基于乳腺X線圖像不同區(qū)域的紋理分析鑒別乳腺腫塊良惡性

高先聰，黃櫟有

乳腺癌作為發(fā)病率最高的女性惡性腫瘤，近年來呈現(xiàn)出越來越年輕化的發(fā)病趨勢，目前已成為我國45歲以下女性中死亡率最高的惡性腫瘤之一[1]。有研究表明盡早地發(fā)現(xiàn)和診斷可以有效提高乳腺癌患者的生存率。乳腺X線檢查作為目前臨床上應(yīng)用最為廣泛的乳腺癌篩查手段之一，具有檢查費(fèi)用低廉、對鈣化點(diǎn)分辨力強(qiáng)等優(yōu)點(diǎn)。但對于X線圖像上表現(xiàn)為軟組織結(jié)節(jié)、腫塊的病灶，僅憑視覺主觀分析很難準(zhǔn)確鑒別其良、惡性，這也是目前臨床影像診斷工作中的一個(gè)難點(diǎn)。

生物學(xué)異質(zhì)性作為腫瘤的重要特征之一，可能與腫瘤內(nèi)部血管密度不均勻、血流灌注、腫瘤細(xì)胞增殖和壞死等因素有關(guān)[2-3]。紋理分析通過提取腫瘤影像中的紋理特征參數(shù)進(jìn)行定量分析，能夠提供肉眼無法觀察到的病灶內(nèi)潛在信息，并間接反映病灶的異質(zhì)性[4]。近年來紋理分析方法已經(jīng)應(yīng)用于腦、肺、肝臟、胰腺及乳腺等臟器的良惡性腫瘤的鑒別診斷[5-9]。Gatenby等[10]研究發(fā)現(xiàn)將病灶分為不同區(qū)域(如：核心和邊緣)可以提高對病灶內(nèi)紋理特征的顯示效能?；谠撗芯康慕Y(jié)果，我們試圖在乳腺X線圖像上將乳腺腫瘤劃分為核心和邊緣區(qū)，分析不同區(qū)域的紋理分析結(jié)果對鑒別乳腺腫塊良惡性的價(jià)值。

材料與方法

1.研究對象

搜集2018年1月-2019年12月在本院行乳腺X線檢查并經(jīng)病理證實(shí)的108例患者(共計(jì)118個(gè)乳腺腫塊)的病例資料。患者均為女性，年齡21～82歲，平均(50.4±12.4)歲。良性病變組(52例患者60個(gè)腫塊)：纖維腺瘤38例(46個(gè))，乳腺病14例(14個(gè))。惡性病變組(56例患者共計(jì)58個(gè)腫塊)：浸潤性導(dǎo)管癌51例(53個(gè))，導(dǎo)管內(nèi)癌1例(1個(gè))，惡性分葉狀瘤2例(2個(gè))，乳頭狀癌1例(1個(gè))，黏液腺癌1例(1個(gè))。納入標(biāo)準(zhǔn)：①有明確病理及臨床診斷結(jié)果；②腫塊內(nèi)無明顯鈣化或壞死空洞；③腫塊直徑≤3 cm。

2.檢查方法

使用HoLogic Inc Lorad公司Selenia型數(shù)字化乳腺X光機(jī)。攝影體位采用內(nèi)外側(cè)斜位(mediolateral oblique，MLO)和頭尾位(cranial caudal，CC)。攝影條件：Auto Filter曝光模式，管電壓25～30 kV，管電流75～95 mAs，圖像尺寸24 cm×29 cm。

3.紋理分析方法

由2位分別具有7年和12年影像診斷經(jīng)驗(yàn)的放射科醫(yī)師對每例患者的MLO及CC圖像進(jìn)行比較，共同確定用于紋理分析的圖像，選擇完成后以bmp格式保存并導(dǎo)入MaZda軟件中。由同一位乳腺X線診斷醫(yī)師使用多邊形ROI工具沿腫塊外緣手動(dòng)勾畫其輪廓，得到每個(gè)腫塊整體區(qū)域的ROI。然后，通過形態(tài)學(xué)操作侵蝕(Erosion)，將腫塊整體分割成兩個(gè)不同區(qū)域：核心和邊緣。目前對于病灶核心區(qū)和邊緣區(qū)的分割方式并無統(tǒng)一標(biāo)準(zhǔn)，且以往基于斷層圖像的分割方法并不適用于乳腺X線圖像。經(jīng)過實(shí)驗(yàn)比較，我們最終規(guī)定侵蝕至腫塊短徑一半的區(qū)域?yàn)楹诵膮^(qū)域，然后將腫塊整體區(qū)域減去核心區(qū)域得到環(huán)形的邊緣區(qū)域(圖1、2)。

在MaZda軟件中選擇μ±3σ選項(xiàng)對每幀圖像進(jìn)行灰度歸一化處理來降低對比度和亮度對圖像灰度值的影響。然后基于灰度共生矩陣(gray level co-occurrence matrix，GLCM)分別提取每個(gè)腫塊的整體、核心及邊緣三個(gè)不同區(qū)域的紋理特征?；诩韧南嚓P(guān)研究結(jié)果[9,11-13]，本研究中選擇熵、總和熵、差異熵、對比度、相關(guān)度、和方差及差方差共6個(gè)紋理參數(shù)作為分析指標(biāo)(表1)。

表1 各項(xiàng)紋理參數(shù)的意義

4.乳腺X線診斷

由本院影像科醫(yī)師對每幀乳腺X線片出具診斷報(bào)告，對病變進(jìn)行BI-RADS分級(jí)，其中0～4A類歸為良性組，4B～6類為惡性組。

5.統(tǒng)計(jì)學(xué)分析

使用SPSS 22.0統(tǒng)計(jì)分析軟件進(jìn)行數(shù)據(jù)分析。首先，對每組中各項(xiàng)紋理特征的數(shù)據(jù)進(jìn)行正態(tài)性檢驗(yàn)，符合正態(tài)分布的數(shù)據(jù)以 表示，采用獨(dú)立樣本t檢驗(yàn)進(jìn)行組間比較；不符合正態(tài)分布的數(shù)據(jù)以中位數(shù)(上、下四分位數(shù))表示，采用Mann-WhitneyU檢驗(yàn)進(jìn)行組間比較。每個(gè)紋理特征的計(jì)算取其水平、垂直、45°及135°共4個(gè)方向上的平均值，共生矩陣參數(shù)的像素間距(d)設(shè)定為1個(gè)像素。

利用受試者工作特性(receiver operation characteristic，ROC)曲線對組間差異有統(tǒng)計(jì)學(xué)意義的紋理特征的診斷效能進(jìn)行評估，使用MedCalc.軟件對比各項(xiàng)參數(shù)的ROC曲線下面積(area under the curve，AUC)的差異。采用二元logistic回歸向后Wald步進(jìn)法建立多參數(shù)聯(lián)合診斷模型，并進(jìn)一步分析其對乳腺病變良惡性的預(yù)測概率。以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

1.乳腺X線片診斷結(jié)果

良性組60個(gè)腫塊中，X線診斷結(jié)果為良性者52個(gè)，惡性者8個(gè)；惡性組58個(gè)腫塊中，X線診斷結(jié)果為惡性者44個(gè)，良性者14個(gè)。乳腺X線診斷的ROC曲線下面積(AUC)為0.813(圖3)，95%CI：0.731～0.904，檢出惡性病變的敏感度和特異度分別為75.86%和86.67%。

2.不同區(qū)域紋理特征的分析結(jié)果

兩組中腫塊不同區(qū)域的紋理特征及組間比較結(jié)果見表2～4。整體區(qū)域和邊緣區(qū)的相關(guān)性、對比度、差方差、總和熵、熵和差異熵之間的差異均具有統(tǒng)計(jì)學(xué)意義(P<0.05)；而兩組間核心區(qū)所有紋理特征的差異均無統(tǒng)計(jì)學(xué)意義(P>0.05)。對組間差異有統(tǒng)計(jì)學(xué)意義的紋理特征，建立ROC曲線并判定其診斷效能，結(jié)果見表3。AUC≥0.7的紋理特征有整體區(qū)域中的總和熵、熵，以及邊緣區(qū)域的對比度、總和熵、熵和差異熵。邊緣區(qū)域的紋理特征的診斷效能略高于整體區(qū)域，其中以邊緣區(qū)域的總和熵的診斷效能最高，AUC值為0.756。

表2 兩組腫塊整體區(qū)域紋理特征的比較

表3 兩組腫塊核心區(qū)域紋理特征的比較

表4 兩組腫塊邊緣區(qū)域紋理特征的比較

表5 各項(xiàng)紋理參數(shù)鑒別乳腺腫塊良惡性的診斷效能

3.紋理分析聯(lián)合乳腺X線的診斷結(jié)果

將組間差異有統(tǒng)計(jì)學(xué)意義的紋理特征及乳腺X診斷結(jié)果(良性賦值0，惡性賦值1)納入二元logistic回歸分析，最終建立的聯(lián)合診斷模型為Logit(P)=31.832×總和熵(邊緣)-4.19×X線診斷結(jié)果-57.057。聯(lián)合診斷模型的AUC為0.918，閾值為0.762，敏感度和特異度分別為84.5%和91.7%(表5、圖3)。對比單純?nèi)橄賆線診斷，聯(lián)合診斷的診斷效能(AUC)更高(P<0.05)，敏感度和特異度均高于常規(guī)乳腺X線診斷，但差異均無統(tǒng)計(jì)學(xué)意義(χ2=1.36，P>0.05；χ2=0.78，P>0.05)。

討 論

紋理分析可以檢測圖像中每個(gè)像素的細(xì)微分布和聯(lián)系，在臨床應(yīng)用過程中能最大程度地獲取圖像上不同類型的信息，從而能客觀、定量地評估病灶的異質(zhì)性。近年來，利用紋理分析來鑒別病灶良惡性的研究越來越多。Dennie等[9]的研究結(jié)果顯示熵、方差及平方和這3項(xiàng)紋理參數(shù)可以有效區(qū)分肺癌與肉芽腫性炎癥。 任繼亮等[14]利用紋理分析鑒別眼眶淋巴瘤與炎性假瘤，結(jié)果顯示兩者的熵值有明顯差異(P<0.05)。彭文靜等[15]對乳腺鉬靶圖像進(jìn)行紋理分析，發(fā)現(xiàn)標(biāo)準(zhǔn)差、不均勻度和熵可有效區(qū)分良、惡性乳腺小結(jié)節(jié)。然而，目前大部分研究都是對整個(gè)病灶進(jìn)行紋理分析，將病灶劃分成不同區(qū)域進(jìn)行紋理分析的研究還很少。

本研究基于乳腺X線圖像，分析腫塊不同區(qū)域紋理特征對乳腺腫塊良惡性的鑒別價(jià)值，結(jié)果顯示良惡性組間病灶整體區(qū)域的總和熵、熵、差異熵、差方差、相關(guān)度和對比度的差異均有統(tǒng)計(jì)學(xué)意義(P<0.05)，與既往的研究結(jié)果相符。其中，惡性組中病灶的相關(guān)度顯著低于良性組，表明惡性腫塊的紋理更不規(guī)則；惡性組的對比度、差方差、總和熵、熵以及差異熵均顯著高于良性組，說明惡性腫塊的結(jié)構(gòu)更混亂，紋理更為復(fù)雜。進(jìn)一步研究顯示，兩組腫塊間核心區(qū)域的紋理特征并無明顯差異，而邊緣區(qū)域具有顯著差異的紋理特征與整體區(qū)域一致。且相較于整體區(qū)域，邊緣區(qū)域的紋理特征顯示出更好的診斷效能。以上結(jié)果提示兩組腫塊之間的紋理特征差異主要源于腫塊的邊緣區(qū)域。造成此結(jié)果的確切原因尚不確定，推測可能是由于惡性腫塊內(nèi)的異質(zhì)性并不均勻，腫塊邊緣區(qū)域異質(zhì)性更高所致。Biesaga等[16]研究發(fā)現(xiàn)惡性腫瘤的新生微血管生長活躍并多集中在腫瘤邊緣，而核心區(qū)血管化不良。其研究結(jié)果也支持上述推測。

熵相關(guān)的紋理特征反映了腫塊內(nèi)像素分布的隨機(jī)混雜程度。已有研究證實(shí)熵能夠較好地反映病灶內(nèi)的異質(zhì)性[17-18]。本研究中，整體區(qū)域的總和熵、熵及邊緣區(qū)域的總和熵、熵和差異熵均顯示出了良好的診斷效能(AUC≥0.7)，與既往研究結(jié)果相符。其中邊緣區(qū)域的總和熵的診斷效能最高，AUC為0.756，相應(yīng)的敏感度、特異度分別為72.4%和68.3%。經(jīng)Logistic回歸分析，在所有紋理特征中僅邊緣區(qū)域的總和熵被納入了聯(lián)合診斷模型，提示其可能是鑒別乳腺腫塊良惡性的最佳紋理指標(biāo)。此外，相較于單純?nèi)橄賆線診斷，聯(lián)合診斷模型的診斷效能顯著提高，敏感度和特異度也有所提升。表明紋理分析可以有效地幫助影像醫(yī)師提高對乳腺腫塊定性診斷的準(zhǔn)確性。

本研究的局限性：①基于乳腺X線影像進(jìn)行紋理分析，無法反映腫塊的三維空間的紋理差異；②ROI為人工勾畫，紋理分析結(jié)果可能會(huì)受到主觀因素的影響。③由于某些病理類型腫瘤的樣本量較小，未對不同病理類型乳腺腫瘤之間的紋理特征的差異進(jìn)行研究。④為回顧性單中心分析，樣本選擇可能存在一定偏倚。

綜上所述，對乳腺X線圖像上腫塊整體和邊緣區(qū)域進(jìn)行紋理分析，可以有效提高對乳腺腫塊良惡性的鑒別診斷準(zhǔn)確性，為臨床診斷提供客觀和可靠依據(jù)。