唾液腺肿瘤占所有头颈部肿瘤的3%～5%，其中腮腺是最常见的部位^[1]。腮腺肿瘤由于病理类型复杂且临床表现不具有特异性，并且部分良性肿瘤可以复发及恶变，因此术前区分腮腺肿瘤良恶性及不同亚型对治疗策略规划非常重要^[2]。MRI能够提供较高的软组织分辨率和多参数成像，可以评估病变的位置和范围，是否存在局部浸润及神经周围扩散、淋巴结和远处转移，目前已成为一种理想的评估手段。近年来，随着MRI技术的迅速发展，可以更好地评估肿瘤的生物学特性及病理生理过程，进而提高了腮腺肿瘤的术前诊断准确率，为临床制订合理治疗方案和评估预后起到重要作用。本文就MRI技术在腮腺肿瘤诊断中最新研究结果予以综述，为临床诊断、治疗及预后评估提供参考。

1 磁共振扩散成像

1.1 磁共振扩散加权成像

       扩散加权成像(diffusion-weighted imaging，DWI)是一种广泛应用的技术，用于评估组织中微观水分子扩散的速率。表观扩散系数(apparent diffusion coefficient，ADC)是通过DWI的两个b值图在后处理工作站上计算而来。通常，恶性肿瘤表现为扩散受限且ADC值低，良性肿瘤表现为扩散不受限且ADC值高。目前，ADC值已被认为是评估腮腺肿瘤的重要诊断标志物^{[3, 4]}。

       Eravcı等^[5]回顾性分析了74例经手术病理证实的腮腺肿瘤患者病例，并将其分为多形性腺瘤、Warthin肿瘤和恶性肿瘤，对所有患者进行MRI检查并测量ADC值。研究发现当ADC临界值为1.25×10^-3 mm²/s时，区分多形性腺瘤和Warthin肿瘤的敏感度和特异度分别为97%和85%；当ADC临界值为1.35×10^-3 mm²/s时，区分多形性腺瘤和恶性肿瘤的敏感度和特异度分别为77%和83%；测量ADC值可用于鉴别多形性腺瘤与Warthin肿瘤和恶性肿瘤。同样，Soylemez等^[6]回顾性研究了42例经手术病理证实的腮腺肿瘤患者病例，所有患者进行MRI检查并测量平均ADC值，进一步研究发现恶性和良性腮腺肿瘤的平均ADC值有显著差异，Warthin肿瘤的平均ADC值明显低于多形性腺瘤。因此，平均ADC值可能是区分良恶性腮腺肿瘤的无创方法，并可作为腮腺肿瘤术前计划中预测组织病理学的补充工具，从而减少活检的数量，进而减少并发症。

       在临床实践中，单次激发平面回波成像(single-shot echo-planar imaging，SSEPI)常用于DWI扫描，尽管扫描速度很快，但基于SSEPI的DWI容易出现几何失真、图像模糊和磁化率伪影。目前，基于DWI的高清扩散多次激发扩散加权成像(readout segmentation of long variable echo-trains，RESOLVE)引起了越来越多的关注。RESOLVE 技术采用多次激发、分段读出的方式进行图像采集，能够缩短回波时间，降低成像伪影，改善图像质量，有效提高图像分辨率。因此，Huang等^[7]回顾性分析了123名腮腺肿瘤患者病例，并对其进行RESOLVE DWI扫描，研究显示当最小ADC值≤0.826×10^-3 mm²/s时，鉴别腮腺良恶性肿瘤的敏感度和特异度比较高。因此，RESOLVE-DWI序列可以用来鉴别腮腺肿瘤的良恶性，而且可以显著减少磁化率伪影，提高图像对病灶显示的清晰度及图像的整体质量，但它的不足之处是扫描时间长。随着同时多层激发技术(simultaneous multi-slice，SMS)的逐步应用，SMS-RESOLVE序列能够将扫描时间控制在一定范围或在一定时间内实现更高分辨率，使用更薄的扫描层厚进而获得更多的信息^[8]。Jiang等^[9]纳入了20名经组织病理学证实的腮腺肿瘤患者，分别对其进行RESOLVE DWI和SMS-RESOLVE DWI序列成像。研究显示与传统的RESOLVE DWI相比，SMS-RESOLVE DWI可以通过显著减少扫描时间提供相当的图像质量，SMS可以提高RESOLVE技术在腮腺DWI中的临床实用性。

1.2 磁共振扩散张量成像

       扩散张量成像(diffusion tensor imaging，DTI)是一种新兴的MRI技术，它反映了水分子的微观运动，可以在细胞水平上用不同的矩阵区分不同的组织。扩散张量成像最常用的指标是分数各向异性(fractional anisotropy，FA)和平均扩散率(mean diffusivity，MD)。目前，关于腮腺肿瘤的扩散张量成像的研究较少。

       有学者^[10]对53名唾液腺肿瘤患者使用SSEPI序列进行DTI检查，并计算唾液腺肿瘤的FA和MD。研究发现恶性唾液腺肿瘤的平均FA和MD均与良性肿瘤明显不同：用于鉴别恶性和良性肿瘤的综合FA和MD的曲线下面积(area under the curve，AUC)为0.974，准确度为86%；用于鉴别恶性肿瘤和多形性腺瘤的综合FA和MD的AUC为0.993，准确度为93%；用于鉴别Warthin肿瘤和多形性腺瘤的综合FA和MD的AUC为0.978，准确度为86%。因此，DTI作为一种非侵入性方法将有助于鉴别良性和恶性唾液腺肿瘤。

1.3 磁共振扩散峰度成像

       扩散峰度成像(diffusion kurtosis imaging，DKI)是一种基于水的扩散遵循非高斯分布理论的技术。DKI最常用的两个定量参数分别为非高斯模型校正后表观扩散系数(apparent diffusion，Dapp)和表观峰态系数(apparent kurtosis，Kapp)。Dapp、Kapp反映了组织水分子扩散与高斯分布的偏差，真实客观描述了组织内细微结构的变化。目前，关于DKI在鉴别腮腺肿瘤方面的研究较少。

       Qian等^[11]研究了40名腮腺肿瘤患者并且进行了DKI检查，使用DKI模型获得Dapp和Kapp的DKI参数并进行比较。研究结果表明Dapp、Kapp值：多形性腺瘤＞arthin肿瘤＞恶性肿瘤，在0.735的最佳阈值下区分Warthin肿瘤和恶性肿瘤的AUC、敏感度和特异度分别为0.905、88.89%和85.71%。因此，DKI有望成为描述腮腺肿瘤特征的一种有前途的成像技术。

1.4 体素内不相干运动磁共振成像

       体素内不相干运动(intravoxel incoherent motion，IVIM)磁共振成像可以同时无创地产生灌注和扩散信息^[12]。近年来，用于组织结构信息的非侵入性可视化的DWI的先进拟合模型(如IVIM-DWI、IVIM-DKI模型)被报道，并引起了越来越多的关注。

       有学者^[13]对31例腮腺肿瘤患者进行具有11个b值(0～800)的DWI检查，并计算IVIM成像的真扩散系数(D)、假扩散系数(D^*)和灌注分数(f)值。D代表体素内单纯水分子扩散运动，不受组织微循环影响；D^*代表体素内微循环灌注相关的不相干运动；f代表体素内微循环相关的扩散占总体扩散的百分率，与毛细血管血容量有关^[14]。研究发现恶性肿瘤的D、D^*值小于良性肿瘤，Warthin肿瘤的f值大于多形性腺瘤。D和D^*的标准组合为区分三种肿瘤类型提供了最佳诊断准确率，IVIM-DWI成像可能有助于区分良恶性唾液腺肿瘤。Noriyuki等^[15]对49例头颈部肿瘤患者行具有12个b值(0～2000)的DWI检查并建立IVIM-DKI混合模型，然后计算肿瘤感兴趣区域的IVIM- DKI参数。结果发现这种混合IVIM-DKI模型获得的D和K值可以作为预测头颈部肿瘤患者未来远处转移的诊断工具之一。

       综上所述，DWI、DTI、DKI、IVIM等磁共振扩散成像技术均在不同程度上反映水分子的微观状态，客观描述组织内细微结构的变化。能够鉴别腮腺肿瘤良恶性及不同亚型，提高诊断准确率。因其研究大部分都为单中心、小样本研究。未来仍需要更多高质量、多中心、大样本的临床研究进一步验证其应用价值。

2 磁共振酰胺质子转移成像

       磁共振酰胺质子转移(amide proton transfer，APT)成像是化学交换饱和转移技术的一种^{[16, 17]}。它通过特定频率的射频脉冲选择性地饱和游离酰胺质子，饱和质子将饱和状态传递给水质子，APT技术通过探测水质子饱和前后的信号变化间接获得信号值，即APT信号强弱反映酰胺质子和水质子的交换率。目前酰胺质子转移加权(amide proton transfer weighted，APTw)成像已用于早期脑梗死的诊断、脑肿瘤的诊断及鉴别诊断、肾脏PH值的测定、肝糖原检测等^[18]。APTw成像在腮腺肿瘤中也有研究。

       Kamitani等^[19]回顾性分析了43例经组织病理学证实的直径≥2 cm的腮腺实体瘤病例，其中良性肿瘤21个，恶性肿瘤12个，对其进行二维APT成像，然后比较良、恶性肿瘤之间的平均APT信号强度。研究发现恶性腮腺肿瘤的平均APT信号强度明显高于良性腮腺肿瘤，区分二者的最佳APT信号强度阈值为2.40。因此，二维APT成像可以鉴别腮腺肿瘤的良恶性，恶性肿瘤APT信号强度显著升高，信号强度差异与肿瘤分级相关。Chen等^[20]对36名患者进行了三维APT序列检查，发现腮腺肿瘤病变比正常腮腺显示出更优秀的完整性评分，大多数腮腺肿瘤病变和腺体没有或很少有高信号伪影，进而得出三维APTw成像可用于区分腮腺肿瘤和正常腮腺的结论。然而，笔者认为该技术仍需要改进以去除伪影提高诊断准确度。

       以上研究表明，APT成像通过反映组织中内源性蛋白质和多肽浓度水平，不仅可以区分腮腺肿瘤和正常腮腺，而且能够鉴别腮腺肿瘤良恶性。但因其空间分辨率较低，对病变局部进展和淋巴结转移诊断能力较弱，通常需要结合动态增强MRI进行评估。未来仍需要进一步改进技术以提高空间分辨率，从而提高对病变局部进展及淋巴结转移的诊断能力。

3 动脉自旋标记磁共振灌注加权成像

       动脉自旋标记(arterial spin labeling，ASL)磁共振灌注加权成像是对组织灌注进行定量映射，无需使用对比剂，动脉血的磁化通过磁反转或磁饱和来标记水，观察标记血水向组织的输送。伪连续ASL (pseudo-Continuous ASL，pCASL)是连续ASL的一个变种，它利用一系列离散的射频脉冲来模仿连续ASL进行自旋标记。肿瘤血流的pCASL参数反映了关于组织灌注的生理学信息。ASL分为二维脉冲ASL (pulsed ASL，PASL)、pCASL、背景抑制三维伪连续ASL (background suppression 3D pCASL，BS-3D-pCASL)等，应用不同的ASL成像技术测量参数结果不同。pCASL较传统PASL技术而言，有效降低了因磁化传递效应所导致的灌注偏差。3D-pCASL序列则具有磁敏感伪影少，信噪比高等优点^{[21, 22]}。目前，ASL磁共振灌注加权成像在评估腮腺肿瘤方面也有研究。

       Gao等^[23]评估了56名腮腺肿瘤患者的MR图像，计算ASL成像肿瘤与腮腺信号强度比(signal intensity ratio，SIR)。研究发现Warthin肿瘤在ASL成像上的SIR明显高于恶性肿瘤和多形性腺瘤，SIR在区分恶性肿瘤和Warthin肿瘤时显示出更高的AUC。因此，ASL成像可能具有更好区分恶性肿瘤和Warthin肿瘤的潜力。有学者^[24]对61名腮腺肿瘤患者使用单相动脉自旋标记在颈总动脉分叉水平以下的标记平面进行pCASL。结果显示腮腺恶性肿瘤的平均肿瘤血流量(tumor blood flow，TBF)比良性肿瘤高，Warthin肿瘤和恶性肿瘤之间有显著差异，选择30.5 mL/100 g·min的TBF来区分恶性肿瘤和Warthin肿瘤准确率最高。因此，pCASL多参数MRI有助于区分良恶腮腺肿瘤，TBF有助于区分Warthin肿瘤和腮腺恶性肿瘤。另有学者^[25]通过对23名腮腺肿瘤患者进行常规头颈部MRI和pCASL成像检查，进一步研究发现Warthin肿瘤的TBF明显高于多形性腺瘤，TBF与微血管密度呈正相关。此外，pCASL-MRI相比传统MRI而言，能够更准确区分Warthin肿瘤和多型性腺瘤。因此，pCASL-MRI为鉴别腮腺肿瘤不同亚型提供了新途径。

       总之，ASL具有信噪比高、成像范围大等特点，能够鉴别腮腺肿瘤良恶性及不同亚型。因其需较长时间脉冲来维持磁场方向与磁化方向夹角的稳定性，对硬件设施要求偏高，在临床实际应用中受到一定限制。若能进一步缩短脉冲时间，降低对硬件设施要求，ASL在腮腺肿瘤评估方面将有很大应用前景。

4 影像组学

       影像组学是近些年提出的一个快速新兴领域，旨在通过专用算法和方法从医学图像中提取大量影像学信息，然后进行肿瘤分割及特征提取，并建立影像组学模型，通过深层次挖掘影像数据信息，进而帮助医师做出最准确的诊断。影像组学可直观地理解为将视觉影像信息转化为深层次的特征来进行量化研究^{[26, 27]}，这些定量特征的输出可以与基因组和临床参数相关，进而提高诊断准确性和临床预测^[28]。

       Piludu等^[29]回顾性分析了69例经手术病理证实的腮腺肿瘤患者的MR图像，将患者分为三组：良性肿瘤(24例)、Warthin肿瘤(13例)和恶性肿瘤(32例)，并成对比较，对病变边缘和强化模式进行定性评估，并建立模型，研究结果表明区分Warthin肿瘤和恶性肿瘤、良性和Warthin肿瘤以及良性和恶性肿瘤的模型的准确度分别为86.7%、91.9%和80.4%。基于T2WI、ADC图的影像组学特征可以鉴别腮腺肿瘤的良恶性，其中良性肿瘤中鉴别Warthin肿瘤的诊断效能最佳。有学者纳入了115名(训练集80名，外部验证集35名)腮腺肿瘤患者，从T1WI和脂肪饱和T2WI图像中提取影像组学特征并建立影像组学模型及影像组学分数，基于人口统计学和MRI结果建立临床因素模型；使用多变量逻辑回归分析构建结合Rad评分和独立临床因素的影像组学诺模图。研究发现结合临床因素和影像组学特征的影像组学诺模图在训练集中的AUC值为0.952，在验证集中为0.938，诺模图在临床有用性方面优于临床因素模型。进而表明基于T1WI和脂肪饱和的T2WI影像组学诺模图有助于区分腮腺肿瘤的良恶性^[30]。

       Zheng等^[31]纳入了127例经手术病理证实的Warthin肿瘤或多形性腺瘤患者，将其随机分为训练集和外部测试集，从轴位T1WI和FS-T2WI图像中提取影像组学特征并构建结合独立临床因素和Rad评分的影像组学模型。研究结果表明基于MRI的影像组学特征在区分腮腺Warthin肿瘤和多形性腺瘤方面具有良好的性能，可以优化临床决策。Liu等^[32]回顾性分析626例术前接受MRI或CT诊断的腮腺肿瘤患者病例，通过倾向评分匹配平衡患者组，并从肿瘤图像中提取123个影像组学特征并建立模型，比较MRI和CT在鉴别二者中的诊断效能。研究发现对于多形性腺瘤和Warthin肿瘤的区分，MRI的Rad评分和边界指数AUC分别为0.911和0.716；CT的Rad评分和边界指数AUC分别为0.876和0.608。证明了MRI对多形性腺瘤或Warthin肿瘤的边缘检查优于CT。但是，两种检查方法的影像组学特征没有显著差异。

       Sarioglu等^[33]回顾性分析了95名腮腺肿瘤患者的MRI序列资料，包括T2WI压脂和DCE-T1WI。研究发现良恶性肿瘤在肿瘤边界、周围组织浸润、强化分级、神经周围扩散和病理淋巴结方面有明显差异。进而得出基于MRI结果的纹理分析(texture analysis，TA)参数有助于区分良性和恶性腮腺肿瘤。同样，Cosimo等^[34]对54个腮腺病变的ADC图像进行了TA。研究结果表明DWI TA可以区分良恶性腮腺病变及其淋巴瘤，其不足之处是不能准确鉴别多形性腺瘤、Warthin肿瘤。然而，Chen等^[35]回顾性研究了161腮腺肿瘤患者病例，包括均值、不均匀性、偏度、峰度和第10、25、50、75、90个百分位数在内的来自ADC单指数模型直方图参数。研究结果显示除峰度和第90个百分位数外，良性和恶性组之间所有其他ADC参数均存在显著差异。在良性肿瘤的亚组分类中，多形性腺瘤和Warthin瘤的所有ADC参数均存在显著差异。证明了基于ADC直方图纹理参数可以区分良恶性腮腺肿瘤。而且良性肿瘤中，多形性腺瘤和Warthin肿瘤之间的ADC参数有显著差异。

       影像组学及纹理分析作为一种新兴的研究方法，目前尚处于起步阶段。其不足之处是MRI扫描参数不相同而致结论不尽一致；采用纹理分析的方法提取影像组学特征较少，基于深度学习的计算方法将有望成为影像组学的发展方向之一。

5 总结与展望

       MRI技术在术前诊断良恶性腮腺肿瘤及不同亚型、指导手术方式及治疗方面扮演了重要角色，相信随着MRI技术的不断发展，将会在腮腺肿瘤的鉴别诊断、规划治疗方案、评估预后方面取得新突破。