任繼亮，吳穎為，陶曉峰(上海交通大學(xué)醫(yī)學(xué)院附屬第九人民醫(yī)院放射科，上海 200011)

常規(guī)MRI紋理分析鑒別診斷眼眶淋巴瘤與炎性假瘤

任繼亮，吳穎為，陶曉峰*
(上海交通大學(xué)醫(yī)學(xué)院附屬第九人民醫(yī)院放射科，上海 200011)

目的 探討常規(guī)MRI紋理分析在眼眶淋巴瘤和炎性假瘤鑒別診斷中的應(yīng)用價值。方法 回顧性分析經(jīng)病理或治療隨訪證實(shí)的15例眼眶淋巴瘤及17例炎性假瘤患者的MRI資料。應(yīng)用MaZda軟件手工勾畫ROI，并提取T1WI、脂肪抑制T2WI及脂肪抑制T1WI增強(qiáng)掃描圖像中病變的紋理特征。通過Fisher系數(shù)、分類錯誤概率聯(lián)合平均相關(guān)系數(shù)(POE+ACC)、交互信息(MI)及三者聯(lián)合(FPM)的方法選擇最佳紋理參數(shù)集合。使用線性判別分析(LDA)和非線性判別分析(NDA)進(jìn)行紋理分類。比較最佳分類序列上兩種病變的紋理特征差異。結(jié)果 T1WI及T2WI最佳紋理參數(shù)主要源于共生矩陣及游程矩陣，增強(qiáng)T1WI最佳紋理參數(shù)主要源于共生矩陣及直方圖。T2WI紋理特征鑒別眼眶淋巴瘤及炎性假瘤能力最佳，其中FPM選擇紋理特征聯(lián)合NDA分類的誤判率最低，為1.56%。眼眶淋巴瘤T2WI紋理特征參數(shù)中的能量及長游程補(bǔ)償均高于炎性假瘤(P均<0.005)，而熵及短游程補(bǔ)償均低于炎性假瘤(P均<0.005)。結(jié)論 常規(guī)MR圖像紋理分析可用于鑒別眼眶淋巴瘤和炎性假瘤。

紋理分析；磁共振成像；眼眶；淋巴瘤；炎性假瘤

淋巴瘤及炎性假瘤是眼眶最常見的2種淋巴增殖性疾病，各約占眼眶占位性病變的10%[1-2]。兩者往往具有相似的臨床及影像學(xué)表現(xiàn)，但治療方法及預(yù)后不同，因此其鑒別診斷十分重要[3]。DWI可用定量的方法(ADC值)鑒別二者，但由于采集設(shè)備及參數(shù)的差異，各研究報(bào)道的ADC閾值不一；此外，眼眶DWI易受磁敏感偽影的影響，限制了其在部分病例中的應(yīng)用[4-5]。紋理分析技術(shù)可定量分析醫(yī)學(xué)圖像的像素灰度分布特征，提供肉眼無法識別的圖像信息，可間接反映病變的病理特點(diǎn)[6-7]。目前圖像紋理分析已廣泛用于腫瘤的定性診斷[6]及分級[8]。有研究[9]報(bào)道，常規(guī)MRI紋理分析可用于彌漫大B細(xì)胞淋巴瘤及濾泡淋巴瘤的鑒別。本研究探討常規(guī)MR圖像紋理分析在眼眶淋巴瘤和炎性假瘤鑒別診斷中的應(yīng)用價值。

1 資料與方法

1.1一般資料 收集2012年1月—2016年4月我院收治的15例原發(fā)性眼眶淋巴瘤及17例眼眶炎性假瘤患者的資料。15例原發(fā)眼眶淋巴瘤患者均經(jīng)病理證實(shí)，男11例，女4例，年齡48～94歲，平均(66.3±14.2)歲。17例眼眶炎性假瘤患者中13例經(jīng)病理證實(shí)，4例經(jīng)激素治療隨訪證實(shí)，男7例，女10例，年齡8～75歲，平均(52.4±17.5)歲。所有患者在治療前均接受常規(guī)MR檢查，且圖像無明顯影響紋理分析的偽影。

1.2 儀器與方法 采用Siemens Magnetom Verio 3.0T MR掃描儀，32通道頭線圈。采集圖像序列為：軸位T1WI，TR 620 ms，TE 9 ms，層厚3 mm，層間距4 mm；軸位脂肪抑制T2WI，TR 4 000 ms，TE 75 ms，層厚3 mm，層間距4 mm；軸位脂肪抑制T1WI增強(qiáng)掃描，TR 550 ms，TE 9 ms，層厚3 mm，層間距4 mm。對比劑使用Gd-DTPA，經(jīng)肘靜脈注入，流率 2.0 ml/s，劑量0.1 mmol/kg體質(zhì)量。

分別由2名具有3年和7年影像診斷經(jīng)驗(yàn)的醫(yī)師評價圖像，并確定用于分析的層面，意見有分歧時協(xié)商達(dá)成一致。為更全面提取病變的紋理特征，每個序列選擇最大病灶的2個層面用于分析。

1.3 紋理分析 采用MaZda軟件(version 4.7，Technical University of Lodz，Institute of Electronics，http://www.eletel.p.lodz.pl/mazda/)進(jìn)行圖像紋理分析[10]。

1.3.1 ROI選擇 由同1名醫(yī)師沿病變輪廓手動勾畫ROI，盡量避開病灶邊緣。首先對脂肪抑制T2WI及脂肪抑制T1WI增強(qiáng)圖像進(jìn)行分析，再分析平掃T1WI圖像，各序列ROI盡量保持一致。

1.3.2 紋理特征提取 為減少圖像對比度及亮度的影響，在特征提取前對圖像進(jìn)行灰度標(biāo)準(zhǔn)化。而后提取4種統(tǒng)計(jì)學(xué)紋理特征，包括直方圖、絕對梯度、游程矩陣及共生矩陣，4種紋理特征相關(guān)的參數(shù)共254個(表1)。

1.3.3 紋理特征選擇 MaZda軟件可提供3種特征選擇方法，即Fisher系數(shù)(Fishercoefficient，F(xiàn)isher)、分類錯誤概率聯(lián)合平均相關(guān)系數(shù)(probability of classification error and average correlation coefcient， POE+ACC)及交互信息(mutual information measure， MI)；每種方法可自動選擇10個最有鑒別意義的特征參數(shù)，F(xiàn)isher、POE+ACC及MI聯(lián)合應(yīng)用(combination ofFisher，POE+ACC and MI， FPM)可提供30個最佳紋理特征參數(shù)用于分類。

1.3.4 紋理分類 采用MaZda軟件B11模塊提供的線性判別分析方法(linear discriminant analysis， LDA)及非線性判別分析方法(non-linear discriminant analysis， NDA)進(jìn)行數(shù)據(jù)降維。而后將LDA數(shù)據(jù)以K-最近鄰分類器(K-nearest neighbor， K-NN)進(jìn)行分類，其中K=1(定類決策時只依據(jù)最近鄰的1個樣本的類別來決定待分類樣本的類別)；將NDA數(shù)據(jù)以人工神經(jīng)網(wǎng)絡(luò)(artificial neural network， ANN)進(jìn)行分類。

1.4統(tǒng)計(jì)學(xué)分析 采用SPSS 19.0統(tǒng)計(jì)分析軟件，采用Mann-WhitneyU檢驗(yàn)比較2種病變最佳分類序列上紋理特征的差異，參數(shù)包括共生矩陣特征中的“能量”及“熵”、游程矩陣中的“長游程補(bǔ)償”及“短游程補(bǔ)償”。每個特征參數(shù)的計(jì)算取其4個方向(水平、垂直、45°及135°)矢量的平均值，共生矩陣參數(shù)像素間距(d)設(shè)定為1個像素。以P<0.005為差異有統(tǒng)計(jì)學(xué)意義。

表1 4種紋理特征的相關(guān)參數(shù)

表2 不同MR序列中4種紋理特征被3種獨(dú)立方法(Fisher、POE+ACC及MI)選擇的30個最佳紋理參數(shù)(個)

表3 不同MR序列4種紋理特征選擇方法(Fisher、POE+ACC、MI、FPM)對眼眶淋巴瘤及炎性假瘤的誤判[例(%)，n=64]

表4 眼眶淋巴瘤與炎性假瘤T2WI紋理參數(shù)比較

2 結(jié)果

3個序列均有64個層面(淋巴瘤30個層面，炎性假瘤34個層面)納入分析，每個層面均作為獨(dú)立樣本進(jìn)行統(tǒng)計(jì)。

3種獨(dú)立的特征選擇方法(Fisher、POE+ACC及MI)共選擇30個最佳紋理參數(shù)，T1WI及T2WI的最佳紋理參數(shù)主要源于游程矩陣(n=18、9)及共生矩陣(n=8、17)，增強(qiáng)T1WI的最佳紋理參數(shù)主要源于共生矩陣(n=15)及直方圖(n=10)。見表2。

紋理分類中，T2WI提取的紋理特征對眼眶淋巴瘤及炎性假瘤具有最佳分類能力，低于10%的誤判率出現(xiàn)5次，其中FPM特征選擇聯(lián)合NDA分類具有最低的誤判率，為1.56%(1/64)。其次為增強(qiáng)T1WI紋理分類，低于10%的誤判率出現(xiàn)2次，其中POE+ACC聯(lián)合NDA分類具有最低誤判率，為7.81%(5/64)。平掃T1WI紋理分類的誤判率均高于10%，其中FPM特征選擇聯(lián)合NDA分類具有最低的誤判率，為12.50%(8/64)。見表3。

最佳分類序列T2WI紋理特征參數(shù)中眼眶淋巴瘤的能量(P<0.001)及長游程補(bǔ)償(P<0.001)均高于炎性假瘤(圖1、2)，而熵(P=0.001)及短游程補(bǔ)償(P=0.001)均低于炎性假瘤(圖1、2)，見表4。

3 討論

眼眶淋巴瘤大多為惡性程度較低的黏膜相關(guān)性淋巴組織淋巴瘤，而眼眶炎性假瘤是一種非特異性炎性病變，常表現(xiàn)為交界性的形態(tài)學(xué)特征，其常規(guī)MRI表現(xiàn)重疊，且MRI常規(guī)評價具有一定主觀性。紋理分析技術(shù)通過數(shù)學(xué)運(yùn)算來反映數(shù)字圖像中像素灰度分布特征，可為臨床提供常規(guī)MR圖像的定量評價信息。

本研究結(jié)果顯示，T2WI紋理分析可精確區(qū)分眼眶淋巴瘤及炎性假瘤，其最低誤判率為1.56%(1/64)。Harrison等[11]的研究也發(fā)現(xiàn)T2WI紋理特征鑒別淋巴瘤藥物治療反應(yīng)的效果最佳，這可能與T2WI具有良好的組織對比度有關(guān)。增強(qiáng)T1WI相對于平掃T1WI紋理區(qū)分眼眶淋巴瘤與炎性假瘤的精確性有所提高，但低于T2WI。

在特征選擇中，直方圖參數(shù)在增強(qiáng)T1WI被選取的頻數(shù)高于T1WI及T2WI平掃序列(表1)。但直方圖僅描述ROI內(nèi)信號強(qiáng)度，而不能反映灰度的空間分布情況，因此不能提供真正的紋理信息，增強(qiáng)對比劑的引入雖然使病變具有較好的對比度，但同時可能使圖像紋理有一定的扭曲或模糊[12]。但直方圖參數(shù)的選擇可間接反映2種病變增強(qiáng)后信號強(qiáng)度的差異。既往研究[3-4]報(bào)道眼眶炎性假瘤較淋巴瘤具有更高的對比強(qiáng)化率，提示2種病變血供存在差異，前者血供更豐富。

圖1 患者男，57歲，眼眶淋巴瘤 A.脂肪抑制T2WI病灶呈均勻中等信號； B.T2WI能量參數(shù)圖，參數(shù)值為7.62×10-3； C.T2WI熵參數(shù)圖，參數(shù)值為2.28 圖2 患者女，40歲，眼眶炎性假瘤 A.脂肪抑制T2WI病灶呈均勻中等信號； B.T2WI能量參數(shù)圖，參數(shù)值為 4.56×10-3； C.T2WI熵參數(shù)圖，參數(shù)值為2.52

紋理特征參數(shù)本質(zhì)上是定量反映像素灰度分布的數(shù)學(xué)模型。本研究結(jié)果顯示，原發(fā)性眼眶淋巴瘤與眼眶炎性假瘤T2WI上的共生矩陣特征(能量、熵)及游程矩陣特征(長游程補(bǔ)償、短游程補(bǔ)償)差異均有統(tǒng)計(jì)學(xué)意義(P均<0.005)。這2種紋理特征(共生矩陣、游程矩陣)能夠較精確區(qū)分濾泡淋巴瘤及彌漫大B淋巴瘤[9]。共生矩陣特征參數(shù)反映間隔一定距離的一對像素在既定方向上成對出現(xiàn)的頻率，而游程矩陣特征參數(shù)反映具有某灰度值的像素于既定方向上連續(xù)出現(xiàn)的頻數(shù)(即游程)[10]。其中，能量及長游程補(bǔ)償值越大，圖像紋理越均勻；而熵及短游程補(bǔ)償值越大，圖像紋理越復(fù)雜。本研究發(fā)現(xiàn)原發(fā)性眼眶淋巴瘤的T2WI能量及長游程補(bǔ)償值均高于眼眶炎性假瘤(P均<0.001)，而后者的熵及短游程補(bǔ)償值顯著高于前者(P均=0.001)，表明原發(fā)性眼眶淋巴瘤較眼眶炎性假瘤的紋理更均勻、規(guī)則。這種MR圖像紋理的差異可能歸因于2種病變病理特征的差異，原發(fā)性眼眶淋巴瘤主要為B細(xì)胞性非霍奇金淋巴瘤，組織學(xué)上主要由單一形態(tài)B淋巴細(xì)胞構(gòu)成，而眼眶炎性假瘤多表現(xiàn)為淋巴細(xì)胞、漿細(xì)胞、吞噬細(xì)胞等多種形態(tài)的炎性細(xì)胞浸潤并含有不等量的纖維基質(zhì)成分[13]。盡管原發(fā)性眼眶淋巴瘤及眼眶炎性假瘤在常規(guī)MRI均表現(xiàn)信號均勻的腫塊，但炎性假瘤更為復(fù)雜的病理成分使其具有更不均勻的圖像紋理，而這種差異可能肉眼不能識別。

本研究的局限性：①樣本量較??；②本研究僅評估了病變部分層面內(nèi)的紋理特征，而未使用三維ROI，由于腫瘤的異質(zhì)性，二維的ROI可能會遺漏一些紋理特征信息。

綜上所述，通過常規(guī)MR圖像紋理分析可精確區(qū)分原發(fā)性眼眶淋巴瘤及眼眶炎性假瘤，為兩者的鑒別診斷提供客觀、可靠的依據(jù)。

[1] Watkins LM， Carter KD， Nerad JA． Ocular adnexal lymphoma of the extraocular muscles: Case series from the University of Iowa and review of the literature． Ophthal Plast Reconstr Surg， 2011，27(6):471-476．

[2] Ding ZX， Lip G， Chong V． Idiopathic orbital pseudotumour． Clin Radiol， 2011，66(9):886-892．

[3] 沈杰，許曉泉，胡昊，等．常規(guī)MRI聯(lián)合擴(kuò)散加權(quán)成像鑒別診斷眼眶淋巴增生性疾病的價值．中華放射學(xué)雜志，2016，50(6):412-415．

[4] Haradome K， Haradome H， Usui Y， et al． Orbital lymphoproliferative disorders (OLPDs): Value of MR imaging for differentiating orbital lymphoma from benign OPLDs． AJNR Am J Neuroradiol， 2014，35(10):1976-1982．

[5] Politi LS， Forghani R， Godi C， et al． Ocular adnexal lymphoma: Diffusion-weighted mr imaging for differential diagnosis and therapeutic monitoring． Radiology， 2010，256(2):565-574．

[6] 陳文靜,牟瑋,張文馨,等.MR動態(tài)增強(qiáng)圖像紋理分析判斷乳腺結(jié)節(jié)良惡性的價值.中國醫(yī)學(xué)影像技術(shù),2017,33(5):647-651．

[7] 黃小偉，張艷玲，牛麗麗，等．MaZda評估動脈粥樣硬化斑塊的風(fēng)險性．中國醫(yī)學(xué)影像技術(shù)，2015，31(1):141-145．

[8] Kierans AS， Rusinek H， Lee A， et al． Textural differences in apparent diffusion coefficient between low-and high-stage clear cell renal cell carcinoma． AJR Am J Roentgenol， 2014，203(6):637-644．

[9] Wu X， Sikio M， Pertovaara H， et al． Differentiation of diffuse large B-cell lymphoma from follicular lymphoma using texture analysis on conventional MR images at 3.0 Tesla． Acad Radiol， 2016，23(6):696-703．

[10] Szczypinski PM， Strzelecki M， Materka A， et al． MaZda—a software package for image texture analysis． Comput Methods Programs Biomed， 2009，94(1):66-76．

[11] Harrison L， Dastidar P， Eskola H， et al． Texture analysis on MRI images of non-Hodgkin lymphoma． Comput Biol Med， 2008，38(4):519-524．

[12] Mayerhoefer ME， Schima W， Trattnig S， et al． Texture-based classification of focal liver lesions on MRI at 3.0 Tesla: A feasibility study in cysts and hemangiomas． J Magn Reson Imaging， 2010，32(2):352-359．

[13] Priego G， Majos C， Climent F， et al． Orbital lymphoma: Imaging features and differential diagnosis． Insights Imaging， 2012，3(4):337-344．

MRI texture analysis in differential diagnosis of orbital lymphoma and inflammatory pseudotumor

RENJiliang，WUYingwei，TAOXiaofeng*
(DepartmentofRadiology，ShanghaiNinthPeople'sHospitalAffiliatedtoShanghai
JiaoTongUniversitySchoolofMedicine，Shanghai200011，China)

Objective To discuss the application value of texture analysis of conventional MRI in differential diagnosis of orbital lymphoma from inflammatory pseudotumor. Methods The conventional MRI data of 15 patients with lymphoma and 17 patients with inflammatory pseudotumor proven by pathology or clinical follow-up were retrospectively reviewed. The texture features of lesions based on axial T1WI, fat-saturated T2WI and contrast enhanced fat-saturated T1WI were extracted by manually drawn ROIs with software MaZda. The subsets of optimized texture parameters were chosen by four different methods:Fishercoefficient, probability of classication error and average correlation coefficient (POE+ACC), mutual information measure (MI) and the combination of the above three methods (FPM), respectively. Linear discriminant analysis (LDA) and nonlinear discriminant analysis (NDA) were performed for texture classification. The texture features from the sequence with the best classification result of orbital lymphoma and inflammatory pseudotumor were compared. Results The optimal texture parameters were mainly derived from co-occurrence matrix and run-length matrix on T1WI and T2WI. The optimal texture parameters were mainly derived from co-occurrence matrix and histogram on contrast enhanced T1WI. The best classification of MRI texture was obtained within T2WI with lowest classification error of 1.56% achieved by FPM in combination with NDA. Comparing the texture parameters of orbital lymphoma and inflammatory pseudotumor on T2WI， the angular second moment and long length emphasis were significantly higher in orbital lymphoma (bothP<0.005), while the entropy and short length emphasis were significantly lower in orbital lymphoma (bothP<0.005). Conclusion It is feasible to use texture analysis on conventional MRI for the differentiation of orbital lymphoma and inflammatory pseudotumor.

Texture analysis; Magnetic resonance imaging; Orbit; Lymphoma; Inflammatory pseudotumor

任繼亮(1989—)，男，安徽阜陽人，碩士，醫(yī)師。研究方向：神經(jīng)與頭頸部影像學(xué)。E-mail: renjiliang2016@163.com

陶曉峰，上海交通大學(xué)醫(yī)學(xué)院附屬第九人民醫(yī)院放射科，200011。E-mail: cjr.taoxiaofeng@vip.163.com

2016-10-20

2017-04-27

10.13929/j.1003-3289.201610086

R739.81; R445.2

A

1003-3289(2017)07-0980-05