谢元亮，杜丹，谢伟，王翔，江燕萍

子宫颈癌是女性生殖系统发病率最高的恶性肿瘤，组织学上主要为鳞状上皮癌，腺癌仅占15%～20%[1]。一般认为，腺癌对放射治疗的敏感性较鳞癌差，更易发生淋巴结转移和远处转移[2]。MRI对宫颈癌的诊断和分期具有很高的价值，但常规扫描序列对评估其组织类型和病理分级的价值有限[3]。纹理分析通过数学和统计学分析，提取肿瘤的纹理特征参数进行客观、定量分析，能检测人眼不能识别的肿瘤组织的微观改变[4]。近年来，基于表观扩散系数(apparent diffusion coefficient，ADC)和动态增强(dynamic contrast enhancement，DCE)MRI的纹理分析在肿瘤方面的应用研究逐渐增多[5-6]。本研究拟采用全肿瘤容积纹理分析方法回顾性分析宫颈癌动态增强图像，探讨其在鉴别宫颈鳞癌与腺癌及预测FIGO分级中的价值。

材料与方法

1.研究对象

将2016年1月-2018年6月在我院住院治疗并有完整临床和病理资料的51例宫颈癌患者纳入分析。纳入标准：①术前、新辅助化疗和/或放疗前2周行MRI检查；②病理组织学结果为新辅助化疗或放疗前2周内获得；③使用3.0T MR成像仪。排除标准：①宫颈癌FIGO Ⅰa期(4例)；②有活动性出血或阴道有填充物(2例)；③因各种伪影导致图像质量不合格(4例)；④合并子宫内膜癌、卵巢癌、直肠癌或膀胱癌(1例)；⑤宫内绝育器、妊娠状态(1例)。共排除12例，最终纳入研究的共39例患者，年龄33～76岁，平均49.3岁。

2.MR成像

使用Philips Achieva TX 3.0T MR成像仪和32通道体部相控阵线圈。受检者取仰卧位，头先进，双臂上举，适度充盈膀胱。扫描序列和参数如下。①横轴面和矢状面高分辨率TSE T2WI：TR 4800 ms，TE 120 ms，视野20 cm×20 cm，矩阵384×256，层厚3 mm，间距0.3 mm，激励次数4；②脂肪抑制盆腔横轴面和冠状面TSE T2WI：TR 550 ms， TE 3 ms，层厚4 mm，间距0.4 mm，视野350×320；③横轴面TSE T1WI：TR 550 ms， TE 14 ms，层厚4 mm，间距0.4 mm，视野35 cm×32 cm；④单次激发SE-EPI序列横轴面DWI：TR 3800 ms，TE 98 ms，b值取0、600和1000 s/mm2；⑤DCE-MRI：TR 5.08 ms，TE 1.74 ms，翻转角15°，视野22 cm×20 cm，体素大小1.0 mm×1.0 mm×1.0 mm，激励次数1，动态扫描30层，扫描时间4 min 26 s；⑥延迟扫描采用脂肪抑制T1WI，扫描参数同平扫T1WI。对比剂为Gd-DTPA，采用双筒高压注射器经肘静脉团注，剂量0.1 mmol/kg，注射流率3 mL/s，随后注射20 mL生理盐水。

3.图像处理

将MRI数据传至高级工作站，采用DCE-MRI数据生成最大强化值(maximum enhancement，ME)和最大强化率(maximum relative enhancement，MRE)mapping灰度图。

4.纹理分析

将ME和MRE图以DICOM格式导入基于Matlab程序平台开发的Radiomics Tool进行纹理特征的提取和分析。结合T2WI及T1WI增强图确认肿瘤边界，首先在T2WI上沿肿瘤边缘逐层手动勾画ROI，避开未被肿瘤填充的宫颈、宫腔和阴道后穹窿，然后采用ROI映射方法，使得ME和MRE图上的ROI与T2W图上的ROI一致。将肿瘤所有层面的ROI累加为一个3D ROI(图1～2)，计算其在ME和MRE图上的纹理特征：①一阶特征4个，包括方差、偏度、峰度和熵；②灰度共生矩阵(gray-level co-occurrence matrix，GLCM)参数4个，包括反差、自相关、能量和熵；③灰度游程长度矩阵(gray-level run-length matrix,GLRLM)参数11个，包括短游程优势(short run emphasis,SRE)、长游程优势(long run emphasis,LRE)、灰度级分布(gray-level non-uniformity,GN)、游程分布(run length non-uniformity,RLN)、游程比(run percentage,RP)、低灰度游程优势(low grey-level run emphasis,LGRE)、高灰度游程优势(high grey-level run emphasis,HGRE)、短游程低灰度优势(short run low gray-level emphasis,SRLGE)、短游程高灰度优势(short run high gray-level emphasis,SRHGE)、长游程低灰度优势(long run low gray-level emphasis,LRLGE)和长游程高灰度优势(long run high gray-level emphasis,LRHGE)；④灰度区域大小矩阵(gray-level size-zone matrix，GLSZM)参数13个，包括小区域优势(small area emphasis,SAE)、大区域优势(large area emphasis,LAE)、灰度级分布(gray-level non-uniformity,GN)、区域大小分布(zoom size non-uniformity,ZSN)、区域比(zoon percentage,ZP)、低灰度区域优势(low grey-level zoon emphasis,LGZE)、高灰度区域优势(high grey-level zoon emphasis,HGZE)、小区域低灰度优势(small area low grey-level emphasis,SALGE)、小区域高灰度优势(small area high grey-level emphasis,SAHGE)、大区域低灰度优势(large area low grey-level emphasis,LALGE)、大区域高灰度优势(large area high grey-level emphasis,LAHGE)、灰度方差(gray-level variance,GV)和区域大小方差(zoon size variance,ZV)。

5.统计学分析

结 果

1.一般资料及影像学征象的比较

39例宫颈癌患者中鳞癌30例，其中浸润性鳞癌26例，乳头状癌3例，梭形细胞鳞癌1例；腺癌9例，其中黏液腺癌5例，恶性腺癌2例，腺鳞癌2例。两组患者的基本临床特征和影像学特征及组间比较结果见表1。

2.鳞癌与腺癌的纹理特征差异

两组肿瘤在MRE和ME图像上提取的纹理参数值及组间比较结果见表2。宫颈鳞癌的一阶统计特征中的偏度、方差和峰度，灰度区域矩阵中的灰度方差(GV)、小区域优势(SAE)、低灰度区域优势(LGZE)和高灰度区域优势(HGZE)，灰度游程长度矩阵中的短游程高灰度优势(SRHGE)、长游程高灰度优势(LRHGE)和高灰度游程优势(HGRE)以及灰度共生矩阵中的反差(contrast)均显著性高于宫颈腺癌(P<0.05)；鳞癌的灰度区域矩阵中的大区域低灰度优势(LALGE)和小区域低灰度优势(SALGE)，灰度游程长度矩阵中的低灰度游程优势(LGRE)和长游程低灰度优势(LRLGE)显著低于宫颈腺癌(P<0.05)。然而，在ME图提取的纹理特征中，仅鳞癌的峰度高于腺癌(Z=0.036，P<0.05)，其它特征的组间差异均无统计学意义(P>0.05)。

表1 39例宫颈癌临床和影像学特征

注：SCC：鳞状上皮细胞癌抗原；#鳞癌与腺癌低分化肿瘤组内占比的比较(精确概率法)；*两组中FIGO分级≥Ⅱb肿瘤的组内占比的比较(精确概率法)；♀T2W上高信号病灶的组内占比的比较(精确概率法)；♂两组中Ⅰ型强化组内占比的比较(精确概率法)。

3.影像纹理特征与肿瘤分级、分化的关系

Spearman相关分析结果显示，在ME图提取的纹理参数中，共5个纹理特征与肿瘤的FIGO分级间具有相关性：灰度区域大小矩阵中的LAHGE(r=0.37，P=0.02)和GN(r=0.386,P=0.015)；灰度游程长度矩阵中的GN(r=0.325，P=0.044)和RLN(r=0.444，P=0.005)；灰度共生矩阵中的自相关(r=0.467，P=0.003)。在MRE图纹理参数中，有5个纹理特征与肿瘤FIGO分级呈正相关，包括灰度区域大小矩阵中的LAHGE(r=0.38，P=0.017)、GN(r=0.354，P=0.027)和ZSN(r=0.332，P=0.039)；灰度游程长度矩阵中的GN(r=0.392，P=0.014)和RLN(r=0.361，P=0.024)。在所有ME和MRE图提取的纹理特征中，仅ME图上灰度共生矩阵的自相关(correlation)与肿瘤分化间具有相关关系(r=0.383，P=0.016)。

4.ROC曲线分析

对有统计学差异的纹理特征进行ROC曲线分析，预测宫颈腺癌的曲线下面积(area under curve，AUC)≥0.5的特征有灰度区域大小矩阵的LALGE、LGZE和SALGE，灰度游程长度矩阵的LGRE和LRLGE，其AUC分别为0.733(95%CI：0.568～0.862)、0.731(95%CI：0.566～0.860)、0.735(95%CI：0.570～0.863)、0.763(95%CI： 0.600～0.884)和0.780(95%CI：0.618～0.896)。对上述特征采用Logistic回归模型预测概率，多参数联合预测宫颈腺癌的AUC为0.830(95%CI：0.675～0.931)，方程为Y=0.409LRLGE(GLRLMMRE)+0.389LGRE(GLRLMMRE)+0.353SALGE(GLSZMMRE)+0.343LGZE(GLSZMMRE)+0.34LALGE(GLSZMMRE)-1.165。多参数联合预测Ⅱb～Ⅲa高级别宫颈癌的AUC为0.737(95%CI：0.572～0.865)，方程为Y= 0.418RLN(GLRLMME)+ 0.366RLN(GLRLMMRE)+0.361GLN(GLSZMMRE)+0.351GLN(GLSZMME)+0.342LAHGE(GLSZMMRE)+0.332RLN (GLRLMMRE)+0.328LAHGE(GLSZMME)-0.224，自相关(GLCMME)未进入方程。自相关(correlation)预测低分化肿瘤的AUC为0.705(95%CI：0.537～0.840)。

图1 52岁，，高分化宫颈鳞癌(FIGO Ⅱa, 无淋巴转移，Ki-67约70%)。对比增强mapping伪彩图，显示肿瘤的强化程度较高且不均匀(箭)。a)ME图；b)MRE图。 图2 62岁，中分化宫颈腺癌(FIGO Ⅱa，伴有淋巴转移，Ki-67约60%)。对比增强mapping伪彩图，显示肿瘤的强化程度较低且不均匀(箭)。a)ME图；b)MRE图。

表2 两组肿瘤在ME和MRE图像上纹理特征的比较

讨 论

为了更清晰地显示子宫病变及其浸润范围，常规MR成像常采用T1W、T2W、DWI、DCE-MRI或/和MRS等多个序列进行联合扫描[7]。DCE-MRI采用药代动力学模型进行定量分析组织的供血，与常规高分辨T2WI和DWI相结合的多模态MRI能显著提高对宫颈肿瘤临床分期预测的准确性[8]。本研究中采用放射组学的方法，显示出DCE-MRI纹理特征对鉴别宫颈鳞癌与腺癌的AUC达0.830，预测Ⅱb～Ⅲa高级别宫颈癌和低分化肿瘤的AUC分别0.737和0.705，具有一定的诊断价值。

恶性肿瘤的生物学异质性与影像纹理异质性有一定的相关性。基于此，有研究发现肿瘤的CT或MRI纹理特征可用于评估肿瘤的异质性[9-10]。在本研究中，ME图提取的纹理特征中鳞癌的峰度高于腺癌，而其它纹理特征的组间差异无统计学意义(P>0.05)，确切机制尚不清楚。在本研究纳入病例中，鳞癌的最大强化程度显著高于腺癌，这一参数的测量过程中我们选区的ROI为肿瘤的最大强化区域而非整个肿瘤体积。在整个肿瘤内，由于异质性，肿瘤强化较不均匀；而且，鳞癌的边缘部分血供更加丰富，组织渗透性更高，表现为强化更明显和容量转移常数(Ktrans)升高[11-12]。其次，不同图像模式的纹理特征的预测效能是否存在差异尚未见文献报道，但总体而言，在鉴别宫颈鳞癌与腺癌的纹理分析中MRE优于ME。MRE指标反映血管内的对比剂及进入组织间隙的对比剂之间达到平衡时的病灶相对强化程度，与肿瘤血流灌注及血管通透性有关；ME则是病灶早期的强化程度，反映的是当血管内对比剂填充达高峰时病灶的强化程度，与肿瘤的微血管密度密切相关[13]。基于DCE-MRI和ADC图的一阶纹理特征有助于评价肿瘤的异质性，进而指导肿瘤的个体化治疗[14]。曹崑等[15]报道采用早期增强MRI纹理特征可以帮助提高判断乳腺癌新辅助化疗病理改变。而联合ADC纹理分析有助于分析乳腺癌的分子分型[16]。因此，我们认为基于DCE-MRI的多阶纹理分析对宫颈癌病理组织学异质性的评价具有潜在价值。

肿瘤的分级、分化与治疗效果和预后关系密切。本组研究结果显示，在ME和MRE图提取的纹理特征中， 灰度区域大小矩阵的LAHGE、GN和灰度游程长度矩阵的GN、RLN与宫颈癌的FIGO分级正相关，上述结果与一项18F-FDG PET影像组学研究的结论相似[17]。LAHGE、GN和RLN描述的是病灶局部的明暗程度和复杂程度，反映像素间的纹理异质性。本研究未将高于Ⅲb期宫颈癌的患者纳入，主要是因为肿瘤侵犯盆壁及邻近器官后，肿瘤和受累器官的组织成分和血供改变将影响肿瘤本身的异质性。此外，ME图的灰度共生矩阵中的自相关与肿瘤分化有一定的相关性，同样反映了低分化肿瘤在MRI强化图像上的异质性大，自相关则增大。与Becker等[18]报道的ADC纹理分析能鉴别肿瘤分化的结论不同，本研究中除ME图的峰度外，其它的一阶和二阶纹理特征以及基于MRE图的一阶和二阶纹理特征对评估肿瘤的分化程度无明显价值，推测其原因是两者的图像来源不同，ADC主要反映细胞的密集和排列，而ME和MRE还反映肿瘤的血流信息。

本研究存在以下不足：首先，样本量偏小，尤其是腺癌的样本量较小，需要后期扩大样本改善模型的测试效能；其次，勾画ROI仍依赖于人工的方法，而对肿瘤的边缘和轮廓的界定受到评估者经验的影响；此外，本研究为回顾性分析，需在未来施加内外部验证下采用机器学习模型进行前瞻性研究。

综上所述，基于DCE-MRI的纹理分析技术对宫颈癌术前组织病理学分型、FIGO分级的预测有一定价值,有助于指导临床制订准确的治疗方案。