動態對比增強磁共振成像鑒別乳腺良惡性病變的診斷價值

范莉芳，張霞，黃磊，翟建，吳樹劍，徐曉燕

（1.皖南醫學院醫學影像學院，安徽 蕪湖 241002；2.皖南醫學院弋磯山醫院，安徽 蕪湖 241001）

近幾年，隨著乳腺病變影像學檢查和診斷技術的不斷完善，乳腺病變早期篩查結果的準確性也越來越好［1］。大多數早期乳腺癌患者往往都是通過影像學檢查來初步診斷的［2］。MRI 因具有較好的軟組織分辨率及多序列、多參數成像，在乳腺癌等疾病的診斷中得到了越來越廣泛的應用。MRI的部分特點如時間信號曲線（time-signal intensity curve，TIC）類型及表觀擴散系數（apparent diffusion coefficient，ADC）值識別乳腺良惡性病變也具有一定的價值［3-4］。圖像組學是一個熱門的研究方向，它基于影像圖像提供了大量的定量特征信息，來鑒別不同類型的病變性質［5-6］。本研究通過利用MRI 定性和定量參數建立MRI 特征模型和聯合影像組學標簽來建立基于DCE-MRI的影像組學模型，探討基于DCE-MRI的影像組學鑒別乳腺良惡性病變的價值。

1 資料與方法

1.1 一般資料 回顧性分析2020年1月至11月在我院進行乳腺DCE-MRI掃描的68例乳腺包塊患者共68 枚病變影像及其臨床病理數據等資料，所有患者的相關資料均完整。納入標準：（1）MRI 檢查和手術中的病理數據均完整；（2）既往沒有接受放射處理等治療史；（3）既往無乳腺外科手術史。排除標準：由于圖像質量差而導致難以進行觀察和測量。所有患者均為女性，以術后病理結果為金標準，其中乳腺惡性病變34枚（浸潤性導管癌26枚，浸潤性腺癌1枚，浸潤性小葉癌3枚，導管內癌4枚），患者平均年齡（43.8±9.3）歲；乳腺良性病變34枚（纖維腺瘤25枚，導管內乳頭狀瘤7枚，肉芽腫性小葉炎2枚），患者平均年齡（42.1±9.7）歲。

1.2 檢查方法 采用美國GE Signa HDxt3.0T 磁共振掃描儀，線圈使用乳腺8 通道專用相控陣線圈。患者頭先進取俯臥位，雙乳自然態，位于線圈中央，同時應避免線圈擠壓雙側乳房；讓患者處于較舒適體位，掃描方向從上至下，范圍應包括整個乳房。掃描序列及參數：LAVA T1WI：TR 5.68 ms，TE 2.10 ms，TI 14 ms，層 厚2.0 mm，層間距0 mm，FOV 330 mm×330 mm，矩陣320×320；STIR T2WI：TR 10 000 ms，TI 230 ms，TE 50 ms，層厚4.0 mm，層間距0.4 mm，FOV 330 mm×330 mm，矩陣320×256。DWI：單次 激 發SE-EPI：b=1 000 s/mm2，TR 6 500 ms，TE55ms，層厚4.0mm，層間距0.4mm，FOV340mm×320 mm，矩陣126×96。增強掃描采用雙筒高壓注射器，靜脈注射流速為2.5 ml/s、劑量為0.1 mmol/kg的Gd-DTPA（GE Healthcare AS）對比劑，先掃1期蒙片，蒙片完成后立即注入對比劑同時行LAVA T1WI 掃描，參數同上。每1 期掃描時間為60 s，共需要掃描8期。

1.3 圖像分析 由2 名經驗豐富的放射科醫師根據2013 年美國放射學會第2 版適用于MRI 的乳腺影像報告和數據系統［7］分別盲法閱片。由同一名醫師測量ADC 值和TIC，并盡可能避開壞死、囊性和出血區域。測量ADC 值5 次，去除最大值、最小值，取平均值，選擇病灶強化最明顯區域繪制TIC曲線。采用組內相關系數（intraclass correlation coefficient，ICC）評價2 名醫師提取特征的一致性，ICC 為0.863～0.977，一致性較好。

1.4 特征提取及影像組學標簽的建立 所有患者的DCE-MRI圖像均以DICOM格式從PACS系統導入到ITK-SNP（3.6.0版本）軟件中，2名經驗豐富的放射科醫師參考DCE-MRI圖像（病變增強的最明顯階段），沿著病變邊緣的所有層面手動劃定ROI，并將其融合為三維圖像（圖1），然后轉移到AK 軟件（GE：3.30 版）提取紋理特征。使用最小冗余度、最大相關度和LASSO回歸來對提取的紋理特征進行降維，選擇最佳特征子集并構建影像學標簽，然后根據特征的權重計算影像組學評分（Rad-score）。

圖1 1例45歲乳腺浸潤性導管癌女性患者的MRI三維影像

1.5 統計學方法 采用SPSS 23.0 軟件和R 軟件（版本3.5.2）進行統計學分析。使用Kolmogorov Smirnov檢驗來檢驗正態性。正態分布計量資料采用均數±標準差表示，偏態分布采用中位數表示，計數資料采用［n（%）］表示。χ2檢驗或Fisher檢驗用于分類變量，獨立樣本t檢驗（正態分布和方差齊）或Mann WhitneyU檢驗（偏態分布或方差不齊）用于連續變量。采用多元Logistic回歸分析法建立預測模型，并繪制受試者工作特征（ROC）曲線來評價該模型的診斷效果。P＜0.05為差異有統計學意義。

2 結果

2.1 2 組MRI 影像學特征參數比較 2 組ADC值、病灶邊緣、分葉征及TIC 類型差異均有統計學意義，2組最大直徑、位置、乳腺密度、毛刺征差異無統計學意義，見表1。

表1 乳腺良惡性病變組MRI影像學特征一般資料比較

2.2 紋理特征選擇和建立影像組學標簽 AK軟件共從DCE-MRI 圖像中提取了1 316 個紋理特征，經特征降維、篩選出12 個最佳特征，建立影像組學標簽，見圖2。影像組學標簽公式為：Radscore=- 0.936*wavelet_LHH_firstorder_Skewness + 1.274*lbp_3D_m2_firstorder_10Percentile+1.326*lbp_3D_k_glcm_Imc1+-0.684*wavelet_HHH_glrlm_ShortRun-HighGrayLevelEmphasis+-0.302*wavelet_LLL_gldm_LargeDependenceLowGrayLevelEmphasis + 1.006*wavelet_HLH_glcm_Imc1+-0.335*lbp_3D_k_ngtdm_Strength+0.324*lbp_3D_m1_glrlm_RunLengthNon-Uniformity + 0.505*wavelet_LLH_ngtdm_Strength+ 0.894*wavelet_LHL_gldm_DependenceEntropy +-0.248*wavelet_HHH_glrlm_RunVariance+0.587*log_sigma_3_0_mm_3D_firstorder_Kurtosis+0.063。進一步繪制ROC 曲線，得出影像組學標簽AUC 為0.894，見表2。

圖2 LASSO篩選結果

2.3 建立MRI 特征模型、影像組學模型 將單因素分析差異有統計學意義的ADC 值、病灶邊緣、分葉征及TIC類型納入多因素Logistic回歸分析建立MRI特征模型，并分析模型中各獨立因子的OR值及P值，見表2；繪制ROC 曲線，得出MRI 特征模型AUC為0.928，見表3。

表2 MRI特征模型中各獨立預測因子的OR值及P值

將MRI特征模型中ADC值、病灶邊緣、分葉征及TIC類型4個變量聯合影像組學標簽建立影像組學模型，對模型繪制ROC 曲線，得出影像組學模型AUC為0.982，見表3。

表3 MRI特征模型、影像組學標簽及影像組學模型的診斷效能

3 討論

磁共振檢查對乳腺病變良惡性的鑒別具有重要價值，能夠為臨床選擇合適的治療措施提供一定的參考。以往研究表明，可以根據MRI 圖像病變的形狀、邊緣、分布、內部強化特點及ADC值等特點對乳腺病變的良惡性進行判斷［8］。乳腺惡性腫瘤相較于良性腫瘤往往具有形態不規則、邊界不清等特點。ADC 值與單元內部和外部空間的比例和形狀有關，單元外部空間的細胞密度，曲折度和附著力的增加會影響單元內部和外部空間中水擴散的變化，乳腺癌細胞的密度增加，水分子的擴散受到限制，ADC值降低，孫蓉等［9］研究結果得出ADC值可反映腫瘤內部結構特征。本研究分析乳腺良惡性病變在MRI 圖像中的定性及定量參數的差異性，得出ADC值、病灶邊緣、分葉征及TIC 類型對乳腺良惡性病變的鑒別差異有統計學意義。本研究還顯示，乳腺惡性病變邊緣大多不清晰，出現分葉征及TIC 類型多為Ⅲ型；乳腺良性病變一般邊緣較清晰，無分葉征及TIC 類型多為Ⅱ型。將ADC 值、病灶邊緣、分葉征及TIC 類型聯合建立MRI 特征模型，ROC 曲線顯示模型的AUC 為0.928，特異度為91.18%，敏感度為82.35%。說明利用乳腺的增強MRI 特征對乳腺良惡性病變具有較高的鑒別效能。

自從影像組學提出以來，根據大量研究證實，基于DCE-MRI的影像組學分析能夠有效判斷腫瘤良惡性、預測乳腺癌組織病理分級及乳腺癌脈管侵犯情況等［10-12］。紋理分析是近年來提出的研究熱點，它可以準確檢測圖像中每個像素的精細分布及其之間的關系，進而在臨床應用過程中，可以獲取圖像中各種疾病圖像的盡可能多的不同紋理信息，以其病理結果作為金標準，通過統計學分析，篩選得出與疾病有關的各種紋理學特征，因此，可以客觀而又定量地評價病灶的異質性［13］。近年來，越來越多的研究利用紋理分析來鑒別病灶的良惡性。本研究基于DCE-MRI圖像提取乳腺病灶三維紋理特征1 316個，經過最小冗余最大相關以及LASSO回歸得出與乳腺良惡性病灶相關的12 個價值較大的紋理特征，并建立影像組學標簽，ROC 曲線顯示模型的診斷AUC 為0.894，特異度為76.47%，敏感度為97.06%，說明利用乳腺良惡性病變紋理特征不同可以有效地對其進行鑒別診斷。

進一步探討MRI 特征模型聯合影像組學標簽的診斷效能，將ADC 值、病灶邊緣、分葉征及TIC 類型聯合影像組學標簽建立影像組學模型，ROC 曲線顯示模型的診斷的AUC 為0.982，特異度為94.12%，敏感度為97.06%，均高于MRI特征模型和影像組學標簽，表明影像組學模型對鑒別乳腺良惡性病變的診斷價值高于MRI 特征模型和影像組學標簽單獨對乳腺良惡性病變的診斷價值。

綜上所述，基于DCE-MRI影像組學鑒別乳腺良惡性病變具有較高的診斷價值。