基于常规MRI纹理分析技术鉴别良恶性软组织肿瘤

摘要

cqvip:目的:探讨基于常规MRI的纹理分析技术在鉴别良恶性软组织肿瘤(STT)中的价值。方法:回顾性分析2015年1月-2019年9月在我院经手术病理证实的91例STT患者的病例资料。所有患者术前行MRI检查,包括横轴面T1WI及横轴面、冠状面和矢状面脂肪抑制质子密度加权像(FS-PDWI)。采用MaZda软件进行纹理分析,在各序列图像中选取病灶最大层面及相邻的2个层面,测量肿块大小,沿病灶边界勾画ROI,提取病灶的纹理特征,包括直方图参数(均值、变异度、偏度、峰度及第1、10、50、90、99百分位数)和灰度共生矩阵(GLCM)参数(能量、对比度、相关、平方和、逆差矩、均和、和方差、和熵、熵、差方差和差熵)。采用t检验、LSD(方差齐)或Mann-Whitney U检验(方差不齐)对良恶性组的患者年龄、病灶大小及纹理参数进行比较,对差异有统计学意义的指标进一步行ROC曲线分析评估其诊断效能。采用多因素Logistic回归分析获得判断良恶性STT的独立预测因素并建模,绘制ROC曲线评估模型的鉴别诊断效能。结果:91例中良性43例、恶性48例。良恶性STT的大小及在T1WI和FS-PDWI图像上的对比度、相关、逆差矩、差方差和差熵的组间差异均有统计学意义(P0.05)。FS-PDWI图像上,除差熵的诊断效能低于T1WI(AUC:0.710 vs.0.714),其它参数(对比度、相关、逆差矩、差方差)的诊断效能均优于T1WI(AUC分别为0.853 vs.0.761,0.849 vs.0.742,0.750 vs.0.714和0.807 vs.0.723)。以病理结果良、恶性为因变量,采用逐步回归法来筛选自变量,选入回归模型的变量为T1WI上的差熵及FS-PDWI上的差方差和差熵(P值分别为0.033、0.030和0.031),提示上述参数是判断STT良恶性的独立预测因素,相应模型的AUC为0.811,敏感度为82.4%,特异度为71.4%。结论:基于常规MRI的纹理分析技术有助于良恶性软组织肿瘤的鉴别。