基于Tirm序列紋理特征聯合TIC曲線鑒別乳腺良惡性病變的價值

王銘，王秀蘭，張繼，孫中茹，田為中*

乳腺癌是女性惡性腫瘤發病率較高的腫瘤之一，因其病理結構復雜，故術前診斷困難。動態磁共振增強成像(dynamic cont r ast-enhanced MRI，DCE-MRI)是乳腺癌檢測最敏感的成像方法，敏感度高達93%[1]。時間-信號強度(time signal intensity cur ve，TIC)曲線是DCE-MRI動力學的基礎，可以反映乳腺癌病灶的血流灌注率和流出率，描述病變的灌注情況。既往一項研究[2]表明，TIC曲線能夠作為預測模型中可靠的惡性獨立預測因子，聯合ADC值可提高診斷乳腺癌的敏感度。紋理分析可以提取肉眼無法識別的紋理特征，提供有關腫瘤微環境的相關信息，進而揭示腫瘤的異質性[3]，其中灰度共生矩陣(gr ay l evel co-occur r ence matr ix，GLCM)是最常用的二階紋理分析方法。近年來，已有DCE-TIC聯合其他參數在鑒別乳腺良惡性腫瘤方面的研究[2，4]，鮮見TIC曲線聯合紋理參數分析鑒別二者的研究，本研究探討基于T2反轉恢復壓脂(t ur bo inver sion r ecover y magnit ude，Tir m)序列的GLCM紋理特征參數聯合DCE-TIC曲線鑒別乳腺良惡性病變的價值。

1 材料與方法

1.1 一般資料

前瞻性收集泰州市人民醫院數據庫檢索2018年1月至2020年7月因乳腺病變接受MRI檢查的女性患者。排除標準：(1)術前2周前未行乳腺MRI平掃及動態增強掃描；(2)所有病灶未經手術病理證實；(3)行MRI檢查前行穿刺活檢術后、新輔助放化療；(4)圖像質量差，不能用于紋理分析。經篩選共52例女性患者符合入組標準，共64個病灶，患者年齡23～73(44.5 2±9.7 6)歲，腫瘤直徑0.5 ～7.0 (2.0 0±1.1 5)cm。本研究經過本單位醫學倫理委員會批準(批準文號：KY201813801)，受試者均已簽署知情同意書。

1.2 儀器與方法

使用Siemens Skyr a 3.0 T和Siemens Ver io 3.0 T超導MR掃描儀及專用4通道乳腺線圈進行掃描。患者取俯臥位，雙側乳腺自然懸垂適當固定于線圈中。掃描順序如下：(1)軸位Tir m序列[TR 4000～6340 ms，TE 45～70 ms，層厚4.0 mm，視野(340～350)mm×(340～350)mm，層厚4.0 mm，層間距0.4 ～1.2 mm，矩陣320～448×256～358]；(2)軸位T1WI序列[TR 5.9 ～6.0 ms，TE 2.2 3～2.3 4 ms，層厚1.2 ～4.0 mm，視野(340～360)mm×(340～360)mm，層厚1.2 ～2.0 mm，層間距0.2 4～0.4 mm，矩陣448×358]；(3)雙乳矢狀位T2WI抑脂序列[TR 3010～5710 ms，TE 64～75 ms，視野18 cm×18 cm，層厚4.0 mm，層間距0.8 mm，矩陣256～320×210～240]；(4)軸位擴散加權成像(dif f usion-weighted imaging，DWI)[TR 5430～6600 ms，TE 55～85 ms，層厚4～5 mm，視野(320～340)mm×340 mm，b=50、400、800、1000 s/mm2，層厚4～5 mm，b=50、400、800、1000 s/mm2，層間距2～5 mm，矩陣200～220×170～220]及ADC圖像；(5)軸位DCE-MRI掃描：采用3D FLASH序列[TR 4.1 7～4.5 1 ms，TE 1.5 5～1.6 1 ms，層厚0.9 ～1.0 mm，視 野340 mm×340 mm，層 厚0.9 ～1.0 mm，層 間 距0.1 8～0.2 mm，矩陣(320～448)×(256～300)]，重復掃描6次，第1次掃描后間隔20 ms注射對比劑，并在注射結束的同時開始后續掃描。對比劑采用釓噴酸葡胺注射液(0.1 mmol/kg)，以高壓注射器靜脈團注(2.0 mL/s)。

1.3 圖像分析

1.3 .1 DCE-TIC的繪制

將DCE-MRI圖像傳至后處理工作站，手動選取ROI，選取病灶強化最明顯且認為惡性程度較高的區域，盡量避開壞死、囊變區域，形態為多邊形或圓形，面積需小于病灶面積但大于3個體素。利用Mean-Cur ve后處理軟件分析得出ROI的TIC曲線，記錄TIC曲線類型，參照Kuh1分型分為3型[5]：Ⅰ型為緩升型，Ⅱ型為平臺型，Ⅲ為流出型。

1.3 .2 紋理分析方法

從PACS工作站將所有研究對象的Tir m序列圖像以BMP格式導入MaZda紋理分析軟件，由2名具有乳腺腫瘤MRI診斷經驗的副主任醫師參考DWI及延遲增強掃描圖像，遵循盲法原則共同協商選擇Tir m中病灶最大層面，使用三維感興趣區編輯器(3D ROI editor)手動勾畫ROI，且將其放置在腫瘤的邊界內(圖1)。軟件自動提取出灰度共生矩陣參數，包括角秒矩、對比度、相關性、平方和、逆差距、均和、均差、和熵、熵、差方差、差熵。為減小亮度和對比度變化對結果的影響，在提取紋理特征前將圖像灰階范圍進行標準化處理。

圖1 右乳浸潤性導管癌的ROI測量圖，紅色區域為腫瘤實質覆蓋區圖2 角秒矩、對比度、平方和、均和、均差、熵和熵及差熵對乳腺良惡性病變診斷效能的ROC曲線 圖3 紋理參數、TIC曲線及紋理參數聯合TIC曲線對乳腺良惡性病變診斷效能的ROC曲線Fig.1 ROI sketch of invasive ductal carcinoma of right breast,the red area is the parenchymal coverage of the tumor.Fig.2 The ROC curve of the diagnostic efficiency of Ang Sc Mom,Contrast,Sum of Sqs,Sum Averg,Varnc,Entropy,Sum Entrp and Dif Entrp for breast benign and malignant lesions.Fig.3 The ROCcurve of texture parameter,TIC curve and texture parameter combined with TICcurve in the diagnosis of benign and malignant breast lesions.

1.4 統計學方法

使用SPSS 22.0 軟件進行統計分析。對所有計量資料進行正態性檢驗，符合正態性分布的數據以均數±標準差表示，行獨立樣本t檢驗比較；非正態分布的數據以中位數(上下四分位數)數表示，采用Mann-Whit neyU檢驗進行比較。計數資料對比行χ2檢驗。繪制ROC曲線并獲得各紋理參數AUC，選取兩組間差異有統計學意義的紋理參數與TIC曲線進行多因素Logist ic回歸分析建立回歸模型，對各參數模型繪制ROC曲線評估診斷效能。P＜0.0 5為差異有統計學意義。

2 結果

2.1 病理結果

52例患者，共64個病灶，病理結果顯示，31個良性病變(包括15個纖維腺瘤、1個腺病、3個腺病伴纖維腺瘤、2個纖維腺瘤伴感染、1個囊腫、2個囊腫伴感染、3個腺病伴導管內乳頭狀瘤、4個肉芽腫性乳腺炎)；33個惡性病變(包括28個浸潤性癌，1個浸潤性癌合并導管內微乳頭狀癌和浸潤性微乳頭狀癌，1個黏液癌，2個導管內癌，1個導管內癌伴部分導管內微乳頭狀癌)。

2.2 TIC類型比較

良性病變組TIC曲線類型以Ⅰ型(58.1 %)為主，惡性病變組以Ⅲ型(57.6%)曲線為主，差異有統計學意義(χ2=39.9 5，P＜0.0 5)。TIC曲線診斷乳腺惡性病變的敏感度、特異度和準確度分別為97.0 %(32/33)、58.1 %(18/31)和78.1 %(50/64)，見表1。

表1 乳腺腫瘤良、惡性病變組動態增強TIC曲線類型分布(n/%)Tab.1 Dynamic enhanced TICcurve type distribution in benign and malignant breast tumor groups(n/%)

2.3 GLCM參數分析結果

利用統計學軟件提取出Tir m圖像中差異有統計學意義的GLCM參數8個，包括角秒矩、對比度、平方和、均和、均差、熵、和熵、差熵。良性病變組的對比度、平方和、均差、熵、和熵和差熵均低于惡性病變組，良性病變組角秒矩、均和高于惡性病變組，差異有統計學意義(P均＜0.0 5)，見表2。

表2 乳腺腫瘤良、惡性病變組T2反轉恢復壓脂圖像紋理特征參數比較Tab.2 Comparison of texture feature parameters of Tirm images in benign and malignant breast tumor groups

2.4 ROC曲線分析

GLCM參數、TIC曲線及聯合預測因子在乳腺良、惡性病變組中的ROC診斷曲線見圖2、3。GLCM參數的AUC、最佳臨界值及敏感度和特異度見表3。GLCM參數中，角秒矩、對比度、平方和、均和、均差、熵、和熵和差熵 的AUC分 別 為0.6 66、0.6 10、0.7 29、0.7 65、0.7 23、0.6 87、0.6 56和0.6 64，以 均 和 的AUC最 高，其 以256.4 1為臨界值，敏感度和特異度分別為75.8 %、77.4%。GLCM參數聯合TIC曲線的AUC、敏感度、特異度和準確度見表4。GLCM參數聯合TIC曲線的AUC為0.9 59，其敏感度、特異度和準確度分別為84.8 %、96.8 %、90.6 %，診斷效能分別優于GLCM參數和TIC曲線。

表3 乳腺腫瘤良、惡性病變組T2反轉恢復壓脂圖像紋理參數的ROC分析Tab.3 ROCanalysis of texture parameters of Tirm images in breast tumor benign and malignant lesion groups

表4 T2反轉恢復壓脂圖像紋理參數、TIC曲線及紋理參數聯合TIC曲線對乳腺良惡性病變的診斷效能Tab.4 The diagnostic efficiency of Tirm image texture parameters,TIC curve and texture parameter combined with TICcurve for breast benign and malignant lesions

3 討論

乳腺癌是一種在基因組、組織學和影像學分析中均表現為異質性的腫瘤。磁共振成像已經廣泛應用于乳腺癌的診斷、治療及預后評估等方面，其成像方式主要包括T2WI、DCE-MRI、DWI等。Yuen等[6]通過研究乳腺癌DWI的形態學和T2WI的瘤內信號強度，通過DWI和T2WI聯合能夠評估乳腺癌的不同亞型。Zhang等[7]通過T2WI、擴散峰度成像(dif f usion kur t osis imaging，DKI)的影像學特征和DCE-MRI藥代動力學參數圖的聯合模型提高了乳腺良惡性病變的診斷效能。但是，由于乳腺良惡性病變在形態、信號特征及血流動力學表現有重疊，并不能有效提供腫瘤的足夠信息。本研究利用紋理分析技術，基于Tir m序列提取肉眼無法識別的瘤內紋理特征，比較乳腺良惡性病變組的紋理特征差異，量化腫瘤的異質性，并聯合TIC曲線，提高鑒別診斷的準確性。

3.1 DCE-TIC曲線在乳腺良惡性病變的鑒別診斷價值

有研究表明，惡性病變依賴于新生血管和微血管的生長[5]，血管密度高，管壁通透性高，增強掃描后多表現為早期強化，后期廓清快，TIC曲線以Ⅲ型多見(19/33)。乳腺良性病變由于血管反應性增生，通透性略升高且血管密度較低，TIC曲線以Ⅰ型多見(18/31)，而有一些乳腺良惡性病變表現為Ⅱ型曲線。本研究將Ⅰ型曲線診斷為良性病變，Ⅱ、Ⅲ型曲線診斷為惡性病變。結果顯示，以TIC曲線類型為標準診斷乳腺癌的敏感度較高(97.0%)，但特異度相對較低(58.1 %)，與Yang等[8]研究結果大致相似。由于乳腺良惡性病變在Ⅱ型曲線上有重疊，故單純依賴TIC曲線診斷乳腺良惡性病變是不夠的，需結合其他參數進行聯合評價[9]。

3.2 GLCM紋理參數在乳腺良惡性病變的鑒別診斷價值

紋理分析是一種評估腫瘤異質性的無創方法。Zhao等[10]探討了ADC全容積直方圖和紋理分析對特發性肉芽腫性乳腺炎和浸潤性乳腺癌的鑒別診斷價值，結果發現特發性肉芽腫性乳腺炎的差熵和熵顯著低于浸潤性乳腺癌，第5百分位數高于浸潤性乳腺癌，第5百分位數差熵和熵在兩組間有顯著差異。三者聯合的曲線下面積為0.7 78，準確度為79.3 %，敏感度為87.1 %。Mai等[11]研究了乳腺MRI紋理分析在乳腺纖維瘤和葉狀腫瘤鑒別診斷中的價值，結果表明T2短時間反轉恢復(T2 shor t t ime r ever sal r ecover y，T2-STIR)序列的紋理特征分析準確度較高(89.3 %)，AUC為0.8 9，優于MRI其他序列的紋理特征。Wang等[12]認為基于擴散加權成像的GLCM參數可以鑒別乳腺良惡性腫瘤，乳腺惡性腫瘤的能量和相關性低于良性腫瘤，對比度和熵值高于良性腫瘤。本研究結果顯示，乳腺良性病變組及惡性病變組Tir m序列上的GLCM參數(角秒矩、對比度、平方和、均和、均差、熵、和熵、差熵)差異均有統計學意義(P＜0.0 5)。在二階GLCM紋理特征中，對比度反映圖像的灰度變化量，對比度越高，表明圖像中存在越多的噪聲或紋理褶皺，圖像越不清晰[13]。乳腺惡性病變較良性病變對比度高，表明惡性病變中存在較高的噪聲或皺褶紋理，這可能與局部異質性強度有關。熵反映衡量圖像紋理的隨機性以及圖像所包含的信息量，圖像紋理越復雜，熵值越大[14]。既往的一項研究[15]發現，ADC的熵值與乳腺癌的Ki-67的表達狀態具有相關性，Ki-67高表達組的ADC熵值高于Ki-67低表達組，ADC熵值對乳腺癌Ki-67狀態的預測價值優于平均ADC值，表明了ADC熵值會隨著組織結構顯著的異質性、不均勻而增加。本研究中除角秒矩和均和外，乳腺惡性病變組的對比度、平方和、均差、熵、和熵和差熵均高于良性組，說明惡性病變的癌細胞異常增殖，密度增高，排列紊亂，圖像紋理溝紋深、復雜、粗糙，腫瘤異質性強。這與其他學者研究的結果相似[16-19]。

3.3 聯合應用DCE-TIC曲線、GLCM紋理參數對乳腺癌的診斷效能分析

利用ROC曲線對DCE-TIC曲線、GLCM紋理參數及二者聯合的診斷價值進行評估，得到TIC曲線的AUC為0.8 96，敏感度為97.0 %，特異度為58.1 %，準確度為78.1 %。GLCM紋理參數聯合診斷的AUC為0.8 96，敏感度為87.9 %，特異度為87.1 %，準確度為87.5 %。TIC曲線和GLCM各紋理參數診斷乳腺良惡性病變的特異度相對較低，這與國內外研究結果相一致[20-22]。聯合TIC曲線與GLCM紋理參數對乳腺良惡性病變進行鑒別診斷時，其AUC為0.9 59，敏感度為84.8 %，特異度提高到96.8 %，準確度提高到90.6 %，能有效提高TIC曲線和GLCM紋理參數對乳腺癌的鑒別診斷效能，體現了磁共振既能利用紋理分析技術反映腫瘤組織的異質性，又能反映血流動力學特征，有助于術前對乳腺腫瘤良惡性病變的鑒別診斷，對患者的治療方式選擇具有一定的臨床意義。

本研究的局限性在于：(1)ROI選取的是病灶最大層面，但腫瘤是立體的，不能體現腫瘤整體特征；(2)僅使用Tir m圖像進行紋理特征分析，未來將聯合其他序列圖像進行分析；(3)本研究屬于小樣本量的前瞻性研究，內在的變化和偏差可能會影響結果，在今后的研究中有待收集更多樣本數據進行進一步驗證。

綜上所述，基于Tir m序列圖像的灰度共生矩陣紋理特征聯合TIC曲線可提高乳腺良惡性病變的診斷價值，對指導臨床制定正確的診療方案具有重要意義。

作者利益沖突聲明：全體作者均聲明無利益沖突。