瘤体最大层面ADC图纹理分析鉴别鼻腔鼻窦小圆与非小圆细胞恶性肿瘤

彭媛媛，任翠萍，程敬亮，文宝红

(郑州大学第一附属医院磁共振科，河南 郑州 450052)

鼻腔鼻窦恶性肿瘤少见，其异质性较高[1-2]，病理学上含小圆细胞恶性肿瘤(small round cell malignant tumor, SRCMT)与非小圆细胞恶性肿瘤(non-SRCMT)。SRCMT包括神经外胚层肿瘤(如嗅神经母细胞瘤)、间叶性肿瘤(如横纹肌肉瘤及恶性黑色素瘤)、上皮性肿瘤(如神经内分泌癌)及淋巴造血系统肿瘤(如淋巴瘤及浆细胞瘤)等[3]，鳞癌及腺样囊性癌则属non-SRCMT。SRCMT与non-SRCMT病理学表现、治疗方法和预后均不同，术前鉴别对临床诊治指导意义较大[4-5]。由DWI生成的ADC图可反映水分子运动受限情况，评价病变性质，有助于鉴别诊断头颈部良恶性肿瘤[6-7]，亦可鉴别鼻腔鼻窦SRCMT与non-SRCMT[4]。本研究探讨基于肿瘤最大层面ADC图纹理特征鉴别鼻腔鼻窦SRCMT与non-SRCMT的价值。

1 资料与方法

1.1 一般资料 回顾性收集2014年3月—2020年4月经病理确诊的105例鼻腔鼻窦肿瘤患者。SRCMT 50例，男38例，女12例，年龄9～91岁，平均(48.1±22.8)岁，包括淋巴瘤18例(NK/T细胞型14例、弥漫大B细胞型4例)、横纹肌肉瘤9例、神经内分泌癌5例、恶性黑色素瘤10例、嗅神经母细胞瘤6例及浆细胞瘤2例； non-SRCMT 55例，男31例，女24例，年龄20～89岁，平均(56.6±15.5)岁，包括鳞癌36例、腺样囊性癌19例。105例中，10例双侧病变，45例左侧、50例右侧单侧病变，直径均>1 cm；肿瘤中心位于鼻腔30例，上颌窦35例，筛窦34例，蝶窦6例；主要临床表现包括鼻塞、血涕、疼痛、鼻中隔偏曲及异物感，晚期因累及部位不同而出现不同症状。MR检查前患者未经任何抗肿瘤治疗，MR图像质量佳；剔除伪影累及病灶者。

1.2 仪器与方法 采用Siemens Skyra 3.0T超导MR扫描仪，相控阵头部线圈。常规MR扫描序列及参数：轴位快速自旋回波T1W，TR 2 000 ms，TE 9 ms，矩阵256×256；轴位快速自旋回波T2W及脂肪抑制序列，TR 5 000 ms，TE 117 ms，矩阵256×256；DWI采用自旋回波-平面回波成像(spin echo-echo planar imaging, SE-EPI)序列，b值为0、1 000 s/mm2，TR 3 200 ms，TE 70 ms，矩阵160×160，反转角90°；FOV 24 cm×24 cm，层厚5 mm，层间距1 mm。增强扫描所用对比剂为Gd-DTPA，剂量0.1 mmol/kg体质量，注射流率2 ml/s，之后采集矢状位、轴位及冠状位T1WI，参数同前。

1.3 图像处理及纹理分析 在图像存储与传输系统(picture archiving and communications system, PACS)调整MRI窗宽、窗位，使其保持一致，以.BMP格式保存至存储设备。打开MaZda软件(Version 4.6)并导入图像，进行图像标准化(μ±3δ)；分别设SRCMT、non-SRCMT为ROI 1(红色)，ROI 2(绿色)。参考平扫T1WI、T2WI及增强T1WI，在高b值ADC图像上沿病灶边缘手动勾画肿瘤各层面，根据纹理分析报告，选取肿瘤最大面积层面为ROI(图1)，生成包括灰度直方图、共生矩阵、游程矩阵、绝对梯度、自回归模型和小波变换等特征类型的参数报告。分别以Fisher系数、聚类偏差概率结合平均关联系数(probability of classification error and average correction coefficient, POE+ACC)、协同信息(mutual information, MI)及其联合采用3种方法 (MI+PA+F)筛选出10、10、10及30个最佳纹理参数，以MaZda软件自带B11分析工具对上述4种方法的最佳纹理参数集进行人工神经网络(artificial neural network, ANN)分类及1-邻近分类分析，计算其鉴别SRCMT与non-SRCMT的错判率；依据错判率将分类结果分为优秀(错判率≤10%)、良好(10%<错判率≤20%)、中等(20%<错判率≤30%)、一般(30%<错判率≤40%)和较差(错判率>40%)[8]。

图1 勾画ROI示意图 A、B及C、D.分别为SRCMT(淋巴瘤、横纹肌肉瘤)和non-SRCMT(鳞癌、腺样囊性癌)的ADC图像； E、F及G、H.分别为手动勾画的SRCMT(淋巴瘤、横纹肌肉瘤)和non-SRCMT(鳞癌、腺样囊性癌)的ROI 1(红色)和ROI 2(绿色)

1.4 统计学分析 采用SPSS 25.0统计分析软件。符合正态分布的计量资料以±s表示，否则以中位数(上下四分位数)表示。采用独立样本t检验或Mann-WhitneyU检验进行SRCMT与non-SRCMT组间参数比较。以ROC曲线评价相关参数鉴别诊断SRCMT与non-SRCMT的效能。P<0.05为差异有统计学意义。

2 结果

对Fisher、POE+ACC、MI、MI+PA+F筛选的特征集进行ANN分类，所得错判率分别为20.00%(21/105)、12.38%(13/105)、21.90%(23/105)及7.62%(8/105)；行1-邻近分类所得错判率分别为27.62%(29/105)、38.10%(40/105)、26.67%(28/105)及33.33%(35/105)。

以错判率最低的ANN分类分析的MI+PA+F筛选所得30个最佳纹理参数，其中包含7个直方图参数、18个共生矩阵参数、2个游程矩阵参数和绝对梯度参数、自回归模型参数和小波变换参数各1个；16个参数在SRCMT与non-SRCMT组间差异均有统计学意义(P均<0.05)，包括6个灰度直方图参数、9个共生矩阵参数及1个小波变换参数，见表1；相应AUC为0.645～0.722，以灰度直方图参数鉴别诊断效能较高，见表2。

表1 基于MI+PA+F方法筛选的SRCMT与non-SRCMT组间差异有统计学意义的参数

表2 纹理特征参数鉴别SRCMT与non-SRCMT的ROC曲线结果

8例被ANN分类分析MI+PA+F错判，包括SRCMT 3例(横纹肌肉瘤、神经内分泌癌及恶性黑色素瘤各1例)和non-SRCMT 5例(均为鳞癌)。

3 讨论

MaZda软件是重要的纹理分析软件之一，所生成的大量纹理特征参数可用于诊断、鉴别诊断疾病及疗效评估[9]；其自带的B11模块中的1-邻近分类与ANN分类分析本质上是机器学习方法，可实现纹理分析与机器学习相结合，进而充分挖掘图像中肉眼不可识别的特征[10-11]。1-邻近分类表示K=1时的K邻近分类，代表最小分类错误，可用于对不同疾病进行分类、识别或鉴别，如肺癌亚型分类[12]及鉴别良恶性肿瘤[13]等。ANN是受中枢神经系统启发而研发出来的复杂非线性模型，其以自学习方式获取输入层数据的内在规则，并对相关数据做出判别(错判率)[14-15]，具有处理非线性问题能力强、处理信息速度快、自学习能力等优势，近年来被越来越多地用于疾病诊断、预测预后及风险分层等[16-17]，其鉴别诊断价值甚至优于影像科医师主观阅片[18]。

本研究采用MaZda软件对ADC图像肿瘤区域的6类293种参数(包括直方图、灰度共生矩阵、游程检验、绝对梯度、自回归模型及小波变换)进行特征筛选及分类分析，观察其对鼻腔鼻窦SRCMT与non-SRCMT的鉴别诊断能力；结果显示对Fisher、POE+ACC、MI、MI+PA+F筛选出的特征集进行ANN分类所得错判率均小于1-邻近分类，提示ANN分类统计鉴别鼻腔鼻窦SRCMT与non-SRCMT更具有优势。MI+PA+F特征筛选结合ANN分类分析的错判率最低、鉴别诊断价值最佳，可能与其所含纹理特征较全面、相对其他3种方法训练更充分及具备最稳定超平面权值等优势有关；该法鉴别SRCMT与non-SRCMT时出现8例错误判断，其中SRCMT 3例、non-SRCMT 5例，可能与肿瘤异质性过高，或与周围组织对比度过高及样本量较小致ANN过拟合有关[18-19]。

本研究对具有最小错判率的MI+PA+F特征筛选结合ANN分类分析相应 30个特征参数进行组间比较，并对差异有统计学意义的参数进行ROC曲线分析，结果显示6个灰度直方图参数、9个共生矩阵参数及1个小波变换参数共3类、16种纹理特征组间差异存在统计学意义，相应AUC为0.645～0.722，以灰度直方图参数鉴别诊断效能较好。灰度直方图参数为一阶特征，描述像素值的灰度分布情况。本研究中SRCMT直方图参数均值均小于non-SRCMT，ADC图上SRCMT信号明显低于non-SRCMT，与薛康康等[4]的结果相符，提示SRCMT较non-SRCMT肿瘤细胞更致密，水分子扩散更受限。直方图参数中又以Mean和Perc.50%的鉴别诊断效能最佳，AUC均为0.722，敏感度分别为72.00%和72.73%，特异度分别为70.00%和70.91%，表明纹理分析对鉴别鼻腔鼻窦SRCMT与non-SRCMT具有一定价值，有助于治疗前进行鉴别诊断。

本研究主要不足之处：①为回顾性分析，样本量较小，存在选择性偏倚；②仅对肿瘤最大层面进行纹理分析，造成部分信息缺失；③手动勾画ROI，难以避免误差。

综上所述，瘤体最大层面ADC图纹理分析可用于鉴别鼻腔鼻窦SRCMT与non-SRCMT；MI+PA+F与ANN组合错判率最小，所获纹理参数具有较高诊断效能。