基于磁共振常规序列的纹理分析在鉴别四肢软组织肿瘤良恶性中的应用价值
2021-10-08冯茜茜韩福刚何晓鹏
冯茜茜 韩福刚 肖 燕 何晓鹏
四肢软组织肿瘤（soft tissue tumors，STTs）种类较多，组织学类型多样，诊断困难［1］。虽然MRI在四肢软组织肿瘤的诊断与鉴别中发挥着重要的作用［2］，但由于软组织肿瘤生长具有时间和空间的异质性，其影像学表现缺乏特异性，常规MRI成像序列难以有效鉴别四肢软组织肿瘤的良恶性［3］。本研究搜集四肢良恶性软组织肿瘤的MRI‑T2WI压脂图像进行纹理分析，旨在探讨基于MRI图像的纹理分析鉴别四肢软组织肿瘤良恶性的能力。
方 法
1.临床资料
收集2017年5月—2020年4月在我院就诊并且均经病理证实的四肢软组织肿瘤患者。纳入标准：①具有完整的临床及病理资料；②在术前均行MRI扫描，扫描序列包括T2WI压脂序列。排除标准：①图像有伪影，影响观察；②病灶太小不易勾画；③入院前进行相关治疗；④病理结果参照2013年版WHO软组织肿瘤分类标准［4］属于中间性肿瘤。最终纳入79例四肢软组织肿瘤患者进行研究，其中男性41例，女性38例；年龄12～76岁，平均年龄（45.65±16.91）岁。所有肿瘤根据病理结果分为良性组和恶性组：良性组共35例，包括血管瘤12例、神经鞘瘤9例、结节性筋膜炎5例、腱鞘巨细胞瘤3例、骨化性肌炎2例、肌内黏液瘤1例、淋巴管瘤2例、脂肪母细胞瘤1例；恶性组共44例，包括平滑肌肉瘤5例、滑膜肉瘤6例、泡状软组织肉瘤2例、脂肪肉瘤8例、未分化肉瘤5例、纤维黏液肉瘤2例、横纹肌肉瘤4例、恶性神经鞘瘤2例、纤维肉瘤3例、血管肉瘤2例、肌纤维母细胞肉瘤2例、高级别低分化肉瘤3例。
2.扫描方法及设备
所有患者均在3.0 T超导磁共振（荷兰飞利浦公司）机器上进行MRI扫描，MRI‑T2WI压脂序列扫描参数：短时反转恢复序列（STIR），重复时间（TR）2 500~3 500 ms，TI 100~200 ms，回波时间（TE）20~50 ms，层厚3.0~5.0 mm，视野（FOV）120 mm×120 mm~300 mm×300 mm，矩阵256×256。
3.图像后处理与纹理特征提取
通过ITK‑SNAP 3.8.0软件对患者的MRI‑T2WI压脂图像进行感兴趣区（region of interest，ROI）的勾画。由1名诊断经验丰富的放射科医生在病灶面积最大的层面勾画ROI，勾画内容包含病灶实性、出血、囊变、坏死区域（图1）。应用A.K纹理分析软件（Artificial Intelligence Kit；GE公司）提取纹理特征，共提取出纹理特征共387个，包括144个灰度共生矩阵特征（grey level co‑occurrence matrix，GLCM）、180个灰度游程矩阵特征（run length matrix，RLM）、42个直方图特征（histogram）、10个Haralick特征（Haralick）、11个灰度区域大小矩阵特征（grey level size zone matrix，GLSZM）。其中GLCM与RLM均勾选1、4、7步长进行计算。对所有参数进行预处理：①将异常值替换为所在列的中位数；②参照公式x'=（x-μ）/σ进行标准化处理（x表示单个特征数据，μ表示该列数据的平均值，σ表示该列数据的标准差）。
4.统计学分析
采用SPSS 25.0统计学软件分析，正态分布数据以均数±标准差（±s）表示，偏态分布数据以中位数（上四分位数，下四分位数）表示；定性资料采用卡方检验，定量资料采用两独立样本t检验或Mann‑WhitneyU检验。通过R 3.6.2软件运用Spearman相关分析方法去除冗余（设置阈值为0.8），再运用最小绝对收缩与选择算子（LASSO）回归方法降维，最后采用多因素逻辑回归逐步分析方法建立预测模型。采用MedCalc 15.2.2软件绘制受试者操作特征（ROC）曲线，根据曲线下面积（AUC）评价模型中各纹理特征及预测模型鉴别良恶性四肢软组织肿瘤的诊断效能。以P<0.05表示差异具有统计学意义。
结 果
1.一般资料
良恶性四肢软组织肿瘤患者组间比较结果显示：2组患者年龄、性别的差异均无统计学意义（t=0.616，P=0.540；χ2=0.143，P=0.705）。
2.纹理特征分析结果
经LASSO回归分析降维及多因素逻辑回归分析（结果见表1）后，T2WI压脂预测模型的组成特征如下。3个直方图参数：总体素值（Voxel Value Sum）、峰度（Kurtosis）、偏度（Skewness）；2个共生矩阵参数：全角惯性_步长1_标准差（Inertia_All Direction_offset1_SD）、0度相关性_步长7（Correlation_angle0_offset7）；1个游程矩阵参数：135度短游程优势_步长4（Short Run Emphasis_angle135_offset4）。预测模型对应的回归方程：Ln［p/（1-p）］=-1.082-2.582×峰度+0.539×总体素值+1.009×偏度+1.154×全角惯性_步长1_标准差+0.836×0度相关性_步长7-1.948×135度短游程优势_步长4。
表1 基于T2WI压脂图像纹理特征多因素逻辑回归分析结果
预测模型中纹理特征参数在四肢软组织肿瘤良恶性组间比较，差异均具有统计学意义（P<0.05），良性组的总体素值、偏度、0度相关性_步长7均低于恶性组，良性组的峰度、全角惯性_步长1_标准差、135度短游程优势_步长4均高于恶性组。详见表2。
表2 预测模型中纹理参数在四肢软组织肿瘤良恶性组间比较结果
3.ROC曲线分析结果
总体素值、峰度、偏度、全角惯性_步长1_标准差、0度相关性_步长7、135度短游程优势_步长4鉴别四肢软组织肿瘤良恶性的ROC曲线下面积（AUC）分别为0.778、0.671、0.681、0.695、0.711、0.683，其中总体素值的诊断效能最高。T2WI压脂预测模型鉴别四肢软组织肿瘤良恶性的曲线下面积为0.925，相较于单个特征参数诊断效能更高，特异度为83.34%，灵敏度为90.91%。详见表3、图2。
图2 T2WI压脂预测模型中单个纹理特征参数及预测模型的ROC曲线
表3 T2WI压脂预测模型中单个纹理特征参数及预测模型ROC曲线分析结果
讨 论
虽然一部分四肢良恶性软组织肿瘤容易被鉴别，但Crim等［5］学者发现：在MRI影像中，边缘、信号强度、大小、周围高信号、明显的神经血管束包绕或移位以及骨侵犯区分四肢良恶性软组织肿瘤并不可靠，仍然需要依靠病理活检来诊断其组织学类型或者分级［6-7］。纹理分析是一种先进的计算机辅助技术，可通过定量评估肿瘤的纹理粗糙程度及像素分布来量化肿瘤的组织异质性，以达到对肿瘤进行分级和良恶性判断的目的［8］。
Mayerhoefer等［9］学者发现由STIR图像提取出的最具鉴别意义的10个纹理特征均属于灰度直方图特征，其中第1个和第10个灰度百分位特征是鉴别软组织肿瘤良恶性的最优特征（Fisher系数＞1）。本研究结果显示，由T2WI压脂图像提取出的最具鉴别意义的纹理特征也有部分属于灰度直方图特征，即总体素值、峰度和偏度。总体素值表示ROI中包含的体素的总和，本研究中良性组总体素值明显低于恶性组，可能与恶性肿瘤的面积更大，更易出血、液化、坏死有关。本研究结果显示良性组的峰度明显高于恶性组，这与Nakajo等［10］的研究结果不一致。峰度值是描述样本构成分布的陡缓程度的统计量，反映了该样本构成分布的平坦度或尖锐度，本研究中恶性组的峰度值小于良性组，分布平坦，这种现象可能跟恶性肿瘤生长较快，其内部成分较良性肿瘤更复杂有关。偏度表示平均值分布的不对称性，本研究结果显示，良性组为负偏态分布，恶性组为正偏态分布。惯性反映了图像的清晰度，值越大表示图像越清晰，值越小表示图像越模糊；相关性反映了图像中局部灰度的相关程度，值越大表示矩阵元素值相似，值越小表示矩阵元素值相差很大；本研究中良性组全角惯性_步长1_标准差高于恶性组，良性组0度相关性_步长7明显低于恶性组，均提示四肢良性软组织肿瘤的图像灰度值变化较小，病灶异质性低。短游程优势的值越大表示图像的纹理更精细，本研究结果显示良性组135度短游程优势_步长4高于恶性组，提示良性肿瘤的纹理更规则、均匀。
本研究ROC曲线分析结果显示，基于T2WI压脂图像预测模型的纹理参数中，鉴别四肢良恶性软组织肿瘤的诊断效能最高的纹理特征是总体素值（AUC=0.778），且特异度最高（82.00%）；诊断效能最低的纹理特征是峰度（AUC=0.671），且特异度最低（42.86%）。本研究应用多因素逻辑分析方法建立相应的预测模型，并通过ROC曲线分析预测模型的诊断效能，结果显示，预测模型的AUC均高于单个特征参数的AUC，诊断效能更高（AUC=0.925，灵敏度=90.91%，特异度=80.00%），这表明纳入多个参数进行联合诊断大大提高了鉴别能力。
本研究的局限性：本研究只选择肿瘤面积最大的层面绘制ROI，只能反映肿瘤的部分信息，且人为勾画ROI时存在误差，在今后的研究中需尽量减少这些误差；另外，本研究为回顾性研究，在病例选择上容易出现偏倚，并且本研究样本量不足，需进一步扩大样本量。
综上所述，基于T2WI压脂图像提取的6个最优纹理特征（总体素值、峰度、偏度、全角惯性_步长1_标准差、0度相关性_步长7、135度短游程优势_步长4）在鉴别四肢软组织肿瘤良恶性中均存在一定价值，其中以总体素值的诊断效能较好，但最优的单个纹理特征的诊断效能仍低于预测模型的诊断效能，提示基于T2WI压脂图像建立的预测模型在鉴别四肢良恶性软组织肿瘤中具有巨大的潜力。
