基于灰度共生矩阵鉴别前庭神经鞘瘤和桥小脑角区脑膜瘤的应用价值

2022-05-30鞠文萍梁洁王现亮彭雪婷王剑飞

磁共振成像 2022年4期

鞠文萍，梁洁，王现亮，彭雪婷，王剑飞*

作者单位：1.潍坊市人民医院放射科，潍坊 261041；2.潍坊医学院医学影像学院，潍坊 261053

前庭神经鞘瘤(vestibular schwannoma，VS)与脑膜瘤是桥小脑角区(cerebellopontine angle，CPA)最为常见的两类肿瘤，分别占CPA 肿瘤的70%～90%和5%～10%[1-3]。VS 俗称听神经瘤，绝大部分听神经瘤起源于前庭神经鞘膜，只有极个别起源于耳蜗神经鞘膜，所以用VS 的称谓更为严格、准确[4-6]。桥小脑角区脑膜瘤(cerebellopontine angle meningioma，CPAM)大多起源于岩骨后表面或岩骨-天幕交界处的蛛网膜颗粒，有学者[7]发现蛛网膜颗粒也存在于颅神经出口孔，沿颅神经孔分布，因此CPAM 可延伸至内听道，也可原发于内听道内[8-9]，造成内听道扩大，这给两种疾病的鉴别增加了困难。在影像学表现上两者信号相似，VS更易囊变及微小出血，而脑膜瘤可有钙化，强化更为均匀，可有硬膜尾征[10]。上述影像学表现有助于鉴别两者，但这些影像学表现又是非特异性的[11-12]，当影像学表现不典型时，两者鉴别诊断的难度增大，甚至无法鉴别[13](图1、2)。由于两种疾病的治疗方法、预后及手术方式不同，所以术前准确的鉴别诊断可以为临床提供重要参考价值[14-15]。灰度共生矩阵(gray-level co-occurrence matrix，GLCM)是最常用的二阶纹理分析方法，通过描述两个相邻像素强度之间的关系，来反映病变的异质性，从而对人眼不能分辨的图像内部特征进行定量描述[16]。近几年有学者[15]应用纹理分析来鉴别CPA这两种病变，但大部分都是选用单一序列或应用一阶(直方图)纹理分析方法，寻找最优的纹理特征参数及序列是当前研究的重点及难点。经查阅国内外文献，未见相关报道，本研究首次探讨GLCM在VS与CPAM鉴别诊断中的价值。

图1 女，54 岁，右侧桥小脑角区脑膜瘤。T1WI 呈等稍低信号，T2WI 呈等稍高信号，FLAIR 为稍高信号，增强扫描明显均匀强化。图2 男，30 岁，左侧前庭神经鞘瘤。T1WI 呈混杂低信号，T2WI 呈混杂高信号，FLAIR为高信号，增强扫描明显不均匀强化。

1 材料与方法

1.1 一般资料

回顾性分析潍坊市人民医院2020年1月至2021年6月符合以下标准的住院患者资料。纳入标准：(1)手术病理证实为VS 或CPAM；(2)术前14 天内接受颅脑MRI 平扫+强化检查。排除标准：(1)图像存在伪影，不符合诊断及进一步图像分析要求；(2)完全囊变的VS；(3)检查前接受过放疗、化疗等其他治疗。共41 例患者纳入研究，其中23 例VS，18 例CPAM。本研究经潍坊市人民医院医学伦理委员会批准(批准文号：2021伦审批第028号)，免除受试者知情同意。

1.2 仪器与方法

采用Siemens Magnetom Skyra 3.0 T MRI 扫描仪，采用头部相控阵线圈。MRI扫描序列包括平扫横断面T1WI、T2WI、液体衰减反转恢复(fluid attenuated inversion recovery，FLAIR)及增强后横断面T1WI。具体参数如下：T1WI：TR 250 ms，TE 9 ms；T2WI：TR 4290 ms，TE 99 ms；FLAIR：TR 9000 ms，TE 94 ms；增强横断面T1WI：TR 2000 ms，TE 8 ms。以上序列相同参数：层厚5.0 mm，层间距0 mm，视野220 mm×220 mm。在扫描时采取了关联扫描模式，使各序列为同一层面。经肘静脉以2.0 mL/s 速率高压注射Gd-DTPA 对比剂，剂量为0.2 mmol/kg，然后用20 mL生理盐水以同样速率冲洗导管，于注射对比剂后25 s采集横断面强化T1WI。

1.3 图像分析与测量

将MR 各序列图像分别导入Image J 1.53c 软件(http://imagej.nih.gov/ij)，测量前应对所有的图像进行灰阶标准化，将软件参数均设置为系统默认值，像素间距d为1，两点之间连线与轴的夹角θ为0°。由于增强横断面T1WI序列病灶显示较清晰，在病灶最大横截面图像上沿病灶轮廓手动勾画感兴趣区(region of interest，ROI)，然后将勾画好的ROI保存，随后将保存的ROI复制粘贴到其他序列，使各序列的ROI保持一致。所有的ROI由两位影像科高年资主治医师共同勾画，当两人观点不相同时，通过交流沟通达成一致。由软件自动生成各ROI内GLCM参数，其中包括角二阶矩(即能量)、对比、相关、逆差矩、熵等[17]，对所得数据结果进行比较和分析。

1.4 统计学分析

采用SPSS 20.0 统计学软件进行分析。采用组内相关系数(intraclass correlation coefficient，ICC)评价两名测量者内及测量者间所测数据的一致性，ICC＞0.80 为一致性良好。对于计量资料，行正态分布检验及方差齐性检验，对于符合正态分布的参数以“均数±标准差(xˉ±s)”表示，不符合正态分布的参数以“中位数±四分位数间距”表示。对于符合正态分布且方差齐性的参数运用两独立样本t检验，不符合正态分布和(或)方差齐性的参数运用Mann-WhitneyU检验进行统计学分析。采用MedCalc 20.0 软件(http://www.medcalc.org)对差异有统计学意义的参数行受试者工作特征(receiver operating characteristic，ROC)曲线分析，计算ROC 曲线下面积(area under the curve，AUC)及对应的敏感度、特异度，采用DeLong 检验比较各GLCM 参数对VS 与CPAM 的鉴别诊断效能。以P＜0.05表示差异存在统计学意义。

2 结果

2.1 病灶一般资料描述

23 例VS 中病灶长径1.3～5.0 (2.82±1.07) cm；病灶平扫T1WI呈等低信号，T2WI呈等高信号，FLAIR为稍高信号，增强扫描均明显强化，其中15例病灶信号不均质，强化不均匀；23例病灶边界均清晰。18 例CPAM 中病灶长径1.2～9.4 (3.88±2.15) cm；病灶平扫T1WI 呈等低信号，T2WI 呈等稍高信号，FLAIR为稍高信号，增强扫描均明显强化，其中4例病灶信号不均质，强化不均匀；16例病灶边界清晰，2例病灶部分边界欠清。

2.2 VS组与CPAM组GLCM各参数比较

两组间T2WI序列GLCM参数中的对比、相关和逆差矩差异有统计学意义(表1，P值均＜0.05)，其中对比值VS组明显大于CPAM组，而相关及逆差矩值CPAM组明显大于VS组；FLAIR序列GLCM参数中的对比和逆差矩差异有统计学意义(表2，P值均＜0.05)，其中对比值VS组明显大于CPAM组，而逆差矩值CPAM组明显大于VS组；增强T1WI序列GLCM参数中的对比和逆差矩差异有统计学意义(表3，P值均＜0.05)，其中对比值VS组明显大于CPAM组，而逆差矩值CPAM组明显大于VS组；平扫T1WI序列各GLCM参数两组间差异无统计学意义(表4，P值均＞0.05)。

表1 T2WI序列VS组与CPAM组GLCM参数比较

表2 FLAIR序列VS组与CPAM组GLCM参数比较

表3 增强T1WI序列VS组与CPAM组GLCM参数比较

表4 平扫T1WI序列VS组与CPAM组GLCM参数比较

2.3 ROC曲线评估

对各序列有统计学意义的GLCM 参数进行ROC 曲线分析，T2WI 序列GLCM 参数中的对比、逆差矩的诊断效能较佳，对比的AUC 值最大，为0.971，敏感度和特异度分别为91.30%、94.44%，对比与相关的AUC 值差异具有统计学意义；FLAIR 序列GLCM参数中的逆差矩诊断效能最佳，AUC值最大，为0.866，敏感度和特异度分别为91.30%、77.78%，对比及逆差矩的AUC值差异具有统计学意义；对比在各序列间AUC 值差异具有统计学意义，以T2WI序列诊断效能最佳；逆差矩在各序列间AUC值差异具有统计学意义，以T2WI 序列AUC 值最大(表5～7，图3、4、5)。

图3 T2WI序列差异有统计学意义的灰度共生矩阵(GLCM)参数受试者工作特征(ROC)曲线分析。图4 FLAIR序列差异有统计学意义的灰度共生矩阵(GLCM)参数ROC曲线分析。图5 强化T1WI序列差异有统计学意义的灰度共生矩阵(GLCM)参数ROC曲线分析。

表5 各序列有统计学意义的GLCM参数ROC曲线分析

表6 各序列有统计学意义的GLCM参数Delong检验结果

表7 不同序列间有统计学意义的GLCM参数Delong检验结果

3 讨论

纹理分析技术是影像组学的一部分，近几年被广泛应用于多个系统多种疾病的诊断及鉴别诊断[18-19]。本研究首次提出多序列及二阶纹理分析法(GLCM)鉴别VS及CPAM。结果显示T2WI、FLAIR 及增强T1WI 序列中多个GLCM 参数可以鉴别VS 及CPAM，可以为临床术前诊断VS及CPAM提供重要帮助。

3.1 GLCM参数意义及结果分析

对比反映图像纹理沟纹的深浅度，纹理沟纹的深浅度与对比成正相关；逆差矩反映图像灰度的规则程度及图像纹理局部变化的多少，规则程度与逆差矩成正相关；相关反映图像中局部灰度值的相似程度，相似程度与相关成正相关。本研究中VS 组的对比值明显大于CPAM 组；而CPAM 组的逆差矩及相关值明显大于VS 组。分析原因可能是VS 与CPAM 组织学特性及病理生理不同，VS 镜下有两种组织成分，即致密的Antoni A型和疏松的Antoni B型，Antoni B型区域的存在使VS 细胞基质更为疏松，水分子含量更多，也更易出现囊变；CPAM 细胞排列紧密，核浆比例高，内部血管发育成熟，极少发生囊变。虽然在勾画ROI 时避开VS 囊变区域，但是在病理上仍存在微囊变。VS Antoni B 型区域的存在及人眼不能观察的微囊变使其图像信号不均匀，纹理沟纹较深，局部纹理差异较大，灰度分布不规则，灰度值差别大；而CPAM 内部细胞排列紧密，信号较均匀，纹理沟纹浅，局部纹理差异小，灰度分布更规则，灰度值差别小。相关值在T2WI、FLAIR 及增强T1WI 这3个序列中CPAM组均大于VS组，但只在T2WI序列中差异具有统计学意义，考虑原因是FLAIR 序列抑制了病变内自由水的差异，强化T1WI 序列则更侧重于病变内血流状况的差异，而VS 及CPAM 组织学特性及病理生理差异在T2WI 序列体现地最为明显，图像蕴含的纹理信息更多、差异更大，进而提示T2WI序列是鉴别CPA VS及CPAM的最优序列，鉴别诊断价值最高。

能量和熵值可用来描述病变内灰度变化的总体性质，能量反映纹理的一致性，熵反映纹理的复杂度。本研究中能量和熵值在各个序列中的差异均没有统计学意义。有研究显示[20]能量及熵在鉴别良恶性病变中差异有统计学意义，猜测是由于本研究中两者均为良性病变，其内部细胞的异质性没有良恶性病变大，导致能量及熵值的差异没有统计学意义，其准确性与否还需要进一步研究。

本研究显示T2WI序列GLCM参数中的对比、逆差矩的诊断效能较佳，这与国外学者研究相似，Saigal等[10]通过微出血分析T2WI 序列内包含的多种信息(如出血及囊变等)来鉴别CPA病变。有国内学者[15]证明T1WI 序列纹理分析可以用来鉴别CPA 病变，与本研究不符，分析其原因可能是该学者应用一阶纹理分析法，其反映的是所有像素的灰度，描述图像总体的纹理特征，而本研究采用二阶纹理分析法，探究图像局部纹理特征所致。