馬 楨，程敬亮，任 琦，張 勇，汪衛(wèi)建

(鄭州大學(xué)第一附屬醫(yī)院磁共振科，河南 鄭州 450052)

原發(fā)性中樞神經(jīng)系統(tǒng)淋巴瘤(primary central nervous system lymphoma， PCNSL)、多形性膠質(zhì)母細胞瘤(glioblastoma multiform， GBM)和單發(fā)腦轉(zhuǎn)移瘤(solitary brain metastasis， SMT)是3種較常見的腦內(nèi)惡性腫瘤，術(shù)前正確診斷在臨床分期、制定手術(shù)和治療計劃等方面具有重要意義[1-3]。但上述3種腫瘤的影像學(xué)表現(xiàn)存在部分重疊，如環(huán)狀強化并伴瘤周水腫[4]，術(shù)前鑒別困難。直方圖分析是一種基于像素分布的圖像分析方法，可為鑒別腫瘤或分級診斷提供更多定量信息，現(xiàn)已用于診斷中樞神經(jīng)系統(tǒng)[5]、腎臟[6]、膀胱[7]等部位的腫瘤。本研究探討基于ADC圖的直方圖分析方法鑒別診斷上述3種腦內(nèi)腫瘤的價值。

1 資料與方法

1.1 一般資料 收集2013年5月—2017年10月我院經(jīng)手術(shù)病理證實的95例患者，其中PCNSL組38例，男18例，女20例，年齡33～81歲，平均(57.1±12.5)歲；GBM組29例，男13例，女16例，年齡10～69歲，平均(51.2±14.5)歲；SMT組28例，男15例，女13例，年齡36～76歲，平均(59.8±12.5)歲。PCNSL中彌漫性大B細胞淋巴瘤37例，漿細胞性淋巴瘤1例。28例腦轉(zhuǎn)移瘤患者，原發(fā)腫瘤部位包括肺(腺癌18例、神經(jīng)內(nèi)分泌癌4例、鱗癌2例)、乳腺(浸潤性導(dǎo)管癌1例，原發(fā)病理類型不明1例)及胃(腺癌2例)?；颊吲R床表現(xiàn)主要為頭痛、頭暈、嘔吐等顱內(nèi)壓增高癥狀和局灶性癥狀，如偏癱、偏身感覺障礙等。所有患者術(shù)前均在我院接受MR平掃和增強掃描，影像學(xué)資料完整。

1.2 儀器與方法 采用Siemens Skyra 3.0T MR成像系統(tǒng)，32通道頭部線圈。掃描時囑患者仰臥，保持自然放松狀態(tài)，鼻根部與線圈十字中心線縱軸平行。平掃獲取軸位及矢狀位T1WI、軸位T2WI、液體衰減反轉(zhuǎn)恢復(fù)(fluid attenuated inversion recovery， FLAIR)序列及軸位DWI圖像。掃描參數(shù)：T1WI，TR 260 ms，TE 2.46 ms；T2WI，TR 3 800 ms，TE 93.0 ms；FLAIR，TR 4 500 ms，TE 93 ms；DWI掃描采用SE-EPI序列，b值為0、1 000 s/mm2，TR 3 500 ms，TE 119 ms；FOV 23 cm×23 cm，層厚 5 mm，層間距0.3 mm，層數(shù)20。增強掃描對比劑采用Gd-DTPA，劑量0.2 mmol/kg體質(zhì)量，獲取矢狀位、軸位及冠狀位T1WI，掃描參數(shù)同前。

1.3 圖像分析 將MRI以.BMP格式從PACS工作站導(dǎo)出，導(dǎo)出時確保所有圖像的窗寬、窗位保持一致，以ADC圖為基礎(chǔ)行全域直方圖分析。采用MaZda軟件，參考常規(guī)平掃和增強圖像，在ADC圖像中于每一層含有腫瘤的層面沿腫瘤邊緣手動勾畫ROI(圖1)，軟件自動生成ROI的灰度直方圖，計算獲得以下參數(shù)：方差、均值、偏度、峰度及第1、10、50、90、99百分位數(shù)。由1名醫(yī)學(xué)影像學(xué)研究生在2名主治醫(yī)師指導(dǎo)下完成所有ROI的勾畫。

圖1 腫瘤ROI勾畫示意圖 紅色區(qū)域為腫瘤ROI

1.4 統(tǒng)計學(xué)分析 采用SPSS 21.0統(tǒng)計分析軟件。對符合正態(tài)分布的計量資料以±s表示，不符合正態(tài)分布者則采用中位數(shù)(上下四分位數(shù))表示。對正態(tài)分布、方差齊性資料的多組間比較采用單因素方差分析，兩兩比較采用LSD-t檢驗；數(shù)據(jù)不滿足正態(tài)分布或方差不齊的多組間比較采用Kruskal-WallisH檢驗，兩兩比較采用Bonferroni檢驗。對3組間有統(tǒng)計學(xué)差異的參數(shù)以Medcalc軟件建立ROC曲線，計算AUC，確定臨界值，評價其對3種腫瘤兩兩之間的鑒別診斷效能。P<0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

3種腫瘤間方差、均值、偏度、峰度及第1、10、50、90、99百分位數(shù)總體差異均有統(tǒng)計學(xué)意義(P均<0.05)，其中GBM與PCNSL組間9個參數(shù)差異均有統(tǒng)計學(xué)意義(P均<0.05)，GBM與SMT組間均值、偏度和第1、10及50百分位數(shù)差異有統(tǒng)計學(xué)意義(P均<0.05)，PCNSL與SMT組間均值、方差、偏度和第50、90及99百分位數(shù)差異有統(tǒng)計學(xué)意義(P均<0.05)，見表1、圖2。

采用有統(tǒng)計學(xué)差異的灰度直方圖參數(shù)對PCNSL、GBM、SMT兩兩腫瘤間鑒別診斷的ROC曲線見圖3，其診斷臨界值、AUC、敏感度和特異度結(jié)果見表2～4。

表1 PCNSL、GBM、SMT組的ADC全域灰度直方圖參數(shù)結(jié)果

表2 ADC全域灰度直方圖參數(shù)鑒別GBM與PCNSL的ROC分析結(jié)果

表3 ADC全域灰度直方圖參數(shù)鑒別GBM與SMT的ROC分析結(jié)果

表4 ADC全域灰度直方圖參數(shù)鑒別PCNSL與SMT的ROC分析結(jié)果

3 討論

在MRI的紋理特點中，中位數(shù)及灰度的不均一性、百分位數(shù)等特點有助于區(qū)分診斷過程中不易鑒別的疾病。全域直方圖分析可基于平掃、增強或ADC等圖像進行分析，對提取出的病變圖像ROI內(nèi)各層像素值灰度的分布情況進行統(tǒng)計分析，從而得到與疾病相關(guān)的參數(shù)，并可提供進一步鑒別腫瘤所需的具體分類方案。目前已有研究[8-10]報道全域直方圖分析法用于在某些疾病或腫瘤的分級、分類等，如Ryu等[8]應(yīng)用ADC全腫瘤直方圖分析評價腫瘤的異質(zhì)性，Li等[9]對肝臟占位性病變進行基于T2WI的直方圖分析，均取得了滿意的結(jié)果。本研究探討灰度直方圖分析方法鑒別PCNSL、GBM與SMT的價值。

PCNSL、GBM及SMT是腦內(nèi)較常見的3種惡性腫瘤，常規(guī)MRI可用于鑒別，但其表現(xiàn)多有重疊，如增強MRI均表現(xiàn)為不規(guī)則、均勻或不均勻環(huán)形強化等，故對鑒別PCNSL、GBM與SMT具有局限性。直方圖是在每個強度等級中具有相同強度像素數(shù)量的函數(shù)，以簡單方式描述圖像中包含的統(tǒng)計信息。大多數(shù)直方圖分析使用描述性參數(shù)，以定量方式表征和比較腫瘤生物標(biāo)志物的分布。描述性分析包括以下定量指標(biāo)：平均值、標(biāo)準(zhǔn)差、模式、最大值和最小值、峰度、偏度和百分位等[11]。ADC全域灰度直方圖分析方法為鑒別腫瘤提供了一個更全面的評估手段，降低了根據(jù)常規(guī)ADC圖像特征鑒別腫瘤所產(chǎn)生的局限性；且DWI無需注入對比劑，具有簡便、經(jīng)濟的優(yōu)勢。既往進行關(guān)于直方圖分析時，僅于一層或數(shù)層腫瘤圖像中勾畫ROI[12]，所獲數(shù)據(jù)僅能反映腫瘤的局部，不能代表腫瘤整體。本研究采用勾畫全部腫瘤，行代表腫瘤全域的灰度直方圖分析，所獲結(jié)果反映腫瘤整體的數(shù)據(jù)，可避免由于勾畫局部區(qū)域ROI而導(dǎo)致的抽樣誤差[13]，更加可靠和精確。

圖2 3種腫瘤的ADC圖及灰度直方圖 A～C.分別為PCNSL、GBM、SMT的ADC圖； D～F.分別為PCNSL、GBM、SMT的灰度直方圖，橫坐標(biāo)為ROI內(nèi)不同灰度值，縱坐標(biāo)為各灰度值出現(xiàn)的頻率

本研究評價峰度、偏度、均值、標(biāo)準(zhǔn)差、百分位數(shù)等9個灰度直方圖參數(shù)對3種腦內(nèi)常見惡性腫瘤的鑒別診斷價值，結(jié)果顯示均值、方差、偏度、峰度、第1、10、50、90及99百分位數(shù)在三者間差異均有統(tǒng)計學(xué)意義(P均<0.05)，其中第50百分位數(shù)鑒別診斷GBM與PCNSL的ROC曲線的AUC最大，為0.90，其診斷敏感度為84.21%，特異度為86.21%；GBM與SMT間，均值和第50百分位數(shù)的AUC均為0.79，其敏感度均為96.43%，特異度均為55.17%；PCNSL與SMT間，第90和99百分位數(shù)的AUC均為0.81，敏感度均為92.86%，特異度均為63.16%。以上結(jié)果提示ADC灰度直方圖分析方法對鑒別診斷腦內(nèi)惡性腫瘤具有一定臨床意義，可作為腦內(nèi)常見惡性腫瘤的新型輔助診斷方法，更有助于選擇臨床治療方式和預(yù)后。

本研究的主要不足：①為回顧性研究，可能存在樣本選擇性偏倚；②PCNSL、GBM和SMT的發(fā)病率較低，特別是PCNSL，故樣本量有限；③GBM有野生型和突變型兩種，未對其進行分型觀察。

圖3 各灰度直方圖參數(shù)對PCNSL、GBM、SMT進行兩兩鑒別的ROC曲線 A.GBM與PCNSL(AUC前6位的參數(shù))； B.GBM與SMT； C.PCNSL與SMT

綜上所述，ADC全域灰度直方圖分析可為鑒別診斷PCNSL、GBM與SMT提供可靠的客觀依據(jù)。