新型冠狀病毒肺炎和其他相似肺炎CT平掃圖像的紋理分析

淮安市腫瘤醫院 CT室，江蘇 淮安 223200

引言

隨著新型冠狀病毒肺炎（Corona Virus Disease 2019，COVID-19）的快速傳播發展，在伴隨有其他相似肺炎發生的情況下，鑒別其中的COVID-19患者顯得至關重要。實際上，COVID-19與其他肺炎的CT表現具有相似性，通過醫師讀片進行鑒別有一定難度，準確地鑒別診斷COVID-19和其他相似的肺炎是目前臨床工作的一大難題。與醫師讀片相比，CT平掃圖像紋理分析可提供肉眼不可見的特征[1-4]，有潛力鑒別診斷COVID-19與其他相似肺炎。本研究選取我院收治的COVID-19和2019年度收治的具有相似臨床和CT表現的病例，對比分析影像醫師讀片和CT平掃圖像紋理分析鑒別診斷COVID-19和其他相似肺炎的準確性，從而為流行病學史不明或核酸檢測陰性的患者提供影像學依據，保證治療的精準性。

1 資料與方法

1.1 一般資料

選取2020年1月至2020年4月間在淮安市腫瘤醫院收治的COVID-19患者33例，其中男22例，女11例，年齡28～85歲，平均年齡52.95±13.83歲，所有病例均與國家衛生健康委員會頒布的《新型冠狀病毒感染的肺炎診療方案（試行第七版）》標準相符合[1]，均為普通型。納入標準：① 有疫區居住史或旅游史，或有COVID-19患者接觸史；② 有完整的胸部CT平掃圖像資料；③ 臨床及檢驗指標均與COVID-19相符；④ 經病毒核酸RT-PCR檢測確診。排除標準：① 臨床資料不完全；② 流行病學特征未確診；③ 病毒核酸RT-PCR檢測陰性。同時選取2019年6月至2019年12月其他具有相似臨床表現和CT特征的肺炎患者作為對照，其中男24例，女9例，年齡20～76歲，平均年齡49.27±15.17歲。

1.2 儀器與方法

1.2.1 CT檢查

采用飛利浦公司生產的Brilliance16排螺旋CT進行胸部檢查，常規掃描層厚5 mm，層距5 mm；高分辨率CT：管電壓120 kV，管電流160 mA，重建層厚1 mm，間距0.7 mm，以標準重建或骨算法重建。

1.2.2 主觀閱片

將33例COVID-19患者的CT影像與33例其他相似肺炎CT影像相混合，由兩名具有10年以上工作經驗的影像科副主任及主任醫師共同進行閱片，閱片結果以“COVID-19和非COVID-19”的形式表示，將閱片結果與臨床最終診斷結果進行對比，分析誤判率。

1.2.3 紋理分析

采用羅茲工業大學免費紋理分析MaZda軟件（Version 4.6），選擇患者肺部CT平掃圖像的最大橫斷面，導入MaZda軟件，分別用紅色和綠色標記手動勾畫胸部病變區域的感興趣區（Area of Interest，ROI），盡可能包含全部的病變區域，獲取兩組患者ROI的紋理特征參數。通過軟件自帶的紋理特征分析方法選擇最具鑒別價值的紋理參數，這些方法包括交互信息（Mutual Infoemation，MI）、Fisher系數、分類錯誤概率聯合平均相關系數（Probability of Classification Error+Average Correction Coefficient，POE+ACC）及三種方法聯合（Fisher+POE+ACC+MI），前三種方法選取十個紋理特征參數，三種方法聯合提取三十個紋理特征參數，將簡化后的紋理特征參數輸入MaZda自帶的B11統計分析軟件包中，構建人工神經網絡（Artificial Neural Network，ANN）模型，計算得出ANN模型對COVID-19和其他相似肺炎的誤診率，并將其與影像醫師的主觀閱片結果比較。

1.3 統計學分析

采用SPSS 19.0統計分析軟件，計量資料用均數±標準差（±s）或例數及百分率表示。采用獨立樣本t檢驗比較COVID-19患者和非COVID-19患者CT平掃圖像的各項紋理參數，影像醫師主觀閱片以及各種紋理分析方法誤判率的比較采用χ2檢驗，P＜0.05為差異具有統計學意義。

2 結果

2.1 臨床資料

COVID-19肺炎患者共33例，其他具有相似臨床及CT表現的肺炎包括巨細胞病毒性肺炎1例，單純孢疹病毒肺炎2例，流感病毒肺炎3例，細菌性肺炎22例，支原體肺炎3例，衣原體肺炎2例。兩組患者的年齡及性別均無明顯統計學差異（P＞0.05）。

2.2 COVID-19和其他相似肺炎的CT影像ROI標識及紋理特征統計

COVID-19患者和非COVID-19患者CT平掃圖像的ROI分別為紅色和綠色（圖1～2），四種紋理分析方法選取的紋理參數共30組（表1），結果表明，除S(0,5)Correlat、Teta3、GrNonZeros外，余兩組紋理參數均具有統計學差異（P＜0.05）。

圖1 COVID-19 CT平掃的影像資料

圖2 相似肺炎CT平掃的影像資料

2.3 兩組患者誤判率的分析

將簡化后的紋理特征參數輸入MaZda自帶的B11統計分析軟件包中，構建ANN模型，對于所有患者，采用MI方法進行紋理分析的誤判率為34.85%（23/66），Fisher系數為 25.76%（17/66），POE+ACC為19.70%（13/66），三種方法聯合為10.60%（7/66）。影像醫師鑒別COVID-19和其他相似肺炎的誤判率為31.82%（21/66），其中，三種方法聯合分析的誤判率最低，與MI、Fisher系數、影像醫師主觀評閱比較，差異均具有統計學意義（χ2值分別為11.04、5.09、8.89，P值均＜0.05）。對于兩組患者，各種紋理分析方法在兩組患者之間的誤診率則不具有統計學意義（P＞0.05），影響醫師主觀閱片的誤診率具有統計學差異（P＜0.05）（表 2）。

表1 兩組患者CT平掃圖像的紋理特征參數對比

表2 兩組患者CT平掃圖像誤診率分析[例（%）]

3 討論

紋理分析作為人工智能的重要內容目前已在臨床醫學方面應用，其通過一定的圖像處理技術提取圖像的紋理特征，對病變的特征進行量化分析處理并做出判斷，以此獲得對紋理的定性或定量描述，從而有助于更加細致地分析圖像，可避免醫師在診斷過程中主觀性因素的影響，這在一定程度上實現了診斷的量化及標準化[5]。研究表明，紋理分析在腫瘤的鑒別診斷以及預測疾病的危險性方面具有一定的價值[6-10]。作為COVID-19肺炎的主要檢查手段之一，CT平掃圖像可表現為磨玻璃影、網格影或結節樣改變[11-17]，隨著世界范圍內COVID-19的流行，如何將COVID-19與其他相似的肺炎進行鑒別將會逐漸成為臨床的難題，包括細菌、病毒、支原體、衣原體等引起的肺炎。目前，紋理分析已應用于肺部腫瘤的鑒別診斷[18-20]，這些均表明紋理分析是一種具有潛在價值的分析方法。

本研究對COVID-19和其他相似肺炎的CT平掃圖像進行了紋理分析，結果表明，COVID-19的CT平掃圖像紋理特征與其他相似肺炎有一定的區別，在MaZda軟件中提供的6類287種紋理參數中，共20種紋理特征在COVID-19和其他相似肺炎的CT平掃圖像中具有統計學差異。同時，通過構建的ANN模型發現，CT平掃圖像紋理分析可用于鑒別COVID-19和其他相似肺炎，其中MI的總誤判率為34.85%，Fisher系數為25.76%，POE+ACC為19.70%，三種方法聯合為7.58%，誤判率越小說明對COVID-19和其他相似肺炎的辨識度越高，所蘊含的COVID-19和其他相似肺炎的紋理特征越多。在四種紋理方法中，三種方法聯合的誤判率最低，且明顯低于影像醫師的主觀閱片結果，這與三種方法聯合提供的紋理信息更多且更為全面有關，另外，這也表明CT平掃圖像紋理分析對鑒別COVID-19和其他相似肺炎具有較大的價值。

在總誤判率方面，三種方法聯合最低，但通過對于COVID-19和其他相似肺炎的進一步分組發現，MI、Fisher系數、POE+ACC以及三種方法聯合在兩組之間不具有統計學差異，而影像醫師的主觀閱片在兩組之間則具有一定的差異（P＜0.05），45.45%的非COVID-19 CT平掃圖像被誤判為COVID-19，這可能與當下COVID-19流行有關，這在一定程度上造成影像醫師閱片時主觀偏向于COVID-19。與影像醫師主觀閱片相反，紋理分析不受診斷醫師主觀性的影響，因而，各種紋理分析方法在兩組患者之間的誤判率均無明顯統計學差異。

然而，本研究中病例來源于淮安市腫瘤醫院，樣本量有限，同時，本研究未對其他相似肺炎的類型進行進一步分類，CT平掃圖像紋理分析結果可能會存在一定的偏倚，有待于進一步分類研究。

綜上所述，CT平掃圖像紋理分析可用于鑒別COVID-19和其他相似肺炎，能為鑒別COVID-19和其他相似肺炎提供客觀依據，可作為今后一段時間內流行病學史模糊、核酸檢測陰性且有呼吸癥狀患者的初步診斷方法，值得推廣應用。