超聲影像組學助力左心室肥厚病因鑒別

余其徽，俞 霏，馬雨琴，夏良華，張 波，張 麒

(1.上海先進通信與數據科學研究院(上海大學)，上海 200444；2.上海大學通信與信息工程學院，上海 200444；3.同濟大學附屬東方醫院超聲科，上海 200120；4.上海市醫療圖像與醫學知識圖譜人工智能重點實驗室，上海 200051)

0 引言

高血壓性心臟病(hypertensive heart disease,HHD)、肥厚型心肌病(hypertrophic cardio myopathy，HCM)、尿毒癥性心肌病(uremic cardiomyopathy，UCM)是左心室肥厚(left ventricular hypertrophy，LVH)的主要病因[1-2]。胸超聲心動圖(transthoracic echocardiography，TTE)可以通過特定的形態學特征對部分LVH病因進行診斷[3]。但在其他許多具有非特異性特征的病例中，肥厚原因的鑒別仍具有很大的挑戰性[4-5]。因此，臨床亟需一種可廣泛應用的新技術，揭示真正的病因，輔助醫生進行臨床決策。

近年來，人工智能在心血管影像分析中的應用頗受關注[6-8]。假設不同病因導致的LVH組織學改變的差異將導致不同的心肌紋理，計算機在捕捉這些細微影像差異方面通常優于人類肉眼觀察。本研究回顧性地分析了HHD、HCM和UCM患者的超聲心動圖像，提取并分析多組心肌紋理特征，以輔助鑒別LVH病因。

1 材料和方法

首先，采集HHD、HCM和UCM患者的超聲心動圖像，并進行感興趣區域(region of interest，ROI)處理。然后，用計算機提取ROI的兩類紋理特征，并對這些特征進行統計學分析。接著，通過閾值法分類，以期發現臨床上單個分類能力較好的顯著特征。使用支持向量機(support vector machine,SVM)算法探討所有顯著特征的整體分類能力。

HHD、HCM和UCM患者的超聲心動圖分析流程如圖1所示。

圖1 超聲心動圖分析流程圖

1.1 圖像采集和ROI處理

本文研究的超聲心動圖像來自上海東方醫院超聲科，共獲得75例左心室肥厚患者的TTE資料。所有病例均行臨床資料仔細核實，以確定入選和分組。其中，HHD、HCM和UCM患者各25例。所有病例均采用高級彩超診斷儀，包括GE vivid E9、GE vivid7、Phillips IE33、Phillips EPIQ7c。超聲檢查時，按常規超聲心動圖檢查流程留取各切面圖像，提取心尖四腔心切面進行計算機分析。左心室肥厚超聲心動圖的病變處理如圖2所示。

圖2 左心室肥厚超聲心動圖的病變處理

為保證分析的準確性，本文由具有豐富臨床經驗的超聲醫生手動勾勒超聲心動圖中的肥厚室間隔ROI輪廓，如圖2(a)所示。接著，通過二值化處理得到超聲心動圖對應的掩膜圖像，如圖2(b)所示。其中，掩膜圖像中白色像素點對應病變ROI，黑色像素點對應背景區域。

1.2 紋理特征提取

根據原始超聲心動圖及其對應的掩膜圖像，本文提取了ROI的兩類心肌紋理特征，包括一階統計量特征和和灰度共生矩陣(gray level co-occurrence matrix,GLCM)特征。

一階統計量特征基于超聲灰度圖提取，包括ROI內部像素的均值、中值、標準差(standard deviation，Std)、變異系數。與一階統計量特征不同，本研究使用了兩種類型的GLCM特征，即對比度(Contrast)和均一度(Homogeneity)。作為一種常用的紋理分析方法，GLCM不僅關注像素整體的分布情況，也可以反映具有接近或相同灰度的像素點之間的位置分布特性[9]。求取GLCM特征時，為減少計算量，將原來的256 個灰度級量化到 8 個灰度級，即得到 8×8 的灰度共生矩陣G(i,j)(i=1,2,...,8;j=1,2,...,8)，再歸一化G(i,j)得到概率矩陣p(i,j)，進而提取紋理特征。同時，本研究設定矩陣方向為 0°、45°、90°、135°，最后求取4個方向特征的平均值作為最終的GLCM紋理特征。其中，Contrast值越小，Homogeneity值越大，則ROI病灶局部間的灰度越接近，像素分布越均勻。

1.3 統計學分析

為評價紋理特征對左心室肥厚病因的鑒別有效性，本研究對提取的所有特征進行了統計學分析。三組間的特征變量采用方差分析。而對于兩組間的特征變量，假設特征參數對應的數據為正態分布，采用非配對t檢驗進行分析；否則，采用KW檢驗分析。其中，p值小于0.05表示有統計學意義。

1.4 分類

1.4.1 閾值法分類

對于有統計學意義且能區分HHD、HCM和UCM三組的特征，在所有數據集上，本文以約登指數(youden index，Yi)最優為參考，調節確定合適的特征分類閾值，從而計算此時所有數據集對應的分類精度(accuracy,Acc)、靈敏度(sensitivity,Sen)、特異性(specificity,Spc)和曲線下面積(area under the curve,AUC)，以期發現臨床上分類能力較好的顯著特征。

1.4.2 SVM分類

本文運用SVM算法，進一步探討所有顯著特征的整體分類性能。SVM是一種有監督的學習算法。該算法通過非線性變換，將輸入的特征空間映射到高維特征空間，然后在高維特征空間尋找到經驗誤差最小、分類間距最大的最優分類超平面[10]。在本研究中，合并HHD、HCM和UCM中的任意兩組之后，使用SVM二分類算法分類，最后再次使用SVM二分類算法區分被合并的兩組。每次分類時，首先按照6∶4的比例，將數據集分成訓練集和測試集。然后，在訓練集上，使用5次交叉驗證尋找特征的最優模型，用于測試集的分類。最后，可以獲得了兩次分類過程中測試集對應的分類性能，包括Acc、Sen、Spc、Yi和AUC。

2 結果分析

2.1 統計學分析結果

入組病例均經詳細臨床資料核實確定LVH病因，包括HHD、HCM和UCM患者各25例，共75個ROI病灶。對提取的所有心肌紋理特征進行統計分析，能顯著區分HHD、HCM和UCM三組的特征如表1所示。表1中：0表示HHD組，1表示HCM組，2表示UCM組。與此同時，表1給出了對應特征的均值和標準差。

表1 顯著區分HHD、HCM和UCM的紋理特征

從表1中可以看出，當區分HHD、HCM和UCM三組左心室肥厚疾病(0vs1vs2)時，Std、Contrast和Homogeneity有一定的參考作用(p<0.001，Std；p=0.002，Contrast；p=0.004,Homogeneity)。當區分HHD、HCM組和UCM組(0,1vs2)時，Std、Contrast和Homogeneity三個參數均有顯著差異(p<0.001，Std；p<0.001，Contrast；p=0.048，Homogeneity)，UCM組的Std、Contrast值更大，Homogeneity值更小，表明UCM的ROI像素分布最不均勻。同時，相較于HCM組，HHD組表現更不均勻(0vs1)，且在Std、Contrast和Homogeneity三個參數上有顯著差異(p=0.034，Std；p<0.001，Contrast;p<0.001，Homogeneity)。此外，相較于HHD、UCM組，HCM組表現更均勻(0,2vs1)，且在Std、Contrast和Homogeneity三個參數上均有顯著差異(p=0.021，Std；p<0.001，Contrast；p<0.001，Homogeneity)。同時，相較于UCM組，HHD組表現更均勻(0vs2)，但僅在Std和Contrast兩個參數上有顯著差異(p=0.001，Std；p=0.016，Contrast)。

2.2 閾值法分類結果

利用閾值法分類探討臨床上單個顯著特征的分類能力時，Contrast參數表現最好。Contrast的閾值法分類結果如表2所示。

表2 Contrast的閾值法分類結果

當區分HHD、HCM組與UCM組(0,1vs2)時，AUC為0.769；進而區分HHD和HCM組(0vs1)，AUC為0.800。由此表明，Contrast對臨床上HHD、HCM和 UCM的區分有潛在的重要參考價值。

2.3 SVM分類結果

為區分HHD、HCM和UCM三組病因，本文分別運用了兩次SVM分類算法。其中，利用所有特征先區分HHD、HCM和UCM組(0,1vs2)，接著再區分HHD組和HCM組時(0vs1)，測試集分類性能表現更好。測試集的分類結果如表3所示。

表3 測試集的分類結果

分類結果表明，UCM組和HHD、HCM組更好區分，測試集Acc、Sen和Spc分別為0.867、0.875和0.833。當區分HHD組和HCM組時，測試集Acc、Sen和Spc分別為0.800、0.857和0.769，Sen和Spc相對不平衡。兩次分類模型的ROC曲線如圖3所示。

圖3 兩次分類模型的ROC曲線

3 結論

本研究將人工智能影像學技術應用于75例LVH圖像分析。分析結果表明，Contrast能顯著區分HHD、HCM和 UCM(p=0.002)，這與心肌病理生理特征密切相關[11-13]。同時，在SVM模型中區分HHD、HCM組和 UCM組時，AUC為0.910；區分HHD組和HCM組時，AUC為0.857。由此表明，醫生可從心肌紋理分析中獲益以輔助診斷三種LVH病因。本研究也存在一定的局限性：病例數相對較少，需不斷積累病例為臨床診斷提供更可靠的參數。后續可將影像組學特征應用于多模態超聲研究，以獲取更多新指標。