文献速递腹部CT

CT纹理分析在门静脉期鉴别胰腺导管腺癌与胰腺神经内分泌肿瘤的补充作用

Complementary role of computed tomography texture analysis for differentiation of pancreatic ductal adenocarcinoma from pancreatic neuroendocrine tumors in the portal-venous enhancement phase.
PubMed 文献 · Abdom Radiol (NY) · 2020-01-01

该回顾性研究纳入53例胰腺导管腺癌(PDAC)和42例胰腺神经内分泌肿瘤(PNEN)患者,评估门静脉期CT纹理分析(CTTA)与视觉评估及肿瘤-胰腺衰减比值的鉴别价值。结果显示92个纹理特征中8个具有显著鉴别意义,GLCM Imc2在多变量模型中影响最大,以-0.49为阈值鉴别PDAC与PNEN的敏感度为0.79、特异度为0.71;视觉评估和肿瘤-胰腺衰减比值在两组间无显著差异。

要点

  • 门静脉期CTTA可鉴别PDAC与PNEN,8/92个纹理特征显著不同,以GLCM Imc2影响最大。
  • GLCM Imc2鉴别PDAC与PNEN的阈值为-0.49,敏感度0.79、特异度0.71。
  • 视觉评估及肿瘤-胰腺衰减比值在PDAC与PNEN间无显著差异,不能用于鉴别。

关键影像表现/征象

  • PDAC的GLCM Imc2(-0.03±1.47)显著高于PNEN(-0.89±0.99),p=0.0002。
  • PDAC的median(-0.37±1.07)和maximum(-0.21±1.10)显著低于PNEN(0.41±0.77,p=0.0003;0.27±0.78,p=0.04)。
  • PDAC的90th percentile(-0.26±1.10)和10th percentile(-0.46±0.99)显著低于PNEN(0.33±0.74,p=0.001;0.45±0.84,p=0.001)。
  • PNEN的energy(p=0.02)、total energy(p=0.0001)和minimum(p=0.00002)显著高于PDAC。
  • PDAC与PNEN在视觉评估的均匀性及高低密度分类上无显著差异(p>0.05)。

诊断标准与关键数值

  • GLCM Imc2以-0.49为阈值鉴别PDAC与PNEN,敏感度0.79、特异度0.71。
  • 多变量逻辑回归模型分类正确率75.8%,PDAC敏感度79.2%(42/53),PNEN敏感度71.4%(12/42)。
  • 肿瘤-胰腺衰减比值:PDAC为0.85(肿瘤73±26 HU,胰腺85±20 HU),PNEN为0.90(肿瘤80.3±19 HU,胰腺88±22 HU),差异无统计学意义(p>0.05)。
  • 视觉评估低/等/高密度:PDAC为50%/50%/0%,PNEN为45%/45%/10%,差异无统计学意义(p>0.05)。
  • GLSZM Small Area High Gray-Level Emphasis在G1 PNEN为0.80±0.90,G2/3 PNEN为-0.47±0.86(p<0.05)。

临床应用与阅片要点

  • 门静脉期CT图像可行CTTA,无需额外扫描即可提供补充鉴别信息。
  • 视觉评估和肿瘤-胰腺衰减比值在PDAC与PNEN间重叠大,鉴别困难时可考虑CTTA。
  • 作者认为CTTA可提高诊断质量,可能改善患者管理(如分期流程)。

局限性

  • 图像数据来自不同多层螺旋CT扫描仪,但使用相似的检查和对比剂注射方案,图像质量存在固有变异。
  • 本队列未评估形态学影像特征(如形态、大小、轮廓),因作者认为现有文献已有足够证据。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Abdom Radiol (NY). 2020 Jan 17;45(3):750–8. doi: 10.1007/s00261-020-02406-9

引言

CT纹理分析(CTTA)是一个新兴的研究领域,能够通过图像数据定量分析来识别特定的组织特征,从而更准确地表征肿瘤和其他组织类型(例如炎症性疾病)[1, 2]。CTTA的结果可进一步测试其与其他非影像学患者数据(实验室、遗传学等)的相关性,以便对这些患者及其疾病采取更个体化的方法,提供能够对预后进行分层的有价值信息,并寻找最合适的治疗[3–5]。

胰腺导管腺癌(PDAC)是最常见的胰腺恶性肿瘤,若不适合初次手术则预后极差[6]。CT因其优异的空间分辨率、组织对比度和可及性而成为最常用的影像学技术。影像学的主要目的是肿瘤检测和勾画、血管侵犯评估和远处播散评估。然而,主要非侵入性地与其他胰腺肿瘤进行鉴别也很重要。在较少见的胰腺实性肿瘤(例如转移瘤、腺泡细胞癌、乳头状和实性肿瘤、腺瘤、错构瘤等)中,神经内分泌肿瘤因其部分影像学表现与PDAC重叠且治疗选择不同而发挥着越来越重要的作用[7, 8]。PDAC在门静脉期增强相比邻近胰腺组织通常呈低强化或等强化,而胰腺神经内分泌肿瘤(PNEN)通常预期呈高强化[8]。这两种胰腺肿瘤实体之间的鉴别通常需要多期检查方案,因为PNEN因其早期且丰富的血管化在动脉期显示最佳,而PDAC诱导促结缔组织增生反应,多表现为延迟强化。然而,许多PDAC和PNEN患者首先接受门静脉期CT以明确胆汁淤积的病因(例如胰腺头部肿块时)和其他非特异性症状,或肿瘤为偶然发现。在门静脉期增强中,高达42%的PDAC可能与正常胰腺组织呈等强化,而在PNEN中对比剂充盈可能已经消退,因此两者之间的鉴别可能具有挑战性,很大程度上取决于所应用的检查方案(例如对比剂用量、流速、延迟时间等)[9]。此外,PNEN在门静脉期增强也可能表现出不同的衰减值,这与瘤内微血管密度、肿瘤间质含量和肿瘤分级相关性良好[10, 11]。PNEN预期呈均匀富血供,随后在静脉期出现早期廓清,这归因于其起源于高度血管化的胰岛细胞,这些细胞接受全部胰腺血供的10–20%[12]。由于向恶性进展与血管结构和功能紊乱相关,较大的PNEN具有较不均匀的富血供模式,并可能表现为延迟对比增强[13]。

因此,在该增强期中,PDAC与PNEN的平均衰减值存在相当大的重叠。此外,肿瘤与未受累的邻近胰腺组织之间的对比度取决于患者年龄以及胰腺大小和一致性[14]。既往报道已采用纹理特征探讨PNEN和PDAC中图像数据量化的问题[15–18]。他们主要强调了纹理分析在预测肿瘤分级中的作用。

在本项对95例初诊为PDAC和PNEN患者的回顾性评估中,我们旨在利用属于所有统计阶(一阶、二阶及高阶)的92个代表性特征,定义基于CTTA的影像指纹,用于在门静脉增强期区分这两种肿瘤实体。

材料与方法

患者特征

这是一项回顾性分析,通过我院2008年9月至2018年8月间的患者病历检索,识别出53例PDAC患者(66.1 ± 8.6岁,24例女性)和42例PNEN患者(65.5 ± 12.2岁;18例女性)。我院伦理委员会批准了该回顾性数据评估,并将本研究注册为编号140/2019BO2。

CT检查方案

计算机断层扫描(CT)在患者仰卧位下使用128层MDCT扫描仪(SOMATOM Definition AS + 或 SOMATOM Definition Flash,Siemens Healthcare)进行。所有患者均接受门静脉增强期(延迟60–70 s)的对比增强CT检查,采用薄层图像数据采集。使用以下检查参数:120 kV管电压、200–250 mAs管电流、软组织图像重建核、图像重建层厚1 mm。按体重调整的碘对比剂以2 mL/s的速率静脉给予,随后以30 mL生理盐水冲管。所有患者均使用滤波反投影进行图像重建。

计算机断层扫描纹理分析(CTTA)

CTTA使用基于pyradiomics包的放射组学软件(Siemens Healthcare)进行,pyradiomics是一个用于从医学影像中提取放射组学特征的Python包[19]。初步共提取1600个放射组学特征。然而,为限制某些所得结果的冗余(例如因使用自定义(衍生)特征所导致者),我们决定限定为原始的92个特征,包括18个一阶特征、23个灰度共生矩阵(GLCM)特征、14个灰度依赖矩阵(GLDM)特征、16个灰度游程长度矩阵(GLRLM)特征、16个灰度尺寸区域矩阵(GLSZM)特征和5个邻域灰度差矩阵(NGTDM)特征(图1)。

CTTA应用于以1 mm层厚重建的图像数据集。感兴趣体积(VOI)在横断面门静脉期CT图像数据上依据最大横截面直径手工勾画(图2)。邻近组织(如血管)、钙化以及可见坏死区域被仔细排除。VOI设置过程由一位具有25年腹部及肿瘤影像学经验的资深放射科医师完成。为使所有数据集具有可比性,采用了标准化测量。对每个输入感兴趣体积计算每种纹理类型时,需为该感兴趣体积的所有体素赋予一个新值(“纹理值”),从而生成“纹理图像”。第一步,我们进行图像滤波,以选择性提取不同大小和强度变化的特征。第二步,使用一系列衍生图像在感兴趣体积内以精细空间尺度(半径2 mm)显示特征,进行组织放射组学定量分析。窗宽范围采用0–400 HU。计算在当前体素及其邻域上进行,结果存储为当前体素的纹理值。对感兴趣体积内的每个体素重复此过程。所用放射组学特征属于一阶特征(能量、总能量、熵、最小值、最大值、均值、中位数、四分位距、平均绝对偏差、稳健平均绝对偏差、标准差、偏度、峰度、方差和均匀性);二阶(灰度共生矩阵)特征和更高阶特征(灰度大小区域矩阵、灰度游程长度矩阵、邻域灰度差矩阵和灰度依赖矩阵),后者包括pyradiomics库所描述的子特征(补充材料)。

最后,我们根据分级将PNEN分为(G2 + G3)组与G1组,以及将PDAC分为G1、G2、G3组,并再次应用放射组学分析,试图识别能够无创评估肿瘤分级的显著特征(图3a)。

图1 纹理特征选择 查看原图 ↗
图2 肿瘤分割。一名80岁男性PDAC患者,肿瘤浸润腹腔干,在18F-氟脱氧葡萄糖(FDG)正电子发射断层扫描/计算机断层扫描(PET/CT)中仅显示中度示踪剂摄取(右上排)。排除邻近结构后的三维肿瘤分割 查看原图 ↗
图3 a 一名65岁患者,胰腺尾部G1级PNEN(黄色箭头)。肿瘤在68Ga-DOMITATE-PET中显示放射性示踪剂摄取增高。b 一名72岁患者,胰腺体尾部移行处G3级PNEN。肿瘤(黄色箭头)与胰腺实质呈等密度(67.7 ± 14 HU vs. 68.1 ± 8 HU)。68Ga-DOMITATE-PET显示肿瘤放射性示踪剂摄取增高 查看原图 ↗

肿瘤视觉特征描述及肿瘤与实质比值定量

16/53例PDAC患者接受了18F-FDG-PET/CT检查,18/42例患者接受了68Ga-DOMITATE-PET/CT检查进行分期,其中病灶可因放射性示踪剂摄取增高及常规行动脉期扫描而被识别。其余患者接受了双期CT检查(包括动脉期)。此外,48/95例患者接受了胰腺对比增强MRI检查。这些信息用于在肿瘤组织及未受累胰腺实质中放置大型手绘感兴趣区(ROI),以避免部分容积平均效应。测量衰减值(亨氏单位,HU),随后计算肿瘤与实质比值(图3b)。此外,根据其衰减程度,将肿瘤与相邻未受累胰腺实质比较分为低密度、等密度或高密度,并归入“均匀”与“不均匀”衰减两类之一。

统计分析

统计分析采用SPSS 22版(IBM公司)进行。我们使用Kolmogorov–Smirnov检验对所有参数进行正态性检验。采用Mann–Whitney-U检验比较两组(PDAC与PNEN)之间纹理特征的差异。为处理多重比较,应用Benjamin Hochberg校正。校正后p值在0.05水平上认为具有显著性。

对所有参数应用z变换,随后使用最显著的参数进行二元logistic回归分析(前向LR逐步法),以构建预测PDAC或PNEN的多指标模型。为检验logistic回归模型的显著性,应用χ2检验并计算Cox & Snell-R2。进行受试者工作特征(ROC)分析,通过计算ROC曲线下面积(AUC)评估预测价值。ROC曲线通过在每一观察截断点计算灵敏度和特异度生成。最佳截断值取自ROC曲线上距左上角(灵敏度和特异度分别等于1处)距离最小的点。

结果

患者特征

纳入53例PDAC患者(66.1 ± 8.6岁,24例女性)和42例PNEN患者(65.5 ± 12.2岁;18例女性)。PNEN中,21/42例患者为肿瘤II/III级,8/42例患者为肿瘤I级。13例PNEN患者无肿瘤分级相关信息。PDAC中,2/53例患者为肿瘤I级,而16/53例患者为肿瘤II或III级。35例患者无肿瘤分级相关信息,其中大多数在其他机构取样。所有患者的临床特征总结于表1。

表1 患者特征 查看原表 ↗

PDAC和PNEN中CT纹理特征分析

在92个纹理特征中,有8个(8.7%)在胰腺导管腺癌(PDAC)与胰腺神经内分泌肿瘤(PNEN)之间具有显著差异。一阶特征“中位数”和“最大值”在PDAC中均显著低于PNEN(中位数:− 0.37 ± 1.07 对比 0.41 ± 0.77,p = 0.0003;最大值:− 0.21 ± 1.10 对比 0.27 ± 0.78,p = 0.04)。补充而言,一阶特征“第90百分位数”(图4a)在PDAC中显著低于PNEN(− 0.26 ± 1.10 对比 0.33 ± 0.74;p = 0.001),“第10百分位数”亦观察到类似结果(PDAC − 0.46 ± 0.99 对比 PNEN 0.45 ± 0.84;p = 0.001)。其他一阶特征“能量”(p = 0.02)、“总能量”(p = 0.0001)和“最小值”(p = 0.00002)在PNEN中显著高于PDAC,且标准差较大(表1;图4b)。相反,一阶特征“熵”在PDAC中高于PNEN(− 0.17 ± 1.26 对比 − 0.33 ± 1.15),但未达到统计学显著性(p > .05)。

二阶特征GLCM Imc2在PDAC中显著高于PNEN(− 0.03 ± 1.47 对比 − 0.89 ± 0.99;p = 0.0002)(图4c)。

图4 a–c 箱线图展示胰腺导管腺癌(PDAC)与胰腺神经内分泌肿瘤(PNEN)中一阶统计特征能量、第90百分位数及二阶灰度共生矩阵信息相关度量2的分布 查看原图 ↗

用于分类PDAC与PNEN的多因素逻辑回归分析

纳入PDAC与PNEN之间具有显著差异特征的多因素逻辑回归分析产生了一个显著的模型(χ2(8) = 34.50;p < .001),Nagelkerke r2 = 0.41,Cohen效应量为 . 75.8%的患者被逻辑模型正确分类为PDAC或PNEN。42/53例患者被正确预测为PDAC(敏感度79.2%),12/42例患者被正确预测为PNEN(敏感度71.4%)。

在该多因素逻辑回归模型中,GLCM IMC2被证明是对比值比影响最大的变量。包含所有解释变量(全模型)的结果见表2。对于GLCM IMC2,ROC分析得出− 0.49作为区分PDAC与PNEN的截断值,敏感度为0.79,特异度为0.71(图5)。

表2 包含所有解释变量(全模型)的多因素逻辑回归模型结果 查看原表 ↗
图5 灰度共生矩阵信息相关度量2用于区分PDAC与PNEN的ROC分析 查看原图 ↗

根据分级对PDAC和PNEN进行的亚组分析

在PNEN中,高阶特征GLSZM小面积高灰度强调在G1级患者中显著高于G2/3级肿瘤患者(0.80 ± 0.90 对比 − 0.47 ± 0.86;p < .05)(图6)。在PDAC中,未观察到G1级与G2/3级肿瘤患者之间纹理特征的显著差异。

图6 箱线图展示胰腺神经内分泌肿瘤(PNEN)1级与2/3级中灰度大小区域矩阵[GLSZM]小面积高灰度强调的分布 查看原图 ↗

视觉肿瘤分类与肿瘤-胰腺衰减定量

在PDAC患者亚组中,平均衰减值为73 ± 26 HU,胰腺实质平均衰减为85 ± 20 HU。计算的肿瘤-胰腺比值为0.85。

在PNEN中,我们测得的平均衰减值为80.3 ± 19 HU,而胰腺实质的衰减值为88 ± 22 HU,导致肿瘤与实质的比值为0.90。在PDAC和PNEN中测得的肿瘤与胰腺比值之间的差异未达到统计学显著性(p > 0.05)。

在PDAC和PNEN中,仅有50%的肿瘤表现为均匀衰减。

PDAC和PNEN分别被分类为低密度/等密度/高密度,比例为50%/50%/0%和45%/45%/10%(p > 0.05)。

讨论

我们的结果表明,在门静脉期CT图像数据上量化的CT纹理特征能够区分PDAC和PNEN。事实上,在所有分析的数据特征中,有8.7%被证明具有区分能力,包括一阶和二阶变量。有趣的是,这些特征主要集中在肿瘤衰减的差异(中位数、最大值、最小值、10%和90%百分位数、能量、总能量)以及通过肿瘤强度直方图分析(一阶)判定的肿瘤结构(灰度共生矩阵)和二阶条件概率密度函数上。

这些通过纹理(影像组学)特征量化的差异可能反映了这些肿瘤在组成上的区别(细胞大小、密度、纤维间质数量等)以及与血管网络特性相关的差异(微血管密度、腺体形状和分布的不规则性、血流特征、血管通透性、瘤内压力)[20]。PDAC以其广泛的促纤维增生反应而著称,而其血管网络发育不如PNEN,后者具有高度血管化的肿瘤间质[20, 21]。既往使用灌注CT的研究报告显示,与正常胰腺组织相比,PDAC的血流量减少了60%[22]。D'assignies等人报告PNEN的血流量值是正常胰腺组织的两倍[13]。因此,PDAC与PNEN之间血液供应量的差异很大,似乎在这两种实体的区分中起主要作用,即使在门静脉期也是如此——在这一特定情境下,门静脉期通常可被认为特异性较低。值得注意的是,PDAC的熵值被发现高于PNEN;然而,该值未达到统计学显著性。尽管如此,这一结果支持PDAC组织纹理复杂性的增加,这是通过灰度共生矩阵评估的,其被证明与PNEN有显著差异。该特征(相关信息相关性度量)评估了体素值概率分布之间的相关性,显示PNEN的纹理更为均匀。

在定性视觉影像表现中加入定量分析以更准确表征胰腺肿瘤的理念并不新鲜,不同时期已有多种影像技术被提倡用于这一任务[23–26]。尽管如此,CT仍是首要影像诊断的主力工具,通过加入图像数据定量分析来提升该技术质量的理念具有吸引力。在最近一篇报告中,Li等描述了PDAC与非典型神经内分泌肿瘤之间部分一阶影像组学特征幅度的差异[27]。在其分析中,与不典型神经内分泌肿瘤相比,PDAC的平均值、中位数、第5、第10和第25百分位数更低,而偏度更高,这与我们自身的大部分结果一致。值得注意的是,这些作者使用了不同的后处理工具,但在门静脉期增强 phase 上采用了相似的时间延迟并对其应用纹理分析,这提示一阶特征定量具有可重复性。在类似尝试中,Toshikazu等采用MRI方法,通过对ADC图像数据进行一阶影像组学分析,发现PDAC中熵、偏度和峰度显著更高,而神经内分泌肿瘤中均值更高,这再次支持其诊断价值超越单一成像模态的限制[23]。

另有一些报告探讨影像组学分析在胰腺肿瘤中的作用,但仅关注肿瘤分级与局部肿瘤侵袭性之间的相关性,并使用不同数量的提取纹理特征[15–18]。特别是,熵被发现与手术切除后早期疾病进展风险良好相关[28]。在Choi等的一份报告中,2/3级胰腺神经内分泌肿瘤更可能表现为更高的偏度、更低的峰度、更高的均匀性、更大的体积以及更低的GLCM(灰度共生矩阵)矩[15]。D'Onofrio等通过对门静脉期采集的CT图像数据进行影像组学分析,发现胰腺神经内分泌肿瘤中熵和峰度的幅度存在显著差异[16]。事实上,门静脉期增强已被许多既往研究推荐为与胰腺期相当,以改善组织对比;然而,这一看法值得质疑[29, 30]。在我们的队列中,较小尺寸区域与较高灰度值的联合分布(图像中较小尺寸区域与较高灰度值联合分布的比例),作为一种均匀性度量,在G1 PNEN中显著高于G2/G3 PNEN(>两倍)。聚焦于二阶(共生矩阵)的统计学显著纹理特征,结果提示PNEN中较高灰度值及联合分布的幅度高于PDAC。有趣的是,我们发现在不同分级的PDAC之间,影像组学特征方面无显著差异。

最后,我们的结果显示,两种肿瘤实体在视觉评估乃至肿瘤与实质比值定量方面存在很大重叠,无信号显著发现。因此,我们认为在此类病例中,额外使用CTTA可提高诊断质量,提供补充信息而无需后续额外成像,这可能改善患者管理(例如分期程序)。

我们的研究存在一些局限性。首先,我们的图像数据采集自不同的多层扫描仪,但使用了相似的检查方案和对比剂注射方案。尽管如此,图像质量方面存在一些差异是必然预期的。这一点也应强调纹理分析在不同图像数据集上的适用性,并且在我们队列中获得了可比的结果。其次,本队列未评估形态学影像特征(例如形态、大小、轮廓),因为我们认为当前专业文献中关于该主题已有足够的证据。

总之,我们的数据表明,CT纹理分析是一种可行的工具,可用于在门静脉期区分PNEN与PDAC,以及区分G1与G2/3 PNEN。与PNEN相比,PDAC中大多数纹理特征反映较低的组织衰减和均匀性。值得注意的是,CTTA似乎优于视觉评估和肿瘤衰减量化的结果。

电子补充材料

以下是电子补充材料的链接。补充材料1(DOCX 47 kb)

引用

  1. Reinert CP, Baumgartner K, Hepp T, et al. Complementary role of computed tomography texture analysis for differentiation of pancreatic ductal adenocarcinoma from pancreatic neuroendocrine tumors in the portal-venous enhancement phase. Abdom Radiol (NY). 2020. PMID: 31953587. doi:10.1007/s00261-020-02406-9
  2. 全文:PMC8081676(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8081676/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。