论文部分内容阅读
第一部分 基于DWI成像的简便方法定量胶质瘤灌注信息并用于胶质瘤的分级诊断目的:构建一种简便的基于3个b值弥散加权成像(diffusion weighted imaging,DWI)的方法来定量检测脑胶质瘤的微循环灌注信息。将其与体素内不相干运动(intravoxel incoherent motion,IVIM)及动态增强磁共振成像(dynamic contrast enhanced,DCE-MR)的灌注相关参数进行相关性分析,验证其有效性。并进一步探索其在胶质瘤术前分级中的临床应用价值。材料与方法:纳入自2016年5月至2017年5月本院诊断为胶质瘤患者50例,术前进行多b值DWI成像、DCE-MR成像。多b值DWI经过图像后处理,可以得到常规弥散参数ADC0,1000值,与IVIM相关的灌注参数:灌注分数f值、假弥散D*值,以及一种新的灌注参数SPF(simplified perfusion fraction)。DCE-MR 成像经过后处理,可得到灌注相关参数:Ktrans,Ve,和Vp。各灌注参数间的相关性采用Spearman相关分析进行分析,各参数在高级别(n=31)与低级别(n=19)胶质瘤间的差异采用曼-惠特尼U检验进行分析。采用受试者工作特征曲线对参数的诊断效能进行检验。结果:SPF与IVIM相关的灌注参数f和D*之间存在强相关性(ρ值分别为0.732和0.716,P值均<0.001)。与f值相比,SPF值与DCE-MR 灌注参数Ktrans(ρ=0.607,P<0.001)和 Vp(ρ=0.397,P=0.004)相关性更强。在所有参数中,SPF值在鉴别高低级别胶质瘤中有最高的准确性,受试者工作特征曲线下面积(area under the curve,AUC)为 0.942,高于 ADC0,1000(P=0.004)。在最优界值 19.26%时,SPF值鉴别高、低级别胶质瘤的敏感性为87.1%,特异性为94.7%。结论:用基于3个b值的DWI成像序列的简化方法可以准确定量胶质瘤的灌注信息,并可以区分高、低级别胶质瘤。SPF值可以成为一种准确评估胶质瘤灌注信息的无创的、简便的可替代性方法。第二部分T1ρ成像用于预测胶质瘤分级及IDH-1基因突变的初步研究目的:T1ρ成像由于对组织大分子代谢情况较为敏感而被用于神经变性类疾病,然而很少有研究将其用于胶质瘤的诊断中。本研究的目的是探究T1ρ成像对胶质瘤高、低级别的鉴别及异柠檬酸脱氢酶-1基因(Isocitrate dehydrogenase 1,IDH-1)分型的术前诊断作用。材料与方法:本研究为前瞻性研究。自2016年5月至2017年3月期间,共57名经病理证实为胶质瘤的患者接受了术前MR检查,包括T1ρ成像及DWI成像。可得到肿瘤实质区、水肿区及正常白质区的T1ρ值,另外包括肿瘤位置、强化方式、肿瘤边界等图像特征,并将其在不同级别的胶质瘤进行组间对比,以及在IDH-1基因突变组、IDH-1基因野生组间进行对比,采用曼-惠特尼U检验、受试者工作特征曲线和多元逻辑回归分析进行统计学分析。结果:高级别胶质瘤实质区、肿瘤周围水肿区的T1ρ值显著高于低级别胶质瘤(P<0.001和P=0.005)。受试者工作特征曲线显示,对于胶质瘤的分级诊断,肿瘤实质区的T1ρ值有最高的曲线下面积(AUC=0.841),敏感性为80.6%,特异性为81.0%。在Ⅱ/Ⅲ级别胶质瘤中,多元逻辑回归分析显示,肿瘤位于额叶及瘤周水肿区的T1ρ值都是IDH-1基因突变的显著预测因素,比值比(odds ratio,OR)值分别为 526.608(P=0.045)及 0.863(P=0.037)。将两者结合,对 IDH-1基因分型诊断的敏感性和特异性分别为93.3%及88.9%。结论:T1ρ值可以用来评估胶质瘤的病理分级及IDH-1基因突变状态。第三部分基于常规MR影像的定性和定量特征预测较低级别胶质瘤IDH1基因突变的价值研究目的:弥漫性较低级别胶质瘤(Lower-grade glioma,LrGG)相对于胶质母细胞瘤是一类具有较低侵袭性、预后相对较好的胶质瘤,存在IDH基因突变的LrGG具有更好的预后和更长生存期。本研究基于常规磁共振影像的伦勃朗视觉感受图像(Visually Accessible Rembrandt Images,VASARI)特征集特征和基于 ADC(apparent diffusion coefficient)的影像组学特征,通过机器学习算法,达到无创诊断LrGG的IDH-1基因型的目的。材料与方法:本研究是回顾性研究,总共纳入本院102例经手术病理明确为LrGG、具有IDH-1基因分型结果、并且术前进行过头颅增强MR检查的病例。经过T1加权、T2加权、T2 FLAIR及对比剂增强T1加权图像提取肿瘤VASARI特征。将肿瘤进行分割后,提取ADC图上肿瘤区域56个影像组学特征。采用最大相关最小冗余算法结合0.632 bootstrap法进行特征选择,使用随机森林算法进行分类,受试者工作特征曲线下面积AUC作为评价指标。分别针对最优的5个VASARI特征和10个影像组学特征进行组合建立分类模型,VASARI特征最优分类模型和影像组学特征最优分类模型结合判断联合二者是否有更好的分类效果,进一步地将患者的年龄、性别等因素加入到模型中判断是否有助于模型分类性能的提升。验证集用于验证模型的分类效果。所有统计利用Matlab软件和SPSS软件(v.17.0;芝加哥,美国)完成,离散型变量的比较采用卡方检验,连续性变量的比较采用独立样本t检验。P值<0.05认为有显著性差异。结果:VASARI特征分析:经过特征选择,根据AUC大小排序,预测性能最好的前5个VASARI特征分别为:强化程度(AUC=0.752)、内囊或脑干受累(AUC=0.738)、肿瘤位置(AUC=0.684)、坏死区比例(AUC=0.682)和 T1/T2 比例(AUC=0.632)。ADC 影像组学的特征组合模型:在训练集上,特征组合3,即GLRLM.SRLGE、GLRLM.LGRE和GLRLM.RLV三个特征组合取得的AUC最大,为0.849,敏感度、特异度和准确度分别为0.790、0.770和0.789。在验证集上,特征组合10,即所有10个特征组合取得的AUC最大,为0.849,敏感度、特异度和准确度分别为0.724、0.761和0.743。联合VASARI特征(强化程度)和影像组学特征(GLRLM.SRLGE、GLRLM.LGRE、GLRLM.RLV、Histogram.Min、Eccentricity、GLSZM.LZHGE、GLSZM.LGZE、Histogram.Energy、Histogram.Std 和 GLSZM.ZSN)在验证集上预测IDH-1基因型的分类AUC提高到0.879,敏感度、特异度和准确度分别为0.765、0.778和0.771。将年龄和性别两个因素纳入模型,没有提高分类效果,此时AUC为0.859,敏感度、特异度和准确度分别为0.759、0.778和0.769。结论:基于常规磁共振影像的VASARI特征和基于ADC的影像组学特征可以无创的评价LrGG的IDH-1基因型,两者联合可以提高诊断的准确性。