基于乳腺X線圖像不同區域的紋理分析鑒別乳腺腫塊良惡性

高先聰，黃櫟有

乳腺癌作為發病率最高的女性惡性腫瘤，近年來呈現出越來越年輕化的發病趨勢，目前已成為我國45歲以下女性中死亡率最高的惡性腫瘤之一[1]。有研究表明盡早地發現和診斷可以有效提高乳腺癌患者的生存率。乳腺X線檢查作為目前臨床上應用最為廣泛的乳腺癌篩查手段之一，具有檢查費用低廉、對鈣化點分辨力強等優點。但對于X線圖像上表現為軟組織結節、腫塊的病灶，僅憑視覺主觀分析很難準確鑒別其良、惡性，這也是目前臨床影像診斷工作中的一個難點。

生物學異質性作為腫瘤的重要特征之一，可能與腫瘤內部血管密度不均勻、血流灌注、腫瘤細胞增殖和壞死等因素有關[2-3]。紋理分析通過提取腫瘤影像中的紋理特征參數進行定量分析，能夠提供肉眼無法觀察到的病灶內潛在信息，并間接反映病灶的異質性[4]。近年來紋理分析方法已經應用于腦、肺、肝臟、胰腺及乳腺等臟器的良惡性腫瘤的鑒別診斷[5-9]。Gatenby等[10]研究發現將病灶分為不同區域(如：核心和邊緣)可以提高對病灶內紋理特征的顯示效能。基于該研究的結果，我們試圖在乳腺X線圖像上將乳腺腫瘤劃分為核心和邊緣區，分析不同區域的紋理分析結果對鑒別乳腺腫塊良惡性的價值。

材料與方法

1.研究對象

搜集2018年1月-2019年12月在本院行乳腺X線檢查并經病理證實的108例患者(共計118個乳腺腫塊)的病例資料。患者均為女性，年齡21～82歲，平均(50.4±12.4)歲。良性病變組(52例患者60個腫塊)：纖維腺瘤38例(46個)，乳腺病14例(14個)。惡性病變組(56例患者共計58個腫塊)：浸潤性導管癌51例(53個)，導管內癌1例(1個)，惡性分葉狀瘤2例(2個)，乳頭狀癌1例(1個)，黏液腺癌1例(1個)。納入標準：①有明確病理及臨床診斷結果；②腫塊內無明顯鈣化或壞死空洞；③腫塊直徑≤3 cm。

2.檢查方法

使用HoLogic Inc Lorad公司Selenia型數字化乳腺X光機。攝影體位采用內外側斜位(mediolateral oblique，MLO)和頭尾位(cranial caudal，CC)。攝影條件：Auto Filter曝光模式，管電壓25～30 kV，管電流75～95 mAs，圖像尺寸24 cm×29 cm。

3.紋理分析方法

由2位分別具有7年和12年影像診斷經驗的放射科醫師對每例患者的MLO及CC圖像進行比較，共同確定用于紋理分析的圖像，選擇完成后以bmp格式保存并導入MaZda軟件中。由同一位乳腺X線診斷醫師使用多邊形ROI工具沿腫塊外緣手動勾畫其輪廓，得到每個腫塊整體區域的ROI。然后，通過形態學操作侵蝕(Erosion)，將腫塊整體分割成兩個不同區域：核心和邊緣。目前對于病灶核心區和邊緣區的分割方式并無統一標準，且以往基于斷層圖像的分割方法并不適用于乳腺X線圖像。經過實驗比較，我們最終規定侵蝕至腫塊短徑一半的區域為核心區域，然后將腫塊整體區域減去核心區域得到環形的邊緣區域(圖1、2)。

在MaZda軟件中選擇μ±3σ選項對每幀圖像進行灰度歸一化處理來降低對比度和亮度對圖像灰度值的影響。然后基于灰度共生矩陣(gray level co-occurrence matrix，GLCM)分別提取每個腫塊的整體、核心及邊緣三個不同區域的紋理特征。基于既往的相關研究結果[9,11-13]，本研究中選擇熵、總和熵、差異熵、對比度、相關度、和方差及差方差共6個紋理參數作為分析指標(表1)。

表1 各項紋理參數的意義

4.乳腺X線診斷

由本院影像科醫師對每幀乳腺X線片出具診斷報告，對病變進行BI-RADS分級，其中0～4A類歸為良性組，4B～6類為惡性組。

5.統計學分析

使用SPSS 22.0統計分析軟件進行數據分析。首先，對每組中各項紋理特征的數據進行正態性檢驗，符合正態分布的數據以 表示，采用獨立樣本t檢驗進行組間比較；不符合正態分布的數據以中位數(上、下四分位數)表示，采用Mann-WhitneyU檢驗進行組間比較。每個紋理特征的計算取其水平、垂直、45°及135°共4個方向上的平均值，共生矩陣參數的像素間距(d)設定為1個像素。

利用受試者工作特性(receiver operation characteristic，ROC)曲線對組間差異有統計學意義的紋理特征的診斷效能進行評估，使用MedCalc.軟件對比各項參數的ROC曲線下面積(area under the curve，AUC)的差異。采用二元logistic回歸向后Wald步進法建立多參數聯合診斷模型，并進一步分析其對乳腺病變良惡性的預測概率。以P<0.05為差異有統計學意義。

結 果

1.乳腺X線片診斷結果

良性組60個腫塊中，X線診斷結果為良性者52個，惡性者8個；惡性組58個腫塊中，X線診斷結果為惡性者44個，良性者14個。乳腺X線診斷的ROC曲線下面積(AUC)為0.813(圖3)，95%CI：0.731～0.904，檢出惡性病變的敏感度和特異度分別為75.86%和86.67%。

2.不同區域紋理特征的分析結果

兩組中腫塊不同區域的紋理特征及組間比較結果見表2～4。整體區域和邊緣區的相關性、對比度、差方差、總和熵、熵和差異熵之間的差異均具有統計學意義(P<0.05)；而兩組間核心區所有紋理特征的差異均無統計學意義(P>0.05)。對組間差異有統計學意義的紋理特征，建立ROC曲線并判定其診斷效能，結果見表3。AUC≥0.7的紋理特征有整體區域中的總和熵、熵，以及邊緣區域的對比度、總和熵、熵和差異熵。邊緣區域的紋理特征的診斷效能略高于整體區域，其中以邊緣區域的總和熵的診斷效能最高，AUC值為0.756。

表2 兩組腫塊整體區域紋理特征的比較

表3 兩組腫塊核心區域紋理特征的比較

表4 兩組腫塊邊緣區域紋理特征的比較

表5 各項紋理參數鑒別乳腺腫塊良惡性的診斷效能

3.紋理分析聯合乳腺X線的診斷結果

將組間差異有統計學意義的紋理特征及乳腺X診斷結果(良性賦值0，惡性賦值1)納入二元logistic回歸分析，最終建立的聯合診斷模型為Logit(P)=31.832×總和熵(邊緣)-4.19×X線診斷結果-57.057。聯合診斷模型的AUC為0.918，閾值為0.762，敏感度和特異度分別為84.5%和91.7%(表5、圖3)。對比單純乳腺X線診斷，聯合診斷的診斷效能(AUC)更高(P<0.05)，敏感度和特異度均高于常規乳腺X線診斷，但差異均無統計學意義(χ2=1.36，P>0.05；χ2=0.78，P>0.05)。

討 論

紋理分析可以檢測圖像中每個像素的細微分布和聯系，在臨床應用過程中能最大程度地獲取圖像上不同類型的信息，從而能客觀、定量地評估病灶的異質性。近年來，利用紋理分析來鑒別病灶良惡性的研究越來越多。Dennie等[9]的研究結果顯示熵、方差及平方和這3項紋理參數可以有效區分肺癌與肉芽腫性炎癥。 任繼亮等[14]利用紋理分析鑒別眼眶淋巴瘤與炎性假瘤，結果顯示兩者的熵值有明顯差異(P<0.05)。彭文靜等[15]對乳腺鉬靶圖像進行紋理分析，發現標準差、不均勻度和熵可有效區分良、惡性乳腺小結節。然而，目前大部分研究都是對整個病灶進行紋理分析，將病灶劃分成不同區域進行紋理分析的研究還很少。

本研究基于乳腺X線圖像，分析腫塊不同區域紋理特征對乳腺腫塊良惡性的鑒別價值，結果顯示良惡性組間病灶整體區域的總和熵、熵、差異熵、差方差、相關度和對比度的差異均有統計學意義(P<0.05)，與既往的研究結果相符。其中，惡性組中病灶的相關度顯著低于良性組，表明惡性腫塊的紋理更不規則；惡性組的對比度、差方差、總和熵、熵以及差異熵均顯著高于良性組，說明惡性腫塊的結構更混亂，紋理更為復雜。進一步研究顯示，兩組腫塊間核心區域的紋理特征并無明顯差異，而邊緣區域具有顯著差異的紋理特征與整體區域一致。且相較于整體區域，邊緣區域的紋理特征顯示出更好的診斷效能。以上結果提示兩組腫塊之間的紋理特征差異主要源于腫塊的邊緣區域。造成此結果的確切原因尚不確定，推測可能是由于惡性腫塊內的異質性并不均勻，腫塊邊緣區域異質性更高所致。Biesaga等[16]研究發現惡性腫瘤的新生微血管生長活躍并多集中在腫瘤邊緣，而核心區血管化不良。其研究結果也支持上述推測。

熵相關的紋理特征反映了腫塊內像素分布的隨機混雜程度。已有研究證實熵能夠較好地反映病灶內的異質性[17-18]。本研究中，整體區域的總和熵、熵及邊緣區域的總和熵、熵和差異熵均顯示出了良好的診斷效能(AUC≥0.7)，與既往研究結果相符。其中邊緣區域的總和熵的診斷效能最高，AUC為0.756，相應的敏感度、特異度分別為72.4%和68.3%。經Logistic回歸分析，在所有紋理特征中僅邊緣區域的總和熵被納入了聯合診斷模型，提示其可能是鑒別乳腺腫塊良惡性的最佳紋理指標。此外，相較于單純乳腺X線診斷，聯合診斷模型的診斷效能顯著提高，敏感度和特異度也有所提升。表明紋理分析可以有效地幫助影像醫師提高對乳腺腫塊定性診斷的準確性。

本研究的局限性：①基于乳腺X線影像進行紋理分析，無法反映腫塊的三維空間的紋理差異；②ROI為人工勾畫，紋理分析結果可能會受到主觀因素的影響。③由于某些病理類型腫瘤的樣本量較小，未對不同病理類型乳腺腫瘤之間的紋理特征的差異進行研究。④為回顧性單中心分析，樣本選擇可能存在一定偏倚。

綜上所述，對乳腺X線圖像上腫塊整體和邊緣區域進行紋理分析，可以有效提高對乳腺腫塊良惡性的鑒別診斷準確性，為臨床診斷提供客觀和可靠依據。