扩散峰度成像直方图在脑胶质瘤分级诊断中的价值

王亚峰 石凤祥

脑胶质瘤是最常见的中枢神经系统原发性肿瘤，按恶性程度分为四级，Ⅰ、Ⅱ级为低级别脑胶质瘤（low grade glioma，LGG），Ⅲ、Ⅳ级为高级别脑胶质瘤（high grade glioma，HGG）。高低级别脑胶质瘤的生物学行为有明显不同，LGG推荐手术切除，而HGG则在手术后还需辅助放化疗[1]。术前准确的分级对治疗方案的选择及预后至关重要，活检穿刺虽然为病理分级的金标准，但属于有创性检查并存在取样误差。因此，无创且全面准确反映肿瘤级别的检查方法是临床关注的热点。

扩散峰度成像（diffusion kurtosis imaging，DKI）可量化组织中水分子扩散的非高斯分布状态，反映微观结构的组成[2]。DKI在脑胶质瘤分级中的应用目前已有报道[3-4]，但通常仅分析肿瘤实质区，不能反映肿瘤整体的异质性。本研究采用肿瘤全容积直方图分析方法，探讨DKI参数直方图在脑胶质瘤分级诊断中的应用，现将结果报道如下。

1 对象和方法

1.1 对象 收集2018年1月到2020年12月常州市中医医院就诊为脑胶质瘤患者63例。纳入标准：（1）MR检查前未进行任何治疗，并在检查后2周内进行手术切除并经病理检查确诊；（2）病理诊断基于2016年WHO脑肿瘤分级标准。排除标准：图像质量伪影明显，不能满足测量要求。最终排除存在图像质量问题8例，共纳入研究55例，其中男31例，女24例，年龄31～77（50.3±11.6）岁；病理分级：LGG 25 例（均为Ⅱ级），HGG 30例（Ⅲ级12例，Ⅳ级18例）。本研究经常州市中医医院医学伦理委员会批准（ky20180126），所有患者均知情同意。

1.2 仪器与方法 采用GE SIGNA 3.0T PIONEER超导型MR系统，扫描线圈使用29通道头线圈。主要扫描序列均为轴位，包括：（1）T2WI快速自旋回波（fast spin echo，FSE），FOV 24 cm×24 cm，TR 4 500 ms，TE 124 ms，矩阵 352×256，层厚5 mm，层间距1 mm，激励次数 2。（2）DKI序列，FOV 24 cm×24 cm，TR 5 000 ms，TE 74 ms，矩阵128×128，层厚 5 mm，层间距1 mm，b值分别为0、1 000、2 000 s/mm2，各自施加15个不同方向扩散敏感梯度。（3）AxT1FSE增强序列，FOV24cm×24cm，TE12 ms，TR 500 ms，矩阵 320×256，层厚 5 mm，层间距 1 mm，激励次数2。扫描时均拷贝定位线，保证层面一致。

1.3 图像分析 对DKI图像进行后处理，获得平均峰度（mean kurtosis，MK）及平均扩散系数（mean diffusivity，MD）的参数图。由2位分别具有6年以上中枢神经系统诊断经验的主治医师将MK和MD图导入MaZda 4.6软件，以T1WI增强的图像作为参考，在所有层面勾画肿瘤边界，计算肿瘤整体平均值、最大值、最小值、第10、30、50、70、90 百分位数、峰度值和偏度值。

1.4 统计学处理 采用SPSS 23.0统计软件。采用组内相关系数（intraclass correlation coefficient,ICC）评价2位医师计算结果的一致性。计量资料以±s表示，组间比较采用两独立样本t检验；采用ROC曲线评估差异有统计学意义的各参数值在鉴别诊断HGG和LGG中的效能。P＜0.05为差异有统计学意义。

2 结果

2.1 一致性分析 2位医师测量结果具有较好的一致性（ICC=0.787～0.925），见表 1。

表1 2位医师测量胶质瘤直方图测量结果一致性分析（ICC）

2.2 影像表现及直方图参数分析 在MK的直方图参数中，除了峰度值及偏度值外，HGG的参数均高于LGG，差异均有统计学意义（均P＜0.05）；在MD的直方图参数中，HGG的MD最小值及10、30、50百分位数MD低于LGG，差异均有统计学意义（均P＜0.05），其他参数差异均无统计学意义（均P＞0.05）。见表2。典型病例见图 1、2（插页）。

图1 57岁男性脑胶质瘤患者影像图（左侧枕叶占位性病变，病理证实为胶质瘤Ⅲ级；a：平均峰度图；b：平均扩散系数图）

图2 45岁男性脑胶质瘤患者影像图（左侧顶叶占位性病变，病理证实为胶质瘤Ⅱ级；a：平均峰度图；b：平均扩散系数图）

表2 高低级别胶质瘤DKI参数直方图对比分析

2.3 各参数值鉴别诊断HGG和LGG效能的ROC曲线分析 在MK参数中，MK最大值的AUC最高，为0.895。当MK最大值的最佳截断值为0.725时，其灵敏度为0.733，特异度为1.000。在MD参数中，MK第10百分位数的AUC最高，为0.688。当MD第10百分位数的最佳截断值为1.765×10-3mm2/s时，其灵敏度为0.720，特异度为0.667。见图3。

图3 直方图参数对HGG及LGG鉴别诊断效能ROC曲线图（a：MK直方图参数ROC曲线；b：MD直方图参数ROC曲线）

3 讨论

扩散加权成像（diffusion weighted imaging，DWI）是目前应用最为广泛的MR功能成像，在目前的临床实践中，b值设定在一般在600～1 000 s/mm2，这时水分子的扩散服从高斯分布，而扩散信号的衰减符合单指数模型，且与组织的细胞密度相关。当设定的b值＞1500s/mm2时，此时的信号变化会偏离高斯分布，且反映的是组织微结构[5]。因此，许多学者提出了描述水分子非高斯分布扩散的理论模型，常见的有神经突方向分散度和密度成像（neurite orientation dispersion and density imaging，NODDI）、拉伸指数模型（stretched exponential model，SEM）及本研究中所采用的DKI等。其中，DKI是研究部位及应用最多的模型，在胶质瘤诊疗方面，国内外均已有报道[6-7]，然而，研究结果尚存在争议。

一般认为肿瘤实体部分代表肿瘤细胞密度最大的部位，因此，以往的研究通常在肿瘤最大层面的实质区，勾画感兴趣区（region of interest，ROI）进行测量，以ROI的测量结果来代表肿瘤整体。然而，肿瘤内部的出血、坏死、钙化等病理改变也反映了肿瘤的异质性及复杂程度，单一的实质区并不能反映肿瘤的所有微结构。因此，全容积直方图的分析方法越来越多的得到了学者们关注[8-10]。基于此，本研究采用全容积直方图的分析方法，和传统方法相比，这种方法能克服选择偏倚，全面反映肿瘤内部结构，具有更好的稳定性和可重复性。本研究结果表明，在脑胶质瘤MK的直方图参数中，除了峰度值及偏度值外，其他参数差异均有统计学意义，其中，MK最大值在鉴别HGG和LGG是具有较好的诊断效能。理论上讲，MK最大值对应肿瘤内部结构最复杂的区域，因此也是最能代表肿瘤异质性，而异质性则是反映肿瘤级别的重要特征[11]。此外，MK第70、90百分位数的AUC值也高于MK平均值，说明平均的方法淡化了不同组成的差异，因此不能充分反应组织的复杂程度。在MD的直方图参数中，HGG的MD最小值、第10、30、50百分位数低于LGG，这组参数中MD第10百分位数的AUC值最高，但也低于MK组。MD第10百分位数排除了坏死囊变、出血等影响扩散系数结果的改变，对应的是细胞排列致密的部位，因此也能有效的鉴别HGG和LGG。MD最小值理论上对应细胞密度最大的部位，但MD最小值易受信噪比等因素影响，因此变异较大，这也符合以往的报道[12]。此外，本研究中HGG和LGG的MD平均值差异无统计学意义，也与脑胶质瘤的复杂组成有关。虽然较高的细胞密度会降低MD值，但肿瘤内的微囊变等又会使MD值升高，而坏死囊变在HGG中更为常见[13]。

本研究仍存在不足之处。首先，纳入研究病例数有限，而每种病理类型则更少，需要更大样本量来进行分析。其次，脑胶质瘤的诊断目前要求基因分型，本研究因条件限制，未能给所有的患者进行基因检测及相关分析。再次，本研究虽然以增强图像作为参考，但部分HGG的水肿区也存在肿瘤细胞，实际浸润区会超过增强边界，而直方图分析时是否需要包括水肿区也需要进一步探讨。

综上所述，DKI直方图参数能帮助预测脑胶质瘤的级别，其中，MK最大值在HGG和LGG的鉴别诊断中具有较好的诊断效能。因此，直方图分析是一种无创的术前提高脑胶质瘤分级准确性的方法。