⅲ級組腦膜瘤瘤周浸潤量化算法測量結果比較，差異有統計學意義（P＜ 0.05）。見表1。

表1 腦膜瘤瘤周浸潤量化算法結果

2.2 繪制腦膜瘤瘤周浸潤量化受試者工作特性曲線

取腦膜瘤侵襲性量化結果參數最佳臨界值為0.5388時，鑒別腦膜瘤有無侵襲性的AUC最大（AUC=0.7583），診斷能力最佳。見圖1。

圖1 ROC曲線圖，AUC 95%CI：0.69316～0.82349

2.3 兩位醫生與量化算法腦膜瘤侵襲性診斷結果及價值

以腦膜瘤術后組織病理學結果為金標準，兩位醫生閱片診斷結果腦膜瘤有侵襲性分別為210、120例，見表2，Kappa一致性檢查顯示Kappa值為0.414，介于0.41～0.6，一致性為中等。量化算法診斷腦膜瘤有侵襲性89例，量化算法診斷敏感度較醫生1，差異有統計學意義（P＜ 0.05），量化算法診斷敏感度與醫生2比較，差異無統計學意義（P＞ 0.05）。量化算法診斷特異度、陽性預測值、陰性預測值、準確度均優于醫生1及醫生2，差異有統計學意義（P＜ 0.05）。見表3。

表2 兩位醫生與量化算法腦膜瘤侵襲性診斷結果

表3 兩位醫生與量化算法腦膜瘤侵襲性診斷價值

2.4 量化算法對WHO Ⅰ級腦膜瘤侵襲性的診斷結果

量化算法對WHO Ⅰ級腦膜瘤侵襲性的診斷敏感度為47.92%（23/48），特異度為85.48%（206/241）。見表4。

表4 量化算法對WHOⅠ級腦膜瘤侵襲性的診斷結果

3 討論

目前國內外有關于腦膜瘤侵襲性的研究有不少的報道，明確侵襲性的診斷方法包括術前影像學檢查，術中探查及術后的組織病理學檢查[10-11]。但在實際臨床工作中，常常出現術前影像學或術中診斷與術后的病理結果不符的情況。本研究由兩位醫生進行閱片，由于醫生個人經驗的差異，診斷結果準確度出現了較大的差異，相對而言，醫生2診斷的準確度更高一些；然而在實際工作中兩位醫生的判斷結果均遠比試驗好，原因是實際工作中醫生判斷侵襲性不僅僅局限于T1WI單個序列的觀察，而是包含了MRI、CT、X線片等多模態影像學資料，且觀察的層面包含了腫瘤全域，其次還需要結合臨床表現綜合判斷，因此結果準確性會遠高于本研究；但此處僅用于檢驗算法與人工閱片的差異性，為保證公平原則，本研究中人工閱片的對象也僅僅采用了T1WI序列中腫瘤最大徑的層面，判斷的結果必然比實際工作中的要差。通過檢驗，兩位醫生診斷的一致性檢驗表現僅為中等。

本研究結果顯示，無瘤周浸潤組、WHO Ⅰ級組、WHO Ⅱ～Ⅲ級組腦膜瘤瘤周浸潤量化算法測量結果差異有統計學意義（P＜ 0.05）。證實腦膜瘤侵襲性量化參數測量結果不同分組間差異有統計學意義，表明該算法程序可有效反映腦膜瘤的侵襲性。以量化參數S=0.5388時，鑒別腦膜瘤有無瘤周浸潤的診斷能力最佳（AUC=0.7583），敏感度及特異度分別為47.92%、85.48%。雖然對陽性（有浸潤）預測的準確度不是很高，但是對陰性（無浸潤）的判斷顯示出較好的結果，遠比人工閱片的結果更加準確。因此，該量化算法對于診斷腦膜瘤瘤周浸潤有一定的價值，特別是陰性的判斷效果更好，有望成為一種新的評估方法。分析發現，在WHO Ⅰ級腦膜瘤中出現了35例假陽性，25例假陰性；WHO Ⅱ～Ⅲ級腦膜瘤中出現了3例假陰性。對每一例假陽性、假陰性及結果明顯偏離的病例進行了回顧與思考，討論可能的原因如下。①醫學圖像分割技術本身的難點：主要見于醫學圖像的質量問題。醫學圖像由于圖像獲取的設備的差異、圖像中存在的噪聲等，且器官本身存在運動和形變，如腦脊液的流動等，因此不同的個體之間即使在同樣的條件下掃描，圖像在像素級別中也會有一定的差異[12]，這些因素在一定程度導致分割的效率受到制約[13]。為了提升圖像的成像質量，一種比較可行的辦法是增加掃描的時間，理論上掃描的時間越長，圖像的分辨率越高，那么對分割效果的幫助就越大，但是在實際臨床檢查中，患者往往不能保持長時間的靜默狀態。針對圖像噪聲的影響，由于噪聲對于位置和空間的約束是獨立的，從而可以利用噪聲的分布來實現降噪的過程[14]。但是在降噪的過程中采用的平滑操作也會影響其他非噪聲的組織的空間信息，從而使得處理后的圖像丟失原始圖像的部分細節，因此在降噪的過程中也要考慮圖像細節的保留問題，如何進行降噪與圖像細節的權衡是一個難點。②圖像的選擇：本研究采用的MRI圖像中T1WI橫斷位序列，采取腫瘤最大徑的層面。研究早期曾經考慮使用增強掃描T1WI序列，由于多數腦膜瘤在MRI增強掃描上表現為明顯均勻的強化，能更清楚地顯示腫瘤的信息；但在研究中發現，操作者在MRI增強掃描時，注射造影劑后觸發掃描的時間不一定相同；其次患者個體血流動力學的差異，造影劑輸入速度也不盡相同，導致增強掃描腫瘤區域的信號強度（灰度）隨腫瘤內造影劑的濃度差異而改變，因此舍去了增強掃描的序列，改用常規平掃T1WI序列。李曉欣等[15]對腦膜瘤MRI信號強度的直方圖分析的分級診斷研究顯示，腫瘤全域的檢測更能反映腫瘤的實際情況。本研究局限于腫瘤最大徑的層面，容易忽略其他層面所包含的信息。特別是腦膜瘤的侵襲性往往體現于周圍組織阻力小的“薄弱區”，僅單一的層面可能并未包含薄弱區，導致假陰性。通過自主閱片及討論發現，本研究中有侵襲性組WHO Ⅰ級腦膜瘤中的20例假陰性病例及WHO Ⅱ～Ⅲ級腦膜瘤中的3例假陰性病例，最可能的原因就是腦膜瘤最大徑的層面并未包含腫瘤的“薄弱區”，導致假陰性病例較多的情況。后續如果準備充分，可選擇腫瘤全域進一步研究。③腫瘤實際的大小：較小體積的腦膜瘤特別容易出現假陽性，本研究中無侵襲性組的測算中，有17例體積小的腦膜瘤（直徑＜2 cm）測算的結果明顯偏大，呈現假陽性，原因是部分容積效應造成小病灶邊緣的信號強度不能客觀地表達。但相較于人工閱片，計算機各項指標明顯高于同等條件下人工閱片，特別是侵襲性陰性的判斷，算法的優勢明顯。

綜上，本研究對腦膜瘤以及其他腫瘤的評估提供了一種新的思路。基于腐蝕操作對腦膜瘤術前MRI瘤周浸潤量化算法可作為一種新的術前無創評估方法，對腦膜瘤侵襲性的術前診斷具有一定的診斷價值，特別是對侵襲性陰性的判斷結果較為可觀。