胶质瘤影像组织学研究进展

　　胶质瘤影像组织学研究进展。成像组学的概念最早是由荷兰研究员兰宾在2012年提出的。它可以通过提取医学影像特征、分析和量化肿瘤异质性来帮助临床决策。它不仅可以提高肿瘤诊断的准确性，还可以预测肿瘤的治疗反应。已广泛应用于胶质瘤及肺、乳腺、肾等各种肿瘤的研究。胶质瘤是常见的原发性颅内肿瘤，起源于胶质细胞，占中枢神经系统肿瘤的40%~50%。

　　目前常用MRI、PET、CT来区分胶质瘤和正常脑组织，而基于人类视觉的医学图像分析只能区分肿瘤形状和灰度信息。近年来基于不同影像学发展起来的影像组学可以描述与胶质瘤图像异质性相关的生理、病理、基因变化等深层信息，有助于胶质瘤的诊断和预测。接下来我们就影像组学流程、基于不同影像的影像处理方法及其在胶质瘤中的应用进行综述。

　　1.成像组学过程。

　　对于不同的成像方法，如MRI、PET、CT，成像组学的分析过程是一样的，一般包括以下五个部分:

　　(1)图像采集，由于图像数据的采集与设备制造商、设备参数和患者位置有关，会直接影响研究结果，因此需要对获得的原始图像进行预处理，实施配准、归一化等操作。

　　②图像感兴趣区域分割能够准确地从正常组织中分割出肿瘤区域。在影像组学的研究中，大部分ROI是由有经验的放射肿瘤学家手工绘制的，可以使用自动或半自动的分割算法来分割肿瘤，如区域生长法、snake算法、基于深度学习的分割算法等。

　　③特征提取是影像组学过程的核心步骤。图像组学特征一般包括一阶特征、形态特征、纹理特征和小波特征。一阶特征，也称为直方图特征，可以从图像的灰度直方图中提取，以获得一些常见的统计量，如偏斜度、峰度、熵、能量、均值和方差。一阶特征只能用来描述感兴趣区域的灰度值分布，不能表示相邻体素之间的空间关系、相互作用和相关性。形态学特征可以用来定量描述感兴趣区域的几何特征，如肿瘤的表面积、体积、表面积与体积之比、球形度、致密性和三维直径。这些特征可以描述肿瘤的三维尺寸和形态信息。

　　纹理特征反映了图像体素灰度之间的空间排列关系，可以从MRI、PET、ct的原始图像或变换后的图像(如拉普拉斯变换、小波变换、Gabor变换)中获得。常用的纹理特征提取方法包括:灰度共生矩阵(GLCM)，反映给定方向和距离上体素值出现的概率；灰度游程长度矩阵(GLRLM)，它描述在指定方向上具有相同灰度的体素的连续出现的长度；Graylevelsizezonematrix(GLSZM)，量化图像中连续体素值的区域；灰度相关矩阵(GLDM)，基于体素值测量相邻体素之间的差异；相邻灰度差矩阵(NGTDM)量化了特定距离内体素灰度值与邻域平均灰度值之间的差异。

　　④特征选择，即选择与任务相关的特征子集，简化模型，缩短训练时间，通过减少过拟合增强模型的泛化能力。常用的特征选择方法包括最小绝对收敛选择算子(LASSO)、最小冗余最大相关、Fisher评分和ReliefF算法等。

　　⑤模型建立与分析。分类任务中常用的机器学习算法包括神经网络、支持向量机(SVM)、随机森林和广义线性模型等。Cox比例风险回归模型可用于肿瘤预后分析。建立模型时，应将临床记录数据、治疗期间获得的数据或遗传数据作为特征纳入模型。

　　2.基于不同成像的图像组学处理方法。

　　影像学的特征提取是根据原始图像的灰度值计算各种特征。通常假设多张图像中的灰度值意义相同，不同患者的灰度值意义相同。不同的成像方法有不同的原理。为了保证成像特征的稳定性和可比性，不同类型的图像在预处理上略有不同。CT图像中体素的强度，即灰度值，代表相应组织的密度，不同图像中的灰度值具有可比性。正电子发射断层图像中的灰度值对应于组织对示踪剂的摄取。标准化剂量值(SUV)是PET中常用的半定量指标，是放射性浓度(MBq毫升)与注射剂量(MBq)/体重(公斤)的比值。同一示踪剂的SUV值无法归一化，不同图像之间一般具有可比性。因此，利用影像组学分析CT和PET图像时，不需要对数据进行预处理。

　　MRI图像中的灰度值对应于人组织的弛豫时间(T1，T2)或质子密度弛豫时间，它是各种组织特征参数的可变函数。如果直接提取特征，不能保证特征的稳定性和可比性。因此，在处理MRI图像时，需要对其灰度值进行归一化，将其值映射到指定范围，然后计算特征。也有例外。例如，表观扩散系数(ADC)图是扩散加权成像(DWI)的定量参数图，单独分析这些图像时可能不进行归一化操作。

　　除了提取常用的四种图像组学特征外，一些研究人员还考虑了异质性参数，包括最大标准摄取值、平均标准摄取值、峰值标准摄取值、肿瘤背景比、TBR、代谢体积和总糖酵解。

　　3.影像组织学在胶质瘤中的应用。

　　通过成像组学从医学图像中提取特征并建模分析后，可以对胶质瘤进行分类和鉴别，并预测其基因表达、患者生存期和治疗反应。

　　1胶质瘤分级。

　　世界卫生组织根据胶质瘤的恶性程度将其分为I~IV级，级别越高恶性程度越高，其中I、II级为低度胶质瘤(LGG)，III、IV级为高度胶质瘤(HGG)。不同级别的胶质瘤有不同的治疗方案，因此术前分级具有重要的临床意义。医学图像的定量信息可以通过成像特征来表征肿瘤的异质性，有助于胶质瘤的分类。

　　Pyka等人研究了PET纹理特征对ⅲ、ⅳ级胶质瘤分级的有效性，并提取了异质性特征(TBR、MTV等)。)和基于NGTDM的纹理特征。结果表明，纹理特征结合MTV可以准确地对85%的肿瘤进行分级，受试者的AUC为0.83。胶质母细胞瘤是最恶性的ⅳ级胶质瘤。Hsieh等人将34例GBM和73例LGG患者的MRI局部纹理特征转化为局部二值模式特征，并建立逻辑回归分类器对肿瘤进行分类。结果表明，该模型的准确率高达93%，高于传统的基于纹理特征的预测模型(84%)。DWI能够有效地反映水分子的有限扩散特性，并能表征胶质瘤的生理和分子特征。

　　梅等从66例胶质瘤患者的ADC图像中提取了107个纹理特征。