中国中西医结合影像学杂志   2023, Vol. 21 Issue (5): 553-558
0
引用本文
朱心雨, 郭立, 黄鹏, 马金宇, 张雨柔. 常规MRI纹理分析对腰椎多发性骨髓瘤与腰椎退行性病变的鉴别诊断价值[J]. 中国中西医结合影像学杂志, 2023, 21(5): 553-558. DOI: 10.3969/j.issn.1672-0512.2023.05.016
ZHU Xinyu, GUO Li, HUANG Peng, MA Jinyu, ZHANG Yurou. Value of routine MRI texture analysis for differential diagnosis of lumbar multiple myeloma and degeneration[J]. Chinese Imaging Journal of Integrated Traditional and Western Medicine, 2023, 21(5): 553-558. DOI: 10.3969/j.issn.1672-0512.2023.05.016
常规MRI纹理分析对腰椎多发性骨髓瘤与腰椎退行性病变的鉴别诊断价值[PDF全文]
朱心雨 , 郭立 , 黄鹏 , 马金宇 , 张雨柔
昆明医科大学第二附属医院放射科, 云南 昆明 650101
收稿日期: 2023-01-17
基金项目: 云南省医学学科带头人培养项目（D-2019024）；昆明医科大学2022年硕士研究生创新基金立项项目（2022S293）；昆明医科大学2023年硕士研究生创新基金立项项目（2023S084）
通信作者: 郭立, Email: guolidoc@163.com.
摘要：目的: 探究常规MRI纹理分析对腰椎多发性骨髓瘤（MM）与腰椎退行性病变的鉴别诊断价值。方法: 对64例腰椎MM患者和64例腰椎退行性病变患者进行分析。利用MaZda软件在T1WI、T2WI和T2-STIR图像上手动勾画ROI并提取特征参数，用费希尔算法（Fisher）、分类错误率+平均相关系数算法（POE+ACC）、交互信息算法（MI）3种方法对提取的特征参数进行降维筛选，每种方法筛选出10个最优纹理特征参数。对30个最优纹理特征参数进行统计分析，利用ROC曲线评价各参数的诊断效能。结果: T1WI序列的9个参数具有统计学意义，T2WI序列的8个参数具有统计学意义，T2-STIR序列的14个参数具有统计学意义。排除冗余参数后logistic回归分析显示，T1WI序列的Perc.10%，T2-STIR序列的Perc.10%和135dr_GLevNonU是鉴别腰椎MM与退行性病变的独立预测因子。ROC曲线显示，3个纹理参数联合鉴别诊断腰椎MM与退行性病变的AUC为0.902，高于单一参数，差异均有统计学意义（均P < 0.05）。结论: 常规MRI纹理分析有助于鉴别腰椎MM与腰椎退行性病变。
关键词：腰椎多发性骨髓瘤    腰椎退行性病变    磁共振成像    纹理分析    
Value of routine MRI texture analysis for differential diagnosis of lumbar multiple myeloma and degeneration
ZHU Xinyu , GUO Li , HUANG Peng , MA Jinyu , ZHANG Yurou
Department of Radiology, Second Affiliated Hospital of Kunming Medical University, Kunming 650101, China
Abstract: Objective: To investigate the value of conventional MRI texture analysis in differentiating lumbar multiple myeloma (MM) and degeneration. Methods: Sixty-four patients with MM and 64 patients with lumbar degeneration were collected and analyzed. ROIs were manually sketched and feature parameters were extracted from the T1WI, T2WI and T2-STIR sequences using MaZda software. The extracted feature parameters were filtered by Fisher, POE+ACC and MI, and 10 optimal feature parameters were filtered by each method. Statistical significance analysis was performed on the 30 optimal texture feature parameters, and ROC curves were used to evaluate the diagnostic efficiency of each method. Results: Nine parameters on T1WI, 8 parameters on T2WI and 14 parameters on T2-STIR were statistically significant. After excluding redundant parameters, logistic regression analysis showed that Perc.10% on T1WI, Perc. 10% and 135dr_GLevNonU on T2-STIR were the independent predictors for differentiating MM from degeneration. ROC curve showed that the AUC of the combined texture parameters for the differential diagnosis of MM and degeneration was 0.902, which was higher than that of the single-parameter, and the differences were statistically significant (all P < 0.05). Conclusion: Texture analysis based on conventional MRI is helpful for differentiating lumbar MM and degeneration.
Key words: Lumbar multiple myeloma    Lumbar degenerative lesion    Magnetic resonance imaging    Texture analysis    

多发性骨髓瘤（multiple myeloma，MM）是一种起源于骨髓浆细胞的恶性疾病，是仅次于非霍奇金淋巴瘤的第2常见的血液系统恶性肿瘤[1-2]。该病多见于脊柱，以胸椎为主，腰、颈椎次之，常引起胸腰部不适。由于MM起病隐匿、病情发展缓慢、缺乏临床特征，易与胸腰部退行性病变相混淆[3]。

MRI具有无辐射、多方位、多参数成像等优点，是胸腰部不适患者常用的影像检查方法之一[4]。MM呈弥漫性、不均匀性浸润，T1WI呈低信号，T2WI呈高信号，在T2-STIR上病灶显示更清楚；而腰椎退行性变时，由于红骨髓（T1WI呈低信号，T2WI呈稍高信号，STIR上显示更清楚）和黄骨髓呈不均匀分布，加之终板退变（终板的1型改变于T1WI呈低信号，T2WI呈稍高信号，STIR上显示更清楚）的存在，会对MM的发现及诊断产生干扰，有时仅根据MRI图像特征区分两者仍存在困难[5]。目前，骨髓瘤的诊断金标准为骨髓穿刺，但穿刺活检价格高且为有创检查，易造成局部感染，引起潜在的并发症。因此，寻求一种准确、高效的诊断多发性骨髓瘤的方法是临床面临的重要问题。

纹理分析是指通过提取图像大量的微观特征，经计算机算法将特征转化为纹理参数，并由此探究图像像素灰度值的局部特征、分布规律及变化规律[6]。目前，纹理分析已应用于临床研究[7-8]，其可高通量提取图像特征，并以非侵入性方式捕捉并展现病变组织内的异质性[9-10]，从而辅助临床和影像医师发现及诊断肿瘤性病变，并对其进行分期分级、治疗效果评估及预后评估等[11]。既往有研究应用影像组学方法鉴别MM与腰椎不同转移瘤，并对骨髓瘤的治疗反应进行预测效果良好[12-13]，但关于骨髓瘤与其他腰椎疾病鉴别的研究较少。本研究尝试对腰椎MM与腰椎退行性变进行纹理分析，以探讨常规MRI图像的纹理特征对骨髓瘤的鉴别诊断价值。

1 资料与方法 1.1 一般资料

回顾性收集2021年8月至2022年8月在我院行常规MRI扫描的64例腰椎MM患者作为MM组。纳入标准：①均经病理及相关临床检查确诊；②未经治疗者。排除标准：①图像存在明显伪影、质量较差影响诊断；②免疫系统异常、恶性肿瘤及其他影响骨代谢的内分泌疾病；③在检查前已行放、化疗或射频消融等干预性治疗。

另选择同期因腰部不适行腰椎MRI检查，且临床确诊为腰椎退行性病变的64例患者为对照组。

本研究经医院医学伦理委员会批准（2022-142），并免除受试者知情同意。

1.2 仪器与方法

采用Siemens Sonata 1.5 T MRI扫描仪。扫描序列与参数：矢状位T1WI，矩阵205×256，TR 500 ms，TE 8 ms，视野280 mm×280 mm，层厚4 mm，层距0.4 mm；矢状位T2WI，矩阵205×256，TR 4 000 ms，TE 125 ms，视野280 mm×280 mm，层厚4 mm，层距0.4 mm；矢状位T2-STIR，矩阵256×256，TR 3 990 ms，TE 77 ms，视野280 mm×280 mm，层厚4 mm，层距0.4 mm；轴位T2WI，矩阵179×205，TR 5 207 ms，TE 120 ms，视野220 mm×220 mm，层厚4 mm，层距0.4 mm。总扫描时间为5 min 15 s。

1.3 图像分析与纹理特征筛选

将图像以DICOM格式从PACS导出至MaZda 4.6软件（http://www.eletel.p.lodz.pl/mazda/）。由2位具有5年以上影像诊断经验的医师协商后沿椎体边缘共同绘制ROI，ROI为累及病变的所有椎体，选择矢状位T1WI、T2WI和T2-STIR序列的正中层面图像，避开皮质和椎基静脉丛且不包含腰椎附件（图 1，2）。提取灰度级直方图、绝对梯度、灰度游程矩阵、灰度共生矩阵、自回归模型和小波变换6类纹理特征。然后通过软件提供的费希尔算法（Fisher coefficient，Fisher）、分类错误率+平均相关系数算法（classification error probability and average correlation coefficients，POE+ ACC）、交互信息算法（mutual information coefficient，MI）3种方法对3个序列进行降维筛选，每种方法筛选出10个最优纹理特征参数。

注：患者，女，59岁。图 1a为勾画矢状位T1WI序列的ROI；图 1b为勾画矢状位T2WI序列的ROI；图 1c为勾画矢状位T2-STIR序列的ROI 图 1 腰椎多发性骨髓瘤的ROI绘制

注：患者，男，67岁。图 2a为勾画矢状位T1WI序列的ROI；图 2b为勾画矢状位T2WI序列的ROI；图 2c为勾画矢状位T2-STIR序列的ROI 图 2 腰椎退行性病变的ROI绘制

1.4 统计学分析

采用SPSS 23.0软件、Med Calc 20.1软件进行分析。计数资料2组间比较行χ2检验。正态分布计量资料以x±s表示，2组间比较行独立样本t检验。采用Spearman相关性分析排除冗余参数（r>0.8），然后行logistic回归分析。采用ROC曲线分析差异有统计学意义的参数及其联合鉴别MM与腰椎退行性病变的诊断效能。利用DeLong检验比较联合诊断与单一参数AUC的差异。以P＜0.05为差异有统计学意义。

2 结果 2.1 2组一般资料比较

MM组64例，其中男34例，女30例；年龄45~79岁，平均（61±10）岁。对照组64例，其中男31例，女33例；年龄22~77岁，平均（58±11）岁。2组年龄及性别比较，差异均无统计学意义（t=1.451，P=0.149；χ2=0.281，P=0.596）。

2.2 2组各序列上纹理特征参数比较

经统计学分析后具有鉴别2种疾病意义的各序列参数比较见表 1~3。

表 1 T1WI纹理特征参数在2组中的比较（x±s）

表 2 T2WI纹理特征参数在2组中的比较（x±s）

表 3 T2-STIR纹理特征参数在2组中的比较（x±s）

2.3 logistic回归分析结果

排除冗余参数后对T1WI序列的Perc.10%、S（2，0）SumAverg，T2WI序列的Perc.10%、WavEnLL_s-2和T2-STIR序列的Perc.10%、Perc.99%、135dr-GLevNonU、S（3，-3）Correlat和S（1，-1）SumAverg共9个纹理参数行logistic回归分析（表 4），结果表明T1WI序列的Perc.10%，T2-STIR序列的Perc.10%和135dr_GLevNonU为鉴别MM与退行性病变的独立预测因子。

表 4 logistic回归分析结果

2.4 单参数与参数联合的诊断效能比较

以T1WI序列的Perc.10%，T2-STIR序列的Perc.10%和135dr_GLevNonU作为独立检验变量及三者联合检验变量行ROC曲线分析，3个参数鉴别诊断MM与腰椎退行性变的AUC分别为0.753、0.813和0.705，联合参数的AUC为0.902，优于单参数，差异有统计学意义（均P＜0.05；表 5，图 3）。

表 5 单参数与参数联合的诊断效能比较（DeLong检验）

图 3 Perc.10%（T1WI）、Perc.10%（T2-STIR）、135dr_GLevNonU（T2-STIR）和参数联合的ROC曲线

3 讨论

纹理分析可从图像像素、灰阶、空间特征等多角度多方法提取大量人眼难以观察或易忽略的纹理参数，利用数学算法进行分析计算，经过降维筛选后的特征能最大程度展现影像图像中异质性微观差异，有助于肿瘤的诊断、鉴别、预测及预后评估等[14-15]。目前，纹理分析广泛用于肿瘤诊疗中。Reinert等[16]分析了双能量CT图像在MM中的定性作用，并使用纹理分析方法评估椎体髓质受累程度，结果显示骨髓浸润程度与一阶特征呈正相关，与二阶共生矩阵特征呈负相关，骨髓图像纹理特征的变化与骨髓瘤特异性血液学参数有很好的相关性。Xiong等[13]利用T1WI和T2WI图像提取腰椎MM和不同腰椎转移肿瘤的纹理特征，结合不同的机器学习模型探究其鉴别诊断MM与腰椎转移肿瘤病变的潜力，结果显示，由T2WI图像7个特征构建的人工神经网络分类器在鉴别MM和不同亚型转移瘤诊断性能最高。

本研究利用MaZda纹理分析软件提取MM患者与腰椎退行性变患者MRI图像6类近300个纹理特征参数进行对比。其中，Perc.和Mean来自于直方图参数。Perc.10%是描述低于该百分位数所观察对象的百分比[17-18]，其可反映ROI内的微小变化。Mean代表ROI的平均灰度值水平[19-20]。本研究中MM患者的T2-STIR直方图参数值均高于退行性病变，可能与MM病灶散在多发、在T2-STIR上呈较高信号有关。来自灰度游程矩阵的GLevNonU和灰度共生矩阵的SumAverge可反映ROI纹理明暗程度的异质性[21]。本研究中T2-STIR序列退行性病变的GLevNonU值较MM组大，表明退行性病变椎体内部纹理的明亮度较低，内部纹理变化较大；这可能是由于骨髓脂肪变性、沉积引起骨质退变造成的。Correlat也称相关度，是用于评估图像的线性度，其来自于共生矩阵，可用于度量图像中行或列上灰度级的相似程度[22-23]。MM的T2-STIR上的Correlat值较高，原因可能为MM的病灶发生在骨髓组织（骨髓位于松质骨的骨小梁间），病灶表面上虽呈散在、随机分布，但实则多沿椎体的骨纹理排列[24]，这使MM累及的椎体图像在纵向或横向上具有相似度较高的灰度值，且其纵向或横向的纹理也较细致。WavEnLL_s-2来自于小波变换，小波变换通过高、低通滤波器将原始图像信号分成低频和高频分量，用于检测图像中的水平线、垂直线及交叉点和角点[25]，该高频分量反映图像的轮廓信息。本研究中T2WI和T2-STIR序列MM组的WavEnLL_s-2值高于腰椎退变组，可能是由于MM的骨质破坏多呈边缘清楚的穿凿状、鼠咬状，易与骨质疏松辨别。

本研究运用Fisher、POE+ACC、MI方法，每种方法分别从各序列筛选出10个最佳特征参数。其中Fisher为类间方差与类内方差之比，POE+ACC是基于分类错误概率和所选特征之间平均相关系数的最小化，MI是对纹理特征和类别变量之间依赖性的衡量，这3种方法可降低纹理特征在所有类别中的分类错误率[26]。在排除冗余参数后，对9个特征参数行logistic回归分析发现，T1WI序列的Perc.10%和T2-STIR序列的Perc.10%、135dr_GLevNonU是鉴别MM与退行性病变的独立预测因子。ROC曲线分析发现，3个参数联合的诊断效能较单一参数高（均P＜0.05），表明选取的纹理特征参数均能很好地鉴别腰椎MM与腰椎退行性病变。

本研究的不足之处：①样本量较小，致使研究结果可能存在一定偏倚；②未对腰椎退行性改变外的其他腰椎病变，以及累及腰椎的各型MM行进一步的分类研究，纹理分析对上述病变及病变亚型在鉴别上是否有帮助，有待进一步研究；③仅对MRI T1WI、T2WI和T2-STIR进行分析，未对其他序列进一步研究，后续将逐步完善；④采用人工方式勾画腰椎椎体，且未对椎体外的附件进行勾画，不可避免地存在人为因素的影响，未来将尝试通过半自动及自动的方式来对椎体和对应的附件进行勾画。

综上所述，基于MRI图像的纹理特征参数在腰椎MM与腰椎退行性病变的鉴别中有一定临床价值，对指导临床制订有效的治疗方案具有重要意义。

参考文献
[1]
FIRTH J. Haematology: multiple myeloma[J]. Clin Med (London, England), 2019, 19(1): 58-60. DOI:10.7861/clinmedicine.19-1-58
[2]
BRIGLE K, ROGERS B. Pathobiology and diagnosis of multiple myeloma[J]. Semin Oncol Nurs, 2017, 33(3): 225-236. DOI:10.1016/j.soncn.2017.05.012
[3]
JOSHUA D E, BRYANT C, DIX C, et al. Biology and therapy of multiple myeloma[J]. Med J Aust, 2019, 210(8): 375-380. DOI:10.5694/mja2.50129
[4]
MESSIOU C, PORTA N, SHARMA B, et al. Prospective evaluation of whole-body MRI versus FDG PET/CT for lesion detection in participants with myeloma[J]. Radiol Imaging Cancer, 2021, 3(5): e210048. DOI:10.1148/rycan.2021210048
[5]
韩萍, 于春水. 医学影像诊断学[M]. 北京: 人民卫生出版社, 2016: 571.
[6]
MAYERHOEFER M E, MATERKA A, LANGS G, et al. Introduction to radiomics[J]. J Nucl Med, 2020, 61(4): 488-495. DOI:10.2967/jnumed.118.222893
[7]
瞿俊晨, 贾传海, 丁庆国, 等. MRI图像纹理分析在腮腺良、恶性肿瘤鉴别诊断中的价值[J]. 中国口腔颌面外科杂志, 2022, 20(2): 173-176. DOI:10.19438/j.cjoms.2022.02.013
[8]
POCIASK E, NURZYNSKA K, OBUCHOWICZ R, et al. Differential diagnosis of cysts and granulomas supported by texture analysis of intraoral radiographs[J]. Sensors (Basel), 2021, 21(22): 7481. DOI:10.3390/s21227481
[9]
JIANG N, ZONG L, ZANG C, et al. Value of conventional MRI texture analysis in the differential diagnosis of phyllodes tumors and fibroadenomas of the breast[J]. Breast Care (Basel), 2021, 16(3): 283-290. DOI:10.1159/000508456
[10]
王敏红, 周理想, 冯湛. 常规MRI纹理分析鉴别脑胶质母细胞瘤和原发性中枢神经系统淋巴瘤的价值[J]. 中国癌症杂志, 2019, 29(4): 284-288. DOI:10.19401/j.cnki.1007-3639.2019.04.007
[11]
MEYER H J, LEONHARDI J, HOHN A K, et al. CT Texture analysis of pulmonary neuroendocrine tumors-associations with tumor grading and proliferation[J]. J Clin Med, 2021, 10(23): 5571. DOI:10.3390/jcm10235571
[12]
WU Z, BIAN T, DONG C, et al. Spinal MRI-based radiomics analysis to predict treatment response in multiple myeloma[J]. J Comput Assist Tomogr, 2022, 46(3): 447-454. DOI:10.1097/RCT.0000000000001298
[13]
XIONG X, WANG J, HU S, et al. Differentiating between multiple myeloma and metastasis subtypes of lumbar vertebra lesions using machine learning-based radiomics[J]. Front Oncol, 2021, 11: 601699. DOI:10.3389/fonc.2021.601699
[14]
LIU J, PEI Y, ZHANG Y, et al. Predicting the prognosis of hepatocellular carcinoma with the treatment of trans-catheter arterial chemoembolization combined with microwave ablation using pretreatment MR imaging texture features[J]. Abdominal Radiology (New York), 2021, 46(8): 3748-3757. DOI:10.1007/s00261-020-02891-y
[15]
HABASHI W, BDER-FARRAI A, SPACK N, et al. Three-dimensional surface texture analysis of fluoride's effect on enamel erosion[J]. J Clin Med, 2021, 10(19): 4528. DOI:10.3390/jcm10194528
[16]
REINERT C P, KRIEG E, ESSER M, et al. Role of computed tomography texture analysis using dual-energy-based bone marrow imaging for multiple myeloma characterization: comparison with histology and established serologic parameters[J]. Eur Radiol, 2021, 31(4): 2357-2367. DOI:10.1007/s00330-020-07320-8
[17]
FRUEHALD-PALLAMAR J, CZERNY C, HOLZER-FRUEHWALD L, et al. Texture-based and diffusion-weighted discrimination of parotid gland lesions on MR images at 3.0 Tesla[J]. NMR Biomed, 2013, 26(11): 1372-1379. DOI:10.1002/nbm.2962
[18]
DENG X Y, CHEN H Y, YU J N, et al. Diagnostic value of CT- and MRI-based texture analysis and imaging findings for grading cartilaginous tumors in long bones[J]. Front Oncol, 2021, 11: 700204. DOI:10.3389/fonc.2021.700204
[19]
宋新宇. 磁共振T2WI图像纹理分析在前列腺增生与前列腺癌鉴别诊断中的应用[J]. 实用医学影像杂志, 2021, 22(6): 629-631.
[20]
HODGDON T, THORNHILL R E, JAMES N D, et al. CT texture analysis of acetabular subchondral bone can discriminate between normal and cam-positive hips[J]. Eur Radiol, 2020, 30(8): 4695-4704. DOI:10.1007/s00330-020-06781-1
[21]
SZCZYPINSKI P M, STRZELECKI M, MATERKA A, et al. MaZda——a software package for image texture analysis[J]. Comput Methods Programs Biomed, 2009, 94(1): 66-76. DOI:10.1016/j.cmpb.2008.08.005
[22]
LIU Y, FANG Q, JIANG A, et al. Texture analysis based on U-Net neural network for intracranial hemorrhage identification predicts early enlargement[J]. Comput Methods Programs Biomed, 2021, 206: 106140. DOI:10.1016/j.cmpb.2021.106140
[23]
GAO X C, HUANG S Y. Identification of benign and malignant breast masses based on texture analysis of different areas of mammographic images[J]. Radiology Practice, 2020, 35(8): 1037-1041.
[24]
范荣. 基于IVIM-DWI mapping图影像组学特征分析骨髓微环境的初步研究[D]. 太原: 山西医科大学, 2018.
[25]
CHEN C, QIN Y, CHENG J, et al. Texture analysis of fat-suppressed T2-weighted magnetic resonance imaging and use of machine learning to discriminate nasal and paranasal sinus small round malignant cell tumors[J]. Front Oncol, 2021, 11.
[26]
刘瑶, 郑石磊, 刘磐石. 磁共振T2WI的影像组学在前列腺癌预测中的临床研究[J]. 航空航天医学杂志, 2020, 31(3): 259-262.