Value of dynamic enhanced imaging radiomics in differentiating benign and malignant parotid gland neoplastic lesions
-
摘要:
目的 腮腺肿瘤类型复杂，动态增强扫描定性分析鉴别腮腺肿瘤的良恶性较为困难，本研究利用腮腺动态增强的定量参数图像进行影像组学分析，判断动态增强成像在鉴别腮腺肿瘤良恶性中的价值。 方法 回顾性分析新疆维吾尔自治区人民医院2019年1月—2022年4月病理证实的51例腮腺占位性病灶磁共振图像，共54个病灶，其中多形性腺瘤12个，Warthin瘤19个，恶性肿瘤8个，其余非肿瘤病变15个。腮腺动态增强图像生成转运常数(Ktrans)、血管外细胞外容积分数(Ve)、血浆容积分数(Vp)、回流常数(Kep)定量位图，通过FAE软件提取影像学特征，建立鉴别腮腺病变良恶性诊断的影像组学模型，并用AUC、敏感性、特异性、准确度等指标对影像组学模型进行评价，判断腮腺良恶性肿瘤样病变鉴别的效能。同时，将多形性腺瘤、腺淋巴瘤和非肿瘤性病变分别与恶性腮腺瘤进行影像组学比较分析。 结果 腮腺动态增强定量图像通过特征提取进行影像组学分析，判断腮腺肿块良恶性的AUC、准确度、敏感性、特异度分别为0.612、0.844、0.500、0.875。多形性腺瘤、腺淋巴瘤和非肿瘤性病变分别与恶性腮腺肿瘤对照进行影像组学分析时，AUC、准确度、敏感性、特异性分别为0.736、0.781、0.909、0.714，0.886、0.880、0.933、0.857，0.805、0.781、0.700、0.818。 结论 利用动态增强功能定量图像进行影像组学分析能够初步判断腮腺肿瘤的良恶性，而在区分不同病理亚型的良性腮腺瘤、非肿瘤性病变与恶性腮腺肿瘤中，影像组学的评估效能更好。 Abstract:Objective The classification of parotid gland tumors is complex, qualitative analysis of dynamic enhancement scan is difficult to distinguish benign and malignant parotid tumors. To determine the clinical value of dynamic enhanced imaging in distinguishing the benign and malignant parotid gland mass through radiomics analysis of quantitative parameter images. Methods Magnetic resonance images of 51 cases of parotid gland mass confirmed by pathology in People's Hospital of Xinjiang Uygur Autonomous Region from January 2019 to April 2022 were retrospectively analyzed, including 12 pleomorphic adenomas, 19 Warthin tumors, 8 malignant tumors, and 15 non-neoplastic lesions. Quantitative parametric maps of transfer constant (Ktrans), extracellular volume fraction (Ve), plasma volume fraction (Vp), and outflow rate constant (Kep) were generated from dynamic enhancement images of parotid gland, and the imaging features were extracted by FAE software to establish a radiomics model for the diagnosis of benign and malignant parotid lesions. The area under the receiver operating characteristic curve (AUC), sensitivity, specificity, and accuracy were used to evaluate the radiomics model and assess the efficacy of distinguishing benign and malignant parotid gland lesions. At the same time, pleomorphic adenoma, Warthin tumors and non-neoplastic lesions were separately compared with malignant parotid adenoma in terms of radiomics. Results Feature extraction and radiomics analysis of dynamic enhanced images were performed to determine the efficacy of benign and malignant parotid gland mass. The AUC, accuracy, sensitivity, and specificity were 0.612, 0.844, 0.500 and 0.875, respectively. When pleomorphic adenoma, Warthin's tumor and non-neoplastic lesions were separately compared with malignant parotid tumors, the AUC, accuracy, sensitivity, and specificity were 0.736, 0.781, 0.909, 0.714, and 0.886, 0.880, 0.933, 0.857, and 0.805, 0.781, 0.700, 0.818. Conclusion Radiomics analysis using dynamic enhanced quantitative images can preliminarily determine the benign and malignant parotid gland tumors. The better performance of radiomics is achieved in distinguishing different pathological subtypes of benign parotid tumors, non-neoplastic lesions and malignant parotid tumors. -
Key words:
- Magnetic resonance imaging /
- Head and neck /
- Parotid adenoma /
- Radiomics /
- Dynamic enhancement
-
腮腺肿瘤病理类型众多，常规MRI图像能够观察病灶发生的部位、形态轮廓和信号强度等特点，但其影像学征象在不同病理类型的腮腺肿瘤之间存在着重叠混合，给肿瘤良恶性的判断带来困难[1-2]。动态增强(dynamic contrast enhanced，DCE)磁共振是在注射造影剂后，通过肿瘤组织的时间-信号强度(time intensity curve, TIC)曲线的不同强化类型来鉴别肿瘤的良恶性，大部分恶性肿瘤表现为快进、快出的廓清型曲线，但部分良性肿瘤如Warthin瘤亦表现为类似的强化特点，同时，基于TIC曲线的研究常需要结合常规图像或弥散图像来鉴别肿瘤的良恶性[3-5]。通过动态增强成像获取定量的血流动力学参数，如转运常数(transfer constant, Ktrans)、血管外细胞外容积分数(extravascular extracellular volume fraction, Ve)、血浆容积分数(plasma volume fraction, Vp)及回流常数(outflow rate constant, Kep)，判断组织微循环特性已应用于腮腺肿瘤良恶性的研究并取得了一定成效[6-7]。随着影像组学(radiomics)分析技术的发展，基于腮腺T2图像或DWI图像进行影像组学特征提取鉴别腮腺良恶性肿瘤及其病理亚型的文献已有发表，但基于DCE定量参数进行影像组学分析的研究国内外均无报道[8-11]。本研究利用影像组学技术，对腮腺动态增强的功能定量图像进行特征提取和筛选，通过建立预测模型，分析其对良恶性腮腺占位性病变鉴别的效能。
1. 资料与方法
1.1 临床资料
选取2019年1月—2022年4月新疆维吾尔自治区人民医院病理证实的51例腮腺占位患者。其中男性31例，女性20例，年龄为15~86(51.43±15.92)岁，共发现54个病灶，其中良性肿瘤46个，包括多形性腺瘤12个，Warthin瘤19个，其他非肿瘤病变15个，恶性肿瘤8个，27个病灶在左侧，27个病灶在右侧。临床症状：患者主要以发现耳垂下无痛性肿物为主诉就诊，病程1周至20年不等。所有病例均在本院经手术治疗并获取病理结果，良、恶性肿瘤均行患侧腮腺病损切除术、面神经、周围神经探查、减压术、筋膜成形术，病灶周围可见淋巴结时，同期行颈淋巴结清扫术。纳入标准：无颌面部手术或放射治疗病史，无全身系统性疾病累及腮腺。排除标准：腮腺病变复发再次手术治疗。本研究获得新疆维吾尔自治区人民医院伦理委员会批准(KY2019051532)，所有患者均签署知情同意书。
1.2 磁共振扫描方法
使用1.5T磁共振扫描仪(Signa HDxt, GE)，16通道头颈联合线圈。受试者采用仰卧位头先进，分别行横断面T1、T2加权及DWI序列扫描，视野大小200×200(mm2)，层厚4.0 mm，层间隔0.5 mm。T2序列采用快速自旋回波序列，回波链21，TR 3 700 ms，TE 102 ms，翻转角90°，扫描矩阵288×160，扫描时间2 min 7 s。动态增强扫描使用3D T1快速扰相梯度回波(FSPGR)序列，注射造影剂前行多翻转角序列扫描进行T1值计算，激励翻转角的角度分别为3、6、9、12、15。注射造影剂后使用相同的3D FSPGR序列，TR 8.3 ms，TE 1.3 ms，翻转角12°，层厚5 mm，采集矩阵160×128，SENSE加速因子为2。增强前扫描三期后注射造影剂，造影剂为Gd-DTPA(0.1 mmol/kg，欧乃影，GE)，3 mL/s注射速度，共计连续扫描50期，扫描时间4 min 29 s。
1.3 图像预处理
由2名具有10年以上临床经验的放射科医生在动态增强图像上进行腮腺输入动脉和腮腺病灶的勾画，使用ITK-SNAP软件(
www.itksnap.org )。在动态增强图像中，首先确定病灶侧颈外动脉的位置，选择血管强化最明显的期相，对腮腺输入动脉进行感兴趣区(region of interest, ROI)勾画，面积大小超过4个体素，将ROI复制到所有期相，从而形成动脉输入函数(AIF)的时间-信号强度曲线，共计完成54个病灶。在动态增强图像中选择病灶边界对比最明显的期相，手工完成病灶每个层面的勾画，共完成308层。动态增强定量参数的计算基于ROCKETSHIP工具包实现[12]。首先，通过多翻转角图像定量计算打药前T1值，将得到的T1图和AIF曲线通过Extended Tofts模型计算参数，公式如下：
$$ C_t(t)=V_p C_p(t)+K_{ {trans }}\left[C_p(t) \otimes e^{-K_{e p} t}\right] $$ (1) $$ V_e=\frac{K_{ {trans }}}{K_{e p}} $$ (2) 其中Ct(t)表示局部组织中的对比剂浓度随时间t的变化值，Cp(t)为勾画的血管内对比剂浓度随时间变化曲线(即动脉输入函数)。最终得到肿瘤区域的药代动力学参数Ktrans、Kep、Ve和Vp。
1.4 定量动态增强图像影像组学分析
本研究分别进行腮腺肿瘤良恶性鉴别、腮腺良性肿瘤亚型和非肿瘤性病变与恶性肿瘤的鉴别。所有勾画的病灶图像层面根据病变的良性和恶性病理结果分为2组，按照随机抽样的方法，将每一层面的动态增强图像计算得到的Ktrans、Kep、Ve、Vp定量数据以7∶ 3的比例分为测试集和训练集。同时，又将所有腮腺病例分为多形性腺瘤组、腺淋巴瘤组、良性非肿瘤性病变组和恶性腮腺瘤组，每组病灶所有层面的定量Ktrans、Kep、Ve、Vp数据同样以7∶3的比例分为测试集和训练集。
使用FeAture Explorer软件(FAE 0.3.6版，
https://github.com/salan668/FAE )[13]进行影像组学特征提取，共7类372个特征，分别包括一阶统计量(first order statistics)、形状特征(shape-based)、灰度共生矩阵(gray level co-occurrence matrix，GLCM)、灰度行程矩阵(gray level run length matrix, GLRLM)、灰度区域大小矩阵(gray level size zone matrix, GLSZM)、灰度依赖矩阵(gray level dependence matrix, GLDM)、邻域灰度差值矩阵(neighboring gray tone difference matrix，NGTDM)。使用上采样的方法均衡样本比例并进行特征数据的标准化，而后使用皮尔逊相关系数对特征进行降维处理，去除相关性>0.99的特征以减少冗余。在特征筛选中，分别采用方差分析(analysis of variance，ANOVA)、递归特征消除(recursive feature elimination, RFE)、特征相关分析(relevant features, RELIEF)进行筛选，选出前20组特征。分别使用Support Vector Machine、Auto-Encoder、Linear Discriminant Analysis、Logistic Regression via Lasso、Logistic Regression、Ada-boost、Gaussian Process、Random Forest、Decision Tree、Naive Bayes共10种分类器建立预测模型，对训练数据进行5倍交叉验证，根据验证集效果确定模型的超参数。去除过拟合的模型后，根据训练集和测试集在多个指标的评估结果综合选择最佳模型。1.5 统计学方法
采用SPSS 25.0统计学软件进行统计分析。对定量参数的均值，比较采用单因素方差分析。通过模型在测试集上的灵敏度(sensitivity，SEN)、特异度(specificity, SPEC)、准确性(accuracy, ACC)、阳性预测值(positive predictive value, PPV)和阴性预测值(negative predictive value, NPV)5个参数，结合ROC曲线下面积来评估不同模型的诊断性能和腮腺肿瘤亚型的分类效果。P＜0.05为差异有统计学意义。
2. 结果
2.1 腮腺肿瘤不同病理类型动态增强定量参数比较
4种病理类型腮腺肿瘤的动态增强定量后处理结果比较见表 1。腺淋巴瘤和恶性肿瘤的Ktrans值相对较高，多形性腺瘤Ktrans值为中等大小，其他良性病变的Ktrans值相对较低。腺淋巴瘤和其他良性病变的Ve值相对较低，而多形性腺瘤和恶性肿瘤的Ve值相对较高。在Kep值的比较中，由于腺淋巴瘤的Ktrans值高且Ve值低，因此腺淋巴瘤的Kep值最高，多形性腺瘤虽然Ktrans值较高但Ve值也较高，因此其Kep值最低，恶性肿瘤的Kep值相对中等大小。多形性腺瘤和腺淋巴瘤的Vp值相对较高。4种病理类型的Ktrans、Kep、Vp定量参数组间比较差异无统计学意义(均P＞0.05)，而Ve比较差异有统计学意义(P＜0.05)。不同病理类型腮腺肿瘤的影像学表现见图 1。
表 1 4种病理类型腮腺肿瘤的动态增强定量后处理结果比较(x±s)Table 1. Comparison of dynamic contrast-enhanced quantitative post-processing results for four pathological types of parotid tumors(x±s)参数 多形性腺瘤 腺淋巴瘤 其他良性病变 恶性肿瘤 F值 P值 Ktrans 0.668±0.325 0.923±0.677 0.585±0.465 0.767±0.633 1.161 0.334 Kep 0.767±0.378 1.658±1.284 0.985±1.100 0.981±0.645 2.368 0.082 Ve 0.891±0.109 0.601±0.224 0.636±0.211 0.791±0.264 5.818 0.002 Vp 0.127±0.099 0.135±0.080 0.070±0.049 0.101±0.080 1.899 0.142 
图 1 4种病理类型腮腺占位病灶的影像学表现与病理图像注：标注a、b、c、d、e、f、g、h分别代表T2加权图像、动态增强图像、病理图像(HE染色，×400)、动态增强时间信号强度曲线和Ktrans、Kep、Ve、Vp。A为多形性腺瘤，其动态增强曲线表现为平台型，Ktrans和Kep值中等，而Ve相对较高。B为Warthin瘤，动态增强表现为快进快出廓清型，Ktrans和Kep值均较高，而Ve相对中等。C为恶性腮腺瘤，同样表现为廓清型动态增强曲线，Ktrans局限性增高，Kep值中等，而Ve相对较高。D为腮腺囊肿，动态增强无强化表现。Figure 1. Imaging findings and pathological images of four pathological types of parotid gland occupying lesions2.2 动态增强定量参数影像组学分析鉴别腮腺良恶性肿瘤的模型预测结果
良恶性肿瘤鉴别分组、3种病理亚型与恶性肿瘤鉴别分组结果见表 2。在良恶性鉴别分析中，训练集良性肿瘤和恶性肿瘤的层面数分别为180层和32层，测试集分别为88层和8层。通过RFE筛选出20个特征，通过逻辑回归建立预测模型，效果最优，训练集AUC、ACC、SEN、SPEC、PPV、NPV结果分别为0.887、0.807、0.813、0.806、0.426、0.960，测试集分别为0.612、0.844、0.500、0.875、0.267、0.951，见表 3。
表 2 定量动态增强数据良恶性肿瘤分组与病理亚型分组结果Table 2. Results of grouping benign and malignant tumors and pathological subtypes based on quantitative dynamic enhancement data组别 病理类型 病灶数 层数 训练集 测试集 良恶性肿瘤影像组学对比分析 良性 46 268 180 88 恶性 8 40 32 8 多形性腺瘤与恶性肿瘤对比分析 多形性腺瘤 12 69 48 21 恶性肿瘤 8 40 29 11 腺淋巴瘤与恶性肿瘤对比分析 腺淋巴瘤 19 113 78 35 恶性肿瘤 8 40 25 15 其他良性病变与恶性肿瘤对比 其他良性病变 15 86 64 22 恶性肿瘤 8 40 30 10 表 3 良性与恶性腮腺瘤逻辑回归模型预测结果Table 3. Predicted results of the logistic regression model for benign and malignant parotid adenomas类别 AUC ACC SEN SPEC PPV NPV 训练集 0.887 0.807 0.813 0.806 0.426 0.960 测试集 0.612 0.844 0.500 0.875 0.267 0.951 2.3 动态增强定量参数在腮腺良性病变与恶性肿瘤鉴别中两两比较影像组学分析结果
多形性腺瘤、腺淋巴瘤、其他良性病灶与恶性肿瘤的动态增强定量数据鉴别结果见表 4。结果表明，与良恶性鉴别相比，恶性肿瘤分别与各良性亚型鉴别时效果均有明显提升(0.736、0.886、0.805)，其中对恶性肿瘤与Warthin瘤的鉴别效果最好(ACC=0.880)，其他良性病灶(ACC=0.781)和多形性腺瘤(ACC=0.781)次之。在训练的多组模型中，基于ANOVA、RFE特征筛选方法和得到的特征更适用于腮腺肿瘤鉴别中。
表 4 多形性腺瘤、腺淋巴瘤、其他良性病灶与恶性肿瘤的测试集动态增强定量数据分析结果Table 4. Analysis results of dynamic contrast-enhanced quantitative data of the test set for pleomorphic adenoma, adenolymphoma, other benign lesions and malignant tumors项目 多形性腺瘤vs. 恶性肿瘤 腺淋巴瘤vs. 恶性肿瘤 其他良性病灶vs.恶性肿瘤 采用模型 ANOVA_13_GPa RFE_9_LDAb ANOVA_6_GPc 筛选特征(个) 13 9 6 AUC 0.736 0.886 0.805 ACC 0.781 0.880 0.781 SENS 0.909 0.933 0.700 SPEC 0.714 0.857 0.818 PPV 0.625 0.737 0.636 NPV 0.938 0.968 0.857 注：a为ANOVA_13_GP，采用ANOVA筛选的13个特征通过高斯过程回归(gaussian process，GP)分类；b为RFE_9_LDA，采用RFE筛选的9个特征通过线性判别分析(linear discriminant analysis，LDA)分类；c为ANOVA_6_GP，采用ANOVA筛选的6个特征通过高斯过程回归分类。 3. 讨论
腮腺肿瘤病理类型众多，MR影像学表现复杂，在临床上良恶性肿瘤鉴别相对比较困难。影像组学分析技术在图像中提取形状、强度、纹理等成百上千种影像特征，通过机器学习等方法进行特征筛选、预测模型建立来辅助病变的诊断。然而，既往腮腺肿瘤的影像组学分析都是基于T2、T1或DWI、常规增强图像来开展研究。本研究基于腮腺动态增强定量处理的数据，采用影像组学分析方法构建预测模型鉴别腮腺肿瘤的良恶性，在训练集中AUC达到0.887，在测试集中为0.612。在分别将多形性腺瘤、腺淋巴瘤、其他良性病变与恶性肿瘤进行鉴别时，影像组学预测模型的效能有明显提升，在测试集中其AUC分别达到了0.736、0.886、0.805。
腮腺肿瘤良恶性鉴别对手术方式的选择具有重要的价值，目前已有多篇文献开展对腮腺肿瘤良恶性鉴别的研究[14]。GÖKÇE E等[15]提出基于形态学特征量表来鉴别良恶性腮腺瘤，但实际上腮腺瘤的常规MR表现取决于肿瘤的组织成分，良恶性肿瘤之间并没有特异性特征表现。有研究认为结合常规形态学、DWI和增强扫描有助于鉴别腮腺肿瘤的良恶性和不同病理亚型[2-3]，但这些定性诊断的手段仍避免不了病理类型之间的混淆。在腮腺肿瘤动态增强研究中，大部分学者[5-6, 16-17]认为动态增强扫描有助于鉴别腮腺肿瘤良恶性，但基于动态增强曲线的研究仍是一种半定量分析。动态增强的定量研究可以从血流动力学的角度为腮腺肿瘤提供定量分析的数据，Ktrans与肿瘤新生血管通透性相关，Ve反映细胞外血管外容积分量，Vp反映血管密度，Kep反映回流常数。恶性肿瘤往往新生血管丰富，细胞增殖旺盛，因此表现为较高的Ktrans、Kep以及相对低的Ve。YABUUCHI H等[18]、俞顺等[7]的研究结果表明，Ve在腮腺肿瘤良恶性的鉴别中差异显著，而Ktrans等参数组间差异不显著，这一结果与本研究结论相符。俞顺等[7]进一步行腮腺病理亚型两两比较时，Ktrans、Kep出现显著性差异，说明不同病理亚型良性肿瘤的参数值差异较大，混合时会与恶性肿瘤存在交叉，采用两两对照统计学效能更高。因此，笔者在利用影像组学分析动态增强定量数据时，进行了良性、恶性腮腺肿瘤，以及3种病理亚型与恶性肿瘤之间的两两对照分析。
腮腺肿瘤分级或分类的影像组学分析是一个较为活跃的研究领域，但大部分的影像组学分析是基于常规T1或T2图像[8, 10]、常规增强图像和DWI图像[19]或图像组合[9]来开展良恶性肿瘤鉴别的研究，目前国内外尚没有基于动态增强定量数据进行的良恶性肿瘤鉴别的影像组学研究。CHANG Y J等[19]利用T2、增强和DWI图像鉴别恶性肿瘤的准确性为0.71，PILUDU F等[9]在排除腺淋巴瘤后利用T2和ADC图像鉴别良恶性肿瘤的准确性达到0.892，本研究中仅利用动态增强定量数据鉴别良恶性肿瘤的准确性达到0.844。大部分研究[8-10, 19]认为，影像组学对多形性腺瘤、腺淋巴瘤和恶性肿瘤的预测效能均有提高，本研究也得出了相同的结论，与良恶性鉴别相比，恶性肿瘤分别与各良性亚型鉴别时效果均有明显提升(多形性腺瘤AUC=0.736、腺淋巴瘤AUC=0.886、其他良性病变AUC=0.805)，其中对恶性肿瘤与Warthin瘤的鉴别效果最好(ACC=0.880)。由于目前缺少相关DCE影像组学的相关研究，所以本研究得到的结果十分具有参考价值。
在腮腺肿瘤良恶性鉴别和良性病变与恶性肿瘤两两比较时，为了达到最大的预测效能，采取不同的预测模型和相应的影像筛选特征(表 4)。在良恶性肿瘤鉴别中，使用了逻辑回归模型预测，准确度达到0.844, 其中基于Ve的一阶统计量、基于Kep的灰度区域大小矩阵等特征对模型具有较高的贡献。俞顺等[7]、HUANG N等[20]在基于ROI动态增强定量数据分析中，同样认为Ve在鉴别良恶性肿瘤上有重要价值，本研究进一步认为Kep提供了更多的鉴别特征。在多形性腺瘤与恶性肿瘤的鉴别中，采用了GP预测模型在测试集中AUC和ACC分别达到了0.736和0.781，其中Vp、Ve、Kep一阶统计量特征有着更高的预测贡献度。诸多学者[8-10, 19]均认为影像组学可以很好地进行腺淋巴瘤与恶性肿瘤的鉴别，笔者提取了6个影像特征采用LDA预测模型，AUC和ACC达到了0.886和0.880，其中Kep一阶统计量、Vp的GLRLM提供了更多的贡献度，这也与腺淋巴瘤的高廓清率相一致[4]。在其他良性病变与恶性肿瘤的鉴别中，采用GP预测模型，Vp和Ve一阶统计量具有更高的贡献度。在影像组学分析中，除均值外，峰度值、四分位数、GLSZM等特征均有较高的贡献度。肿瘤内成分复杂，组织结构、肿瘤形态、边界、强化程度、区域内均质性等存在差异，基于影像组学提取的形状、纹理等多种特征在进行肿瘤良恶性鉴别中体现出明显的优势。
本研究仍然存在一定局限性。首先，本研究的患者样本数量较少并且腮腺肿瘤的各种亚型的分布不均匀，可能会导致所得到的模型评价的值存在一定误差，从而影响判断腮腺肿瘤亚型的结果。其次，虽然在基于动态增强定量数据利用影像组学的腮腺肿瘤亚型判定上有较好的结果且有一定的应用价值，但是由于目前国内外相关研究较少且从扫描设备、采集序列到后处理软件、图像分析方法等均无统一标准，导致各研究结果参差不一，不具有可比性，从而无法形成统一的能够指导应用于临床的共识。第三，本研究仅利用了动态增强定量影像学数据，而未引入对应的临床信息，希望在后期的研究中进行相关的诺模图研究。
综上所述，本研究结果表明，基于MR动态增强定量数据对腮腺肿瘤进行影像组学分析，可以区分腮腺恶性肿瘤、多形性腺瘤、腺淋巴瘤和其他良性腮腺肿瘤，并且具有较高的灵敏度、特异度和准确性，本研究为动态增强定量影像组学研究提供了很好的参考价值。
-
图 1 4种病理类型腮腺占位病灶的影像学表现与病理图像
注：标注a、b、c、d、e、f、g、h分别代表T2加权图像、动态增强图像、病理图像(HE染色，×400)、动态增强时间信号强度曲线和Ktrans、Kep、Ve、Vp。A为多形性腺瘤，其动态增强曲线表现为平台型，Ktrans和Kep值中等，而Ve相对较高。B为Warthin瘤，动态增强表现为快进快出廓清型，Ktrans和Kep值均较高，而Ve相对中等。C为恶性腮腺瘤，同样表现为廓清型动态增强曲线，Ktrans局限性增高，Kep值中等，而Ve相对较高。D为腮腺囊肿，动态增强无强化表现。
Figure 1. Imaging findings and pathological images of four pathological types of parotid gland occupying lesions
表 1 4种病理类型腮腺肿瘤的动态增强定量后处理结果比较(x±s)
Table 1. Comparison of dynamic contrast-enhanced quantitative post-processing results for four pathological types of parotid tumors(x±s)
参数 多形性腺瘤 腺淋巴瘤 其他良性病变 恶性肿瘤 F值 P值 Ktrans 0.668±0.325 0.923±0.677 0.585±0.465 0.767±0.633 1.161 0.334 Kep 0.767±0.378 1.658±1.284 0.985±1.100 0.981±0.645 2.368 0.082 Ve 0.891±0.109 0.601±0.224 0.636±0.211 0.791±0.264 5.818 0.002 Vp 0.127±0.099 0.135±0.080 0.070±0.049 0.101±0.080 1.899 0.142 
下载: 导出CSV
表 2 定量动态增强数据良恶性肿瘤分组与病理亚型分组结果
Table 2. Results of grouping benign and malignant tumors and pathological subtypes based on quantitative dynamic enhancement data
组别 病理类型 病灶数 层数 训练集 测试集 良恶性肿瘤影像组学对比分析 良性 46 268 180 88 恶性 8 40 32 8 多形性腺瘤与恶性肿瘤对比分析 多形性腺瘤 12 69 48 21 恶性肿瘤 8 40 29 11 腺淋巴瘤与恶性肿瘤对比分析 腺淋巴瘤 19 113 78 35 恶性肿瘤 8 40 25 15 其他良性病变与恶性肿瘤对比 其他良性病变 15 86 64 22 恶性肿瘤 8 40 30 10
下载: 导出CSV
表 3 良性与恶性腮腺瘤逻辑回归模型预测结果
Table 3. Predicted results of the logistic regression model for benign and malignant parotid adenomas
类别 AUC ACC SEN SPEC PPV NPV 训练集 0.887 0.807 0.813 0.806 0.426 0.960 测试集 0.612 0.844 0.500 0.875 0.267 0.951
下载: 导出CSV
表 4 多形性腺瘤、腺淋巴瘤、其他良性病灶与恶性肿瘤的测试集动态增强定量数据分析结果
Table 4. Analysis results of dynamic contrast-enhanced quantitative data of the test set for pleomorphic adenoma, adenolymphoma, other benign lesions and malignant tumors
项目 多形性腺瘤vs. 恶性肿瘤 腺淋巴瘤vs. 恶性肿瘤 其他良性病灶vs.恶性肿瘤 采用模型 ANOVA_13_GPa RFE_9_LDAb ANOVA_6_GPc 筛选特征(个) 13 9 6 AUC 0.736 0.886 0.805 ACC 0.781 0.880 0.781 SENS 0.909 0.933 0.700 SPEC 0.714 0.857 0.818 PPV 0.625 0.737 0.636 NPV 0.938 0.968 0.857 注：a为ANOVA_13_GP，采用ANOVA筛选的13个特征通过高斯过程回归(gaussian process，GP)分类；b为RFE_9_LDA，采用RFE筛选的9个特征通过线性判别分析(linear discriminant analysis，LDA)分类；c为ANOVA_6_GP，采用ANOVA筛选的6个特征通过高斯过程回归分类。
下载: 导出CSV
-
[1] 唐晨虎, 马东, 孙伟, 等. 1.5T MR影像特征与腮腺肿瘤病人良恶性诊断的关系及病理结果对比[J]. 分子影像学杂志, 2021, 44(1): 127-131. https://www.cnki.com.cn/Article/CJFDTOTAL-FZYX202101025.htmTANG C H, MA D, SUN W, et al. Relationship between 1.5 T MR imaging features and the diagnosis of parotid tumor patients[J]. Journal of Molecular Imaging, 2021, 44(1): 127-131. https://www.cnki.com.cn/Article/CJFDTOTAL-FZYX202101025.htm [2] ABDEL RAZEK A A K, MUKHERJI S K. State-of-the-art imaging of salivary gland tumors[J]. Neuroimaging Clin N Am, 2018, 28(2): 303-317. doi: 10.1016/j.nic.2018.01.009 [3] COUDERT H, MIRAFZAL S, DISSARD A, et al. Multiparametric magnetic resonance imaging of parotid tumors: a systematic review[J]. Diagn Interv Imaging, 2021, 102(3): 121-130. doi: 10.1016/j.diii.2020.08.002 [4] 王海滨, 王理, 张乐星. 动态增强磁共振成像在腮腺肿瘤的诊断优势及研究进展[J]. 肿瘤学杂志, 2018, 24(6): 601-605. doi: 10.3760/cma.j.issn.1004-4221.2018.06.014WANG H B, WANG L, ZHANG L X, et al. Research progress on diagnostic advantages of dynamic contrast-enhanced magnetic resonance imaging in parotid gland tumors[J]. Journal of Chinese Oncology, 2018, 24(6): 601-605. doi: 10.3760/cma.j.issn.1004-4221.2018.06.014 [5] XU Z F, ZHENG S Y, PAN A Z, et al. A multiparametric analysis based on DCE-MRI to improve the accuracy of parotid tumor discrimination[J]. Eur J Nucl Med Mol Imaging, 2019, 46(11): 2228-2234. doi: 10.1007/s00259-019-04447-9 [6] NADA A, HADY D, YOUSSEF A, et al. Accuracy of combined quantitative diffusion-weighted MRI and routine contrast-enhanced MRI in discrimination of benign and malignant salivary gland tumors[J]. Neuroradiol J, 2020, 33(3): 216-223. doi: 10.1177/1971400920913973 [7] 俞顺, 石清磊, 苏家威, 等. DCE-MRI定量参数在不同病理类型腮腺肿瘤鉴别诊断中的初步研究[J]. 磁共振成像, 2017, 8(9): 654-661. https://www.cnki.com.cn/Article/CJFDTOTAL-CGZC201709005.htmYU S, SHI Q L, SU J W, et al. An initial study using the quantitative parameters of dynamic contrast-enhanced MRI in differential diagnosis for parotid tumors with different pathological types[J]. Chinese Journal of Magnetic Resonance Imaging, 2017, 8(9): 654-661. https://www.cnki.com.cn/Article/CJFDTOTAL-CGZC201709005.htm [8] ZHENG Y M, LI J, LIU S, et al. MRI-Based radiomics nomogram for differentiation of benign and malignant lesions of the parotid gland[J]. Eur Radiol, 2021, 31(6): 4042-4052. doi: 10.1007/s00330-020-07483-4 [9] PILUDU F, MARZI S, RAVANELLI M, et al. MRI-based radiomics to differentiate between benign and malignant parotid tumors with external validation[J]. Front Oncol, 2021, 11: 656918. DOI: 10.3389/fonc.2021.656918. [10] 吴艳, 谢元亮, 张树桐, 等. 基于T2WI影像组学及联合诊断模型鉴别腮腺多形性腺瘤与腺淋巴瘤[J]. 放射学实践, 2020, 35(12): 1525-1531. https://www.cnki.com.cn/Article/CJFDTOTAL-FSXS202012008.htmWU Y, XIE Y L, ZHANG S T, et al. Radiomic analysis based on MR-T2WI and combined diagnostic model for identification of pleomorphic adenoma from adenolymphoma of parotid gland[J]. Radiologic Practice, 2020, 35(12): 1525-1531. https://www.cnki.com.cn/Article/CJFDTOTAL-FSXS202012008.htm [11] GÜNDÜZ E, ALÇIN Ö F, KIZILAY A, et al. Radiomics and deep learning approach to the differential diagnosis of parotid gland tumors[J]. Curr Opin Otolaryngol Head Neck Surg, 2022, 30(2): 107-113. doi: 10.1097/MOO.0000000000000782 [12] DEBUS C, FLOCA R, INGRISCH M, et al. MITK-ModelFit: a generic open-source framework for model fits and their exploration in medical imaging-design, implementation and application on the example of DCE-MRI[J]. BMC Bioinformatics, 2019, 20(1): 31. doi: 10.1186/s12859-018-2588-1 [13] SONG Y, ZHANG J, ZHANG Y D, et al. FeAture Explorer (FAE): a tool for developing and comparing radiomics models[J]. PLoS One, 2020, 15(8): e0237587. DOI: 10.1371/journal.pone.0237587. [14] 江晓勇, 杨志辉, 陈希希, 等. 不同类型腮腺肿瘤的临床特点及远期复发情况分析[J]. 中华全科医学, 2019, 17(5): 790-792, 796. doi: 10.16766/j.cnki.issn.1674-4152.000793JIANG X Y, YANG Z H, CHEN X X, et al. Analysis of clinical characteristics and long-term recurrence of different types of parotid tumors[J]. Chinese Journal of General Practice, 2019, 17(5): 790-792, 796. doi: 10.16766/j.cnki.issn.1674-4152.000793 [15] GÖKÇE E, BEYHAN M. Advanced magnetic resonance imaging findings in salivary gland tumors[J]. World J Radiol, 2022, 14(8): 256-271. doi: 10.4329/wjr.v14.i8.256 [16] 胡涛, 刘琼, 邹玉坚, 等. 扩散峰度成像及动态增强MRI鉴别腮腺多形性腺瘤与Warthin瘤[J]. 放射学实践, 2021, 36(9): 1089-1094. https://www.cnki.com.cn/Article/CJFDTOTAL-FSXS202109009.htmHU T, LIU Q, ZOU Y J, et al. Application value of DKI and DCE-MRI in the differential diagnosis of parotid pleomorphic adenoma and Warthin tumor[J]. Radiologic Practice, 2021, 36(9): 1089-1094. https://www.cnki.com.cn/Article/CJFDTOTAL-FSXS202109009.htm [17] ZHENG N, LI R, LIU W J, et al. The diagnostic value of combining conventional, diffusion-weighted imaging and dynamic contrast-enhanced MRI for salivary gland tumors[J]. Br J Radiol, 2018, 91(1089): 20170707. DOI: 10.1259/bjr.20170707. [18] YABUUCHI H, KAMITANI T, SAGIYAMA K, et al. Characterization of parotid gland tumors: added value of permeability MR imaging to DWI and DCE-MRI[J]. Eur Radiol, 2020, 30(12): 6402-6412. doi: 10.1007/s00330-020-07004-3 [19] CHANG Y J, HUANG T Y, LIU Y J, et al. Classification of parotid gland tumors by using multimodal MRI and deep learning[J]. NMR Biomed, 2021, 34(1): e4408. DOI: 10.1002/nbm.4408. [20] HUANG N, XIAO Z B, CHEN Y, et al. Quantitative dynamic contrast-enhanced MRI and readout segmentation of long variable echo-trains diffusion-weighted imaging in differentiating parotid gland tumors[J]. Neuroradiology, 2021, 63(10): 1709-1719. doi: 10.1007/s00234-021-02758-z 期刊类型引用(1)
1. 李兴武，叶国柳. DCE-MRI参数结合CA199、CA125、HE4鉴别BOT与Ⅰ期EOC的可行性研究. 中华全科医学. 2023(09): 1512-1515+1519 . 
本站查看其他类型引用(1)
-
下载:
点击查看大图
计量
- 文章访问数: 312
- HTML全文浏览量: 180
- PDF下载量: 10
- 被引次数: 2
