孫英杰 劉曉梅 李光輝 周 山,* 李 婭

1.漯河醫(yī)學(xué)高等?？茖W(xué)校第二附屬醫(yī)院影像科 (河南 漯河 462000)

2.鄭州大學(xué)第二附屬醫(yī)院影像科 (河南 鄭州 450014)

腦實質(zhì)內(nèi)HGG和腦轉(zhuǎn)移瘤均是成人顱內(nèi)常見的惡性腫瘤[1]，對于兩類腫瘤而言，常規(guī)MRI平掃常難以鑒別，往往需要借助增強檢查[2]，但其誤診率仍可高達60%[3]。本文通過回顧性分析經(jīng)手術(shù)病理或臨床隨診證實的HGG和SBM，研究其增強圖像的紋理特征，并選取SVM作為分類器進行訓(xùn)練和測試，從而探討紋理分析對兩類腫瘤的鑒別診斷價值。

1 資料與方法

1.1 一般資料回顧性分析自2018年6月至2021年4月經(jīng)手術(shù)病理或臨床隨診證實的67例HGG和72例SBM患者，檢查前均未進行放、化療及手術(shù)治療。患者年齡范圍22～85歲，平均年齡(52.1±14.7)歲。67例HGG均經(jīng)病理學(xué)證實，72例SBM病例中有7例原發(fā)病灶來源不清，肝癌6例，腎癌9例，胃腸道腫瘤12例，乳腺癌18例，肺癌20例。所有病例均進行了常規(guī)MRI平掃及增強掃描檢查。

1.2 主要儀器和設(shè)備采用荷蘭飛利浦 3.0T磁共振成像設(shè)備，標準頭頸聯(lián)合線圈。

1.3 磁共振成像方法平掃行軸位T1WI、T2WI、T2-FLAIR、DWI及矢狀位T2WI掃描，增強掃描行T1WI軸位、矢狀位及冠狀位掃描；造影劑采用GD-DTPA，劑量0.2mmol/kg。軸位掃描層厚6mm，間隔1mm，F(xiàn)OV 24cm×24cm，矩陣128×128。

1.4 感興趣區(qū)的選取用Image J圖像處理軟件(1.8.0)在軸位增強圖像中提取顯示腫瘤最大層面做為感興趣區(qū)(region of interest，ROI)勾畫，在勾畫前首先對增強圖像的灰度及對比度進行校正、調(diào)整。本研究中樣本的所有ROI勾畫均由兩位影像學(xué)專家采用雙盲法，運用Image J圖像處理軟件手動分割完成，如遇到意見不一致時，協(xié)商達成共識，ROI的大小主要依靠增強圖像中腫瘤的強化區(qū)域，必要時參考平掃圖像特點，所選取樣本的腫瘤區(qū)域用紅色填充，以備后續(xù)圖像特征提取。增強后圖像與其對應(yīng)的標記后的圖像見圖1～圖2。

圖1 膠質(zhì)母細胞瘤增強圖像及ROI的選擇勾畫。圖2 單發(fā)乳腺癌轉(zhuǎn)移瘤增強圖像及ROI的選擇勾畫。

1.5 紋理參數(shù)分析由于紋理特征種類繁多，本研究選出Image J圖像處理軟件取得的灰度共生矩陣作為紋理特征分析，參考以往研究臨床研究結(jié)果[4-7]，篩選提取出5類參數(shù)：相關(guān)性、能量、逆差距、熵、對比度等作為圖像紋理分析主要特征參數(shù)。

1.6 支持向量機(SVM)學(xué)習(xí)模型的建立與測試SVM作為一種紋理參數(shù)分析的常用方法，其基于結(jié)構(gòu)風(fēng)險最小化理論在特征空間中確定最優(yōu)分割超平面，使得學(xué)習(xí)器得到全局的最優(yōu)化結(jié)果，在分類間隔最大的條件下，使訓(xùn)練集中的盡可能多的樣本均能被其正確劃分，這樣可保證經(jīng)驗風(fēng)險及結(jié)構(gòu)風(fēng)險均最小，從而使得整個樣本集上的期望風(fēng)險最小。

隨機選取樣本中HGG和SBM各60%樣本(HGG 40例，SBM 43例)的特征紋理參數(shù)作為SVM訓(xùn)練樣本，剩余40%樣本(HGG 27例，SBM 29例)作為測試樣本進行SVM測試處理，以期取得對兩類腫瘤的鑒別。

1.7 統(tǒng)計學(xué)方法本研究采用SPSS 21.0統(tǒng)計軟件對各組紋理參數(shù)進行獨立樣本t檢驗，P＜0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié) 果

所選取灰度共生矩陣所提取的5類單特征參數(shù)數(shù)據(jù)，結(jié)果發(fā)現(xiàn)能量、對比度、相關(guān)性、逆差距等4類紋理參數(shù)在兩類腫瘤中差異有統(tǒng)計學(xué)意義(P＜0.05)，而熵在兩類腫瘤間差異無統(tǒng)計學(xué)意義(P＞0.05)，詳見表1所示。

表1 腫瘤組織紋理參數(shù)檢測結(jié)果比較

將能量、對比度、相關(guān)性、逆差距等4種紋理參數(shù)作為最優(yōu)紋理參數(shù)，及其最優(yōu)紋理參數(shù)組合共同使用SVM進行評價。隨機各選取約60%病例進行SVM軟件的訓(xùn)練后，將剩余約40%病例作為測試樣本再進行SVM測試處理，最終取得對兩類腫瘤的鑒別結(jié)果如表2所示。

表2 最優(yōu)紋理參數(shù)單特征及其組合的SVM檢測準確率結(jié)果(%)

從表2中可以發(fā)現(xiàn)：利用SVM分析提取到的最優(yōu)紋理參數(shù)能量、對比度、相關(guān)性、逆差距對HGG和SBM的鑒別具有一定價值，而經(jīng)SVM分析其最優(yōu)紋理參數(shù)組合則具有更好的敏感度、特異度及準確性。

3 討 論

HGG和SBM均是顱內(nèi)常見腫瘤，臨床正確鑒別兩類腫瘤對治療方案的制定及預(yù)后評價有重要指導(dǎo)意義。HGG屬于WHO分級Ⅲ～Ⅳ級的顱內(nèi)原發(fā)惡性腫瘤，腫瘤多呈浸潤性生長，可合并壞死、囊變、出血、鈣化等不同的病理特點，其影像學(xué)變化可因不同腫瘤及其病理特點而表現(xiàn)各異[8]；腦轉(zhuǎn)移瘤是癌癥患者常見的并發(fā)癥，尤其是中老年人，且很多患者以單發(fā)顱腦腫塊表現(xiàn)，腦轉(zhuǎn)移瘤由于原發(fā)腫瘤來源不同，腫瘤組織可表現(xiàn)為實性、囊性以及囊變、出血、壞死等多種病理學(xué)特征，其影像學(xué)也表現(xiàn)更加復(fù)雜，臨床工作中MRI常規(guī)平掃及增強檢查對兩者進行鑒別均具有很大挑戰(zhàn)。

紋理分析可以通過圖像處理分析技術(shù)提取出圖像的特征參數(shù)，實現(xiàn)對圖像紋理的定量描述分析，從而具有客觀、準確性的評價，其中灰度共生矩陣法是臨床工作中圖像紋理分析最常用的一種算法，其評價參數(shù)有很多，其中能量主要反映的是圖像像素灰度水平的均勻程度和紋理粗細度，其值越大，則灰度分布均勻性越高；對比度主要反映的是圖像紋理溝紋深淺程度和清晰程度，其值越大，視覺清晰程度越好；相關(guān)性則反映灰度在各方向上的相似程度，相關(guān)越大，表示圖像灰度相似度越高；逆差距評價的是圖像灰度的同質(zhì)性，值越大則同質(zhì)性越好，圖像灰度越均勻；熵則表示圖像灰度分布的隨機性，值越大則圖像灰度分布的隨機性越大。目前，影像圖像的紋理分析已應(yīng)用于鑒別顱內(nèi)腫瘤的種類、組織類型的分割，甚至對腫瘤預(yù)后進行預(yù)測等方面[9]：孫振國等[10]研究證實，對增強后T1WI加權(quán)圖像進行紋理分析，發(fā)現(xiàn)其對鑒別顱內(nèi)原發(fā)性腦淋巴瘤與高級別膠質(zhì)瘤具有主要的臨床價值。周茂冬等研究發(fā)現(xiàn)基于灰度共生矩陣的DWI紋理特征分析有助于鑒別膠質(zhì)母細胞瘤和單發(fā)腦轉(zhuǎn)移瘤[6]。另外盧海濤等研究還發(fā)現(xiàn)，應(yīng)用磁共振動態(tài)增強的紋理分析可預(yù)測高級別膠質(zhì)瘤IDH基因表型[7]。目前，利用紋理分析的方法去評價及鑒別磁共振圖像中的腫瘤組織已經(jīng)逐漸得到重視，并且該方法還可以提供量化的、可重復(fù)性的結(jié)果。

本研究發(fā)現(xiàn)HGG能量、對比度、逆差距等特征參數(shù)明顯低于SBM，而HGG相關(guān)性則高于SBM，結(jié)果提示兩類腫瘤增強圖像的灰度存在均勻性、同質(zhì)性等方面的差異，而這種差異性可能與腫瘤實質(zhì)內(nèi)成分的異質(zhì)性等方面存在一定差異有關(guān)，前者腫瘤內(nèi)組織成分相對后者可能更復(fù)雜多變，但這種差別往往肉眼很難去評價，紋理分析對圖像信息的定量評價，可彌補肉眼對腫瘤內(nèi)部組織細微差異的判斷不足，而達到量化、客觀性評價。

另外，本研究采用的SVM作為一種紋理參數(shù)分析的分析方法，其基于結(jié)構(gòu)風(fēng)險最小化理論對于腦部腫瘤的評價具有重要價值。Kunimatsu等[11]就使用SVM對腦內(nèi)原發(fā)性淋巴瘤與膠質(zhì)瘤的紋理分析，可實現(xiàn)對兩類腦腫瘤進行鑒別。張益杰等[5]采用紋理特征的分析所提供的多量化信息，可精確界定高級別腦膠質(zhì)瘤的形態(tài)學(xué)特征。本研究發(fā)現(xiàn)能量、逆差距、相關(guān)性、對比度在鑒別HGG和SBM具有較好的效果，其中特征性參數(shù)能量的價值較為明顯(敏感度74.1%，特異度79.3%，準確性76.8%)，研究結(jié)果類似于其他研究[6]。本研究應(yīng)用SVM對最優(yōu)參數(shù)進行訓(xùn)練及測試分析，可減少輸入特征參數(shù)的數(shù)量，不但可以獲得更精確的評價結(jié)果，同時還可減少SVM的運算次數(shù)、提升運算效能；更重要的是，利用最優(yōu)紋理參數(shù)組合進行SVM分析使其對鑒別HGG和SBM的能力得到了顯著提升(敏感度為88.9%，特異度93.1%，準確性為91.1%)，其價值遠高于單獨紋理參數(shù)的鑒別診斷能力。

該研究存在的不足：(1)訓(xùn)練樣本數(shù)有限；(2)兩類腫瘤未進一步詳細分類，尤其是不同類別的轉(zhuǎn)移瘤及影像表現(xiàn)較復(fù)雜，可能存在結(jié)果的一定偏差；(3)紋理特征參數(shù)的提取、處理以及分析等尚無標準的方法，還需要進一步規(guī)范標準的操作與評價方法。

紋理分析的方法可作為一種臨床輔助診斷顱內(nèi)腫瘤的新方法，其與常規(guī)的MRI鑒別診斷要點結(jié)合起來應(yīng)用效果可能會更佳，并且在未來將可能有更大的臨床應(yīng)用價值。