超聲影像組學(xué)助力左心室肥厚病因鑒別

余其徽，俞 霏，馬雨琴，夏良華，張 波，張 麒

(1.上海先進通信與數(shù)據(jù)科學(xué)研究院(上海大學(xué))，上海 200444；2.上海大學(xué)通信與信息工程學(xué)院，上海 200444；3.同濟大學(xué)附屬東方醫(yī)院超聲科，上海 200120；4.上海市醫(yī)療圖像與醫(yī)學(xué)知識圖譜人工智能重點實驗室，上海 200051)

0 引言

高血壓性心臟病(hypertensive heart disease,HHD)、肥厚型心肌病(hypertrophic cardio myopathy，HCM)、尿毒癥性心肌病(uremic cardiomyopathy，UCM)是左心室肥厚(left ventricular hypertrophy，LVH)的主要病因[1-2]。胸超聲心動圖(transthoracic echocardiography，TTE)可以通過特定的形態(tài)學(xué)特征對部分LVH病因進行診斷[3]。但在其他許多具有非特異性特征的病例中，肥厚原因的鑒別仍具有很大的挑戰(zhàn)性[4-5]。因此，臨床亟需一種可廣泛應(yīng)用的新技術(shù)，揭示真正的病因，輔助醫(yī)生進行臨床決策。

近年來，人工智能在心血管影像分析中的應(yīng)用頗受關(guān)注[6-8]。假設(shè)不同病因?qū)е碌腖VH組織學(xué)改變的差異將導(dǎo)致不同的心肌紋理，計算機在捕捉這些細(xì)微影像差異方面通常優(yōu)于人類肉眼觀察。本研究回顧性地分析了HHD、HCM和UCM患者的超聲心動圖像，提取并分析多組心肌紋理特征，以輔助鑒別LVH病因。

1 材料和方法

首先，采集HHD、HCM和UCM患者的超聲心動圖像，并進行感興趣區(qū)域(region of interest，ROI)處理。然后，用計算機提取ROI的兩類紋理特征，并對這些特征進行統(tǒng)計學(xué)分析。接著，通過閾值法分類，以期發(fā)現(xiàn)臨床上單個分類能力較好的顯著特征。使用支持向量機(support vector machine,SVM)算法探討所有顯著特征的整體分類能力。

HHD、HCM和UCM患者的超聲心動圖分析流程如圖1所示。

圖1 超聲心動圖分析流程圖

1.1 圖像采集和ROI處理

本文研究的超聲心動圖像來自上海東方醫(yī)院超聲科，共獲得75例左心室肥厚患者的TTE資料。所有病例均行臨床資料仔細(xì)核實，以確定入選和分組。其中，HHD、HCM和UCM患者各25例。所有病例均采用高級彩超診斷儀，包括GE vivid E9、GE vivid7、Phillips IE33、Phillips EPIQ7c。超聲檢查時，按常規(guī)超聲心動圖檢查流程留取各切面圖像，提取心尖四腔心切面進行計算機分析。左心室肥厚超聲心動圖的病變處理如圖2所示。

圖2 左心室肥厚超聲心動圖的病變處理

為保證分析的準(zhǔn)確性，本文由具有豐富臨床經(jīng)驗的超聲醫(yī)生手動勾勒超聲心動圖中的肥厚室間隔ROI輪廓，如圖2(a)所示。接著，通過二值化處理得到超聲心動圖對應(yīng)的掩膜圖像，如圖2(b)所示。其中，掩膜圖像中白色像素點對應(yīng)病變ROI，黑色像素點對應(yīng)背景區(qū)域。

1.2 紋理特征提取

根據(jù)原始超聲心動圖及其對應(yīng)的掩膜圖像，本文提取了ROI的兩類心肌紋理特征，包括一階統(tǒng)計量特征和和灰度共生矩陣(gray level co-occurrence matrix,GLCM)特征。

一階統(tǒng)計量特征基于超聲灰度圖提取，包括ROI內(nèi)部像素的均值、中值、標(biāo)準(zhǔn)差(standard deviation，Std)、變異系數(shù)。與一階統(tǒng)計量特征不同，本研究使用了兩種類型的GLCM特征，即對比度(Contrast)和均一度(Homogeneity)。作為一種常用的紋理分析方法，GLCM不僅關(guān)注像素整體的分布情況，也可以反映具有接近或相同灰度的像素點之間的位置分布特性[9]。求取GLCM特征時，為減少計算量，將原來的256 個灰度級量化到 8 個灰度級，即得到 8×8 的灰度共生矩陣G(i,j)(i=1,2,...,8;j=1,2,...,8)，再歸一化G(i,j)得到概率矩陣p(i,j)，進而提取紋理特征。同時，本研究設(shè)定矩陣方向為 0°、45°、90°、135°，最后求取4個方向特征的平均值作為最終的GLCM紋理特征。其中，Contrast值越小，Homogeneity值越大，則ROI病灶局部間的灰度越接近，像素分布越均勻。

1.3 統(tǒng)計學(xué)分析

為評價紋理特征對左心室肥厚病因的鑒別有效性，本研究對提取的所有特征進行了統(tǒng)計學(xué)分析。三組間的特征變量采用方差分析。而對于兩組間的特征變量，假設(shè)特征參數(shù)對應(yīng)的數(shù)據(jù)為正態(tài)分布，采用非配對t檢驗進行分析；否則，采用KW檢驗分析。其中，p值小于0.05表示有統(tǒng)計學(xué)意義。

1.4 分類

1.4.1 閾值法分類

對于有統(tǒng)計學(xué)意義且能區(qū)分HHD、HCM和UCM三組的特征，在所有數(shù)據(jù)集上，本文以約登指數(shù)(youden index，Yi)最優(yōu)為參考，調(diào)節(jié)確定合適的特征分類閾值，從而計算此時所有數(shù)據(jù)集對應(yīng)的分類精度(accuracy,Acc)、靈敏度(sensitivity,Sen)、特異性(specificity,Spc)和曲線下面積(area under the curve,AUC)，以期發(fā)現(xiàn)臨床上分類能力較好的顯著特征。

1.4.2 SVM分類

本文運用SVM算法，進一步探討所有顯著特征的整體分類性能。SVM是一種有監(jiān)督的學(xué)習(xí)算法。該算法通過非線性變換，將輸入的特征空間映射到高維特征空間，然后在高維特征空間尋找到經(jīng)驗誤差最小、分類間距最大的最優(yōu)分類超平面[10]。在本研究中，合并HHD、HCM和UCM中的任意兩組之后，使用SVM二分類算法分類，最后再次使用SVM二分類算法區(qū)分被合并的兩組。每次分類時，首先按照6∶4的比例，將數(shù)據(jù)集分成訓(xùn)練集和測試集。然后，在訓(xùn)練集上，使用5次交叉驗證尋找特征的最優(yōu)模型，用于測試集的分類。最后，可以獲得了兩次分類過程中測試集對應(yīng)的分類性能，包括Acc、Sen、Spc、Yi和AUC。

2 結(jié)果分析

2.1 統(tǒng)計學(xué)分析結(jié)果

入組病例均經(jīng)詳細(xì)臨床資料核實確定LVH病因，包括HHD、HCM和UCM患者各25例，共75個ROI病灶。對提取的所有心肌紋理特征進行統(tǒng)計分析，能顯著區(qū)分HHD、HCM和UCM三組的特征如表1所示。表1中：0表示HHD組，1表示HCM組，2表示UCM組。與此同時，表1給出了對應(yīng)特征的均值和標(biāo)準(zhǔn)差。

表1 顯著區(qū)分HHD、HCM和UCM的紋理特征

從表1中可以看出，當(dāng)區(qū)分HHD、HCM和UCM三組左心室肥厚疾病(0vs1vs2)時，Std、Contrast和Homogeneity有一定的參考作用(p<0.001，Std；p=0.002，Contrast；p=0.004,Homogeneity)。當(dāng)區(qū)分HHD、HCM組和UCM組(0,1vs2)時，Std、Contrast和Homogeneity三個參數(shù)均有顯著差異(p<0.001，Std；p<0.001，Contrast；p=0.048，Homogeneity)，UCM組的Std、Contrast值更大，Homogeneity值更小，表明UCM的ROI像素分布最不均勻。同時，相較于HCM組，HHD組表現(xiàn)更不均勻(0vs1)，且在Std、Contrast和Homogeneity三個參數(shù)上有顯著差異(p=0.034，Std；p<0.001，Contrast;p<0.001，Homogeneity)。此外，相較于HHD、UCM組，HCM組表現(xiàn)更均勻(0,2vs1)，且在Std、Contrast和Homogeneity三個參數(shù)上均有顯著差異(p=0.021，Std；p<0.001，Contrast；p<0.001，Homogeneity)。同時，相較于UCM組，HHD組表現(xiàn)更均勻(0vs2)，但僅在Std和Contrast兩個參數(shù)上有顯著差異(p=0.001，Std；p=0.016，Contrast)。

2.2 閾值法分類結(jié)果

利用閾值法分類探討臨床上單個顯著特征的分類能力時，Contrast參數(shù)表現(xiàn)最好。Contrast的閾值法分類結(jié)果如表2所示。

表2 Contrast的閾值法分類結(jié)果

當(dāng)區(qū)分HHD、HCM組與UCM組(0,1vs2)時，AUC為0.769；進而區(qū)分HHD和HCM組(0vs1)，AUC為0.800。由此表明，Contrast對臨床上HHD、HCM和 UCM的區(qū)分有潛在的重要參考價值。

2.3 SVM分類結(jié)果

為區(qū)分HHD、HCM和UCM三組病因，本文分別運用了兩次SVM分類算法。其中，利用所有特征先區(qū)分HHD、HCM和UCM組(0,1vs2)，接著再區(qū)分HHD組和HCM組時(0vs1)，測試集分類性能表現(xiàn)更好。測試集的分類結(jié)果如表3所示。

表3 測試集的分類結(jié)果

分類結(jié)果表明，UCM組和HHD、HCM組更好區(qū)分，測試集Acc、Sen和Spc分別為0.867、0.875和0.833。當(dāng)區(qū)分HHD組和HCM組時，測試集Acc、Sen和Spc分別為0.800、0.857和0.769，Sen和Spc相對不平衡。兩次分類模型的ROC曲線如圖3所示。

圖3 兩次分類模型的ROC曲線

3 結(jié)論

本研究將人工智能影像學(xué)技術(shù)應(yīng)用于75例LVH圖像分析。分析結(jié)果表明，Contrast能顯著區(qū)分HHD、HCM和 UCM(p=0.002)，這與心肌病理生理特征密切相關(guān)[11-13]。同時，在SVM模型中區(qū)分HHD、HCM組和 UCM組時，AUC為0.910；區(qū)分HHD組和HCM組時，AUC為0.857。由此表明，醫(yī)生可從心肌紋理分析中獲益以輔助診斷三種LVH病因。本研究也存在一定的局限性：病例數(shù)相對較少，需不斷積累病例為臨床診斷提供更可靠的參數(shù)。后續(xù)可將影像組學(xué)特征應(yīng)用于多模態(tài)超聲研究，以獲取更多新指標(biāo)。