CT紋理分析鑒別甲狀腺良惡性結(jié)節(jié)和預(yù)測(cè)淋巴結(jié)轉(zhuǎn)移

陳鏡鍵，方 正，鐘維佳，鄒欣芯，游 濤

(重慶醫(yī)科大學(xué)附屬第二醫(yī)院放射科，重慶 400010)

甲狀腺結(jié)節(jié)多為良性病變，惡變率約5%[1]。甲狀腺癌是內(nèi)分泌系統(tǒng)最常見(jiàn)的惡性腫瘤，且發(fā)病率不斷上升[2]。檢測(cè)甲狀腺腫瘤的傳統(tǒng)方法主要有超聲、CT及MRI等，診斷依賴(lài)評(píng)估者主觀判斷，準(zhǔn)確率不高[3]。紋理分析是基于影像學(xué)圖像的數(shù)字信息研究技術(shù)，可反映疾病的異質(zhì)性[4]。本研究旨在探討紋理分析對(duì)鑒別甲狀腺結(jié)節(jié)良惡性和預(yù)測(cè)惡性甲狀腺結(jié)節(jié)淋巴結(jié)轉(zhuǎn)移的價(jià)值。

1 資料與方法

1.1 一般資料 回顧性分析2015年1月—2018年1月174例于重慶醫(yī)科大學(xué)附屬第二醫(yī)院經(jīng)手術(shù)病理證實(shí)甲狀腺腫瘤患者，男30例，女144例；年齡21～81歲，平均(47.8±12.8)歲。排除標(biāo)準(zhǔn)：①甲狀腺結(jié)節(jié)長(zhǎng)徑<5 mm；②CT顯示病灶為單純囊性，或存在大量鈣化；③圖像偽影重；④甲狀腺?gòu)浡圆∽儭?74例中，良性病變122例(良性組)，其中120例甲狀腺腺瘤、2例甲狀腺嗜酸細(xì)胞腺瘤；惡性病變52例(惡性組)，包括50例乳頭狀癌，1例髓樣癌，1例非霍奇金淋巴瘤，其中22例存在淋巴結(jié)轉(zhuǎn)移(轉(zhuǎn)移亞組)，30例無(wú)淋巴結(jié)轉(zhuǎn)移(無(wú)轉(zhuǎn)移亞組)。

1.2 儀器與方法 采用Philips Ingenuity 64排或Toshiba Aquilion one 320排CT機(jī)，掃描范圍自舌骨下緣至主動(dòng)脈弓上緣，遵照最低劑量原則和國(guó)家放射科管理規(guī)范及質(zhì)控標(biāo)準(zhǔn)[5]，掃描層厚1 mm，層間距1 mm，矩陣512×512。采用高壓注射器以流率3～4 ml/s注射對(duì)比劑碘海醇(350 mgI/ml)60～70ml，跟注30 ml生理鹽水后行增強(qiáng)掃描。采用標(biāo)準(zhǔn)算法進(jìn)行重建。

1.3 圖像處理及分析 將甲狀腺軸位動(dòng)脈期薄層CT圖像導(dǎo)入MaZda (version 4.7，http://www.eletel.p.lodz.pl/mazda/)軟件進(jìn)行處理及分析。由2名具有5年以上頭頸部影像學(xué)診斷經(jīng)驗(yàn)的主治醫(yī)師采用polygon模式手動(dòng)勾畫(huà)結(jié)節(jié)最大層面ROI(圖1)，意見(jiàn)不一致時(shí)經(jīng)協(xié)商達(dá)成共識(shí)，提取并保存ROI區(qū)域參數(shù)特征，經(jīng)Fisher降維方法分別獲得2組10個(gè)最優(yōu)紋理特征參數(shù)。

圖1 勾畫(huà)甲狀腺結(jié)節(jié)ROI示意圖 A.甲狀腺軸位動(dòng)脈期CT原始圖像； B.勾畫(huà)病灶ROI示意圖

1.4 統(tǒng)計(jì)學(xué)分析 采用SPSS 22.0統(tǒng)計(jì)分析軟件，以Kolmogorov-Smirnov檢驗(yàn)對(duì)數(shù)據(jù)行正態(tài)性分析。符合正態(tài)分布的定量資料以±s表示，組間比較采用獨(dú)立樣本t檢驗(yàn)，否則以中位數(shù)(上下四分位數(shù))表示，組間比較采用Mann-WhitneyU檢驗(yàn)。對(duì)計(jì)數(shù)資料采用χ2檢驗(yàn)。針對(duì)差異有統(tǒng)計(jì)學(xué)意義的紋理參數(shù)，采用二元Logistic回歸分析影響甲狀腺結(jié)節(jié)良惡性的獨(dú)立預(yù)測(cè)因子。以ROC曲線法分析獨(dú)立預(yù)測(cè)因子鑒別甲狀腺良惡性結(jié)節(jié)的效能。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 組間基線臨床資料比較 良、惡性組間年齡、性別和鈣化差異均無(wú)統(tǒng)計(jì)學(xué)意義(P均>0.05)，見(jiàn)表1。

表1 甲狀腺結(jié)節(jié)良性組與惡性組間臨床基線資料比較

2.2 組間動(dòng)脈期CT的紋理參數(shù)比較 共提取279個(gè)紋理特征，經(jīng)降維后獲得10個(gè)最優(yōu)紋理特征參數(shù)。2組間參數(shù)Variance，S(4,-4)SumAverg，S(5,5)SumAverg，S(5,-5)SumAverg，Horzl_GLevNonU，Vertl_GLevNonU，45dgr_GLevNonU，135dr_GLevNonU和135dr_Fraction差異均有統(tǒng)計(jì)學(xué)意義(P均<0.05)，S(5,-5)InvDfMom差異無(wú)統(tǒng)計(jì)學(xué)意義(P>0.05)，見(jiàn)表2。

表2 甲狀腺結(jié)節(jié)良性組與惡性組間紋理參數(shù)比較[中位數(shù)(上下四分位數(shù))]

2.3Logistic回歸分析及ROC曲線分析 參數(shù)Vertl_GlevNonU及45dgr_GlevNonU為甲狀腺良惡性結(jié)節(jié)的獨(dú)立預(yù)測(cè)因子(表3)。參數(shù)Vertl_GlevNonU、45dgr_GlevNonU鑒別甲狀腺良惡性結(jié)節(jié)的最佳閾值分別為21.11和33.61，相應(yīng)的AUC、敏感度和特異度分別為0.76、73.80%、73.10%和0.77、68.90%、75.00%,見(jiàn)表4及圖2。

圖2 獨(dú)立預(yù)測(cè)因子鑒別甲狀腺良惡性結(jié)節(jié)的ROC曲線

表3 甲狀腺良惡性結(jié)節(jié)Logistics回歸分析結(jié)果

表4 獨(dú)立預(yù)測(cè)因子鑒別甲狀腺良惡性結(jié)節(jié)的ROC曲線結(jié)果

2.4 惡性組內(nèi)亞組間紋理參數(shù)比較 轉(zhuǎn)移亞組與無(wú)轉(zhuǎn)移亞組間最優(yōu)紋理參數(shù)S(1,-1)SumAverg、S(2,0)SumAverg、S(2,2)SumAverg、S(2,-2)SumAverg、S(3,0)SumAverg、S(0,3)SumAverg、S(3,3)SumAverg、S(4,0)SumAverg、S(4,4)SumAverg及S(5,0)SumAverg差異均無(wú)統(tǒng)計(jì)學(xué)意義(P均>0.05)。

3 討論

目前常根據(jù)病灶形態(tài)或功能學(xué)特征診斷腫瘤。醫(yī)學(xué)影像學(xué)圖像中含有多維度信息，肉眼無(wú)法完全識(shí)別。紋理分析方法直接從影像學(xué)圖像中提取有意義的信息，通過(guò)復(fù)雜的算法和計(jì)算，反映病灶異質(zhì)性及確定病灶性質(zhì)[6-7]，其參數(shù)可分為一階、二階及高階特征。一階特征主要描述體素值的基本分布，包括直方圖的峰度、偏度和熵等；二階特征主要描述病灶內(nèi)具有相似灰度級(jí)體素之間的空間關(guān)系，包括灰度共生矩陣(gray-Level co-occurrence matrix, GLCM)和灰度游程矩陣(gray-level run-length matrix, GLRLM)；高階特征對(duì)圖像施加濾波器以重復(fù)或非重復(fù)模式提取特征，常用方法有小波變換等[8-9]。紋理分析可反映腫瘤組織病理學(xué)異質(zhì)性，后者可能為細(xì)胞過(guò)度增殖、異常血管生成和壞死的結(jié)果，由此可觀察與基因表達(dá)和腫瘤微環(huán)境變化有關(guān)[10]的組織結(jié)構(gòu)變化。

紋理分析已成為影像學(xué)的新興領(lǐng)域，并在多項(xiàng)研究[11]中取得成果，尤其在腫瘤診斷、組織功能及預(yù)后評(píng)估方面。ZHANG等[10]基于術(shù)前MRI紋理分析預(yù)測(cè)肝癌切除術(shù)后單病灶肝細(xì)胞癌早期復(fù)發(fā)，結(jié)果顯示熵是最有價(jià)值的預(yù)測(cè)因子。ABBASIAN ARDAKANI等[12]指出，基于超聲圖像紋理特征鑒別甲狀腺良惡性結(jié)節(jié)時(shí)，紋理特征組合比單個(gè)紋理的診斷效能更高。人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型對(duì)于預(yù)測(cè)甲狀腺良惡性結(jié)節(jié)具有重要價(jià)值[13]。上述研究多針對(duì)一階特征，較少對(duì)二階及高階特征進(jìn)行探討。本研究紋理分析包含一階、二階及高階共279個(gè)特征，僅參數(shù)Vertl_GlevNonU及45dgr_GlevNonU為甲狀腺良惡性結(jié)節(jié)的獨(dú)立預(yù)測(cè)因子，二者均為二階特征的GLRLM，反映45°與90°方向灰度值分布的空間差異，這種差異在一定程度上來(lái)源于病灶的異質(zhì)性，故可作為鑒別良惡性結(jié)節(jié)的紋理參數(shù)。另外，本研究二元Logistic回歸分析結(jié)果顯示，甲狀腺良惡性結(jié)節(jié)Vertl_GlevNonU和45dgr_GlevNonU的Exp(β)值均為正值，表明其與甲狀腺惡性腫瘤發(fā)病率呈正相關(guān)，且數(shù)值越大，惡性腫瘤的可能性越高。

吳宇強(qiáng)等[14]認(rèn)為熵值可用于鑒別甲狀腺良惡性結(jié)節(jié)，郭偉等[15]得出了與之相似的結(jié)論。本研究中良、惡性組間熵值差異無(wú)統(tǒng)計(jì)學(xué)意義，推測(cè)可能原因：①納入分析的紋理參數(shù)不同，本研究提取的紋理參數(shù)維度更多；②統(tǒng)計(jì)分析方法有所不同，本研究采用二元Logistic模型，剔除組內(nèi)變量(自變量)的相互影響，最終獲得的結(jié)果代表某個(gè)因子(自變量)與發(fā)生該事件(因變量)的獨(dú)立相關(guān)性，較常規(guī)t檢驗(yàn)或非參數(shù)檢驗(yàn)更為可靠；③本研究于動(dòng)脈期CT原始薄層圖像提取紋理特征，有利于避免紋理特征丟失而影響結(jié)果。

本研究提取的惡性組紋理參數(shù)有無(wú)淋巴結(jié)轉(zhuǎn)移亞組間差異無(wú)統(tǒng)計(jì)學(xué)意義，與胡云婷等[3]基于一階特征的研究結(jié)果一致，原因可能在于目前所提取的紋理特征不足以預(yù)測(cè)淋巴結(jié)轉(zhuǎn)移，或甲狀腺結(jié)節(jié)自身并不含有可表征淋巴結(jié)轉(zhuǎn)移的紋理特征；但也可能與本研究樣本量較少有關(guān)，有待進(jìn)一步觀察。

本研究的主要局限性：①甲狀腺惡性結(jié)節(jié)，尤其存在淋巴結(jié)轉(zhuǎn)移的樣本量較少，可能對(duì)研究結(jié)果存在一定影響；②甲狀腺良惡性結(jié)節(jié)間有差異統(tǒng)計(jì)學(xué)意義的紋理參數(shù)均屬GLRLM，潘淑淑等[16]認(rèn)為GLRLM灰度值分布代表腫瘤異質(zhì)性，其醫(yī)學(xué)解釋仍有待探討；③采用手動(dòng)方法勾畫(huà)病灶ROI，且僅勾畫(huà)1個(gè)層面，可能無(wú)法代表病灶所有特征。

綜上所述，基于CT圖像紋理分析對(duì)鑒別甲狀腺良惡性結(jié)節(jié)具有一定價(jià)值，而對(duì)預(yù)測(cè)甲狀腺惡性結(jié)節(jié)淋巴結(jié)轉(zhuǎn)移價(jià)值有限。