MR動態增強圖像紋理分析判斷乳腺結節良惡性的價值

陳文靜，牟 瑋，張文馨，徐 蕊，張 麗，燕桂新，梁 穎

(1.新疆建設兵團第六師醫院影像科，新疆 五家渠 831300；2.美國Moffitt癌癥研究中心，佛羅里達 坦帕 33612；3.國家癌癥中心 中國醫學科學院北京協和醫學院腫瘤醫院PET/CT中心，北京 100021)

MR動態增強圖像紋理分析判斷乳腺結節良惡性的價值

陳文靜1，牟 瑋2，張文馨1，徐 蕊1，張 麗1，燕桂新1，梁 穎3*

(1.新疆建設兵團第六師醫院影像科，新疆 五家渠 831300；2.美國Moffitt癌癥研究中心，佛羅里達 坦帕 33612；3.國家癌癥中心 中國醫學科學院北京協和醫學院腫瘤醫院PET/CT中心，北京 100021)

目的 探討MR動態增強圖像紋理分析鑒別診斷乳腺結節良惡性的價值。方法 回顧性分析經手術病理證實的78例患者共80個乳腺結節的MR動態增強圖像，每個結節獲得63個紋理特征參數。繪制紋理參數鑒別診斷良惡性乳腺結節的ROC曲線，并與MR乳腺影像報告和數據系統(BI-RADS)的診斷效能比較。結果 78例患者的80個乳腺結節中，紋理參數中灰度游程長不均勻度判斷乳腺結節良惡性的AUC值(0.836)最大且診斷準確率高，其診斷惡性乳腺結節的敏感度為82.93%(34/41)、特異度為94.87%(37/39)、準確率為88.75% (71/80)、陽性預測值為94.44% (34/36)、陰性預測值為84.09% (37/44)。MR BI-RADS分類診斷惡性乳腺結節的敏感度為95.12%(39/41)、特異度為87.18%(34/39)、準確率為91.25%(73/80)、陽性預測值為88.63%(39/44)、陰性預測值為94.44%(34/36)。MR BI-RADS分類和紋理分析判斷惡性乳腺結節準確率差異無統計學意義(P=0.11)。與單獨應用BI-RADS分類比較，兩者聯合應用可明顯提高診斷惡性乳腺結節的特異度(P<0.001)。結論 MR紋理分析可作為傳統診斷乳腺良惡性結節的補充。

磁共振成像；紋理分析；乳腺腫瘤；診斷顯像

目前，乳腺癌發病率居女性惡性腫瘤的首位，是女性死亡的第二大病因。研究[1]表明，早期發現、早期診斷可有效提高乳腺癌患者的生存率。乳腺MR敏感度高，用于乳腺癌高危人群的篩查可提高20%或以上的生存率，因此可作為乳腺癌高危人群篩查的輔助手段[2]，但其特異度欠佳，部分、惡性病變的形態學和血液動力學表現存在重疊，易造成過度治療[3]，故提高MR診斷的準確率成為研究熱點。由于良惡性腫瘤不同的異質性，故根據良惡性腫瘤的異質性差異鑒別腫瘤性質引起關注。紋理特征作為一種定量評估腫瘤異質性的手段近年來逐漸應用于臨床[4]。本研究探討MR增強圖像的紋理分析鑒別診斷乳腺良惡性結節的價值。

1 資料與方法

1.1 一般資料 收集2014年11月—2016年8月間因乳腺結節接受MR檢查的女性患者78例，年齡20～70歲，平均(47.4±10.1)歲。所有患者均接受手術切除，共切除80個病灶，直徑4～42 mm平均(16.02±6.99)mm。手術病理證實良性結節39個，其中纖維腺瘤22個、囊性增生12個、乳頭狀瘤2個、乳腺增生2個、乳腺腺病并導管擴張1個；惡性結節41個，其中浸潤性導管癌38個、導管內癌2個、導管來源印戒細胞癌1個。

1.2 儀器與方法 采用Siemens Avanto 1.5T超導MR掃描儀及專用8通道乳腺線圈。患者取俯臥位，雙側乳腺自然懸垂并適當固定于線圈中。掃描順序如下：①軸位T1WI；②軸位T2脂肪抑制序列；③軸位DWI(b=800 s/mm2)；④T1脂肪抑制動態增強掃描(dynamic contrast enhanced， DCE)，每期掃描時間 60 s，掃描層數約104層，層厚為1.5 mm，第1期為不注射對比劑蒙片，后注射對比劑釓噴酸葡胺15 ml，并跟注鹽水20 ml洗，再連續掃描6期；最后進行延時掃描和腋窩淋巴結掃描。將薄層圖像傳入Siemens后處理工作站，圖像后處理包括MPR、時間-信號強度曲線(time-signal intensity curve, TIC)及測量ADC值等。

1.3 乳腺影像報告和數據系統(breast imaging reporting and data system， BI-RADS)分類 由2名放射科乳腺專業組的主治醫師在不知病理結果的前提下對圖像進行回顧性分析，意見有分歧時經協商達成一致。根據病灶的MRI表現，運用DWI、動態增強技術，結合TIC進行BI-RADS分類診斷。以2003年發布的BI-RADS分類為評價標準，Ⅰ～Ⅳa類為良性，Ⅳb～Ⅴ類為惡性[5]。

1.4 結節量化分析 采用蛇形曲線于動態增強2 min時的T1圖像上勾畫乳腺結節輪廓，測量MR圖像的灰度值和結節體積，并采用Matlab計算提取結節的63個紋理特征，主要包括一階統計紋理特征、二階統計紋理特征和高階統計紋理特征。一階統計紋理特征主要根據腫瘤區域內的灰度直方圖計算全局紋理特征。二階紋理特征一般基于灰度共生矩陣(co-occurrence matrix, CM)獲得。高階紋理特征則是基于灰度區域矩陣(gray level size zone matrix, GLSZM)、灰度游程矩陣(grey level run length matrix, GLRLM)、鄰域灰度差分矩陣(neighborhood gray level difference matrix, NGLDM)和紋理譜(texture spectrum, TS)矩陣等特征[6]，通常可以反映局部區域內的異質性。MR紋理分析和BI-RADS分類聯合診斷時，如均診斷為惡性，即為惡性，如其中一種診斷為良性，則為良性。

1.5 統計學分析 采用SPSS 17.0統計分析軟件。首先對所有特征進行ROC曲線分析，選取AUC值較高的紋理特征參數。以AUC值最高的紋理特征作為紋理分析參數判斷乳腺結節良惡性，并與手術病理結果對照，計算診斷效能。同時計算BI-RADS分類、BI-RADS分類與紋理分析參數聯合診斷乳腺結節良惡性的診斷效能，診斷效能的比較采用χ2檢驗，P<0.05為差異有統計學意義。

2 結果

根據BI-RADS標準診斷惡性結節44個，經手術病理證實39個惡性結節(36個浸潤性導管癌、2個導管內癌和1個導管來源印戒細胞癌)，5個良性結節(2個囊性增生、2個纖維瘤、1個內生性乳頭狀瘤)。5個良性結節MR強化曲線為平臺型，ADC值為(0.70～0.95)×10-3mm2/s，紋理特征游程長不均勻度(run length nonuniformity， RLN)為52.94～1 114.77(診斷界值1 528.43)。根據BI-RADS標準診斷良性結節36個，經手術病理證實34個良性結節(20個纖維腺瘤、10個囊性增生、2個乳腺增生、1個乳頭狀瘤、1個乳腺腺病并導管擴張)，2個惡性結節(均為浸潤性導管癌)。2個惡性結節MR強化曲線為平臺型，ADC值為(1.12～1.34)×10-3mm2/s，RLN分別為1 703.68、9 372.59。

與病理結果對照，MR BI-RADS分類診斷乳腺惡性結節的敏感度為95.12%(39/41)、特異度為87.18%(34/39)、準確率為91.25%(73/80)、陽性預測值為88.64%(39/44)、陰性預測值為94.44%(34/36)。

經紋理分析，每個結節獲得63個紋理特征參數，ROC曲線分析顯示RLN、紋理頻譜中心對稱性(central symmetry， CS)、熵的AUC較高(表1)。

表1 紋理特征參數的ROC曲線分析結果

RLN診斷乳腺惡性結節36個，手術病理證實34個惡性(32個浸潤性導管癌、1個導管內癌、1個導管來源印戒細胞癌)，2個良性(均為纖維瘤)；RLN診斷乳腺良性結節44個，手術病理證實37個良性(纖維腺瘤20個、囊性增生12個、乳頭狀瘤2個、乳腺增生2個、乳腺腺病并導管擴張1)，7個惡性(6個浸潤性導管癌、1個導管內癌)。RLN診斷乳腺惡性結節的敏感度為82.93%(34/41)，特異度為94.87%(37/39)，準確率為88.75%(71/80)，陽性預測值為94.44%(34/36)和陰性預測值為84.09%(37/44)。CS診斷乳腺惡性結節的敏感度為60.98%(25/41)，特異度為94.87%(37/39)，準確率為77.50%(62/80)。熵診斷乳腺惡性結節敏感度為73.17%(30/41)，特異度為84.61%(33/39)，準確率為78.75%(63/80)。以 1 528.43為診斷界值，紋理參數中RLN診斷惡性乳腺結節的AUC值最大且診斷準確率高。

BI-RADS分類與RLN診斷乳腺良惡性結節準確率、敏感度、特異度差異均無統計學意義(準確率：χ2=2.554，P=0.110；敏感度：χ2=2.02，P=0.155；特異度：χ2=1.41，P=0.235)。兩者聯合診斷乳腺良惡性結節的特異度為97.44%(38/39)，與單獨BI-RADS分類(87.18%)比較，差異有統計學意義(χ2=16.61，P<0.001),兩者聯合診斷敏感度為73.17%(30/41),較單獨BI-RADS-MRI分類減低(95.12%)，差異有統計學意義(χ2=7.41,P=0.007)，余指標差異均無統計學意義(P均>0.05)。見表2，圖1、2。

表2 BI-RADS-MRI分類聯合RLN診斷乳腺惡性結節與手術病理結果對照(個)

3 討論

乳腺MR檢查因其較高的軟組織分辨力，在發現病灶、確定病灶范圍和數量及與周邊關系等方面優于其他影像學檢查手段，尤其是MR動態增強掃描，在鑒別診斷良惡性結節方面具有很高的敏感度[7-8]。本研究顯示BI-RADS-MRI分類診斷乳腺惡性結節的敏感度為95.12%，特異度為87.18%，與既往研究[9-10]報道基本相似。2007年，美國癌癥協會乳腺癌篩查指南提出將MRI作為乳腺癌高危人群的影像學檢查方法[2]，但MRI高敏感度導致的假陽性結果使部分患者可能會接受過度治療，本組也有5例良性病變診斷為惡性結節而接受手術治療。故減少MRI診斷中的假陽性率是目前臨床尚待解決的問題。

紋理分析以往主要應用于肺部腫瘤性病變，近年來逐漸應用乳腺病變。研究[11]表明，通過計算機輔助紋理分析可使X線片中乳腺病變特點顯示更加清晰。在MR動態增強掃描中，尤其在動態增強2 min后發現有紋理特征對比顯著。已有研究[12]開始將MR紋理分析應用乳腺腫瘤高危人群的篩查中，且可以提高病變檢出的準確率。本研究也證實，動態增強2 min紋理特征鑒別良惡性結節對比顯著，ROC曲線顯示多個紋理特征參數表現出較高的敏感度，其中RLN、CS、熵曲線下面積較大，分別為0.836、0.836、0.789。RLN和CS用來評估圖像紋理的規則性、粗糙性、粒度。熵是圖像所具有的信息量的度量，是圖像灰度基本混亂程度的表征，主要用來評估圖像紋理的均勻度[13]。本研究運用動態增強2 min剪影序列圖像，剪影圖像去除了乳腺腺體干擾，結節形態學表征和內部特征顯示更為清晰。選取紋理分析曲線下面積值和準確率最大的RLN診斷惡性乳腺結節，其敏感度為82.93%、特異度為94.87%。而既往研究中較多提到的熵在本組中的敏感度為73.17%，特異度為84.61%，較RLN和CS的敏感度和特異度低，可能因本組運用剪影圖像去除了腺體基質的干擾，內部灰度改變較普通T1增強圖像差異小，導致熵判斷病灶的良惡性不如其他紋理特征參數準確。

圖1 患者女，左乳導管內乳頭狀瘤并導管擴張 A～C. DCE、TIC、ADC圖示BI-RADS分類為Ⅳb類，誤診為惡性； D.蛇形曲線勾畫剪切后，紋理分析診斷良性 (RLN值為1 059.12，小于界值1 528.43) 圖2 患者女，浸潤性導管癌 A～C.分別為DCE、TIC、ADC圖示BI-RADS分類為Ⅳa類，診斷為良性； D.蛇形曲線勾畫剪切后，紋理分析診斷惡性 (RLN值為5 287.28，大于界值1 528.43)。

BI-RADS分類與紋理參數判斷乳腺良惡性結節的差異無統計學意義，紋理分析判斷乳腺良惡性結節可作為于BI-RADS的補充，診斷特異度達94.87%。兩種方法聯合判斷與手術病理結果一致乳腺良性結節38個，診斷特異度達97.43%，與單獨應用BI-RADS分類判斷比較，診斷特異度提高約10.25%(P<0.05)。若僅一種方法診斷為惡性結節，需再回顧病灶影像學資料仔細分析，可進一步提高診斷準確率，本組中5個手術病理為良性結節，BI-RADS判斷為惡性，其中包括囊性增生2個，纖維瘤2個，內生性乳頭狀瘤1個，回顧性分析圖像的影像學特點，在MRI動態增強中強化曲線類型為平臺型，ADC值較低[(0.70～0.95)×10-3mm2/s]，表現出MRI在良性病變診斷中特異性不足，在某些征象與惡性病變重疊，紋理分析可彌補這方面不足，這5個結節紋理分析數值小于界值，病理診斷為良性。有2個惡性結節BI-RADS判斷為良性，MRI強化曲線為平臺型，ADC值較高[(1.12～1.34)×10-3mm2/s]，病理結果均為浸潤性導管癌，紋理分析數值大于界值，正確判斷為惡性。BI-RADS分類乳腺癌惡性結節敏感度較高，特異度不足，紋理分析診斷乳腺惡性結節特異度較高，但敏感度不如先驗知識診斷，可與BI-RADS互補，提高MRI的診斷準確率。

本研究將MRI與紋理分析相結合，通過計算機對圖像特征參數的提取，定量分析腫瘤的異質性，從而提高良惡性結節鑒別診斷的準確率[14]。

[1] Rakoczy M, McGaughey D, Korenberg MJ, et al. Feature selection in computer-aided breast cancer diagnosis via dynamic contrast-enhanced magnetic resonance images. J Digit Imaging, 2013,26(2):198-208.

[2] Saslow D, Boetes C, Burke W, et al. American cancer society guidelines for breast screening with MRI as an adjunct to mammography. CA Cancer J Clin, 2007,57(2):75-89.

[3] 許玲輝，顧雅佳．乳腺磁共振在乳腺癌診斷治療中的運用．中國癌癥雜志，2013，23(8)：613-617．

[4] Wang TC, Huang YH, Huang CS, et al. Computer-aided diagnosis of breast DCE-MRI using pharmacokinetic model and 3-D morphology analysis. Magn Reson Imaging, 2014,32(3):197-205.

[5] American College of Radiology (2003) ACR BI-RADS?-Mammography: Breast Imaging Reporting and Data System, Breast Imaging Atlas, vol 4. ACR, Preston.

[6] 牟瑋.腫瘤PET/CT成像影像組學相關算法的研究.北京：中國科學院大學，2016：42-46.

[7] 吳曉燕,張貴祥.擴散加權成像在乳腺癌中的臨床應用進展.中國醫學影像技術,2012,28(11):2094-2097.

[8] 賈曉,金正吉,張曉曉.不同分子亞型乳腺癌超聲及MRI特征.中國醫學影像技術,2013,29(8):1297-1300.

[9] 徐新艷，朱正，蔡俊．彩色多普勒超聲與MR診斷乳腺病變的臨床價值分析．醫學影像學雜志，2014，24(5)：753-755,766．

[10] 何東峰，馬大慶，靳二虎．動態增強MRI在鑒別乳腺良、惡性腫瘤和提示惡性腫瘤病理分級中的作用．中華放射學雜志，2012，46(12)：1075-1078．

[11] Teruel JR, Heldahl MG, Goa PE, et al. Dynamic contrast-enhanced MRI texture analysis for pretreatment prediction of clinical and pathological response to neoadjuvant chemotherapy in patients with locally advanced breast cancer. NMR Biomed, 2014,27(8):887-896.

[12] Bo LY, Cho N, Li M, et al. Intratumoral heterogeneity of breast cancer XenograftModels: Texture analysis of diffusion-weighted MR imaging. Korean J Radiol, 2014，15(5):591-604.

[13] Pang YC, Li L, Hu WY, et al. Computerized segmentation and characterization of breast lesions in dynamic contrast-enhanced MR images using fuzzy c-means clustering and snake algorithm. Comput Math Methods Med, 2012,2012:634904.

[14] 李珂，劉惠．乳腺計算機輔助診斷中DCE-MRI圖像特征的選擇與分析．北京生物醫學工程，2012，31(4)：343-348．

Value of texture feature analysis of MRI dynamic contrast enhancement in diagnosis of benign and malignant breast nodules

CHENWenjing1,MUWei2,ZHANGWenxin1,XURui1,ZHANGLi1,YANGuixin1,LIANGYing3*

(1.DepartmentofRadiology,theSixthDivisionHospitaloftheXinjiangProductionandConstructionCorps,Wujiaqu831300,China； 2.H.LeeMoffittCancerCenter&ResearchInstitute,Tampa33612,USA; 3.PET/CTCenter,CancerCenter/CancerHospital,ChineseAcademyofMedicalSciences&PekingUnionMedicalCollege,Beijing100021,China)

Objective To assess the diagnostic value of texture analysis of MRI in differential dignosis of benign and malignant breast nodules. Methods The MRI data of 78 patients (80 breast nodules) identified by surgical pathology were retrospectively studied. Sixty-three texture parameters were obtained from each nodule. ROC curve of texture parameters in differential diagnosis of benign and malignant breast nodules were performed. Results In all of the 63 texture parameters, the run length nonuniformity (RLN) had the highest AUC value (0.836) and accuracy, the diagnostic sensitivity, specificity, accuracy, positive predictive value and negative predictive value in differentiation of breast nodules were 82.93% (34/41), 94.87% (37/39), 88.75% (71/80), 94.44% (34/36) and 84.09% (37/44). The sensitivity, specificity, accuracy, positive predictive value, and negative predictive value of breast imaging reporting and data system (BI-RADS) were 95.12% (39/41), 87.18% (34/39), 91.25% (73/80), 88.63% (39/44), and 94.44% (34/36). The difference of diagnostic accuracy between texture parameter and BI-RADS had no statistical significance (P=0.11). BI-RADS combined texture parameter improved specificity significantly (P<0.001). Conclusion The texture analysis could be complementary to improve the accuracy of BI-RADS-MRI in breast nodules.

Magnetic resonance imaging; Texture analysis; Breast neoplasms; Diagnostic imaging

陳文靜(1978—)，女，陜西戶縣人，碩士，副主任醫師。研究方向：乳腺及婦科磁共振成像。E-mail： wen-jing333@163.com

梁穎，國家癌癥中心 中國醫學科學院北京協和醫學院腫瘤醫院，100021。E-mail： liangy_2000@sina.com

2016-11-15

2017-03-04

10.13929/j.1003-3289.201611079

R737.9; R445.2

A

1003-3289(2017)05-0647-05