基于CT平掃圖像紋理分析鑒別浸潤性肺腺癌與非鈣化結核球

黃櫟有，王延花，高先聰

(1.徐州醫科大學附屬宿遷醫院 南京鼓樓醫院集團宿遷市人民醫院腫瘤科,2.放射科，江蘇 宿遷 223800)

肺癌已成為目前我國發病率最高的惡性腫瘤，其中腺癌最常見[1]，當浸潤范圍大于5 mm時可認為是浸潤性腺癌。近年來影像學篩查肺癌大為普及，檢出越來越多的孤立性結節[2]。早期浸潤性肺腺癌CT表現多為肺內孤立性結節或腫塊；而肺非鈣化結核球為包裹性干酪性病灶，CT表現為孤立性結節或團塊影，可有分葉及毛刺；2者早中期CT表現多無明顯特異性，易誤診。

相比主觀視覺識別法，CT紋理分析能提取紋理特征參數，定量分析病變內組織結構的異質性，提供肉眼無法觀察到的病灶圖像內所包含的潛在信息，并將其量化，其結果具有普遍性、客觀性和可重復性等特點。目前紋理分析技術已用于鑒別腦[3]、肺[4]、乳腺[5]、肝臟[6]和腎臟[7]等器官的良惡性腫瘤，或評估病變治療效果及預后。本研究探討基于CT平掃圖像紋理分析鑒別浸潤性肺腺癌與非鈣化結核球的可行性。

1 資料與方法

1.1 一般資料 收集2017年8月—2019年4月52例于南京鼓樓醫院集團宿遷市人民醫院接受胸部CT平掃發現肺內單發結節或腫塊、并經穿刺或手術病理證實為肺浸潤性肺腺癌或非鈣化結核球的患者，男27例,女25例，年齡21～82歲,平均(57.8±14.3)歲；其中31例浸潤性肺腺癌，21例非鈣化結核球。納入標準：①肺內單發結節或腫塊最大直徑<4 cm；②腫塊內無明顯鈣化或空洞壞死；③有明確病理及臨床診斷結果。

1.2 儀器與方法 采用Siemens Somatom Definition FLASH或Philips Brilliance 64 CT掃描儀，掃描參數為管電壓120 kV，管電流210 mA，層厚1～5 mm；重建層厚2～5 mm，窗寬200～300 HU，窗位30～40 HU，螺距 0.9。

1.3 紋理特征提取 采用MaZda[8]紋理分析軟件提取圖像紋理特征，對CT縱隔窗橫斷位圖像上的結節或腫塊直徑最大層面進行分析。將所有圖像導入軟件，并進行圖像灰度歸一化處理。由1名具有10年以上胸部影像學診斷經驗的主治醫師沿腫塊內緣手動勾畫ROI，其邊緣距腫塊內緣2～3 mm(圖1)。根據病理類型定義2組ROI，分別對應浸潤性肺腺癌和非鈣化結核球，以不同顏色區分不同類別病灶。采用6種紋理分析方法：①灰度直方圖；②灰度絕對梯度；③游程矩陣；④灰度共生矩陣；⑤自回歸模型；⑥小波變換；分析2組ROI紋理，每組獲得300個紋理特征。

表1 2組間差異存在統計學意義的最佳紋理特征

圖1 勾畫浸潤性肺腺癌(A，紅色)和非鈣化結核球ROI示意圖(B，綠色)

以費希爾參數法(fisher coefficients, Fisher)、最小分類誤差與最小平均相關系數法(minimization of both classification error probability and average correlation coefficients, POE+ACC)和相關信息測度法(mutual information coefficients, MI)3種特征選擇方法提取2組圖像最佳紋理特征。每種方法各從紋理特征中篩選出10個對鑒別浸潤性肺腺癌和非鈣化結核球最有意義的紋理特征，共獲得3組最佳紋理特征，并將其合并，得到3種方法聯合的紋理特征組(MPF)。

1.4 最佳紋理特征分析 采用MaZda軟件提供的線性判別分析法(linear discriminant analysis, LDA)和非線性判別分析法(nonlinear discriminant analysis, NDA)分別對Fisher、POE+ACC、MI及MPF 4組最佳紋理特征組進行分類。LDA以K-近鄰分類器(K-NN)進行分類，K=1(決策時只依據最鄰近的1個樣本的類別來決定待分類樣本的類別)；NDA采用人工神經網絡(artificial neutral network， ANN)進行分類。分類后計算每組紋理特征鑒別浸潤性肺腺癌和非鈣化結核球的最小錯誤率。

1.5 統計學分析 采用SPSS 22.0統計分析軟件。計數資料以百分比表示。采用皮爾遜χ2檢驗分別比較NDA/ANN-Fisher分類錯誤率與LDA/KNN-Fisher、LDA/KNN-POE+ACC、LDA/KNN-MI、LDA/KNN-MPF、NDA/ANN-POE+ACC、NDA/ANN-MI及NDA/ANN-MPF的差異。以Mann-WhitneyU檢驗分別比較2組病變間30個最佳紋理特征的差異，繪制以最佳紋理特征鑒別浸潤性肺腺癌和非鈣化結核球的ROC曲線，并計算AUC以分析其診斷效能，0.50≤AUC<0.60為差，0.60≤AUC<0.70為中等，0.70≤AUC<0.80為較好，0.80≤AUC<0.90為非常好，0.90≤AUC≤1.00為極好。采用Medcalc軟件分析其AUC差異。P<0.05為差異有統計學意義。

2 結果

2.1 分類錯誤率比較 NDA/ANN-Fisher法的分類錯誤率[7.69%(4/52)]低于LDA/KNN-Fisher[25.00%(13/52)]、LDA/KNN-POE+ACC[26.92%(14/52)]、LDA/KNN-MI[48.08%(25/52)]、NDA/ANN-POE+ACC[23.08%(12/52)]及NDA/ANN-MI[25.00%(13/52)](χ2=5.70、6.72、21.09、4.73、5.70，P均<0.05)，與LDA/KNN-MPF[17.31%(9/52)]、NDA/ANN-MPF法[5.77%(3/52)]差異無統計學意義(χ2=2.20、0.15，P均>0.05)。

2.2 最佳紋理特征診斷效能 2組病變間存在10個差異有統計學意義的最佳紋理特征見表1。繪制其鑒別2組病變的ROC曲線，其中診斷效能較好的最佳紋理特征為差異熵S(1,1)、差方差S(1,1)和梯度方差(AUC=0.71、0.71、0.70)，見表2、圖2。差異熵S(1,1)與差方差S(1,1)及梯度方差、差方差S(1,1)與梯度方差間AUC差異均無統計學意義(Z=0.04、0.09、0.07，P均>0.05)。

3 討論

生物學異質性是腫瘤的重要特征之一，可能由腫瘤內部血管密度不均勻、血管灌注、腫瘤細胞增殖以及壞死等因素造成[9-10]。紋理特征分析通過定量分析圖像中體素的分布及相關性，最大化獲取當前圖像的臨床信息，可定量、客觀地評估病灶的異質性[11-12]。目前通過分析胸部CT的紋理特征而鑒別良惡性病變的研究越來越多。DENNIE等[13]發現熵、方差與平方和可有效區分肺癌與肉芽腫性炎癥；SUO等[14]認為均差和熵差可較好地區分良惡性肺結節；張娜等[4]提出熵、總和熵、差異熵對鑒別肺良惡性結節具有良好診斷效能。以上研究均提示與熵相關的紋理特征對鑒別肺部良惡性結節具有重要價值。本研究僅對浸潤性肺腺癌與非鈣化結核球2種不同病理類型的肺結節進行鑒別，排除了多種病理類型肺結節間紋理特征差異造成的干擾，以期獲得更具特異性的結果。本研究結果顯示MaZda軟件中NDA/ANN-Fisher分類法能較好地區分浸潤性肺腺癌與非鈣化結核球，其分類錯誤率為7.69%，與NDA/ANN-MPF法(5.77%)的差異無統計學意義，但后者增加了20個紋理特征參數，其原因可能為對鑒別2種病變診斷效能較好的紋理特征大部分源于Fisher方法選擇的特征組合，其余20個紋理特征的診斷效能有限。分析最佳紋理特征鑒別2種病變的ROC曲線顯示差異熵和方差相關的紋理特征具有重要意義，與既往研究[13-14]結果相符。熵和方差特征均反映圖像中結節的灰度偏差程度，其中方差反映像素值均值偏差的度量，而熵是對圖像包含信息量的隨機性度量；差異熵對應圖像中灰度變化區域，其值增高提示圖像灰度變化不規則，可能反映相比肉芽腫病變，浸潤性肺腺癌內部結構更復雜及不均勻，具有更高的異質性。

表2 最佳紋理特征鑒別2種病變的ROC曲線分析結果

圖2 3種最佳紋理特征鑒別浸潤性肺腺癌與非鈣化結核球的ROC曲線

本研究僅針對CT平掃圖像，目前圍繞增強CT對紋理特征分析是否有所幫助仍存在爭議。GANESHAN等[15]認為增強掃描可增加血管對比度，更好地反映病灶的異質性；而DENNIE等[13]指出采用3個相同的紋理特征于增強CT鑒別肺癌的敏感度(38%)低于平掃CT(88%)。

綜上所述，通過CT平掃圖像紋理分析可較好地區分浸潤性肺腺癌與非鈣化結核球，為鑒別診斷提供客觀、可靠的依據。本研究尚存不足：①樣本數量少；②采用不同設備采集CT圖像，雖預先對圖像進行了歸一化處理，仍有可能影響紋理特征；③ROI為手工勾畫；④僅分析病灶最大橫斷位層面紋理特征，難免造成三維方向的紋理缺失，影響等于病灶異質性的評估結果。