合成MRI 聯合基于復合靈敏度編碼彌散加權成像（MUSE-DWI）鑒別子宮內膜良、惡性病變

顧海磊，唐文偉，姚 堯，張新露，黃澤波

（南京醫科大學附屬婦產醫院放射科，江蘇 南京 210004）

子宮內膜癌（endometrial cancer，EC）是最常見的圍絕經期婦科惡性腫瘤［1］，近年來發病率在全球范圍內呈上升趨勢［1-2］。早發現、早治療可有效提高EC 患者生存率。宮腔診刮活檢是術前診斷子宮內膜病變的重要方法，但有創，且不能充分評估病變異質性；術前常規MRI 有時較難鑒別子宮內膜癌與內膜增生及內膜息肉，耗時長、費用高，且存在對比劑過敏等風險。本研究觀察以合成MRI 中的MR 圖像匯編（magnetic resonance image compilation，MAGiC）聯合基于復合靈敏度編碼的彌散加權成像（multiplexed sensitivity encoding diffusion weighted imaging，MUSE-DWI）定量參數鑒別子宮內膜癌與內膜良性病變的效能。

1 資料與方法

1.1 研究對象 回顧性分析2021 年11 月—2022 年10 月112 例于南京醫科大學附屬婦產醫院就診的子宮內膜病變患者資料，年齡21～78 歲、平均（52.2±10.7）歲；其中72 例為國際婦產科聯盟（International Federation of Gynecology and Obstetrics，FIGO）Ⅰ～Ⅱ期子宮內膜樣腺癌（惡性組），40 例為子宮內膜增生或息肉（良性組）。納入標準：①術前2 周內接受合成MRI 及MUSE-DWI 檢查；②之后手術并經病理確診。排除標準：①圖像質量不佳；②病灶體積小致無法評估；③單純增生合并非典型增生或局灶癌變。本研究經院倫理審查委員會批準（2023KY-120）。

1.2 儀器與方法 采用GE Signa Architect 3.0T 超導型MR 儀、30 通道自適應線圈。囑患者適度充盈膀胱后仰臥于檢查床，自骨盆入口至恥骨聯合下緣進行掃描，采集軸位T1WI、T2WI、T2WI-頻率選擇反轉恢復衰減（spectral attenuated inversion recovery，SPAIR）、MAGiC 及MUSE-DWI 圖像及矢狀位T2WI、冠狀位SPAIR-T2WI；參數：MAGiC 序列合成MRI，采集2 個回波（TE117 ms、TE287 ms），TR 4 000 ms，TI 38 ms，FOV 340 mm×272 mm、矩陣320×256，層厚5 mm，層間距1 mm，回波鏈長度16，加速因子2.25，掃描時間3 min 30 s；MUSE-DWI b 值取50 s/mm2和800 s/mm2，TE 80 ms，TR 7 000 ms，FOV 280×180 mm，層 厚5 mm，層間距1 mm，加速因子2，掃描時間2 min。

1.3 分析圖像 于GE AW 4.4 工作站、利用MAGiC后處理程序（版本100.1.1）合成MRI。由不知曉病理結果、具有3 年婦產MRI 診斷經驗的住院醫師及14 年經驗的主治醫師各1 名獨立分析顯示病變最大面積的軸位圖像，以視覺觀察避開壞死或囊性區手動繪制病灶ROI；工作站自動得出ROI 定量參數，包括T1 值、T2 值、質子密度（proton density，PD）及表觀彌散系數（apparent diffusion coefficient，ADC）。重復上述操作3 次，取平均值作為結果（圖1、2）。

圖1 患者女，35 歲，子宮內膜增生，軸位平掃定量MRI A.定量ADC 圖；B.定量T1 圖；C.定量T2 圖；D.定量PD 圖（圈示病灶）

圖2 患者女，52 歲，子宮內膜癌，軸位平掃定量MRI A.定量ADC 圖；B.定量T1 圖；C.定量T2 圖；D.定量PD 圖（圈示病灶）

1.4 統計學分析 采用SPSS 27.0 和MedCalc 22.0統計分析軟件。以描述正態分布計量資料，組間行獨立樣本t檢驗；以中位數（上下四分位數）描述偏態分布計量資料，組間行Mann-WhitneyU檢驗。采用組內相關系數（intra-class correlation coefficient，ICC）評估觀察者間一致性，以ICC＞0.80 為一致性強，0.40～0.80 為一致性中等，＜0.40 為一致性差。以logistic 回歸分析評估鑒別子宮內膜良、惡性病變的獨立因素，并據以建立單變量及聯合模型，以Hosmer-Lemeshow 檢驗評估模型的擬合優度；繪制受試者工作特征（receiver operating characteristic，ROC）曲線，計算曲線下面積（area under the curve，AUC）評估各模型鑒別子宮內膜病變良、惡性的效能，以DeLong 檢驗進行比較。P＜0.05 為差異有統計學意義。

2 結果

2.1 基本資料 惡性組患者年齡及病灶長徑均大于良性組（P均＜0.05），見表1。

表1 良、惡性子宮內膜病變患者基本資料及病灶MRI 定量參數比較

2.2 MRI 定量參數 定量參數ADC、T1、T2 及PD值觀察者間一致性較高，ICC分別為0.94、0.89、0.95和0.93（P均＜0.05）。相比良性組，惡性組ADC、T2及PD 值均較低（P均＜0.05），而組間T1 值差異無統計學意義（P=0.074），見表1。

2.3 診斷效能 根據單因素logistic 回歸分析結果構建的預測子宮內膜良、惡性病變單變量模型中，ADC模型、T2 模型及PD 模型的AUC 分別為0.966、0.618及0.664。以多因素logistic 回歸分析構建預測子宮內膜良、惡性病變的聯合模型中，ADC+T2+PD 模型的AUC 為0.970，最佳截斷值相應敏感度為97.18%、特異度92.68%、準確率95.53%；T2+PD 模型的AUC為0.668。見表2。DeLong 檢驗顯示，ADC 單變量模型與ADC+T2+PD 聯合模型的AUC 差異無統計學意義（校正P＞0.05），而均高于T2、PD 單變量模型與T2+PD 聯合模型（校正P均＜0.05），后三者之間AUC 差異均無統計學意義（校正P均＞0.05），見圖3。

表2 以單變量模型或聯合模型預測子宮內膜良、惡性病變的ROC 分析結果

圖3 以合成MRI 及MUSE-DWI 定量參數單變量模型及聯合模型預測子宮內膜良、惡性病變的ROC 曲線

3 討論

利用合成MRI 能進行快速、可重復的定量分析，準確的弛豫時間（T1、T2）和PD 可反映不同組織的內在特性。作為合成MRI 的一種，MAGiC 可基于組織弛豫特性重建多種對比加權圖像［3］，相比傳統定量方法明顯縮短掃描時間、提高可重復性，且其衍生的定量映射與傳統MRI 具有良好相關性，已用于鑒別前列腺腫瘤、乳腺腫瘤、鼻咽癌及宮頸癌等［3-7］，用于腫瘤可視化及影像學評估腫瘤具有明顯優勢。

T1 值主要反映組織細胞成分及分子微環境等［7-8］。本研究結果顯示，子宮內膜良、惡性病變之間的T1 值差異無統計學意義（P=0.074），可能T1WI 組織對比度較低，致其鑒別診斷價值有限。本研究惡性組PD值低于良性組，表明PD 值所反映的水分子含量組間存在差異。T2 值亦可定量反映組織水含量［9］；T2WI具有良好組織對比度和空間分辨率。本研究惡性組T2 與PD 值均低于良性組，可能為惡性腫瘤細胞體積較大、排列更為緊密，細胞外間隙含水量降低所致。上述結果提示T2 及PD 值對于鑒別子宮內膜良、惡性病變均具有一定參考價值。

MUSE-DWI 是基于多點平面回波成像的彌散加權成像（diffusion weighted imaging，DWI）高分辨率編碼成像，用于中樞神經系統、乳腺、肝臟及小腸等器官或系統［10-12］可提高幾何保真度、減少磁敏感偽影，較傳統DWI具有更好的信噪比及更高的空間分辨率［11，13］。本研究結果顯示，子宮內膜惡性病變的ADC 低于良性病變（P＜0.001）。ADC低表明分子隨機擴散受限，可能惡性病變中的細胞密度較高，限制水分子在其內的擴散［14］。

本研究利用logistic 回歸分析建立的單變量模型中，T2 及PD 值模型預測子宮內膜良、惡性病變的效能較低，可能原因如下：①ROI 未能包含整個病變且避開壞死囊變區，導致所測參數未能充分體現腫瘤異質性；②T2 及PD 值反映組織間含水量的差異，子宮內膜良、惡性病變水含量雖有一定差異，但可能并不顯著。ADC 可綜合反映組織含水量及隨機擴散運動并以后者為主，使DWI 鑒別良、惡性腫瘤具有優勢。本研究采用的MUSE-DWI 具有更好的信噪比，所獲ADC 單變量模型及ADC+T2+PD 聯合模型的診斷效能顯著高于T2、PD 單變量模型及T2+PD 聯合模型。

綜上，合成MRI 聯合MUSE-DWI 可用于鑒別子宮內膜良、惡性病變；單變量模型中，ADC 用于鑒別子宮良、惡性病變效能相對高，而T2 及PD 值可作為參考以降低假陽性；應用上述模型可減少不必要的有創檢查，有望成為鑒別子宮內膜良、惡性病變的有效途徑。但本研究為單中心、回顧性分析，病例數較少，且未納入不典型增生及局灶癌變病例，有待后續通過開展前瞻性、多中心、大樣本研究進一步觀察。

利益沖突：全體作者聲明無利益沖突。

作者貢獻：顧海磊研究實施、數據分析、撰寫文章；唐文偉指導、研究設計、審閱文章；姚堯圖像處理和分析；張新露圖像分析；黃澤波圖像處理、統計分析。