定量ADC图的纹理分析对高级别胶质瘤与脑转移瘤的鉴别诊断

发布时间：2020-04-18 05:10

【摘要】：背景:高级别胶质瘤(high grade gliomas,HGG)和脑转移瘤(metastatic brain tumor,METS)是最常见的成人恶性脑肿瘤。HGG和METS在新陈代谢、血管构成、微环境因素、形态和功能上都存在着明显差异,鉴别二者也非常必要。然而,这两者在常规MRI上似乎是难以区分的,因为二者具有相似的影像特征和增强改变,在许多情况下无法区分。如果能在术前对二者进行鉴别,就可以制定更好的治疗方案。以前,有很多研究尝试使用非侵入性、先进的医学影像技术来鉴别二者,但收效甚微,究其原因是多数研究或者仅包括肿瘤实质,或者仅关注瘤周区,或采用很小的ROIs而非常低估了估瘤的异质性。磁共振纹理分析(MRTA)是一种新的图像分析技术,可以帮助我们获得多达数以百计的参数来评价肿瘤,并基于肿瘤全域评估肿瘤的异质性。此外,它有助于描述图像的所有纹理特征,如强度、形状、大小、体积、肿瘤表型、遗传和微观环境因素,而这是肉眼看不到的,并可以提高诊断准确性。因此,采用基于肿瘤全域的非侵入性技术来鉴别HGG与METS是非常必要的。目的:本研究对HGG与METS的表观弥散系数(apparent diffusion coefficient,ADC)图进行基于肿瘤全域的纹理分析(texture analysis,TA),进而评估纹理分析对两种肿瘤的鉴别诊断能力。材料与方法:本研究是一项回顾性研究,患者来源于大连医科大学附属第一医院放射科。本研究共收集了经手术病理证实的50例HGG和32例METS患者。所有患者均行术前MRI检查,使用GE Signa HDxt 3.0T磁共振扫描仪(8通道头线圈);所扫描的序列包括矢状位T1WI、轴位T1WI、轴位T2WI、轴位T2 Flair、轴位弥散加权成像(diffusion weighted imaging,DWI)和轴位增强T1WI。我们使用ADW4.6工作站functool2软件对所有患者DWI图像进行后处理,获取并保存ADC图以备后续处理。我们使用Omnikinetics软件(GE药业公司,中国)对ADC图进行TA分析,逐层在每个肿瘤的ADC图上沿水肿边缘勾画ROI区,包括整个肿瘤实质(涵盖囊变区、坏死区或出血区)和瘤周水肿区。之后将多个层面的ROI区域进行叠加重建形成一个3DROI。记录每个病例的直方图曲线及纹理参数,以作进一步统计学分析。共计33个ADC图的纹理参数,包括15个一阶直方图参数(First order histogram parameters,FOHP):最小值(minimum intensity,MIN)、最大值(maximum intensity,MAX)、中间值(median intensity,MI)、偏度(skewness)、峰度(kurtosis)、平均差(mean deviation,MD)、相对差(relative deviation,RD)、标准差(standard deviation,SD)、值域(range)、体素数(voxel value sum,VVS)、均方根值(root mean square,RMS)、一致性(uniformity)、变异(variance)、平均值mean value(MV)和体积数volume count(VC);8个灰度共生矩阵(Gray level co-occurrence matrix,GLCM)参数:能量(energy)、熵值(entropy)、惰性(inertia)、相关性(correlation)、逆差矩(inverse difference moment,IDM)、集群阴影(cluster shade,CS)、集群突出(cluster prominence,CP)和Haralick相关(Haralick correlation,HC);以及10个灰度游程长度矩阵(Gray level run length maxia,GLRM)参数:短期重点(short run emphasis,SRE)、长期重点(long run emphasis,LRE)、灰度不均匀(gray level non uniformity,GLN)、运行长度的不均匀性(run length non uniformity,RLN),低灰度游程(low gray level run emphasis,LGLRE)、高灰度游程(high gray level run emphasis,HGLRE)、短期低灰度级重点(short run low gray level emphasis,SRLGLE)、短期高灰度级的重点(short run high gray levelemphasis,SRHGLE)、长期低灰度级重点(long run low gray level emphasis,LRLGLE)和长期高灰度级重点(long run high gray level emphasis,LRHGLE)。全部数据用SPSS 20.0进行统计学分析:使用Shapiro-Wilk检验数据是否符合正态分布;HGG和METS的TA参数值如VC、VVS和IDM使用独立样本t检验,非参数值如MIN、MAX、MI、偏度、峰度、MD、RD、SD、值域、RMS、一致性、变异、MV、能量、熵值、惰性、相关性、IDM、CS、CP、HC、SRE、LRE、GLN、RLN、LGLRE、HGLRE、SRLGLE、SRHGLE、LRLGLE和LRHGE采用Mann-Whitney U检验。利用(ROC)曲线计算曲线下面积(AUC)和P值从而确定各独立危险因素的诊断能力,以诊断阈值、灵敏度和特异性显示参数的诊断效能。P0.05视为有统计学意义。结果:1.其中VC(P=0.009)、VVS(P=0.013)、RMS(P=0.000)、RD(P=0.042,RD)、相关性(P=0.016)、能量(P=0.000)、熵值(P=0.000)、GLN(P=0.009)、RLN(P=0.005)、LGLRE(p=0.023)、SRLGLE(P=0.027)、LRLGLE(P=0.000)和LRHGLE(p=0.030)在HGG与METS中有统计学差异。HGG的VVS、VC、RD、能量、熵值、相关性、LN、RLN和LRHGLE的均值±标准差高于METS。2.ROC曲线分析显示HGG和METS在熵值(AUC=0.955,P=0.009)、RLN(AUC=0.684,P=0.014)、VC(AUC=0.67,P=0.042)、GLN(AUC=0.671,P=0.000)、VVS(AUC=0.663,P=0.016)、相关性(AUC=0.659,P=0.010)和RD(AUC=0.634,P=0.005)之间存在显著差异。最大AUC(0.955)来自熵值,其灵敏度为91.8%,特异性为100%。结论:采用基于全肿瘤检查的MR纹理分析,其中有13个参数如VVS、VC、RMS、RD、能量、熵值、相关性、GLN、RLN、LGLRE、SRLGLE、LRHGLE和LRLGLE在HGG和METS之间存在显著差异。ROC曲线检验也证明这13个参数中有7个具有很强的诊断能力。因此,我们可以得出这样的结论:基于肿瘤全域纹理分析的定量ADC图有助于HGG和METS肿瘤异质性鉴别,其中熵值是最好的鉴别诊断指标。
【学位授予单位】：大连医科大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R739.41;R445.2

【相似文献】