基于CT平扫纹理分析预测腮腺多形性腺瘤包膜浸润的初步研究.pdf

67影像技术影像研究与医学应用 2024年2月 第8卷第3期 基于 CT 平扫纹理分析预测腮腺多形性腺瘤包膜浸润的初步研究施久刚，茅枭骁，唐 银，马树声，张 磊（通信作者），卢 亮（靖江市人民医院影像科 江苏 泰州 214500）【摘要】目的：探究基于 CT 平扫图像纹理分析预测腮腺多形性腺瘤（PA）包膜浸润的可行性。方法：选取 2016 年 1 月2022 年10 月于靖江市人民医院经手术病理确诊为腮腺 PA 的患者 49 例，其中包膜浸润组 21 例，包膜未浸润组 28 例。运用 Mazda 软件在 CT平扫图像上手动勾画病灶最大层面感兴趣区（ROI）。应用 Fisher 系数、POE+ACC 及 MI 3 种降维方式，筛选出最佳纹理参数，通过受试者工作特征（ROC）曲线评估其诊断效能。结果：纹理特征参数中包膜浸润组的 S(0,3)DifVarnc、Vertl_RLNonUni、Horzl_RLNonUni、Horzl_GLevNonU、135dr_RLNonUni、135dr_GLevNonU 均高于包膜未浸润组，且差异有统计学意义（P 0.05）。ROC曲线显示 Vertl_RLNonUni 的灵敏度与特异度较为平衡，其 AUC 值、灵敏度、特异度分别为 0.747、76.19%、71.43%，具有良好预测效能。结论：CT 平扫图像纹理分析能够提高术前腮腺 PA 包膜浸润的预测效能，对指导临床手术方式选择及预后评估有重要作用。【关键词】腮腺肿瘤；计算机体层成像；纹理特征；纹理分析【中图分类号】R445.3 【文献标识码】A 【文章编号】2096-3807（2024）03-0067-03腮腺肿瘤主要以良性肿瘤为主，多形性腺瘤（pleomorphic adenoma，PA）约占 70%80%，具有一定侵袭性、潜在恶变倾向。腮腺PA的手术方式目前主要包括腮腺浅叶（或全叶）切除术、包膜外切除术1，前者较后者手术范围广、术后复发率低，但术后并发症发生率高。已有研究发现包膜外浸润是肿瘤术后复发的独立危险因素2，因此术前预测肿瘤有无包膜浸润对临床手术方式与预后具有指导意义。传统影像学检查手段难以确定PA有无包膜浸润。纹理分析技术是影像学上新的后处理方法，能够通过定量分析纹理特征，鉴别肿瘤的良恶性，对肿瘤的预后评估有一定价值3。目前已有专家证实 CT 纹理分析能够用于区分腮腺良恶性肿瘤4，但还没有用于预测腮腺 PA包膜浸润的可行性报告。本研究基于 CT 平扫图像，探讨纹理分析技术预测 PA 包膜浸润的应用价值。1 资料与方法1.1 一般资料选取 2016 年 1 月2022 年 10 月于靖江市人民医院经手术病理确诊为腮腺 PA 的患者 49 例，其中包膜浸润组 21 例，包括男性 7 例，女性 14 例，年龄 22 67 岁，平均（48.718.36）岁；包膜未浸润组 28 例，包括男性8例，女性20例，年龄2764岁，平均（45.967.89）岁。纳入标准：（1）于本院手术并有完整的病理资料；（2）术前完成 CT 平扫；（3）均签署知情同意书。排除标准：（1）入院检查前已手术过或其他肿瘤病史；（2）存在运动或吞咽伪影。1.2 方法1.2.1 图像采集 采用 Philips Brilliance iCT 256 层螺旋 CT 行腮腺 CT 平扫检查。扫描范围包括蝶鞍至锁骨窝平面。扫描参数：管电压 120 kV，管电流 200 mA，层厚 5 mm，矩阵 512512，螺距 1.0，重建层厚 1 mm。1.2.2 图像导出及 ROI 选择 从 PACS 工作站中将横断面最大的层面图像导出，导出图像保存为BPM格式，导出时确保所有图像窗宽窗位一致。由两名高年资医师分别将图像导入 Mazda 软件中，沿病灶边缘勾画感兴趣区（ROI）。见图 1。（a）（b）（c）（d）注：（a）（b）患者，女性，53 岁，PA 包膜浸润，平扫形态规则、边缘毛糙、无囊变，红色区域勾画患者肿瘤边缘；（c）（d）患者，女性，37 岁，PA 包膜未浸润，平扫形态规则、边缘光整、无囊变，绿色区域勾画患者肿瘤边缘。图 1 腮腺 PA 平扫图像及软件勾画 ROI基金项目：靖江市人民医院2023年度院级科研基金项目（JRY-KY-2023-022）。68 影像技术影像研究与医学应用 2024年2月 第8卷第3期 1.2.3 纹理参数提取及筛选 软件能够提取灰度直方图、绝对梯度、灰度共生矩阵、游程矩阵、自回归模型及小波转换共 6 种纹理特征参数，共 306 项放射组学特征。采用 3 种降维方式进行筛选：Fisher 系数、分类错误概率和平均相关系数（probability of classification error and average correlation coefficients,POE+ACC)、互信息（mutual information,MI）。1.3 统计学方法采用 SPSS 22.0 统计软件分析数据，符合正态分布的计量资料以均数 标准差（x-s）表示，采用 t 检验；不符合正态分布的运用 Mann-Whitney U 检验，以 P 0.05为差异有统计学意义。建立受试者工作特征（receiver operating characteristic，ROC）曲线，比较其诊断效能。2 结果2.1 两组腮腺 PA 的纹理参数比较软 件 自 动 获 得 306 项 纹 理 参 数，运 用 Fisher、POE+ACC、MI 分别降维提取纹理特征参数各 10 项，结果见表 1。其中纹理参数 S(0,3)DifVarnc、Vertl_RLNonUni、Horzl_RLNonUni、Horzl_GLevNonU、135dr_RLNonUni、135dr_GLevNonU 在组间差异具有统计学意义（P 0.05），结果见表 2，PA 的包膜浸润组纹理参数值均大于包膜未浸润组。表 1 3 种降维方式筛选出的纹理特征FisherPOE+ACCMIVertl_RLNonUniKurtosis135dr_GLevNonU135dr_RLNonUniPerc.90%S(1,0)ContrastPerc.01%135dr_LngREmphS(2,-2)DifEntrpHorzl_RLNonUniTeta4S(0,3)InvDfMomS(4,-4)DifVarncWavEnHL_s-5WavEnHH_s-1S(5,-5)DifVarncS(1,1)CorrelatS(3,0)ContrastS(3,-3)DifVarncWavEnHH_s-4S(0,4)InvDfMomS(3,-3)ContrastS(0,3)DifVarncTeta3135dr_GLevNonUHorzl_GLevNonUS(5,0)ContrastS(2,-2)Contrast135dr_GLevNonUS(2,0)Contrast注：90游程不均匀性（Vertl_RLNonUni）；135游程不均匀性（135dr_RLNonUni）；第 1 百分位数（Perc.01%）；180游程不均匀性（Horzl_RLNonUni）；差分方差（DifVarnc）；135灰度不均匀性（135dr_GLevNonU）；180灰度不均匀性（Horzl_GLevNonU）；对比度（Contrast）；峰度（Kurtosis）：第 90 百分位数（Pere.90%）；参数4（Teta4）；相关性（Correlat）；高低频小波转换参数（WavEnHL）；高频小波转换参数（WavEnHH）；逆差距（InvDfMom）；参数3（Teta3）。表 2 两组 PA 之间有显著差异的纹理特征参数比较（x-s）组别S(0,3)DifVarncVertl_RLNonUniHorzl_RLNonUni包膜浸润组（n=21）1.1630.718 479.352215.720 494.690278.432包膜未浸润组（n=28）0.8220.308 291.368201.716 311.346226.011t2.2573.1342.544P0.0480.0030.014表 2（续）组别Horzl_GLevNonU 135dr_RLNonUni135dr_GLevNonU包膜浸润组（n=21）198.02282.474 928.475504.123 283.691126.804包膜未浸润组（n=28）148.94369.146 553.535343.475 206.13998.050t2.2643.0972.416P0.0280.0030.0202.2 两组腮腺 PA 纹理特征的 ROC 曲线分析选择具有显著差异的纹理特征建立 ROC 曲线，评估其预测腮腺 PA 包膜浸润的效能，结果见表 3 及图 2。预测腮腺 PA 包膜浸润灵敏度最高的纹理参数是 S(0,3)DifVarnc，达 85.71%，但其特异度较低，仅为 46.43%；特 异 度 最 高 的 纹 理 参 数 是 Horzl_RLNonUni，达78.57%，其 AUC 值、灵敏度分别为 0.702、61.90%；AUC 最高的纹理参数是 Vertl_RLNonUni，为 0.747，当阈值为 344.460 时，其相应的灵敏度、特异度分别为76.19%、71.43%，灵敏度与特异度较为均衡，能够有效预测腮腺 PA 有无包膜浸润。表 3 两组腮腺 PA 间纹理特征的预测效能参数AUC 值阈值灵敏度/%特异度/%S(0,3)DifVarnc0.667 0.69985.7146.43Vertl_RLNonUni0.747344.46076.1971.43Horzl_RLNonUni0.702439.50161.9078.57Horzl_GLevNonU0.677170.30361.9067.86135dr_RLNonUni0.738708.99671.4375.00135dr_GLevNonU0.689218.53071.4367.86（a）图 2 两组腮腺多形性腺瘤间最佳纹理参数的 ROC 曲线 69影像技术影像研究与医学应用 2024年2月 第8卷第3期（b）注：（a）纹理特征 S(0,3)DifVarnc、Vertl_RLNonUni、Horzl_RLNonUni 的 ROC 曲线图；（b）Horzl_GLevNonU、135dr_RLNonUni、135dr_GLevNonU 的 ROC 曲线图。图 2（续）3 讨论腮腺 PA 虽然是腮腺最常见的良性肿瘤，但具有一定复发及恶变风险。手术是腮腺 PA 的主要治疗手段，肿瘤包膜浸润是术后复发的重要危险因素5，手术方式的差异主要在切除范围上，因此术前准确预测肿瘤有无包膜浸润对临床手术方式选择及预后评估至关重要。CT 纹理分析是指利用计算机软件对图像中像素或体素灰度值的局部特征、分布及相互关系进行分析，可以提取、分析和解释定量成像特征的技术6。本研究通过3 种降维方式筛选出最佳纹理特征 6 个，S(0,3)DifVarnc即差方差，属于灰度共生矩阵参数7，反映两个体素间灰度值的变化，其 AUC 值较低，特异度仅为 46.36%。Vertl_RLNonUni 即垂直方向游程不均匀性，Horzl_RLNonUni 即水平方向游程不均匀性，Horzl_GLevNonU即水平方向灰度不均匀性，135dr_RLNonUni 即 135方向游程不均匀性，135dr_GLevNonU 即 135方向灰度不均匀性，均属于游程矩阵参数，能够计算不同矩阵的像素在规定方向出现的频数，定量分析肿瘤的异质性。许旭茹8研究发现基于 CT 平扫纹理分析的游程矩阵参数能够预测肝癌的微血管浸润；王铭等9研究通过游程矩阵模型的纹理特征能够预测乳腺癌 Ki-67 的表达水平。腮腺 PA 虽然是良性肿瘤，但当肿瘤包膜外浸润时，肿瘤边缘不清，反映为图像像素在不同游程矩阵方向的差异性，与本研究中包膜浸润组游程矩阵参数值均大于包膜未浸润组相符。本研究的不足之处：（1）本研究为回顾性分析，纳入病例数较少；（2）没有选择增强扫描，缺乏强化对比；（3）未选择三维图像勾画肿瘤的整体情况。下一步本研究将增加临床信息、影像特征联合组学特征的研究验证。综上所述，基于 CT 平扫图像纹理分析能够反映PA 包膜浸润组与包膜未浸润组的异质性，其中 Vertl_RLNonUni 的敏感性与特异性较为平衡，能够提高术前腮腺 PA 包膜浸润的预测效能，对指导临床手术方式选择及预后评估有重要作用。【参考文献】1 ZHENG C Y,CAO R,GAO M H,et al.Comparison of surgical techniques for benign parotid tumours:a multicentre retrospective studyJ.Int J Oral Maxillofac Surg,2019,48(2):187-192.2 ORABONA G D,BONAVOLONT P,IACONETTA G,et al.Surgical management of benign tumors of the parotid gland:extracapsular dissection versus superficial parotidectomyour experience in 232 casesJ.J Oral Maxillofac Surg,2013,71(2):410-413.3 AHN S J,KIM J H,PARK S J,et al.Prediction of the therapeutic response after FOLFOX and FOLFIRI treatment for patients with liver metastasis from colorectal cancer using computerized CT texture analysisJ.Eur J Radiol,2016,85(10):1867-1874.4 茅枭骁，马树声，卢亮，等.基于增强 CT 纹理分析联合机器学习鉴别腮腺腺淋巴瘤与混合瘤 J.CT 理论与应用研究，2023，32(1):74-80.5 TIAN Z,LI L,WANG L,et al.Salivary gland neoplasms in oral and maxillofacial regions:a 23-year retrospective study of 6982 cases in an eastern Chinese populationJ.Int J Oral Maxillofac Surg,2010,39(3):235-242.6 茅枭骁，征锦.CT 纹理分析技术在甲状腺结节影像研究中的应用进展 J.医疗卫生装备，2020，41(12):97-100，104.7 HODGDON T,MCINNES M D F,SCHIEDA N,et al.Can quantitative CT texture analysis be used to differentiate fat-poor renal angiomyolipoma from renal cell carcinoma on unenhanced CT images?J.Radiology,2015,276(3):787-796.8 许旭茹.基于 CT 影像的纹理分析预测原发性肝细胞癌微血管侵犯的临床研究 D.福州:福建医科大学，2019.9 王铭，田为中，张继，等.基于 TIRM 序列的游程矩阵纹理特征联合 ADC 值预测乳腺癌 Ki-67 表达水平 J.放射学实践，2021，36(12):1520-1525.