CT灰度直方圖對(duì)實(shí)性肺結(jié)節(jié)的鑒別診斷價(jià)值

遲淑萍

?

·胸部影像學(xué)·

CT灰度直方圖對(duì)實(shí)性肺結(jié)節(jié)的鑒別診斷價(jià)值

遲淑萍

目的：探討CT灰度直方圖對(duì)實(shí)性肺結(jié)節(jié)良惡性的鑒別診斷價(jià)值。方法：回顧性分析經(jīng)組織病理學(xué)或臨床隨訪證實(shí)的110例實(shí)性肺結(jié)節(jié)患者的CT圖像，其中惡性55例，良性55例。選取肺結(jié)節(jié)最大CT平掃軸面圖像勾畫感興趣區(qū)并采用Matlab軟件生成灰度直方圖。采用Mann-Whitney U檢驗(yàn)比較良惡性結(jié)節(jié)灰度直方圖參數(shù)的差異。建立ROC曲線并以組織病理學(xué)或臨床隨訪結(jié)果為依據(jù)計(jì)算曲線下面積(AUC)。使用最佳臨界值評(píng)價(jià)灰度直方圖診斷良惡性肺結(jié)節(jié)的敏感度、特異度、準(zhǔn)確度、陽性預(yù)測值及陰性預(yù)測值。結(jié)果：惡性結(jié)節(jié)的偏度(0.281±0.181)大于良性結(jié)節(jié)(-0.592±0.194)，差異有統(tǒng)計(jì)學(xué)意義(P<0.001)；惡性結(jié)節(jié)的峰度(2.786±0.252)小于良性結(jié)節(jié)(3.553±0.331)，差異有統(tǒng)計(jì)學(xué)意義(P<0.05)，兩者的ROC曲線下最大面積分別為0.894和0.996。使用最佳臨界值標(biāo)準(zhǔn)，峰度和偏度鑒別診斷肺結(jié)節(jié)良惡性的敏感度分別為0.982、0.946，特異度分別為1.000、0.764，準(zhǔn)確度分別為0.990、0.845，陽性預(yù)測值分別為1.000、0.797，陰性預(yù)測值分別為0.982、0.913。結(jié)論：CT灰度直方圖可作為肺結(jié)節(jié)良惡性鑒別診斷的重要輔助手段。

肺腫瘤； 體層攝影術(shù)，X線計(jì)算機(jī)； 診斷，鑒別； 灰度直方圖

隨著螺旋CT技術(shù)的不斷發(fā)展以及肺部低劑量CT篩查的廣泛應(yīng)用，肺結(jié)節(jié)的發(fā)現(xiàn)率越來越高。如何鑒別結(jié)節(jié)的良惡性一直是影像學(xué)的重點(diǎn)和難點(diǎn)。目前有多種影像學(xué)檢查方法用于鑒別肺結(jié)節(jié)的良惡性[1]，但定性診斷仍較困難。對(duì)比增強(qiáng)CT和/或18F-氟代脫氧葡萄糖(fluorodeoxyglucose，F(xiàn)DG)在肺癌診斷、鑒別診斷以及疾病分期中是標(biāo)準(zhǔn)的診斷手段[2]。CT主要依賴病灶的大小、形態(tài)以及對(duì)比增強(qiáng)表現(xiàn)，PET/CT依靠18F-FDG的代謝，雖然一定程度上改善了診斷準(zhǔn)確性，但仍有部分肺結(jié)節(jié)難以定性，最終仍需要侵入性手段來明確診斷。

近年來，隨著計(jì)算機(jī)和醫(yī)學(xué)圖像處理技術(shù)不斷發(fā)展，醫(yī)學(xué)圖像紋理分析開始用于肺結(jié)節(jié)輔助診斷[3,4]。它可提供更多人眼無法探測到的腫瘤微觀環(huán)境的信息[5]，可提供客觀量化的參數(shù)用于鑒別診斷，不受主觀分析和專業(yè)水平的影響，成為計(jì)算機(jī)輔助診斷的重要手段之一。紋理分析方法包括統(tǒng)計(jì)分析、模型分析、結(jié)構(gòu)分析和頻譜分析等4種方法。

本研究選取統(tǒng)計(jì)分析中較為常用的灰度直方圖，對(duì)經(jīng)過病理或臨床隨訪證實(shí)的110例實(shí)性肺結(jié)節(jié)患者的胸部CT平掃圖像進(jìn)行分析，研究良、惡性肺結(jié)節(jié)CT灰度直方圖的參數(shù)差異，旨在探討灰度直方圖分析在輔助診斷肺結(jié)節(jié)良惡性方面的價(jià)值。

材料與方法

1.研究對(duì)象

病例納入標(biāo)準(zhǔn)：①經(jīng)CT檢查發(fā)現(xiàn)具有肺實(shí)性結(jié)節(jié)，結(jié)節(jié)≥8 mm；②經(jīng)手術(shù)病理或至少隨訪3年證實(shí)；③包含肺實(shí)性結(jié)節(jié)病灶的完整平掃CT資料。④結(jié)節(jié)內(nèi)顯示明顯鈣化及脂肪者未入組。

本研究選取實(shí)性肺結(jié)節(jié)患者110例，其中惡性結(jié)節(jié)患者55例，男37例，女18例，平均年齡(60.25±11.25)歲，腫瘤最大直徑(25.68±16.38) mm，均經(jīng)組織學(xué)證實(shí)，包括鱗癌25例，腺癌17例，小細(xì)胞癌8例，腺鱗癌3例，轉(zhuǎn)移瘤2例。良性結(jié)節(jié)患者55例，男32例，女23例，平均年齡(49.35±13.49)歲，腫瘤最大直徑(26.68±15.38) mm，其中39例經(jīng)組織學(xué)證實(shí)，包括結(jié)核21例，炎性假瘤7例，錯(cuò)構(gòu)瘤8例，硬化性血管瘤3例，其余16例經(jīng)治療后隨訪腫瘤縮小證實(shí)。

2.檢查方法

CT檢查采用Simens Definition AS+ 128層螺旋CT掃描儀。掃描參數(shù)：管電壓120 kVp，管電流84～164 mAs，采用螺旋掃描模式，螺距1.2，準(zhǔn)直128×0.625，重建層厚/間隔為1.25 mm/0.625 mm，重建卷積函數(shù)采用B60f。所有圖像存儲(chǔ)于PACS系統(tǒng)。

3.圖像分析

從PACS系統(tǒng)中調(diào)取軸面平掃圖像并傳輸至Syngo MMWP工作站，使用Matlab軟件進(jìn)行直方圖分析。在覆蓋肺結(jié)節(jié)的最大軸面圖像手動(dòng)沿結(jié)節(jié)邊緣勾畫感興趣區(qū)，軟件自動(dòng)生成灰度直方圖。由灰度直方圖可以計(jì)算得到以下參數(shù)：

①偏度(skewness)：是灰度直方圖統(tǒng)計(jì)分布偏斜方向和程度的度量，是直方圖分布非對(duì)稱程度的數(shù)字特征。

②峰度(kurtosis)：描述了直方圖分布聚集的情況，可以反映灰度直方圖曲線頂端尖峭或扁平程度。

③均值(mean)：描述灰度直方圖的平均值：

④標(biāo)準(zhǔn)差(SD)：描述了直方圖的均勻性、穩(wěn)定性，即曲線相對(duì)于均值分布的相對(duì)平滑程度，可以反映圖像中灰度的分散程度。

⑤百分?jǐn)?shù)均值(mean_β)及百分?jǐn)?shù)標(biāo)準(zhǔn)差(SD_β)：描述了直方圖曲線頂部某一百分?jǐn)?shù)區(qū)間內(nèi)的灰度平均值及灰度分散程度，本研究計(jì)算了頂部50%(β=50)范圍內(nèi)的百分?jǐn)?shù)均值及標(biāo)準(zhǔn)差。

4.統(tǒng)計(jì)學(xué)分析

使用R軟件(版本3.0.1)進(jìn)行統(tǒng)計(jì)學(xué)分析。采用Mann-WhitneyU檢驗(yàn)比較良惡性肺結(jié)節(jié)的灰度直方圖參數(shù)差異。建立受試者工作特征(receiveroperatingcharacterist,ROC)曲線并以組織病理學(xué)診斷或臨床隨訪結(jié)果為依據(jù)計(jì)算曲線下面積(areaundercurve，AUC)。根據(jù)ROC曲線確定各個(gè)直方圖參數(shù)的最佳臨界值，計(jì)算最佳臨界值的敏感度、特異度、準(zhǔn)確度、陽性預(yù)測值、陰性預(yù)測值以評(píng)價(jià)直方圖參數(shù)最佳臨界值對(duì)肺良惡性結(jié)節(jié)的診斷效能。以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

結(jié)　果

1.肺結(jié)節(jié)的分割及其所繪制的灰度直方圖

所有實(shí)性肺結(jié)節(jié)CT平掃圖像均經(jīng)過軟件后處理，并得到灰度直方圖(圖1、2)。

2.良惡性肺結(jié)節(jié)灰度直方圖參數(shù)比較

由胸部CT平掃圖像生成的灰度直方圖可以得到以下6個(gè)參數(shù)：峰度、偏度、均值、標(biāo)準(zhǔn)差以及灰度高50%的均值、標(biāo)準(zhǔn)差。惡性結(jié)節(jié)的偏度值大于良性結(jié)節(jié)，差異有統(tǒng)計(jì)學(xué)意義(P<0.001)；峰度值小于良性結(jié)節(jié)，差異有統(tǒng)計(jì)學(xué)意義(P<0.001)。其余參數(shù)良惡性結(jié)節(jié)間差異無統(tǒng)計(jì)學(xué)意義(P>0.05)。

3.灰度直方圖對(duì)良惡性肺結(jié)節(jié)的診斷效能

通過ROC曲線分析，峰度和偏度在鑒別結(jié)節(jié)良惡性方面差異有統(tǒng)計(jì)學(xué)意義(P<0.001)，兩者的ROC曲線下最大面積分別為0.996、0.894(圖3、4)。為了兼顧診斷敏感度和特異度，峰度和偏度的ROC曲線臨界值分別選取3.094、-0.4875。峰度<3.094、偏度>-0.4875診斷為惡性結(jié)節(jié)，反之則診斷為良性結(jié)節(jié)。采用這一最佳臨界值，峰度和偏度鑒別肺結(jié)節(jié)良惡性的敏感度分別為0.982、0.946，特異度分別為1.000、0.764，準(zhǔn)確度分別為0.990、0.845，陽性預(yù)測值分別為1.000、0.797，陰性預(yù)測值分別為0.982、0.913(表2)。

表2　灰度直方圖對(duì)肺結(jié)節(jié)的診斷效能

討　論

醫(yī)學(xué)圖像包含大量與臨床實(shí)踐相關(guān)的紋理信息，對(duì)醫(yī)學(xué)圖像進(jìn)行紋理分析可以提供量化依據(jù)用于腫瘤的分期、分級(jí)、鑒別診斷以及預(yù)測治療反應(yīng)等[2,5-10]。直方圖是其中一種重要的圖像定量分析技術(shù)，已經(jīng)應(yīng)用于許多神經(jīng)影像研究中，尤其是腦擴(kuò)散疾病的磁化傳遞率研究，例如多發(fā)性硬化[8]。胸部CT直方圖分析也已用于評(píng)價(jià)多種肺部疾病，包括肺間質(zhì)性疾病、肺栓塞、肺結(jié)節(jié)。Nomori等[11]和Ikeda等[12]的研究報(bào)道了CT直方圖有助于鑒別磨玻璃結(jié)節(jié)的病變。但這些研究多使用平均CT值、CT峰值來鑒別腫瘤性病變，很少有使用灰度直方圖的峰度、偏度的報(bào)道。近年來，有研究證實(shí)直方圖的一階統(tǒng)計(jì)學(xué)特征峰度和偏度可以提供定量測量用于鑒別腦膠質(zhì)瘤的真性進(jìn)展與治療有關(guān)的變化[5]。本研究通過研究CT灰度直方圖的峰度、偏度、均值、標(biāo)準(zhǔn)差、灰度高50%的均值及標(biāo)準(zhǔn)差等6個(gè)參數(shù)的差異來評(píng)價(jià)CT灰度直方圖在肺結(jié)節(jié)良惡性鑒別診斷中的價(jià)值。

本研究結(jié)果顯示，峰度和偏度在肺實(shí)性結(jié)節(jié)鑒別診斷方面顯示出了一定價(jià)值，其鑒別診斷效能(AUC)分別達(dá)到0.996和0.894，這表明CT灰度直方圖的峰度和偏度對(duì)肺實(shí)性結(jié)節(jié)具有較好的鑒別診斷能力。本研究結(jié)果顯示惡性結(jié)節(jié)的偏度大于良性結(jié)節(jié)，峰度小于良性結(jié)節(jié)。惡性腫瘤由于細(xì)胞通透性改變、異常血管生成以及黏液變、壞死等原因引起組織結(jié)構(gòu)改變，從而導(dǎo)致腫瘤密度不均勻[13，14]。良性結(jié)節(jié)通常密度均勻，CT值變化小，在灰度直方圖上表現(xiàn)為一個(gè)陡峭的峰，峰度值大、偏度??；而惡性結(jié)節(jié)在病理上表現(xiàn)為成分混雜、不均勻，CT值變化大，因此在灰度直方圖上表現(xiàn)為多個(gè)峰，峰度相對(duì)良性小，而偏度增加。

本研究主要不足在于樣本量較小，尚需擴(kuò)大樣本量進(jìn)一步證實(shí)研究結(jié)果。本研究表明由胸部CT平掃圖像得到的灰度直方圖的峰度和偏度可以幫助鑒別實(shí)性肺結(jié)節(jié)的良惡性，可以作為肺結(jié)節(jié)良惡性鑒別診斷的重要輔助手段。

[1]李輝,闞曉婧,寧培剛,等.HRCT 常見惡性征象對(duì)孤立性肺結(jié)節(jié)的定性診斷[J].放射學(xué)實(shí)踐,2014,29(12):1405-1408.

[2]Andersen MB,Harders SW,Ganeshan B,et al.CT texture analysis can help differentiate between malignant and benign lymph nodes in the mediastinum in patients suspected for lung cancer[J].Acta Radiol,2016，51(6):669-676.

[3]鞏萍，王阿明.基于灰度共生矩陣和人工神經(jīng)網(wǎng)絡(luò)的肺癌CT圖像的分類研究[J].生物醫(yī)學(xué)工程與臨床，2013,17(6):552-556.

[4]向子云，史長征，周潔，等.肺結(jié)節(jié)CT圖像紋理特征的初步研究[J].CT理論與應(yīng)用研究，2013,22(1)：155-160.

[5]Chen X,Wei X,Zhang Z,et al.Differentiation of true-progression from pseudoprogression in glioblastoma treated with radiation therapy and concomitant temozolomide by GLCM texture analysis of conventional MRI[J].Clin Imaging,2015,39(5):775-780.

[6]郭冬梅，邱天爽，康偉，等.基于灰度共生矩陣的大鼠肝細(xì)胞癌、肝硬化結(jié)節(jié)超順磁性氧化鐵MR增強(qiáng)圖像紋理特征分析[J]. 中國醫(yī)學(xué)影像技術(shù)，2010,26(3):563-566.

[7]Law M,Young R,Babb J,et al.Histogram analysis versus region of interest nalysis of dynamic susceptibility contrast perfusion MR imaging data in the grading of cerebral gliomas[J].Am J Neuroradiol,2007,28(4):761-766.

[8]Kamiya A,Murayama S,Kamiya H,et al.Kurtosis and skewness assessments of solid lung nodule density histograms: differentiating malignant from benign nodules on CT[J].Jap J Radiol,2014,32(1):14-21.

[9]Bayanati H,Thornhill RE,Souza CA,et al.Quantitative CT texture and shape analysis:can it differentiate benign and malignant mediastinal lymph nodes in patients with primary lung cancer?[J].Eur Radiol,2015,25(2):480-487.

[10]De Cecco CN,Ganeshan B,Ciolina M,et al.Texture analysis as imaging biomarker of tumoral response to neoadjuvant chemoradiotherapy in rectal cancer patients studied with 3T magnetic resonance[J].Invest Radiol,2014,50(4):239-245.

[11]Nomori H,Ohtsuka T,Naruke T,et al.Differentiating between atypical adenomatous hyperplasia and bronchioloalveolar carcinoma using the computed tomography number histogram[J].Ann Thorac Surg，2003，76(3):867-871.

[12]Ikeda K,Awai K,Mori T,et al.Differential diagnosis of ground-glass opacity nodules:CT number analysis by three-dimensional computerized quantification[J].Chest,2007,132(3):984-990.

[13]Davnall F,Yip CSP,Ljungqvist G,et al.Assessment of tumor heterogeneity:an emerging imaging tool for clinical practice?[J].Insights Imaging,2012,3(6):573-589.

[14]Ganeshan B,Panayiotou E,Burnand K,et al.Tumour heterogeneity in non-small cell lung carcinoma assessed by CT texture analysis:a potential marker of survival[J].Eur Radiol,2012,22(4):796-802.

Density histogram analysis of CT scan in the differential diagnosis of solid pulmonary nodule

CHI Shu-ping.

Department of Radiology,Shengli Hospital of Shengli Oil Field,Shandong 257055,China

Objective:To assess the value of density histogram of CT scan in the differential diagnosis of malignant from benign solid pulmonary nodules.Methods:CT images of 110 cases including 55 malignant and 55 benign solid pulmonary nodules proven by pathology or clinical following up were studied retrospectively.Density histogram was created using a software "Matlab" by drawing a region of interest on the axial unenhanced CT slice covering the largest area of the nodule.Differences of density histogram between benign and malignant solid pulmonary nodules were evaluated using Mann-Whitney U tests.Receiver operating characteristic (ROC) curves for each were constructed and the area under the curve (AUC) was calculated with histopathology or clinical following up as

tandard.Optimal threshold criterion was used to estimate the sensitivity,specificity,accuracy,positive predictive value,and negative predictive value of density histogram in the differential diagnosis of solid pulmonary nodules.Results:The skewness of malignant (0.281±0.181) was higher than that of benign nodules (-0.592±0.194),with statistic difference (P<0.05).The kurtosis of malignant (2.786±0.252) was lower than that of benign nodules (3.553±0.331),with statistic difference (P<0.05).The largest AUC of the two was 0.894 and 0.996 respectively.Using optimal threshold criteria,the kurtosis and skewness had the sensitivity as 0.982 and 0.946,specificity as 1 and 0.764,accuracy as 0.990 and 0.845,positive predictive value as 1 and 0.797,and negative predictive value as 0.982 and 0.913,respectively.Conclusions:CT density histogram has the potential to accurately differentiate malignant from benign solid nodules in patients with suspected lung cancer.

Lung neoplasms; Tomography,X-ray computed; Diagnosis,differential; Histogram

257055山東，東營市勝利油田勝利醫(yī)院影像中心

遲淑萍(1976-)，女，山東乳山人，碩士，副主任醫(yī)師，主要從事心胸影像學(xué)診斷工作。

R734.2; R814.42

A

1000-0313(2016)09-0866-04

10.13609/j.cnki.1000-0313.2016.09.016

2016-02-13

2016-03-23)