基于磁共振灌注加權成像和支持向量機鑒別腦泡型包蟲病與腦轉移瘤

努爾比耶姆·阿布力克木，楊靜，2，劉珺迪，高欣，王剛，趙晶晶，張亞菲，吉思慧，姜春暉，丁爽，王云玲，劉文亞，賈文霄，王儉*

作者單位：1.新疆醫科大學第一附屬醫院影像中心磁共振室，烏魯木齊 830000；2.浙江大學醫學院附屬第一醫院北侖分院放射科，寧波 315800；3.上海大學計算機工程與科學學院，上海 200444

泡型包蟲病(alveolar echinococcosis，AE)是一種由多房棘球蚴幼蟲引起的寄生蟲病。在我國，AE多發于新疆、青海等畜牧業較為發達的西北地區，具有明顯的地域特征。肝臟是最易受AE侵犯的器官，肺、腦等器官轉移率相對較低[1-2]。發生在腦內時，腦泡型包蟲病(cerebral alveolar echinococcosis，CAE)病變常與腦轉移瘤(brain metastases，BMT)具有相似影像學特征的病灶混淆，CAE 和BMT 信號的多樣性和相似性使其難以進行鑒別診斷。雖然CAE 有“蟲癌”之稱，但其生物學特性與BMT截然不同，兩者治療和預后存在顯著差異，故正確地鑒別診斷至關重要。因CAE病灶破裂可導致播散性和/或化學性腦膜炎，并可發生致命的過敏性休克，穿刺活組織檢查是CAE絕對禁忌證[2]。因此，術前借助影像學手段鑒別兩者具有較大的臨床意義。以往的研究表明，磁共振新技術，如灌注加權成像(perfusion weighted imaging，PWI)、彌散加權成像、波譜成像(magnetic resonance spectroscopy，MRS)和磁敏感成像等，有助于鑒別轉移性腫瘤與顱內其他占位性病變[3-5]。

PWI通過分析對比劑在特定血流區域引起的局部信號變化，反映病灶局部腦組織血容量、局部腦組織血流量、毛細血管通透性等血流動力學信息。該技術可以通過測量相對腦血容量(relative cerebral blood volume，rCBV)、相 對 腦 血 流 量(relative cerebral blood flow，rCBF)來反映病變的毛細血管微循環和評估組織的微血管密度，其測定與病灶血管分布有關，故PWI各參數也通常用作腫瘤診斷及分級[6-7]、腫瘤治療反應評估[7-9]和基因型預測的指標[10-11]。除此之外，PWI 已被用于顱內多種占位性病灶的鑒別，且表現出了較好的鑒別性能[3-4,12]。準確、可靠的機器學習方法根據訓練集提供的信息，建立準確識別新輸入項的模型，提升參數鑒別效能，因此已廣泛應用于多類病灶鑒別研究中[13-14]。本研究旨在借助PWI定量指標與病灶血管生成之間的相關性，評估PWI定量指標診斷CAE 與BMT 的性能，且探討基于PWI 定量指標的機器學習方法在鑒別兩種疾病中的價值。

1 材料和方法

1.1 一般資料

回顧性分析新疆醫科大學第一附屬醫院2018年7月至2020年3月間經病理(12例)或臨床確診(18例)且符合納入標準的CAE 及BMT 病例各15 例(男18 例，女12 例，有效病灶各40 個)。其中，CAE 患者平均年齡為36 歲(年齡范圍：3～56 歲)，男10 例，女5 例；BMT患者平均年齡為58歲(年齡范圍：40～73歲)，男8例，女7 例。納入標準：(1)顱腦術后病理確診為CAE 或BMT；(2)病理確診肝泡型包蟲病、臨床綜合診斷為CAE；(3)病理確診其他部位原發腫瘤、臨床綜合診斷為BMT；(4) MRI 掃描前顱內病灶未接受治療。排除標準：(1)圖像質量不合格、偽影大、圖像或資料缺失不全；(2)伴診斷不明的其他部位占位或腫瘤樣病變。本回顧性研究通過了新疆醫科大學臨床倫理委員會批準(批準文號：20160406-02)，免除受試者知情同意。

1.2 核磁共振掃描方法

本研究所有受試者均使用美國GE 公司的3.0 T Signa Hdx System 雙梯度超導磁共振掃描儀，使用8通道相控陣線圈掃描。定位線位于患者鼻根部或眉心。檢查序列包括三平面定位掃描、勻場掃描、T1 加權成像(T1 weighted imaging，T1WI) (TR：2557 ms，TE：12 ms)、T2 加權成像(T2 weighted imaging，T2WI)(TR：3680 ms，TE：118 ms)及T2 液體衰減反轉恢復(fluid-attenuated inversion recovery，FLAIR) (TR：8000 ms，TE：165 ms)、冠矢位T2WI、PWI 及增強掃描，常規頭顱MRI 平掃，掃描參數：層厚5.0 mm，層間距1.0 mm，采集激勵次數1，掃描視野(field of view，FOV)為24 cm×24 cm；灌注掃描定位線復制橫軸位T1WI定位線，Phase FOV=1，TR 時間為1500 ms，確保所有層數能一次采集。對比劑使用釓噴酸葡胺注射液(廣州康臣藥業生產，20 mL/9.38 g)，注射劑量0.2 mL/kg，通過高壓注射器經肘前靜脈以4 mL/s的速率注入，后用20 mL生理鹽水沖洗，每層面采集50幅圖像。

1.3 圖像分析

灌注圖像在GE ADW4.4工作站使用GE FuncTool BrainStat GVF算法進行處理。感興趣區(region of interest，ROI)由兩名對病灶診斷不知情的具有10年診斷經驗的醫生繪制。將實性區域定義為增強掃描強化的病灶區域，外周水腫是指實性區周圍的T2WI高信號區域，對照組為對側相對正常腦實質區域。將3個ROI置于有效病灶相應區域內測量rCBV、rCBF、平均通過時間(mean transit time，MTT)和達峰時間(time to peak，TTP)值，ROI大小控制在5～10 mm2范圍內，放置ROI時盡量避免腦室、血管、骨骼、鈣化、順磁性物質等。每個區域保留其最大值，最后計算兩組病灶實性區、水腫區與對側相對正常區域的參數比值(圖1、圖2)。

圖1 腦泡型包蟲病病灶感興趣區域的定量灌注分析。1A～1D 分別為T1 增強掃描、灌注加權成像、相對腦血流量、相對腦血容量圖。 圖2 腦轉移瘤病灶感興趣區域的定量灌注分析。2A～2D分別為T1增強掃描、灌注加權成像、相對腦血流量、相對腦血容量圖。Fig. 1 Quantitative perfusion analysis of region of interests in cerebral alveolar echinococcosis lesions. 1A?1D are images of T1 enhanced scan, perfusion weighted imaging, relative cerebral blood flow, relative cerebral blood volume, respectively. Fig. 2 Quantitative perfusion analysis of region of interests in brain metastases lesions. 2A?2D are images of T1 enhanced scan, perfusion weighted imaging, relative cerebral blood flow, relative cerebral blood volume,respectively.

1.4 統計分析

所有統計分析采用SPSS 25.0軟件進行。經正態性、獨立性和方差齊性檢驗，符合正態分布的數據用均數±標準差表示，不符合正態分布或方差不齊者則用中位數(第25 百分位數，第75 百分位數)表示。運用MedCalc數據分析軟件，對病灶實性區各參數進行受試者操作特征(receiver operating characteristic，ROC)曲線分析，計算曲線下面積(area under the curve，AUC)。CAE 與BMT 病灶不同區域PWI 參數兩組間比較采用Mann-Whitney 檢驗，本文所有檢驗均為雙側檢驗，結果以P＜0.05為差異有統計學意義。

1.5 機器學習

采用PyCharm 軟件對數據進行統計分析，采用主成分分析(principle component analysis，PCA)對PWI各參數進行降維處理后，以病灶實性區PWI參數以及病灶實性區、病灶水腫區、對側相對正常區域PWI參數兩種方式選擇特征值，運用SVM分類器鑒別CAE和BMT病灶，觀察兩種特征值選擇方法鑒別效能及SVM分類器在此研究中的表現。隨后再運用決策樹(decision tree，DT)、K 近鄰(K-Nearest Neighbor，KNN)分類器及軟投票集成學習方法對CAE 和BMT 病變進行分類鑒別，比較三種分類器及集成方法的鑒別效能。

2 結果

2.1 病灶實性區PWI各參數診斷兩種疾病效能

CAE、BMT病灶實性區灌注參數診斷AUC、標準差、95%置信區間(confidence interval，CI)如表1 所示，各參數診斷ROC 曲線如圖3 所示，可看出rCBF、rCBV診斷效能明顯高于MTT與TTP。

圖3 腦泡型包蟲病(3A)與腦轉移瘤(3B)四個灌注定量參數診斷效能ROC曲線，rCBF、rCBV值AUC高于MTT、TTP值。ROC：受試者操作特征曲線；rCBF：相對腦血流量；rCBV：相對腦血容量；MTT：平均通過時間；TTP：達峰時間；AUC：曲線下面積。圖4 病灶實性區灌注參數分類效果?；贑AE和BMT病灶實性區的rCBF、rCBV、MTT和TTP參數，首先運用PCA進行降維以獲得二維特征點分布，然后使用SVM進行線性核函數分類以獲得決策邊界(圖中的實線)，該邊界上方為CAE(綠點)，下方為BMT(紅點)。CAE：腦泡型包蟲??；BMT：腦轉移瘤；rCBF：相對腦血流量；rCBV：相對腦血容量；MTT：平均通過時間；TTP：達峰時間；PCA：主成分分析；SVM：支持向量機。 圖5 病灶實性區、灶周水腫區、對側相對正常區域灌注參數分類效果?；贑AE和BMT病灶實性區、灶周水腫區及對側相對正常區域的rCBF、rCBV、MTT和TTP參數，首先運用PCA進行降維以獲得二維特征點分布，然后使用SVM進行線性核函數分類以獲得決策邊界(圖中的實線)，該邊界上方為CAE(綠點)，下方為BMT(紅點)。從圖中可看出，紅點和綠點重疊較多，表明當將三個病灶區數據作為輸入項時，少量樣本點是線性不可分的。CAE：腦泡型包蟲??；BMT：腦轉移瘤；rCBF：相對腦血流量；rCBV：相對腦血容量；MTT：平均通過時間；TTP：達峰時間；SVM：支持向量機。Fig.3 The ROC curve of four quantitative parameters in cerebral alveolar echinococcosis(3A)and brain metastases(3B)lesions.The AUCs of rCBF and rCBV were higher than MTT and TTP.ROC:receiver operating characteristic curve;rCBF:relative cerebral blood flow;rCBV:relative cerebral blood volume;MTT:mean transit time;TTP:time to peak;AUC:area under the curve.Fig. 4 Classification efficiency of perfusion parameters in solid area. The rCBF, rCBV, MTT and TTP in CAE and BMT solid regions were used. PCA was used for dimensionality reduction to obtain 2?dimensional feature point distribution, and then SVM was used for linear kernel function classification to obtain a decision boundary (the solid line in the figure). Above this boundary is CAE (green points), and below that is BMT (red points). CAE:cerebral alveolar echinococcosis; BMT: brain metastases；rCBF: relative cerebral blood flow; rCBV: relative cerebral blood volume; MTT: mean transit time; TTP:time to peak; AUC: area under the curve; PCA: principle component analysis; SVM: support vector machine. Fig. 5 Classification efficiency of perfusion parameters in solid, prelesion edema and contralateral relative normal area. The rCBF, rCBV, MTT and TTP value in CAE and BMT solid area, prelesion edema regions and contralateral relative normal area were used. PCA was used for dimensionality reduction to obtain 2?dimensional feature point distribution, and then SVM was used for linear kernel function classification to obtain a decision boundary (the solid line in the figure).Above this boundary is CAE (green points) , and below that is BMT(red points).It is obvious from the figure that the red points and the green points overlap a lot,which indicates that when we use all data as input data, a small number of sample points are linearly indivisible. CAE: cerebral alveolar echinococcosis; BMT: brain metastases；rCBF: relative cerebral blood flow;rCBV:relative cerebral blood volume;MTT:mean transit time;TTP:time to peak;AUC:area under the curve;SVM:support vector machine.

表1 CAE與BMT病灶實性區灌注參數診斷AUC、標準差、95%置信區間Tab.1 Diagnostic AUC,standard deviation and 95%confidence interval of perfusion parameters in solid area of CAE and BMT lesion

2.2 CAE與BMT PWI各參數測量值及差異分析

CAE與BMT各區PWI參數值比較主要結果顯示：CAE實性區rCBF、rCBV、MTT值低于BMT實性區，CAE實性區TTP值高于BMT實性區，其中rCBF、rCBV、TTP值差異有統計學意義(P＜0.01)；CAE水腫區rCBF、rCBV、MTT值低于BMT水腫區，CAE水腫區TTP值高于BMT水腫區，其中rCBF、rCBV值差異有統計學意義(P＜0.01)，見表2、3。

表2 CAE、BMT實性區和灶周水腫區與對側相對正常區域參數比值Tab.2 The perfusion parameter values ratio of solid and perilesion edema to contralateral relative normal area in CAE and BMT lesions

表3 Mann?whitney檢驗比較CAE和BMT病灶實性區及灶周水腫區指標Tab.3 Mann Whitney test to compare the indexes of CAE and BMT lesion solid and perilesion edema area

2.3 基于PWI 各參數的機器學習方法鑒別CAE 與BMT效能

運用SVM 分類器，基于病灶實性區PWI 參數進行分類，結果如圖4 所示，橫軸和縱軸分別代表PCA 降維后得到的兩個特征，訓練的分類邊界為ωTXi+b=0(ω=2.05，b=-0.44)，分類準確率達到94%；基于病灶實性區、水腫區及對側相對正常區域PWI參數進行分類，結果如圖5 所示，分類準確率為93%；運用DT、KNN分類器及軟投票集成方法鑒別兩種疾病的結果如圖6 所示，其中軟投票集成方法的結果是其他三種分類結果的平均值?？煽闯鲞@四種方式都能將大部分CAE 與BMT 樣本分類成功，但是對于邊界點附近重疊部分的樣本還存在錯分現象。

圖6 四種分類器分類結果圖。KNN:K?近鄰；SVM：支持向量機。Fig. 6 Classification results of four classifiers. KNN: K?nearest neighbor;SVM:support vector machine.

3 討論

腦感染性疾病與腫瘤性疾病在治療、預后及生存期評估等方面存在較大差異，故治療前鑒別診斷具有重要臨床意義。本研究探索PWI 技術在CAE 與BMT 診斷及鑒別診斷的性能的同時，運用分類器提高了PWI 鑒別效能。結果表明兩種疾病病灶實性區rCBF 值診斷效能最高，兩種疾病病灶實性區rCBV、rCBF、TTP 參數及灶周水腫區rCBV、rCBF 參數可鑒別兩者，基于病灶實性區PWI 參數的SVM 分類器可以94%的準確率鑒別CAE 與BMT，表明兩者病灶實性區差異顯著，灶周水腫區可輔助診斷。

3.1 PWI技術及參數意義

本研究采用的PWI方法是動態磁化率對比，其主要機制是外源性順磁性或超順磁性非擴散對比劑注射入毛細血管床后，加速氫質子由激發態向平衡態的恢復，縮短縱向弛豫時間(T1)的同時，產生附加磁場，增加血管周圍局部場的不均勻性，增加質子的散相，從而縮短組織的橫向弛豫時間(T2)和準橫向弛豫時間(T2*)。根據對比劑團注過程中出現的弛豫時間變化可推算出組織內對比劑濃度，反映對比劑首次進入毛細血管時的微血管灌注及分布特征，即微血管密度越高，病灶灌注越豐富[10]。

新血管生成和增生發生于感染性和腫瘤性病變，而血管活性內皮生長因子(vascular endothelial growth factor，VEGF)是腫瘤和感染性疾病中促進血管生成和增加毛細血管通透性的關鍵因素[15-17]。VEGF 在良、惡性疾病中的分泌強度和作用持續時間的不同可能導致良、惡性疾病血管結構的差異[16]，而此差異正體現在病灶灌注表現中，因此PWI技術在腦內感染性肉芽腫和BMT 診斷及鑒別診斷中可發揮較大作用。rCBV 與顱腦疾病血管化程度的相關性已被大量研究證實[18-19]。先前研究用rCBV 檢測腫瘤VEGF表達，結果得出rCBV 與VEGF 表達呈正相關，且rCBV、VEGF 及腫瘤分級之間存在較強的相關性，即低度惡性腫瘤VEGF 陽性表達率與rCBV 均低于高度惡性腫瘤[20]。rCBF 反映的是感興趣區內腦組織血管內血流量，一般與rCBV呈正相關，兩者一同反映組織微循環狀況，組織血管結構形態異常時，兩者可出現差異。MTT 值反映對比劑在血管內平均通過時間，對腦缺血及血腦屏障破壞引起的對比劑漏敏感。TTP 反映對比劑團注后到達峰值的時間，與rCBF 和血管結構有關，病灶血供越豐富，達峰時間越短。本研究四個PWI 定量參數中，rCBV、rCBF 值診斷效率高于MTT 和TTP 值，提示CAE 及BMT 血管密度差異大，但血管結構差異不明顯。

3.2 CAE、BMT灌注差異及病理基礎

本研究結果表明CAE病灶實性區rCBV、rCBF值低于BMT實性區，TTP值則高于BMT。CAE病灶是由中心實質和邊緣炎性反應帶組成的感染性肉芽腫。中心實質為成簇或散在分布的微小囊泡，其內含膠樣物和原頭節，囊泡間存在纖維分隔。因CAE病灶生長速度快，中心囊泡易發生凝固性壞死，繼而出現大量巨噬細胞、鈣鹽、類脂質沉積，且其內部血流由大小不等的囊泡限制，導致病灶實質區灌注低，增強掃描不強化。而其邊緣炎性反應帶是微小囊泡以生發層外殖芽生的方式向外浸潤形成的[21-23]。前期研究通過MRS、PWI、體素內不相干運動磁共振成像(Introvoxelincoherent motion MRI,IVIM)及18F-FDG PET證實了邊緣炎性反應帶生物學活性，即存在侵襲性[21,24-26]。邊緣帶主要為巨噬細胞、淋巴細胞等免疫細胞和微小囊泡聚集而成的炎性浸潤帶，為CAE 病灶實性部分，其毛細血管形成及增生較病灶實質明顯，灌注也較實質高，增強掃描呈環形強化[24]。然而炎癥等良性疾病中VEGF 表達是短暫的，僅在活動期出現血管生成和微血管重構，而腫瘤細胞會持續不斷分泌VEGF，從而促進腫瘤的增殖和擴散[27]。因此CAE 病變邊緣帶血管生成明顯少于BMT，血流量和血容量低于BMT，對比劑填充速度較BMT慢，達峰時間較BMT 長。Floriano 等[12]利用PWI 技術鑒別腦感染性病灶及腫瘤性病灶的研究中，包括弓形蟲病、化膿性膿腫、隱球菌肉芽腫、囊蟲病及結核瘤在內的腦感染性病灶組病灶實性區rCBV平均值明顯低于包括不同級別膠質瘤及BMT 的腦腫瘤性病灶組；Chatterjee 等[28]研究結果也表明腦結核瘤實性區rCBV明顯低于BMT，均與本研究結果一致。除此之外，本研究中兩病灶水腫區域參數也存在差異。CAE水腫區的形成與小囊泡不斷向外延伸、囊液滲漏引起的炎癥和免疫反應有關，水腫區可見炎細胞浸潤，與因病灶壓迫腦實質引起的血管源性水腫并存，但無新生血管形成。BMT 新生血管不存在血腦屏障，其瘤周水腫是因血管通透性增加，血液中富含蛋白質的血漿及電解質大量滲入并異常聚集在細胞外間隙內引起，不存在腫瘤細胞浸潤，血管形態無明顯改變[19]。本研究中CAE水腫區域rCBV、rCBF低于BMT水腫區域，與Floriano 等[12]的研究結果一致，這可能是因為CAE 水腫區間質壓力因炎細胞浸潤增大，繼而引起血管收縮，灌注降低。然而，本課題組前期研究中[29]，CAE水腫區與BMT水腫區灌注參數無明顯差異。出現此差異可能是因為灌注參數可受樣本固有因素(病灶數量、大小、可變性等)、受試者因素(年齡、免疫狀態)、掃描方案、灌注技術及對比劑注射等多因素影響。

3.3 機器學習方法

機器學習方法在腦腫瘤及腫瘤樣病變診斷、鑒別、分級及預后評估和預測中效能顯著[14,30-31]。本研究為了提高PWI各參數在CAE與BMT鑒別診斷中的效能，運用了SVM、DT、KNN、軟投票四類分類器，其中SVM達到了94%的AUC，效能最佳。SVM是一種廣義線性分類器，它基于監督學習對非線性數據進行線性分類，在小樣本中分類效果較佳[32]。本研究以兩種特征選擇方式測試SVM 鑒別效能，結果顯示SVM 在兩種方式中效能均良好，性能穩定，其中基于病灶實性區PWI參數鑒別兩種疾病時效能最佳，與Mann-Whitney 檢驗結果一致。

本研究存在一定的局限性：因本研究為回顧性研究且CAE 發生率低，具有PWI 檢查數據的CAE 患者數量有限，導致本研究樣本量少，且CAE 病灶未能進行分型研究。但本研究選取病例增殖活性均較強、代表性較好，可較好地為未來多中心、前瞻性研究奠定堅實的基礎。

綜上所述，PWI 技術能提供CAE 及BMT 微循環狀況信息，rCBV、rCBF 值可用于診斷及鑒別CAE 與BMT，SVM分類器可提高PWI參數鑒別兩者的性能。

作者利益沖突聲明：全部作者均聲明無利益沖突。