分享:
分享到微信朋友圈
X
经验交流
基于灰度共生矩阵鉴别前庭神经鞘瘤和桥小脑角区脑膜瘤的应用价值
鞠文萍 梁洁 王现亮 彭雪婷 王剑飞

Cite this article as: Ju WP, Liang J, Wang XL, et al. Application value of gray level co-occurrence matrix in differentiating vestibular schwannoma from cerebellopontine angle meningioma[J]. Chin J Magn Reson Imaging, 2022, 13(4): 103-106.本文引用格式:鞠文萍, 梁洁, 王现亮, 等. 基于灰度共生矩阵鉴别前庭神经鞘瘤和桥小脑角区脑膜瘤的应用价值[J]. 磁共振成像, 2022, 13(4): 103-106. DOI:10.12015/issn.1674-8034.2022.04.019.


[摘要] 目的 探讨灰度共生矩阵(gray-level co-occurrence matrix,GLCM)在前庭神经鞘瘤(vestibular schwannoma,VS)与桥小脑角区脑膜瘤(cerebellopontine angle meningioma,CPAM)鉴别诊断中的价值。材料与方法 回顾性分析经病理证实为VS(VS组)及CPAM患者(CPAM组)病例41例,所有患者均在术前行常规MRI平扫+增强扫描。测量并记录GLCM参数,包括能量、对比、相关、逆差矩及熵。采用两独立样本t检验或Mann-Whitney U检验对各个序列GLCM参数进行比较,受试者工作特征(receiver operating characteristic,ROC)曲线分析判断各参数的诊断效能。结果 两组间T2WI序列GLCM参数中的对比、相关和逆差矩差异有统计学意义(P值均<0.05);液体衰减反转恢复(fluid attenuated inversion recovery,FLAIR)序列GLCM参数中的对比和逆差矩差异有统计学意义(P值均<0.05);增强T1WI序列GLCM参数中的对比和逆差矩的差异有统计学意义(P值均<0.05)。各序列GLCM参数中,T2WI序列GLCM参数中的对比诊断效能最佳,AUC值最大,为0.971,敏感度和特异度分别为91.30%、94.44%。结论 GLCM有助于鉴别前庭神经鞘瘤与桥小脑角区脑膜瘤,可以为临床提供重要参考价值。
[Abstract] Objective To investigate the value of gray-level co-occurrence matrix (GLCM) in the differential diagnosis of vestibular schwannoma (VS) and cerebellopontine angle meningioma (CPAM).Materials and Methods Retrospective analysis of 41 patients cases with VS and CPAM confirmed by pathology, all patients underwent conventional MRI plain scan + enhanced scan before operation. Measure and record GLCM parameters, including energy, contrast, correlation, inverse difference moment and entropy. Two independent samples t test or Mann-Whitney U test were used to compare the GLCM parameters of each sequence, and ROC curve analysis was used to judge the diagnostic power of each parameter.Results The difference in contrast, correlation, and inverse difference moment between the two groups of T2WI sequence was statistically significant (P<0.05); the difference in contrast and inverse difference moment between the two groups of FLAIR sequence was statistically significant (P<0.05); the difference in the contrast and inverse difference moment between the two groups of enhanced T1WI sequences was statistically significant (P<0.05). Among the various parameters of the sequence, the T2WI sequence has the best diagnostic efficiency by contrast, with the largest AUC value of 0.971, and the sensitivity and specificity are 91.30% and 94.44%, respectively.Conclusions Gray-level co-occurrence matrix is helpful to distinguish vestibular schwannoma from cerebellopontine angle meningioma, and can provide important clinical reference value.
[关键词] 灰度共生矩阵;前庭神经鞘瘤;桥小脑角区脑膜瘤;纹理分析;磁共振成像
[Keywords] gray-level co-occurrence matrix;vestibular schwannoma;cerebellopontine angle meningioma;texture analysis;magnetic resonance imaging

鞠文萍 1   梁洁 1   王现亮 1   彭雪婷 2   王剑飞 1*  

1 潍坊市人民医院放射科,潍坊 261041

2 潍坊医学院医学影像学院,潍坊 261053

王剑飞,E-mail:67117417@qq.com

作者利益冲突声明:全部作者均声明无利益冲突。


收稿日期:2021-10-29
接受日期:2022-03-16
中图分类号:R445.2  R730.264  R739.45 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.04.019
本文引用格式:鞠文萍, 梁洁, 王现亮, 等. 基于灰度共生矩阵鉴别前庭神经鞘瘤和桥小脑角区脑膜瘤的应用价值[J]. 磁共振成像, 2022, 13(4): 103-106. DOI:10.12015/issn.1674-8034.2022.04.019

       前庭神经鞘瘤(vestibular schwannoma,VS)与脑膜瘤是桥小脑角区(cerebellopontine angle,CPA)最为常见的两类肿瘤,分别占CPA肿瘤的70%~90%和5%~10%[1, 2, 3]。VS俗称听神经瘤,绝大部分听神经瘤起源于前庭神经鞘膜,只有极个别起源于耳蜗神经鞘膜,所以用VS的称谓更为严格、准确[4, 5, 6]。桥小脑角区脑膜瘤(cerebellopontine angle meningioma,CPAM)大多起源于岩骨后表面或岩骨-天幕交界处的蛛网膜颗粒,有学者[7]发现蛛网膜颗粒也存在于颅神经出口孔,沿颅神经孔分布,因此CPAM可延伸至内听道,也可原发于内听道内[8, 9],造成内听道扩大,这给两种疾病的鉴别增加了困难。在影像学表现上两者信号相似,VS更易囊变及微小出血,而脑膜瘤可有钙化,强化更为均匀,可有硬膜尾征[10]。上述影像学表现有助于鉴别两者,但这些影像学表现又是非特异性的[11, 12],当影像学表现不典型时,两者鉴别诊断的难度增大,甚至无法鉴别[13] (图12)。由于两种疾病的治疗方法、预后及手术方式不同,所以术前准确的鉴别诊断可以为临床提供重要参考价值[14, 15]。灰度共生矩阵(gray-level co-occurrence matrix,GLCM)是最常用的二阶纹理分析方法,通过描述两个相邻像素强度之间的关系,来反映病变的异质性,从而对人眼不能分辨的图像内部特征进行定量描述[16]。近几年有学者[15]应用纹理分析来鉴别CPA这两种病变,但大部分都是选用单一序列或应用一阶(直方图)纹理分析方法,寻找最优的纹理特征参数及序列是当前研究的重点及难点。经查阅国内外文献,未见相关报道,本研究首次探讨GLCM在VS与CPAM鉴别诊断中的价值。

图1  女,54岁,右侧桥小脑角区脑膜瘤。T1WI呈等稍低信号,T2WI呈等稍高信号,FLAIR为稍高信号,增强扫描明显均匀强化。
图2  男,30岁,左侧前庭神经鞘瘤。T1WI呈混杂低信号,T2WI呈混杂高信号,FLAIR为高信号,增强扫描明显不均匀强化。

1 材料与方法

1.1 一般资料

       回顾性分析潍坊市人民医院2020年1月至2021年6月符合以下标准的住院患者资料。纳入标准:(1)手术病理证实为VS或CPAM;(2)术前14天内接受颅脑MRI平扫+强化检查。排除标准:(1)图像存在伪影,不符合诊断及进一步图像分析要求;(2)完全囊变的VS;(3)检查前接受过放疗、化疗等其他治疗。共41例患者纳入研究,其中23例VS,18例CPAM。本研究经潍坊市人民医院医学伦理委员会批准(批准文号:2021伦审批第028号),免除受试者知情同意。

1.2 仪器与方法

       采用Siemens Magnetom Skyra 3.0 T MRI扫描仪,采用头部相控阵线圈。MRI扫描序列包括平扫横断面T1WI、T2WI、液体衰减反转恢复(fluid attenuated inversion recovery,FLAIR)及增强后横断面T1WI。具体参数如下:T1WI:TR 250 ms,TE 9 ms;T2WI:TR 4290 ms,TE 99 ms;FLAIR:TR 9000 ms,TE 94 ms;增强横断面T1WI:TR 2000 ms,TE 8 ms。以上序列相同参数:层厚5.0 mm,层间距0 mm,视野220 mm×220 mm。在扫描时采取了关联扫描模式,使各序列为同一层面。经肘静脉以2.0 mL/s速率高压注射Gd-DTPA对比剂,剂量为0.2 mmol/kg,然后用20 mL生理盐水以同样速率冲洗导管,于注射对比剂后25 s采集横断面强化T1WI。

1.3 图像分析与测量

       将MR各序列图像分别导入Image J 1.53c软件(http://imagej.nih.gov/ij),测量前应对所有的图像进行灰阶标准化,将软件参数均设置为系统默认值,像素间距d为1,两点之间连线与轴的夹角θ为0°。由于增强横断面T1WI序列病灶显示较清晰,在病灶最大横截面图像上沿病灶轮廓手动勾画感兴趣区(region of interest,ROI),然后将勾画好的ROI保存,随后将保存的ROI复制粘贴到其他序列,使各序列的ROI保持一致。所有的ROI由两位影像科高年资主治医师共同勾画,当两人观点不相同时,通过交流沟通达成一致。由软件自动生成各ROI内GLCM参数,其中包括角二阶矩(即能量)、对比、相关、逆差矩、熵等[17],对所得数据结果进行比较和分析。

1.4 统计学分析

       采用SPSS 20.0统计学软件进行分析。采用组内相关系数(intraclass correlation coefficient,ICC)评价两名测量者内及测量者间所测数据的一致性,ICC>0.80为一致性良好。对于计量资料,行正态分布检验及方差齐性检验,对于符合正态分布的参数以“均数±标准差(x¯±s)”表示,不符合正态分布的参数以“中位数±四分位数间距”表示。对于符合正态分布且方差齐性的参数运用两独立样本t检验,不符合正态分布和(或)方差齐性的参数运用Mann-Whitney U检验进行统计学分析。采用MedCalc 20.0软件(http://www.medcalc.org)对差异有统计学意义的参数行受试者工作特征(receiver operating characteristic,ROC)曲线分析,计算ROC曲线下面积(area under the curve,AUC)及对应的敏感度、特异度,采用DeLong检验比较各GLCM参数对VS与CPAM的鉴别诊断效能。以P<0.05表示差异存在统计学意义。

2 结果

2.1 病灶一般资料描述

       23例VS中病灶长径1.3~5.0 (2.82±1.07) cm;病灶平扫T1WI呈等低信号,T2WI呈等高信号,FLAIR为稍高信号,增强扫描均明显强化,其中15例病灶信号不均质,强化不均匀;23例病灶边界均清晰。18例CPAM中病灶长径1.2~9.4 (3.88±2.15) cm;病灶平扫T1WI呈等低信号,T2WI呈等稍高信号,FLAIR为稍高信号,增强扫描均明显强化,其中4例病灶信号不均质,强化不均匀;16例病灶边界清晰,2例病灶部分边界欠清。

2.2 VS组与CPAM组GLCM各参数比较

       两组间T2WI序列GLCM参数中的对比、相关和逆差矩差异有统计学意义(表1P值均<0.05),其中对比值VS组明显大于CPAM组,而相关及逆差矩值CPAM组明显大于VS组;FLAIR序列GLCM参数中的对比和逆差矩差异有统计学意义(表2P值均<0.05),其中对比值VS组明显大于CPAM组,而逆差矩值CPAM组明显大于VS组;增强T1WI序列GLCM参数中的对比和逆差矩差异有统计学意义(表3P值均<0.05),其中对比值VS组明显大于CPAM组,而逆差矩值CPAM组明显大于VS组;平扫T1WI序列各GLCM参数两组间差异无统计学意义(表4P值均>0.05)。

表1  T2WI序列VS组与CPAM组GLCM参数比较
表2  FLAIR序列VS组与CPAM组GLCM参数比较
表3  增强T1WI序列VS组与CPAM组GLCM参数比较
表4  平扫T1WI序列VS组与CPAM组GLCM参数比较

2.3 ROC曲线评估

       对各序列有统计学意义的GLCM参数进行ROC曲线分析,T2WI序列GLCM参数中的对比、逆差矩的诊断效能较佳,对比的AUC值最大,为0.971,敏感度和特异度分别为91.30%、94.44%,对比与相关的AUC值差异具有统计学意义;FLAIR序列GLCM参数中的逆差矩诊断效能最佳,AUC值最大,为0.866,敏感度和特异度分别为91.30%、77.78%,对比及逆差矩的AUC值差异具有统计学意义;对比在各序列间AUC值差异具有统计学意义,以T2WI序列诊断效能最佳;逆差矩在各序列间AUC值差异具有统计学意义,以T2WI序列AUC值最大(表5, 6, 7图345)。

图3  T2WI序列差异有统计学意义的灰度共生矩阵(GLCM)参数受试者工作特征(ROC)曲线分析。
图4  FLAIR序列差异有统计学意义的灰度共生矩阵(GLCM)参数ROC曲线分析。
图5  强化T1WI序列差异有统计学意义的灰度共生矩阵(GLCM)参数ROC曲线分析。
表5  各序列有统计学意义的GLCM参数ROC曲线分析
表6  各序列有统计学意义的GLCM参数Delong检验结果
表7  不同序列间有统计学意义的GLCM参数Delong检验结果

3 讨论

       纹理分析技术是影像组学的一部分,近几年被广泛应用于多个系统多种疾病的诊断及鉴别诊断[18, 19]。本研究首次提出多序列及二阶纹理分析法(GLCM)鉴别VS及CPAM。结果显示T2WI、FLAIR及增强T1WI序列中多个GLCM参数可以鉴别VS及CPAM,可以为临床术前诊断VS及CPAM提供重要帮助。

3.1 GLCM参数意义及结果分析

       对比反映图像纹理沟纹的深浅度,纹理沟纹的深浅度与对比成正相关;逆差矩反映图像灰度的规则程度及图像纹理局部变化的多少,规则程度与逆差矩成正相关;相关反映图像中局部灰度值的相似程度,相似程度与相关成正相关。本研究中VS组的对比值明显大于CPAM组;而CPAM组的逆差矩及相关值明显大于VS组。分析原因可能是VS与CPAM组织学特性及病理生理不同,VS镜下有两种组织成分,即致密的Antoni A型和疏松的Antoni B型,Antoni B型区域的存在使VS细胞基质更为疏松,水分子含量更多,也更易出现囊变;CPAM细胞排列紧密,核浆比例高,内部血管发育成熟,极少发生囊变。虽然在勾画ROI时避开VS囊变区域,但是在病理上仍存在微囊变。VS Antoni B型区域的存在及人眼不能观察的微囊变使其图像信号不均匀,纹理沟纹较深,局部纹理差异较大,灰度分布不规则,灰度值差别大;而CPAM内部细胞排列紧密,信号较均匀,纹理沟纹浅,局部纹理差异小,灰度分布更规则,灰度值差别小。相关值在T2WI、FLAIR及增强T1WI这3个序列中CPAM组均大于VS组,但只在T2WI序列中差异具有统计学意义,考虑原因是FLAIR序列抑制了病变内自由水的差异,强化T1WI序列则更侧重于病变内血流状况的差异,而VS及CPAM组织学特性及病理生理差异在T2WI序列体现地最为明显,图像蕴含的纹理信息更多、差异更大,进而提示T2WI序列是鉴别CPA VS及CPAM的最优序列,鉴别诊断价值最高。

       能量和熵值可用来描述病变内灰度变化的总体性质,能量反映纹理的一致性,熵反映纹理的复杂度。本研究中能量和熵值在各个序列中的差异均没有统计学意义。有研究显示[20]能量及熵在鉴别良恶性病变中差异有统计学意义,猜测是由于本研究中两者均为良性病变,其内部细胞的异质性没有良恶性病变大,导致能量及熵值的差异没有统计学意义,其准确性与否还需要进一步研究。

       本研究显示T2WI序列GLCM参数中的对比、逆差矩的诊断效能较佳,这与国外学者研究相似,Saigal等[10]通过微出血分析T2WI序列内包含的多种信息(如出血及囊变等)来鉴别CPA病变。有国内学者[15]证明T1WI序列纹理分析可以用来鉴别CPA病变,与本研究不符,分析其原因可能是该学者应用一阶纹理分析法,其反映的是所有像素的灰度,描述图像总体的纹理特征,而本研究采用二阶纹理分析法,探究图像局部纹理特征所致。

3.2 本研究不足之处

       本研究为回顾性研究,可能存在病例的选择偏倚;病例数相对较少,后续将增加样本量进一步分析;仅分析了病灶最大层面的纹理特征,可在后续的研究中使用全容积法进行研究;未考虑脑膜瘤各种病理学亚型对结果的影响,将在进一步的研究中完善。

       综上所述,GLCM有助于鉴别VS与CPAM,可以为临床提供重要参考价值。

[1]
Landeiro J, Junior J, Silveira R. Surgical Treatment of the Tumors of the Cerebellopontine Angle[M]. Principles of Neuro-Oncology, 2021: 887-908. DOI: 10.1007/978-3-030-54879-7_44.
[2]
Goldbrunner R, Weller M, Regis J, et al. EANO guideline on the diagnosis and treatment of vestibular schwannoma[J]. Neuro Oncol, 2020, 22(1): 31-45. DOI: 10.1093/neuonc/noz153.
[3]
Adib SD, Tatagiba M. Surgical management of collision-tumors between vestibular schwannoma and meningioma in the cerebellopontine angle in patients with neurofibromatosis type 2[J]. Acta Neurochirurgica, 2019, 161(6): 1157-1163. DOI: 10.1007/s00701-019-03933-1.
[4]
吕方, 赵振, 钟玉馨, 等. 听神经瘤术中面神经功能保护的研究进展[J]. 华中科技大学学报(医学版), 2021, 50(1): 129-134. DOI: 10.3870/j.issn.1672-0741.2021.01.025.
Lv F, Zhao Z, Zhong YX, et al. Research Progress of Facial Nerve Function Protection in Vestibular Schwannoma Surgery[J]. Acta Med Univ Sci Technol Huazhong, 2021, 50(1): 129-134. DOI: 10.3870/j.issn.1672-0741.2021.01.025.
[5]
赵质彬, 祝园平, 符一飞, 等. 以突发听力下降为首发症状的听神经瘤临床特征分析[J]. 中华耳科学杂志, 2021, 19(4): 696-700. DOI: 10.3969/j.issn.1672-2922.2021.04.031.
Zhao ZB, Zhu YP, Fu YF, et al. Clinical Characteristics of Acoustic Neuroma Presenting as Sudden Sensorineural Hearing Loss[J]. Chin J Otology, 2021, 19(4): 696-700. DOI: 10.3969/j.issn.1672-2922.2021.04.031.
[6]
Gupta VK, Thakker A, Gupta KK. Vestibular Schwannoma: What We Know and Where We are Heading[J]. Head and Neck Pathology, 2020, 14(4): 1058-1066. DOI: 10.1007/s12105-020-01155-x.
[7]
Nager GT, Masica DN. Meningiomas of the cerebello-pontine angle and their relation to the temporal bone[J]. Laryngoscope, 1970, 80(6): 863-895. DOI: 10.1288/00005537-197006000-00003.
[8]
Amato MC, Colli BO, Carlotti JC, et al. Meningioma of the internal auditory canal: case report[J]. Arq Neuropsiquiatr, 2003, 61(3A): 659-662. DOI: 10.1590/s0004-282x2003000400025.
[9]
Smirniotopoulos JG, Jager HR. Differential Diagnosis of Intracranial Masses[M]. Cham (CH): Springer, 2020: 93-104. DOI: 10.1007/978-3-030-38490-6_8.
[10]
Saigal G, Pisani L, Allakhverdieva E, et al. Utility of Microhemorrhage as a Diagnostic Tool in Distinguishing Vestibular Schwannomas from other Cerebellopontine Angle (CPA) Tumors[J]. Indian J Otolaryngol Head Neck Surg, 2021, 73(3): 321-326. DOI: 10.1007/s12070-021-02372-8.
[11]
Jeong H, Lee DH, Shin JE, et al. Direction-changing spontaneous nystagmus in cerebellopontine angle tumour[J]. J Clin Neurosci, 2022, 95: 118-122. DOI: 10.1016/j.jocn.2021.12.002.
[12]
陈立华, 张洪钿, 孙恺, 等. 内听道内脑膜瘤的临床和影像学特征研究进展[J]. 中华脑科疾病与康复杂志(电子版), 2019, 9(4): 234-238. DOI: 10.3877/cma.j.issn.2095-123X.2019.04.011.
Chen LH, Zhang HT, Sun K, et al. Advanc es in clinical and imaging features of meningiomas in the internal auditory canal[J]. Chin J Brain Dis Rehabil (Electronic Edition), 2019, 9(4): 234-238. DOI: 10.3877/cma.j.issn.2095-123X.2019.04.011.
[13]
Mohamad J, Simgen A. Akustikusneurinome[J]. Der Radiologe, 2020, 60(11): 1018-1025. DOI: 10.1007/s00117-020-00751-w.
[14]
Voss NF, Vrionis FD, Heilman CB, et al. Meningiomas of the cerebellopontine angle[J]. Surg Neurol, 2000, 53(5): 439-446, 446-447. DOI: 10.1016/s0090-3019(00)00195-6.
[15]
郑昀旭, 徐阳, 范光伟, 等. 纹理分析在前庭神经鞘瘤和桥脑小脑角脑膜瘤鉴别中的应用价值[J]. 局解手术学杂志, 2019, 28(5): 379-382. DOI: 10.11659/jjssx.12E018115.
Zheng JX, Xu Y, Fan WG, et al. Differential diagnosis of texture analysis in vestibular schwannoma and cerebellopontine angle meningioma[J]. Journal of Regional Anatomy and Operative Surgery, 2019, 28(5): 379-382. DOI: 10.11659/jjssx.12E018115.
[16]
Dincic M, Todorovic J, Nesovic OJ, et al. The Fractal and GLCM Textural Parameters of Chromatin May Be Potential Biomarkers of Papillary Thyroid Carcinoma in Hashimoto's Thyroiditis Specimens[J]. Microsc Microanal, 2020, 26(4): 717-730. DOI: 10.1017/S1431927620001683.
[17]
Mousavi SM, Asgharzadeh-Bonab A, Ranjbarzadeh R. Time-Frequency Analysis of EEG Signals and GLCM Features for Depth of Anesthesia Monitoring[J]. Comput Intell Neurosci, 2021, 2021: 8430565. DOI: 10.1155/2021/8430565.
[18]
Bakheet S, Al-Hamadi A. Automatic detection of COVID-19 using pruned GLCM-Based texture features and LDCRF classification[J]. Comput Biol Med, 2021, 137: 104781. DOI: 10.1016/j.compbiomed.2021.104781.
[19]
刘晓艺, 蒲如剑, 梁洁, 等. 3.0 T MRI T2 mapping纹理特征在膝关节骨性关节炎软骨损伤分级中的价值[J]. 磁共振成像, 2021, 12(7): 34-38. DOI: 10.12015/issn.1674-8034.2021.07.007.
Liu XY, Pu RJ, Liang J, et al. The value of T2 mapping texture features of 3.0 T MRI in grading cartilage injury of knee osteoarthritis[J]. Chin J Magn Reson Imaging, 2021, 12(7): 34-38. DOI: 10.12015/issn.1674-8034.2021.07.007.
[20]
Varuna SN, Kumar T. Identification and classification of brain tumor MRI images with feature extraction using DWT and probabilistic neural network[J]. Brain Inform, 2018, 5(1): 23-30. DOI: 10.1007/s40708-017-0075-5.

上一篇 基于压缩感知3D-FLAIR序列与常规2D-FLAIR序列在脑白质病变成像中的对比研究
下一篇 磁共振特征追踪技术评估风湿性二尖瓣狭窄合并房颤左心房心肌应变应用研究
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2