CT紋理分析在誤診的實性肺結節鑒別診斷中的應用

張博薇 強金偉△ 葉劍定 張 玉 高 淳

(1上海市影像醫學研究所 上海 200032; 2復旦大學附屬金山醫院放射科 上海 201508;3上海交通大學附屬上海市胸科醫院放射科 上海 200030)

隨著低劑量CT與高分辨率CT的廣泛應用,肺結節的檢出率大大提升。研究顯示,孤立性肺結節的患病率為8%～51%,其中惡性腫瘤的患病率為1%～12%[1]。早期發現肺結節并進行恰當的臨床干預是治療的關鍵。但是由于肺部結節的位置、大小、形狀、邊緣、密度和增強等影像學特征的重疊,良惡性病變常較難根據其影像的形態學進行區分[2],非典型肺結節的診斷更依賴醫師的經驗和主觀判斷,臨床診斷中常出現誤診病例,而錯誤的診斷往往對患者帶來嚴重后果,診斷不足會延誤病情,診斷過度會使患者接受不必要的手術。紋理分析通過定量分析病灶局部特征的圖像像素灰度特點、灰度值變化規律及其分布模式,可以提供肉眼無法觀察到的信息。病灶像素的灰度值與病灶的異質性之間具有高度的對應性,紋理分析能通過像素灰度值的變化反映病灶內的微觀變化,為肺部疾病的鑒別診斷提供肉眼無法觀察到的信息[3-4]。本研究采用紋理分析技術對術前CT誤診的實性肺結節病例進行回顧性分析,旨在提高疑難肺結節術前診斷的準確性。

資 料 和 方 法

研究對象 收集上海市胸科醫院2014年1月至2017年12月經手術和病理證實的89例CT誤診的孤立性實性肺結節。納入標準:(1)肺結節直徑小于3 cm;(2)CT圖像無影響進一步圖像分析的明顯偽影;(3)術前CT診斷與術后病理結果不符的實性肺結節。良性病變誤診為肺癌54例,其中男性36例,女性18例,年齡38～76歲,平均(55.2±9.3)歲,包括錯構瘤2例、結核21例、支氣管擴張伴炎癥2例、肺間質纖維增生19例、機化性肺炎4例、硬化性肺細胞瘤4例和巨淋巴結增生2例。肺癌誤診為良性病變35例,其中男性25例,女性10例,年齡28～74歲,平均(54.0±13.0)歲,包括肺腺癌18例、肺鱗癌12例[5](ⅠA1、ⅠA2、ⅠA3和ⅡB期分別為8、14、11和2例)及轉移瘤5例(肝細胞肝癌肺轉移2例、滑膜肉瘤肺轉移1例、骨肉瘤肺轉移1例、乳腺癌肺轉移1例)。

檢查方法 采用Philips Brilliance 64 層螺旋CT機,所有患者均行常規CT全胸部平掃,掃描參數:準直0.625 mm×64,螺距1.08,120 kV,250 mA,掃描時間5～7 s,FOV 400 mm,重建層厚和間隔均為5 mm,圖像矩陣512×512,標準算法,濾過函數C。發現病灶后,對病灶行1 024×1 024的超高分辨率靶掃描,參數:準直0.625 mm×64,螺距0.64,120 kV,300 mA,掃描時間1～3 s,FOV 180 mm,重建層厚和間隔均為1 mm,圖像矩陣1 024×1 024,高分辨算法,濾過函數F。

紋理分析圖像選擇 所有患者的CT圖像均以BMP格式從PACS工作站輸出[6-7]。采用開放獲取的MaZda軟件[8](V4.7)(http://www.eletel.p.lodz.pl/mazda/)進行紋理分析[9]。選取病灶最大層面及相鄰兩層面沿病灶輪廓畫取ROI,軟件自動生成ROI內的各個紋理參數值[10],計算平均值。所有ROI由1名有2年專職從事胸部CT診斷的醫師放置。

紋理圖像分析 通過MaZda軟件可提取出每個選定ROI的紋理特征,包括灰度直方圖(histogram)、游程檢驗(run-length matrix,RUN)、絕對梯度(absolute gradient,GRA)、灰度共生矩陣(gray-level co-occurrence matrix,GLCM)、自回歸模型(auto-regressive model,ARM)及小波轉換(wavelets transform,WAV)等6類特征。直方圖紋理特征參數為平均值、方差、偏度、峰度、百分位數值;RUN紋理特征參數為游程長度不均勻性、灰階不均勻性、長游程權重、短游程權重、游程中的圖像分數;GRA紋理特征參數為梯度平均值、方差、偏度、峰度、非零位;GLCM紋理特征參數為ASM能量、對比度、自相關、熵、熵和、平方和、方差和、逆差矩、熵差、方差;ARM紋理特征參數為參數θ(1～4)和參數б;WAV 紋理特征參數為各波段中小波轉換系數的能量。

紋理特征選擇 MaZda軟件提供3種選擇紋理特征的方法[11],分別是Fisher 系數(Fisher coefficient,Fisher)、分類錯誤概率聯合平均相關系數(classification error probability combined average correlation coefficients,POE+ACC)和交互信息(mutual information,MI),每種方法可以篩選出前10個最有鑒別價值的紋理特征參數。將3種方法聯合(Fisher+POE+ACC+MI,FPM),共選出30 個紋理特征參數。本研究中采用 Fisher、POE+ACC、MI和FPM等4類方法選擇最具鑒別價值的紋理特征參數。

統計學分析 應用MaZda軟件自帶的程序B11進行判別分析。統計方法包括原始數據分析(raw data analysis,RDA)、主要成分分析(principal component analysis,PCA)、線性分類分析(linear discriminant analysis,LDA)和非線性分類分析(nonlinear discriminant analysis,NDA);區分兩種類型病變的結果以錯判率(misclassified rate,MCR)表示。MCR越小,說明該方法所蘊含的鑒別這兩種病變的紋理信息更重要。在最佳分類所篩選出誤判次數最低的紋理特征組,采用受試者工作特征(ROC)曲線比較相關的紋理特征鑒別良、惡性肺結節的診斷效能。

結 果

誤診為惡性病變的病灶分布及形態學表現 54例病灶(圖1)中,上葉共25例(前段9例,后段或尖后段16例),中葉3例,下葉26例(背段11例,基底段15例)。病灶直徑0.8～3.0 cm,平均直徑(1.7±0.7) cm。23例(42.6%)有毛刺征,21例(38.9%)有分葉征,7例(13.0%)有空洞,1例(1.9%)有衛星灶,1例(1.9%)瘤內見空氣支氣管征(1.9%)。

A:ROI image;B:Original image.A male patients of 72 years old has a solid nodule in the right lower lobe with red color filling the nodule.The nodule shows alobulated shape and pleural indentation,is misdiagnosed as malignant lesion on CT and confirmed as chronic granulomatous lesion by pathology.

圖1 誤診為肺癌的良性肺結節
Fig 1 Benign pulmonary nodule misdiagnosed as lung cancer

誤診為良性病變的病灶分布及形態學表現 35例病灶(圖2)中,上葉共15例(前段5例,后段或尖后段10例),中葉8例,下葉12例(其中背段2例,基底段10例)。病灶直徑0.7～3.0 cm,平均直徑(1.8±0.8) cm;6例(17.1%)有毛刺征,7例(20.0%)有淺分葉征,1例(2.9%)有鈣化。

A:ROI image;B:Original image.A male patients of 55 years old has a solid nodule in the right middle lobe,with red color filling the nodule.Nodule shows a smooth edge is misdiagnosed as benign lesion on CT and confirmed as invasive adenocarcinoma by pathology.

圖2 誤診為良性病變的惡性肺結節
Fig 2 Malignant pulmonary nodule misdiagnosed as benign disease

最佳紋理特征參數 3種特征選擇方法分別選擇前10個鑒別肺良、惡性病變的最佳紋理特征參數(表1)。游程長度不均勻性、相關性和對比度能很好鑒別誤診肺結節的良、惡性。

表1 3種紋理特征選擇方法提取出的10 個最佳紋理特征參數Tab 1 Ten optimal texture features selected from the 3 feature reduction methods

依據Fisher、POE+ACC和MI法提取出的最佳紋理特征,用RDA、PCA、LDA和NDA法鑒別診斷肺癌和良性病變的最小MCR (表2)。采用MaZda軟件區分良、惡性肺結節MCR最小為0,為3種紋理特征參數選擇方法聯合并應用LDA分類方法的結果,其中線性分離系數評估為0.8。Fisher、POE+ACC和MI這3種參數選擇方法選擇的紋理特征鑒別良、惡性肺結節的MCR大致相同,而3種方法聯合(FPM)較任一單一方法選擇的紋理特征鑒別這兩類病變的MCR更低(表2)。MaZda軟件提供的4種分類方法中,LDA方法區分良、惡性肺結節的MCR均較其他3種方法低。對FPM篩選出的30組紋理特征進行ROC曲線分析,依據 ROC 曲線下面積(AUC)判斷各紋理特征的診斷效能,其中以S_0_1_Contrast診斷效能相對最佳,AUC為 0.879,敏感度為0.871,特異度為0.842(圖3)。

表2 CT圖像的紋理特征對鑒別良、惡性實性肺結節的MCRTab 2 MCR of texture analysis in diagnosing benign and malignant pulmonary solid nodules

圖3 對比度鑒別良、惡肺性結節的ROC
Fig 3 ROC from the contrast for distinguishing between benign and malignant pulmonary solid nodules

討 論

肺內實性結節的良惡性診斷一直是影像診斷工作中的難點,對影像醫師來說是一個巨大的挑戰。肺內實性結節誤診率高的主要原因有兩方面:主觀因素是診斷醫師的專業知識及臨床經驗局限;客觀因素是部分良、惡性結節表現不典型,形態學特征存在較多的重疊。通常用于確定結節惡性潛能的形態學特征包括大小、邊界、輪廓、內部特征(密度、空洞、空氣支氣管征象)、衛星結節、反暈征及生長速度等[12]。本研究中,我們發現良性和惡性肺結節的影像特征存在很大重疊。良性結節如結核球和機化性肺炎往往也具有毛刺征象,而很多肺惡性腫瘤邊緣光整,甚至出現鈣化[13]。因此,僅僅通過形態學對結節進行良、惡性判斷是遠遠不夠的。

目前用于結節的最佳檢測手段或方法尚未確定,組織病理學是判斷肺部病變良、惡性的金標準[14]。惡性腫瘤由于腫瘤細胞生長方式、異常血管聚集、血管通透性改變等原因引起組織結構改變,從而導致腫瘤質地的不均勻或異質性[15]。紋理分析利用圖像像素的灰度值及其分布模式的變化反映不可見的微觀病理變化,定量顯示圖像像素的細微變化,不受主觀分析和專業水平以及傳統醫學影像固有限制的影響,可用于各種圖像的分析。MaZda是2D及3D圖像紋理分析軟件包,為圖像紋理的定量分析提供了完整的路徑,目前已應用于骨、乳腺及肌肉等多種疾病的研究[7,16-17],尤其在肺部疾病的診斷中,紋理分析有望提高CT成像診斷疾病的準確性[18-19]。

本研究結果表明,良、惡性肺結節的紋理特征之間存在顯著差異,使用紋理特征參數能準確地對結節進行分類,是量化良、惡性肺結節特征的可行方法?；叶裙采仃囍械南嚓P性和對比度、游程檢驗中的游程長度不均勻性及直方圖中的百分位數是4個鑒別誤診肺結節良、惡性的紋理特征值。灰度共生矩陣主要衍生出圖像中出現的灰度、距離和角度組合的值[20],是一種非常成熟的二階紋理提取信息分類技術:對比度反映圖像中的局部變化,當像素灰度相同或相似時,對比度值最低,在本研究中,它的診斷效能最佳。相關性反映圖像中的灰度和線性相關性,表示像素與其相鄰像素的關聯程度,若圖像大面積相似,則相關性高。在一項鑒別肉芽腫病變和肺癌的模型中,包括相關性在內的5種灰度共生矩陣紋理特征的診斷特異性可高達100%,具有很強的鑒別意義[19]。直方圖中的百分位數用于描述體素分布。Chae等[21]發現在肺結節中,浸潤性腺癌的體素強度直方圖具有更高的90%位數。游程長度分析是指連續具有相同灰度或同一灰度段的像素數目,反映紋理的粗糙程度和方向性,具有方向性的紋理趨于具有較長的游程。

MaZda軟件提供了兩類判別分類方法:線性分類(RDA、PCA和LDA)和非線性分類(NDA)。本研究證實FPM將前3種方法結合的預測精度相對更高,使用線性分類方法的MCR較非線性MCR低,最低可達到0,這可能是本研究納入的數據集中了大量特征而導致過度擬合,因此產生了過度樂觀的結果。線性分離系數評估LDA對圖像分類的有用性,該值在0～1,1代表完美的分類,本研究中該值是0.8,說明紋理分析對肺結節良、惡性的分類效果較好[22]。McNittgray等[23]使用從32名患者的HRCT掃描獲得的GLCM的二階特征,當使用9個特征時,線性分類可以正確地將32個結節全部進行正確的良惡性判斷。線性分類假定函數是樣本的線性函數,在實際的病例樣本中也符合這樣的條件[24]。

本研究的局限性:(1)作為一項回顧性研究,樣本量較小,存在選擇性偏倚;(2)病灶的邊界為放射科醫師手動勾畫,對病灶輪廓的判定受個人經驗影響較大;(3)僅基于3個CT圖像層面提取的紋理特征分析,在未來研究中可進一步用全體積分析來確定病變的紋理特征。

本研究中,用LDA 分析Fisher、POE+ACC及MI等3種方法鑒別良、惡性實性肺結節的MCR最低,利用CT圖像紋理分析的方法能很好鑒別實性肺結節的良、惡性。