CT灰度直方圖對實性肺結節的鑒別診斷價值

遲淑萍

?

·胸部影像學·

CT灰度直方圖對實性肺結節的鑒別診斷價值

遲淑萍

目的：探討CT灰度直方圖對實性肺結節良惡性的鑒別診斷價值。方法：回顧性分析經組織病理學或臨床隨訪證實的110例實性肺結節患者的CT圖像，其中惡性55例，良性55例。選取肺結節最大CT平掃軸面圖像勾畫感興趣區并采用Matlab軟件生成灰度直方圖。采用Mann-Whitney U檢驗比較良惡性結節灰度直方圖參數的差異。建立ROC曲線并以組織病理學或臨床隨訪結果為依據計算曲線下面積(AUC)。使用最佳臨界值評價灰度直方圖診斷良惡性肺結節的敏感度、特異度、準確度、陽性預測值及陰性預測值。結果：惡性結節的偏度(0.281±0.181)大于良性結節(-0.592±0.194)，差異有統計學意義(P<0.001)；惡性結節的峰度(2.786±0.252)小于良性結節(3.553±0.331)，差異有統計學意義(P<0.05)，兩者的ROC曲線下最大面積分別為0.894和0.996。使用最佳臨界值標準，峰度和偏度鑒別診斷肺結節良惡性的敏感度分別為0.982、0.946，特異度分別為1.000、0.764，準確度分別為0.990、0.845，陽性預測值分別為1.000、0.797，陰性預測值分別為0.982、0.913。結論：CT灰度直方圖可作為肺結節良惡性鑒別診斷的重要輔助手段。

肺腫瘤； 體層攝影術，X線計算機； 診斷，鑒別； 灰度直方圖

隨著螺旋CT技術的不斷發展以及肺部低劑量CT篩查的廣泛應用，肺結節的發現率越來越高。如何鑒別結節的良惡性一直是影像學的重點和難點。目前有多種影像學檢查方法用于鑒別肺結節的良惡性[1]，但定性診斷仍較困難。對比增強CT和/或18F-氟代脫氧葡萄糖(fluorodeoxyglucose，FDG)在肺癌診斷、鑒別診斷以及疾病分期中是標準的診斷手段[2]。CT主要依賴病灶的大小、形態以及對比增強表現，PET/CT依靠18F-FDG的代謝，雖然一定程度上改善了診斷準確性，但仍有部分肺結節難以定性，最終仍需要侵入性手段來明確診斷。

近年來，隨著計算機和醫學圖像處理技術不斷發展，醫學圖像紋理分析開始用于肺結節輔助診斷[3,4]。它可提供更多人眼無法探測到的腫瘤微觀環境的信息[5]，可提供客觀量化的參數用于鑒別診斷，不受主觀分析和專業水平的影響，成為計算機輔助診斷的重要手段之一。紋理分析方法包括統計分析、模型分析、結構分析和頻譜分析等4種方法。

本研究選取統計分析中較為常用的灰度直方圖，對經過病理或臨床隨訪證實的110例實性肺結節患者的胸部CT平掃圖像進行分析，研究良、惡性肺結節CT灰度直方圖的參數差異，旨在探討灰度直方圖分析在輔助診斷肺結節良惡性方面的價值。

材料與方法

1.研究對象

病例納入標準：①經CT檢查發現具有肺實性結節，結節≥8 mm；②經手術病理或至少隨訪3年證實；③包含肺實性結節病灶的完整平掃CT資料。④結節內顯示明顯鈣化及脂肪者未入組。

本研究選取實性肺結節患者110例，其中惡性結節患者55例，男37例，女18例，平均年齡(60.25±11.25)歲，腫瘤最大直徑(25.68±16.38) mm，均經組織學證實，包括鱗癌25例，腺癌17例，小細胞癌8例，腺鱗癌3例，轉移瘤2例。良性結節患者55例，男32例，女23例，平均年齡(49.35±13.49)歲，腫瘤最大直徑(26.68±15.38) mm，其中39例經組織學證實，包括結核21例，炎性假瘤7例，錯構瘤8例，硬化性血管瘤3例，其余16例經治療后隨訪腫瘤縮小證實。

2.檢查方法

CT檢查采用Simens Definition AS+ 128層螺旋CT掃描儀。掃描參數：管電壓120 kVp，管電流84～164 mAs，采用螺旋掃描模式，螺距1.2，準直128×0.625，重建層厚/間隔為1.25 mm/0.625 mm，重建卷積函數采用B60f。所有圖像存儲于PACS系統。

3.圖像分析

從PACS系統中調取軸面平掃圖像并傳輸至Syngo MMWP工作站，使用Matlab軟件進行直方圖分析。在覆蓋肺結節的最大軸面圖像手動沿結節邊緣勾畫感興趣區，軟件自動生成灰度直方圖。由灰度直方圖可以計算得到以下參數：

①偏度(skewness)：是灰度直方圖統計分布偏斜方向和程度的度量，是直方圖分布非對稱程度的數字特征。

②峰度(kurtosis)：描述了直方圖分布聚集的情況，可以反映灰度直方圖曲線頂端尖峭或扁平程度。

③均值(mean)：描述灰度直方圖的平均值：

④標準差(SD)：描述了直方圖的均勻性、穩定性，即曲線相對于均值分布的相對平滑程度，可以反映圖像中灰度的分散程度。

⑤百分數均值(mean_β)及百分數標準差(SD_β)：描述了直方圖曲線頂部某一百分數區間內的灰度平均值及灰度分散程度，本研究計算了頂部50%(β=50)范圍內的百分數均值及標準差。

4.統計學分析

使用R軟件(版本3.0.1)進行統計學分析。采用Mann-WhitneyU檢驗比較良惡性肺結節的灰度直方圖參數差異。建立受試者工作特征(receiveroperatingcharacterist,ROC)曲線并以組織病理學診斷或臨床隨訪結果為依據計算曲線下面積(areaundercurve，AUC)。根據ROC曲線確定各個直方圖參數的最佳臨界值，計算最佳臨界值的敏感度、特異度、準確度、陽性預測值、陰性預測值以評價直方圖參數最佳臨界值對肺良惡性結節的診斷效能。以P<0.05為差異有統計學意義。

結　果

1.肺結節的分割及其所繪制的灰度直方圖

所有實性肺結節CT平掃圖像均經過軟件后處理，并得到灰度直方圖(圖1、2)。

2.良惡性肺結節灰度直方圖參數比較

由胸部CT平掃圖像生成的灰度直方圖可以得到以下6個參數：峰度、偏度、均值、標準差以及灰度高50%的均值、標準差。惡性結節的偏度值大于良性結節，差異有統計學意義(P<0.001)；峰度值小于良性結節，差異有統計學意義(P<0.001)。其余參數良惡性結節間差異無統計學意義(P>0.05)。

3.灰度直方圖對良惡性肺結節的診斷效能

通過ROC曲線分析，峰度和偏度在鑒別結節良惡性方面差異有統計學意義(P<0.001)，兩者的ROC曲線下最大面積分別為0.996、0.894(圖3、4)。為了兼顧診斷敏感度和特異度，峰度和偏度的ROC曲線臨界值分別選取3.094、-0.4875。峰度<3.094、偏度>-0.4875診斷為惡性結節，反之則診斷為良性結節。采用這一最佳臨界值，峰度和偏度鑒別肺結節良惡性的敏感度分別為0.982、0.946，特異度分別為1.000、0.764，準確度分別為0.990、0.845，陽性預測值分別為1.000、0.797，陰性預測值分別為0.982、0.913(表2)。

表2　灰度直方圖對肺結節的診斷效能

討　論

醫學圖像包含大量與臨床實踐相關的紋理信息，對醫學圖像進行紋理分析可以提供量化依據用于腫瘤的分期、分級、鑒別診斷以及預測治療反應等[2,5-10]。直方圖是其中一種重要的圖像定量分析技術，已經應用于許多神經影像研究中，尤其是腦擴散疾病的磁化傳遞率研究，例如多發性硬化[8]。胸部CT直方圖分析也已用于評價多種肺部疾病，包括肺間質性疾病、肺栓塞、肺結節。Nomori等[11]和Ikeda等[12]的研究報道了CT直方圖有助于鑒別磨玻璃結節的病變。但這些研究多使用平均CT值、CT峰值來鑒別腫瘤性病變，很少有使用灰度直方圖的峰度、偏度的報道。近年來，有研究證實直方圖的一階統計學特征峰度和偏度可以提供定量測量用于鑒別腦膠質瘤的真性進展與治療有關的變化[5]。本研究通過研究CT灰度直方圖的峰度、偏度、均值、標準差、灰度高50%的均值及標準差等6個參數的差異來評價CT灰度直方圖在肺結節良惡性鑒別診斷中的價值。

本研究結果顯示，峰度和偏度在肺實性結節鑒別診斷方面顯示出了一定價值，其鑒別診斷效能(AUC)分別達到0.996和0.894，這表明CT灰度直方圖的峰度和偏度對肺實性結節具有較好的鑒別診斷能力。本研究結果顯示惡性結節的偏度大于良性結節，峰度小于良性結節。惡性腫瘤由于細胞通透性改變、異常血管生成以及黏液變、壞死等原因引起組織結構改變，從而導致腫瘤密度不均勻[13，14]。良性結節通常密度均勻，CT值變化小，在灰度直方圖上表現為一個陡峭的峰，峰度值大、偏度小；而惡性結節在病理上表現為成分混雜、不均勻，CT值變化大，因此在灰度直方圖上表現為多個峰，峰度相對良性小，而偏度增加。

本研究主要不足在于樣本量較小，尚需擴大樣本量進一步證實研究結果。本研究表明由胸部CT平掃圖像得到的灰度直方圖的峰度和偏度可以幫助鑒別實性肺結節的良惡性，可以作為肺結節良惡性鑒別診斷的重要輔助手段。

[1]李輝,闞曉婧,寧培剛,等.HRCT 常見惡性征象對孤立性肺結節的定性診斷[J].放射學實踐,2014,29(12):1405-1408.

[2]Andersen MB,Harders SW,Ganeshan B,et al.CT texture analysis can help differentiate between malignant and benign lymph nodes in the mediastinum in patients suspected for lung cancer[J].Acta Radiol,2016，51(6):669-676.

[3]鞏萍，王阿明.基于灰度共生矩陣和人工神經網絡的肺癌CT圖像的分類研究[J].生物醫學工程與臨床，2013,17(6):552-556.

[4]向子云，史長征，周潔，等.肺結節CT圖像紋理特征的初步研究[J].CT理論與應用研究，2013,22(1)：155-160.

[5]Chen X,Wei X,Zhang Z,et al.Differentiation of true-progression from pseudoprogression in glioblastoma treated with radiation therapy and concomitant temozolomide by GLCM texture analysis of conventional MRI[J].Clin Imaging,2015,39(5):775-780.

[6]郭冬梅，邱天爽，康偉，等.基于灰度共生矩陣的大鼠肝細胞癌、肝硬化結節超順磁性氧化鐵MR增強圖像紋理特征分析[J]. 中國醫學影像技術，2010,26(3):563-566.

[7]Law M,Young R,Babb J,et al.Histogram analysis versus region of interest nalysis of dynamic susceptibility contrast perfusion MR imaging data in the grading of cerebral gliomas[J].Am J Neuroradiol,2007,28(4):761-766.

[8]Kamiya A,Murayama S,Kamiya H,et al.Kurtosis and skewness assessments of solid lung nodule density histograms: differentiating malignant from benign nodules on CT[J].Jap J Radiol,2014,32(1):14-21.

[9]Bayanati H,Thornhill RE,Souza CA,et al.Quantitative CT texture and shape analysis:can it differentiate benign and malignant mediastinal lymph nodes in patients with primary lung cancer?[J].Eur Radiol,2015,25(2):480-487.

[10]De Cecco CN,Ganeshan B,Ciolina M,et al.Texture analysis as imaging biomarker of tumoral response to neoadjuvant chemoradiotherapy in rectal cancer patients studied with 3T magnetic resonance[J].Invest Radiol,2014,50(4):239-245.

[11]Nomori H,Ohtsuka T,Naruke T,et al.Differentiating between atypical adenomatous hyperplasia and bronchioloalveolar carcinoma using the computed tomography number histogram[J].Ann Thorac Surg，2003，76(3):867-871.

[12]Ikeda K,Awai K,Mori T,et al.Differential diagnosis of ground-glass opacity nodules:CT number analysis by three-dimensional computerized quantification[J].Chest,2007,132(3):984-990.

[13]Davnall F,Yip CSP,Ljungqvist G,et al.Assessment of tumor heterogeneity:an emerging imaging tool for clinical practice?[J].Insights Imaging,2012,3(6):573-589.

[14]Ganeshan B,Panayiotou E,Burnand K,et al.Tumour heterogeneity in non-small cell lung carcinoma assessed by CT texture analysis:a potential marker of survival[J].Eur Radiol,2012,22(4):796-802.

Density histogram analysis of CT scan in the differential diagnosis of solid pulmonary nodule

CHI Shu-ping.

Department of Radiology,Shengli Hospital of Shengli Oil Field,Shandong 257055,China

Objective:To assess the value of density histogram of CT scan in the differential diagnosis of malignant from benign solid pulmonary nodules.Methods:CT images of 110 cases including 55 malignant and 55 benign solid pulmonary nodules proven by pathology or clinical following up were studied retrospectively.Density histogram was created using a software "Matlab" by drawing a region of interest on the axial unenhanced CT slice covering the largest area of the nodule.Differences of density histogram between benign and malignant solid pulmonary nodules were evaluated using Mann-Whitney U tests.Receiver operating characteristic (ROC) curves for each were constructed and the area under the curve (AUC) was calculated with histopathology or clinical following up as

tandard.Optimal threshold criterion was used to estimate the sensitivity,specificity,accuracy,positive predictive value,and negative predictive value of density histogram in the differential diagnosis of solid pulmonary nodules.Results:The skewness of malignant (0.281±0.181) was higher than that of benign nodules (-0.592±0.194),with statistic difference (P<0.05).The kurtosis of malignant (2.786±0.252) was lower than that of benign nodules (3.553±0.331),with statistic difference (P<0.05).The largest AUC of the two was 0.894 and 0.996 respectively.Using optimal threshold criteria,the kurtosis and skewness had the sensitivity as 0.982 and 0.946,specificity as 1 and 0.764,accuracy as 0.990 and 0.845,positive predictive value as 1 and 0.797,and negative predictive value as 0.982 and 0.913,respectively.Conclusions:CT density histogram has the potential to accurately differentiate malignant from benign solid nodules in patients with suspected lung cancer.

Lung neoplasms; Tomography,X-ray computed; Diagnosis,differential; Histogram

257055山東，東營市勝利油田勝利醫院影像中心

遲淑萍(1976-)，女，山東乳山人，碩士，副主任醫師，主要從事心胸影像學診斷工作。

R734.2; R814.42

A

1000-0313(2016)09-0866-04

10.13609/j.cnki.1000-0313.2016.09.016

2016-02-13

2016-03-23)