论文部分内容阅读
目的: 采用基于常规MR序列的三维(3D)直方图分析并建模对脑膜瘤进行术前分级。 材料和方法: 本研究为回顾性研究，90例经手术及病理证实为脑膜瘤的患者纳入分析，包含Ⅰ级脑膜瘤45例（男11例，女34例;平均年龄:53.7±11.1岁），Ⅱ级脑膜瘤38例（男19例，女18例;平均年龄:61.4±9.7岁），Ⅲ级脑膜瘤7例（男3例，女4例;平均年龄:64.0±11.3岁）。Ⅰ级脑膜瘤归为低级别脑膜瘤组(low-grade meningioma，LGM)，Ⅱ级和Ⅲ级脑膜瘤合为一组，归为高级别脑膜瘤组(high-grade meningioma，HGM)。所有患者均行常规MR平扫(T1WI、T2WI、T2Flair)及增强T1WI扫描;将脑膜瘤患者的轴位T1WI、T2WI和增强T1WI（DICOM格式）导入Omni-Kinetics软件中，结合T2WI及增强T1WI确认肿瘤实质的边界，并沿肿瘤边界手动勾画肿瘤轮廓，获得肿瘤实质的感兴趣区(region of interest，ROI)。ROI涵盖肿瘤所有层面，融合呈3D ROI，并分别计算出T1WI、T2WI及增强T1WI肿瘤3D ROI直方图及其所有参数。用独立样本t检验或Kruskal-Wallis检验来比较HGM和LGM两组间T1WI、T2WI和增强T1WI直方图参数的差异。用单因素logistic回归分析筛选有统计学意义的参数纳入多因素logistic回归分析;用Spearman相关性检验去冗余，余下参数被认为具有高预测效能，纳入多因素logistic回归分析;用多因素logistic回归分析对高预测效能参数分别建立脑膜瘤分级的T1WI、T2WI和增强T1WI直方图参数模型，将每组45例患者中的70％（31人）归为训练组，用来建立模型，余下的30％(14人)归为验证组，用来验证所建立模型的准确性。采用受试者操作特性(receiver operating characteristic，ROC)曲线来评价模型的诊断效能。 结果: 三种常规序列的3D直方图分析显示，HGM和LGM两组间的体积数(Volume Count，VC)和均匀性(Uniformity,UN)均具有显著差异，HGM体积数明显高于LGM，但均匀性低于LGM。此外，在T1WI直方图上，HGM值域（Range，RA）明显大于LGM。在T2WI直方图上，HGM值域、方差(Variance，VA)、标准差(Standard Deviation，SD)明显增高，但最大值（Max-intensity,MA）和峰度值(Kurtosis，KU)降低，HGM和LGM的直方图峰度值均为正值。在增强T1WI直方图上，HGM最小值（Min-intensity,MI）、平均值(Mean Value，MV)、第5百分位数(Quantile5，Q5)、第10百分位数(Quantile10，Q10)、第25百分位数(Quantile25，Q25)、第50百分位数（Quantile50，Q50）、第75百分位数(Quantile75，Q75)、第90百分位数(Quantile90，Q90)均低于LGM。HGM和LGM直方图的平均差(Mean Deviation，MD)和偏度(Skewness，SK)均为负值，二者的绝对值LGM均大于HGM。 经过单因素logistic回归分析降维和Spearman相关性检验去冗余后，T1WI直方图均匀性、体积数和T2WI直方图体积数、值域、峰度、均匀性以及增强T1WI直方图体积数、均匀性、最小值、偏度、Q75是预测脑膜瘤级别的高效能参数;体积数、均匀性在三个序列中均是鉴别HGM和LGM的高效能参数。脑膜瘤分级的T1WI、T2WI和增强T1WI直方图参数模型分别为: f(T1WI)=9.54+5.29e-5×VC-12.1×UN f(T2WI)=6.41+3.59e-5×VC+2.68e-5×RA-0.17×KU-7.84×UN f(增强T1WI)=6.08+7.64e-4×MI+4.24e-5×VC+0.84×SK-6.23×UN-1.10e-3×Q75 ROC结果显示，T1WI、T2WI和增强T1WI直方图参数模型对脑膜瘤分级的曲线下面积(area under curve，AUC)分别为0.781、0.821、0.834，增强T1WI直方图参数模型对脑膜瘤分级的AUC最大，且敏感度(83.9％)和特异度(77.4％)最佳。 结论: 基于常规MR序列的3D直方图分析有助于脑膜瘤分级;体积数及均匀性是脑膜瘤分级的最佳参数;增强T1WI直方图参数模型是脑膜瘤分级的最佳模型。