对比增强T1加权成像纹理分析鉴别小脑毛细胞型星形细胞瘤与血管母细胞瘤

王新东，沈潮

（1.淮安市肿瘤医院儿科，江苏 淮安 223200；2.影像科）

毛细胞型星形细胞瘤（pilocytic astrocytoma，PA）是小脑最常见的肿瘤之一，手术完全切除对降低复发率、提高生存率具有重要作用［1］。血管母细胞瘤（hemangioblastoma，HB）是一种生长缓慢且血液供应丰富的肿瘤，术后复发少见［2-3］。由于PA与HB的治疗方案及预后不同，故影像学诊断对临床具有重要的参考价值。当PA或HB具有特征性影像表现时，两者的鉴别并不困难，但重叠的影像特征仍常造成误诊［4］。磁共振扩散成像与灌注成像可有效地鉴别小脑PA与HB，但扫描时间较长等原因限制其在临床中的应用［5］。纹理分析可定量分析图像内的灰阶信息，获取肉眼无法观察的灰度分布信息［6］，但尚鲜见运用于小脑PA与HB鉴别的相关报道，本研究尝试通过基于对比增强T1加权成像（contrast-enhanced T1-weighted imaging，CE-T1W）纹理分析鉴别PA与HB，并与影像特征的鉴别效能比较。

1 资料与方法

1.1 临床资料 回顾性分析我院2014年1月至2021年6月经组织病理学确诊的32例PA和38例HB。纳入标准：（1）入院前未进行药物或手术治疗；（2）已完成T1WI、T2WI、扩散加权成像（diffusion weighted imaging，DWI）及CE-T1W扫描；（3）图像质量良好；（4）无其他肿瘤病史。排除标准：（1）本研究所需序列不齐；（2）图像内存在运动伪影。本研究经医院伦理委员会批准，患者均知情同意本研究。

1.2 检查方法 均采用美国GE公司Discovery MR750 3.0T超导磁共振扫描仪，信号采集使用8通道头部相控阵表面线圈，采集T1WI、T2WI、DWI及CE-T1W。T1WI：TR 2 000 ms，TE 25 ms，层厚5 mm，层间距1 mm，FOV 240 mm×240 mm，矩阵160×160；T2WI：TR 4 300 ms，TE 100 ms，层厚5 mm，层间距1 mm，FOV 240 mm×240 mm，矩阵160×160；DWI：采用自旋回波平面回波序列，单次激发，TR 3 000 ms，TE 65.5 ms，b值分别为0和1 000 s/mm2，层厚5 mm，层间距1 mm，FOV 240 mm×240 mm，矩阵160×160；CE-T1W：参数同T1WI，采用高压注射器以流率2.0 ml/s经肘正中静脉团注钆喷酸葡胺（Gd-DTPA）（广州康臣药业有限公司，15 ml∶7.04 g）0.1 mmol/kg。

1.3 纹理分析与影像特征 选出肿瘤CE-T1W序列横断面最大层面图像以DICOM格式导出并转成BMP格式，由2名放射科医师分别使用MaZda ver.4.6软件沿肿瘤边缘勾画感兴趣区（region of interest，ROI），尽量包含整个肿瘤，避免画入周围正常组织。为了平衡图像之间的亮度和对比度，将图像标准化为μ±3σ（μ：图像强度的平均值；σ：标准差）后提取肿瘤的直方图分析（histogram analysis，HA）、灰度共生矩阵（graylevel co-occurrence matrix，GLCM）、灰度游程矩阵（gray-level run length matrix，GLRLM））、绝对梯度（absolute gradient，AG）、自回归模型（autoregressive model，AR）和小波变换（wavelet transform，WT）6种纹理特征，GLCM的步长从1～5个像素，GLCM与GLRLM均包含4个方向（0°、45°、90°和135°），共279个参数。肿瘤的影像特征由2名放射科医师共同分析后得出，包括实性（是或否）、大囊小结节（有或无）、囊内分隔（有或无）、流空血管（有或无）、实性均匀强化（是或否）、囊壁强化（是或否）、瘤周水肿（有或无），见图1~2。

图1 1例7岁女性患者左侧小脑半球内PA

1.4 统计学分析与模型构建 数据分析、特征筛选及模型建立使用R语言（4.0.3）。使用组内相关系数（intraclass correlation coefficient，ICC）分析2名医师提取的纹理特征，选取ICC＞0.75重复性良好的特征［7］。组间的特征参数比较取2名医师提取的平均值，将差异有统计学意义的参数归一化在（0，1）之间后再通过LASSO回归分析进一步筛选，LASSO回归模型的最优λ值通过十折交叉验证获得。利用筛选出的特征及影像特征分别构建支持向量机（support vector machine，SVM）模型，分别使用线性核（linear kernel，LK）、多项式核（polynomial kernel，PK）和径向基函数核（radial basis function kernel，RBFK），验证方式选择十折交叉验证。采用受试者工作特征（ROC）曲线评估模型的效能，模型的AUC比较使用Z检验。计量资料以均数±标准差表示，采用独立样本t检验（通过正态分布与方差齐性检验）或以M（P25，P75）表示，采用秩和检验；计数资料比较采用χ2检验或Fisher确切概率法。P＜0.05为差异有统计学意义。

图2 1例42岁女性左侧小脑半球HB

2 结果

2.1 2组一般资料比较 PA组男19例，女13例，年龄6～27岁，平均（10.09±4.52）岁；HB组男20例，女18例，年龄15～83岁，平均（46.63±19.29）岁，2组年龄比较差异有统计学意义（t=-10.472，P＜0.01），性别差异无统计学意义（χ2=0.320，P＞0.05）。

2.2 构建模型的纹理特征参数 选出重复性良好的173个特征参数，其中2组间差异有统计学意义的特征参数共128个，LASSO选出10个特征参数见表1，图3右边的黑色垂直线对应的横坐标代表模型的最优λ值，此时LASSO模型最精确，图4代表选出的各特征系数绝对值。

图3 LASSO模型最优λ值时对应的特征数量

图4 LASSO模型选出的10个特征参数（直方图越长，代表系数绝对值越大）

表1 2组筛选出的纹理特征参数的比较［M（P25，P75）］

2.3 2组影像特征比较 相较于PA组，HB组更易形成大囊小结节、存在更多流空血管、实性强化更均匀（P＜0.01），而2组是否呈实性、有无囊内分隔、囊壁是否强化、有无瘤周水肿差异无统计学意义（P＞0.05），见表2。

表2 2组间影像特征比较［n（%）］

2.4 纹理特征与影像特征构建的SVM分类模型效能 纹理特征建立的SVM分类模型中，PK核的模型分类效能最佳，敏感度、特异度、准确率及AUC最优，其中AUC优于以3个影像特征建立的3种SVM分类模型，差异均有统计学意义（Z=2.972、2.561、2.783，P＜0.05），见表3。

表3 纹理特征与影像特征构建的SVM分类模型区分PA与HB的效能

3 讨论

PA是儿童最常见的中枢神经系统胶质瘤，属于Ⅰ级星形细胞瘤，最常发生于小脑，占儿童星形细胞瘤的60%［1，5］，而HB好发于小脑，属于中枢神经系统血管源性的良性肿瘤，好发于成年女性［2］，本研究结果显示PA组的年龄低于HB组（P＜0.01），而2组性别比较差异无统计学意义，与既往研究结果［1-2］一致。

影像特征中，大囊小结节在HB中具有特征性，表现为肿瘤光滑的囊壁上出现明显均匀强化的小结节，而PA中这种特征相对少见且强化程度低，主要由于HB结节内存在丰富的毛细血管网，而PA结节内的毛细血管所占比例不高［8-9］，本研究也发现HB组出现大囊小结节这一特征的比例明显高于PA组（P＜0.01）。另外，在HB肿瘤实性部分可出现低信号的流空血管信号，并可显示肿瘤内存在的粗大供血动脉［10］。本研究中HB组内亦多次出现流空血管信号，而PA组内未出现此特征，也印证了HB较PA具有更加丰富的血供。最后，HB实性强化较PA更均匀，推测由于HB主要由薄壁的毛细血管与间质细胞构成［11］，造影剂能顺着血管均匀充盈整个肿瘤，而PA的实性部分由增生的胶质、肿瘤细胞及增生的毛细血管等多种成分构成，各种成分比例不恒定使强化方式呈现出多样化［4-5］，即更易表现出不均匀强化的特征。本研究以2组间差异有统计学意义的影像特征建立SVM分类模型，但3个模型的效能一般，AUC仅分别达0.764、0.726、0.740。

SVM是一种有效的二分类工具，利用医学图像的纹理特征建立模型对疾病进行诊断，在临床研究中已有广泛运用［12-14］。本研究利用磁共振CE-T1W序列图像提取279个纹理特征，共筛选出10个特征参数建立了3种SVM分类模型，且均得到了良好的分类效果，其中使用PK核的模型分类效能最佳，与既往研究［13］类似，但与Mahato等［14］的研究结果并不一致，这可能与研究的数据类型不同有关。比较后发现，纹理特征建立的PK核SVM分类模型效能优于以3个影像特征建立的3种SVM分类模型（P＜0.05），说明在PA或HB不具备特征性影像表现时，纹理分析可为PA与HB的鉴别诊断提供重要参考信息。

综述所述，基于CE-T1W的纹理特征建立的SVM分类模型可有效鉴别小脑PA与HB，且效能优于影像特征所建立的模型。本研究主要的不足之处：纳入样本量较少，仍需扩大样本量以提高分类模型的可信度；仅分析了CE-T1W序列图像的纹理特征，而未研究其他序列；仅利用纹理特征建立了SVM分类模型，而未研究其他模型。