CT紋理分析在誤診的實(shí)性肺結(jié)節(jié)鑒別診斷中的應(yīng)用

張博薇 強(qiáng)金偉△ 葉劍定 張 玉 高 淳

(1上海市影像醫(yī)學(xué)研究所 上海 200032; 2復(fù)旦大學(xué)附屬金山醫(yī)院放射科 上海 201508;3上海交通大學(xué)附屬上海市胸科醫(yī)院放射科 上海 200030)

隨著低劑量CT與高分辨率CT的廣泛應(yīng)用,肺結(jié)節(jié)的檢出率大大提升。研究顯示,孤立性肺結(jié)節(jié)的患病率為8%～51%,其中惡性腫瘤的患病率為1%～12%[1]。早期發(fā)現(xiàn)肺結(jié)節(jié)并進(jìn)行恰當(dāng)?shù)呐R床干預(yù)是治療的關(guān)鍵。但是由于肺部結(jié)節(jié)的位置、大小、形狀、邊緣、密度和增強(qiáng)等影像學(xué)特征的重疊,良惡性病變常較難根據(jù)其影像的形態(tài)學(xué)進(jìn)行區(qū)分[2],非典型肺結(jié)節(jié)的診斷更依賴醫(yī)師的經(jīng)驗(yàn)和主觀判斷,臨床診斷中常出現(xiàn)誤診病例,而錯(cuò)誤的診斷往往對(duì)患者帶來嚴(yán)重后果,診斷不足會(huì)延誤病情,診斷過度會(huì)使患者接受不必要的手術(shù)。紋理分析通過定量分析病灶局部特征的圖像像素灰度特點(diǎn)、灰度值變化規(guī)律及其分布模式,可以提供肉眼無(wú)法觀察到的信息。病灶像素的灰度值與病灶的異質(zhì)性之間具有高度的對(duì)應(yīng)性,紋理分析能通過像素灰度值的變化反映病灶內(nèi)的微觀變化,為肺部疾病的鑒別診斷提供肉眼無(wú)法觀察到的信息[3-4]。本研究采用紋理分析技術(shù)對(duì)術(shù)前CT誤診的實(shí)性肺結(jié)節(jié)病例進(jìn)行回顧性分析,旨在提高疑難肺結(jié)節(jié)術(shù)前診斷的準(zhǔn)確性。

資 料 和 方 法

研究對(duì)象 收集上海市胸科醫(yī)院2014年1月至2017年12月經(jīng)手術(shù)和病理證實(shí)的89例CT誤診的孤立性實(shí)性肺結(jié)節(jié)。納入標(biāo)準(zhǔn):(1)肺結(jié)節(jié)直徑小于3 cm;(2)CT圖像無(wú)影響進(jìn)一步圖像分析的明顯偽影;(3)術(shù)前CT診斷與術(shù)后病理結(jié)果不符的實(shí)性肺結(jié)節(jié)。良性病變誤診為肺癌54例,其中男性36例,女性18例,年齡38～76歲,平均(55.2±9.3)歲,包括錯(cuò)構(gòu)瘤2例、結(jié)核21例、支氣管擴(kuò)張伴炎癥2例、肺間質(zhì)纖維增生19例、機(jī)化性肺炎4例、硬化性肺細(xì)胞瘤4例和巨淋巴結(jié)增生2例。肺癌誤診為良性病變35例,其中男性25例,女性10例,年齡28～74歲,平均(54.0±13.0)歲,包括肺腺癌18例、肺鱗癌12例[5](ⅠA1、ⅠA2、ⅠA3和ⅡB期分別為8、14、11和2例)及轉(zhuǎn)移瘤5例(肝細(xì)胞肝癌肺轉(zhuǎn)移2例、滑膜肉瘤肺轉(zhuǎn)移1例、骨肉瘤肺轉(zhuǎn)移1例、乳腺癌肺轉(zhuǎn)移1例)。

檢查方法 采用Philips Brilliance 64 層螺旋CT機(jī),所有患者均行常規(guī)CT全胸部平掃,掃描參數(shù):準(zhǔn)直0.625 mm×64,螺距1.08,120 kV,250 mA,掃描時(shí)間5～7 s,FOV 400 mm,重建層厚和間隔均為5 mm,圖像矩陣512×512,標(biāo)準(zhǔn)算法,濾過函數(shù)C。發(fā)現(xiàn)病灶后,對(duì)病灶行1 024×1 024的超高分辨率靶掃描,參數(shù):準(zhǔn)直0.625 mm×64,螺距0.64,120 kV,300 mA,掃描時(shí)間1～3 s,FOV 180 mm,重建層厚和間隔均為1 mm,圖像矩陣1 024×1 024,高分辨算法,濾過函數(shù)F。

紋理分析圖像選擇 所有患者的CT圖像均以BMP格式從PACS工作站輸出[6-7]。采用開放獲取的MaZda軟件[8](V4.7)(http://www.eletel.p.lodz.pl/mazda/)進(jìn)行紋理分析[9]。選取病灶最大層面及相鄰兩層面沿病灶輪廓畫取ROI,軟件自動(dòng)生成ROI內(nèi)的各個(gè)紋理參數(shù)值[10],計(jì)算平均值。所有ROI由1名有2年專職從事胸部CT診斷的醫(yī)師放置。

紋理圖像分析 通過MaZda軟件可提取出每個(gè)選定ROI的紋理特征,包括灰度直方圖(histogram)、游程檢驗(yàn)(run-length matrix,RUN)、絕對(duì)梯度(absolute gradient,GRA)、灰度共生矩陣(gray-level co-occurrence matrix,GLCM)、自回歸模型(auto-regressive model,ARM)及小波轉(zhuǎn)換(wavelets transform,WAV)等6類特征。直方圖紋理特征參數(shù)為平均值、方差、偏度、峰度、百分位數(shù)值;RUN紋理特征參數(shù)為游程長(zhǎng)度不均勻性、灰階不均勻性、長(zhǎng)游程權(quán)重、短游程權(quán)重、游程中的圖像分?jǐn)?shù);GRA紋理特征參數(shù)為梯度平均值、方差、偏度、峰度、非零位;GLCM紋理特征參數(shù)為ASM能量、對(duì)比度、自相關(guān)、熵、熵和、平方和、方差和、逆差矩、熵差、方差;ARM紋理特征參數(shù)為參數(shù)θ(1～4)和參數(shù)б;WAV 紋理特征參數(shù)為各波段中小波轉(zhuǎn)換系數(shù)的能量。

紋理特征選擇 MaZda軟件提供3種選擇紋理特征的方法[11],分別是Fisher 系數(shù)(Fisher coefficient,Fisher)、分類錯(cuò)誤概率聯(lián)合平均相關(guān)系數(shù)(classification error probability combined average correlation coefficients,POE+ACC)和交互信息(mutual information,MI),每種方法可以篩選出前10個(gè)最有鑒別價(jià)值的紋理特征參數(shù)。將3種方法聯(lián)合(Fisher+POE+ACC+MI,FPM),共選出30 個(gè)紋理特征參數(shù)。本研究中采用 Fisher、POE+ACC、MI和FPM等4類方法選擇最具鑒別價(jià)值的紋理特征參數(shù)。

統(tǒng)計(jì)學(xué)分析 應(yīng)用MaZda軟件自帶的程序B11進(jìn)行判別分析。統(tǒng)計(jì)方法包括原始數(shù)據(jù)分析(raw data analysis,RDA)、主要成分分析(principal component analysis,PCA)、線性分類分析(linear discriminant analysis,LDA)和非線性分類分析(nonlinear discriminant analysis,NDA);區(qū)分兩種類型病變的結(jié)果以錯(cuò)判率(misclassified rate,MCR)表示。MCR越小,說明該方法所蘊(yùn)含的鑒別這兩種病變的紋理信息更重要。在最佳分類所篩選出誤判次數(shù)最低的紋理特征組,采用受試者工作特征(ROC)曲線比較相關(guān)的紋理特征鑒別良、惡性肺結(jié)節(jié)的診斷效能。

結(jié) 果

誤診為惡性病變的病灶分布及形態(tài)學(xué)表現(xiàn) 54例病灶(圖1)中,上葉共25例(前段9例,后段或尖后段16例),中葉3例,下葉26例(背段11例,基底段15例)。病灶直徑0.8～3.0 cm,平均直徑(1.7±0.7) cm。23例(42.6%)有毛刺征,21例(38.9%)有分葉征,7例(13.0%)有空洞,1例(1.9%)有衛(wèi)星灶,1例(1.9%)瘤內(nèi)見空氣支氣管征(1.9%)。

A:ROI image;B:Original image.A male patients of 72 years old has a solid nodule in the right lower lobe with red color filling the nodule.The nodule shows alobulated shape and pleural indentation,is misdiagnosed as malignant lesion on CT and confirmed as chronic granulomatous lesion by pathology.

圖1 誤診為肺癌的良性肺結(jié)節(jié)
Fig 1 Benign pulmonary nodule misdiagnosed as lung cancer

誤診為良性病變的病灶分布及形態(tài)學(xué)表現(xiàn) 35例病灶(圖2)中,上葉共15例(前段5例,后段或尖后段10例),中葉8例,下葉12例(其中背段2例,基底段10例)。病灶直徑0.7～3.0 cm,平均直徑(1.8±0.8) cm;6例(17.1%)有毛刺征,7例(20.0%)有淺分葉征,1例(2.9%)有鈣化。

A:ROI image;B:Original image.A male patients of 55 years old has a solid nodule in the right middle lobe,with red color filling the nodule.Nodule shows a smooth edge is misdiagnosed as benign lesion on CT and confirmed as invasive adenocarcinoma by pathology.

圖2 誤診為良性病變的惡性肺結(jié)節(jié)
Fig 2 Malignant pulmonary nodule misdiagnosed as benign disease

最佳紋理特征參數(shù) 3種特征選擇方法分別選擇前10個(gè)鑒別肺良、惡性病變的最佳紋理特征參數(shù)(表1)。游程長(zhǎng)度不均勻性、相關(guān)性和對(duì)比度能很好鑒別誤診肺結(jié)節(jié)的良、惡性。

表1 3種紋理特征選擇方法提取出的10 個(gè)最佳紋理特征參數(shù)Tab 1 Ten optimal texture features selected from the 3 feature reduction methods

依據(jù)Fisher、POE+ACC和MI法提取出的最佳紋理特征,用RDA、PCA、LDA和NDA法鑒別診斷肺癌和良性病變的最小MCR (表2)。采用MaZda軟件區(qū)分良、惡性肺結(jié)節(jié)MCR最小為0,為3種紋理特征參數(shù)選擇方法聯(lián)合并應(yīng)用LDA分類方法的結(jié)果,其中線性分離系數(shù)評(píng)估為0.8。Fisher、POE+ACC和MI這3種參數(shù)選擇方法選擇的紋理特征鑒別良、惡性肺結(jié)節(jié)的MCR大致相同,而3種方法聯(lián)合(FPM)較任一單一方法選擇的紋理特征鑒別這兩類病變的MCR更低(表2)。MaZda軟件提供的4種分類方法中,LDA方法區(qū)分良、惡性肺結(jié)節(jié)的MCR均較其他3種方法低。對(duì)FPM篩選出的30組紋理特征進(jìn)行ROC曲線分析,依據(jù) ROC 曲線下面積(AUC)判斷各紋理特征的診斷效能,其中以S_0_1_Contrast診斷效能相對(duì)最佳,AUC為 0.879,敏感度為0.871,特異度為0.842(圖3)。

表2 CT圖像的紋理特征對(duì)鑒別良、惡性實(shí)性肺結(jié)節(jié)的MCRTab 2 MCR of texture analysis in diagnosing benign and malignant pulmonary solid nodules

圖3 對(duì)比度鑒別良、惡肺性結(jié)節(jié)的ROC
Fig 3 ROC from the contrast for distinguishing between benign and malignant pulmonary solid nodules

討 論

肺內(nèi)實(shí)性結(jié)節(jié)的良惡性診斷一直是影像診斷工作中的難點(diǎn),對(duì)影像醫(yī)師來說是一個(gè)巨大的挑戰(zhàn)。肺內(nèi)實(shí)性結(jié)節(jié)誤診率高的主要原因有兩方面:主觀因素是診斷醫(yī)師的專業(yè)知識(shí)及臨床經(jīng)驗(yàn)局限;客觀因素是部分良、惡性結(jié)節(jié)表現(xiàn)不典型,形態(tài)學(xué)特征存在較多的重疊。通常用于確定結(jié)節(jié)惡性潛能的形態(tài)學(xué)特征包括大小、邊界、輪廓、內(nèi)部特征(密度、空洞、空氣支氣管征象)、衛(wèi)星結(jié)節(jié)、反暈征及生長(zhǎng)速度等[12]。本研究中,我們發(fā)現(xiàn)良性和惡性肺結(jié)節(jié)的影像特征存在很大重疊。良性結(jié)節(jié)如結(jié)核球和機(jī)化性肺炎往往也具有毛刺征象,而很多肺惡性腫瘤邊緣光整,甚至出現(xiàn)鈣化[13]。因此,僅僅通過形態(tài)學(xué)對(duì)結(jié)節(jié)進(jìn)行良、惡性判斷是遠(yuǎn)遠(yuǎn)不夠的。

目前用于結(jié)節(jié)的最佳檢測(cè)手段或方法尚未確定,組織病理學(xué)是判斷肺部病變良、惡性的金標(biāo)準(zhǔn)[14]。惡性腫瘤由于腫瘤細(xì)胞生長(zhǎng)方式、異常血管聚集、血管通透性改變等原因引起組織結(jié)構(gòu)改變,從而導(dǎo)致腫瘤質(zhì)地的不均勻或異質(zhì)性[15]。紋理分析利用圖像像素的灰度值及其分布模式的變化反映不可見的微觀病理變化,定量顯示圖像像素的細(xì)微變化,不受主觀分析和專業(yè)水平以及傳統(tǒng)醫(yī)學(xué)影像固有限制的影響,可用于各種圖像的分析。MaZda是2D及3D圖像紋理分析軟件包,為圖像紋理的定量分析提供了完整的路徑,目前已應(yīng)用于骨、乳腺及肌肉等多種疾病的研究[7,16-17],尤其在肺部疾病的診斷中,紋理分析有望提高CT成像診斷疾病的準(zhǔn)確性[18-19]。

本研究結(jié)果表明,良、惡性肺結(jié)節(jié)的紋理特征之間存在顯著差異,使用紋理特征參數(shù)能準(zhǔn)確地對(duì)結(jié)節(jié)進(jìn)行分類,是量化良、惡性肺結(jié)節(jié)特征的可行方法?；叶裙采仃囍械南嚓P(guān)性和對(duì)比度、游程檢驗(yàn)中的游程長(zhǎng)度不均勻性及直方圖中的百分位數(shù)是4個(gè)鑒別誤診肺結(jié)節(jié)良、惡性的紋理特征值。灰度共生矩陣主要衍生出圖像中出現(xiàn)的灰度、距離和角度組合的值[20],是一種非常成熟的二階紋理提取信息分類技術(shù):對(duì)比度反映圖像中的局部變化,當(dāng)像素灰度相同或相似時(shí),對(duì)比度值最低,在本研究中,它的診斷效能最佳。相關(guān)性反映圖像中的灰度和線性相關(guān)性,表示像素與其相鄰像素的關(guān)聯(lián)程度,若圖像大面積相似,則相關(guān)性高。在一項(xiàng)鑒別肉芽腫病變和肺癌的模型中,包括相關(guān)性在內(nèi)的5種灰度共生矩陣紋理特征的診斷特異性可高達(dá)100%,具有很強(qiáng)的鑒別意義[19]。直方圖中的百分位數(shù)用于描述體素分布。Chae等[21]發(fā)現(xiàn)在肺結(jié)節(jié)中,浸潤(rùn)性腺癌的體素強(qiáng)度直方圖具有更高的90%位數(shù)。游程長(zhǎng)度分析是指連續(xù)具有相同灰度或同一灰度段的像素?cái)?shù)目,反映紋理的粗糙程度和方向性,具有方向性的紋理趨于具有較長(zhǎng)的游程。

MaZda軟件提供了兩類判別分類方法:線性分類(RDA、PCA和LDA)和非線性分類(NDA)。本研究證實(shí)FPM將前3種方法結(jié)合的預(yù)測(cè)精度相對(duì)更高,使用線性分類方法的MCR較非線性MCR低,最低可達(dá)到0,這可能是本研究納入的數(shù)據(jù)集中了大量特征而導(dǎo)致過度擬合,因此產(chǎn)生了過度樂觀的結(jié)果。線性分離系數(shù)評(píng)估LDA對(duì)圖像分類的有用性,該值在0～1,1代表完美的分類,本研究中該值是0.8,說明紋理分析對(duì)肺結(jié)節(jié)良、惡性的分類效果較好[22]。McNittgray等[23]使用從32名患者的HRCT掃描獲得的GLCM的二階特征,當(dāng)使用9個(gè)特征時(shí),線性分類可以正確地將32個(gè)結(jié)節(jié)全部進(jìn)行正確的良惡性判斷。線性分類假定函數(shù)是樣本的線性函數(shù),在實(shí)際的病例樣本中也符合這樣的條件[24]。

本研究的局限性:(1)作為一項(xiàng)回顧性研究,樣本量較小,存在選擇性偏倚;(2)病灶的邊界為放射科醫(yī)師手動(dòng)勾畫,對(duì)病灶輪廓的判定受個(gè)人經(jīng)驗(yàn)影響較大;(3)僅基于3個(gè)CT圖像層面提取的紋理特征分析,在未來研究中可進(jìn)一步用全體積分析來確定病變的紋理特征。

本研究中,用LDA 分析Fisher、POE+ACC及MI等3種方法鑒別良、惡性實(shí)性肺結(jié)節(jié)的MCR最低,利用CT圖像紋理分析的方法能很好鑒別實(shí)性肺結(jié)節(jié)的良、惡性。