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。