常規MR聯合DWI成像鑒別小腦原發性中樞神經系統淋巴瘤與高級別膠質瘤的價值

邊毓堯,石向明

(河北中石油中心醫院 1.急診科;2.影像科,河北 廊坊065000)

原發性中樞神經系統淋巴瘤(PCNSL)相對罕見,約占全部顱內腫瘤的3%～5%的原發性腦瘤[1],其中大多數患者的腫瘤發生在幕上,僅7%左右的病例發生在后顱窩[1-2]。PCNSL和高級別(HGG)都是成人惡性腫瘤,然而這些腫瘤的治療和預后有很大不同,因此準確的術前診斷至關重要。小腦的PCNSL和HGG發生率都很低,使得鑒別診斷非常困難。盡管常規MRI在腦腫瘤的診斷和術后監測中顯示出巨大潛力,但PCNSL和HGG的MRI特征具有多變性和很大的重疊性[3],單純的常規MRI很難將它們區分開。擴散加權成像(DWI)已被廣泛用于腦腫瘤評估中。先前的研究表明,ADC值可以幫助區分PCNSL和HGG[4-6]。然而,DWI分析是否能有效區分小腦中PCNSL和HGG尚不明確。因此,我們的目的是探討常規MR和DW成像的組合在鑒別PCNSL和HGG的診斷性能。

1 材料與方法

1.1 研究對象

本研究回顧性收集2013年3月至2022年5月期間經病理證實的16例PCNSL和28例HGG患者的資料。納入標準:(1)MRI掃描前無腦活檢或手術治療、類固醇激素治療;(2)經病理證實的PCNSL或HGG;(3)患者均進行常規磁共振和彌散加權序列掃描,圖像清晰,無明顯偽影。16例PCNSL,男性7例,女性9例;平均年齡54.46±12.4歲;28例HGG,男性12例,女性16例;平均年齡50.06±11.6,兩組詳細的臨床信息見表1。

表1 PNCSLs與HGG基本資料比較

1.2 MRI掃描方案

全腦MRI檢查在Siemens Verio 3．0T和Avanto 1．5T超導磁共振掃描儀,使用十二通道頭部線圈。MRI平掃:SE序列橫斷面T1WI((TR/TE,440 ms/2.46 ms;矩陣,256×256;FOV,22 cm×22 cm;厚度/層間距,4.5 mm/0.45 mm)、T2WI((TR/TE,7140 ms/98 ms;矩陣,384×384;FOV,22 cm×22 cm;厚度/層間距,4.5 mm/0.45 mm)、T2-FLAIR(TR/TE,6,500 ms/91 ms;矩陣,256×256;FOV,22 cm×22 cm;厚度/層間距,4.5 mm/0.45 mm);矢狀位T2WI(TR/TE,4 000～6 000 ms/100～150 ms,層厚層間距,5～6 mm/1～2 mm)。DWI采用橫斷面脂肪抑制單次激發平面回波序列,b值取0、1000 s/mm2。通過肘靜脈注射Gd-DTPA對比劑進行MRI增強掃描,采用SE序列橫斷面、矢狀面、冠狀面T1WI掃描(TR 450～640 ms,TE 14～22 ms),注射劑量0．2 ml/kg體重。

1.3 圖像處理

由2名從事神經系統影像診斷工作經驗超過10年的醫師進行閱片。閱片前他們對患者病理結果不知情。常規MR圖像分析:包括腫瘤大小,對比增強,囊性,出血,水腫和腦表面受累情況。參照橫軸位T1WI增強圖像,于ADC圖上測腫瘤實體部分ADC值,選取較低ADC值區域,每個病例選取5個感興趣區進行測量,取其平均值。

1.4 統計方法

采用SPSS 21.0軟件進行統計分析,計量資料均用均數±標準差表示,兩組間的ADC值比較采用獨立樣本t檢驗(正態分布)或Mann-WhitneyU檢驗(偏態分布);χ2檢驗比較兩組MR特征參數的差異。采用多因素logistic回歸分析確定最有價值的預測PCNSL的變量。構建ROC曲線分析評估重要變量的診斷效能,P<0.05表示差異有統計學意義。

2 結果

2.1 PNCSLs與HGG基本資料比較

表1顯示患者的基本資料特征。結果顯示,PNCSL組和HGG組在年齡、性別及臨床表現上沒有明顯統計學差異。16例PNCSL中彌漫性大B細胞淋巴瘤14例,2例結外NK/T細胞淋巴瘤;28例HGG中成膠質細胞瘤14例,間變性星形細胞瘤12例、間變性少突膠質細胞瘤2例。

2.2 PNCSLs與HGG的常規MRI特征比較

常規MR特征比較見表2。PCNSL和HGG組比較,腫瘤大小,增強方式,囊性存在,水腫程度和條紋樣水腫之間存在顯著差異(均P<0.01)。PCNSL患者的腫瘤最大直徑和平均直徑均小于HGG(最大直徑:2.61±1.21 Vs 3.94 ±2.08 cm,P=0.001;平均直徑:2.22±1.05 vs 3.22±2.01 cm,P=0.002)。16名PNCSL患者中均表現為均質性強化,而28例HGG病變均表現為異質性強化(P<0.001)。此外,在11例(68.75%)PNCSL患者中出現沿著白質纖維走行的分支狀強化,而在HGG中未發現。3例(18.75%)PCNSL患者存在囊變,而26例(92.85%)HGG患者存在囊變(P<0.001)。就水腫程度而言,PCNSL表現輕度,中度和重度水腫的分別4(25.0%),8(50.0%)和4(25.0%)例,而HGG中分別為24(85.72%),2(7.14%),2例(7.14%)。水腫形態,在9例PNCSL患者中發現了條紋狀水腫,而在HGG患者中未觀察到(P<0.01)。瘤內出血和腦表面受累均無明顯統計學差異。兩組之間在出血的存在和腦表面受累方面無顯著差異(分別為P=0.657和0.157)。5例(31.25%)PCNSL和9例(32.14%)。PCNSL侵及腦表面出現8例(50.0%),其中2例伴有腦膜浸潤,室管膜浸潤4例;HGG中16例侵及腦表面(57.14%)),伴有腦膜浸潤2例,室間隔浸潤4例。

表2 PNCSLs與HGG的MRI特征比較

PCNSL 組患者中 DWI 呈均勻高信號為 11 例(68.75%),稍高信號為4例(25%),等信號為1例(6.25%);HGG組患者中 DWI 呈均勻高信號為 15 例(53.57%),稍高信號為 12 例(42.85%),等信號為1例(16.67%)。PCNSL 組腫瘤實質平均 ADC 值明顯低于 HGG 組((0.69±0.15×10-3mm2vs 1.20±0.61×10-3mm2;P<0.05)。

圖1 女,52歲,彌漫大B細胞淋巴瘤。軸位T2W(A)示右側小腦見團塊稍高信號,周圍見中度條紋樣水腫信號;DWI圖(B)腫塊呈均勻稍高信號;矢狀位增強T1W示腫塊均勻強化,邊緣見分支樣強化。

圖2 男,44歲,間變性星形細胞瘤。軸位T2W(A)示左側小腦見混雜囊實現腫塊,囊性成分呈高信號,實性成分呈稍高信號,周圍見輕度水腫;軸位T1W增強(B)示不規則結節、樣環形強化。

2.3 多因素分析結果

根據單因素分析結果將腫瘤大小,強化方式,囊性存在和條紋樣水腫及ADC值指標納入 Logistic回歸多因素分析。結果顯示,增強模式,囊性存在,水腫程度,條紋樣水腫及ADC值是PCNSL獨立預測因素,見表3。據此結果,建立聯合預測模型,繪制ROC曲線,結合顯示聯合常規MR特征和ADC值診斷準確性能提升至0.937,見表4。

表3 Logistic回歸多因素分析結果

表4 預測模型鑒別PCNSL和HGG的診斷效能

3 討論

小腦PCNSL和HGG在成人腦腫瘤中都是極其罕見的[7],準確的術前診斷對于治療選擇至關重要。本研究分析了成人小腦PCNSL和HGG的常規MR和DW影像特征。我們發現PCNSL和HGG患者在ADC值、腫瘤大小、強化方式、囊性情況和條紋樣水腫方面存在顯著差異。這些結果提示常規MR聯合DW成像對鑒別小腦PCNSL和HGG有重要價值。

先前的研究報道,ADC值有助于PCNSL和GBM的鑒別,PCNSL的ADC值明顯低于GBM[8-9]。這是因為ADC值與細胞密度呈負相關,而PCNSL的細胞密度和核漿比明顯高于GBM[9]。同樣,在本研究中,我們發現PCNSL的ADC值明顯低于HGG。在實際測量中,ADC值明顯依賴于ROI畫取。而ADC值往往反映了異質性腫瘤細胞密度最高的區域或腫瘤增生最嚴重的部分。本研究采用兩種方法提取ADC值,以求出腫瘤的相對最小ADC值和整個腫瘤的平均ADC值,并對二者進行了比較。結果證實PCNSL和HGG的最小ADC和數個腫瘤的平均ADC值均有顯著差異,這可能有助于鑒別這兩種類型的腫瘤。雖然ADC有助于區分PCNSL和HGG,但在實際操作中,兩者的ADC仍存在很大重疊性,單獨使用ADC值很難將兩者區分。

磁共振作為腦腫瘤常規檢查方法,其形態學特征對PCNSL和HHG診斷具有重要價值。在本研究中,兩組的腫瘤大小、增強方式、囊性改變和條紋水腫有顯著差異。HGG患者的最大直徑和平均直徑明顯大于PNSSL患者。增強模式是PCNSL與HGG2最主要的區別。與文獻相比[10-12],我們研究中的PCNSL患者均呈均勻強化,而所有HGG患者均呈不均勻強化,主要原因是HHG的腫瘤存在大量囊變、出血、壞死所致。由于該隊列中的所有PCNSL都是免疫活性患者,沒有出現囊性改變,增強后成像顯示均勻強化。此外,66.7%的PCNSL有分支狀強化,而HGG患者則沒有。組織學上,PCNSL殘留神經膠質細胞GFAP陽性,提示腫瘤細胞沿白質纖維生長,這可能是PCNSL沿白質纖維呈分支狀強化的主要原因[12]。因此,分支狀強化可能是PCNSLs的特征性征象。本研究中,我們檢測到58.3%的PCNSLs出現條紋狀水腫,而HGG患者則沒有。組織學上,PCNSL的腫瘤細胞沿白質纖維浸潤,導致瘤周水腫也沿白質纖維分布[2-3]。根據解剖組織學,皮質表面的許多平行溝將小腦分成許多橫向的葉,小腦的白質被皮質包裹。因此,沿著白質的瘤周水腫也被腦溝隔開,在軸位MR圖像上表現為條紋狀征象[2,11]。

本研究引入Logistic回歸分析,為了從眾多MR特征中篩選對因變量有重要影響的變量。最終,Logistic回歸分析篩選出增強模式,囊性存在,水腫程度,條紋樣水腫及最小ADC值作為PCNSLs獨立預測因素。多變量 logistic 回歸診斷模型顯示較高的準確性,靈敏度、特異度及AUC分別達到87.5%、88.0%、0.913。

綜上所述,常規的MR特征,如增強方式、分枝狀強化和條紋狀水腫,可能有助于小腦PCNSL和HGG的鑒別,并結合ADC值的定量測量,進一步提高診斷準確率,為正確的治療策略提供更好的指導。