基于DCE-CT的MaZda紋理分析技術在鑒別肝臟良惡性病變中的價值及最佳效能分析

韓瑞，黃璐， 董進， 宋少輝， 蔣鴻， 尹龍， 彭勇， 張東友

紋理分析技術近年來逐漸應用于臨床疾病的診斷及鑒別診斷，如動脈斑塊、心肌梗死和肺癌淋巴結轉移等[1-5]，其臨床應用價值已得到了肯定[6]。而其在肝臟方面的應用也逐漸增多，主要集中在對肝臟纖維化、肝臟腫瘤的診斷及鑒別診斷以及肝癌術后效果的評判[7-10]。目前，多數學者認為基于增強圖像的紋理分析的診斷效能要強于平掃[11]，而對于三期增強掃描，應該使用哪一期圖像，以及與何種紋理特征篩選方法進行組合才能獲得最佳的診斷效能，提高后期建模的準確性，目前尚未見相關報道。因此本研究對基于CT動態增強(dynamic contrast enhanced CT，DCE-CT)的MaZda紋理分析技術在肝臟良惡性病變鑒別診斷中應用的可行性，以及最佳期相和紋理特征篩選方法進行了探討。

材料與方法

1.研究對象

搜集2014年3月-2018年4月本院101例肝臟病變患者(共112個病灶)的病例資料。其中61例(61個病灶)經手術或穿刺活檢病理證實，包括肝細胞癌27例、肝臟局灶性結節增生20例和肝膿腫14例；經臨床動態隨訪確診者40例(51個病灶)，包括血管瘤20例(21個病灶)和轉移瘤20例(30個病灶)。納入標準：所有患者在本次CT檢查前未接受過任何相關臨床治療(如介入、穿刺活檢和放化療等)。

2.檢查方法

所有患者行肝臟CT三期動態增強掃描。使用Siemens Somatom Definition AS+ 128層CT機。所有患者檢查前空腹，于肘靜脈放置留置針。掃描參數：120 kV，care dose 4D 技術，層厚10 mm，層間距0，螺距0.9，128i×0.6 mm，重建層厚1 mm。采用高壓注射器自肘靜脈注射對比劑碘克沙醇(320 mg I/mL)，劑量為1 mL/kg，注射流率3 mL/s；對比劑注射完畢后使用相同流率注射20 mL生理鹽水進行沖管。于注射對比劑后25、65和180 s分別啟動動脈期、靜脈期和延遲期掃描。

3.紋理分析方法

由兩位具有10年以上診斷經驗的放射科醫師進行閱片分析和數據測量。將三期增強圖像導入開源軟件MaZda中進行紋理分析，具體步驟見圖1。首先，采用直方圖、絕對梯度、游程矩陣、共生矩陣和自回歸模型五種分析方法共可獲得256個紋理參數。分別在三期增強圖像中選取每個病灶的最大層面，沿病灶邊緣盡可能大的勾畫ROI，并保證在三期圖像上勾畫的ROI大小一致。ROI勾畫完成后，軟件即可自動計算出ROI的各項紋理參數值(圖1)。

圖1 紋理分析的主要步驟示意圖。

使用MaZda軟件對良、惡性病變組中病灶的紋理參數進行篩選，使用Fisher相關系數(fisher coefficient)、最小分類錯誤率+平均相關系數(classification error probability and average correlation coefficients,POE+ACC)和互信系數(mutual Information coefficient,MI)三種統計學篩選方法，每種篩選方法篩選出10個鑒別肝臟良惡性病變的最佳紋理參數。

模型準確性判定：對使用不同統計學方法篩選出的10個紋理參數，使用MaZda軟件中自帶的B11軟件中的主成分分析(principal component analysis，PCA)、線性鑒別分析(linear discriminant analysis，LDA)和非線性鑒別分析(nonlinear discriminant analysis，NDA)的特征向量變換方法對紋理參數進行降維。并對LDA使用K鄰近分類器(K=1代表最小分類錯誤)、NDA使用神經網絡分類法(artificial neural network，ANN)，計算各方法組合下紋理參數鑒別診斷的最小誤判率R(R=誤判病灶個數/總病灶個數)，將R的大小分為5個等級：≤10%為優秀，10%40%為較差[11]。

4.統計學分析

本研究中肝臟良惡性病變紋理特征的篩選使用的統計分析方法為MaZda軟件中集成自帶的B11軟件完成的，主要包括Fiher相關系數、POE+ACC和MI。

結 果

肝臟CT動態增強掃描的期相、紋理特征的統計學提取方法和紋理特征的降維方法之間的不同組合，獲得的紋理參數的診斷效能存在差異，各組合中最低誤判率的結果見表1。無論動脈期、靜脈期或是延遲期，相對于其它組合，以MI+NDA的誤判率最低，鑒別效能最佳。動脈期+MI+NDA組合的誤判率為15.18%(17/112)，主要誤判的病灶包括肝血管瘤6個、肝膿腫9個和肝細胞癌2個；靜脈期+MI+NDA組合的誤判率為13.39%(15/112)，主要誤判的病灶包括肝臟血管瘤1個、肝膿腫5個、肝細胞癌5個和肝轉移瘤4個；延遲期+MI+NDA組合鑒別診斷的誤判率為11.61%(13/112)，在三種組合方法中為最低，診斷效能良好，主要誤判的病灶包括肝膿腫4個、血管瘤4個、肝細胞癌3個和肝轉移瘤2個(圖2a～c)。最終篩選出用于建模的診斷肝臟良惡性病變的10個最佳紋理特征，分別是均值(Mean)、90%百分位灰度值(90% percentile grey scale，Perc.90%)、Perc.50%、Perc.99%、Perc.10%、Perc.01%、差方差S(1,0)、熵S(4,-4)、熵S(2,0)和逆差矩S(2,2)。

表1 三期圖像上不同紋理分析方法組合對肝臟良惡性病變的誤判率(%)

討 論

隨著外科手術技術的提高，肝癌的精準切除逐漸成為一種全新的外科理念和技術體系[12]，同時也要求在術前對肝臟良惡性病變進行準確的診斷和評估。影像檢查在肝臟良惡性病變的診斷和鑒別診斷中發揮了重要作用，但是目前尚不能達到完全準確地鑒別所有肝臟良惡性病變，尤其是對于那些影像特征存在重疊的病變，常規影像學檢查存在一定的局限性[13-16]，當今精準醫療已經成為醫學的主流方向，因此這種局限性更加凸顯。

隨著計算機技術的快速發展，使得從影像學圖像(如CT、MRI和PET等)中提取大量的量化特征參數成為可能，這些特征不僅能夠反映組織的特性，還能反映疾病的病理生理改變，因此可以利用這些參數對疾病進行診斷和鑒別診斷，同時還能夠預測治療的療效[17]，這就是目前已成為主流研究方向的影像組學。而紋理分析是其中的一種技術，主要對圖像的像素灰度值的變化規律及其分布模式進行分析，獲取的紋理特征值不僅能夠反映病變組織肉眼可見的形態學表現，同時還能反映病灶內肉眼無法觀察到的微觀特征，從而較準確地反映腫瘤的異質性[18-20]。它的主要方法是將影像數據作為數據源，利用紋理分析軟件，基于直方圖、絕對梯度、游程矩陣、共生矩陣和自回歸模型五種分析方法，提取出影像圖像上腫瘤病灶的紋理特征，并使用軟件自帶的統計分析方法篩選出鑒別不同病變的特征性紋理參數，建立診斷及鑒別診斷模型。

圖2 使用MaZda軟件中自帶的B11軟件在不同期相圖像上自動選取MI值最高的3個紋理特征，生成肝臟良惡性病變原始紋理特征數據分類鑒別能力直觀圖， 紅色的1代表肝臟良性病變，綠色的2代表肝臟惡性病變，兩種顏色的數碼字分的越開表明分類鑒別能力越強，分類誤判率就會越低，圖c中兩種顏色的數碼字分散的相對較開，重疊較少，提示鑒別能力高、誤判率較低。a)動脈期；b)靜脈期；c)延遲期。

但是，目前對肝臟良惡性病變診斷及鑒別診斷的相關研究中，基本上使用的是單期CT掃描數據，而且在紋理特征提取的過程中多采用單一或特定的統計學篩選方法[7,11,21-22]，勢必會影響紋理分析的后期建模的準確性。第一，腫瘤內部的血管成分和腫瘤的異質性具有重要的相關性，腫瘤攝入對比劑后，對比劑在不同時相的分布不同，對病灶在影像圖像上的像素灰度值、細部結構特點等產生影響[23]；第二，關于紋理特征的提取和篩選，有多種方法，常用的是統計學分析方法，同時統計學分析過程中還可進行不同方法的組合[19]，而在診斷模型的構建過程中，不同的統計學方法組合對肝臟良惡性病變的診斷效能也是不同的[23]。因此，在肝臟良惡性病變的診斷及鑒別診斷中，找出最佳的紋理特征數據源期相和統計學方法組合具有重要的臨床意義，為后期建立模型的準確性提供了重要的理論基礎。

MaZda是目前主流的紋理分析軟件之一，在國內外應用非常廣泛，其內集成有b11軟件，具有紋理分析和紋理特征提取的功能，可以對提取的紋理特征進行篩選和降維，將特征向量的數據轉換至新的特征空間，以減少特征矢量的維數，增加其鑒別診斷能力。目前的b11軟件主要提供了Fisher相關系數、最小分類錯誤率+平均相關系數(POE+ACC)和互信系數(MI)三種統計學方法對紋理特征進行篩選提取[24]。從本研究結果可以看出，使用MaZda軟件提取的紋理參數對肝臟良惡性病變的診斷及鑒別診斷是可行的，最低誤判率達到11.61%。使用相同的統計學方法在不同期相圖像上提取篩選的紋理特征，其誤判率是不同的，這也進一步說明了對比劑的攝入在一定程度上對病灶紋理特征的影響。

本研究結果顯示鑒別肝臟良惡性疾病的最佳期相為延遲期，筆者認為這一結果可能與本研究中納入的肝臟良惡性的病變類型有關，在本研究中良性病變組主要有肝臟局灶性結節增生、血管瘤和肝膿腫，而惡性病變組中主要有肝細胞癌和轉移瘤，良性病變組中的這幾種病變在延遲期的相對強化程度要高于惡性病變，兩組病變之間的信號差異較動脈期和靜脈期大，因此紋理特征參數值之間的差異也相應增大，使其診斷效能也相對較高。

從使用的不同統計學方法組合對紋理特征進行篩選的結果可以看出，無論動脈期、靜脈期或是延遲期，相對于其它方法的組合，使用MI+NDA的組合對紋理特征進行降維、提取，其鑒別效能最佳，誤判率最低(11.61%)。因此在肝臟良惡性病變的鑒別診斷中筆者推薦使用延遲期+MI+NDA的組合，這樣可以使得后期診斷模型建立的準確性更高。國內有文獻報道使用靜脈期圖像提取的紋理特征進行鑒別診斷的誤判率最低[11]，但是這項研究中僅僅使用了互信系數(MI)這一種紋理篩選方法，并沒有驗證Fisher相關系數和POE+ACC這兩種紋理篩選方法的診斷效能。本研究結果顯示不同期相、不同統計學篩選方法、不同降維方法的診斷效能存在差異，這些因素均直接影響后期建模的準確性。在本研究納入的病例中，使用延遲期+MI+NDA的組合得到的最佳建模紋理參數為mean、Perc.90%、Perc.50%、Perc.99%、Perc.10%、Perc.01%、差方差S(1,0)、S(4,-4)熵、S(2,0)熵和S(2,2) 逆差矩，其中有6個參數來自于直方圖分析，提示直方圖法提取的紋理參數在鑒別肝臟良惡性病變中可能具有較大的權重，尚需大樣本，多病種進行更深入地研究。

本研究結果顯示，無論是基于動脈期、靜脈期還是延遲期，提取的紋理參數在肝臟病變的診斷中均存在一定的誤判，而且基于三期圖像誤判的病變類型有一定差異。筆者分析導致上述結果的原因主要有以下兩點：第一，可能是這些良惡性病灶內均具有壞死成分，使得病灶的紋理特征存在一定的重疊；第二，納入的肝臟良惡性病變的病種越多，誤判率可能就越高。所以筆者認為在使用紋理分析軟件進行疾病的鑒別診斷時應針對所納入的病種進行紋理特征篩選的最優組合。

本研究存在一定的局限性，第一，肝臟良惡性病灶的納入的病種、樣本量相對較少；第二，僅僅分析了使用統計學方法提取紋理特征的優劣，沒有對比其他的紋理特征提取方法的優劣，第三，在勾畫病灶感興趣區時僅僅勾畫病灶的最大層面，而使用3D-ROI更能代表肝臟病變的紋理特征，這都是后期將要開展的工作。而且，在今后的研究中如能綜合三期對比增強圖像提取的紋理特征進行分析和診斷，可能會進一步提高紋理分析技術對鑒別肝臟良惡性病變的診斷效能。